（計(jì)算機(jī)軟件與理論專業(yè)論文）免疫算法在模式識(shí)別中的應(yīng)用研究.pdf

免疫算法在模式識(shí)別中的應(yīng)用研究 專業(yè)名稱 計(jì)算機(jī)軟件與理論 申請人 王玉峰 導(dǎo)師 葛紅 摘要 模式識(shí)別是一門與統(tǒng)計(jì)學(xué) 心理學(xué) 語言學(xué) 計(jì)算機(jī)科學(xué) 生物學(xué) 控制論 人工智能 圖像處理等相互交叉的學(xué)科 廣泛應(yīng)用于故障診斷 文字識(shí)別 語音 識(shí)別 遙感 醫(yī)學(xué)診斷 數(shù)字水印等領(lǐng)域 傳統(tǒng)的模式識(shí)別方法主要有決策理論 方法 句法方法 統(tǒng)計(jì)理論 人工神經(jīng)網(wǎng)絡(luò) 遺傳算法等 目前 模式識(shí)別領(lǐng)域 還未提出一種通用的模式識(shí)別方法 我們必須針對(duì)具體識(shí)別任務(wù) 結(jié)合模式識(shí)別 模型 設(shè)計(jì)出具體算法 由于人工免疫系統(tǒng)先天具有噪聲忍耐 無教師學(xué)習(xí) 自組織 分布式無中心 處理以及記憶 進(jìn)化學(xué)習(xí)等優(yōu)勢 本文在閱讀大量相關(guān)資料的基礎(chǔ)上 結(jié)合人工 免疫系統(tǒng) 系統(tǒng)深入地研究了這種新的模式識(shí)別方法 即人工免疫識(shí)別法 包括 基于群體的人工免疫識(shí)別法 基于網(wǎng)絡(luò)的人工免疫識(shí)別法 同時(shí)通過實(shí)驗(yàn)驗(yàn)證這 種新的模式識(shí)別方法的有效性 針對(duì)模式識(shí)別具有實(shí)時(shí)性的要求 提出了優(yōu)化算 法的有效途徑 總的來說 本文主要研究的內(nèi)容包括 1 首先深入分析比較了現(xiàn)有模式識(shí)別方法 總結(jié)了現(xiàn)有模式識(shí)別方法的識(shí)別 框架 指出一些現(xiàn)有模式識(shí)別方法存在的一些缺陷 2 接著分析了免疫算法的仿生機(jī)制 總結(jié)了基于群體免疫算法 基于網(wǎng)絡(luò)免 疫算法 針對(duì)目標(biāo)識(shí)別中處理數(shù)據(jù)量大的現(xiàn)狀 根據(jù)生物免疫系統(tǒng)具有分柿式 克隆及高頻變異特性 對(duì)算法進(jìn)行了優(yōu)化改進(jìn) 3 最后針對(duì)現(xiàn)有模式識(shí)別中遇到的問題以及現(xiàn)有技術(shù)的不足 提出了利用免 疫算法解決模式識(shí)別中存在的這些不足 本文先后采用基于群體的克隆選擇算法 進(jìn)行數(shù)字識(shí)別 取得良好的效果 接著利用人工免疫網(wǎng)絡(luò)理論來建立無監(jiān)督模式 識(shí)別模型 在無對(duì)象模型和先驗(yàn)知識(shí)的情況下 根據(jù)現(xiàn)有數(shù)據(jù)本身來構(gòu)建識(shí)別對(duì) 象的規(guī)則模型 建立了模式識(shí)別的基本網(wǎng)絡(luò)模型 并對(duì)模型的識(shí)別能力進(jìn)行評(píng)估 關(guān)鍵詞 免疫算法 模式識(shí)別 i l t h ea p p llc a tio no fa r t lficia lim m u n u ea l g o rit h mln a b s t r a c t p a t t e r nr e c o g nitlo n m a j o r c o m p u t e rs o f t w a r ea n dt h e o r y n a m e w a n gy u f e n g s u p e r v i s o r g eh o n g p a t t e r nr e c o g n i t i o nt e c h n o l o g y as u b j e c tc r o s s e dw i t ht h es t a t i s t i c s p s y c h o l o g y l i n g u i s t i c s c o m p u t e rs c i e n c e b i o l o g y c y b e r n e t i c s a r t i f i c i a li n t e l l i g e n c e i m a g e p r o c e s s i n g a n ds oo n i sw i d e l yu s e di ns u c hf i e l d sa sb u gd i a g n o s i s c h a r a c t e r r e c o g n i t i o n v o i c er e c o g n i t i o n r e m o t es e n s i n g m e d i c a ld i a g n o s i s a n dd i g i t a l w a t e r m a r k i n g t r a d i t i o n a l m e t h o d so f p a t t e mr e c o g n i t i o nm a i n l y i n c l u d e d e c i s i o n m a k i n gt h e o r ym e t h o d s y n t a xm e t h o d s t a t i s t i c a lt h e o r y a r t i f i c i a ln e u r a l n e t w o r k sa n dg e n e t i ca l g o r i t h me t c a tp r e s e n t t h ef i e l do fp a t t e mr e c o g n i t i o nh a sn o t b e e nb r o u g h tu pac o m m o np a t t e mr e c o g n i t i o nm e t h o d w em u s tc o m b i n ew i t ht h e p a t t e r nr e c o g n i t i o nm o d e la n dd e s i g ns p e c i f i ca l g o r i t h mf o rt h es p e c i f i cr e c o g n i t i o n t a s k a r t i f i c i a li m m u n es y s t e mh a sc o n g e n i t a la d v a n t a g eo fn o i s et o l e r a n c e l e a r n i n g w i t h o u tt e a c h e r s s e l f o r g a n i z a t i o n d i s t r i b u t e dc e n t e r l e s sp r o c e s s i n ga n dm e m o r y a n de v o l u t i o n a r yl e a r n i n g b a s e do nr e a d i n gag r e a td e a lo fr e l e v a n ti n f o r m a t i o