第8期 李等:一种粗糙规则化的双因子免疫控制器 ,1073. 〈U,R,V,)表示.其中,U为论域:B=CUD是 者间的关系,同时考虑免疫模型在控制系统中的应 属性集合,C和D分别是特征属性和决策属性;V 用,文献[1]提出了一种双因子免疫控制器模型: 是属性值的集合,表示了R的取值范围;∫是一个 R'(t)=Y(le()+lu(t))e(t) 等价关系,表明了U中的每个对象X在R中的取 (1) i(t)=-u(t)+R(t) 值.,将知识系统写作矩阵的形式,若包含决策属性 式中,u(t)为t时刻控制器输出;e(t)为t时刻的 D,则为决策表;否则称为信息表, 系统偏差量;R(t)为t时刻识别因子的数量;I(t) 决策系统S中,若两个对象X1和X2,根据属 为t时刻抗原的数量;R(t)=R(t)一I(t),称为 性BCR,X1与X2无法分类,则称X1和X2为不 广义识别因子;Y>0,0,>0. 可分辨关系,即: 将式(1)中两式合为一个微分方程,可得: IND(B)=i(x,y)∈U21Ha∈B,a(X1)=a(X2). i()=-gu(t)+k(le(t)1+lu(t)l)e(t)(2) 1.2规则提取方法 式中,k=Y.由式(2)可得双因子免疫控制器结构 应用粗糙集的基本原理,可以从大量的数据中 如图1所示 提取出if-then”形式的确定规则,这里的“确定”是 指规则的条件“f”中的描述是有明确指向的,而不 是一个模糊的范围2)].粗糙集理论中的规则抽取共 分为两个阶段:约简阶段和规则生成阶段 约简包括属性约简和值约简两部分,分别是粗 糙理论中对决策表约简的两个阶段,目的都在于减 图1双因子免疫控制器结构图 少规则提取时所需考虑的数据量,提高提取效 Fig-1 Structure of a two-factor immune controller 率].由于控制系统中的信号均有实际意义,因此 属性约简在控制系统中并不必需, 3粗糙规则化的双因子免疫控制器 规则生成阶段的处理对象是在数据约简后生成 利用粗糙集理论中的规则抽取原理,从双因子 的不确定的规则.此处的“确定”,是指在一个决 免疫控制器的控制数据中提取出控制规则,并根据 策系统I=(U,(CUD》中,当一个类E:∈ 此规则对输入信号进行推理得到控制输出信号,实 UIND(C)中的全部对象都映射到同一决策类 现对被控对象的类似双因子免疫控制器控制特性的 X∈U/IND(D)时,即E:二Xi,此时称该规则的置 控制 信率为100%.由于初始数据处理(如离散化)、属性 该控制器发挥控制作用主要包括规则提取阶段 值的遗漏及噪声影响等原因,使得E:的全部对象并 和控制阶段 未完全映射到同一决策类X,而是映射到两个以上 (1)规则提取阶段,规则提取阶段系统结构如 的决策类,即E:寸X,且E:∩X;≠0,规则的置信率 图2所示. 无法达到100%,此时称这种“不确定”的规则为缺 0A/ de(r) 省规则,缺省规则类似于专家经验规则,只在某些 糊化 规则提取 场合中正确,并且对于前提条件的要求与确定的规 则相比要更宽松[], 空制器 2双因子免疫反馈模型 G) 特异性免疫过程包括两个阶段:免疫识别和免 图2规则提取阶段 疫应答,在免疫识别阶段,识别因子会根据自身的 Fig.2 Stage of rough rules extraction 抗体决定基和入侵机体的抗原表面的抗原决定基的 亲和度关系来对抗原进行识别,当亲和度超过某一 该阶段包括数据采集、离散化和生成规则三步 阈值后,进入免疫应答阶段,在免疫应答阶段,识别 第1步,对前文提到的双因子免疫控制器在控制过 因子通过大量繁殖增加自身的数量,以激活足够数 程中的数据进行采集,所要采集的数据包括偏差 量的抗体来消灭抗原,当抗原减少后,识别因子随 e(t)和偏差变化量de(t),以及输出变化量du(t) 之减少,促使抗体的数量降至安全范围 若控制器只有一个偏差输入,则总共只需要采集三 根据上述免疫机理中抗原、识别因子和抗体三 点的数据.当控制器的反馈偏差信号增加时,则每〈URV f〉表示.