一种优化黑洞覆盖的阴性选择算法*
2015-12-02傅龙天陈滕林
哈尔滨师范大学自然科学学报 2015年1期
关键词:模型
傅龙天,徐 戈,陈滕林
(闽江学院)
0 引言
丹麦学者Jeme[1]在1974年提出了一个人工免疫模型,Forrest等[2-3]后来提出了阴性选择算法和计算机免疫学概念,从此推动了计算机免疫学的全面发展,例如Lee等[4-5]学者利用免疫学原理实现计算机病毒检测.虽然人工免疫原理在各个领域获得很大的成功,但本身仍然存在一些不足之处,例如自体耐受过程在初始阶段学习不充分,匹配规则采用固定阀值导致黑洞问题等.Watkins和 Timmis[6]对阴性选择算法(Negative Selection Algorithm)进行了并行性改造,增强了算法的并行能力;舒才良等[7]提出了在数据不完备情况下的改进算法,引入了分类器融合投票决策思想;翟宏群等[8]利用模糊思想,采用最优搜索原理对降低黑洞数量起了一定的作用;伍海波[9]通过改进成熟检测器的生成机制及改变匹配阀值,来解决成熟检测器生成效率低和容易产生黑洞问题.上述学者的各种改进措施都起到了一定的效果,但多数只考虑了问题局部,未做全局考虑,例如黑洞的产生根源不只是匹配阀值的问题,还和训练样本来源有关系.该文首先扩展训练样本来源;其次在自体耐受学习中过程引入集成学习中的Stacking算法;匹配规则调整为可变阀值.通过三个方面的改进来提高检测精度,优化黑洞覆盖空间.
1 阴性选择算法及其分析
自然界的生物经过进化大部分形成了天然的免疫机制,当抗原第一次入侵免疫系统时,生物体产生应激反应作出第一次应答,并学习完成自……
登录APP查看全文
