2024年3月1日发(作者：商宏盛)
维普资讯
Ⅸ皇萱但燕 皇直卧 ２冬舅＿１搠 智能控制技术 ｌＮＴＥＬＬＧＥＮＴ ＣＯＮＴＲＯＬ ＴＥＣＨＮｌＣＳ 基于人工免疫网络的联想记忆器 Ａｓｓｏｃｉａｔｉｖｅ Ｍｅｍｏｒｙ Ｕｎｉｔ Ｂａｓｅｄ ｏｎ Ａｒｔｉｆｉｃｉａｌ ｌｍｍｕｎｅ Ｎｅｔｗｏｒｋ 哈尔滨工程文学自动化学院奠宏伟 ＭｏＨ 摘要：本文提出一种利用人工免疫网络模型设计联想记忆 的方法人工免疫网络－ｐｒｅｓｅ ｎｔ ｄ赫 ｇ 联想Ｉ已忙神经网络 着重指出通过定义适当的补充机制形式，人工免疫系统如何应用 丁解决联想记忆问题．仿真结果与其他熟知的模型所得 － 果进行了比较 毙键埘：免疫系统Ａｈｓｔｒｍ＇ｌ：Ｔｈ （ （ ，“ Ｈｘ ｉａｔｉ ｒｍ ，ＪＪ『” Ｊｏｌｉｔ ｏｆ“ “ Ⅲ ＇ ｕ。 ｍＭｅｌ， ｚ∞ａｔｉｃａｌ ｐｒｉｎｔｓ ｆ “ｍｅｃｋａｎｉｓｚ￣ｔ ｍｌａ ｈｃ￣．ｔ。ｄｒｔ— ｍ“ｍｍ ｓ ！㈨｝｛ ａｐｐｌｉｅｄ ｔｏ ｔｈｅ ｔ ｉ｜叫 ｍ。ｆｎ５ ｉｕｔ￣ｂｎ ！Ｐｉｍ ， ｄｅｉｎｉｆｎｇ ， ｝ ∞＂ｔ缸 ｔｈｍ ｒｅｓｕｌｔ ｉｓ ｃｏｍｐａｒｅｄ ｜ｔｈ ｔｈｅ ｒｅｓｕｌｔ ｔ ｒｒＩ ｏｔｈｅ￣ｂ ２ｌｎｔⅥ ｔ，ｄ“ｓ ：ｉｍｍｕｎｅ￣ Ｊ ａｒｔ “ ， 川 ｔｉ Ｈ ， ￣ｌｅｍｏｒｙ ｆｕ 嚏 中图分类号 ＴＰ１８３『文献标识码：Ａ 文章编号 １００３ ７２４【（２００２）０１—００１８ ０３ １ 引言 联想记忆是神经网络中一个主要研究问题之一 自从Ｈｏｐ— ｆｉｅｌｄ关于神经网络的论文发表 来 ｔｌ，许多研究人员一直致力于 研究一种具有良好的补充性能和最佳记忆能力的神经网络联想 记忆器模型ｌ２一。虽然现有模型具有快速收敛性和较强鲁棒性等 一面章节，将会指出如何利用该模型实现记忆以及如何抵制噪声输 ＾。最后给出仿真结果验证这种模型的良好性能 ２记忆器模型 把联想记忆器比做一种不规则的ｎ维空间中的超平面，其上 存在许多与记忆的模型相关的低答。由此引＾称为吸引子概念 也就是描述该空间的函数极小值。这样，记忆问题转化为超平面 的摸型化，该平面可以充分表示要记忆的摸型集台，或者辨别所 用模型集合的等价表示函数的最小值。 些比较好的性质，但也表现出诸如模型规模小、对正交性有要 求等局限性。 免疫网络是近年国际上刚刚发展起来的一种新型人工智能 技术。它是基于生物体免疫系统发展起来的 免疫网络模型首 先由Ｊｅｍｅ提出１］・，在此基础上，许多研究人员提出了独特型免疫 网络 、互联耦台免疫网络 、免疫反映网络 等多种模型，并应 用于模式识别【 、图像识别 等实际领域。