采用奇异值分解和信息增益的树突状细胞模型

doi:10.3778/j.issn.1002-8331.2004-0251

计算机工程与应用 ›› 2021, Vol. 57 ›› Issue (15): 156-162.DOI: 10.3778/j.issn.1002-8331.2004-0251

采用奇异值分解和信息增益的树突状细胞模型

杨信民，董红斌，谭成予，周雯

1.武汉大学国家网络安全学院，武汉 430072
2.武汉大学计算机学院，武汉 430072

出版日期:2021-08-01 发布日期:2021-07-26

Dendritic Cell Model Using Singular Value Decomposition and Information Gain

YANG Xinmin, DONG Hongbin, TAN Chengyu, ZHOU Wen

1.School of Cyber Science and Engineering, Wuhan University, Wuhan 430072, China
2.School of Computer Science, Wuhan University, Wuhan 430072, China

Online:2021-08-01 Published:2021-07-26

摘要/Abstract

摘要：

针对树突状细胞算法（Dendritic Cell Algorithm，DCA）存在的信号提取过程中受人工经验影响和对无序数据的异常检测能力不强的问题，提出了采用奇异值分解（Singular Value Decomposition，SVD）和信息增益（Information Gain，IG）的树突状细胞模型——SIDCA。SIDCA用奇异值分解（SVD）方法得到最相关特征子集，再使用信息增益提取最相关特征子集中的最相关特征，实现自适应提取信号，降低无序数据给算法带来的混淆。实验结果表明，与经典DCA和确定性DCA（Deterministic Dendritic Cell Algorithm，dDCA）相比，SIDCA在有序和无序数据集上均有更高的准确率和更低的误报率。

关键词: 树突状细胞算法, 奇异值分解, 信息增益, 计算机免疫, 危险理论

Abstract:

Aiming at the problem that the signal extraction process of the Dendritic Cell Algorithm（DCA） is affected by artificial experience and its ability to detect anomalies in disordered data is not strong, SIDCA, a Singular Value Decomposition（SVD） and Information Gain（IG） dendritic cell model is proposed. SIDCA uses the SVD method to obtain the most relevant feature subset, and then uses the information gain to extract the most relevant feature in the most relevant feature subset to realize adaptive signal extraction and reduce the disorder of data to the algorithm confused. Experimental comparisons with classic DCA and deterministic DCA（dDCA）show that SIDCA has higher accuracy and lower false alarm rate on ordered and unordered data sets.

Key words: dendritic cell algorithm, Singular Value Decomposition（SVD）, Information Gain（IG）, computer immune, danger theory

杨信民，董红斌，谭成予，周雯. 采用奇异值分解和信息增益的树突状细胞模型[J]. 计算机工程与应用, 2021, 57(15): 156-162.

YANG Xinmin, DONG Hongbin, TAN Chengyu, ZHOU Wen. Dendritic Cell Model Using Singular Value Decomposition and Information Gain[J]. Computer Engineering and Applications, 2021, 57(15): 156-162.

[1]	张福良，梁意文，谭成予. Android恶意软件的人工自然杀伤细胞检测模型[J]. 计算机工程与应用, 2021, 57(6): 74-80.
[2]	蔡冬丽，钟清华，朱永升，廖金湘，韩劢之. 三维输入卷积神经网络脑电信号情感识别[J]. 计算机工程与应用, 2021, 57(5): 161-167.
[3]	谭正华，戴立平，文阳，李国泰. 基于约简属性和阈值分割的决策树构建方法[J]. 计算机工程与应用, 2020, 56(22): 160-165.
[4]	熊逸，梁意文，谭成予，周雯. 基于反向选择的地震前兆观测数据异常检测[J]. 计算机工程与应用, 2020, 56(10): 226-230.
[5]	赵青，冶继民，常芳丽. 两正定矩阵联合对角化盲分离算法[J]. 计算机工程与应用, 2019, 55(7): 214-219.
[6]	曹浩，陈里里，司吉兵，任君兰. 奇异值分解和稀疏自编码器的轴承故障诊断[J]. 计算机工程与应用, 2019, 55(20): 257-262.
[7]	赵建，张友鹏，赵斌. 基于奇异值分解理论的钢轨断裂检测方法[J]. 计算机工程与应用, 2018, 54(9): 243-250.
[8]	梁新宇1，2，吴建德1，2，黄国勇1，2，孙磊1，2. H∞鲁棒自适应CKF算法在组合导航中的应用[J]. 计算机工程与应用, 2018, 54(9): 251-256.
[9]	王茜竹，邱聪聪. Massive MIMO系统基于子空间的半盲信道估计[J]. 计算机工程与应用, 2018, 54(8): 91-95.
[10]	黄刚劲1，2，范玉刚1，2，冯早1，2，刘英杰1，2. 基于广义形态滤波和MRSVD的故障诊断方法研究[J]. 计算机工程与应用, 2018, 54(3): 217-221.
[11]	李天雪，王建平，张敏情，孔咏骏. 基于SVD压缩的高保真可逆信息隐藏算法[J]. 计算机工程与应用, 2018, 54(14): 115-119.
[12]	刘翠响，马玉双，王宝珠，郭志涛. 过完备字典稀疏表示下的RAMP重构算法[J]. 计算机工程与应用, 2018, 54(14): 199-202.
[13]	郑雄风，丁立新，万润泽. 基于用户和产品Attention机制的层次BGRU模型[J]. 计算机工程与应用, 2018, 54(11): 145-152.
[14]	李越1，2，范玉刚1，2，黄国勇1，2. MRSVD敏感分量在单频周跳探测修复中的应用[J]. 计算机工程与应用, 2017, 53(7): 220-224.
[15]	符颖，王星，周东青，范翔宇，周一鹏. 基于模糊函数SVD和改进S3VM的雷达信号识别[J]. 计算机工程与应用, 2017, 53(6): 264-270.

采用奇异值分解和信息增益的树突状细胞模型

Dendritic Cell Model Using Singular Value Decomposition and Information Gain

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics