否定选择算法

摘要： 人工免疫理论目前被广泛应用于入侵检测系统,以解决无法识别的未知异常问题,应用最多的是否定选择算法.传统的实值否定选择算法通过随机方式生成候选检测器,随着自体集数量的增多,成熟检测器生成的时间复杂度呈指数级增长,导致训练阶段耗费时间长.为解决检测器生成过程中时间消耗过长问题,文章提出基于邻域搜索的实值否定选择算法(Real-Valued Negative Selection Algorithm Based on Neighborhood Searching,NS-RNSA),通过邻域搜索算法找到落在候选检测器邻域的自体样本点,利用这些样本点构建新的自体集合,以提高成熟检测器生成效率.文章以NS-RNSA算法为核心构建异常检测模型NSRNSAADM,在此模型基础上进行实验,验证基于邻域搜索的否定选择算法的性能.实验表明,文章提出的方法在保证检测率、误报率的基础上,能够降低自体耐受过程所需时间.

摘要： 否定选择算法(negative selection algorithm,NSA)是人工免疫系统的核心基础算法.孔洞是引起NSA检测率低的重要因素.传统NSA未考虑孔洞的分布,采取在特征空间内通过完全随机的方式盲目生成检测器以修复孔洞,导致孔洞修复效果不佳,并且淘汰无效的检测器也异常耗时.孔洞问题在生物免疫系统中也同样存在.生物免疫系统利用MHC分子针对孔洞产生的特殊形态,对免疫细胞的发育过程进行限定,从而训练出覆盖孔洞的免疫细胞,进而解决孔洞问题.受此启发,本文提出一种基于免疫MHC的否定选择算法——孔洞修复方法MHC-NSA.首先以训练样本生成的维诺图(Voronoi)对形态空间进行划分,利用维诺图的最邻近特性,在维诺图中两类点处快速生成两类检测器,以较小训练代价达到对非自体空间较好的覆盖;其次模拟MHC针对孔洞所具有的特殊形态,对所产生的孔洞位置进行定位,并限定该位置生成孔洞修复检测器,从而提升孔洞修复效果.理论分析表明,MHC-NSA所生成的孔洞修复检测器可将孔洞最高占比降低62.8％,且MHC-NSA的时间复杂度由传统NSA算法的指数阶降低到多项式阶.在UCI数据集Balance Scale上的实验表明,MHC-NSA的检测器训练时间较典型NSA算法代表RNSA,V-Detector和BIORV-NSA在分别降低53.73％,96.43％和92.66％的同时,检测率分别提升69.57％,44％和17.54％.

摘要： 传统的否定选择过程需要将全部检测器与测试数据进行匹配以排除异常数据,该匹配过程需要花费大量时间,导致检测效率过低.为此,提出一种基于检测器集层次聚类的否定选择算法.对生成的检测器进行层次聚类,减少需要计算距离的检测器数量,不再将与检测器不匹配的数据标记为正常数据,而是基于该数据与自体集和检测器集距离的计算结果将其标记为正常数据或异常数据.实验结果表明,与V-detector算法和免疫实值否定选择算法相比,该算法的检测效率显著提高,误检率明显降低.

摘要： 对于异常检测问题, 负选择算法有着显著的检测效果, 其检测性能受多个参数的影响, 如自体半径和预期覆盖率等.传统的否定选择过程在检测器生成阶段的参数是根据经验选择的, 这使得检测性能各不相同.对NSA参数提出一组新的方法评估分析, 将自体边界通过迭代算法计算最佳自体半径, 并生成不同参数的可变半径检测器.通过实验获取最佳自体半径的同时, 还能同时提高检测器对非自体区域的覆盖面积.%For the anomaly detection problem, the negative selection algorithm has significant detection effect, and its detection performance is affected by multiple parameters, such as auto-radius and expected coverage. The parameters of the traditional negative selection process at the detector generation stage were empirically selected, which results in different detection performance. In this paper, a new set of method evaluation analysis was proposed for NSA parameters. The auto-body boundary was calculated by the iterative algorithm to calculate the optimal auto-radius and generate variable radius detectors with different parameters. By obtaining the best self-radius through experiments, it is also possible to simultaneously increase the coverage of the non-self-contained area of the detector.

摘要： 随着设备复杂性的增强以及网络规模的扩展,超级基站数据量出现了井喷式增长,这使得故障检测变得愈发困难,并严重影响了故障管理的效率.为了解决以上问题,本文结合人工免疫领域的否定选择算法和专家系统,给超级基站设计了一个综合的故障检测机制(NEFDM)并详细的介绍了NEFDM在超级基站上的设计.NEFDM可靠性高,较易实现,能很好地适用于超级基站故障管理系统.

