《基于人工免疫的多agent识别器模型及其应用》由会员分享，可在线阅读，更多相关《基于人工免疫的多agent识别器模型及其应用（5页珍藏版）》请在金锄头文库上搜索。
1、2 0 0 5 中国控制与决簟学术年会论文集P r o c e e d i n g so f2 0 0 5C h i n e s eC o n t r o la n dD e c i s i o nC o n f e r e n c e1 2 0 7基于人工免疫的多a g e n t 识别器模型及其应用周颖。2 ，裘之亮1 ，郑德玲2 ，杨鹏1( 1 河北工业大学电气与自动化学院，天津3 0 0 13 0 ；2 北京科技大学信息工程学院，北京1 0 0 0 8 3 )摘要：建立了一种新的免疫a g e n t 乡识别嚣模型，在谖模型中每一个a g e n t 识别嚣就是一个免疫R B F 神经
2、网络模型，免疫R B F 神经网络模型中输入数据作为抗原，抗体为抗原的压缩聚类映射作为径向基函数神经网络模型的酶层中心，输出采用最小二乘法璃定权值；每一十a g e n t 识别嚣能够识剐一种类型或相似类型的抗原，誊识到器协同工作带来更多信息得到更佳结果；该模型具有分布性、健壮性、适应性等特点关擅词：人工免疫；R B F 神经网络；免疫a g e n t ；多识别器M u l t i - a g e n td e t e c t o rm o d e lb a s e da r t i f i c i a li m m u n ea n di t sa p p l i c a t i o nZ
3、 t t O UY i n 9 1 “，Q I UZ h i l i a n 9 1 ，Z H E N GD e l i n 9 2 ，Y A N GP e n 9 1( j S c h o o lo fE l e c t r i c a lE n g i n e e r i n ga n dA u t o m a t i o n ，H e b e iU n i v e r s i t yo fT e c h n o l o g y ，T i a n ) i n3 0 0 1 3 0 C h i n a2 I n f o r m a t i o nE n g i n e e r i n gS
4、c h o o l B e i j i n gU n i v e r s i t yo fS c i e n c ea n dT e c h n o l o g y ，B e i j i n g1 0 0 0 8 3 C h i n a -C o r r e s p o n d e n t ：Z H O UY i n g ，E m a i l | z h o u y i n g q o b b s o h u c o r n )A b s t r a c t ：An o v e li m m u n ea g e n t sm u l t i - d e t e c t o rm o d e
5、li sp r o p o s e di nt h i sp a p e r I nt h em o d e l ，e a c ha g e n td e t e c t o ri sa ni m m u n eR B Fn e u r a ln e t w o r km o d e l I nt h ei m m u n eR B Fn e u r a ln e t w o r km o d e l ，i n p u td a t aa r er e g a r d e da sa n t i g e n sa n dt h ec o m p r e s s i o nc l u s t e
6、 rm a p p i n g so fa n t i g e n sa sa n t i b o d i e s ，i e t h eh i d d e nl a y e rc e n t e r s ，s a dt h ew e i g h t so ft h eo u t p u tl a y e rc a nb ed e t e r m i n e db yu s i n gl e a s ts q u a r e sa l g o r i t h m ，I nt h ei m m u n ea g e n t sm u l t i d e t e c t o rm o d e l ，
7、e a c hr e c o g n i t i o ns u b s y s t e mp o s s e s s e sr e s p e c t i v ed i f f e r e n td e t e c t o r sa n de a c ha g e n td e t e c t o rc a nr e c o g n i z eas o r to fa n t i g e n so i “ s i m i l a ra n t i g e n s s oY l l o Y ei n f o r m a t i o nc a nb eg a t h e r e d A f t e
8、 rs y n t h e s i z i n ga l li n f o r m a t i o n ab e t i e rr e s u l tc a nb ea c h i e v e d T h em o d e lh a st h ec h a r a c t e r i s t i c so fd i s t r i b u t i o n ，r o b u s t n e s sa n da d a p t a b i l i t y K e yw o r d s ：a r t i f i c i a li m m u n e ；R B Fn e u r a ln e t w
