Система искусственного иммунного распознавания

Система искусственного иммунного распознавания

Система искусственного иммунного распознавания вдохновлена теорией клональная селекция приобретенный иммунитет. Теория клональной селекции, приписываемая Бернету, была предложена для объяснения поведения и возможностей антител в приобретенной иммунной системе. Опираясь на принципы дарвиновской теории эволюции естественного отбора, теория предполагает, что антигены выбирают лимфоциты (как В-клетки, так и Т-клетки).

Когда лимфоцит отбирается и связывается с антигенной детерминантой, клетка пролиферирует, создавая еще несколько тысяч копий себя, и дифференцируется в разные типы клеток (плазма и клетки памяти). Плазматические клетки недолговечны и продуцируют большое количество молекул антител, в то время как клетки памяти живут в организме хозяина в течение длительного периода, ожидая будущего распознавания той же детерминанты. 

Важной особенностью теории является то, что когда клетка отбирается и пролиферирует, она подвержена небольшим ошибкам копирования (изменения в геноме, называемые соматической гипермутацией), которые изменяют форму экспрессируемых рецепторов. Это также влияет на последующую способность распознавания детерминант как антител лимфоцитов, связанных с клеточной поверхностью, так и антител, продуцируемых плазматическими клетками.

Теория предполагает, что из первоначального репертуара общих иммунных клеток система способна изменять себя (состав и плотность клеток и их рецепторов) в ответ на опыт, полученный из окружающей среды. Благодаря слепому процессу отбора и изменчивости, накопленной в большом масштабе из нескольких миллиардов клеток, приобретенная иммунная система способна получать информацию, необходимую для защиты организма-хозяина от специфических патогенных опасностей в окружающей среде. Это также предполагает, что система должна предвидеть (угадывать) патоген, которому она будет подвергаться, и требует воздействия патогена, который может нанести вред хозяину, прежде чем она сможет получить информацию, необходимую для обеспечения защиты.

Цель метода состоит в том, чтобы подготовить набор действительных векторов для классификации моделей. Система искусственного иммунного распознавания поддерживает пул ячеек памяти, которые загружаются путем воздействия на систему одной итерацией обучающих данных. Ячейки памяти-кандидаты готовятся для случая, когда клетки памяти недостаточно стимулируются для данного входного паттерна. Для наиболее стимулируемой клетки памяти происходит процесс клонирования и мутации клеток. 

Клоны соревнуются друг с другом за доступ к пулу памяти в зависимости от стимуляции и количества ресурсов, используемых каждой клеткой. Эта концепция ресурсов исходит из предыдущей работы над искусственными иммунными сетями, где одна клетка (шар искусственного распознавания или ARB) представляет собой набор подобных клеток. Здесь ресурсы клетки являются функцией ее стимуляции к заданному входному шаблону и количеству клонов, которые она может создать.

Следующий алгоритм обеспечивает псевдокод для получения векторов клеток памяти с помощью системы распознавания искусственного иммунитета, в частности канонического AIRS2 (система искусственного иммунного распознавания 2 на французском языке). Должна быть определена мера сходства (расстояния) между входными моделями. Для векторов с действительными значениями это обычно евклидово расстояние:

искусственная иммунная система распознавания

где n — количество атрибутов, x — входной вектор, а c — заданный вектор ячейки. Изменчивость клеток при клонировании (соматическая гипермутация) происходит обратно пропорционально стимуляции данной клетки входным шаблоном.

искусственная иммунная система распознавания

в искусственная иммунная система распознавания был разработан как алгоритм контролируемые домены проблемный классификация. в искусственная иммунная система распознавания является непараметрическим, что означает, что он не опирается на предположения о структуре функции, которая является приближенной.

Реальные значения во входных векторах должны быть нормализованы таким образом, чтобы x находился в [0; 1]. Евклидово расстояние обычно используется для измерения расстояния между векторами с действительными значениями (вычисление сходства), хотя могут использоваться и другие меры расстояния (например, скалярное произведение), а для нескалярных атрибутов могут потребоваться меры расстояния для конкретных данных. Ячейки могут быть инициализированы небольшими случайными значениями или чаще значениями экземпляра в тренировочном наборе. Сродство клетки обычно минимизируется, тогда как стимуляция клетки максимизируется и обычно в [0; 1].

Делиться
ru_RURU