440 北京科技大学 学 报 2004年第4期 作： 1.0 step2.1根据式(2)计算对所有抗体群体的亲 和力并排序； 0.8 step2.2按式(4)，(5)克隆、变异抗体： 0.6 step2.3重新计算变异后抗体与抗原的亲和 0.4 力： 0.2 step2.4选择一定比例的高亲和力抗体，建立 一个抗体记忆矩阵M,清除亲和力低于一定阙值 的抗体（抗体死亡）： 0.2 0.40.60.8 1.0 step2.5在记忆矩阵M,中，根据式(3)计算抗体 一抗体间的亲和力，亲和力越大抗体越相似，抑 图2识别抗原得到的抗体记忆集 制作用越强，根据式（⑥）选择抑制阙值清除相似 Fig.2 Antibody memory matrix received through recogni- zing antigens 抗体（抗体抑制）： step3对在step2中得到的所有抗体记忆矩阵 45 Ab-[Ab,M]再进行抗体总体抑制.这一过程体 40 现了兔疫系统中的网络抑制，即搜寻不同克隆集 35 合中的相似抗体并将其去除： 30 step4如果满足终止判断条件则输出抗体记 33 忆矩阵，否则，再产生一部分抗体加入记忆矩阵 Ab-[Ab,rand(Ab]作为下一代免疫计算的抗体， 20 转到step2继续运算， 15 10 0 6 10 3实验结果 迭代次数/次 图3抗体变化曲线 图1描述了二维实数空间中的50个采样点 Fig.3 Varying curve of antibodies 分为5个密集类（看作抗原），每一类中包含10个 采样点. 采用20组数据进行识别，识别率为100% 1.5 0 此外本文还采用了著名的Fisher Iris数据模 1.0 + ao口 式进行分类、识别来证明以上模型的有效性例.因 料 0.5 为Fisher Iris数据用萼片和花瓣的长度、宽度来区 0 分三种不同的花(setosa,versicolor,,virginica),样本 ~肾口 点为四维，很难用图形来表达，这些数据包括三 0.5 类，且每一类包括50个样本.这些变量间存在很 0 -1.0x * 强的耦合关系，各状态在样本空间重叠很严重， -1. 增加了数据聚类的难度.采用本文方法，选取90 -1.5-1.00.5 0 0.5 1.0 1.5 组数据作为训练，60组作为检测，识别率为 86.3%. 图1二维实数空间抗原训练模式 Fig.1 Antigen training model in the two-dimension real 为了进一步验证本算法的有效性，本文还用 number space 自组织特征映射网络(SOM网)对以上两种数据 进行分类识别（训练与检测的样本同上），在合适 采用本文算法，得到抗原的压缩聚类如图2 选择参数的情况下得到以下结果：对于二位实数 所示，也就是得到的抗体记忆矩阵，图中用“。”表 空间识别率为100%，而对于is数据识别率为 示，“◆”为抗原的聚类中心.从图3中可以看出当 79,2%.可以看出采用本文算法聚类效果好，识别 迭代次数N在10左右时抗体数目基本得到稳定， 率高.翻 北 京 科 技 大 学 学 报 年 第 期 作 根 据 式 计 算 对 所 有 抗 体 群 体 的亲 和 力 并 排 序 按 式 ， 克 隆 、 变异 抗 体 重 新 计 算 变 异 后 抗 体 与 抗 原 的 亲 和 力 选 择 一 定 比例 的高亲和 力抗 体 ， 建 立 一个抗 体记忆矩 阵麟 ， 清除亲和 力低 于 一 定 闽值 的抗 体 抗 体 死 亡 在 记忆矩 阵麟中 ， 根据 式 计 算抗体 一 抗 体 间 的亲 和 力 ， 亲和 力越大 抗 体越 相 似 ， 抑 制 作 用越 强 ， 根据 式 选 择抑 制 闽值 清 除相 似 抗 体 抗 体 抑 制 对 在 中得 到 的所 有 抗 体 记 忆 矩 阵 一 称〕再 进 行 抗 体 总 体抑 制 这 一 过程 体 现 了免疫 系统 中的 网 络抑 制 ， 即搜 寻 不 同克 隆集 合 中 的相 似 抗 体 并将 其 去 除 如 果 满 足 终止 判 断 条件 则输 出抗 体 记 忆 矩 阵 ， 否 则 ， 再 产 生 一 部 分 抗 体加 入记 忆 矩 阵 一 ， 作 为 下 一 代 免疫 计 算 的抗 体 ， 转 到 继 续 运 算 尸 气夕 ， · 公 ” …从 毛 圈 识别 抗原得到 的 抗体记 忆 集 啥 柱加川 口 加 皿沙 沁俄，卜 ，，乙︶民月弓 ︸勺、﹃ 令粼耸、撼血 汽‘，‘ ︸亡 实验结 果 图 描 述 了二 维 实 数 空 间 中 的 个采 样 点 分 为 个 密 集类 看 作 抗 原 ， 每 一类 中包 含 个 采 样 点 迭 代 次数 次 图 抗体 变化 曲线 物 恤 。 马留 料幸沙 。 口 气 众价 刁 刃 一 一 一 一 一 图 二 维 实数 空 间抗 原 训 练模式 哈 廿 恤 恤 幻片仆 彻 。 加 采 用本 文 算 法 ， 得 到抗 原 的压 缩 聚 类 如 图 所 示 ， 也 就 是得 到 的抗 体 记 忆矩 阵 ， 图 中用 ‘，” 表 示 ， “ ” 为抗 原 的聚 类 中心 从 图 中可 以看 出当 迭代 次数 在 左 右 时抗 体数 目基本 得 到 稳 定 采 用 组 数 据 进 行 识 别 ， 识 别 率 为 此 外 本 文 还 采 用 了著名 的 数 据 模 式进 行分 类 、 识 别 来证 明 以上模型 的有效性例 因 为 数据 用 尊 片和 花瓣 的长度 、 宽度 来 区 分 三 种 不 同 的花 ， ， 吨 ， 样本 点 为 四维 ， 很难 用 图形 来 表 达 这 些 数 据 包 括 三 类 ， 且 每 一 类 包 括 个 样 本 这 些 变 量 间存 在 很 强 的藕合 关 系 ， 各状 态 在 样 本 空 间重 叠 很 严 重 ， 增 加 了数 据 聚类 的难 度 采 用 本 文 方 法 ， 选 取 组 数 据 作 为 训 练 ， 组 作 为 检 测 ， 识 别 率 为 为 了进 一 步验 证 本 算法 的有效 性 ， 本 文 还 用 自组 织特 征 映射 网络 网 对 以上 两 种 数 据 进 行 分 类 识 别 训 练 与检测 的样 本 同上 ， 在 合 适 选 择 参 数 的情况 下 得 到 以下 结果 对于 二位 实数 空 间识 别 率 为 ， 而 对 于 数 据 识 别 率 为 可 以看 出采用 本文 算 法聚类 效 果 好 ， 识别 率 高