摘要： Negative selection algorithm has good characteristics in the single classification algorithm, but in the fault detection,the traditional negative selection algorithm training time is too long,and the actual detection accuracy is not high In response to these problems,this paper presented a negative selection algorithm based on adaptive Voronoi detector.The algorithm used the inner and outer boundary samples of the self-space to generate the detector,which made up for the defects of the hole in the real value detector and improved the coverage of the detector.The detector only need train once and reduced the training time.Finally, we compared the traditional negative selection algorithm with the V-Detector algorithm by experimenting with Iris data and real data from a power plant in North China.Experimental results showed that the proposed algorithm reduced the generation time of the detector compared with the traditional negative selection algorithm, improved the overall detection accuracy of the algorithm and avoided the occurrence of holes between detectors.%否定选择算法在单分类算法中具有良好特性,但在故障检测中,传统的否定选择算法训练时间过长,实际的检测精度不高.针对这些问题,提出一种基于自适应Voronoi检测器的否定选择算法.算法利用自体空间的内外边界样本生成检测器,弥补了实值检测器存在孔洞的缺陷,提高了检测器的覆盖率,且检测器仅需一次训练,减少了训练时间.通过对Iris数据和华北某电厂真实数据进行实验,将传统否定选择算法同V-Detector算法进行对比.实验证明该算法相对传统否定选择算法减少了检测器的生成时间,提高了算法整体的检测精度,避免了检测器间孔洞的发生.

摘要： 否定选择算法(NSA)是免疫检测器生成的重要算法.传统否定选择算法在亲和力计算过程中未考虑不同种类抗原关键特征与冗余特征之间的差异性,存在算法检测性能较低的问题.对此,提出了一种基于抗原软子空间聚类的否定选择算法(ASSC-NSA).该算法首先利用抗原软子空间聚类计算出不同种类抗原的各个关键特征及其权值,然后通过这些关键特征引导检测器生成以有效地减少冗余特征的影响,从而提高算法检测性能.实验结果表明,在BCW与KDDCup数据集上,相对于经典的否定选择算法,ASSC-NSA能在误报率无明显变化的情况下显著地提高检测率.%Negative selection algorithm (NSA) is an important method of detector-generation.Traditional NSAs ignored the difference of key characteristic and redundant characteristic of different kinds of antigens in the process of affinity-computing,which led to the poor performance.To solve this problem,this paper proposed an improved negative selection algorithm based on antigen soft subspace clustering(ASSC-NSA).First,by utilizing the antigen soft subspace clustering algorithm,ASSC-NSA found out all key characteristics and their weights of different kinds of antigens.Then,using the key characteristics to guide the detectors generation,thus it could eliminate the adverse influence of redundant characteristics and improve the detection rate.Compared with classical NSAs,the experimental result on BCW and KDDCup data set shows that ASSC-NSA improves the detection rate significantly with the similar false alarm rate.

摘要： 为了提高实值否定选择算法对黑洞区域判断的科学性和准确性,该文提出一种改进的双重否定黑洞覆盖算法.对于与检测器匹配的数据,所提算法不再将其简单地标识为正常数据,而是通过与自体数据的比较判断,将其标识为正常数据或异常数据.在数据集2DSyntheticData上的实验结果表明,该算法提高了对异常数据的检测率,方差较小,检测结果较稳定.

摘要： 当训练样本分布密集交错时,传统的否定选择算法难以将检测器生成在正/反样本间的有效区域,导致检测器集合对这些样本的识别率降低,影响了算法性能.为使检测器能有效地识别分布密集交错的样本,提出了免疫进化否定选择算法(IENSA).IENSA通过加入两个免疫进化过程,首先在样本分布密集的区域引导检测器在正/反样本之间有效地生成,然后在样本分布稀疏的区域对冗余检测器进行抑制.实验结果表明在二维人工数据集Rectangle与三维标准数据集Skin segmentation上,相对于经典的RNSA与V-detector算法,IENSA均能以较少的检测器达到较高的检测率.%When the samples distribute densely,the traditional negative selection algorithm is difficult to generate detectors in the gap between normal and abnormal samples,it causes that the algorithm has the low detecting rate for these samples.In order to enable the detector to effectively identify the densely samples,this paper proposed the immune evolution negative selection algorithm (IENSA).By adding two immune evolution processes,IENSA could generate detector in the gap between normal and abnormal samples effectively,and restrain the redundant detector in the sparse area of the sample distribution.The experimental result show that,on the artificial data set Rectangle (2D) and the UCI standard data set Skin segmentation (3D),compared to the classical RNSA and V-detector algorithm,IENSA can reach the higher detection rate with the less antibodies and training time.

