结合免疫聚类和免疫进化规划的RBF网络设计方法

提出了一种结合免疫聚类和免疫进化规划的径向基函数(RBF)网络设计方法.该方法采用人工免疫聚类机制根据输入数据集合自适应地确定RBF网络隐层中心的数量和初始位置,并通过提取RBF网络核函数宽度的先验知识作为疫苗构成免疫算子.该算子可以缩小进化算法搜索空间的范围,提高算法的收敛速度.仿真结果表明,采用本方法设计的RBF网络结构精简,具有较强的泛化能力.     

基于目标进化的aiNet聚类算法研究

针对aiNet算法中没有定义目标函数,记忆抗体网络动态无规律变化等问题对算法进行改进,提出了基于目标进化的人工免疫网络聚类新算法,将人工免疫网络压缩聚类抽象为多目标规划问题,提出了免疫网络的整体进化目标和疫苗注射策略,仿真结果表明,新算法的聚类质量、特征压缩质量、参数敏感性等优于原有aiNet算法。     

多模态函数优化的人工免疫应答优化算法

针对传统的人工免疫算法收敛速度较慢,搜索精度较低的问题,基于免疫应答原理提出一种多模态函数优化的人工免疫应答优化算法.该算法将初始抗体群分配为记忆抗体群和一般抗体群,对记忆抗体群实施高频变异算子进行局部精细搜索,并对一般抗体群执行趋同过程算子进行全局粗搜索,从而加快了进化过程.通过典型多模态函数对该算法进行性能测试,实验结果表明,该算法具有更快的收敛速度和更高的搜索精度.     

一种模糊人工免疫网络故障诊断策略

基于免疫系统与故障诊断系统在作用机制上的相似性,在建立通用的人工免疫网络故障诊断模型的基础上,提出一种基于模糊人工免疫网络的故障诊断算法.文中的免疫系统故障诊断模型,把故障诊断问题建模为抗体-抗原识别和作用问题;设计克隆选择,免疫记忆等故障诊断的免疫规则;并基于故障诊断问题的先验知识,提出一种模糊人工免疫网络故障诊断算法.UCI(University of California,Irvine)标准数据集和一个四级压缩机故障诊断试验表明,该算法能充分利用故障数据的先验信息,快速准确地获得数据样本特征,实现数据的聚类,从而完成故障诊断.     

人工免疫工程综述

概述免疫系统基本概念，比较了三大生物信息处理系统（神经系统，遗传系统和免疫系统）的特性，在此基础上提出了人工免疫工程（artificial immune engineering,AIE)的概念，介绍了AIE的主要方法，包括基于免疫网络学说的人工免疫网络模型，基于免疫特异性的否定选择算法和基于接种疫苗及免疫多样性的免疫进化算法；阐述了AIE的应用现状，包括人工免疫网络在人工智能领域，免疫特异检测在计算机安全领域及免疫反馈和免疫鲁棒自适应特性在智能控制领域的多种典型应用，最后对AIE研究应用前景作了进一步的展望。     

基于免疫粒子群优化的模糊C均值聚类算法

把免疫系统的免疫信息处理机制引入到粒子群优化（PSO）算法中，并与模糊C均值（FCM）算法相结合提出一种新的模糊聚类算法．新算法用免疫粒子群优化算法代替FCM算法的基于梯度下降的迭代过程，使算法具有较强的全局搜索能力，很大程度上避免了FCM算法易陷入局部极小的缺陷，同时也降低了FCM算法对初始值的敏感度．采用对当基思想初始化种群，获得更优的初始候选解，提高算法聚类过程中的收敛速度．以UCI机器学习数据库中的两组数据集为研究对象，实验结果表明，该算法优于基于PSO的模糊C均值聚类算法和FCM算法．     

基于人工免疫聚类算法的电梯交通流分析

采用人工免疫聚类算法对某大楼一周内的电梯交通流进行了分析．利用人工免疫算法的免疫激励和免疫抑制机制，对电梯交通的5分钟原始客流数据进行压缩，得到了特点鲜明的电梯交通流人工免疫记忆数据集．以最小支撑树为工具，采用最短距离法对记忆数据集进行分类，所得结果清晰地体现了电梯交通流的实际特性．该算法为电梯群的控制与调度提供了有力的理论支持．     

