基于主從Self集和兩次訓(xùn)練的人工免疫模型.pdf

1、“Self-NonSelf”（SNS）識別模型是傳統(tǒng)人工免疫模型中的一個重要分支。美國免疫學(xué)教授Forrest基于SNS模型提出了否定選擇算法，成功的模擬了免疫耐受的過程。然而Kim的研究表明：在實際網(wǎng)絡(luò)環(huán)境應(yīng)用中，面向大量的檢測數(shù)據(jù)時，否定選擇算法產(chǎn)生的抗體集會產(chǎn)生較大的縮放問題。產(chǎn)生縮放的原因是由于Self集合的不完全，即“不完全Self集”問題。在傳統(tǒng)的免疫學(xué)中，Self集合往往是通過人工搜集，然而Self集卻是個異常龐大的集合。

2、這就造成了Self集合的不完全，從而影響了抗體集對NonSelf集的覆蓋率。 針對人工免疫中否定選擇算法所面臨的“不完全Self集”問題，本文設(shè)計了基于主從Self集和兩次訓(xùn)練的人工免疫模型。新的模型由基于主從Self集的抗體生成算法（PASA）、二次訓(xùn)練算法（STA）和抗體微調(diào)算法（CAPASA）組成。基于主從Self集的抗體生成算法通過動態(tài)擴大“從Self集”，以擴大Self集合中的元素，使經(jīng)過免疫耐受生成的抗體提高對抗原的