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。     

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。     

不完备数据下的免疫分类算法

人工免疫识别系统（AIRS）是受生物免疫系统的启示而研发的一种比较有效的分类器,但也存在记忆细胞数目过于庞大,分类精度不高,特别是在数据不完备的情况下,分类精度低等缺陷。为了解决这个问题,提出了一种不完备数据下的免疫分类算法（ICAU）,算法引入半监督学习机制和分类器融合投票决策的思想,利用多个AIRS分类器互相帮助学习训练,来提高AIRS在不完备数据下的分类精度。在UCI数据集上进行了实验,结果验证了ICAU算法的有效性。     

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.     

一种人工免疫分类方法在故障诊断中的应用

人工免疫识别系统的传统方法易造成抗体进化效率低、免疫网络冗余。为解决该问题,提出一种新型的人工免疫分类方法。引入阳性选择和网络抑制机理,结合蒙特卡洛方法,根据训练抗原产生优化分布的初始抗体,融合多种免疫原理模拟免疫应答过程,由初始抗体进化出成熟的记忆细胞,利用记忆细胞依据K最近邻表决方法对待分类抗原进行分类。对UCI数据集的分类结果表明,该方法与人工免疫识别系统相比,抗体进化迭代次数平均减少63.1%,网络压缩率平均提高14.7%。在某线性稳压电源的故障诊断实例中,该方法的平均分类准确率为92.5%,高于人工免疫识别系统和神经网络等分类方法。     

人工免疫分类器记忆细胞分布比较研究

人工免疫网络记忆分类器和人工免疫识别系统是两种人工免疫分类方法。二者的免疫系统原理有所差别,前者改进后的性能优于后者。本文对二者产生的记忆细胞分布进行比较研究,指出二者在分类性能上的差别来自记忆细胞分布。二者记忆细胞的分布都近似正态分布,但前者的产生高质量记忆细胞的概率高于后者。     

改进的人工免疫识别系统及其性能分析

为了改善人工免疫识别系统的非线性能力,进一步优化分类器性能,提出了一种改进的人工免疫识别系统。新算法采用混合核函数来提升算法的非线性能力,同时,对记忆细个体进行适应度评估,淘汰低适应度的细胞来优化免疫分类器。改进的算法被应用于复杂UCI数据集的分类,分类结果与其他经典的分类算法的结果进行比较,结果显示该算法具有更好的分类性能。     

万有引力近邻的多视角分类学习

不平衡数据问题对传统的近邻分类器带来了很大的挑战,它的准则函数往往会使测试样本类别偏向于多数类,且参数对数据集有很强的依赖性。基于万有引力的固定半径近邻分类器（GFRNN）算法通过引入万有引力定律的思想,实现了一个针对不平衡数据的无参、高效的分类器,但GFRNN算法仅采用欧氏距离方法来计算半径和候选集。因此,基于GFRNN算法,在算法构造层面上提出了一种多视角学习框架MGFRNN。考虑到距离计算的多样性及所对应候选集的不确定性,在距离的计算中,采用欧式距离、一范数距离和切比雪夫距离三种度量方法,根据三种距离度量方法分别计算候选集半径,并计算候选集中各类样本对测试样本的万有引力大小,从而进行分类。实验结果证明,所提MGFRNN算法在比较算法中具有最高的分类精确度。     

基于支持向量机和距离度量的管道内表面图像分类方法研究

针对管道内表面图像的分类问题，提出了一种将支持向量机和距离度量相结合，构成组合分类器的分类方法。分类时先采用距离度量进行前级分类，符合条件则给出分类结果，否则拒识并转入SVM分类器进行分类。该方法充分利用了SVM识别率高和距离度量速度快的优点，并且利用距离度量的结果去指导SVM的训练和测试。实验表明本方法具有较高的效率和识别精度，进一步提高了系统的识别率和容噪性能。     

