Resumen

Uno de los métodos ampliamente utilizados para la clasificación que es un proceso de toma de decisiones es el de los sistemas inmunitarios artificiales. Los sistemas inmunitarios artificiales basados en el sistema inmunológico natural pueden aplicarse con éxito para la clasificación, optimización, reconocimiento y aprendizaje en problemas del mundo real. En este estudio, se propone un clasificador inmunitario artificial basado en el aprendizaje por refuerzo como un nuevo enfoque. Este enfoque utiliza el aprendizaje por refuerzo para encontrar un mejor anticuerpo con operadores inmunitarios. El nuevo enfoque propuesto tiene muchas contribuciones en comparación con otros métodos en la literatura, como efectividad, menos células de memoria, alta precisión, velocidad y adaptabilidad a los datos. El rendimiento del enfoque propuesto se demuestra mediante simulación y resultados experimentales utilizando datos reales en Matlab y FPGA. Se utilizan algunos datos de referencia y datos de imágenes remotas para los resultados experimentales. Se presentan resultados comparativos con sistemas inmunitarios artificiales basados en supervisión/no superv

• Materias:Robots Cuidados pediátricos Experimentos numéricos Radares Factores psicológicos
• Subjects:Robot Pediatric care Numerical experiments Radars Psychological factors
• Palabras claves:Sistemas inmunes artificiales; Clasificación; Optimización; Reconocimiento; Aprendizaje por refuerzo; Anticuerpo
• Keywords:Artificial immune systems; Classification; Optimization; Recognition; Reinforcement learning; Antibody