na n d c o m b i n ea r t i f i c i a li m m u n es y s t e m t h i sn e wp a t t e r nr e c o g n i t i o nm e t h o d n a m e l y a r t i f i c i a li m m u n er e c o g n i t i o n i ss t u d i e df o rs y s t e m a t i ca n dd e e p l y i ti n c l u d e s a r t i f i c i a li m m u n er e c o g n i t i o nm e t h o db a s e do ng r o u p s n e t w o r k b a s e da r t i f i c i a l i m m u n er e c o g n i t i o nm e t h o d a tt h em e a n t i m e v e r i f y i n gt h ee f f e c t i v e n e s so ft h i sn e w p a t t e mr e c o g n i t i o nm e t h o dt h r o u g he x p e r i m e n t f o rt h er e a l t i m er e q u i r e m e n t so f i i i p a r e r nr e c o g n i t i o n a ne f f e c t i v ew a y t oo p t i m i z et h ea l g o r i t h mi sg i v e n i ng e n e r a l t h em a t t e rt h i sa r t i c l er e s e a r c h e di n c l u d e s 1 f i r s to fa l l a n a l y z e dd e e p l ya n dc o m p a r e dw i t ht h ea v a i l a b l ep a t t e m r e c o g n i t i o nm e t h o d s s u m m e du pr e c o g n i t i o nf r a m e w o r ko ft h ea v a i l a b l ep a t t e r n r e c o g n i t i o nm e t h o d sa n dc o n c l u d e ds o m es h o r t c o m i n g st h a te x i s t e di ns o m ea v a i l a b l e p a r e mr e c o g n i t i o nm e t h o d s 2 a n dt h e n a n a l y z e dt h eb i o n i cm e c h a n i s mo fi m m u n ea l g o r i t h m s u m m e du p t h eg r o u p s b a s e di m m u n ea l g o r i t h ma n dn e t w o r k b a s e di m m u n ea l g o r i t h m b a s e do n t h ep r o p e r t i e so fd i s t r i b u t e d c l o n i n ga n dh i g h f r e q u e n c yv a r i a t i o no fb i o l o g i c a l i m m u n es y s t e m t h ea l g o r i t h mi so p t i m i z e da n di m p r o v e df o rt h es t a t u sa b o u tl a r g e a m o u n to fd a t ai nt a r g e tr e c o g n i t i o n 3 e v e n t u a l l y f o rt h ee x i s t i n gp r o b l e m s i np a t t e mr e c o g n i t i o na sw e l la st h e i n a d e q u a c y o fe x i s t i n g t e c h n o l o g i e s u s i n gt h e s ed e f i c i e n c i e se x i s t i ni m m u n e a l g o r i t h ms o l v ep a t t e r nr e c o g n i t i o ni sa d d r e s s e d t h i sa r t i c l eh a su s e dg r o u p s b a s e d c l o n es e l e c t i o na l g o r i t h mf o rd i g i t a li d e n t i f i c a t i o na n do b t a i ng o o dr e s u l t s t h e nu s e t h ea r t i f i c i a li m m u n en e t w o r kt h e o r yt o c r e a t eam o d e lo fu n s u p e r v i s e dp a t t e r n r e c o g n i t i o n w i t h o u to b j e c tm o d e la n dp r i o r ik n o w l e d g e b a s e do na v a i l a b l ed a t at o b u i l dr u l e sm o d e lf o rr e c o g n i t i o n o b j e c t t h eb a s i cn e t w o r km o d e lf o rp a t t e r n r e c o g n i t i o ni ss e tu pa n di t sc a p a b i l i t yo fr e c o g n i t i o ni sa l s oa s s e s s e d k e yw o r d s a r t i f i c i a li m m u n ea l g o r i t h m p a t t e r nr e c o g n i t i o n i v 華南師范大學(xué)學(xué)位論文原創(chuàng)性聲明 本人鄭重聲明 所呈交的學(xué)位論文 是本人在導(dǎo)師的指導(dǎo)下 獨(dú) 立進(jìn)行研究工作所取得的成果 除文中已經(jīng)注明引用的內(nèi)容外 本論 文不包含任何其他個(gè)人或集體已經(jīng)發(fā)表或撰寫過的研究成果 對(duì)本文 的研究做出重要貢獻(xiàn)的個(gè)人和集體 均已在文中以明確的方式標(biāo)明 本人完全意識(shí)到此聲明的法律結(jié)果由本人承擔(dān) 論文作者簽名 之窆 日期 2 叩年廠月鄉(xiāng)b 學(xué)位論文使用授權(quán)聲明 本人完全了解華南師范大學(xué)有關(guān)收集 保留和使用學(xué)位論文的規(guī) 定 即 研究生在校攻讀學(xué)位期間論文工作的知識(shí)產(chǎn)權(quán)單位屬華南師 范大學(xué) 學(xué)校有權(quán)保留并向國家主管部門或其指定機(jī)構(gòu)送交論文的電 子版和紙質(zhì)版 允許學(xué)位論文被檢索 查閱和借閱 學(xué)?？