免疫网络的初次反应 和再次反应机理、骨髓摸型免疫网络模型使内容可访的自动联想 记忆成为可能。文献 ｊ中提出的免疫网络主要包括两方面研究： 一人工免疫网络（Ａ１Ｎ）已经用于解决优化问题 】，同时，通过 研究人工免疫机制，就可以利用这些方法创建～种新型的联想记 忆器。这种机制用于定义在ｒｌ维空间上的点群。点群表示上述 超平面。这拌一个点群中最佳点等价于吸引子。 所设计的记忆器学习和记忆阶段流程图如图１，图２所示。 需要指出的是，在学习阶段首先必须定义形式空间。假设被 记忆摸型是一个用ｎ维双极性向量表示的Ｐ模型集合。则形式 空间是一个超立方体，它的中心在轴心，并且边长为２ 势为 的初始群体，是在整个形式空间产生的。对群体中每一个个体Ｉ， 在那些表示群体中的个体中，通过调换一个随机选择的基因位来 确定候选个体 。 方面称为系统动态性。也就是控制一组确定的淋巴细胞繁殖 和相应的免疫蛋白的数量增减的微分方程。另一方面称为系统 的后动态性。这是一种算法。谈算法控制从群体免疫细胞中除 去一定的克隆细胞，同时控制来自骨髓产生的新淋巴细胞池中的 新繁殖细胞的补充机制。免疫网络的学习和自适应特性来自于 生物免疫系统的自修复机制。利用这些特性，在实数空间和海明 空间中都可以产生新的最优方法。本文中，基于这些最优方法简 述了人工免疫阿错联想记忆器模型的设计思想和实现方法 下 １８ Ｉ Ｔｅ ｎ ．瞒ｏｆ ｍ佃ｎ ａ Ａ￣ｐｌｉｃａｌｉｏｎｓ
维普资讯
智能控制技术 喜 ９化ｊ壹塞与瘴用”２００２￣萎１期 ＮＴＥＬＬＧＥＮＴ ＣＯＮＴＲＯＬ ＴＥＣＨＮＩＣＳ 果不考虑群体状态，也可 把整个补充新点的最大次数设定为终 止的条件。当实际应用模型有时间条件约束时，这种限制形式很 有用处。 在学习阶段末期，群体点在期望模型附近集结成许多丛。学 习的目的实际上是定义一十群体，该群体中含有代表训练集模型 的最佳点。 在记忆阶段．考虑一个单个元素组成的新群体。也就是说， 系统的输入和进化过程与在学习阶段相同，但是只分析该群体中 围绕单十点的区域。在围绕这些点的区域中选择的新候选个体， 如果它具有更高的适应度函数值，将会取代该单个点。这种情况 下计算适应度，只需要考虑在学习阶段定义的群体中的最佳点。 也就是，利用（３）定义的同一个适应度函数，计算出的具有最高适 应度的 点。 终止条件下学习阶段相同。最后群体的单个元素表示记忆 围１学习阶段藏程围 围２记忆阶段流程围 阶段的输出模型。 这一阶段需要定义一个适应度函数，该函数用于补充过程 这１、函数能够充分表示要记忆的模型的集台。定义如下函数： ３仿真结果 ｌ厂ｆ ）＝ｎｍ （ ． ）＝１，Ｐ （１） 本文中描述的模型，已经通过几次仿真验证了它的有效性。 其中 是一般个体，ｌ ， ． ）是训练集。