基于免疫算法和神经网络的新型抗体网络

构建了基于免疫算法和神经网络的新型抗体网络入侵检测系统,系统与网络入侵检测功能相结合,应用于大型网络的入侵检测任务,具有良好的可扩充性;重点讨论了新型抗体网络原理,引进BP神经网络自学习能力,对已有的抗体网络模型进行改进;通过对网络数据集的测试表明,该算法相对于传统抗体网络,其检测效率得到了明显的改善。

高分辨率卫星影像车辆检测的抗体网络

将车辆检测的过程视为一种"抗体"检测"危险抗原"的过程,其中车辆是"危险抗原",车辆检测模板是"抗体"。利用一些车辆图像作为训练样本,建立一种抗体网络学习并获取一组优化的"抗体"。这些"抗体"经过与待测影像的匹配,实现对道路车辆目标的有效提取。采用0.6m分辨率的QuickBird全色数据进行实验,实验结果验证了该方法的有效性和可行性。

一种基于抗体网络的免疫算法

阐述了免疫系统抗体网络的机理和特点,深入分析了抗体网络与常用的免疫算法和Hopfield神经网络异同。通过不断更新输入模式(抗原)和采用最优保存策略,将基于克隆选择的竞争学习算子、自动生成网络结构、剪枝算子和低频变异用于进化操作,提出一种新的基于抗体网络的免疫算法,用于函数优化问题。实验结果表明新算法可行有效。与常用的免疫算法、Hopfield神经网络优化算法比较,新算法具有较好的全局搜索能力和较快收敛速度。

基于抗体网络的邮件过滤器设计

抗体网络作为一种新型的基于免疫原理的神经网络模型,已有实验验证了其具有良好的无监督竞争学习能力。但对抗体网络的研究目前还集中在原理介绍和实验验证上,没有将其应用在实际工程问题中的先例。在保留抗体网络的结构自动生成,基于克隆选择、变异机制的无监督竞争学习等优点的同时,对抗体网络的初始化、抗体的表示方式、网络结构的更新等方面作了适当的改进。在此基础上设计的邮件过滤器,和传统的邮件过滤器相比,实验结果表明其具有自适应能力好、准确性高等优点。

抗体网络基于邻接矩阵的算法实现

D e C astro等提出一种基于人工免疫原理的竞争神经网络模型-抗体网络。但目前关于抗体网络的研究还停留在原理介绍和实验验证阶段,没有应用在工程问题中的实例。在综合考虑算法复杂性等因素的基础上,利用邻接矩阵作为存储结构,给出了抗体网络主要操作的算法,为抗体网络在工程问题中的应用提供了一个具体的实现方案。

一种基于人工免疫网络聚类的入侵检测方法

提出了一种基于自适应半径免疫算法(ARIA)的入侵检测方法。ARIA训练得到的抗体网络充分保留了原始数据的密度分布信息,具有准确的空间形态;再用最小生成树算法和Zahn划分标准对抗体网络细胞聚类,聚类得到的簇被标记为正常或异常并用于网络异常检测中。对KDD CUP 99数据集的实验结果表明:相对于基于aiNet的入侵检测方法,新的算法检测率高、误报率低,能够有效识别KDD中的已知攻击和未知攻击。