梢怨紝W(xué) 位論文的全部或部分內(nèi)容 可以允許采用影印 縮印 數(shù)字化或其他 復(fù)制手段保存 匯編學(xué)位論文 保密的論文在解密后遵守此規(guī)定 保密論文注釋 本學(xué)位論文屬于保密范圍 在年后解密適用 本授權(quán)書 非保密論文注釋 本學(xué)位論文不屬于保密范圍 適用本授權(quán) 論文作者簽名 象童 癢翩簽名 鋤 嗍 砷年羅月多f 日 目期 砂j 7 年 月夕日 濤 免疫算法在模式識(shí)別中的應(yīng)用 第1 章緒論 本章首先將對(duì)模式識(shí)別及人工免疫系統(tǒng)研究的背景與當(dāng)前研究工作的進(jìn)展 情況做簡單的概述 然后提出本文的研究目標(biāo)與意義 并指出本文的主要工作及 內(nèi)容安排 1 1 人工免疫系統(tǒng)研究現(xiàn)狀 免疫算法和免疫系統(tǒng)的理論與應(yīng)用的研究歷史較短 最早與免疫算法相關(guān)的 理論可追溯到1 9 5 8 年澳大利亞學(xué)者b u m e t 提出的基于生物抗體的克隆選擇學(xué) 說 這一學(xué)說的基本觀點(diǎn)是生物機(jī)體內(nèi)存在識(shí)別多種抗原的免疫細(xì)胞系 免疫細(xì) 胞系中的每個(gè)免疫細(xì)胞通過其表面的受體識(shí)別抗原 當(dāng)抗原侵入生物體后 具有 相應(yīng)受體的免疫細(xì)胞就會(huì)活化 繁殖 分化 最后形成抗體和免疫記憶細(xì)胞 最 早的免疫系統(tǒng)模型 l j 是由j e m e 于1 9 7 3 年提出的 他基于b u r n e t 的克隆選擇學(xué)說 開創(chuàng)了獨(dú)特型網(wǎng)絡(luò)理論 給出了免疫系統(tǒng)的數(shù)學(xué)框架 并采用微分方程建模來仿 真淋巴細(xì)胞的動(dòng)態(tài)變化 獨(dú)特型網(wǎng)絡(luò)學(xué)說認(rèn)為 生物體內(nèi)的淋巴細(xì)胞不是孤立存 在的 不同種類的淋巴細(xì)胞之間是相互通訊的 抗體和抗體之間 抗體和抗原之 間是相互反應(yīng)的 通過這種相互作用就構(gòu)成了一個(gè)動(dòng)態(tài)平衡的網(wǎng)絡(luò) 此后 p e r e s l o n 又進(jìn)一步的給出了獨(dú)特型網(wǎng)絡(luò)的概率描述方法 2 1 該算法己被廣泛的應(yīng) 用于自適應(yīng)控制和故障診斷等方面 19 8 6 年 f a r m a l 等人在 t h ei m m u n es y s t e ma d a p t a t i o na n dm a c h i n e l e a r n i n g 3 一文中涉及了 免疫算法 的概念 他們先利用一組隨機(jī)產(chǎn)生的微 分方程建立起人工免疫系統(tǒng) 再通過采用適應(yīng)度閥值過濾的方法去掉方程組中那 些不合適的微分方程 對(duì)保留下來的微分方程則采用交叉 變異 逆轉(zhuǎn)等遺傳操 作產(chǎn)生新的微分方程 經(jīng)過不斷的迭代計(jì)算 直到找到最佳的一組微分方程為止 此算法被應(yīng)用到求解機(jī)器人運(yùn)動(dòng)路徑規(guī)劃中 獲得了成功 從此以后 對(duì)免疫算 法的研究在國際上引起了越來越多的學(xué)者的興趣 十幾年來 與之相關(guān)的研究成 果已經(jīng)涉及到非線性最優(yōu)化 4 捌 組合優(yōu)化f 7 1 2 l 控制工程 乃 7 1 機(jī)器人f 艄舶 故 障診斷1 2 3 2 4 i 計(jì)算機(jī)病毒檢測 2 5 2 9 圖像處理1 3 矧l 等諸多領(lǐng)域 為此 i e e es y s t e m s 免疫算法n 模式識(shí)別中的j 艇用 m a na n dc y b e r n e t i c s 國際學(xué)術(shù)會(huì)議和c o n g r e s so ne v o l u t i o n a r yc o m p u t a t i o n 國際 學(xué)術(shù)會(huì)議還分別自1 9 9 7 年和2 0 0 1 年起每年舉辦一屆人工免疫系統(tǒng)和免疫算法的 專題討論會(huì)議 從而掀起了計(jì)算智能領(lǐng)域繼神經(jīng)網(wǎng)絡(luò) 進(jìn)化計(jì)算等研究之后的又 一個(gè)研究熱點(diǎn) 與國際研究成果相比 我國對(duì)免疫算法的研究起步較晚 主要集 中在免疫算法的應(yīng)用方面 目前 獲得國家自然科學(xué)基金資助的項(xiàng)目僅有 中國 科技大學(xué)的人工免疫模型及其應(yīng)用研究和免疫算法研究 浙江大學(xué)的基于人工免 疫網(wǎng)絡(luò)的復(fù)雜不確定系統(tǒng)控制策略研究和波譜納米金粒探針免疫傳感器及芯片 檢測技術(shù)研究 東華大學(xué)的基于免疫突現(xiàn)計(jì)算的事物網(wǎng)絡(luò)結(jié)構(gòu)研究 1 2 模式識(shí)別的國內(nèi)外研究現(xiàn)狀 模式識(shí)別是人類的一項(xiàng)基本智能 日常生活中 人們經(jīng)常在進(jìn)行 模式識(shí)別 隨著2 0 世紀(jì)4 0 年代計(jì)算機(jī)的出現(xiàn)以及5 0 年代人工智能的興起 人們當(dāng)然也希望 能用計(jì)算機(jī)來代替或擴(kuò)展人類的部分腦力勞動(dòng) 模式識(shí)別在2 0 世紀(jì)6 0 年代初迅 速發(fā)展并成為一門新學(xué)科 識(shí)別也是人類的一項(xiàng)基本技能 隨著計(jì)算機(jī)出現(xiàn)以及 人工智能興起 將人類識(shí)別技能賦予計(jì)算機(jī)成為一項(xiàng)新興課題 1 2 1 現(xiàn)有模式識(shí)別技術(shù)綜述 一般認(rèn)為 模式是通過對(duì)具體的事物進(jìn)行觀測所得到的具有時(shí)間與空間分布 的信息 模式所屬類別或同一類中的模式的總體稱為模式類 其中個(gè)別具體的模 式往往稱為樣本 模式識(shí)別就是研究通過計(jì)算機(jī)自動(dòng) 或人為進(jìn)行少量干預(yù) 將待 識(shí)別的模式分配到各個(gè)模式類中的技術(shù) 圖1 1 為模式識(shí)別的一般框架 模式識(shí)別的研究主要集中在兩方面 一是研究生物體 包括人 是如何感知對(duì) 象的 二是在給定的任務(wù)下 如何用計(jì)算機(jī)實(shí)現(xiàn)模式識(shí)別的理論和方法 后者通 過數(shù)學(xué)家 信息學(xué)專家和計(jì)算機(jī)科學(xué)工作者近幾十年的努力 已經(jīng)取得了系統(tǒng)的 研究成果 模式識(shí)別方法大致可以分為4 類 統(tǒng)計(jì)決策法 結(jié)構(gòu)模式識(shí)別方法 模糊模 式識(shí)別方法與基于人工智能方法等 前兩種方法發(fā)展得比較早 理論相對(duì)也比較 成熟 在早期的模式識(shí)別中應(yīng)用較多 后兩種方法目前的應(yīng)用較多 由于模糊方 法更合乎邏輯 神經(jīng)網(wǎng)絡(luò)方法具有較強(qiáng)的解決復(fù)雜模式識(shí)別能力 因此日益得到 2 免疫算法在模式識(shí)別中的應(yīng)用 人們重視 另有模板匹配 支持向量機(jī)應(yīng)用于模式識(shí)別 圖卜1 模式識(shí)別的過程 1 統(tǒng)計(jì)決策法 3 3 4 0 統(tǒng)計(jì)決策法以概率論和數(shù)理統(tǒng)計(jì)為基礎(chǔ) 它包括參數(shù)方法和非參數(shù)方法 其 主要的研究問題為特征的選擇與優(yōu)化 分類類別 聚類類別 參數(shù)方法主要以b a y e s 決策準(zhǔn)則為指導(dǎo) 其中最小錯(cuò)誤率和最小風(fēng)險(xiǎn)貝葉斯 決策是最常用的兩種決策方法 假定特征對(duì)于給定類的影響?yīng)毩⒂谄渌卣?