Тестирование алгоритмов искусственной иммунной системы: AIS и ClonalG

Тестирование алгоритмов искусственной иммунной системы: AIS и ClonalG

Тестирование алгоритмов искусственной иммунной системы: AIS и ClonalG

Некоторые эксперименты были проведены для того, чтобы протестировать некоторые из существующих алгоритмов AIS и изучить их возможности. ClonalG и aiNet были выбраны для этого тематического исследования и протестированы на наборе данных о раке. Набор данных состоял из 693 экземпляров, а количество атрибутов — 12. Предсказанный результат этого набора данных представляет собой статус повторения, когда выход указывает на возможность того, что пациент снова получит рак в будущем. Результаты двух экспериментов обсуждаются в следующих разделах.

искусственные иммунные системы
Гибридные комплексные интеллектуальные системы

Гибридные комплексные интеллектуальные системы

Гибридные комплексные интеллектуальные системы

Развитие гибридных интеллектуальных систем (Искусственные иммунные системы. Клональный отбор. Модели иммунных систем) — одна из наиболее интенсивно развивающихся областей. Гибридные системы используют различные вычислительные методы и методы, такие как искусственные нейронные сети, нечеткие системы, искусственные иммунные системы, эволюционные вычисления и генетические алгоритмы. Основная цель состоит в интеграции различных методов обучения и адаптации для преодоления индивидуальных ограничений и достижения синергетического эффекта посредством сочетания этих методов. Это вносит большой вклад в развитие большого количества новых интеллектуальных систем в последние годы.

искусственные иммунные системы
Искусственные иммунные системы. Клональный отбор. Модели иммунных систем

Искусственные иммунные системы. Клональный отбор. Модели иммунных систем

Искусственные иммунные системы. Клональный отбор. Модели иммунных систем

Было разработано несколько искусственных иммунных алгоритмов (Искусственные иммунные системы. Основные понятия), имитирующих теорию отбора клона.

Кастро и Зубен (Castro and Zuben, 2002) предложили клональный алгоритм отбора CLONALG для обучения и оптимизации, CLONALG генерирует популяцию из N антител, каждая из которых определяет случайное решение для процесса оптимизации.

искусственные иммунные системы
Искусственные иммунные системы (Часть 1)

Искусственные иммунные системы (Часть 1)

Искусственные иммунные системы (Часть 1)

Искусственные иммунные системы (AIS) — это вычислительные парадигмы, принадлежащие к семейству вычислительных интеллектуальных систем, которые произошли от биологической иммунной системой. В течение последнего десятилетия они привлекли большой интерес со стороны исследователей которые стремятся разработать иммунные модели и методы для решения сложных вычислительных и инженерных проблем. В этой работе представлен обзор существующих моделей и алгоритмов AIS с акцентом на последние пять лет.

искусственные иммунные системы
Нейронные сети Хэмминга

Нейронные сети Хэмминга

Нейронные сети Хэмминга

Искусственная нейронная сеть Хэмминга используется для решения задач классификации бинарных входных векторов. В основе ее работы лежат процедуры, направленные на выбор в качестве решения задачи классификации одного из эталонных образов, наиболее близкого к поданному на вход сети зашумленному входному образу, и отнесение данного образа к соответствующему классу. Для оценки меры близости к каждому классу используется критерий, учитывающий расстояние Хэмминга – количество различающихся переменных у зашумленного и эталонного входных образов.

Гетероассоциативная память

Гетероассоциативная память

Гетероассоциативная память

Одна из характерных особенностей человеческой памяти – возможность ассоциации каких-либо объектов (образов) с другими, непохожими на них или даже с образами-антагонистами. Так, например, в первом случае понятие «зима» ассоциируется с понятием «холод», «праздник» – с «подарком». В случае противоположностей мозгом легко выстраиваются пары: «черный» – «белый», «большой» – «маленький».

Автоассоциативная память

Автоассоциативная память

Автоассоциативная память

Человеческая нервная система получает и обрабатывает огромное количество сигналов, поступающих из окружающего пространства. Если эти сигналы могут быть осмыслены человеком и им могут быть сопоставлены соответствующие образы, принято говорить о работе ассоциативной памяти.

