A Comparison of Immune and Neural Computing for Two Real-Life Tasks of Pattern Recognition

Tarakanov, Alexander O.; Tarakanov, Yuri A.

doi:10.1007/978-3-540-30220-9_20

Cited by 20 publications

(9 citation statements)

References 7 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…This feature allows using FIN to disclose the ambiguities in any data, e.g., in the task of identification of cellular automata [25] or the selection of best signals above. This feature is beyond the capabilities of ANN due to fatal training errors and the known effect of overtraining when the attempts to reduce the errors may lead to their drastic increase [7,27]. The conclusion of [43] also states that the non-linear kernels of SVM should be used with caution, because this added flexibility in modeling the data brings with it the danger of overfitting.…”

Section: Discussionmentioning

confidence: 98%

“…The number of classes that each approach is able to distinguish in these experiments is given in the 2nd column of Table 2) and only two classes for SVM (normal/intrusion). The best parameters of ANN (hidden neurons, learning constant, and training MSE) have been selected for these experiments (according to Tables 6,7). The best type of kernel of SVM (radial basis) has been also selected (according to Table 9).…”

Section: Comparison Of Three Approachesmentioning

confidence: 99%

“…Consider the ANN (from [7] and [27]), which is trained by error back propagation (EBP) method. The output f of such ANN is computed by the following formulas (so called feed-forward run): …”

Section: Examples Of Signal Processing By Artificial Neural Networkmentioning

confidence: 99%

See 2 more Smart Citations

Immunocomputing for intelligent signal processing

Tarakanov

2010

Neural Comput & Applic

Self Cite

View full text Add to dashboard Cite

Based on immunocomputing (IC), this paper describes an approach to intelligent signal processing. The approach includes both low-level feature extraction and high-level (intelligent) pattern recognition. The key model is the formal immune network (FIN), which includes apoptosis (programmed cell death) and immunization and controls them by cytokines (messenger proteins). Such FIN can be formed from the signal or combination of signals using discrete tree transform, singular value decomposition and the proposed index of inseparability as a measure of quality of FIN. Several comparisons with neural computing and support vector machines suggest that IC may outperform state of the art approaches to intelligent signal processing.

show abstract

Section: Discussionmentioning

confidence: 98%

Section: Comparison Of Three Approachesmentioning

confidence: 99%

See 1 more Smart Citation

Immunocomputing for intelligent signal processing

Tarakanov

2010

Neural Comput & Applic

Self Cite

View full text Add to dashboard Cite

show abstract

“…В [3][4][5][6][7][8] введено понятие ин-декса сложной многомерной системы, индексной формальной иммунной сети (ИФИС), разработаны и исследованы математические модели и базовый вы-числительный алгоритм иммунокомпьютинга, позволяющие проецировать ис-ходные данные образа в пространство ИФИС и там решать задачи обучения, распознавания образов, классификации и класстеризации. Приведены [9][10] результаты сравнительного анализа эффективности вычислений на основе подходов интеллектуальных вычислительных технологий (нейрокомпьютинг и генетические алгоритмы) и иммунокомпьютинга.…”

Section: Introductionunclassified

Optimization of Index Parameters of a Formal Immune Network

Sokolova¹

2014

Тр. СПИИРАН

View full text Add to dashboard Cite

ВведениеИммунокомпьютинг (ИК) представляет собой новое направление инфор-матики, базирующееся на принципах обработки информации молекулами бел-ков и иммунными сетями [1][2][3][4][5][6][7][8]. В качестве основного принципа используется принцип свободного связывания базовых элементов ИК (формальные протеи-ны) в рамках формальной иммунной сети (ФИС). В [3-8] введено понятие ин-декса сложной многомерной системы, индексной формальной иммунной сети (ИФИС), разработаны и исследованы математические модели и базовый вы-числительный алгоритм иммунокомпьютинга, позволяющие проецировать ис-ходные данные образа в пространство ИФИС и там решать задачи обучения, распознавания образов, классификации и класстеризации. Приведены [9-10] результаты сравнительного анализа эффективности вычислений на основе подходов интеллектуальных вычислительных технологий (нейрокомпьютинг и генетические алгоритмы) и иммунокомпьютинга.Ниже представлены результаты решения задачи оптимизации параметров индексной ФИС.

show abstract

“…В последнее время появилось много работ, посвященных искусствен-ным иммунным системам. Искусственные иммунные системы (AISsArtificial immune systems) [65,71] и иммуннокомпьютинг (ICImmunocomputing) [130,131,142] часто воспринимаются исследовате-лями как интерпретация генетических алгоритмов [133] и искусствен-ных нейронных сетей (ANNs -Artificial neural networks), которые также называют нейрокомпьютингом [132].…”

unclassified

Untitled

Нестерук¹,

Kotenko²,

Шоров³

2019

Тр. СПИИРАН

View full text Add to dashboard Cite

И.В., Шоров А.В., Нестерук Ф.Г. Анализ биоинспирированных подходов для защиты компьютерных систем и сетей. Аннотация. В настоящее время в области безопасности компьютерных систем и сетей все чаще упоминаются и рекламируются различные биоинспирированные подходы, то есть подходы, основанные на биологической метафоре. Действительно, традиционные компьютерные методы и системы, как правило, ограничены по своим функциональным возможностям, подвержены частому выходу из строя из-за незначительных ошибок, имеют недостаточную масштабируемость, не обладают способностью к адаптации к условиям функционирования и изменению целей. В противоположность этому, биоло-гические системы, как правило, реализуют развитые механизмы самозащиты, достаточ-но надежны, обладают высокой масштабируемостью, адаптивны и способны к саморе-генерации. Указанные свойства биологических систем стимулируют использование принципов их построения и механизмов их функционирования в технических системах, включая системы защиты информации. В данной статье рассматриваются различные подходы к защите компьютерных систем и сетей, в основе которых лежит биологиче-ская метафора. Ключевые слова: биологическая метафора, защита компьютерных систем и сетей, им-мунокомпьютинг, нейронные сети, гибридные интеллектуальные средства.Kotenko I.V., Shorov A.V., Nesteruk P.G. Analysis of bio-inspired approaches for protection of computer systems and networks. Abstract. Nowadays more and more different bio-inspired approaches (based on a biological metaphor) for the computer and networks security systems are mentioned and advertised. Traditional computer-based systems and their functionality are often limited by different conditions. Due to frequent minor errors, these systems are subject of failure. They lack scalability, have low adaptation ability to changeable conditions of functioning and its goals. As opposed to traditional computer-based systems, biological systems are often quite reliable. They have great self-protection mechanisms, highly scalable, adaptable and able to self regeneration. These properties of biological systems can be used to construct technical systems (including information security systems). The paper considers different approaches to the protection of computer systems and networks, which are based on a biological metaphor.

show abstract

A Comparison of Immune and Neural Computing for Two Real-Life Tasks of Pattern Recognition

Cited by 20 publications

References 7 publications

Immunocomputing for intelligent signal processing

Immunocomputing for intelligent signal processing

Optimization of Index Parameters of a Formal Immune Network

Untitled

Contact Info

Product

Resources

About