基于人工免疫算法的软件输出域覆盖测试

如何实现软件输出域覆盖,是对安全攸关软件开展功能测试时面临的一个难题.采用智能化软件测试思路,提出了基于人工免疫算法的软件测试数据自动生成方法.首先分析了软件输出域覆盖问题的由来和面临的困难,说明了利用灰盒测试技术将输出域覆盖转化为软件伪路径覆盖的技术途径,并给出了软件测试数据质量评价的度量指标.其次,给出了人工免疫算法应用于软件测试数据生成的基本思路,介绍了人工免疫算法的一般步骤及其与遗传算法的异同分析.然后,分别设计了抗体亲和度评价算子、抗体浓度评价算子、免疫选择算子、克隆算子、变异算子、抑制算子、刷新算子等人工免疫算法的主要算子,实现了基于人工免疫算法的测试数据自动化生成方法.最后,采用三种不同类型软件对方法有效性进行了验证,并对数据命中率、平均迭代轮次以及测试用例总个数等指标进行了分析.结果表明,该方法满足软件输出域覆盖要求,总体效果优于遗传算法和随机测试.     

基于免疫多样性的分布式入侵检测算法

提出了一种基于免疫多样性的分布式入侵检测方法，将支持向量机（SVM）作为抗体对入侵行为进行检测．首先，采用随机子空间方法生成多样化的SVM个体，再用人工免疫算法进化个体，然后通过引入Q统计量和互信息作为抗体多样性的度量，由此得到的检测器种群具有知识互补性，最后用集成的思想将种群中各检测器的结论进行合成．数值实验表明，所提方法生成的抗体更具多样性，检测精度高于单个SVM和Bagging方法，其分布式并行检测特性有利于加强检测系统的健壮性．     

基于独特型网络动力学模型的人工免疫算法

针对传统人工免疫算法中相似度、浓度以及抗体现有评价方式存在的缺陷，采用独特型网络动力学模型，通过改进亲和力计算方法，使之综合表达函数值和抗体相似程度的信息，以抗体的浓度作为适应值，提出了一种基于独特型网络动力学模型的人工免疫算法．仿真结果表明，这种算法对多模态函数优化是有效的，其搜索效率及收敛速度均优于常见的人工免疫网络算法Opt—aiNet．     

基于模糊聚类的神经网络在数据挖掘分类中的应用研究

常见的决策树分类算法、贝叶斯分类算法、神经网络分类算法为数据挖据分类算法研究提供了重要基础。但面对海量数据时,在时间效率、鲁棒性和精确性上都显示出了不足。为此,本文将模糊聚类的思想引入到神经网络分类算法中,首先通过模糊聚类子模型,将样本数据聚为几个数据子集,然后再采用不同的神经网络对各个数据子集同时进行训练学习。由于经过了模糊聚类子模型的预处理,每个神经网络训练学习样本的复杂性大大减少,使神经网络的学习效率大大提高。最后通过UCI下的实际数据库,对提出的分类算法进行了检验,结果显示了基于模糊聚类的神经网络在数据挖掘分类中应用的有效性。     

Anomaly Detection with Artificial Immune Network

Inspired by the immune network theory, an adaptive anomaly detection paradigm based on artificial immune network, referred as APAI, is proposed. The implementation of the paradigm includes： initially, the first is to create the initial antibody network; then, through the learning of each training antigen, the antibody network is evolved and updated by the optimal antibodies. Finally, anomaly detection process is accomplished by majority vote of the k nearest neighbor antibodies in the network. The experiments used the famous Sonar Benchmark dataset in our study, which is taken from the UCI machine learning database. The obtained detection accuracy of APAI was 97.7%, which was very promising with regard to the other classification applications in the literature for this problem. In addition to its nonlinear classification properties, APAI possesses biological immune network properties such as clonal selection, immune network, and immune memory, which can be applied to pattern recognition, classification, and etc.     

基于自适应免疫分类器的入侵检测

由于采用传统的分类器进行检测时,存在检测率低而误报率高的问题.提出了一种基于免疫聚类的自适应分类器方法,采用多信息粒度的思想有效地克服了聚类算法与分类算法间的不一致性.通过在真实网络数据集上对多种入侵行为的检测结果表明:该分类器的检测率高、漏报率和误报率低,较RBF分类器和BP分类器具有更好的分类性能和推广性能.     

