Tez No	İndirme	Tez Künye	Durumu
338352		Variable shaped detector:A negative selection algorithm / Değişken şekilli detektör: Bir negatif seçme algoritması Yazar:ZAFER ATASER Danışman: PROF. DR. FERDA N. ALPASLAN Yer Bilgisi: Orta Doğu Teknik Üniversitesi / Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:Yapay zeka = Artificial intelligence	Onaylandı Doktora İngilizce 2013 89 s.
Yapay Bağışıklık Sistemleri (YBS), biyolojik bağışıklık sisteminin ilkeleri ve süreçleri temel alınarak geliştirilmiş hesaplama akıllı yöntemler sınıfıdır. YBS yöntemleri, bağışıklık sisteminin ilham alınan ilke ve süreçlerine göre başlıca dört tür olarak kategorize edilir. Bu kategoriler klon seçme, negatif seçme, bağışıklık ağ ve tehlike teorisidir. Negatif seçme algoritması (NSA) yaklaşımı önemli YBS modellerden biridir. NSA, timusta T hücrelerinin olgunlaşma süreci taklidi üzerine kurulu bir denetimli öğrenme algoritmasıdır. Bu taklitte, hücreleri taklit etmek için detektörler kullanılır ve T-hücreleri olgunlaşma süreci detektörleri oluşturmak için simüle edilir. Sonra, NSA verilen veriyi ya normal (kendinden) ya da anormal (kendinden olmayan) olarak sınıflandırır. Bu sınıflandırma görevinde, NSA yöntemleri iki türlü sınıflandırma hatası yapabilir: normal veri anormal veya anormal veri normal olarak sınıflandırılır.Bu tezde, sınıflandırma hatalarını azaltırken sınıflandırma doğruluğunu artırmak için değişken şekilli detektör (D-şekilli detektör) olarak adlandırılan yeni bir negatif seçme yöntemi önerilmiştir. D-şekilli detektör yönteminde normali belirleme ve detektör gösterimi için yeni yaklaşımlar tanıtıldı. D-şekilli detektör yöntemi, normal örneklerinin her biri için farklı bir yarıçap belirlemek amaçlı Yerel Aykırı Faktör ve k en yakın komşu yöntemlerini birlikte kullanmaktadır. Böylece, normal veriler ve yarıçapları kullanılarak normal uzayı modellenmek mümkün hale gelir. Ayrıca, değişken şekilli detektör oluşturmak için kübik spline yöntemi önerilmiştir. Detektör gösteriminde, kenar noktaları kullanıldığında kübik spline uygulama anlamlıdır. Böylece, verilen normal örneklerden kenar noktaları bulmak için kenar bulma algoritması geliştirilmiştir. D-şekilli detektör yöntemi test edilmiş ve iyi bilinen tek-sınıf sınıflandırma yöntemi (SVM) ve benzeri bir başka negatif seçme yöntemi karşılaştırılmıştır. Deneyler önerilen yöntemin makul ve karşılaştırılabilir sonuçlar ürettiğini göstermektedir.
Artificial Immune Systems (AIS) are class of computational intelligent methods developed based on the principles and processes of the biological immune system. AIS methods are categorized mainly into four types according to the inspired principles and processes of immune system. These categories are clonal selection, negative selection, immune network and danger theory. The approach of negative selection algorithm (NSA) is one of the major AIS models. NSA is a supervised learning algorithm based on the imitation of the T cells maturation process in thymus. In this imitation, detectors are used to mimic the cells, and the process of T cells maturation is simulated to generate detectors. Then, NSA classifies the specified data either as normal (self) data or as anomalous (non-self) data. In this classification task, NSA methods can make two kinds of classification errors: a self data is classified as anomalous, and a non-self data is classified as normal data.In this thesis, a novel negative selection method, variable shaped detector (V-shaped detector), is proposed to increase the classification accuracy, or in other words decreasing classification errors. In V-shaped detector, new approaches are introduced to define self and represent detectors. V-shaped detector uses the combination of Local Outlier Factor (LOF) and kth nearest neighbor (k-NN) to determine a different radius for each self sample, thus it becomes possible to model the self space using self samples and their radii. Besides, the cubic b-spline is proposed to generate a variable shaped detector. In detector representation, the application of cubic spline is meaningful, when the edge points are used. Hence, Edge Detection (ED) algorithm is developed to find the edge points of the given self samples. V-shaped detector was tested using different data sets and compared with the well-known one-class classification method, SVM, and the similar popular negative selection method, NSA with variable-sized detector termed V-detector. The experiments show that the proposed method generates reasonable and comparable results.