在 決策分類的類別n 己知與各類別的先驗(yàn)概率及類條件概率密度已知的情況下 對(duì) 于一特征矢量x 根據(jù)公式計(jì)算待檢模式在各類中發(fā)生的后驗(yàn)概率 后驗(yàn)概率最大 的類別即為該模式所屬類別 在這樣的條件下 模式識(shí)別問題轉(zhuǎn)化為一個(gè)后驗(yàn)概 率的計(jì)算問題 在貝葉斯決策基礎(chǔ)上 根據(jù)各種錯(cuò)誤決策造成損失不同 人們提出基于貝葉 斯風(fēng)險(xiǎn)的決策 即計(jì)算給定特征矢量x 在各種決策中的條件風(fēng)險(xiǎn)大小 找出其中 風(fēng)險(xiǎn)最小的決策 參數(shù)估計(jì)方法的理論基礎(chǔ)是樣本數(shù)目趨近于無窮大時(shí)的漸進(jìn)理 論 在樣本數(shù)目很大時(shí) 參數(shù)估計(jì)結(jié)果才趨近于真實(shí)的模型 然而實(shí)際樣本數(shù)目 總是有限的 很難滿足這一要求 另外參數(shù)估計(jì)的另一個(gè)前提條件是特征獨(dú)立性 這一點(diǎn)有時(shí)和實(shí)際差別較大 2 結(jié)構(gòu)模式識(shí)別 4 1 4 9 1 結(jié)構(gòu)模式識(shí)別是利用模式的結(jié)構(gòu)描述與句法描述之間的相似性對(duì)模式進(jìn)行 分類 每個(gè)模式由它的各個(gè)子部分 稱為子模式或模式基元 的組合來表示 對(duì)模 免疫算法柏j 模式識(shí)別中的應(yīng)用 式的識(shí)別常以句法分析的方式進(jìn)行 即依據(jù)給定的一組句法規(guī)則來剖析模式的結(jié) 構(gòu) 當(dāng)模式中每一個(gè)基元被辨認(rèn)后 識(shí)別過程就可通過執(zhí)行語法分析來實(shí)現(xiàn) 選 擇合適的基元是結(jié)構(gòu)模式識(shí)別的關(guān)鍵 結(jié)構(gòu)模式識(shí)別主要用于文字識(shí)別 遙感圖 形的識(shí)別與分析 紋理圖像的分析中 該方法的特點(diǎn)是識(shí)別方便 能夠反映模式 的結(jié)構(gòu)特征 能描述模式的性質(zhì) 對(duì)圖像畸變的抗干擾能力較強(qiáng) 3 模糊模式識(shí)別1 5 0 4 s 模糊模式識(shí)別方法是利用模糊數(shù)學(xué)中的概念 原理與方法解決分類識(shí)別問 題 這里有很多與普通聚類算法 平行 的方法 它們之間存在某種程度的借鑒 和相似 但又有很大的不同 兩者之間根本性的不同是概念的不同 模糊模式識(shí)別 是將待識(shí)別類 對(duì)象作為模糊集或其元素 然后對(duì)這些模糊集或元素進(jìn)行分類 普通聚類算法是根據(jù)事物間的不同特征 親疏程度和相似性等關(guān)系 直接對(duì)它們 進(jìn)行分類 因此 設(shè)計(jì)人員應(yīng)根據(jù)實(shí)際問題進(jìn)行特征提取或特征變換 將原來普通 意義上的特征值變?yōu)槟：卣?建立模糊集的隸屬度函數(shù) 或建立元素之間的模 糊相似關(guān)系 并確定這個(gè)關(guān)系的隸屬度函數(shù) 相關(guān)程度 然后運(yùn)用相關(guān)的模糊數(shù) 學(xué)的原理方法進(jìn)行分類識(shí)別 同一般的模式識(shí)別方法相比較 模糊模式識(shí)別具有 客體信息表達(dá)更加合理 信息利用充分 各種算法簡單靈巧 識(shí)別穩(wěn)定性好 推 理能力強(qiáng)的特點(diǎn) 4 人工神經(jīng)網(wǎng)絡(luò)模式識(shí)別1 5 9 6 3 1 早在2 0 世紀(jì)5 0 年代 研究人員就開始模擬動(dòng)物神經(jīng)系統(tǒng)的某些功能 他們 采用軟件或硬件的辦法 建立了許多以大量處理單元為節(jié)點(diǎn) 處理單元間實(shí)現(xiàn)互 聯(lián)的拓?fù)渚W(wǎng)絡(luò) 進(jìn)行模擬 稱之為人工神經(jīng)網(wǎng)絡(luò) 這種方法可以看作是對(duì)原始特 征空間進(jìn)行非線性變換 產(chǎn)生一個(gè)新的樣本空間 使得變換后的特征線性可分 同傳統(tǒng)統(tǒng)計(jì)方法相比 其分類器是與概率分布無關(guān)的 人工神經(jīng)網(wǎng)絡(luò)的主要特點(diǎn)在于其具有信息處理的并行性 自組織和自適應(yīng) 性 具有很強(qiáng)的學(xué)習(xí)能力和聯(lián)想功能以及容錯(cuò)性能等 在解決一些復(fù)雜的模式識(shí) 別問題中顯示出其獨(dú)特的優(yōu)勢 人工神經(jīng)網(wǎng)絡(luò)是一種復(fù)雜的非線性映射方法 其 物理意義比較難解釋 在理論上還存在一系列亟待解決的問題 在算法復(fù)雜度方 面 神經(jīng)網(wǎng)絡(luò)計(jì)算復(fù)雜度大 在特征維數(shù)比較高時(shí) 樣本訓(xùn)練時(shí)間比較長 在算 法穩(wěn)定性方面 學(xué)習(xí)過程中容易陷入局部極小 并且存在欠學(xué)習(xí)與過學(xué)習(xí)的現(xiàn)象 4 免疫算法在模式識(shí)別中的應(yīng)用 范化能力不容易控制 這些也是制約人工神經(jīng)網(wǎng)絡(luò)進(jìn)一步發(fā)展的關(guān)鍵問題 5 模板匹配識(shí)別 6 4 6 9 1 模板匹配的原理是選擇已知的對(duì)象作為模板 與圖像中選擇的區(qū)域進(jìn)行比較 從而識(shí)別目標(biāo) 模板匹配依據(jù)模板選擇的不同 可以分為兩類 一類是以某一已知 目標(biāo)為模板 在一幅圖像中進(jìn)行模板匹配 找出與模板相近的區(qū)域 從而識(shí)別圖像 中的物體 如點(diǎn) 線 幾何圖形 文字以及其他物體 另一類是以一幅圖像為模 板 與待處理的圖像進(jìn)行比較 識(shí)別物體的存在和運(yùn)動(dòng)情況 模板匹配的計(jì)算量很 大 相應(yīng)的數(shù)據(jù)的存儲(chǔ)量也很大 而且隨著圖像模板的增大 運(yùn)算量和存儲(chǔ)量以幾 