埘是亲和度函 首先，用一些实验确定模型记忆能力。特别是做为群体势的函数 数。定义如下： 而记忆的模型数的记忆仿真实验，更能体现模型的有救性。 ｍ（ ， ）＝１ （ ， ）／ｎ （２） 图３表示在Ｎｔ＝５０和Ｎｔ＝１００以及由随机产生的模型组成 ｙ是训练集的一般模型。幽是海明距离。 是形式空间的 训练集（这些模型的势分别是群体热的１／５，２／５．３／５，４／５，５／５）情 维数。 况下，模型的记忆百分比 如圈所示，一个势为训练集的势的五 选取适应度值在０和ｌ之间。当模型与训练集中的某一十 倍的群体足以做到正确记忆。还应注意到，即使模型系统记忆超 相同时，值为ｌ。随着训练集和模型之间的距离增加，适应度值降 出其记忆能力，记忆结果仍能达到５０％。 低。与适应度函数最高值相对应的群体点称为最佳点。 补充操作只包括Ｉ的替换，如果满足条件 ，（ｒ）≥ｌ厂（ｊ） （３） 为候选个体。 （３）式的条件表明，最好在更严格意义上应用该不等式。从 和训练集中的模型类似的观点看，这样能做到只补充那些比现存 的点更好的点。 学习阶段的位置使初始群体中每一个点能够朝着代表训练 集中的一个模型的最近的点移动。应该注意的是，由于不可能确 圈３设计模型的记忆能力 定每一个期望模型的邻近关系中的群体点的数目，所 在训练进 另一系列实验目的是评价对给定模型的误差校正能力。 ５ 程中， 会有形式空间的优先子空间产生。或者说，围绕群体点 ×５矩阵形式组成的十进制数字作为训练集＿ｌ。。学习阶段使用 的区域可能会重叠但是不会影响群体进化，因为每一十点都是孤 的群体势为Ｎｔ＝５０。在记忆阶段，每一个模型会有１００个干扰副 立点。 本。当系统鞫出 记忆模型的原始版本相同时，与这些副本相应 最后，学习阶段必须设立终止条件。这个条件应能够表示群 的系统的辅出可以认为是正确的。为了评价记 的效率．与著名 体进化不能再进行下去。由于不能准确的表示这一条件．这里仅 的ＨｏｐｆｉｅＮ模型和拇明稳定感知器学习规则 进行了比较。 简单把在补充新点时得到的失败的最大次数作为终止条件 如 图４是实验结果。如图所示，该模型表现出良好的误差校正 ＴｅＯｌｒ．ｏＪｓｓｏｆＡｕｔｏｍａｌｌｏｎ ａｎｄＡｐｐｌｃｉａｌ￣ｎｓ Ｉ ｌ９
维普资讯
ｆ｛直动地燕术与麈旦）） ＱＱ２皇蔓ｌ朔 智能控制技术 ＩｂｔＴＥＬＬＧＥＮＴ Ｃ０ＮＴＲＯＬ ｑ－ＥＣＨＮｌＣＳ 表 忆时间 秒 学习 时间 ｄ：０ ｄ＝１ ｄ＝２ ｄ＝３ ｄ：４ ｄ：５ ｄ＝６ ｄ＝７ ｄ＝８ ｄ＝９ ｄ：１０ ＧＩＲＭ ２ ９９５ ０ １４２ ０．１６５ ０ １９０ ０ １９３ ０ ２１１ ０ ２０１ ０ ２１３ ０．２１６ ０ ２１５ ０．