МЕТОДИ ПОБУДОВИ ШТУЧНИХ ІМУННИХ СИСТЕМ В ІНТЕЛЕКТУАЛЬНИХ СИСТЕМАХ ДІАГНОСТУВАННЯ

Краткое содержание

ОСНОВНИЙ ЗМІСТ РОБОТИ

У вступі подано обґрунтування актуальності теми дисертаційної роботи, зазначено її зв’язок з науковими програмами, планами і темами, сформульовано мету і задачі дослідження, вказано наукову новизну та практичне значення одержаних результатів, охарактеризовано особистий внесок здобувача, наведено відомості про апробацію результатів роботи та публікації автора, де викладено основні положення і результати дисертації.

В першому розділі дисертації сформульовано основні положення теорії штучних імунних систем, проведено аналіз процесу та методів побудови штучних імунних систем. Визначено властивості і характеристики штучних імунних систем, що обумовлюють доцільність їх використання в інтелектуальних системах діагностування і розпізнавання образів. Сформульовано постановку задачі побудови штучних імунних систем у діагностичних і розпізнавальних моделях.

Встановлено, що синтез моделей штучних імунних систем містить два основні етапи: генерацію і цензурування розпізнавальних елементів, які покривають область екземплярів одного класу. Виявлено, що відомі методи побудови штучних імунних систем для забезпечення необхідного рівня точності діагностичних моделей на першому етапі генерують занадто велику кількість розпізнавальних елементів, оскільки більшість їх не задовольняє умови відбору, який проводиться на етапі цензурування. Це негативно впливає на швидкість навчання моделі штучної імунної системи, крім того значно зростають вимоги до обчислювальних ресурсів. Встановлено, що генерація надлишкових розпізнавальних елементів обумовлює запам’ятовування навчальної вибірки у структурі моделі, що свідчить про низький рівень узагальнення даних розпізнавальною моделлю.

Проаналізовано особливості побудови штучних імунних систем для роботи з бінарним та дійсним поданням даних. Виявлено, що більшість відомих методів побудови штучних імунних систем передбачають використання лише певного подання даних і, як наслідок, не є універсальними щодо виду даних. Більшість існуючих методів мають залежність від обраної метрики, що обмежує ряд практичних задач, які можуть вирішуватися з їх допомогою.

Виявлено, що при використанні відомих моделей штучних імунних систем для роботи з дійсним поданням даних на практиці виникають складності при вирішенні задач з великою кількістю діагностичних ознак, а саме – необхідність генерації надлишкової кількості розпізнавальних елементів для покриття області екземплярів одного класу. У таких випадках точність розпізнавальних і діагностичних моделей різко знижується.

Результати проведеного аналізу дозволили визначити напрямок розвитку теорії штучних імунних систем, якого слід дотримуватися у подальшій роботі по розробленню нових і удосконаленню відомих інтелектуальних моделей і методів імунокомп’ютингу.

У другому розділі описано розроблений метод негативного відбору з маскуванням детекторів для роботи з бінарним та дійсним поданням даних та модифікований метод негативного відбору з імовірнісним розподілом значень діагностичних ознак.

Для підвищення швидкості навчання розпізнавальної моделі, побудованої на основі методу негативного відбору з цензуруванням, останній модифіковано шляхом генерації кандидатів у детектори, стійких до цензурування, за рахунок того, що в методі взято до уваги імовірнісний розподіл значень діагностичних ознак. Таким чином, пропонований метод негативного відбору з імовірнісним розподілом значень ознак дозволяє скоротити кількість сформованих кандидатів у детектори.