何數(shù)增長 如果圖像和模板大到一定程度 就會(huì)導(dǎo)致計(jì)算機(jī)無法處理 隨之也就失 去了圖像識(shí)別的意義 模板匹配的另一個(gè)缺點(diǎn)是由于匹配的點(diǎn)很多 理論上最終 可以達(dá)到最優(yōu)解 但在實(shí)際中卻很難做到 6 支持向量機(jī)的模式識(shí)別 7 0 7 6 v v a p n i k 提出的支持向量機(jī) s u p p o r tv e c t o rm a c h i n e 即s v m 的基本思想是 先在樣本空間或特征空間 構(gòu)造出最優(yōu)超平面 使得超平面與不同類樣本集之間 的距離最大 從而達(dá)到最大的泛化能力 支持向量機(jī)結(jié)構(gòu)簡單 并且具有全局最 優(yōu)性和較好的泛化能力 自2 0 世紀(jì)9 0 年代中期提出以來得到了廣泛的研究 支 持向量機(jī)方法是求解模式識(shí)別和函數(shù)估計(jì)問題的有效工具 s v m 在數(shù)字圖像處 理方面的應(yīng)用是 尋找圖像像素之間的特征的差別 即從像素點(diǎn)本身的特征和周 圍的環(huán)境 臨近的像素點(diǎn) 出發(fā) 尋找差異 然后將各類像素點(diǎn)區(qū)分出來 1 2 2 現(xiàn)有模式識(shí)別方法存在的一些問題 模式識(shí)別在給人們帶來希望的同時(shí) 我們也應(yīng)看到 由于問題本身的多樣性 和復(fù)雜性 現(xiàn)有的理論和方法離實(shí)際要求還有相當(dāng)距離 一些根本性的問題還有 待進(jìn)一步深入研究 1 特征抽取問題 傳統(tǒng)模式識(shí)別理論的出發(fā)點(diǎn)是認(rèn)為識(shí)別對(duì)象可由一組特 征來描述 因此 特征選取的好壞對(duì)識(shí)別結(jié)果起決定性作用 特征抽取研究存在 的問題是 在理論上缺乏一種統(tǒng)一的能適合各種問題的特征抽取手段 許多情況下要依 賴專家 圖像的特征抽取方法更是如此 解決這一問題 必須探索一種新的 免疫算法在模式識(shí)別中的心用 研究途徑 現(xiàn)在的特征抽取準(zhǔn)則很多 但缺乏一種統(tǒng)一度量標(biāo)準(zhǔn)來評(píng)判各種準(zhǔn)則下特征 抽取方法的優(yōu)劣 因而分類器的設(shè)計(jì)存在一定的盲目性 特征空間維數(shù) 樣本容量 分類器識(shí)別率之間關(guān)系的研究大多只局限于實(shí)驗(yàn) 數(shù)據(jù) 還沒有完全從理論上加以解決 2 結(jié)構(gòu)識(shí)別問題 在結(jié)構(gòu)模式識(shí)別方法中 認(rèn)為模式是由一些基本結(jié)構(gòu)特 征 稱為基元 按某種相互關(guān)系組成的 其組成方式可用一個(gè)字符串 一個(gè)樹或一 個(gè)圖來表示 其中句法分析方法研究得較深入 并在波形分析 染色體識(shí)別等方 面有很好的應(yīng)用 有一些學(xué)者曾提出過把統(tǒng)計(jì)法和結(jié)構(gòu)法結(jié)合起來的思想 但多 數(shù)停留在分工組合上 尚沒有一種把兩者有機(jī)的融合在一起的方法 沒有有效的 基元協(xié)作的機(jī)制 所以如何發(fā)揮結(jié)構(gòu)識(shí)別的作用 研究的成果不多 3 基于連續(xù)邏輯的模糊模式識(shí)別是用隸屬度作為模式之間相似度的度量 雖然能反映模式整體與主要特性 有相當(dāng)程度的抗干擾和畸變能力 但準(zhǔn)確合理 的隸屬度函數(shù)往往難以建立 所以 限制了它的應(yīng)用 4 基于神經(jīng)網(wǎng)絡(luò)的模式識(shí)別在許多場合得到了應(yīng)用 但是需要較多的訓(xùn)練 樣本及訓(xùn)練時(shí)間 并且沒有充分的利用模式的先驗(yàn)知識(shí) 方法 1 4 屬于自下而上的過程 方法 2 3 屬于自上而下的過程 傳統(tǒng)的做 法是獨(dú)立研究這兩個(gè)過程 對(duì)人的模式識(shí)別能力的研究表明 模式識(shí)別活動(dòng)在很 大程度上是自下而上和自上而下兩種過程的統(tǒng)一 1 3 論文研究的內(nèi)容 本文就模式識(shí)別存在的問題中 引入了人工免疫系統(tǒng) 著重討論了人工免疫 系統(tǒng)設(shè)計(jì)的一般步驟 人工免疫算法的優(yōu)化改進(jìn) 人工免疫算法在模式識(shí)別中的 應(yīng)用 人工免疫算法與其他一些主要模式識(shí)別方法的比較研究 研究的主要內(nèi)容及解決關(guān)鍵技術(shù)問題是 1 首先深入分析比較了傳統(tǒng)模式識(shí)別方法 總結(jié)了傳統(tǒng)模式識(shí)別方法的識(shí)別框 架 最后指出一些傳統(tǒng)模式識(shí)別方法存在的一些缺陷 2 接著分析了免疫算法的仿生機(jī)制 總結(jié)了基于群體免疫算法 基于網(wǎng)絡(luò)免疫 算法 針對(duì)目標(biāo)識(shí)別中處理數(shù)據(jù)量大的現(xiàn)狀 根據(jù)生物免疫系統(tǒng)具有分布式 6 免疫算法在模式識(shí)別中的應(yīng)用 克隆及高頻變異特性 對(duì)算法進(jìn)行了優(yōu)化改進(jìn) 3 針對(duì)現(xiàn)有模式識(shí)別中遇到的問題以及現(xiàn)有技術(shù)的不足 提出了利用免疫算法 解決模式識(shí)別中存在的這些不足 本文先后采用基于群體的克隆選擇算法進(jìn) 行數(shù)字識(shí)別 取得良好的效果 接著利用人工免疫網(wǎng)絡(luò)理論來建立無監(jiān)督模 式識(shí)別模型 在無對(duì)象模型和先驗(yàn)知識(shí)的情況下 根據(jù)現(xiàn)有數(shù)據(jù)本身來構(gòu)建 識(shí)別對(duì)象的規(guī)則模型 建立了模式識(shí)別的基本網(wǎng)絡(luò)模型 并對(duì)模型的識(shí)別能 力進(jìn)行評(píng)估 1 4 論文的研究意義 本文首先介紹了模式識(shí)別相關(guān)知識(shí)及現(xiàn)有模式識(shí)別方法 隨后在綜合分 析生物免疫機(jī)制的基礎(chǔ)上 引出了人工免疫系統(tǒng)的概念 并對(duì)其面臨的挑戰(zhàn) 進(jìn)行了詳細(xì)探討 在分析模式識(shí)別方法及其應(yīng)用領(lǐng)域和研究現(xiàn)狀的基礎(chǔ)上 論文嘗試提出將人工免疫算法應(yīng)用于模式識(shí)別中 使識(shí)別準(zhǔn)確率及效率得到 提高 最后 用實(shí)驗(yàn)驗(yàn)證了人工免疫算法在模式識(shí)別中的有效性證明其在模 式識(shí)別方面有一定的使用價(jià)值 1 5 論文的組織結(jié)構(gòu) 全文的組織結(jié)構(gòu)安排如下 第1 章緒論 論述選題的研究現(xiàn)狀 意義和內(nèi)容 第2 章免疫理論的生物學(xué)基礎(chǔ)及人工免疫系統(tǒng)概述 介紹了人工免疫系統(tǒng) 的思想源泉一生物免疫系統(tǒng) 結(jié)合本文需要探討的算法 深入介紹了生物免疫系 統(tǒng)的組成 功能 特點(diǎn)及免疫原理 最后研究了人工免疫系統(tǒng)的框架 