Investigação da abordagem de sistemas imunológicos artificiais para reconhecimento de padrões

Abstract

Atualmente, existe um grande interesse pelo estudo dos sistemas imunológicos naturais motivados para combater doenças infecciosas como a AIDS, doenças auto-imunes como esclerose múltipla, e outros problemas de saúde. A ciência da computação tem contribuído nestes estudos através da especificação e simulação de modelos de sistema imunológico que geram novos conhecimentos à área de imunologia, bem como investigam a aplicação de sistemas imunológicos artificiais na solução de problemas computacionais. Esta dissertação investiga o paradigma de Sistemas Imunológicos Artificiais (AIS) através das especificidades de seus modelos e suas aplicações em problemas computacionais de reconhecimento de padrões. O estudo desenvolvido baseia-se no modelo CLONALG [Castro & Timmis, 2002] para propor e investigar uma nova extensão do paradigma que incorpora teoria da rede imunológica para melhorar o desempenho da abordagem de AIS aplicadas em problemas de reconhecimento de padrões. Visando a investigação da adequação do modelo de AIS em problemas de reconhecimento, o modelo CLONALG+ foi implementado e comparado com as abordagens de MLP-%DFNSURSDJDWLRQ e k-NN para reconhecimento de padrões. A base de padrões de dígitos manuscritos da OPTDIGITS [UCI, 1998] foi selecionada para o estudo comparativo, onde os padrões são representados através de um vetor de característica de tamanho 64 (quantidade de SL[HOV ativos da imagem). O conjunto total é composto por 5620 padrões de dígitos, sendo que em torno de 70% é destinado ao conjunto de treinamento e o restante ao conjunto de teste. Os principais resultados demonstram que é possível reconhecer padrões com a nova abordagem de AIS semelhante aos paradigmas tradicionais de reconhecimento de padrões com a vantagem de apresentar um menor desvio padrão médio entre os resultados dos experimentos. Adicionalmente, considerando que AIS aplicada em Reconhecimento de Padrões é uma área recente, espera-se que modelos mais elaborados sejam desenvolvidos e a abordagem seja mais aplicada a problemas do mundo real