V-detector优化算法

针对人工免疫系统中V-detector否定选择算法造成的检测器集合黑洞和检测器高重叠率等问题，借鉴生物免疫系统对免疫细胞的调节机制，提出了V-detector优化算法。该算法从父代产生候选检测器子代并通过检测器之间以及检测器与自体集合之间的亲和力对比更新检测器集合，使得检测器集合对非自体空间的覆盖更加合理。通过二维仿真实验和KDDCUP99数据集实验测试，经优化后的检测器集合对非自体空间的覆盖性能有了显著提高，有效提高了系统的检测性能。

连续属性离散化的Imp-Chi2算法

连续属性离散化是机器学习和数据挖掘领域中的一个重要问题,离散化是否合理决定着表达和提取相关信息的准确性。经过研究Chi2系列算法,提出一种新的基于属性重要性的连续属性离散化方法——Imp-Chi2算法,该算法依据属性重要性程度对属性离散化的顺序进行了合理的调整,能够更准确地对连续属性进行离散化。文章通过C4.5和支持向量机分别对离散化后的结果进行了实验,在实验过程中,提出一种训练集类比例抽取方法,避免了训练集随机抽取的不均匀性。实验结果证明了所提算法的有效性。

Hybrid Methodology for Structural Health Monitoring Based on Immune Algorithms and Symbolic Time Series Analysis

This hybrid methodology for structural health monitoring (SHM) is based on immune algorithms (IAs) and symbolic time series analysis (STSA). Real-valued negative selection (RNS) is used to detect damage detection and adaptive immune clonal selection algorithm (AICSA) is used to localize and quantify the damage. Data symbolization by using STSA alleviates the effects of harmful noise in raw acceleration data. This paper explains the mathematical basis of STSA and the procedure of the hybrid methodology. It also describes the results of an simulation experiment on a five-story shear frame structure that indicated the hybrid strategy can efficiently and precisely detect, localize and quantify damage to civil engineering structures in the presence of measurement noise.

一种改进的选星算法在GPS定位系统中的应用

为解决传统选星算法在定位精度与运算复杂度之间的矛盾,提出了一种基于行列式值的改进选星算法,并从运算量的复杂度、消耗时间的长短、定位精度的高低3个方面与传统最小几何精度因子(GDOP)算法相比较。仿真结果表明:改进选星算法80%以上的GDOP相对比值小于10%,所需计算时间明显小于传统最小GDOP方法,且避免了大量的矩阵乘法和求逆运算,证明了该改进选星算法具有计算复杂度低、耗时短、精度较高的优点。

基于人工免疫系统的电路小样本故障诊断方法

针对常规电路故障诊断方法存在的故障样本需求大的问题,基于免疫系统的阴性选择机理,提出了建立人工免疫系统实现电路小样本故障诊断的新方法。该方法仅需电路正常模式测试数据加一组故障模式测试数据为样本,生成随机检测器,再运用变异实值否定选择算法优化随机检测器,结合基于故障样本生成故障类型检测器构成人工免疫系统的故障检测器,并采用二次匹配方法完成电路的故障诊断。对ITC’97的CTSV滤波器电路的故障诊断表明,该方法可应用于小故障样本场合下的电路故障诊断,具有较高的实际应用前景。

一种改进的实值负选择算法

通过分析已有实值负选择算法检测率不高的原因,提出一种通过鉴别边界自体样本的改进负选择算法,以提高对检测黑洞的覆盖率。给出算法的改进思想、具体实现过程及优势分析。采用人工合成数据集2DSyntheticData和实际Biomedical数据集对算法进行验证。实验结果表明,该算法检测率较高,所需的检测器数量较少,综合性能较优。

免疫入侵检测多形态检测算法

针对基于免疫机制的入侵检测系统的单一形态检测器检测性能低下的问题,分析了二进制形态空间和实值形态空间各自的不足,借鉴免疫独特型网络理论和免疫危险理论的信号机制,提出了多形态检测算法,该算法使用二进制形态和实值形态两种检测器协同检测,通过协同信号判定事件是否异常。经实验表明,该多形态检测算法较单一形态检测算法在检测性能上有了极大的提高。

