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.