关键字 |
| 人工免疫系统;分类;聚类;特征选择;第一个史坦顿机器学习。 |
介绍 |
| 所使用的人工免疫系统(AIS)平方测量模式和构建调用支持类的造型自然免疫系统[5]在计算智能系统的范畴。AIS拥抱活泼的性质,元素和自治能力,多样性,周转率。广场有测量许多应用广场作为AIS有[7][5]这可能是总结如下,分类和群,异常检测、笔记本电脑安全、学习、图像过程中,机器人技术,病毒检测和网络挖掘。分类/聚类方测量AIS的最广泛使用的应用程序空间。分类和一些需要的功能选择,识别和学习,广场测量人工系统的关键选项。群是一种机械的方式获得广泛的模式或从语料库结构通常被称为副在护理无监督学习方法。分类的步骤是将对象映射到明显的类别方面的影响是,它需要派生类或训练分类器。分类和群构建使用特征选择,识别和学习。特征选择是搜索的最小尺寸的特性集的必要和足够的目标的想法。功能选择我们倾向于建立积极的分类精度不大大降低[10]。clustering uses in the main three models like filter, wrapper and hybrid model for feature choice .the goal of pattern recognition (PR) is that the classification of knowledge, object or patterns into classes. For this purpose it examine however machines will extract data, learn to acknowledge pattern [1].different classification technique and cluster analysis square measure used for recognition. Machine learning target finding patterns from quality of information returning from a supply of interest. Feature based mostly} and similarity based approaches square measure 2 main machine learning techniques. Machine learning employed in each classification and bunch application in numerous ways in which .some application provide the definition of machine learning because the ability of a machine to enhance it document classification performance [6]. The paper is organized as follows: section a pair of presents regarding the artificial immune organisation. Section three discusses the artificial immune bunch systems. The conclusion of this paper is given in section four. |
相关工作 |
人工免疫分类系统 |
| 分类是最广泛使用的应用程序空间的AIS。人工免疫组织礼物一些人工免疫系统,下面这个空间和结合地构建使用喜欢的选项功能的选择,AIS的模式识别和机器学习, |
功能的选择 |
| 广场测量有许多纸赋予AIS,支持分类的促进功能的选择。广场测量给出一些例子如下。 |
AIS与本地分类特征选择(AISLFS) |
| 由免疫系统考虑一个新的分类器的行为。本机功能选择[7],被称为独家特色的分类器。蛋白质的结合发展护理抗原决定基关联和互补位氨基酸残基的物质决定的。主要是基于这种行为特征的选择。能量残留参与互动。所有的有机体选择部分蛋白质受体广场测量获得。内存集是由蛋白结合的物质。内存集是由一旦蛋白质(识别)和物质广场相关措施。内存集将减少一旦确定实例广场测量省略。削减本地的信息特征选择和遗漏广场的实例进行测量。 Process time reduces once there square measure fewer options to classify. solely a 100 percent of information was necessary to classify, charity ninetieth of information was reduced that is necessary for classification The classifier is made with 2 commonplace user outlined parameters which is able to limit the world and native characteristics of feature house looking out. Crosschecking was created on the classifier to acquire correct