核聚类人工免疫网络的参数研究

核聚类人工免疫网络是一种新型的聚类分析方法,其基本算法形式也是启发式随机搜索算法,所以算法中的参数对于方法的最后性能有着重要影响。本文通过实验探讨几个关键参数对算法性能的影响,从而说明算法中参数的选择方式。     

资源受限核聚类人工免疫网络的研究与实现

聚类分析的两个基本任务是分析数据集中簇的数量以及这些簇的位置.在深入研究了核聚类方法及人工免疫网络的特性的基础上,引入资源受限机制,并讨论该机制在无监督自动聚类中的应用.实验结果表明,该机制能有效地提高聚类的收敛速度和分类效果.     

基于核聚类的近邻人工免疫网络算法研究

针对经典人工免疫网络(aiNet)及改进算法中存在的运算时间长、结构复杂等问题,提出了一种改进的核聚类近邻人工免疫网络算法(KN-aiNet)。算法在aiNet的改进算法——近邻aiNet结构的基础上,以抗体数据为核心利用量子能级思想聚类,并重定义了生成抗体策略,采用区域生长法搜索拥挤距离,采用基于核函数的亲和度等方法来提高算法的聚类效果和降低算法的运算时间。聚类实验结果表明,KN-aiNet算法的聚类准确率较经典aiNet算法及近邻aiNet算法分别提高了11.53%和4.56%,而算法的运算时间较经典aiNet算法及近邻ai-Net算法分别下降了0.503 s和0.823 s。     

人工免疫聚类算法分析

本文对现有的典型的应用于数据聚类分析的人工免疫算法：Jisys系统、RLAIS系统和aiNet等算法进行了详尽的分析,指出其优缺点,从而为对人工免疫聚类算法做进一步研究和改进打好基础。     

基于自适应人工免疫网络算法的数据挖掘

基于人工免疫网络(Artificial Immune Network:aiNet),提出了一种自适应的人工免疫网络聚类算法。在该算法中,网络抗体间的抑制阀值、抗体的克隆数目、抗体的选择和再选择数目、抗体的变异大小都随网络进化而自适应变化,使最终网络结构更符合原始数据的内在结构,降低了算法对决策者的先验知识的依赖,也提高了算法的泛化能力,很好地解决了算法与问题的相关性。仿真实验结果表明了该算法的有效性和实用性。     

基于人工免疫的图像聚类算法的研究

随着图像检索系统的发展,合理组织和管理图像数据库已渐渐成为用户检索的关键所在。因此提出了一种基于人工免疫的图像聚类算法,通过模拟抗体捕获抗原的机制,对由Internet上的60幅图像组成的图像库进行了聚类分析。聚类之前提取了图像的平均颜色特征,获得了每幅图像的mean值,同时,还比较了传统K均值聚类算法与本文算法的性能。实验结果表明,算法计算时间少、聚类误差低、聚类能力强,能有效地提高了检索效率。     

基于人工免疫系统aiNet模型的层次聚类算法

提出了一种基于人工免疫系统重要模型aiNet模型的层次聚类算法aiNHA。该算法首先采用aiNet的方法生成抗体的记忆细胞矩体和相似性矩阵,这样就将数据集划分为若干子簇。再按照层次聚类的方法,合并连接相似度高的子簇,得到最终的聚类结果。该算法适用于发现任意形状的聚类簇,并且继承了免疫算法搜索速度快、效率高的优点。     

一种新型的自适应人工免疫算法

论文简略叙述了免疫系统的基本原理,并对两种典型的免疫算法aiNet和RLAIS进行了详细分析,进而提出了一种新型的自适应人工免疫网络算法用于离散数据的聚类分析。此算法能得到稳定和良好的聚类结果,并能达到用户要求的数据压缩比,另外需用户确定的控制参数很少。     

半监督的人工免疫网络聚类

数据集的聚类边界不清晰时,人工免疫网络聚类使用最小生成树确定聚类数的依据往往不足.分析了问题存在的原因,提出一种基于人工免疫网络的半监督聚类算法.该算法一方面在抗体克隆操作中嵌入数据集 的先验信息,抑制位于聚类边界区域抗体的激活能力,从而保证记忆网络能更清晰的反映数据集中各聚类原型的结构;另一方面,将先验信息用于...     

