An Improved Negative Selection Algorithm Based on Subspace Density Seeking
An Improved Negative Selection Algorithm Based on Subspace Density Seeking
复制标题
一种改进的基于子空间密度寻求的负选择算法
DOI：
10.1109/access.2017.2723621
复制
发表时间：
2017
期刊：
影响因子：
3.9
通讯作者：
Jin Yang
中科院分区：
文献类型：
--
作者：
Zhengjun Liu;Tao Li;Jin Yang
负选择算法（NSA）是人工免疫系统中生成检测器的重要方法。传统的 NSA 在整个特征空间中随机生成检测器。然而，随着维度的增加，数据样本聚集在某些特定的子空间中，而不是均匀分布在整个空间中。传统NSA随机生成的探测器无法准确落入这些特定子空间，导致探测器覆盖率低，在高维空间中性能较差。为了克服这一缺陷，本文提出了一种改进的基于子空间密度搜索的真实NSA（SDS-RNSA）。在SDS-RNSA中，采用子空间密度搜索算法来获取样本的密集子空间区域。然后，在每个子空间区域中生成检测器，以有效地覆盖非自区域并提高算法的性能。在检测器生成过程中，计算候选检测器的冗余度，并消除冗余以最小化算法的时间消耗。实验结果表明，与经典的NSA相比，SDS-RNSA可以显着提高检测率，且虚警率接近，且时间消耗较小。在最佳情况下，SDS-RNSA的检出率提高了14.7%，而时间消耗降低了78.1%。
Negative selection algorithm (NSA) is an important method for generating detectors in artificial immune systems. Traditional NSAs randomly generate detectors in the whole feature space. However, with increasing dimensions, data samples aggregate in some specific subspaces, not uniformly distributed in the whole space. The detectors randomly generated by traditional NSAs cannot exactly fall into these specific subspaces, which results in a low coverage of detectors and a poor performance in a high-dimensional space. To overcome this defect, an improved real NSA based on subspace density seeking (SDS-RNSA) is proposed in this paper. In an SDS-RNSA, a subspace density seeking algorithm is adopted to procure the dense subspace regions of samples. Then, detectors are generated in each subspace region to cover up nonself-region efficiently and improve the performance of the algorithm. During the process of detector generation, the redundancy of candidate detectors is calculated, and the redundant is eliminated to minimize the time expense of the algorithm. Experimental results demonstrate that, compared with the classic NSAs, the SDS-RNSA can significantly improve the detection rate with an approximative false alarm rate and a smaller time expense. At the best case, the detection rate of the SDS-RNSA is increased by 14.7%, while the time expense is decreased by 78.1%.
登录
查看更多内容
一种用于异常检测的小样本下在线自适应学习的边界固定负选择算法
DOI：
10.1016/j.engappai.2015.12.014
发表时间：
2016-04
影响因子：
8
作者：
Dong Li;Shulin Liu;Hongli Zhang
通讯作者：
Hongli Zhang
DOI：
--
发表时间：
2002-07
期刊：
--
影响因子：
--
作者：
Justin Balthrop;Fernando Esponda;Stephanie Forrest;Matthew R. Glickman
通讯作者：
Justin Balthrop;Fernando Esponda;Stephanie Forrest;Matthew R. Glickman
DOI：
10.1007/s11432-012-4709-1
发表时间：
2012-10
期刊：
Science China Information Sciences
影响因子：
--
作者：
Xiaobin Xu;Donghua Zhou;Yindong Ji;Chenglin Wen
通讯作者：
Xiaobin Xu;Donghua Zhou;Yindong Ji;Chenglin Wen
DOI：
10.1016/j.ins.2008.12.015
发表时间：
2009-04
期刊：
Inf. Sci.
影响因子：
--
作者：
Zhou Ji;D. Dasgupta
通讯作者：
Zhou Ji;D. Dasgupta
DOI：
10.1145/1068009.1068061
发表时间：
2005-06
期刊：
--
影响因子：
--
作者：
T. Stibor;Philipp H. Mohr;J. Timmis;C. Eckert
通讯作者：
T. Stibor;Philipp H. Mohr;J. Timmis;C. Eckert