第3 章人工免疫算法的原理及算法改進(jìn) 對(duì)現(xiàn)有人工免疫算法進(jìn)了比較分 析研究 提出了設(shè)計(jì)免疫算法的基本步驟和免疫框架 分別針對(duì)基于群體的免疫 算法與基于網(wǎng)絡(luò)的免疫算法進(jìn)行深入討論 對(duì)基于網(wǎng)絡(luò)的r l a i s 進(jìn)行了優(yōu)化設(shè)計(jì) 及實(shí)現(xiàn) 第4 章基于群體的免疫算法在模式識(shí)別中的應(yīng)用 討論了基于群體的免疫 算法在模式識(shí)別中的應(yīng)用 并以數(shù)字識(shí)別為例進(jìn)行實(shí)驗(yàn) 并討論了實(shí)驗(yàn)結(jié)果及參 數(shù)選擇 7 免疫算法在模式識(shí)別中的廊用 第5 章基于網(wǎng)絡(luò)的免疫算法在模式識(shí)別中的應(yīng)用 討論了基于網(wǎng)絡(luò)的免疫 算法在模式識(shí)別中的應(yīng)用 第6 章總結(jié)與展望 總結(jié)己做的研究工作 展望未來 提出了今后的工作 方向 8 免疫算法在模式識(shí)別中的應(yīng)用 第2 章免疫理論的生物學(xué)基礎(chǔ)及人工免疫系統(tǒng)概述 2 1 生物免疫系統(tǒng)介紹 2 1 1 免疫系統(tǒng)的分類 免疫系統(tǒng)是由免疫活性分子 免疫細(xì)胞 免疫組織和器官組成的復(fù)雜系統(tǒng) 人體有兩層具有內(nèi)在聯(lián)系的防御異物入侵系統(tǒng) 一種是固有免疫系統(tǒng) 另一種是 自適應(yīng)性免疫系統(tǒng) 1 固有免疫系統(tǒng) 固有免疫系統(tǒng)由補(bǔ)體 內(nèi)吞作用系統(tǒng)和噬菌細(xì)胞組成 該系統(tǒng)有辨別一定微 生物或細(xì)菌并很快消滅它們的能力 固有免疫識(shí)別最重要的方面是它誘導(dǎo)抗原提 呈細(xì)胞中的協(xié)同刺激信號(hào)的表達(dá) 這種信號(hào)會(huì)激活t 細(xì)胞 促使適應(yīng)性免疫應(yīng) 答產(chǎn)生 這樣 沒有固有免疫識(shí)別的適應(yīng)性免疫識(shí)別會(huì)導(dǎo)致淋巴細(xì)胞的陰性選擇 這些陰性選擇表示與適應(yīng)性免疫識(shí)別有關(guān)的受體 2 自適應(yīng)免疫系統(tǒng) 自適應(yīng)免疫系統(tǒng)也稱適應(yīng)性免疫系統(tǒng) 使用兩種類型的淋巴細(xì)胞 t 細(xì)胞和b 細(xì)胞 這兩種細(xì)胞是無性系劃分的體細(xì)胞分裂產(chǎn)生的抗原受體 這些抗原受體通 過隨機(jī)過程產(chǎn)生 而自適應(yīng)免疫系統(tǒng)一般性能的設(shè)計(jì)和形成是在淋巴細(xì)胞的克隆 選擇基礎(chǔ)上進(jìn)行的 這些淋巴細(xì)胞以精確的特異性表示抗體 抗體在自適應(yīng)免疫 系統(tǒng)中扮演主要角色 自適應(yīng)免疫是指抗體能夠識(shí)別任何微生物并對(duì)其反應(yīng) 即 使對(duì)以前從未遇到過的 入侵者 也一樣 自適應(yīng)免疫能夠完成固有免疫系統(tǒng)不 能完成的免疫功能 清除固有免疫系統(tǒng)不能清除的病原體 自適應(yīng)免疫系統(tǒng)直接 作用于一些特定的病原體 一旦抗原體進(jìn)入身體 固有免疫系統(tǒng)和自適應(yīng)免疫系 統(tǒng)就開始處理 此時(shí)兩個(gè)系統(tǒng)的細(xì)胞都由多種細(xì)胞和分子以復(fù)雜的方式交互作用 來檢測和消除病原體 檢測和消除都依賴化學(xué)結(jié)合 免疫細(xì)胞表面都覆蓋不同受 體 其中的一些結(jié)合病原體 而另一些結(jié)合其他免疫系統(tǒng)細(xì)胞或者分子 使系統(tǒng) 發(fā)信號(hào)觸發(fā)免疫應(yīng)答 9 免疫算法在模式識(shí)別中的心用 2 1 2 免疫系統(tǒng)的基本概念 現(xiàn)代免疫學(xué)認(rèn)為 人體內(nèi)存在一個(gè)負(fù)責(zé)免疫功能的完整解剖系統(tǒng) 即免疫系 統(tǒng) 與神經(jīng)系統(tǒng)和內(nèi)分泌系統(tǒng)等一樣 這個(gè)系統(tǒng)有著自身的運(yùn)行機(jī)制 并可與其 他系統(tǒng)相互配合 相互制約 共同維持機(jī)體在生命過程中的生理平衡 人體免疫系統(tǒng)是由免疫分子 免疫細(xì)胞 免疫組織和免疫器官組成的復(fù)雜系 統(tǒng) 這個(gè)系統(tǒng)主要表現(xiàn)為以下幾種生理功能 1 免疫防御 i m m u n o l o g i c a ld e f e n s e 指機(jī)體排斥外源性抗原異物的能力 這 個(gè)系統(tǒng)以自凈 不受外來物質(zhì)干擾和保持物種純潔的生理機(jī)制 這種功能一是抗 感染 即傳統(tǒng)的免疫概念 二是排斥異種或同種異體的細(xì)胞和器官 這是器官移 植需要克服的主要障礙 這種能力低下時(shí) 機(jī)體易出現(xiàn)免疫缺陷病 而過高時(shí)易 出現(xiàn)超敏反應(yīng)性損傷 2 免疫自穩(wěn) i m m u n o l o g i c a lh o m e o s t a s i s 指機(jī)體識(shí)別和清除自身衰老殘損的 組織 細(xì)胞的能力 這是機(jī)體籍以維持正常內(nèi)環(huán)境穩(wěn)定的重要機(jī)制 這種自身穩(wěn) 定功能失調(diào)時(shí) 易導(dǎo)致某些生理平衡的紊亂或者自身免疫疾病 3 免疫監(jiān)視 i m m u n o l o g i c a ls u r v e i l l a n c e 指機(jī)體殺傷和清除異常突變細(xì)胞的 能力 機(jī)體藉以監(jiān)視和抑制惡性腫瘤中體內(nèi)生長 一旦功能低下 宿主易患惡性 腫瘤 2 1 3 免疫系統(tǒng)的基本機(jī)制 一 免疫應(yīng)答機(jī)制 免疫系統(tǒng)有兩種免疫應(yīng)答類型 一種是遇病原體后 首先并迅速起防衛(wèi)作用 的稱為固有性免疫應(yīng)答 另一種是適應(yīng)性免疫應(yīng)答 固有免疫應(yīng)答中 執(zhí)行固有 免疫功能的有皮膚和粘膜的物理阻擋作用及局部細(xì)胞分泌的抑菌 殺菌物質(zhì)的化 學(xué)作用等 固有免疫在感染早期執(zhí)行防衛(wèi)功能 適應(yīng)性免疫應(yīng)答是t 及b 細(xì)胞 對(duì)特性抗原的應(yīng)答過程 故又稱為抗原特異性免疫應(yīng)答 鑒于t 及b 細(xì)胞在遇 到抗原前并不表達(dá)功能 只有在被抗原活化后 經(jīng)擴(kuò)增 分化 發(fā)育及效應(yīng)細(xì)胞 才具有免疫功能后 因而又稱為特異獲得性免疫 具體又分為兩種類型 初次及 二次免疫應(yīng)答 1 0 免疫算法在模式識(shí)別中的心用 初次免疫應(yīng)答 初次免疫應(yīng)答發(fā)生在免疫系統(tǒng)遭遇某種病原體第一次入侵時(shí) 此時(shí)免疫系統(tǒng)對(duì)感染產(chǎn)生大量抗體 幫助清除體內(nèi)抗原 