其中U 为论域;R= C∪ D 是 属性集合C 和 D 分别是特征属性和决策属性;V 是属性值的集合表示了 R 的取值范围;f 是一个 等价关系表明了 U 中的每个对象 X 在 R 中的取 值.将知识系统写作矩阵的形式若包含决策属性 D则为决策表;否则称为信息表. 决策系统 S 中若两个对象 X1 和 X2根据属 性 B⊂ RX1 与 X2 无法分类则称 X1 和 X2 为不 可分辨关系即: IND(B)={( xy)∈U 2|∀a∈Ba(X1)=a(X2)}. 1∙2 规则提取方法 应用粗糙集的基本原理可以从大量的数据中 提取出“if-then”形式的确定规则.这里的“确定”是 指规则的条件“if ”中的描述是有明确指向的而不 是一个模糊的范围[2].粗糙集理论中的规则抽取共 分为两个阶段:约简阶段和规则生成阶段. 约简包括属性约简和值约简两部分分别是粗 糙理论中对决策表约简的两个阶段目的都在于减 少规则提取时所需考虑的数据量提高提取效 率[3].由于控制系统中的信号均有实际意义因此 属性约简在控制系统中并不必需. 规则生成阶段的处理对象是在数据约简后生成 的不确定的规则[4].此处的“确定”是指在一个决 策系 统 I =〈U( C ∪ D)〉中当 一 个 类 Ei ∈ U/IND(C)中的全部对象都映射到同一决策类 Xj∈ U/IND( D)时即 Ei⊆ Xj此时称该规则的置 信率为100%.由于初始数据处理(如离散化)、属性 值的遗漏及噪声影响等原因使得 Ei 的全部对象并 未完全映射到同一决策类 Xj而是映射到两个以上 的决策类即 Ei⊄Xj且 Ei∩ Xj≠0规则的置信率 无法达到100%此时称这种“不确定”的规则为缺 省规则.缺省规则类似于专家经验规则只在某些 场合中正确并且对于前提条件的要求与确定的规 则相比要更宽松[5]. 2 双因子免疫反馈模型 特异性免疫过程包括两个阶段:免疫识别和免 疫应答.在免疫识别阶段识别因子会根据自身的 抗体决定基和入侵机体的抗原表面的抗原决定基的 亲和度关系来对抗原进行识别.当亲和度超过某一 阈值后进入免疫应答阶段.在免疫应答阶段识别 因子通过大量繁殖增加自身的数量以激活足够数 量的抗体来消灭抗原.当抗原减少后识别因子随 之减少促使抗体的数量降至安全范围. 根据上述免疫机理中抗原、识别因子和抗体三 者间的关系同时考虑免疫模型在控制系统中的应 用文献[1]提出了一种双因子免疫控制器模型: R′( t)=γ(|e( t)|+|u( t)|) e( t) u ·· ( t)=—μu( t)+υR′( t) (1) 式中u( t)为 t 时刻控制器输出;e( t)为 t 时刻的 系统偏差量;R( t)为 t 时刻识别因子的数量;I( t) 为 t 时刻抗原的数量;R′( t)= R( t)— I( t)称为 广义识别因子;γ>0μ>0υ>0. 将式(1)中两式合为一个微分方程可得: u ·· ( t)=—μu( t)+k(|e( t)|+|u( t)|) e( t) (2) 式中k=υγ.由式(2)可得双因子免疫控制器结构 如图1所示. 图1 双因子免疫控制器结构图 Fig.1 Structure of a two-factor immune controller 3 粗糙规则化的双因子免疫控制器 利用粗糙集理论中的规则抽取原理从双因子 免疫控制器的控制数据中提取出控制规则并根据 此规则对输入信号进行推理得到控制输出信号实 现对被控对象的类似双因子免疫控制器控制特性的 控制. 该控制器发挥控制作用主要包括规则提取阶段 和控制阶段. (1) 规则提取阶段.规则提取阶段系统结构如 图2所示. 图2 规则提取阶段 Fig.2 Stage of rough rules extraction 该阶段包括数据采集、离散化和生成规则三步. 第1步对前文提到的双因子免疫控制器在控制过 程中的数据进行采集.所要采集的数据包括偏差 e( t)和偏差变化量 de( t)以及输出变化量 d u( t). 若控制器只有一个偏差输入则总共只需要采集三 点的数据.当控制器的反馈偏差信号增加时则每 第8期 李 等: 一种粗糙规则化的双因子免疫控制器 ·1073·