Академический Документы
Профессиональный Документы
Культура Документы
Résumé
L’écriture est un moyen de communication depuis la nuit des temps, la poste a toujours fait le
liens des échange de lettres classique, la lecture des adresses est une tâche assez ennuyeuse
pour un agent qui travail à la porte durant toute la journée, pour cela un classificateur
automatique peut faire le travail des milliers d’agents et dans un temps très réduit, il s’agit dans
ce cas d’une lecture artificiel des adresses et une classification régionale. Dans cet article on va
définir qu’est ce qu’un système immunitaire biologique, sa simulation artificielle projetant la
lumière sur les algorithmes d’apprentissages artificiels et les calcules bio inspiré, présentant par
la suite les résultats obtenus pour la reconnaissance des caractères artificiels. La deuxième
partie est une présentation du système immunitaire artificiel amélioré appliqué sur la
reconnaissance sur la reconnaissance des caractères artificiels, montrant la différence du
nombre de cellules B générées et le taux de reconnaissance des deux méthodes.
Abstract
The handwriting is one of the communication tools, where the post office use frequently the
handwriting signal to distribute letters to there owners by reading the address home; this task is
very boring if we have a lot of thousand of letters by day, so we think to automate this task
using artificial recognition methods in order to reducing time using the artificial reading of
address to classify it by region; the artificial immune recognition systems is able to do this task.
In this article we define the natural immune system, its artificial simulation giving the training
algorithm and we present in the last some classification results using the artificial immune
system for characters recognition. The second part is a presentation of the amelioration of the
artificial immune recognition system applied also for characters recognition, showing the
difference on the remarkable memory cells number and recognition rate between two methods.
144
Application du système immunitaire artificiel ordinaire et améliore pour la reconnaissance
des caractères artificiels
Mots Clés
Système immunitaire naturel, Système immunitaire artificiel, Antigène, Anticorps, Cellules B
mémoire, Reconnaissance des caractères artificiels.
Keywords
Natural immune system, Artificial immune system, Antigen, Antibody, B memory cells,
Artificial characters recognition.
1 Introduction
La reconnaissance des formes est un domaine très vaste dans l’intelligence artificiel, dont on
peut trouver la reconnaissance des visages, les empreintes, la parole, l’écriture et autres
domaines qui ne sont pas moins important de ce qu’on a citer ; pour cela il existe plusieurs
méthodes et approches d’applications comme les réseaux de neurones, les algorithmes
évolutionnaires, les algorithmes génétiques et autres qui sont en cours d’exploitation. Le
système immunitaire artificiel est une approche utilisée dans différents domaines d’application
tel que la reconnaissance des formes (Andrew et all, 2003) (Batouche, 2003) (Deneche et all,
2005) (Deneche, 2006) (Goodman et all., 2002), la détection des intrusions dans les réseaux
d’Internet (Kim et Bently, 2001), la robotique (Jun et all, 1999), apprentissage machine
(Timmis, 2000) et autres applications diverses dans des domaines différents. Les fonctions du
système immunitaire artificiel sont inspirées du système immunitaire naturelles, les cellules
responsables de la réponse ainsi que la réponse immunitaire sont simulées pour donner une
approche artificielle adaptée selon le domaine d’application et le but d’utilisation de cette
dernière.
Le présent travail est une application de l’approche immunitaire artificiel dans le cadre de la
reconnaissance des formes et la forme choisie est le signal d’écriture plus précisément les
caractères artificiels. L’AIRS (Artificial Immune Recognition System) est une méthode inspiré
du système immunitaire biologique orienté reconnaissance des formes proposé par A. Watkins
en 2001 (Watkins, 2001) dans sa thèse de magister à l’université de Mississipi, l’amélioration
été en 2004 par le trio A. Watkins, J. Timmis et L. Boggess (Watkins et all, 2004) en
optimisant le nombre de cellules B générées. Cette méthode est caractérisée par l’apprentissage
distribué prouvé par A. Watkins dans son PHD à l’université de Kent en 2005 (Watkins,
2005). Dans ce papier ont commencera par une représentation du système immunitaire naturel
et les types de réponse immunitaire, la deuxième partie est une représentation d’une simulation
artificielle des systèmes immunitaires donnant les phases d’apprentissages. Comme prototype
d’apprentissage nous présentons un aperçu sur la base de donnée du signal d’écriture, suivie
des résultats de la mise en œuvre. Finalement l’approche d’amélioration est donnée avec les
résultats obtenus par sa mise en œuvre, montrant la différence entre les deux méthodes par une
discussion et des commentaires.