Нейронные сети адаптивного резонанса

Нейронные сети адаптивного резонанса

Нейронные сети адаптивного резонанса

Человеческий мозг непрерывно занимается обработкой информации, поступающей от органов чувств: звуки, запахи, изображения и т. д. Бо́льшая часть такой информации не представляет интереса или неважна и поэтому игнорируется. Однако та небольшая ее составляющая, что имеет ценность, должна быть не только обработана, но и сохранена в долговременной памяти. Важно понимать, что при этом не только новые образы должны запоминаться, но также должны идентифицироваться ранее встречавшиеся. В свою очередь, запоминание новых образов не должно влиять на образы, хранящиеся в памяти.

Нейронные сети Кохонена

Нейронные сети Кохонена

Нейронные сети Кохонена типичный пример нейросетевой архитектуры, обучающейся без учителя. Отсюда и перечень решаемых ими задач: кластеризация данных или прогнозирование свойств. Кроме того, сети Кохонена могут использоваться с целью уменьшения размерности данных с минимальной потерей информации.

Нейронные сети на основе радиально-симметричных функций

Нейронные сети на основе радиально-симметричных функций

Нейронные сети на основе радиально-симметричных функций

Искусственные нейронные сети на основе радиально-симметричных (радиально-базисных) функций могут использоваться для решения широкого круга задач, среди которых наиболее частые – аппроксимация, классификация и кластеризация данных.

искусственные нейронные сети
Многослойные перцептроны

Многослойные перцептроны

Многослойные перцептроны

Многослойные перцептроны эффективны при решении тех же самых задач, что и однослойные перцептроны, но обладают значительно большей вычислительной способностью в сравнении с однослойными перцептронами. Благодаря этой своей способности они могут гораздо точнее описывать многомерные зависимости с большой степенью нелинейности и высоким уровнем перекрестного и группового влияния входных переменных на выходные.

Однослойные перцептроны

Однослойные перцептроны

Однослойные перцептроны

В современном понимании перцептроны представляют собой однослойные или многослойные искусственные нейронные сети прямого распространения с бинарными или аналоговыми выходными сигналами, обучающиеся с учителем. Они хорошо подходят для решения нескольких типов задач: аппроксимации данных, прогнозирования состояния на основе временного ряда, распознавания образов и классификации, а также могут быть использованы в других задачах сами по себе или совместно с другими методами моделирования.

Этапы жизненного цикла нейронной сети

Этапы жизненного цикла нейронной сети

Этапы жизненного цикла нейронной сети

Использование искусственной нейронной сети для решения прикладных задач – трудоемкий, а в некоторых случаях и длительный процесс. В этой связи можно выделить и описать несколько этапов ее жизненного цикла.

искусственные нейронные сети
 
Свежее новое
  • Искусственный интеллект, робот Вера, получил 226 млн рублей
  • ФРИИ и Кировский завод вкладывают 226 миллионов рублей в представителя «Сколкова» — компанию «Стафори», создавшую робота-рекрутера. Искусственный
  • В Москве состоялся финал PicsArt AI Hackathon, с самым крупным призовым фондом в истории
  • 30 ноября-2 декабря, в Москве прошел крупнейший хакатон в сфере искусственного интеллекта и компьютерного зрения - PicsArt AI Days. На хакатон было
  • В следующем году в Москве, заработает видеоконтроль, способный обнаружить преступников
  • Как рассказал в своем сообщении Сергей Собянин, новая система будет способна анализировать записи с видеокамер. Быстрая обработка данных позволит
  • В Москве пройдет один из крупнейших хакатонов в мире в сфере искусственного интеллекта
  • PicsArt, ведущая творческая платформа для создания контента и визуализации историй в социальных сетях с более чем 100 миллионами активных
  • Сильный Искусственный Интеллект «Smart-MES» меняет взгляды на Технологическую Сингулярность
  • Учёные полагают, что Технологическая Сингулярность наступит тогда, когда Сильный Искусственный Интеллект будет способен самостоятельно создавать себе
Последние комментарии
Мы в социальных сетях
Статистика
0  
Всего статей 1537
0  
Всего комментариев 69
0  
Пользователей 63