results on the existing problems. The K-Nearest Neighboring algorithmic rule, support vector machines and Random forest classifier square measure used for testing. Analyzing the results its discovered that the accomplishment of the projected classifier is manufacturing correct results once compared to different immune impressed classifier and different general classifiers. |
比赛望技术特征选择(TSM FS) |
| 比赛望技术[6]介绍了特征选择的缺点。模拟回火或泛型算法规则广场衡量现有特征选择方法,这种方法广场衡量非常复杂。投影方法广场衡量的好处更容易使用和不那么复杂的。TSM FS是一个简单的随机望技术。这种技术使用一个参数为主导本地或世界望算法规则的属性。 |
免疫 |
| 本文的主要目的是风格模式识别引擎和它支持的想法来源于类免疫系统。免疫- 81[8]的计划是基于代码的抽象,T细胞抗体,及其交互作用。创建B细胞的人口控制的T细胞。识别的b细胞认为“未知数”。免疫的测量- 81平方,2常见机器学习信息集,被用来检查免疫- 81的流行功能。初始设置(克利夫兰),组成的各种情况下的病人。它是用来执行一个十路交叉验证。一旦完成验证运行时,克利夫兰数据集被用作训练集。这个训练集用于表示第二个信息集合,组成多个未知的情况下。系统提供了一个可行的模式规划的模式识别系统。免疫- 81可能是一个各种各样的监督式学习系统。不同的机器学习算法相比,免疫- 81表现良好。 |
AIPR结构危害分类(SD AIPR) |
| 广场有测量各种伤害预计检测和定位方法。很多人探索结构损害分类下行。本文提出一种合成免疫模式识别(AIPR)[4]的危害分类模型结构,其中包括许多特征的自然免疫系统。模仿免疫识别是用来实现结构破坏模式识别。模仿免疫识别机制的主要选项广场措施适应、进化和免疫学习。组探测器节点广场措施不会收集时间序列信息和结构损害分类是基于这一系列知识。AIPR结构危害分类器(AIPR-SDC)包含两个主要阶段。初期是信息预处理和提取。在这个阶段所有检测器信息标准化和特征向量广场测量生成,存储单元组和蛋白质组中所有的类别也初始化的初始阶段。在第二阶段,指导物质刺激抗体的蛋白质组,因此导致一些提供克隆。 |
机器学习 |
| 机器学习是另外用于分类,以开发AIS(人工免疫系统)。 |
AIS的入侵检测ID (AIS) |
| AIS的入侵检测[12]的目标是减少入侵检测在笔记本电脑网络的出现。工作达到通过小组行动人工与模式识别和机器学习算法规则。这样一个系统开发支持人类系统的危险理论模型(他的)。危险模型及其应用广场测量有助于激活的恶意行为辩护,先后完全分散模型。神经纤维细胞行为和t细胞机制广场测量机制用于本文。这种系统广场测量广泛用于自动武器。 |
毫升电子邮件分类方法(E - MAIL毫升) |
| 本文分类器支持采用机器学习方法机械地过滤垃圾邮件。这种技术介绍一个可靠的反垃圾邮件过滤器。完全不同的机器学习技术广场测量了邮件分类。朴素贝叶斯分类器技术,再classifierMethod,人工神经Networksclassifier技术,支持向量机分类器技术,人工免疫Systemclassifier技术、粗糙集分类器技术广场测量最常用的方法。朴素贝叶斯分类器技术是最经济而高于提到分类器方面不同。 |
群人工免疫系统 |
| 群人工免疫系统的关键选项告诉关于然而AIS像功能的选择,模式识别和机器学习促进许多AIS measure广场群下面的应用程序空间, |
功能的选择 |
| 广场测量有许多纸被赋予对AIS,支持一些方便的功能选择。广场测量给出一些例子如下。 |
援助AIS的异常入侵检测(AIS) |
| 摘要[13]的目标是处理特性的影响减少异常入侵检测系统。它相连地发现一些攻击使用生物——人工免疫网络算法规则的印象,这个算法规则是用于减少数据集。AIS的援助的一个主要优点是精力充沛,因为它只选择最重要的选项,而不是选择所有选项。不同的祝福广场衡量检测准确性和减少假警报。本文把未来和k - means帮技术时是可行的。 |
内容主要为基础的图像检索(CBIR) |
| 它引入了模糊链接方法大喊图像信息集合。大喊大叫的照片信息的检索通过特征提取和相似准则。CBIR系统允许检索图片从一个信息改善噪声容忍度相对于不同的系统。法师检索的有效性将增加应用人工免疫算法规则。精力充沛是所有最CBIR系统的祝福。典型的条形图是一个在所有的CBIR系统解决复杂问题的能力。内容主要是基于图像检索性能高于基于直方图技术。数篇论文介绍了AIS支持与促进的模式识别。 |
IMMUNE-NETWORK-BASED新兴模式识别(INEPR) |
| INEPR的目的是提供了一个新兴的模式识别过程模型,支持免疫网络理论和分层群算法。动态生产内部图像为输入文件模式促进新生的模式识别。分级群算法负责创建关联在护理蛋白存储单元聚类;这样记忆细胞蛋白质广场措施由成员内部的图像。测定各种集群用于记忆细胞群可以是一个艰巨的任务。以前的论文必须被迫提前计算然而INEPR机械计算简单的各种集群。分析图表和L技术广场测量中引入INEPR估计数量的集群。 |