自適應(yīng)免疫系統(tǒng)能夠?qū)W 習(xí)和記憶特異種類的病原體 初次應(yīng)答是對(duì)以勤為見過的病原體的應(yīng)答過程 初 次應(yīng)答學(xué)習(xí)過程很慢 需要較長的時(shí)間來清除感染 二次免疫應(yīng)答 在初次免疫應(yīng)答后 免疫系統(tǒng)首次遭遇異體物質(zhì)并將其清除體 外 但免疫系統(tǒng)中仍保留一定數(shù)量的b 細(xì)胞作為免疫記憶細(xì)胞 這使得免疫系 統(tǒng)能夠在再次遭遇異物后仍能快速反應(yīng)并反擊抗原 這個(gè)過程稱為二次免疫應(yīng) 答 二次應(yīng)答更迅速 無須重新學(xué)習(xí) 二 免疫識(shí)別 在免疫系統(tǒng)中 從模式識(shí)別角度來看 抗原決定基和抗體決定基本上是使免 疫系統(tǒng)完成模式識(shí)別的任務(wù) b 和t 細(xì)胞最重要的特征是在它們的細(xì)胞膜表面都 有能夠辨識(shí)抗原的受體分子 抗原本身并不是侵入的微觀組織 它們是包含在微 觀組織內(nèi)的多膚 寡糖及脂質(zhì)酸等小分子或者酶一類的有機(jī)物 因而有不同的抗 原性 其化學(xué)成分不同于宿主細(xì)胞自身的化學(xué)組成 能被t 及b 細(xì)胞識(shí)別 一 個(gè)t 及b 細(xì)胞只表達(dá)一種t c r 或b c r 只能特異性地識(shí)別并結(jié)合一種抗原分子 以t 及b 細(xì)胞對(duì)抗原具有嚴(yán)格的特異性 而在t 及b 細(xì)胞的整個(gè)群體中 則能 識(shí)別各種各樣的抗原分子 b 細(xì)胞抗體或t 細(xì)胞受體能識(shí)別一個(gè)抗原的不同特征 b 細(xì)胞受體與出現(xiàn)在 完整的抗原分子上的抗原決定基相互作用 抗原分子可以是溶解的或者束縛在一 個(gè)表面上 t 細(xì)胞受體只與細(xì)胞表面的分子相互作用 t 細(xì)胞分泌能夠殺死或者 促進(jìn)其他細(xì)胞生長的化學(xué)物質(zhì) 在調(diào)節(jié)免疫應(yīng)答中起重要作用 通過識(shí)別一個(gè)細(xì) 胞表面分子 t 細(xì)胞必須確認(rèn)它是否與另一個(gè)細(xì)胞相互作用 而不是一個(gè)可溶解 的分子 三 克隆選擇和擴(kuò)增 1 克隆選擇原理 b u m e t 于1 9 5 9 年提出克隆選擇學(xué)說 該學(xué)說認(rèn)為 免疫 細(xì)胞是隨機(jī)形成的多樣性的細(xì)胞克隆 每一個(gè)克隆的細(xì)胞表達(dá)同一特異性的受 體 當(dāng)受a g 刺激 細(xì)部表面受體特異識(shí)別并結(jié)合a g 導(dǎo)致細(xì)胞進(jìn)行克隆擴(kuò)增 產(chǎn)生大量后代細(xì)胞 合成大量相同特異性抗體 克隆選擇原理的基本思想是只有那些能夠識(shí)別抗原的細(xì)胞才進(jìn)行擴(kuò)增 只有 免疫算法在模 識(shí)別中的應(yīng)用 這些細(xì)胞才能被免疫系統(tǒng)選擇并保留下來 而那些不能識(shí)別抗原的細(xì)胞則不被選 擇 也不進(jìn)行擴(kuò)增 t 細(xì)胞和b 細(xì)胞都能夠進(jìn)行克隆選擇 克隆選擇理論的主要特征是 新細(xì)胞是父代的 拷貝 受制于高速率 體細(xì)胞高頻變異 的成熟機(jī)制 清 除新分化的載有自體反應(yīng)受體的淋巴細(xì)胞 增殖和分化與成熟細(xì)胞和抗原有聯(lián) 系 禁止克隆的持續(xù) 對(duì)早期自體抗原的清除是自身免疫疾病的基礎(chǔ) 2 陰性選擇 淋巴細(xì)胞的陰性選擇描述這樣一個(gè)過程 淋巴細(xì)胞抗原相互 作用導(dǎo)致該淋巴細(xì)胞的死亡 來自指令系統(tǒng)的一小部分細(xì)胞會(huì)被抗原識(shí)別 抗原 被克隆選擇激活 自體特異抗原可以通過細(xì)胞凋亡或者無反應(yīng)力使有問題的淋巴 細(xì)胞受到抑制 如果a g 濃度或者它的淋巴細(xì)胞親和力很低 細(xì)胞可以保持不受 影響 未成熟t 細(xì)胞在胸腺中發(fā)展 如果在發(fā)展期間被激活 它們因程序細(xì)胞死 亡而死亡 更多的自體蛋白質(zhì)在胸腺中表達(dá) 所以存活的t 細(xì)胞繼續(xù)發(fā)育成熟 并離開胸腺 對(duì)所有那些自體蛋白質(zhì)耐受 該過程稱為t 細(xì)胞陰性選擇 因?yàn)?未激活的t 細(xì)胞才存活 3 克隆擴(kuò)增 抗體的數(shù)量通過免疫系統(tǒng)產(chǎn)生大量b 細(xì)胞而增加 這個(gè)產(chǎn)生 大量b 細(xì)胞的過程稱為克隆擴(kuò)增 b 細(xì)胞表達(dá)的b c r 可直接識(shí)別并特異結(jié)合抗 原分子而活化 在b 細(xì)胞生長因子的作用下細(xì)胞進(jìn)行擴(kuò)增 導(dǎo)致克隆擴(kuò)增 即 由表達(dá)一種b c r 的一個(gè)b 細(xì)胞分裂產(chǎn)生很多后代b 細(xì)胞 它們均表達(dá)同一種 b c r 當(dāng)b 細(xì)胞克隆擴(kuò)增時(shí) 它經(jīng)歷一個(gè)自我復(fù)制超變異隨機(jī)過程 免疫系統(tǒng) 此時(shí)產(chǎn)生廣泛抗體指令從體內(nèi)清除感染的抗原 并為抵制下次某個(gè)時(shí)候類似但不 同的感染做好準(zhǔn)備 抗原促進(jìn)一個(gè)b 細(xì)胞的成長和分化 一些細(xì)胞產(chǎn)生自由抗 體 在某些情況下 克隆是通過細(xì)部變異形式完成的 這一機(jī)制使免疫系統(tǒng)具有 自適應(yīng)性 也就是通過調(diào)整特殊的變異機(jī)制產(chǎn)生抗體分子基因密碼變異 通過產(chǎn) 生不同的b 細(xì)胞集合和由此產(chǎn)生的抗體 以及b 細(xì)胞在免疫系統(tǒng)中的存留的記 憶細(xì)胞 免疫系統(tǒng)可以在以后對(duì)抗同樣的或者類似的病原體入侵感染 四 免疫記憶 淋巴細(xì)胞除了擴(kuò)增或者分化成漿細(xì)胞以外 也能夠分化成生命期較長的b 記憶細(xì)胞 記憶細(xì)胞通過血液 淋巴和組織液來循環(huán) 可能不產(chǎn)生抗體 不直接 免疫算法在模式識(shí)別中的應(yīng)用 執(zhí)行效應(yīng)功能 但是在再次遇到相同抗原后 為清除己經(jīng)刺激初次應(yīng)答的相同特 異抗原 將預(yù)先被免疫系統(tǒng)選擇出來 迅速活化 增殖 分化為效應(yīng)細(xì)胞 產(chǎn)生 高親和力抗體 執(zhí)行高效而持久的免疫功能 通過克隆選擇 識(shí)別抗原的克隆細(xì) 胞成長 而不識(shí)別抗原的細(xì)胞死亡 這樣 在指令系統(tǒng)中出現(xiàn)偏差 表明對(duì)抗原 環(huán)境的學(xué)習(xí) 免疫系統(tǒng)需要多樣性 它們需要表達(dá)指令系統(tǒng)中的偏差來表示抗原 當(dāng)偏差在一個(gè)特殊個(gè)體的生命周期中發(fā)展 免疫學(xué)家稱之為學(xué)習(xí) 如果特殊的偏 差長時(shí)間保持 則成為記憶 免疫系統(tǒng)具有適應(yīng)性應(yīng)答 成功的免疫應(yīng)答導(dǎo)致記 