摘要： 否定选择算法是用于生成人工免疫系统检测器的重要算法,而有效的检测器生成算法是入侵检测的核心问题.文章针对现有检测器生成算法存在自适应差的问题,通过对人工免疫系统中否定选择算法原理的分析,提出了一种基于神经网络的检测器生成算法.该算法利用高效的神经网络训练,使得检测器生成算法具有很好的动态适应能力.实验结果表明,该算法应用于入侵检测,提高了检测率,降低了误检率,整体检测性能较好.

摘要： 引入纺织品编码算法,其算法通过使用否定选择算法实现了对EPC编码中制造商、纺织品以及服装的辨别.编码采用二进制代码,相似匹配检测采用Hamming Distance函数.纺织品编码算法利用RFID技术可以快速获取纺织品的相关数据.

摘要： Linux操作系统中,文件系统的安全关系到整个系统的安全,因此文件系统常常是黑客入侵的主要目标.提出了一种Linux文件入侵检测系统模型、该系统利用自然免疫原理,采用否定选择算法构建基准规则库,利用RISE的思想对文件系统进行备份存储,提高了备份数据库的安全性.基于LKM技术,对特定的系统调用建立设障点,实现对Linux文件系统的针对性实时监控,减少了检测时间.一旦发现入侵,可及时终止进程,并通过回滚对被破坏文件进行及时修复.与同类系统模型相比,有效地减少了系统的开销和Linux内核的负载量,提高了检测效率和文件系统的安全系数.

摘要： 本发明公开了一种基于贝叶斯粗糙集和布谷鸟算法的高维特征选择算法，包括：获取肺部肿瘤图像，并进行目标轮廓分割，得到分割后的ROI图像；提取分割后的ROI图像的高维度特征分量，并基于特征分量构建包含特征属性的决策信息表；采用BRSGA算法对原始特征空间进行约简，得到最优特征子集，利用CS算法对SVM的惩罚因子和核函数参数进行优化，并将约简后的特征子集输入至优化后的SVM，得到分类识别结果。本发明通过遗传算法和BRS生成最优特征子集，在不降低分类精确度的前提下降低特征维度，摆脱了参数人工设置的束缚，减少了时间消耗。利用CS对SVM参数进行全局寻优，具有更有效的探索搜索空间，丰富了种群的多样性，具有良好的鲁棒性和较强的全局搜索能力。

摘要： 本发明公开了一种基于深度优先及冲突监测算法的基本进路选择算法及设备，包括以下步骤：获取车站接车口数据，对所有接车口进行标记，得到接车口的集合；选取第一个接车口，并基于单接车口基本进路确定算法得到该接车口的基本进路；选取下一个接车口，基于改进的单接车口基本进路确定算法得到该接车口的基本进路；继续选取接车口，基于改进的单接车口基本进路确定算法得到该接车口的基本进路，直至找到所有接车口的基本进路。本发明可以自动、高效地完成基本进路和变更进路的选择，且能避免多个口基本进路的关联制约，从而提高运输效率，降低车务人员劳动强度，保证行车安全。

摘要： 本发明公开了一种基于吸引子选择算法的低轨卫星物联网业务模型及多星负载均衡算法；所述业务模型，在空间维度上沿用了网格划分确定终端部署密度的方法，采用了随机位置生成的方法，通过构建终端部署密度矩阵，利用边缘累积概率分布函数对的特性，使用一维逆变化采样、仿射变换等数学方法确定了终端的具体坐标，在时间维度上，对事件驱动型业务进行研究，精确地捕捉到短时间范围内的突发流量特性；所述多星负载均衡算法通过实时计算各个卫星的网络活性、网络状态来指导物联网终端进行动态自适应的卫星决策，更加适合卫星物联网这种高动态的场景，能够给在外界接入规模发生变化时，使终端做出自适应的决策调整，改善随机接入性能。

