%0 Journal Article %A 杨信民 %A 董红斌 %A 谭成予 %A 周雯 %T 采用奇异值分解和信息增益的树突状细胞模型 %D 2021 %R 10.3778/j.issn.1002-8331.2004-0251 %J 计算机工程与应用 %P 156-162 %V 57 %N 15 %X

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。

%U http://cea.ceaj.org/CN/10.3778/j.issn.1002-8331.2004-0251