لنا نعمتی - دانشکده مهندسی کامپیوتر و فناوری اطلاعات، قزوین، ایران
مجتبی شاکری - دانشده فنی و مهندسی، گروه کامپیوتر

الگوریتم های ایمنی مصنوعی که از طبیعت الهام گرفته شده اند از روش های نوین دسته بندی داده ها محسوب می شوند. یکی از مهمترین الگوریتم های ایمنی مصنوعی، الگوریتم انتخاب منفی ( NSA ) است که یک تکنیک تشخیص ناهنجاری و شناسایی الگو به حساب می آید. تحقیقات انجام شده در سال های اخیر نشان دهنده کاربرد موفق این الگوریتم در دسته بندی داده ها است. بیشتر روش های مبتنی بر انتخاب منفی مرزی صریح و قطعی را جهت تمایز فضاهای خودی و غیرخودی در نظر می گیرند. در این مقاله روش PSO-DENSA بر مبنای NSA پیشنهاد می شود که با بهره گیری از یک مدل مخلوط گوسی ( GMM ) که روی فضای خودی برازش یافته، مرزی انعطاف پذیر را بین فضاهای خودی و غیرخودی ایجاد کرده و با تعیین زیرمجموعه ای پویا از آشکارسازهای موثر به حل مساله دسته بندی دوکلاسه داده ها می پردازد. از آنجا که اختصاص مقادیر بهینه به پارامترهای موثر الگوریتم های ایمنی مصنوعی نقش تعیین کننده ای در بهبود عملکرد آنها دارد، از الگوریتم بهینه سازی توده ذرات ( PSO ) برای مقداردهی بهینه پارامترهای روش پیشنهادی استفاده شده است. نتایج تجربی نشان می دهد که استفاده از مدل مخلوط گوسی و تنظیم پویای پارامترهایی چون تعداد بهینه مولفه های گوسی، با توجه به شکل مرزها، ایجاد تعداد مناسب آشکارسازها و همچنین تنظیم خودکار آستانه ها با استفاده از الگوریتم PSO و بهره گیری از یک تابع هدف ترکیبی منجر به دستیابی به صحت بهتر دسته بندی و تعداد آشکارسازهای کمتر بر روی مجموعه داده هایی با مرزهای متفاوت در مقایسه با الگوریتم هایپیشین مبتنی بر انتخاب منفی شده است.

الگوریتم انتخاب منفی، دسته بندی دوکلاسه، مدل مخلوط گوسی و بهینه سازی توده ذرات