２２３ ０．２２８ Ｐｌ吼 ９ ９０１ ０ １）０４ ０．０Ｌｌ ０ ０１４ ０ ０２６ ０．０３３ ０ ０３６ ０ ０３６ ０．０４５ ０ ０４３ ０ ０５０ ０．０５２ 能力，对于较高的海明值也是如此。显然，该结果优于用ＰＨＳＬ ｎｅｕｒａｔ ｎｅｔ，，，，ｏｒｋｓ”，ＩＥＥＥ Ｇｏｎｔｒ．ｓｙ Ｍａｇ．，ｐＰ ６－１７， 模型得到的结果。 Ａｐ，ｉｌ １９９０ ［３：Ｊｍｌｅ Ｎ Ｋ．Ｙｈｅ［ｎｍａｔｍｅ Ｓｙｓｔｅｍ．Ｓｃｉｅｎｔｉｆｉｃ Ａｒｒ￣ｉｃａｎ， １９７３，２２９（１）：５２—６０ ［４：ＩｓｈｉｇｕｍＡ Ｋｕｂｃ￣Ｎｋｉ Ｓ，Ｉｃｈｉｋａｗａ Ｓ，ｅｔ ８１ Ｇａｉｔ Ｃｏｎｔｒｏｌ ｏｆ Ｈｅ，＝ａｐ０ｄ Ｗａｔｋ￣Ｒｏｂｏｔｓ Ｕｓｉｎｇ Ｍｕｔｕａｌ—Ｃｏｕｐｔｅｄ ｌｍ— ｍｕｎｅＮｅｔ，￣ｒｋｓ Ａｄｖａｎｃｅｄ ＲｅｌＪｏｔｉｃｓ，１９９６．１０（２）：１７９— １９５ ［５：ＭｉｔｓｕｍｏｔｏＮ，ＦｕｋｕｃｌａＴ，Ａｒａ／Ｆ，ｅｔ ａｌ Ｃｏｎｔｒｏ］ｏｔ＂ｔｈｅＤｉｓ— 围４海明距离函数的误差校正 ｔｒｉｂｕｒｅｄ Ａｕ［［ ａ１ ｕｓ Ｒｏｂｏｔｉｃ Ｓｙｓｔｅｍ Ｂａｓｅｄ ｏｉｌ ｔｈｅ Ｂｉｏ— ｌｏｇｉｃａｔｔｙ Ｉｎｓｐｉｒｅｄ Ｉｍｍｕｎｋｇｉｃａｌ Ａｒｃｈｉｔｅｃｔｕｒｅ ｌｎ：Ｐｒｏｃ ｔｈｅ 表１对两个模型进行了学习和记忆时间比较。这种情况下， １９９７ ＩＥＥＥ［ｎｔ Ｃｏｎｆ ｏｎ Ｒｏｔ￣ｉｅｓ ａｎｄ Ａｕ［ｃＨ１日ｔ Ａｌｂｕ— 注意到该模型的对训练集的学习速度确实比ＰＨＳＬ模型快。但 ｑｕｅｒｑｕｅ，ＮＭ，ＵＳＡ．，１９９７ ４：３５５１—３５５６ 是记忆阶段需要较长时间。需要指出结果受运行设备影响很大。 ［６］｝ ｎｔｊ Ｅ Ｃ０。ｋｅＤＥ．Ｌｅ锄血 Ｕｓｉｎｇ ａｎＡｎｉ矗ｃ Ｉａｒ－ ＣＰＵ的使用率也能优化模型的效果。 ｍｕｒｌ￣Ｓ ｔⅢ】ｊ Ｎｅｔｗｏｒｋ ａｎｄ Ｃｃ￣ａｐｕｔｅｒ Ａｐｐｔｉｃａｔｉ￣， １９９６．１９：１８９—２１２ ４结论 ［７］Ｍｒ＇ＣｏｙＤＦ，Ｄｅ，￣ａｒａｉａｎＶ Ａｒｔｉｉｆａｃａ］Ｉｍｍｕｎｅ Ｓｙｓｔｅｎ￣ａｎｄ 本文研究了基于人工免疫网络设计联想记忆器的可能性 Ａｅｒｉａｌ Ｉｍａｇｅ ｅｎａｔａｔ Ｉｎ：Ｐｒｏｃ １９９７ ＩＥＥＥ Ｉｍ 数字模型仿真韧步结果验证了所提出方案的有效性，同时指出了 Ｃｏｎｆ ｏｔｌ ∞，Ｍａｎ ａｎｄ Ｃｙｂｅｍｅｔｉ￣，Ｏｒｌａｎｄｏ，ＦＬ， 记忆模型诸如良好的误差校正能力这样一些主要的特点。再者， ＵＳＡ，１９９７，１：８７９—８８４ 该方法具有普遍性，可以用于设计多值记忆器。