人工免疫網(wǎng)絡(luò)分類器的設(shè)計及其應(yīng)用研究.pdf

1、人工免疫系統(tǒng)(Artificial Immune System，AIS)是一種新的軟計算技術(shù)，在過去的十多年間得到了迅速的發(fā)展。由于具有強大的信息處理能力，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)計和實現(xiàn)的。雖然免疫分類器在實際應(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:

2、
　　1、沒有考慮細胞之間的相互關(guān)系對分類性能的影響，記憶細胞的確定缺乏有效的指導(dǎo);
　　2、沒有對訓(xùn)練空間進行適當(dāng)?shù)霓D(zhuǎn)換，分類學(xué)習(xí)直接在輸入空間中進行，限制了算法的能力;
　　3、有些系統(tǒng)采用線性機制來控制抗體群體的進化，難以對抗體群體的進化產(chǎn)生有效的擾動，影響了算法的精細搜索能力;
　　4、記憶細胞群體的產(chǎn)生過于隨機，算法沒有有效的細胞質(zhì)量評估和淘汰機制;
　　5、在使用批量訓(xùn)練方法時，抗體群體的進化缺

3、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)計分類器。具體細節(jié)描述如下:
　　1、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胞

4、區(qū)域。當(dāng)抗體群體在進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，并確定候選細胞區(qū)域中距離對偶抗原最近的抗體為記憶細胞。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SVM、決策樹算法C4.5、BayesNet等著名算法的分類結(jié)果進行了比較，結(jié)

5、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，對記憶細胞群體中的每個細胞進行質(zhì)量評估，淘汰完全不能識別近鄰抗原的弱細胞。算法被用于5個UCI標(biāo)準(zhǔn)數(shù)據(jù)集的分類，同時，算

6、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指標(biāo)加以評估。通過比較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)典分類算法達到的分類準(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化產(chǎn)生有效的擾動，不利于算法對訓(xùn)練空間進行精細搜索。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

7、分配方法將整個刺激度區(qū)間離散為若干個子區(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，實現(xiàn)對抗體群體生成的擾動，提高算法的精細搜索能力。模糊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)計模糊邏輯，而僅通過改變參數(shù)即可實現(xiàn)模糊邏輯的搜索，改善算法的精細搜索能力。最后，算法對記憶細胞進行適應(yīng)度評估，并通過淘汰適應(yīng)度偏低的記憶細胞來進一步優(yōu)化分類器

8、。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和混淆矩陣進行檢驗，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)化的記憶細胞，但不能保證獲得優(yōu)化的記憶細胞群體，為

9、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數(shù)據(jù)集的分類測試，結(jié)果顯示算法具有優(yōu)良的分類性能，