周博文，皋 军

（1.江苏科技大学 计算机学院，江苏 镇江 212032；2.盐城工学院 信息工程学院，江苏 盐城 224000）

0 引言

神经网络算法因其强大的性能被广泛应用，但也存在明显不足：一个大型的神经网络模型往往需要调试大量参数，调参工作耗时耗力，而且对训练模型使用的数据有一定数量要求。Zhou 等［1］提出的深度森林（Deep Forest，DF）模型能在一定程度上缓解上述问题。

但是，传统模型由于自身的限制而存在不足：①在多粒度扫描阶段，需转换的特征子集是按滑动窗口依次选取，显然第一维的特征只被扫描到一次，第二维的特征被扫描到两次……样本后端的特征同理，所以传统模型在此阶段未充分得到待转换的特征子集，在一定程度上忽略了样本两端特征。假如两端特征很重要，则无法充分利用［2］；②级联阶段只将上一层级生成的类概率向量作为强化特征，忽视了之前生成的类概率向量，并且强化特征的差异性有限，最后求结果时又仅是简单的求和求平均，使得较低准确率的子分类器和较高准确率的子分类器具有相同权重，没有重视分类器的权重对后续产生的类概率影响，一定程度上降低了模型性能。

1 相关工作

深度森林及其改进模型因其强鲁棒性和方便性被应用在多个领域。文献［2］提出了深度堆叠森林，随机抽取特征子集进行特征转换，并且对二分类任务去除冗余特征，将其应用在检测软件缺陷任务中，但不能保证选中的特征子集中恰恰包含重要度大的特征；