Построение диагностических моделей для бинарных данных на основе отрицательного отбора

Abstract

Проведен анализ методов отрицательного отбора на основе искусственных иммунных систем, пригодных для построения диагностических моделей, работающих с бинарными данными. Проанализированы бинарные метрики, используемые в отрицательном отборе. Предложена модификация метода отрицательного отбора с цензурированием, позволяющая повысить скорость генерации набора детекторов и обеспечивающая при этом высокую точность диагностирования.

Проведено аналіз методів негативного відбору на основі штучних імунних систем, що придатні для побудови діагностичних моделей, які працюють з бінарними даними. Проаналізовано бінарні метрики, що використовуються в негативному відборі. Запропоновано модифікацію методу негативного відбору із цензуруванням, яка дозволяє підвищити швидкість генерації набору детекторів і забезпечує при цьому високу точність діагностування.

Negative selection methods suitable for the synthesis of diagnostic models for binary data are analyzed. Binary matching rules used in the negative selection are investigated. A modified negative selection method with censoring is proposed. It allows to increase detector generation speed and provide high accuracy of the diagnostics.