close

Вход

Забыли?

вход по аккаунту

?

Постановка задачи прогнозирования основанная на применении упрощенной модели искусственной иммунной сети.

код для вставкиСкачать
УДК 519.711.3
ПОСТАНОВКА ЗАДАЧИ ПРОГНОЗИРОВАНИЯ,
ОСНОВАННАЯ НА ПРИМЕНЕНИИ УПРОЩЕННОЙ МОДЕЛИ
ИСКУССТВЕННОЙ ИММУННОЙ СЕТИ
©2009 С. В. Прасолов, Д. В. Шойтов
С.В. Прасолов — аспирант, ассистент кафедры программного обеспечения и
администрирования информационных систем
e-mail: prassolov@mail.ru
Д.В. Шойтов — аспирант, ассистент кафедры программного обеспечения и
администрирования информационных систем
e-mail: dima_shoytov@mail.ru
Курский государственный университет
В работе описываются возможности применения моделей искусственных
иммунных сетей в различных областях науки, а также проводится постановка задачи для
разработки алгоритма, использующего механизмы упрощенной модели искусственной
иммунной сети.
Ключевые слова: иммунные сети, модели, прогнозирование.
Иммунная система организма представляет собой сложную адаптивную
структуру, эффективно использующую различные механизмы защиты от внешних
патогенов. Основная задача иммунной системы заключается в распознавании клеток
(или молекул) организма и классификации их как своих или чужих. Выявляемые
чужеродные клетки служат сигналом для активации защитного механизма
соответствующего типа.
Модели, основанные на принципах функционирования систем иммунитета,
применяются в различных областях науки и техники. Сфера их применения включает
следующие области (но не ограничивается ими) [Дасгупта 2006]:

методы вычислений;

когнитивные модели;

искусственные иммунные системы для распознавания образов;

методы обнаружения аномалий и неисправностей;

мультиагентные системы;

модели самоорганизации;

модели коллективного интеллекта;

системы поиска и оптимизации;

модели автономных распределенных систем;

модели искусственной жизни;

системы компьютерной и интернет-безопасности;

модели обучающихся систем;

методы извлечения информации;

искусственные иммунные системы для выявления подделок;

методы обработки сигналов и изображений.
С точки зрения организации обработки данных иммунная система — это
высокопараллельная структура. В ней реализованы механизмы обучения, памяти и
ассоциативного поиска для решения задач распознавания и классификации. В
частности, иммунная система способна обучаться распознаванию важных структур
(антигенных пептидов); запоминанию уже встречавшихся структур и использованию
законов комбинаторики в рамках генных библиотек для эффективной генерации
детекторов структур (вариабельных участков молекул антител), взаимодействующих с
внешними антигенами и собственными клетками организма. При этом реакция на
антиген происходит не только на уровне отдельных распознающих единиц, но и на
системном уровне путем взаимного распознавания клонов лимфоцитов в реакциях
антиген–антитело. Таким образом, поведение иммунной системы определяется всей
совокупностью локальных сетевых взаимодействий.
Для объяснения иммунологических механизмов существуют разные теории и
математические модели. Также имеется растущее число компьютерных моделей для
имитации динамики различных компонентов иммунной системы и ее поведения в
целом. Эти подходы включают модели, сформулированные в виде систем
дифференциальных и стохастических уравнений, клеточно-автоматные модели, модели
пространства конфигураций и другие. Вместе с тем естественная иммунная система
служит источником новых идей для развития интеллектуальных методов решения
сложных задач, но работ в этой области пока немного. Необходимо проводить больше
исследований, в частности для изучения механизмов обработки информации в
иммунной системе, что может иметь большое практическое значение [Dasgupta 1999].
К сожалению, в настоящее время существует лишь небольшое число
вычислительных моделей, основанных на принципах работы иммунной системы.
В нашей работе мы попытаемся предложить упрощенную модель построения
иммунной сети для решения задач прогнозирования.
Специфика задач прогнозирования состоит в том, что при построении
математических моделей динамических процессов нам необходимо одновременно
использовать как распознающие, так и оптимизационные способности иммунной сети.
Задачу прогнозирования можно рассматривать как задачу оптимизации: нам
необходимо построить оптимальную модель, которая бы наиболее точно описывала
исследуемый процесс [Бидюк 2004].
Применительно к задачам распознавания в качестве популяции антигенов
иммунной сети выступает набор данных (векторов), которые нужно распознать.
Назовем этот набор X  { x1 , x 2 ,..., x N p } . Каждый вектор x i , i  1,... N p состоит из p
элементов. Элементами вектора могут являться: набор переменных, набор атрибутов
или набор характеристик распознаваемого объекта. Таким образом, каждый вектор xi
представляет собой точку в p-мерном пространстве, и, следовательно, для
моделирования связей «антиген–антитело» и «антитело–антитело» все антитела
должны быть также представлены в форме p-мерных строк или векторов. Для
упрощения задачи будем рассматривать двухмерное пространство: плоскость,
представленную осями х и у. Ось х представляет набор временных промежутков
наблюдаемого объекта (явления). Ось у – ось значений, которые принимает
наблюдаемый объект (явление). Значит, наша иммунная сеть математически может
быть представлена в виде графа, причем необязательно полносвязного, который
состоит из множества узлов (клетки сети) и множества взвешенных ребер, означающих
связи между клетками. Под весом будем понимать скалярную величину, определяемую
разностью значений наблюдаемого объекта в соседних временных промежутках.
Значение веса ребра соответствует силе связи клеток друг с другом (т.е.
близости или степени комплементарности клеток), называемой аффинностью. В
иммунных сетях различают два вида аффинности: аффинность связи «антиген–
антитело» (Ag-Ab affinity) – степень различия; аффинность связи «антитело–антитело»
(Ab-Ab affinity) – степень подобия. В работе предложено использовать только один
вид аффинности – Ag-Ab affinity.
Определим антиген как элемент xX. Под антителом будем понимать целевую
функцию f(X)=f(x1, x2,…,xn), которая способна не только интерполировать, но и
экстраполировать данные. Целевая функция будет представлять собой прямую,
аналогичную аппроксимирующей прямой, вычисляемой методом наименьших
квадратов.
Задача прогнозирования в данном случае будет сводиться к вычислению
критерия аффинности Ag-Ab affinity и выбору оптимальных точек для построения
графика целевой функции. Аффинность антитела — это скалярная величина оценки,
показывающая близость результата к оптимальному значению. В зависимости от того,
решается ли задача максимизации или минимизации, лучшим по популяции считается
антитело с самым высоким или самым низким значением аффинности соответственно.
Аффинность антител – главный критерий отбора индивидуумов в алгоритме иммунной
сети.
Библиографический список
Dasgupta D. (ed) Artifical Immune Systems and Their Applications. – New York: Springer,
1999.
Бидюк П.И., Литвиненко В.И., Фефелов А.А., Баклан И.В. Гибридная иммунная сеть
для решения задач структурной идентификации // Искусственный интеллект. – 2004. –
№ 3. – С. 89–99.
Дасгупта Д. Искусственные иммунные системы и их применение / пер. с англ. под ред.
А.А. Романюхи. – М.: ФИЗМАТЛИТ, 2006. – 344 с.
1/--страниц
Пожаловаться на содержимое документа