今后的工作将会 ：８］Ｈ Ｂｅｔｓｉｎ［，Ｆ Ｊ Ｖａｒｅｌａ，“Ｈｉｎｔ／ｏｒ ａｃｌａｐｔｂ￣ｅ ｐｒ。ｂＩⅢ】ｓｏｌｖ一 在提高模型记・ 能力、研究记忆模型数的影响以及提高误差校正 ｇｌｅａｎｅｄ ｉｒｔｌｉｉｉｉｌｒｔｔ￣ｎｅｔｗｏｒｋｓ ，ｐｒｏｅｅｅ￣ｎｇｓ。ｆ ｔｈｅ 质量方面进一步展开。 ｆｉｒｓｔ ｗｏｒｋｓｈｉｐ ｏｎ Ｐａｒａｌｌｅｌ ＰｒｏＮｅｒｎ Ｓｏｔｖｉｎｇ ｆ唧Ｉ Ｎａｔｕｒｅ， ＰＰ．３４５—３５４，Ｏｃｔ＆ｅｒ １９９０ ［９：Ｈ Ｂ ｅｅｒｓｉｎＪ Ｆ．Ｊ Ｖａｒｅｌａ“Ｔｈｅ ｉｍｍｕｎｅ ｒｅｃｒｕｉｔｍｅｎｔ ｍｅｃｈａｎｉｓｍ：ａ ｓｅｔｅｅｔｉｖｅ ｅ、 删 ｓｔ￣ｔｅｇｙ ，Ｐｒｏｃｅｅｄｉｎｇｓ 参考文献 ｏｆ ｔｈｅ／ｏｒｔｈ Ｉｎｔｍ＇￣ａｔｉｏｎａｌ Ｃｏ￣ｌｆｅｒｅｎｏｅ ｏｎ Ｇｅｎｅｔｉｃ Ａｌｇｏ－ ｒｉｔｈｍ，ｐｐ ５２０・５２６，Ｊｕｌｙ １９９１ Ｊ Ｊ Ｈｅ，ｆｉｅｌｄ，“Ｎｅ￣Ｊｒａｌ ｎｔ￣ｔｗｃ）ｒｋ ｍｎｄ ｐｈ￣ｉｃａｌ ㈣ｗｉｔｈ ［１０］Ｘ．Ｚｈｕａｎｇ，Ｈ Ｈｕａｎｇ Ｆ Ａ Ｙｕ，“ｌ￣ｅｓｉｇｎ ０ｆ Ｈｃ￣ｆｉｅｔｄ ￣ｎｅｅｇｅｎｔ。ｄ ｔｈ 。ｄｍ∞ｕｔａｔ ａｂｉｔｉｔｉｅｓ”Ｐｏｒｃ Ｎａｔｔ Ａ Ｃｏｎｔｅｎｔ—Ａｄｄｒｅｓｓａｂｔｅ Ｍｅｍｏｒｉｅｓ”，ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎ ｏｎ 曲ｄ ｓｃ ．ＵＳＡ，Ｖｏｔ ７９，ＰＰ ２５５４—２５５８，Ａｐｒｉｌ １９８２ Ｓ ｇｎａｌＰｒｃｅｅｓ￣ｎｇ，Ｖｏｌ＋Ｎ ２，ｐｐ４９２（Ｎ９５ Ｆｅｂｒｕａｒｙ１９９４ ［２］ Ａ．Ｍｉｃｈｄ，Ｊ Ｆａｎ＇ｅｔ“Ａｓｇｃｅｉ￣ｔｉ＇，＇ｅ ｍ廿ｒ１０ ｅｓ ｖｉａ ａｒｔｉｆｉｃｉａｌ ∞Ｉ Ｔ氍ｈ＇ｉｑ 日ｓｏｆＡ 州ｌ。ｎａ州 ｐｐｌ ｃ ＩＯ憾
2024年3月1日发(作者：商宏盛)
维普资讯
Ⅸ皇萱但燕 皇直卧 ２冬舅＿１搠 智能控制技术 ｌＮＴＥＬＬＧＥＮＴ ＣＯＮＴＲＯＬ ＴＥＣＨＮｌＣＳ 基于人工免疫网络的联想记忆器 Ａｓｓｏｃｉａｔｉｖｅ Ｍｅｍｏｒｙ Ｕｎｉｔ Ｂａｓｅｄ ｏｎ Ａｒｔｉｆｉｃｉａｌ ｌｍｍｕｎｅ Ｎｅｔｗｏｒｋ 哈尔滨工程文学自动化学院奠宏伟 ＭｏＨ 摘要：本文提出一种利用人工免疫网络模型设计联想记忆 的方法人工免疫网络－ｐｒｅｓｅ ｎｔ ｄ赫 ｇ 联想Ｉ已忙神经网络 着重指出通过定义适当的补充机制形式，人工免疫系统如何应用 丁解决联想记忆问题．仿真结果与其他熟知的模型所得 － 果进行了比较 毙键埘：免疫系统Ａｈｓｔｒｍ＇ｌ：Ｔｈ （ （ ，“ Ｈｘ ