基于人工免疫网络记忆的新型分类器研究

该文首先简要介绍了自然免疫系统的免疫记忆原理,之后对aiNet和AIRS机制进行了分析,指出免疫记忆在两种算法中起关键作用。aiNet利用传统聚类技术对产生的记忆抗体进行数据聚类分析,无法得知原始抗原类别。AIRS通过训练产生记忆细胞池,利用最近邻原理对原始抗原分类。文中,aiNet的记忆抗体生成机制与KNN分类机制结合,提出基于人工免疫网络记忆的新型分类器AINMC———人工免疫网络记忆分类器。实验结果表明,所提出的新型分类器具有良好的记忆和泛化性能,准确率可以与许多传统方法相比较。

基于人工免疫思想的蚁群算法(AIACS)在配电网重构中的应用

针对多目标非线性整数规划的配电网重构问题,提出基于人工免疫思想的蚁群算法求解配电网重构问题。算法通过在原有蚁群模型上增加一个免疫记忆库,解对应于抗体,问题对应于抗原,并借鉴克隆选择和免疫记忆的思想进行解的构造和信息素更新。配电网编码采用基于环路的编码方式,算例结果表明,所提出算法在可以接受的计算迭代范围内可显著提高标准蚁群算法的性能。

基于免疫网络的遥感影像分类算法

基于独特型免疫网络原理,提出了一种新型的分区记忆模式人工独特型网络模型,并利用其对卫星遥感数据进行了分类。该模型在结构上将免疫网络的记忆抗体划分为特异记忆抗体区和自由记忆抗体区。前者的主要功能是记忆各类别抗原的特异特征,后者为前者提供各种类型的抗体源。记忆抗体间按照亚动力学原理进行调节,实现免疫网络的寻优过程。基于上述分区,它在初次免疫响应过程中实现网络的搭建和训练,在二次免疫响应过程中实现信息提取。最后利用该模型对ETM数据进行地物分类,并与传统分类方法进行对比。结果表明:该模型的总分类精度和Kappa系数分别是92.6%和0.91,优于传统分类方法。

基于人工免疫系统的蛋白质相互作用网络聚类算法

提出了一种基于人工免疫特性的蛋白质相互作用(PPI)网络聚类模型与算法以期提高其辨识准确率。在该算法中将聚类中心作为抗原,将邻接的节点作为抗体,通过计算抗体与抗原之间的亲和度,将其作为记忆细胞把节点划分到聚类中;然后选择优秀抗体作为疫苗,尝试将疫苗注入聚类模块并进行更新,通过与注射前的模块适应度进行比较,不断更新记忆细胞。对PPI数据集上的数据进行了仿真,实验结果表明,与功能流算法(FLOW)相比,所提方法的正确率和查全率的几何平均值均得到了提高。

基于人工免疫网络的联想记忆器

本文提出一种利用人工免疫网络模型设计联想记忆器的方法。着重指出通过定义适当的补充机制形式,人工免疫系统如何应用 于解决联想记忆问题,仿真结果与其他熟知的模型所得结果进行了比较。

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。

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。

入侵检测中基于残余抗原理论的动态记忆算法

依据生物免疫的防御层次结构,分析了网络入侵的多层防御体系。引入生物学中残余抗原理论,结合入侵检测过程中存在的残余抗原,提出了一种新的基于残余抗原理论的动态记忆算法。在此基础上,分析了算法的设计思想,给出了算法的具体实现过程。实验数据表明:该算法实现了识别器记忆的动态性和持久性,并且能够提高系统资源的利用率。

基于人工免疫的记忆检测器研究

传统的手段已不能充分地解决计算机网络的安全问题。为了确保计算机网络系统安全,建立一个有效的入侵检测系统IDS,针对IDS中成熟检测器检测率低和错误肯定率高的问题,根据人工免疫记忆原理,研究了免疫检测器集中成熟检测器激活,记忆检测器生成与变异机制以及演化,给出了记忆检测器生成算法,研究了记忆检测器变异和淘汰机制。实验结果证明记忆检测器为主的检测器集合实现了检测器自学习和联想记忆的功能,提高了入侵检测系统的自适应能力和检测率,减少了错误肯定率。

基于改进AIA-BP算法的煤矿供电线路故障类型识别方法

为了提升煤矿电力系统中供电线路故障识别方法的准确率,提出一种基于小波变换与灰色AIA-BP的煤矿供电线路故障类型识别方法。采用小波变换分析对电力暂态信号进行故障特征提取;引入灰色关联度法对人工免疫算法(AIA)进行改进,并对BP神经网络的的权值与阈值进行了优化,建立灰色AIA-BP故障识别算法模型。仿真结果表明,灰色AIA-BP模型的识别准确率高出传统AIA-BP模型11.37%,故障识别误差率相较于单一BP神经网络模型降低了6.47%,验证了所提方案能够有效地提高供电线路的故障诊断精度;提出模型的平均识别准确率为96.81%,相较于GA-SVM模型和RBF模型提升了14.32%和21.99%,可以对供电线路故障类型进行精确识别判断。