混合人工免疫模式识别(HAIPR) |
| 混合人工免疫的目标模式识别(HAIPR)介绍副护理无监督结构破坏模式识别支持模糊一些,因此人工免疫模式识别(AIPR)。难接近的模式数据的指导信息是无监督的所有约束结构破坏模式识别。模糊群的实施促进击败如此难接近的指导信息。存储单元的质量将会提高了人工免疫模式识别技术主要基于关联在护理免疫学习机制。人工免疫模式识别技术是用来增强记忆细胞的标准为每一个伤害模式。无监督模式识别危害的HAIPR受害IASC-ASCE基准结构高于目前的算法如FC-SVM和FC-Naive贝叶斯 |
机器学习 |
| 然而这一节描述有关机器学习AIS用于人工免疫系统的功能,在应用程序空间群。广场测量给出一些例子如下。aiNet是在AIS算法规则,将成功地应用在几个机器学习任务。aiNet利用生物——印象选项的免疫系统和它相连地执行基本任务。本文提出了利用aiNet很多复杂任务的文档。aiNet执行副在护理方法|生物过程}过程数据支持免疫网络和亲和力成熟原则。它可以以减少信息冗余和检索智能群的结果。以减少时间质量主体分析集成到这种技术。最后结果广场测量与层次聚集群和k - means相比,广场测量一些经典文档群方法。 |
内核主要基于人工免疫网络模型(AIN公里) |
| 在这个模型中基于内核主要方法介绍了[9]。在这种方法中代表的线性组合抗原的抗体。这使突变机制的定义虽然不是专横的矢量插图的抗体。该模型假设副护理亲和抗原之间的生活。{这个想法这个想法| |这个想法}支持形式的房子在当前模型概念和礼物。未来工作的一些任务平方衡量我)检查利用集群结构的内核用完全不同的品种ii)引入一个计划称为蛋白饱和度。 |
结论和未来的工作 |
| 在本文中,我创建了一个研究关于人工系统(AIS),我发现完全不同的AIS应用领域。他们拥抱分类和群,优化,学习,图像过程中,人工智能等等。在这些分类群是最普遍使用的,所以我创建了一个关于完全不同的论文研究,广场测量中使用这个空间。在这些论文分类和群构建AIS使用必要的选项,如功能选择,模式识别和机器学习。 |
引用 |
- 亚历山德罗Bevilacqua(2012),“模式识别:分类和聚类”,ACAT,先进的大学——博洛尼亚,2012年5月25日。
- 波鸟属、ChuanzhiZang(2011),“无监督的混合免疫模型结构伤害模式识别”,professionalSystems与应用程序30 8 (2011)1650 - 1658。
- 波鸟属和ChuanzhiZang(2011),“紧急伤害模式识别受害免疫网络理论”结构andSystems好,8卷,没有。一个(2011)69 - 92。
- 波鸟属,ChuanzhiZang(2009),“人工免疫分类结构模式识别危害”,电脑和Structureseighty七(2009)1394 - 1407。
- 艾玛·哈特和后吃苹果蒂米斯、用户界面魏华(2005),“AIS应用领域:过去,这,因此未来”,ICARIS信号3627年,第497 - 483页,2005年。
- GrzegorzDudek(2010),“比赛望技术特征选择问题”,ICAISC一半ii, Pg: 437 - 444,斯普林格出版社berlinHeidelberg 2010年版。
- GrzegorzDudek(2012),“一个人工系统与本地分类特征选择”,IEEE生物processComputation 16卷,6号,阳历月2012。
- 神学家h·卡特博士(2000),“免疫系统”作为模式识别和分类的模型,yankMedical信息科学协会杂志》卷7 # 1 2000年1月/ 2月。
- 胡安·c·五一,荷兰国际集团(Ing)。,Fabio A. Gonzále (2008),”Towards a KernelBased Model for Artificial Immune Networks”, RevistaAvances nutSistemas e Informática, Vol.5 No. 1, Edición exceptional, Medellín, dressing First State 2008, ISSN 16577663.
- m .破折号,h·刘(1997),“功能选择分类”,智能信息分析(1997)131 - 156。
- MortezaAnaloui和MaedehBeheshti(2011),“基于内容的图像检索受害的人工免疫系统(AIS)集群”,IMECS,卷。我,2011年3月16日至18日,。
- MunaElsadig穆罕默德,BrahimBelhaouari Samir Azween阿卜杜拉(2010),“免疫多代理系统网络IntrusionDetection受害非线性分类算法”,国际期刊的笔记本电脑应用程序(0975 - 8887)卷12 - 7,公历月2010。
- MuradAbdoRassam,穆罕默德。AizainiMaar(2012),“人工免疫网络异常入侵检测方法”,《数据技术的进步,3卷,3号,2012年8月。
- 诉RaoVemuri Na Tang(2005),“一个人工免疫系统方法文档聚类”,囊的SantaFe 3月5日,2005年,新墨西哥,美国。
|
菜单