CN103310224A - 一种无监督的人工免疫分类方法 - Google Patents
一种无监督的人工免疫分类方法 Download PDFInfo
- Publication number
- CN103310224A CN103310224A CN2013102292086A CN201310229208A CN103310224A CN 103310224 A CN103310224 A CN 103310224A CN 2013102292086 A CN2013102292086 A CN 2013102292086A CN 201310229208 A CN201310229208 A CN 201310229208A CN 103310224 A CN103310224 A CN 103310224A
- Authority
- CN
- China
- Prior art keywords
- antigen
- memory cell
- cell
- arb
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Medicines Containing Antibodies Or Antigens For Use As Internal Diagnostic Agents (AREA)
Abstract
本发明提供一种无监督的人工免疫分类方法,包括:对一训练抗原中的当前抗原进行初始化,并根据一选择抗原形成一记忆细胞集合;根据所述记忆细胞集合对一ARB细胞(ARB相当于免疫算法中的B细胞,对外界的入侵抗原响应和特征提呈)进行克隆和变异,以生成新的记忆细胞;在完成克隆选择过程后,对与所述当前抗原同类的每个新的记忆细胞进行资源分配和竞争,以生成新的记忆细胞集合;通过计算所述新的记忆细胞集合中的记忆细胞之间亲和力和刺激值,更新所述新的记忆细胞集合;根据所述新的记忆细胞集合中预设的K个刺激值最大的记忆细胞进行投票决定集合中细胞的类别。
Description
技术领域
本发明涉及影像传感器技术领域,特别涉及一种无监督的人工免疫分类方法。
背景技术
近20年来,模拟生物系统特有信息处理机制是人工智能领域的研究热点,在网络安全,模式识别,机器学习等众多研究领域均取得了令人瞩目的成果。如2001年Watkins在克隆选择算法和人工免疫系统等基础上提出了人工免疫识别系统(Artificial Immune Recognition System,AIRS)分类器模型,Watkins在2002年进行了进一步的改进,并对AIRS进行了实验,充分证明了AIRS可作为高效的分类器。AIRS算法在提出后被成功广泛地应用到多个领域,如:远程遥感图像分类,Email分类,天气预报等等领域。并与传统分类器K-means、ISODATA、Fuzzy以及SOM方法进行比较,取得了更好的分类准确率。与传统的神经网络方法相比较,亦取得了更好的结果。
然而,由于AIRS初始化过程只是随机挑选抗原加入记忆细胞,未考虑记忆细胞之间的距离,导致分类准确率受随机数影响很大,一些研究结果显示AIRS的分类准确率仍低于许多传统分类方法。
同时,AIRS还存在记忆细胞数目在训练过程增长过快,导致最终的记忆细胞数目庞大、但距离偏小的缺陷。其原因是AIRS在训练过程中在新的候选记忆细胞加入后,匹配记忆细胞保留在记忆细胞中仅考虑其与候选记忆细胞的距离,未考虑其与其它记忆细胞之间的距离。
最后,虽然AIRS采用了[0,1]n的向量来进行抗原和记忆细胞特征描述,以及与欧氏距离进行匹配,但未考虑抗原与记忆细胞特征的权重,或者对特征权重的设定有许多人为因素,因此,传统方法可以认为缺乏一定的科学依据。
发明内容
本发明的目的在于提供一种无监督的人工免疫分类方法,以解决现有AIRS中存在的记忆细胞增长过快,数目庞大的问题。
为解决上述技术问题,本发明提供一种无监督的人工免疫分类方法,包括:
对一训练抗原集合进行初始化,并从所述训练抗原集合中选择抗原形成一记忆细胞集合;
根据所述记忆细胞集合对一ARB细胞集合进行克隆,以生成新的ARB细胞;
在完成克隆选择过程后,对与所述当前抗原同类的每个新的ARB细胞进行资源分配和竞争,以生成新的ARB细胞集合;
从所述新的ARB细胞集合中选出候选记忆细胞,通过比较候选记忆细胞和记忆细胞集合中的记忆细胞的亲和力,更新所述记忆细胞集合以生成新的记忆细胞集合;
根据所述新的记忆细胞集合中预设的K个刺激值最大的记忆细胞进行投票决定集合中细胞的类别,其中,K为自然数。
进一步的,在所述的无监督的人工免疫分类方法中,对一训练抗原集合进行初始化,并从所述训练抗原集合中选择抗原形成一记忆细胞集合的步骤包括:
对一训练抗原集合中的抗原特征向量进行初始化;
随机从所述训练抗原集合中选择抗原,形成一记忆细胞集合,其中,若被选中的抗原的亲和力小于最小记忆细胞加入距离,则重新选择抗原。
进一步的,在所述的无监督的人工免疫分类方法中,对一训练抗原集合中的抗原特征向量进行初始化的步骤中,当抗原类别发生改变时,根据抗原特征向量变异程度对所述抗原特征向量赋权,其中,抗原特征向量权重系数其中,Vi表示第i个抗原特征向量的变异系数。
进一步的,在所述的无监督的人工免疫分类方法中,对一训练抗原集合中的抗原特征向量进行初始化的步骤中,所述抗原特征向量构成的矩阵为:
其中,ag[m]表示第m个抗原,fn表示抗原特征向量有n个特征,m、n为自然数。
进一步的,在所述的无监督的人工免疫分类方法中,随机从所述训练抗原集合中选择抗原,形成一记忆细胞集合,其中,若被选中的抗原的亲和力小于最小记忆细胞加入距离,则重新选择抗原的步骤中,所述亲和力按如下公式获得:亲和力其中,ωi表示抗原特征向量权重系数,xi表
示同类记忆细胞,yi表示抗原,fi表示抗原特征向量有i个特征。
进一步的,在所述的无监督的人工免疫分类方法中,根据所述抗原的亲和力获得所述抗原的刺激值,所述刺激值(x,y)=1-亲和力。
进一步的,在所述的无监督的人工免疫分类方法中,根据所述记忆细胞集合对一ARB细胞集合进行克隆,以生成新的ARB细胞的步骤中,从所述记忆细胞集合中找出与当前抗原同类且刺激值最大的记忆细胞作为匹配记忆细胞MCmatch,对所述匹配记忆细胞克隆,以生新的ARB细胞,其中,
其中,ag.c表示当前抗原ag的类别,mc表示同类记忆细胞。
进一步的,在所述的无监督的人工免疫分类方法中,在完成克隆选择过程后,对与所述当前抗原同类的每个新的ARB细胞进行资源分配和竞争,以生成新的ARB细胞集合的步骤包括:
根据ARB细胞集合中的ARB细胞的最大刺激值和最小刺激值,获得正规化刺激值;
根据所述正规化刺激值,分配ARB细胞的资源;
统计已分配的资源总数,若大于预设的资源总数恒定值,则根据刺激值的大小,依次删除分配资源小的ARB细胞;
随机选择剩余的ARB细胞进行克隆和变异,以生成新的ARB细胞集合。
本发明提供的一种无监督的人工免疫分类方法,具有以下有益效果:通过最小记忆细胞距离来控制和调整记忆细胞,在分类准确率有所提高的情况下,克服了AIRS中存在的记忆细胞增长过快,数目庞大的缺陷,提高了记忆细胞的覆盖效率。
附图说明
图1是本发明的无监督的人工免疫分类方法的流程示意图。
具体实施方式
以下结合附图和具体实施例对本发明提出的无监督的人工免疫分类方法作进一步详细说明。根据下面说明和权利要求书,本发明的优点和特征将更清楚。需说明的是,附图均采用非常简化的形式且均使用非精准的比例,仅用以方便、明晰地辅助说明本发明实施例的目的。
针对现有AIRS算法中存在的问题,本发明提出了一种无监督的人工免疫分类方法。通过最小记忆细胞距离来控制和调整记忆细胞,在分类准确率有所提高的情况下,克服了AIRS中存在的记忆细胞增长过快,数目庞大的缺陷,提高了记忆细胞的覆盖效率。
如图1所示,本发明提供一种无监督的人工免疫分类方法,包括:
S11:对一训练抗原集合进行初始化,并从所述训练抗原集合中选择抗原形成一记忆细胞集合;
具体的,步骤S11包括:
a)对一训练抗原集合中的抗原特征向量(ag.f)进行初始化;
特别的,当抗原类别发生改变时,由于抗原特征向量变异程度不一样,因此可根据抗原特征向量变异程度对所述抗原特征向量赋权,对变化大的抗原特征向量赋予大的权重,反之则小,从而减小记忆细胞数并提高分类准确率,其中,抗原特征向量权重系数其中,Vi表示第i个抗原特征向量的变异系数。
其中,ag[m]表示第m个抗原,fn表示抗原特征向量有n个特征,m、n为自然数。
b)随机从所述训练抗原集合(AG)中选择抗原(ag),形成一记忆细胞集合(MC),其中,若被选中的抗原(ag)的亲和力小于最小记忆细胞加入距离(MMCD),则重新选择抗原。特别的,所示亲和力即为最小记忆细胞加入距离。
进一步的,根据所述抗原的亲和力获得所述抗原的刺激值,所述抗原(y)与同类记忆细胞(x)间的刺激值(x,y)=1-亲和力。
最小记忆细胞加入距离(MMCD)是同类记忆细胞(mc)间保持的最小距离。MMCD用于调整记忆细胞分布,控制记忆细胞数目,克服AIRS中记忆细胞数目庞大、但距离偏小的缺陷。在发明中,MMCD用于在初始化记忆细胞集合(MC),以及匹配记忆细胞加入记忆细胞集合(MC)后,如匹配记忆细胞与其它记忆细胞最小记忆细胞加入距离小于MMCD,则会向外界发出协同刺激信号,如没有获得协同刺激信号,则将匹配记忆细胞从记忆细胞集合(MC)中删除。