Artificial immune classifier with swarm learning

Artificial immune systems are computational systems inspired by the principles and processes of the natural immune system. The various applications of artificial immune systems have been used for pattern recognition and classification problems; however, these artificial immune systems have three major problems, which are growing of the memory cell population, eliminating of the useful memory cells in next the steps, and randomly using cloning and mutation operators. In this study, a new artificial immune classifier with swarm learning is proposed to solve these three problems. The proposed algorithm uses the swarm learning to evolve the antibody population. In each step, the antibodies that belong to the same class move to the same way according to their affinities. The size of the memory cell population does not grow during the training stage of the algorithm. Therefore, the method is faster than other artificial immune classifiers. The classifier was tested on two case studies. In the first case study, the algorithm was used to diagnose the faults of induction motors. In the second case study, five benchmark data sets were used to evaluate the performance of the algorithm. The results of second case studies show that the proposed method gives better results than two well-known artificial immune systems for real word data sets. The results were compared to other classification techniques, and the method is competitive to other classifiers.     

基于人工免疫原理的多任务协同算法

将免疫系统所特有的免疫记忆、clone选择和亲和力计算应用于工作流协同机制的算法研究中,尝试着探索出用人工免疫理论来解决动态、不确定性计算环境中多任务协同问题的新思路。仿真实验表明,该算法是正确、有效、可行的,而且在运行时间和解的性能上都优于相关算法。     

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。     

不同的距离测量方法对人工免疫识别系统的性能影响*

人工免疫识别系统AIRS（Artificial Immune Recognition System）是著名的免疫网络分类器,被成功地应用到大量的分类问题,表现出了良好的性能。为了分析不同的距离测量方法对AIRS的性能影响, 采用三种距离测量方法实现AIRS,这三种方法分别是Euclidean距离、Manhattan距离和RBF核空间距离,并将三种用不同距离测量方法实现的AIRS算法应用于Iris,Heart和Wine数据集的分类测试。所获得的三组数据集分类的准确率和抗体规模进行了相互比较,结果表明采用Manhattan距离AIRS算法获得了对Iris和Heart的最高分类准确率,而采用核空间距离,算法获得了对Wine的最高分类准确率。从抗体群体规模来看,采用核空间距离则能获得最小的抗体群体。从性能比较可知,不同的距离测量方法对AIRS算法的分类性能较大的影响。     

免疫克隆选择图划分方法

为了解决谱聚类方法中大规模的相似性矩阵的存储和特征分解困难的问题,利用权核K-均值算法的目标函数和图谱划分准则的等价性,将图谱划分准则作为免疫克隆选择优化算法的亲和度函数,提出一种利用免疫克隆选择优化算法求解图谱划分问题的新方法——免疫克隆选择图划分方法。该方法在免疫克隆选择操作的过程中引入了一个个体修正算子,使得个体以更快的速度向更优的个体进化。此外,在新方法中还引入了流形距离测度来构造相似性矩阵,使得新算法可以有效处理具有复杂结构的数据。采用人工数据集、USPS手写体数字识别和UMIST人脸识别的仿真实验验证了新方法的有效性和鲁棒性。     

A heuristic supervised Euclidean data difference dimension reduction for KNN classifier and its application to visual place classification

In this paper, we propose a novel supervised dimension reduction algorithm based on K-nearest neighbor (KNN) classifier. The proposed algorithm reduces the dimension of data in order to improve the accuracy of the KNN classification. This heuristic algorithm proposes independent dimensions which decrease Euclidean distance of a sample data and its K-nearest within-class neighbors and increase Euclidean distance of that sample and its M-nearest between-class neighbors. This algorithm is a linear dimension reduction algorithm which produces a mapping matrix for projecting data into low dimension. The dimension reduction step is followed by a KNN classifier. Therefore, it is applicable for high-dimensional multiclass classification. Experiments with artificial data such as Helix and Twin-peaks show ability of the algorithm for data visualization. This algorithm is compared with state-of-the-art algorithms in classification of eight different multiclass data sets from UCI collection. Simulation results have shown that the proposed algorithm outperforms the existing algorithms. Visual place classification is an important problem for intelligent mobile robots which not only deals with high-dimensional data but also has to solve a multiclass classification problem. A proper dimension reduction method is usually needed to decrease computation and memory complexity of algorithms in large environments. Therefore, our method is very well suited for this problem. We extract color histogram of omnidirectional camera images as primary features, reduce the features into a low-dimensional space and apply a KNN classifier. Results of experiments on five real data sets showed superiority of the proposed algorithm against others.