一种基于分层模糊控制的免疫遗传优化算法

针对标准遗传算法的不足,借鉴生物免疫机理和人脑模糊思维功能提出一种新的基于分层模糊控制的免疫遗传算法.该算法利用免疫系统独特性网络学说,改进标准遗传算法选择算子,提高了种群多样性;同时从环境、种群、个体和基因角度,全面分析算法寻优性能和各种进化参数的启发式模糊关系,采用模糊推理动态调整交叉率、交叉位置和变异率,减小了标准遗传操作的随机性.实验结果表明,新算法不仅可有效克服标准遗传算法的缺陷,而且收敛速度、计算精度和算法稳定性也得到明显提高.     

基于免疫原理和Boosting机制的模糊分类规则挖掘算法

基于免疫原理和Boosting机制,提出了一种模糊分类规则挖掘算法.该算法主要借鉴于自然免疫系统中的克隆选择原理,通过抗体种群的演化来优化模糊规则.模糊规则库通过增量的方式产生,算法每次运行得到一个规则.Boosting机制用于调整训练数据的权值,使得新生成规则集中于当前未被覆盖或误分类的数据实例.仿真实验表明,所提算法可根据规则的分类精度来调整训练数据的权值,促进了模糊规则之间的协作关系,避免了规则之间相互冲突,提高了系统的分类精度.     

一种基于虚拟力导向和细胞分化的免疫网络分类算法

针对传统免疫网络分类算法中抗体细胞进化缺乏有效指导的问题,提出了一种基于虚拟力导向和细胞分化的免疫网络分类算法(VCAINC).算法引入虚拟力场区的概念,基于虚拟力场区定义抗体所受的虚拟作用力以指导抗体的进化过程,并根据移动收敛条件判定抗体的合理位置;对于无法达到收敛条件的抗体,采用细胞分化策略提高免疫网络的分类性能;分析了算法在UCI标准数据集的分类效果.实验结果表明,VCAINC对于多个标准数据集均具有良好的分类性能,能够有效指导抗体细胞的进化.     

人工免疫算法在洪水分类中的应用

 在总结洪水分类研究的基础上,提出了一种新的洪水分类方法,以人工免疫网络对洪水样本进行免疫学习和记忆,提取表征洪水强度的有用特征得到抗体库和相似度矩阵,利用最小生成树方法,依据抗原与记忆集的亲和度确定洪水的分类。以宜昌站12场典型洪水过程和广东石狗站17场典型洪水过程为例进行了洪水聚类分析,结果表明：所提算法有效提取了同类型洪水的模糊特征和规律,去除了不必要的信息冗余,较好地将同类洪水聚集在了一起;与进化粒子群优化算法相比,该法有更快的收敛速度。     

基于人工免疫系统的网络文本分类研究

在简单介绍自然免疫系统功能和特性的基础上,依据生物免疫系统免疫记忆特性,提出一种人工免疫网络记忆分类器。实验证明,该分类器能够快速准确地对文本进行分类。     

自调整柯西变异克隆算法

生物免疫系统中许多信息处理机制已成功应用到控制、数据处理、优化学习和故障诊断等领域,并且已经成为继神经网络、模糊逻辑和进化算法后人工智能的又一研究热点。针对巴西学者Castro提出的克隆算法存在的不足,提出一种新的克隆算法——自调整柯西变异克隆算法,重新定义了克隆选择算子和克隆变异算子。与其它算法相比较,试验结果表明所提算法搜索时间短、搜索精度和效率都很高。     

基于模糊感知器的路面性能预测方法

利用模糊感知器人工神经元网络尝试建立一个智能型路面性能预测模型，对神经网络原理和模型结构进行了系统的理论分析，给出了详细的算法，并以平整度历年调查资料为数据基础，对该模型进行了实例分析，证明了模型的理论与实际运用的可行性。该方法利用神经网络与模糊方法各自的优点，针对不同性能指标，建立对应的神经网络预测模型，来对今后的指标值进行预测，较好地解决了路面性能预测中的模糊性和不确定性。