憶b 細(xì)胞分裂增生 記憶b 細(xì)胞對(duì)以前遇到過的抗原具有高于平均親和力的親 和力 這些記憶細(xì)胞中的信息編碼組成免疫系統(tǒng)記憶 使它能學(xué)習(xí)蛋白質(zhì)結(jié)構(gòu) 并記憶那些結(jié)構(gòu) 這樣未來對(duì)這些同樣病原體的應(yīng)答會(huì)更迅速和有效率 稱為基 于記憶檢測 因?yàn)槊庖呦到y(tǒng)記住己知病原體的結(jié)構(gòu) 使未來應(yīng)答更容易 基于記 憶檢測系統(tǒng)在非自體子集上訓(xùn)練檢測那個(gè)子集的特殊元素 當(dāng)免疫系統(tǒng)遇到以前 未遇到的病原體類型時(shí) 它產(chǎn)生初次免疫應(yīng)答 會(huì)用較長的時(shí)間來消除感染 在 初次應(yīng)答期間 免疫系統(tǒng)學(xué)習(xí)識(shí)別以前未見到的外部模式 當(dāng)免疫系統(tǒng)頻繁地遇 到同類型病原體時(shí) 它產(chǎn)生二次應(yīng)答 通常效率非常高 以至沒有再次感染的臨 床跡象 2 1 4 生物免疫系統(tǒng)的基本特征 生物免疫系統(tǒng)的最大特點(diǎn)是免疫記憶 抗體的自我識(shí)別能力和免疫多樣性 免疫系統(tǒng)分析和學(xué)習(xí)進(jìn)入體內(nèi)的外在物質(zhì) 并且同時(shí)產(chǎn)生抗體來消滅入侵的抗 原 從信息處理角度來看 免疫系統(tǒng)具有以下的特征 耐受性 學(xué)習(xí)與認(rèn)知 分 布性 魯棒性和適應(yīng)性 免疫反饋和自組織等 免疫耐受是指免疫活性細(xì)胞接觸抗原物質(zhì)時(shí)所表現(xiàn)出來的一種特異性的無 應(yīng)答狀態(tài) as t a t eo fs p e c i f i cu n r e s p o n s i v e n e s s 它是免疫應(yīng)答的一種重要類型 外 來的或自身的抗原均可誘導(dǎo)免疫耐受 免疫學(xué)習(xí)是指系統(tǒng)能夠通過某種過程而改進(jìn)它的過程 而認(rèn)知能力包括對(duì)自 體的識(shí)別和對(duì)外來物質(zhì)的識(shí)別 免疫系統(tǒng)具有學(xué)習(xí)和認(rèn)知的能力 系統(tǒng)能夠?qū)W習(xí) 抗原的結(jié)構(gòu) 將來同一抗原再次出現(xiàn)時(shí) 反應(yīng)會(huì)更快更強(qiáng)烈 免疫系統(tǒng)對(duì)新事物 具有出色的學(xué)習(xí)能力 能夠利用復(fù)雜模式匹配和自組織網(wǎng)絡(luò)結(jié)構(gòu)支持所遇到的事 免疫算法柏 模式識(shí)別中的應(yīng)用 物的記憶 免疫系統(tǒng)由局部相互作用的基本單元組成來提供全局的保護(hù) 沒有集中控 制 由于工作載荷分布在不同的多個(gè)工作單元上 系統(tǒng)的工作效率得到有效提高 同時(shí) 其分布式特性還可以減少由局部工作單元失效所引起的對(duì)系統(tǒng)整體的影 響 免疫系統(tǒng)強(qiáng)大的學(xué)習(xí)能力使之成為隨環(huán)境改變而不斷完善的一個(gè)自適應(yīng)魯 棒進(jìn)化系統(tǒng) 魯棒性是免疫系統(tǒng)具有多樣性 分布性 動(dòng)態(tài)性和容錯(cuò)性的結(jié)果 免疫系統(tǒng)具有多樣性 擁有完善自成體系的免疫器官 免疫細(xì)胞 免疫分子 淋 巴結(jié)遍布全身 系統(tǒng)擁有從免疫應(yīng)答到免疫反饋的免疫機(jī)制 具有免疫記憶功能 免疫系統(tǒng)中 抗體的數(shù)目遠(yuǎn)低于外部抗原的數(shù)目 但由于免疫細(xì)胞經(jīng)歷快速 的新陳代謝并伴隨高頻的變異機(jī)制 在一段時(shí)間內(nèi) 免疫系統(tǒng)仍然具有龐大的抗 體種類 并隨即均勻分布在整個(gè)抗原空間中 進(jìn)而覆蓋整個(gè)抗原空間 完成對(duì)所 有抗原的識(shí)別 2 1 5 生物免疫系統(tǒng)的工作原理 免疫系統(tǒng)是抗擊病源入侵的首要防御系統(tǒng) 包括許多補(bǔ)體種類的免疫細(xì)胞及 制造這些免疫細(xì)胞的免疫器官 為數(shù)最多的免疫細(xì)胞是淋巴細(xì)胞 它主要包括b 細(xì)胞和t 細(xì)胞 除了淋巴細(xì)胞外 還有其他種類的免疫細(xì)胞在免疫系統(tǒng)中發(fā)揮 著不可忽視的作用 能被t 細(xì)胞及b 細(xì)胞識(shí)別并刺激t 及b 細(xì)胞進(jìn)行特異性應(yīng) 答的病原體 稱為抗原 在骨髓中的b 細(xì)胞和在胸腺中的t 細(xì)胞從不活躍 未 成熟經(jīng)自體耐受發(fā)展成為成熟的免疫細(xì)胞 一旦人體受到有關(guān)攻擊時(shí) 迅速產(chǎn)生 免疫應(yīng)答 巨噬細(xì)胞等特異提呈細(xì)胞立即攝取消化病原體 把它們分解在細(xì)胞表 面展示出來 形成m h c 分子 m h c 分子激活成熟t 細(xì)胞 將病原體抗原提呈 給t 細(xì)胞識(shí)別 t 細(xì)胞識(shí)別特異抗原后 一方面t 細(xì)胞復(fù)制并激活殺傷t 細(xì)胞 殺傷t 細(xì)胞殺死任何被特異抗原感染的細(xì)胞 另一方面通過輔助t 細(xì)胞 th e l p e r c e l l t h 激活b 細(xì)胞 激活后的b 細(xì)胞識(shí)別特異抗原 并克隆擴(kuò)增分化為漿細(xì) 胞形成抗體 抗體與抗原結(jié)合 通過兩種方式殺死抗原 與補(bǔ)體系統(tǒng)形成復(fù)合物 或直接帶至吞噬細(xì)胞被吞噬 其中巨噬細(xì)胞 是可以吞噬外來物的大細(xì)胞 通常 在消滅抗原的過程中 巨噬細(xì)胞最先對(duì)病原體發(fā)動(dòng)攻勢 又最后離開 b 細(xì)胞 1 4 免疫算法在模式識(shí)別中的應(yīng)用 t 細(xì)胞中從未成熟到成熟期間 將經(jīng)歷字體耐受 在識(shí)別殺死抗原后將形成免疫 記憶 產(chǎn)生免疫反饋 免疫過程主要經(jīng)歷三個(gè)階段 自體耐受 免疫應(yīng)答 免疫 反饋 2 2 人工免疫系統(tǒng)概述 生物免疫系統(tǒng)具有良好的多樣性 耐受性 免疫記憶 分布式并行處理 自 組織 自學(xué)習(xí) 自適應(yīng)和魯棒性等特點(diǎn) 這些誘人的特性 近年來引起了眾多專 家學(xué)者的普遍關(guān)注 人工免疫系統(tǒng) a r t i f i c i a li m m u n es y s t e m a i s 是吸取了生物 免疫特性 人工免疫方法以及計(jì)算機(jī)算法理論等思想而構(gòu)建的系統(tǒng) 它是利用計(jì) 算機(jī)科學(xué)技術(shù) 研究有關(guān)人工免疫的理論 規(guī)則 算法 模型等 并將這些研究 成果應(yīng)用于具體的應(yīng)用系統(tǒng)中 解決實(shí)際的應(yīng)用課題 2 3 本章小結(jié) 本章主要目的是對(duì)生物免疫系統(tǒng)的基本概念和重要特性進(jìn)行簡單地描述和 解釋 以便于明確后面所提到的相關(guān)概念和術(shù)語的含義 同時(shí)