145
Hiba KHELIL et Abdelkader BENYETTOU
146
Application du système immunitaire artificiel ordinaire et améliore pour la reconnaissance
des caractères artificiels
immunitaire artificiel destinée pour la reconnaissance des formes nommée AIRS. Tout d’abor
l’antigène représente l’ensemble d’apprentissage dont il aura besoin pour le déroulement du
programme, et le résultat d’apprentissage est l’ensemble d’anticorps (cellules B mémoire) qui
seront utilisé pour la phase de test (les nouveaux antigènes introduits dans le système).
L’apprentissage du système immunitaire artificiel se déroule en quartes étapes chaque sortie est
une introduction de l’étape suivante et le résultats finale comme nous avons noté c’est
l’ensemble des anticorps générés. Les étapes seront détaillées dans les points qui suivent:
ag i et ag j
Avec : deux antigènes et affinité (a, b) retourne la distance euclidienne
normalisée entre a et b.
Une fois que la cellule mcmatch est sélectionnée, elle sera utilisée pour générer les nouveaux
ARBs (clonage), cet ensemble sera additionné a l’ensemble total des ARBs généré par
1
Le ARBs est un magasin de cellules B réduit, dont chaque ARB contient des informations sur la cellule B
(anticorps, ressource, classe).
2
La ressemblance est calculée par la formule de stimulation : stimulation( ag , mc) = 1 − affinité ( ag , mc )
147
Hiba KHELIL et Abdelkader BENYETTOU
l’ensemble des antigènes préalablement traité. Le nombre de clone de la cellule mcmatch , il est
limité selon la formule (3):
Notant que pour chaque ARB généré par mcmatch est muté selon l’algorithme de mutation décrit
dans (Watkins, 2001). Le clonage participe à survie de la cellule mcmatch et la mutation est un
opérateur d’exploration de l’espace de recherche.
Les points 4.2 et 4.3 seront exécutés pour un antigène donné jusqu’à ce que la condition
si ≥ Seuil _ d 'affinité soit vérifiée, avec
| ABi |
ab j .stim
j =1
si = , abj ∈ ABi (5)
| ABi |
A la fin de ces deux étapes un ensemble d’ARBs est obtenu pour s’introduire a l’étape finale de
l’apprentissage
Dans cette partie nous avons représenté l’algorithme d’apprentissage d’un système immunitaire
artificiel destinée pour la reconnaissance des formes, dans la partie qui suit nous allons
représenter la forme choisi pour l’application de cet algorithme.
148
Application du système immunitaire artificiel ordinaire et améliore pour la reconnaissance
des caractères artificiels
Pour pouvoir lancer l’apprentissage nous avons choisi un corpus d’apprentissage de trois
caractères (A, C et D) dont chacun contient 100 exemples et pour pouvoir tester 500 exemple
pour chaque caractère la figure 2 montre la distribution des exemples.
Train Test
A 100 500
C 100 500
D 100 500
6 Mise en œuvre
Pour la mise en œuvre de notre application nous avons pris le corpus d’apprentissage de trois
caractères donné dans la figure 2, dont il représente les antigènes, et le but est d’atteindre en
sortie un ensemble d’anticorps qui seront utilisé pour la phase de test.
Selon la figure 2 on remarque bien que l’ensemble d’apprentissage est plus petit que l’ensemble
de test, cette particularité caractérise ce type système dans la reconnaissance des formes, cela
est tiré du principe naturel de vaccination, qui est l’introduction de petite quantité d’antigène.
L’apprentissage nécessite de poser certains paramètres d’apprentissage, ces paramètres seront
représentés dans la figure 3 suivante :
149
Hiba KHELIL et Abdelkader BENYETTOU
A 446
C 121
D 330
500
400 Cellules
mémoires A
300 Cellules
200 méoir e C
Cellules
100 mémoire D
0
1 6 11 16 21 2 31 3 41 4 51
I t é r a t i ons
150
Application du système immunitaire artificiel ordinaire et améliore pour la reconnaissance
des caractères artificiels
6.2 Classification
Dans cette phase de test nous allons utiliser le résultats d’apprentissage (Cellules B) pour
pouvoir classifier les nouveaux antigènes, le principe est de pouvoir affecter un antigène a une
classe tel sorte qu’il se rapproche le plus aux anticorps de cette classe en terme de distance ; la
méthode KMeans offre ce principe, tel qu’ont calcule pour chaque classe de cellules B un
centroîde qui sera utilisé pour calculé l’affinité avec l’antigène a classer et la classe qui donne la
plus faible affinité sera la classe cible de cet antigène.
