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(shí)別模型是傳統(tǒng)人工免疫模型中的一個(gè)重要分支。美國(guó)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(guò)程。然而Kim的研究表明：在實(shí)際網(wǎng)絡(luò)環(huán)境應(yīng)用中，面向大量的檢測(cè)數(shù)據(jù)時(shí)，否定選擇算法產(chǎn)生的抗體集會(huì)產(chǎn)生較大的縮放問(wèn)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(wèn)題。在傳統(tǒng)的免疫學(xué)中，Self集合往往是通過(guò)人工搜集，然而Self集卻是個(gè)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(duì)NonSelf集的覆蓋率。 針對(duì)人工免疫中否定選擇算法所面臨的“不完全Self集”問(wèn)題，本文設(shè)計(jì)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?；谥鲝腟elf集的抗體生成算法通過(guò)動(dòng)態(tài)擴(kuò)大“從Self集”，以擴(kuò)大Self集合中的元素，使經(jīng)過(guò)免疫耐受生成的抗體提高對(duì)抗原的