核聚类算法

该文提出了一种用于聚类分析的核聚类方法，通过利用Mercer核，作者把输入空间的样本映射到高维特征空间后，在特征空间中进行聚类，由于经过了核函数的映射，使原来没有显现的特征突出来，从而能够更好地聚类，该核聚类方法在性能上比以典的聚类算法有较大的改进，具有更快的收敛速度以及更为准确的聚类，仿真实验的结果证实了核聚类方法的可行性和有效性。     

结合Mercer核与SOM的动态免疫网络聚类算法

提出一种用于聚类分析的进化免疫网络算法,借鉴自组织映射原理改进网络拓扑进化机制,利用改进的免疫机制控制抗体数量,提高抗原聚类效果.当输入样本分布呈高度非线性时,使用核方法提高聚类质量,为了避免在特征空间中聚类时失去对原输入空间聚类中心及结果的直观刻画,使用核代入为原输入空间导出一类不同于欧氏距离的新的距离度量,训练过程仍在原空间中进行.实验结果表明了算法的可行性和有效性.     

一种基于人工免疫聚类的三维模型检索算法

为提高对三维模型检索的性能,通过借鉴生物免疫系统中的克隆选择原理和记忆机制,将一种具有更快收敛速度和更高收敛精度的人工免疫K-Means混合聚类算法应用于三维模型对称特性提取上,经过采样、计算得出三维模型的实际对称平面,以此作为特征信息进行三维模型的检索。对比实验表明,该方法可以获得较优的检索性能。     

基于人工免疫的网络入侵检测

文章根据生物免疫系统的原理、体系结构,进行了基于人工免疫的网络入侵检测的研究,以改进现有网络入侵检测系统的性能。     

基于流形距离的人工免疫半监督聚类算法

将流形距离作为样本间相似性的基本度量测度,加入成对约束信息,通过近部传播得出新的度量矩阵。把聚 类问题转化为一优化数学模型。采用克隆选择算法求解这个优化模型,得出最后的聚类结果,通过人工数据集和UCI 标准数据集验证了这种方法具有较高的准确性。     

基于连通核的鲁棒模糊C-均值聚类算法

提出一种新的鲁棒核模糊C-均值聚类算法.将连通核与AFCM(Alternative fuzzy C-means)聚类算法相结合,给出基于连通核的核AFCM:CRKFCM(Connectivity kernel based robust fuzzy C-means).CRKFCM一方面有效地利用了连通核,可以对任意形状数据聚类,且避免了核参数的选取问题;另一方面在特征空间使用非欧氏距离,可以有效地处理含噪声数据的聚类问题.实验结果表明,与原有的AFCM和连通核硬C-均值(CKHCM,Connectivity kernel based hard C-means)聚类算法相比,新算法在处理噪声环境中的任意形状聚类问题方面更有效.     

基于人工免疫的网络入侵检测技术

目前,受生物免疫系统启发而产生用于网络安全的人工免疫系统(Artificial Immune System,AIS)的研究正在兴起.通过把人工免疫机理引入到网络入侵检测技术中,出现了一个新兴的研究方向:基于人工免疫的网络入侵检测.本文详细讨论了目前基于人工免疫的入侵检测技术的现状,对反病毒模型、非选择性算法、基于免疫自主体的入侵检测框架和分层模型等进行了分析,最后对研究中存在的问题给出了分析,并指出需要改进和注意的问题.     

一种基于人工免疫技术的入侵防御系统原型

介绍了人工免疫方法入侵检测技术中的应用和入侵防御技术。提出了一个基于LISYS的分布式防御系统原型,并详细分析了原型的结构。