基于阴性选择算法的改进模型
2016-11-12傅龙天陈腾林
黑龙江工程学院学报 2016年5期
傅龙天,陈腾林
(1.福州外语外贸学院,福建 福州 350011;2.闽江学院,福建 福州 350011)
基于阴性选择算法的改进模型
傅龙天1,陈腾林2
(1.福州外语外贸学院,福建 福州 350011;2.闽江学院,福建 福州 350011)
人工免疫学中的阴性选择算法是其核心算法,在各行业应用广泛。但其不足之处也越来越明显,例如在训练样本选择方面、训练学习算法方面,都有可能影响检测精度。训练学习算法中引入半监督学习机制,并在样本选择上扩展训练样本来源,使训练学习更有针对性。仿真实验证明改进后的模型能提高检测率,并具备较强的自适应能力。
阴性选择算法;人工免疫;半监督学习
1974年丹麦学者Jeme提出了第一个人工免疫数学模型[1],后来Forrest等[2-3]提出了阴性选择算法和计算机免疫学概念,Lee等[4-5]人通过从程序入口点开始提取一系列字符串区分自体与非自体,以实现病毒检测,推动了计算机免疫系统的全面发展。虽然到目前为止阴性选择算法在各领域解决了很多问题,但算法本身仍然存在一些不足之处,例如训练成熟检测器时,当训练样本(已知的自我集)比较少,即训练学习不够充分,可直接影响检测精度。只有在理想状态下,随机生成的未成熟检测器,经过自体耐受学习,经历淘汰后存活的成为成熟检测器,并不断迭代该过程,获得足够的成熟检测器才能取得良好的检测效果。但在实际应用中是不现实的,用于训练学习的样本往往很少,并且有标记的更少或较为昂贵,这就导致阴性选择算法的误检、漏检现象。……
登录APP查看全文
