人工免疫记忆分类器多类多维问题研究

本文首先介绍人工免疫系统在分类问题中的应用,以及人工免疫记忆分类器在UCI数据集合上的研究结果,然后将人工免疫记忆分类器与人工免疫识别系统在多类多维问题上进行比较研究,以进一步验证人工免疫记忆分类器的性能。结果表明,人工免疫记忆分类器对于多类多维问题具有良好的性能,效率高于人工免疫识别系统。

人工免疫记忆分类器类别不均匀分布分类研究

类别分配不均匀是实际中常见的分类问题。文章利用基于免疫记忆的分类器—免疫记忆分类器研究该类问题。通过改进人工免疫记忆分类器距离度量方式,发现在比例选择平均距离度量情况下,该种分类器可以很好地解决类别分配不均匀问题。与另一种免疫分类方法AIRS和传统的KNN分类结果比较表明,人工免疫记忆分类器能够解决这类问题,效果好于后两者,为解决该类问题提供了新的思路和方法。

人工免疫网络记忆分类器信息恢复系统应用

通过对不同人工免疫分类方法的比较,发现不同分类方法的效果对预测结果有一定影响,利用人工免疫记忆分类器分类方法取得比其他方法更好的预测效果。

人工免疫网络记忆分类器网络文本分类研究

论文在人工免疫记忆分类器用于解决数据分类的基础上,提出将该分类器用于解决文本分类的方法。与两种基于免疫原理的文本分类方法和传统的贝叶斯分类器进行了比较研究。结果表明该分类器在标准文本样本集合上的性能好于其他三种分类器,在小样本分类上具有一定优势。

人工免疫网络记忆分类并行算法研究

人类免疫系统是极为复杂的、固有并行性、分布式系统。人工免疫系统领域已经开发了许多免疫系统启发的算法,但没有几个显示并行性。论文提出并行人工免疫网络记忆分类系统,给出简单的并行人工免疫网络记忆分类算法。初始结果显示,通过简单的并行化方法,与并行人工免疫识别系统AIRS的比较研究表明,并行人工免疫网络记忆分类系统在并行效率等方面的性能优于后者。