此外,最小记忆细胞加入距离越大,向外界发出的协同刺激信号数越多,反之则越少。因为,距离越大,对形态空间覆盖就更大,对匹配记忆细胞覆盖率也就越大,故向外界发出的协同刺激信号数就越多。
S12:根据所述记忆细胞集合对一ARB(ARB相当于免疫算法中的B细胞,对外界的入侵抗原响应和特征提呈)细胞集合进行克隆,以生成新的ARB细胞;
具体的,根据刺激值公式从所述记忆细胞集合中找出与当前抗原同类且刺激值最大的记忆细胞作为匹配记忆细胞MCmatch,对所述匹配记忆细胞克隆,以生新的ARB细胞,其中,
其中,ag.c表示当前抗原ag的类别,mc表示同类记忆细胞。
如找不到匹配记忆细胞,则将当前抗原ag作为匹配记忆细胞加入记忆细胞集合中,对匹配记忆细胞克隆生成新的ARB细胞。
这样就保证了要变异的记忆细胞比标准的ARB细胞产生更多的新细胞。最后将所有克隆生成的细胞中发生变异的细胞和匹配记忆细胞都加入到ARB集合中。
S13:在完成克隆选择过程后,对与所述当前抗原同类的每个新的ARB细胞进行资源分配和竞争,以生成新的ARB细胞集合;
ARB细胞分配的资源总数有恒定值,在完成克隆选择过程后,对与抗原同类的每个ARB细胞进行资源分配,分配的原则是和当前ag有较高刺激值的ARB细胞分配有较多的资源,同时分配的资源总和要小于恒定值。如果超过恒定值,则产生ARB细胞对资源的竞争,占有资源少的ARB细胞死亡,只有占有资源多,即受抗原刺激大的细胞才能生存,从而达到控制ARB细胞数量的目的。
具体的,步骤S13包括如下步骤:
a)根据ARB细胞集合中的ARB细胞的最大刺激值maxstim和最小刺激值minstim,获得正规化刺激值;
b)根据所述正规化刺激值,分配ARB细胞的资源;
ab.resour=ab.stim*clonalRate iff ab.c=ag.c
c)统计已分配的资源总数,若大于预设的资源总数恒定值,则根据刺激值的大小,依次删除分配资源小的ARB细胞;
d)随机选择剩余的ARB细胞进行克隆和变异,以生成新的ARB细胞集合。
S14:从所述新的ARB细胞集合中选出候选记忆细胞mccand,通过比较候选记忆细胞和记忆细胞集合中的记忆细胞的亲和力,更新所述记忆细胞集合以生成新的记忆细胞集合;
具体的,按照刺激值公式,分别计算mccand和mcmatch对ag的刺激值,分别为CandStim和MatchStim。如CandStim大于MatchStim,则将mccand加入记忆细胞集合MC中,即MCag.c=MCag.c。
然后按照亲和力公式比较mccand和mcmatch的亲和力,如小于MMCD且没有获得外界的协同刺激信号,则从记忆细胞集合MC中删除mcmatch。
S15:根据所述新的记忆细胞集合中预设的K个刺激值最大的记忆细胞进行投票决定集合中细胞的类别,其中,K为自然数。
本发明的原理基于生物免疫系统对外界抗原的响应。生物免疫系统通过B细胞对外界入侵抗原进行响应和特征提呈,B细胞在克隆后,通过变异形成对抗原具有高亲和力的B细胞,大多数B细胞只具有一个很短的生命周期,但有一小部分进化成具有较长生命周期的记忆细胞。当免疫系统受到相同抗原的再次刺激后,记忆细胞能够很快产生二次应答。
在本发明中,训练数据相当于抗原,B细胞和抗原亲和力越高,B细胞得到刺激越大,克隆数目就越多;亲和力低的B细胞则死亡;而与抗原最相似的B细胞则成为较长生命周期。
上述描述仅是对本发明较佳实施例的描述,并非对本发明范围的任何限定,本发明领域的普通技术人员根据上述揭示内容做的任何变更、修饰,均属于权利要求书的保护范围。
Claims (8)
1.一种无监督的人工免疫分类方法,其特征在于,包括:
对一训练抗原集合进行初始化,并从所述训练抗原集合中选择抗原形成一记忆细胞集合;
根据所述记忆细胞集合对一ARB细胞集合进行克隆,以生成新的ARB细胞;
在完成克隆选择过程后,对与所述当前抗原同类的每个新的ARB细胞进行资源分配和竞争,以生成新的ARB细胞集合;
从所述新的ARB细胞集合中选出候选记忆细胞,通过比较候选记忆细胞和记忆细胞集合中的记忆细胞的亲和力,更新所述记忆细胞集合以生成新的记忆细胞集合;
根据所述新的记忆细胞集合中预设的K个刺激值最大的记忆细胞进行投票决定集合中细胞的类别,其中,K为自然数。
2.根据权利要求1所述的无监督的人工免疫分类方法,其特征在于,
对一训练抗原集合进行初始化,并从所述训练抗原集合中选择抗原形成一记忆细胞集合的步骤包括:
对一训练抗原集合中的抗原特征向量进行初始化;
随机从所述训练抗原集合中选择抗原,形成一记忆细胞集合,其中,若被选中的抗原的亲和力小于最小记忆细胞加入距离,则重新选择抗原。
