摘要：针对传统BP神经网络容易陷入局部极小、预测精度低的问题，提出使用Adaboost算法和BP神经网络相结合的方法，提高网络预测精度和泛化能力。该方法首先对样本数据进行预处理并初始化测试数据分布权值；然后通过选取不同的隐含层节点数、节点传递函数、训练函数、网络学习函数构造出不同类型的BP弱预测器并对样本数据进行反复训练；最后使用Adaboost算法将得到的多个BP神经网络弱预测器组成新的强预测器。对UCI数据库中数据集进行仿真实验，结果表明本方法比传统BP网络预测平均误差绝对值减少近50％，提高了网络预测精度，为神经网络预测提供借鉴。

关键词：神经网络 强预测器 迭代算法 adaboost算法 

单位：淮阴工学院计算机工程学院 江苏淮安223003