[发明专利]基于免疫抗体网络的模式识别方法

说明书

技术领域

本发明涉及一种能快速、准确对事物进行分类或模式识别的方法，属识别技术领域。

背景技术

模式识别在很多科学和技术领域得到了广泛的重视，推动了人工智能系统的发展，扩大了计算机应用的可能。一般把通过对具体个别事物进行观测所得的具体时间和空间分布的信息称为模式，把模式所属的类别或同类中模式的总体称为模式类。

人工免疫系统是一种基于理论生物学启发而来的计算范式，它借鉴了一些免疫系统的功能、原理和模型用于复杂问题的解决。人工免疫系统在信息安全、模式识别、数据挖掘和故障诊断等方面得到了许多研究和应用，取得了较好的效果。但是，目前人工免疫算法大多存在算法复杂、人工设置参数较多、需要不断进行调整等问题。

发明内容

本发明的目的是克服已有技术之缺陷而提供一种算法简便、准确率高的基于免疫抗体网络的模式识别方法。

本发明所述问题是以下述技术方案实现的：

一种基于免疫抗体网络的模式识别方法。免疫抗体网络进行模式识别前，需根据用户的训练样本数据对免疫抗体网络进行训练，训练后的免疫抗体网络即可应用于解决模式识别问题，免疫抗体网络的训练过程是：

随机抽取一定数目的各类训练样本，生成免疫抗体网络中的初始抗体，完成免疫抗体网络的初始化；

按照顺序或随机将所有训练样本作为输入抗原，输入到免疫抗体网络，免疫抗体网络中的抗体，根据抗体生成算法对输入抗原进行学习和记忆，提取各类训练样本数据的模式特征；

反复训练免疫抗体网络，当免疫抗体网络连续两次训练的结果一致时(即连续的两次训练，免疫抗体网络中各类抗体的数目没有发生变化)，免疫抗体网络训练终止。

上述基于免疫抗体网络的模式识别方法，所述免疫抗体网络的初始化的方法是：

用户给定的训练样本一般用n维的实数向量来表示，把训练样本作为抗原，即用n维的实数向量表示抗原，如用n维实数向量Ag_j来表示了第j个抗原：

Ag_j＝(Ag_j1，Ag_j2，...，Ag_jn)

相应地，免疫抗体网络中的抗体，用(n+2)维的实数向量来表示，如用(n+2)维实数向量Ab_i表示了免疫抗体网络中的第i个抗体：

Ab_i＝(T_i，C_i，Ab_i1，Ab_i2，...，Ab_in)

其中，T_i是抗体Ab_i所属的类别信息，即抗体Ab_i能够识别的抗原的类别；C_i是抗体Ab_i的浓度，大体表示抗体Ab_i能够识别的抗原的数量的多少，Ab_i1～Ab_in为抗体Ab_i的属性信息，表示抗体模式特征；

设抗原(既训练样本)的分类的类别数为m，每类抗原抽取的数目是k，则免疫抗体网络初始化过程中，初始抗体的生成的方法是：根据每一个随机抽取的抗原的类别和属性信息，分别确定一个初始抗体的类别信息和属性信息，并且所有初始抗体的浓度取值为零。故此，初始化后的免疫抗体网络，共计包含有m×k个初始抗体，其中m是抗原的分类的类别数，k是每类抗体的初始设定数目。每个初始抗体的类别信息T_i，与对应随机抽取的、生成该初始抗体的抗原的类别一致，其属性信息也与对应随机抽取的、生成该初始抗体的抗原一致，所有初始抗体的浓度初始值C_i均取零。所述各类初始抗体数目k，根据分类识别问题的难易程度(同一个类别的不同个体之间特征值的波动和不同类别的样本特征值之间的差异)来确定：难度越高，各类初始抗体数目设置的越大，一般每个类别的抗体数目k，可取值为10至30。

上述基于免疫抗体网络的模式识别方法，所述免疫抗体网络的训练方法是：按照顺序或随机选取一个训练样本作为抗原输入到免疫抗体网络，称为抗原提呈，免疫抗体网络中的抗体，根据抗体生成算法，对提呈抗原进行学习和记忆，直至所有训练样本(抗原)提呈输入完毕，这一过程称为完成了一次训练。对免疫抗体网络进行多次训练，当连续两次训练结果一致时，即连续的两次训练，免疫抗体网络中各类抗体的数目不再发生变化时，则训练终止。

上述基于免疫抗体网络的模式识别方法，所述抗体生成算法是：