6.根据权利要求5所述的无监督的人工免疫分类方法,其特征在于,根据所述抗原的亲和力获得所述抗原的刺激值,所述抗原(y)与同类记忆细胞(x)间的刺激值(x,y)=1-亲和力。
7.根据权利要求6所述的无监督的人工免疫分类方法,其特征在于,
根据所述记忆细胞集合对一ARB细胞集合进行克隆,以生成新的ARB细胞的步骤中,从所述记忆细胞集合中找出与当前抗原同类且刺激值最大的记忆细胞作为匹配记忆细胞MCmatch,对所述匹配记忆细胞克隆,以生新的ARB细胞,其中,
其中,ag.c表示当前抗原ag的类别,mc表示同类记忆细胞。
8.根据权利要求6所述的无监督的人工免疫分类方法,其特征在于,在完成克隆选择过程后,对与所述当前抗原同类的每个新的ARB细胞进行资源分配和竞争,以生成新的ARB细胞集合的步骤包括:
根据ARB细胞集合中的ARB细胞的最大刺激值和最小刺激值,获得正规化刺激值;
根据所述正规化刺激值,分配ARB细胞的资源;
统计已分配的资源总数,若大于预设的资源总数恒定值,则根据刺激值的大小,依次删除分配资源小的ARB细胞;
随机选择剩余的ARB细胞进行克隆和变异,以生成新的ARB细胞集合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2013102292086A CN103310224A (zh) | 2013-06-08 | 2013-06-08 | 一种无监督的人工免疫分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2013102292086A CN103310224A (zh) | 2013-06-08 | 2013-06-08 | 一种无监督的人工免疫分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103310224A true CN103310224A (zh) | 2013-09-18 |
Family
ID=49135418
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2013102292086A Pending CN103310224A (zh) | 2013-06-08 | 2013-06-08 | 一种无监督的人工免疫分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103310224A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105160291A (zh) * | 2015-07-02 | 2015-12-16 | 上海闻泰电子科技有限公司 | 基于人工免疫识别系统的年龄估计系统及方法 |
CN110443363A (zh) * | 2018-05-04 | 2019-11-12 | 北京市商汤科技开发有限公司 | 图像特征学习方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003240113A (ja) * | 2002-02-13 | 2003-08-27 | Isuzu Motors Ltd | ギヤ段検出器の故障診断装置 |
CN1873661A (zh) * | 2006-06-29 | 2006-12-06 | 武汉大学 | 一种遥感影像的人工免疫非监督分类方法 |
CN101625725A (zh) * | 2008-07-11 | 2010-01-13 | 西安电子科技大学 | 基于流形距离的人工免疫无监督图像分类方法 |
CN101738314A (zh) * | 2009-12-14 | 2010-06-16 | 江苏省现代企业信息化应用支撑软件工程技术研发中心 | 一种基于抗体浓度的齿轮故障诊断方法 |
-
2013
- 2013-06-08 CN CN2013102292086A patent/CN103310224A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003240113A (ja) * | 2002-02-13 | 2003-08-27 | Isuzu Motors Ltd | ギヤ段検出器の故障診断装置 |
CN1873661A (zh) * | 2006-06-29 | 2006-12-06 | 武汉大学 | 一种遥感影像的人工免疫非监督分类方法 |
CN101625725A (zh) * | 2008-07-11 | 2010-01-13 | 西安电子科技大学 | 基于流形距离的人工免疫无监督图像分类方法 |