摘要： 本发明公开了一种基于贝叶斯粗糙集和布谷鸟算法的高维特征选择算法，包括：获取肺部肿瘤图像，并进行目标轮廓分割，得到分割后的ROI图像；提取分割后的ROI图像的高维度特征分量，并基于特征分量构建包含特征属性的决策信息表；采用BRSGA算法对原始特征空间进行约简，得到最优特征子集，利用CS算法对SVM的惩罚因子和核函数参数进行优化，并将约简后的特征子集输入至优化后的SVM，得到分类识别结果。本发明通过遗传算法和BRS生成最优特征子集，在不降低分类精确度的前提下降低特征维度，摆脱了参数人工设置的束缚，减少了时间消耗。利用CS对SVM参数进行全局寻优，具有更有效的探索搜索空间，丰富了种群的多样性，具有良好的鲁棒性和较强的全局搜索能力。

摘要： 本发明公开了一种基于粒子群算法改进的否定选择算法的设备故障诊断方法，通过设备电流幅值m点频率变化趋势构造以a、b、c串构成的hash值字符串自我集P1和待检测串D1，通过m点数据的标准差与所有数据标准差的关系构造以0、1串构成的hash值字符串自我集P2和待检测串D2，检测器A和检测器B以粒子群算法生成，同时待检测串D1与检测器A各子串距离和待检测串D2与检测器B各子串距离均以汉明距离计算，通过生成不同子串构建的粒子群算法的每一轮的迭代获取最优值以解决检测器重叠和交叉漏洞。本发明的方法可较好的解决由于企业生产中设备突然出现故障造成损失的问题，及贵重设备没有异常数据可以对比分析的问题，从而更好的为生产服务。

摘要： 本发明公开了一种基于粒子群算法改进的否定选择算法的设备故障诊断方法，通过设备电流幅值m点频率变化趋势构造以a、b、c串构成的hash值字符串自我集P1和待检测串D1，通过m点数据的标准差与所有数据标准差的关系构造以0、1串构成的hash值字符串自我集P2和待检测串D2，检测器A和检测器B以粒子群算法生成，同时待检测串D1与检测器A各子串距离和待检测串D2与检测器B各子串距离均以汉明距离计算，通过生成不同子串构建的粒子群算法的每一轮的迭代获取最优值以解决检测器重叠和交叉漏洞。本发明的方法可较好的解决由于企业生产中设备突然出现故障造成损失的问题，及贵重设备没有异常数据可以对比分析的问题，从而更好的为生产服务。

摘要： 本发明公开了基于改进的否定选择算法的无线传感器网络故障诊断方法，涉及的无线传感器技术领域；它的方法如下：步骤一、对NSA的原理进行分析和研究以找到算法的改进点；步骤二、对WSN故障节点检测方法进行研究；步骤三、对WSN故障分类方法进行研究；步骤四、使用仿真软件对算法进行验证和比较研究；本发明提高了故障检测的准确率，减少检测过程中消耗的时间和能量；能够节省时间，且便于快速检测。

摘要： 本发明提出一种基于否定选择算法的入侵检测方法及装置。本发明方法首先将数据集所表示的特征空间进行网格划分，形成若干个等大网格对象。算法的目的是找出检测器尽可能覆盖的非自体区域，由于空的网格对象里不含自体数据，等同于非自体区域，故可将空的网格对象直接作为候选检测器；对非空的网格对象，依次在每个非空网格对象中利用传统算法生成候选检测器以减少距离计算的时间代价，提高检测器生成效率，算法以期望的非空网格对象区域覆盖率作为终止条件。实验结果表明该算法的效率与性能明显优于经典的否定选择算法。

摘要： 本发明涉及人工智能技术领域，特别是涉及一种融合否定选择算法和径向基函数的电力设备诊断方法；包括如下步骤：步骤S1，通过否定选择算法对故障数据进行预处理，并分类出不同的故障样本；步骤S2，通过径向基神经网络函数进行机器学习算法，实现配电设备的故障诊断；通过否定选择算法对故障数据进行预处理，并分类出不同的故障样本，通过径向基神经网络函数进行机器学习，最终实现配电设备的故障诊断。

摘要： 一种基于自体集密度搜寻与划分聚类的否定选择算法的数据分类方法，包括如下步骤：1)根据数据集的密度峰值计算出聚类中心并删除噪声；2)根据非噪声自我样本生成自我检测器；3)根据自我检测器生成非自我检测器；4)同时使用自我检测器和非自我检测器判断检测数据样本是否异常，实现数据分类。本发明提供了一种有效排除噪声的影响、时间开销较小、误判率较低的基于自体集密度搜寻与划分聚类的否定选择算法的数据分类方法。