人工免疫網(wǎng)絡(luò)分類器的設(shè)計(jì)及其應(yīng)用研究

1、人工免疫網(wǎng)絡(luò)分類器的設(shè)計(jì)及其應(yīng)用研究人工免疫系統(tǒng) (Artificial Immune System, AIS)是一種新的軟計(jì)算技術(shù) ,在過去的十多年間得到了迅速的開展。由于具有強(qiáng)大的信息處理能力 ,AIS 被廣 泛應(yīng)用于各種領(lǐng)域 , 尤其是機(jī)器學(xué)習(xí)中的分類問題。在 AIS 的所有的模型中 , 免疫網(wǎng)絡(luò)能夠快速、有效地歸納訓(xùn)練空間 , 因此, 基 于 AIS 的分類器大多是采用免疫網(wǎng)絡(luò)來設(shè)計(jì)和實(shí)現(xiàn)的。 雖然免疫分類器在實(shí)際應(yīng) 用中取得了較大的成功 , 但是這些分類器也存在問題 ,限制了分類器的分類性能。這些問題包括： 1、沒有考慮細(xì)胞之間的相互關(guān)系對分類性能的影響 , 記憶細(xì) 胞確實(shí)定缺乏有效

2、的指導(dǎo)； 2、沒有對訓(xùn)練空間進(jìn)行適當(dāng)?shù)霓D(zhuǎn)換 , 分類學(xué)習(xí)直接在 輸入空間中進(jìn)行 , 限制了算法的能力； 3、有些系統(tǒng)采用線性機(jī)制來控制抗體群體 的進(jìn)化,難以對抗體群體的進(jìn)化產(chǎn)生有效的擾動 , 影響了算法的精細(xì)搜索能力； 4、 記憶細(xì)胞群體的產(chǎn)生過于隨機(jī) , 算法沒有有效的細(xì)胞質(zhì)量評估和淘汰機(jī)制； 5、在 使用批量訓(xùn)練方法時 , 抗體群體的進(jìn)化缺乏有效的指導(dǎo) ,使得抗體群體的組合空 間過大而難以搜索到優(yōu)化的分類器。為了改善人工免疫分類器的問題 , 本文提出 了基于抗原對的訓(xùn)練方法、記憶細(xì)胞剪切方法、核空間以及模糊邏輯等方法 , 并 結(jié)合免疫網(wǎng)絡(luò)高效的歸納能力來設(shè)計(jì)分類器。具體細(xì)節(jié)描述如下： 1、

3、提出了一種新的訓(xùn)練方法 , 該方法利用抗原對來指導(dǎo) 記憶細(xì)胞的生成。對于每一個訓(xùn)練抗原 , 確定與訓(xùn)練抗原最近且不同類的抗原為 其對偶抗原 , 并以訓(xùn)練抗原為中心 ,抗原對距離一半為半徑確定候選細(xì)胞區(qū)域。當(dāng)抗體群體在進(jìn)化的過程有抗體出現(xiàn)在該區(qū)域時結(jié)束對訓(xùn)練抗原的訓(xùn)練 , 并 確定候選細(xì)胞區(qū)域中距離對偶抗原最近的抗體為記憶細(xì)胞。 這種訓(xùn)練方法不僅考 慮到了抗體 -抗原之間的相互關(guān)系 , 還考慮到了細(xì)胞之間的相互位置關(guān)系對分類 性能的影響 , 有利于搜索到更優(yōu)的分類器算法被用于6個人工數(shù)據(jù)集以及5個UCI數(shù)據(jù)集的分類,同時，該算法被應(yīng)用 于語音情感識別。算法的分類結(jié)果與支持向量機(jī) SVM決策樹算法