CN101738314A (zh) * | 2009-12-14 | 2010-06-16 | 江苏省现代企业信息化应用支撑软件工程技术研发中心 | 一种基于抗体浓度的齿轮故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
KEMAL POLAT 等: "A Novel Approach to Resource Allocation Mechanism in Artificial Immune Recognition System: Fuzzy Resource Allocation Mechanism and Application to Diagnosis of Atherosclerosis Disease", 《THE SERIES LECTURE NOTES IN COMPUTER SCIENCE》 * |
彭凌西 等: "一种基于免疫的监督式分类算法", 《四川大学学报(工程科学版)》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105160291A (zh) * | 2015-07-02 | 2015-12-16 | 上海闻泰电子科技有限公司 | 基于人工免疫识别系统的年龄估计系统及方法 |
CN110443363A (zh) * | 2018-05-04 | 2019-11-12 | 北京市商汤科技开发有限公司 | 图像特征学习方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106251001A (zh) | 一种基于改进模糊聚类算法的光伏功率预测方法 | |
CN105809279B (zh) | 一种基于多目标量子混合蛙跳算法的水资源优化调度方法 | |
CN108564192A (zh) | 一种基于气象因子权重相似日的短期光伏功率预测方法 | |
CN104778448B (zh) | 一种基于结构自适应卷积神经网络的人脸识别方法 | |
CN105608512A (zh) | 一种短期负荷预测方法 | |
CN109190851B (zh) | 一种基于改进鱼群算法的独立风光储微网的优化配置方法 | |
CN104091206B (zh) | 基于演化博弈论的社交网络信息传播预测方法 | |
CN104636801A (zh) | 一种基于优化bp神经网络的预测输电线路可听噪声方法 | |
CN101478534A (zh) | 一种基于人工免疫原理的网络异常检测方法 | |
CN109002926A (zh) | 一种高准确性的光伏发电量预测模型及其构建方法和应用 | |
CN103942606A (zh) | 基于果蝇智能优化算法的居民用电客户细分方法 | |
CN101447020A (zh) | 基于直觉模糊的色情图像识别方法 | |
CN107947921A (zh) | 基于递归神经网络和概率上下文无关文法的密码生成系统 | |
CN109376921A (zh) | 基于遗传人工鱼群优化rbf神经网络短期负荷预测方法 | |
CN109543939A (zh) | 一种绿色建材产品认证风险评价模型构建的方法 | |
CN103136540B (zh) | 一种基于隐结构推理的行为识别方法 | |
CN110287985B (zh) | 一种基于带变异粒子群算法的可变拓扑结构的深度神经网络图像识别方法 | |
CN110245783A (zh) | 一种基于c-均值聚类模糊粗糙集的短期负荷预测方法 | |
CN110232492A (zh) | 一种基于改进离散粒子群算法的多无人机协同任务调度方法 | |
CN100416599C (zh) | 一种遥感影像的人工免疫非监督分类方法 | |
CN105260787A (zh) | 一种基于遗传算法的分拣作业均衡调度方法 | |
CN103310224A (zh) | 一种无监督的人工免疫分类方法 | |
CN105956715B (zh) | 一种土壤墒情预测方法及装置 | |
Cai et al. | Cloud classification of satellite image based on convolutional neural networks | |
CN104574368B (zh) | 一种自适应的核聚类图像分割方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20130918 |