88.91 89
Dans la partie suivante nous allons appliquer l’amélioration portée par A. Watkins, J. Timmis
et L. Boggess (Watkins et all, 2004) sur l’algorithme d’apprentissage des systèmes immunitaire
artificiels.
151
Hiba KHELIL et Abdelkader BENYETTOU
A 356
C 62
D 77
400
350
300
250 Cell ules mémoi r e A
200 Cell ules mémoi r e C
150 Cell ules mémoi r e D
100
50
0
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49
I t é r a t i ons
89.04 100
Voici donc les résultats de classification des caractères artificiels obtenu par l’apprentissage du
système immunitaire amélioré, on remarque bien que nous avons obtenu une amélioration de
0,134% sur la reconnaissance des caractères de test et de 11% sur l’ensemble d’apprentissage
avec une réduction importante du nombre de cellules B généré dans la phase d’apprentissage
du système immunitaire artificiel, et delà on peut extraire l’efficacité du système immunitaire
amélioré sur le taux de reconnaissance augmenté et surtout sur le nombre de cellules réduit qui
implique des ressources logiciels minime et aussi temps d’exécution réduit.
8 Conclusion
Finalement, on peut dire que l’AIRS est un outils puissant dans la reconnaissance des formes,
ce que l’écriture a confirmé dans le cadre de classification. Nous avons vu aussi que le système
immunitaire amélioré a portait un point important sur le temps d’exécution et sur le nombre de
cellules B généré ainsi sur le taux de reconnaissance.
152
Application du système immunitaire artificiel ordinaire et améliore pour la reconnaissance
des caractères artificiels
L’intégration des AIRS avec d’autres méthodes d’optimisation pourra peut être porter de
meilleurs résultats en faisant le choix sur les meilleurs paramètres de d’apprentissage, prenant
l’exemple des algorithmes génétiques, ce qui fera l’objectif du prochain travail.
Références
Deneche A. (2006). Approches bios inspirées pour la reconnaissance de formes, Thèse de
Magister de l’université Mentouri, Constantine, Algérie.
Deneche A., Meshoul S., Batouche M. (2005). Une approche hybride pour la reconnaissance
de formes en utilisant un Système Immunitaire Artificiel, Procéding des Journées
d'informatique graphique, Algérie
Emilie P. (2006). Organisation du system immunitaire Felin. Thèse doctorat vétérinaire, Ecole
nationale de Lyon. Lyon
Goodman D., Boggess L., Watkins A. (2002). Artificial immune system classification of
multiple class problems. Journal Intelligent Engineering Systems Through Artificial Neural.
Jun J. H., Lee D. W., Sim K. B., (1999), Realization of cooperative and Swarm Behavior in
Distributed Autonomous Robotic Systems Using Artificial Immune System. Procéding IEEE,
conférence Man and Cybernetics.
Kim J., Bently P. (2001), Towards an artificial immune system for network intrusion detection
: an investigation of clonal selection with a negative selection operator, Procéding de la
conférence Congress on Evolutionary Computation.
Timmis J., (2000), Artificial Immune Systems: A novel data analysis technique inspired by the
immune network theory, PhD, Département d’informatique, université de Wales UK
Secker A., Freitas A., Timmis J. (2003). AISEC : an Artificial Immune System for E-mail
Classification. Journal IEEE Evolutionary Computation ECE’2003 pp 131-138.
Watkins A., Boggess L. (2002a). A New Classifier Based on Resources Limited Artificial
Immune Systems. Procéding congress de Evolutionary Computation, IEEE World Congress
on Computational Intelligence held en Honolulu, pp 1546-1551. IEEE. USA.
Watkins A., Boggess L. (2002b). A Resource Limited Artificial Immune System. Journal IEEE
World Congress on Computational Intelligence help in Honolulu, USA pp 926-931.
Watkins A., Timmis J. (2002). Artificial Immune Recognition System (AIRS): Revisions and
Refinements. 1ére Conférence internationnal du Système immunitaire artificiel ICARIS’2002,
pp 173-181, Université de Kent à Canterbury.
153
Hiba KHELIL et Abdelkader BENYETTOU
Watkins A., Timmis J., Boggess L. (2004). Artificial immune recognition system (AIRS) : an
immune inspired supervised learning algorithm. Journal de l’acédemie Kluwer Genetic
Programming and Evolvable Machines. pp 291-317.
154