4、C4.5、BayesNet 等著名算法的分類結(jié)果進(jìn)行了比較 , 結(jié)果顯示該算法對于這些問題具有良好的分 類性能。2、提出了一種基于核函數(shù)的人工免疫識別系統(tǒng)。在傳統(tǒng)的人工免疫識別系統(tǒng)AIRS中,抗體-抗原的親和度采用Euclidean距離來表示,這種線性空間的表示 機(jī)制限制了算法的非線性能力。通過使用核函數(shù) , 將訓(xùn)練空間由輸入空間轉(zhuǎn)換至高維的特征空間 , 改善算法 的非線性能力。同時 , 對記憶細(xì)胞群體中的每個細(xì)胞進(jìn)行質(zhì)量評估 , 淘汰完全不能 識別近鄰抗原的弱細(xì)胞。算法被用于5個UCI標(biāo)準(zhǔn)數(shù)據(jù)集的分類，同時,算法被應(yīng)用于肝炎和心臟病的 診斷,診斷結(jié)果通過混淆矩陣和AUC旨標(biāo)加以評估。通過比較

5、本文算法與其他算 法的分類性能，發(fā)現(xiàn)本文算法獲得的分類準(zhǔn)確率不僅顯著高于 AIRS獲得分類準(zhǔn) 確率 , 而且也優(yōu)于參與比較的經(jīng)典分類算法到達(dá)的分類準(zhǔn)確率。3、傳統(tǒng)AIRS采用的線性資源分配方法難以對抗體群體的進(jìn)化產(chǎn)生有效的擾動, 不利于算法對訓(xùn)練空間進(jìn)行精細(xì)搜索。本文提出 2 種非線性資源分配方法來 改善算法性能 , 即離散資源分配方法和模糊邏輯資源分配方法。離散資源分配方法將整個刺激度區(qū)間離散為假設(shè)干個子區(qū)間 , 并為位于相同子 區(qū)間的抗體分配等量資源 , 這樣即可在資源數(shù)量不變的情況下僅通過優(yōu)化子區(qū)間 數(shù)量來改變資源分配結(jié)果 , 實(shí)現(xiàn)對抗體群體生成的擾動 , 提高算法的精細(xì)搜索能 力。模糊

6、邏輯資源分配方法將模糊邏輯表示為一個參數(shù) , 這樣就不需要根據(jù)不同 的問題預(yù)先設(shè)計(jì)模糊邏輯 , 而僅通過改變參數(shù)即可實(shí)現(xiàn)模糊邏輯的搜索 , 改善算 法的精細(xì)搜索能力。最后, 算法對記憶細(xì)胞進(jìn)行適應(yīng)度評估 ,并通過淘汰適應(yīng)度偏低的記憶細(xì)胞 來進(jìn)一步優(yōu)化分類器。算法被應(yīng)用于 6個標(biāo)準(zhǔn)UCI數(shù)據(jù)集的分類測試，結(jié)果顯示 算法具有良好的分類性能。同時,算法被應(yīng)用于心臟病、糖尿病和乳腺癌 3種疾病的診斷 , 診斷結(jié)果通過AUC和混淆矩陣進(jìn)行檢驗(yàn),結(jié)果顯示算法對這3種疾病的診斷性能良好。最后,將 算法應(yīng)用于銀行用戶信用分析 , 通過比較發(fā)現(xiàn)算法在用戶信用評估方面也有良好 的性能。4、免疫網(wǎng)絡(luò)分類算法大多采用增量式訓(xùn)練方法 , 這種方法雖然可以為每個抗 原產(chǎn)生一個優(yōu)化的記憶細(xì)胞 , 但不能保證獲得優(yōu)化的記憶細(xì)胞群體 ,為此, 提出了 一種基于禁忌搜索策略的免疫網(wǎng)絡(luò)分類算法。算法采用批量式訓(xùn)練方法 , 該方法 將抗原整體提呈給抗體群體 , 并通過評估抗體群體整體質(zhì)量來進(jìn)化分類器。為了有效減少搜索空間 , 類域內(nèi)部區(qū)域被禁止產(chǎn)生同類抗體 , 這樣, 抗體的生 成被主要限制在類域分界線附近。 同時, 評估抗體的適應(yīng)度 , 淘汰類域分界線附近 低適應(yīng)度的抗體 ,使得抗體群體能夠較好地歸納抗原空間 , 更好地反映抗原空間 的局部特征。算法被應(yīng)用于4個UCI