实数向量型阴性选择算法的改进

通过对实数向量型阴性选择算法的分析,提出了检测器空间覆盖率的概念,用它作为估计检测器数量的一项理论依据,将这个估计值引入到实数向量型阴性选择算法中,控制检测器的生成,同时对检测器采取了新的变异操作。实验表明,这一改进在保证算法检出率的同时,又可降低误报率。

一种以超球体作为抗体识别区域的新的实值阴性选择算法

从几何模型出发，免疫问题实际上是一个空间划分的问题。将超球体作为免疫系统抗体识别区域，针对经典阴性选择算法的不足，提出了改善的方法，从根本上减少了误报和漏报率，降低了检测器的冗余可能性。仿真和实验实例表明，该算法适合于电路板的故障诊断，有较高的故障诊断率。

区域否定选择算法

否定选择算法将单个自体点和其邻近点作为自体区域训练检测器。研究了实值否定算法,定义了连续的自体区域,采用动态聚类法将自体样本点分类到自体区域,训练时根据自体区域半径和与自体区域重心之间的余弦距离做局部训练,并在自体区域内使用可变阈值检测器。实验证明当耐受自体点被当成一个整体使用时能提供更多的信息,可以探测出自体区域边界,使系统效率和检测率得到提高。

基于实值反向选择算法的齿轮箱异常检测

在人工免疫系统反向选择机理的基础上,分析了二进制反向选择算法的缺点及采用实值编码的优点。在利用实值编码的反向选择机理中加入2个进化学习机制,对原始反向算法进行改进得到实值反向选择算法,并应用于机床齿轮箱的运行状态检测。结果表明,该算法产生的检测器集合对非己空间有很好的覆盖能力,并得到了很高的异常检测率。

新的否定选择算法及其在疾病诊断中的应用

针对现有的否定选择算法存在检测率较低,检测器集合过大等问题,提出了一种结合非自体信息和二次移动的实值否定选择算法(NTMV-detector)。该算法基于训练集中的非自体和随机的方法生成候选检测器中心。二次移动的主要思路是:如果候选检测器中心与成熟检测器匹配,把它移出成熟检测器集;然后通过离候选检测器中心最近的两个自体来微调检测器的位置,确定检测器半径。实验证明,该方法可以有效地提高疾病诊断的诊断率,降低误诊率。

超球体检测器覆盖问题的研究

研究表明实值否定选择算法在多维形状空间下呈现出很高的时间和空间复杂性。针对实值否定选择算法中最常采用的超球体检测器,在理论上研究了它的体积,以及体积随半径和维数变化的性质,以此分析了高复杂性出现的原因。针对检测器存在重叠的问题,基于蒙特卡罗方法提出了一个估计检测器覆盖率的算法,用于比较不同检测器生成算法。由于该算法基于随机分布和概率方法,它极大地简化了计算复杂性。

实数向量型阴性选择算法的改进

通过对实数向量型阴性选择算法的分析,提出了检测器空间覆盖率的概念,用它作为估计检测器数量的一项理论依据,将这个估计值引入到实数向量型阴性选择算法中,控制检测器的生成,同时对检测器采取了新的变异操作。实验表明,这一改进在保证算法检出率的同时,又可降低误报率。

基于局部线性嵌入的免疫检测器优化生成算法

网络安全已上升到国家安全战略层面,入侵检测技术是其重要的组成部分,已得到广泛关注.在基于免疫的入侵检测研究中,针对传统实值否定选择算法不利于高效分析数据而造成的检测器生成速度慢、检测效率低等问题,引入局部线性嵌入算法,借鉴其能对高维数据进行映射降维的特点,提出一种基于局部线性嵌入的免疫检测器优化生成算法,利用局部线性嵌入对高维数据预处理优化降维,并结合实值否定选择算法生成检测器.将该算法用于检测模型,从而提升检测器的生成速率,并可保证生成的检测器高效地处理高维数据.该算法在降维前后可保证样本的局部线性结构不变,具有可变参数少、计算时间短的特点.实验结果表明,所提出算法在显著提高检测器生成速率和对数据检测效率的基础上,检测性能也表现出很好的水平.