9、o r k Ii m m u n ea g e n t m u l t i d e t e c t o r1 引言免疫系统( I m m u n es y s t e m ) 是生物，特别是脊椎动物和人类所必备的防御系统它是由分布于人体各处的具有免疫功能的器官、组织、细胞、免疫效应分子及有关的基因等组成。其主要作用是通过骨髓不断产生新B 细胞去识别并清除从体外入侵的病原体及其产生的毒素和体内困基因突变产生的肿瘤细胞，实现免疫防御功能o 它是一个复杂的自适应系统，不依靠任何中心控制，具有分布式任务处理能力本文对生物免疫系统进行进一步研究的基础上，发现具有免疫功能的a g e n t 和机体的免疫
10、细胞非常相似口 ，因此抽取免疫系统的这一信息处理机制，本文建立了一种新的免疫a g e n t 多识别器模型每一个a g e n t 识别器就是一个免疫径向基函数( R a d i a lB a s i sF u n c t i o n ，简称R B F ) 神经网络模型，能够识别一种类型或相似类型的抗原，单识别器具有学习、记忆以及维持自平衡等行为特征，多识别器协同更具有识别多样性抗原的能力，带来更多信息，得到更佳结果 2 基于人工免疫的R B F 神经网络模型 本文利用免疫原理确定R B F 网络隐层中心点形成一种新型的免疫R B F 神经网络模型如图1 该模型中，网络的输人数据作为抗原，R
11、 B F 网络隐层中心点作为抗体，隐层中心C 通过对输人数据的免疫识别形成对输人数据的一个非线性压缩映射，：作者筒介：周颖( 1 9 7 1 一) ，女 可北人。讲师，博士生，从事智能控制、人工免疫等研究1 2 0 82 0 0 5 中国控制与央策学术年会论文集X c ，具体步骤如下：1 ) 亲和力的计算首先，随机产生m 个数据中心作为初始抗体，对每一个输入数据X ( 抗原) 。计算所有R B F 数据中心与x 。的亲和力“在免疫系统中，抗原、抗体相互识别通过它们结合的亲和力来表示在本文第 k 个输人数据咒。与第i 个数据中心e 。之间的亲和力定义为d 。( 0 d “1 )一，1 1x 盐一
12、c l p1 1m 。1 一面习南毫玎 1 馨爿矗= 1 ，2 ，N ，( 1 )式中I ! x 。一G ，I | 表示两个向量的范数2 ) 克隆选择和变异在中心点与输入数据的亲和力中，选出一个亲和力较大的中心进行克隆，亲和力越大，克隆的中心数量也越多，对于m 个中心，所产生的克隆总数有以下公式确定N ，一芝：r o u n d ( 4 ，) ( 2 )克隆细胞伴随着高变异率要经历突变过程，从而使得新产生的细胞与所选择的抗原以更高的亲和力相匹配本文中采用如下进化变异，增强中心对于输入的识别能力C ；= C 十一( 1 一e 一“一q “) ( C 十一X o ) ( 3 )这一过程体现了免疫系
13、统的强大的多样性识别能力3 ) 抗体抑制本文同理定义第i 个数据中心C - 与第J 个数据中心q ，之间的相似度描述为s o ( 0 q 1 )畸= ，一盐蹒，j 融 = 1 ，2 ，槲， j 一1 ，2 ，m“c 。与c ”之间的距离越小，表示两个向量越相似，当c 。与C ，之间的距离达到最大时，即l I G ，一C 肛I l I I c ：，一c 挣l I 一，相似度j 。= o 中心点在不断的克隆变异中数量增多，同类中心点将影响免疫进化效果，因此，相似的中心点会相互抑制，中心点越相似，它们的亲和力越大，刺激和抑制作用越强抑制阈值根据下式选取啪 一二= 王= L 一，E 、m ( m 一1
14、 ) 2 其中：5 ；，为中心与中心的相似度；m 为中心点的总个数抑制后的中心与中心之间保持一定的距离4 ) 免疫更新在对输入数据学习的过程中，亲和力低的中心由于得不到重视会最终死亡模拟免疫系统群体更新的过程，再随机产生一部分新中心点加人中心群中，这一过程体现了免疫系统中的代谢功能，即加入新产生的B 淋巴细胞并清除无用的B 淋巴细胞5 ) 抗体记忆免疫记忆是免疫系统增强学习特性的重要机制在中心点对输入数据的学习过程中，通过克隆变异、亲和力成熟和中心相互抑制后，识别出输人数据的中心点作为记忆保留在记忆库中，当在此遇到相似数据时，存储的记忆中心会做出更强烈、更准确的反应经过以上过程，得到的多样性的
15、抗体记忆集合即为隐层网络的中心点此时的中心点代表了输人数据的内部映像，也是对输入的一个压缩聚类映射由于输入的类别信息同时包含隐层中，这样R B F 网络的隐层中心就能够以鞍少的数量覆盖整个输入空间，提高了网络的泛化能力又由于记忆中心的存在，当R B F 网络再次识别类似的数据时，收敛速度明显提高，中心点确定后，采用式( 6 ) 计算隐层的输出g = 审r ( I Ix 。一G0 a ) =e x p ( 一驴1 IX t c jo ) ，i 一1 。2 ，m ( 6 )其中：墨是输人的抗原向量；c 是第i 个核函数的中心点I J 为核函数的宽度口：氅兰( 7 ) 2 m周颍等；基于人工免疫的多
16、a g e n t 识别器模型及其应用1 2 0 9式中d ，为所选中心之间的最大距离用最小二乘法( R L S ) 估计网络输出层的权值，从而由式( 8 ) 得出网络的输出， ，= G ，一g l w i ) ，J 一1 ，2 ，D ( 8 )。】 其中W ，一 “ ”，W m J ( ，一1 ，2 ，D ) 为隐层到输出层的连接权3 免疫多a g e n t 识别器模型以上得到单免疫a g e n t 识别器，每一个免疫R B F神经网络模型能够识别一种类型或相似类型的抗原为了能够更好的识别不同性质的抗原，抽取生物免疫系统具有多处免疫器官、组织、细胞等信息处理机制，本文建立了如图2 免疫多a g e n t 识别器模型圈2 免疫多a g e n t 识别器模型在该模型中免疫a g e n t 多识别器类似于免疫系
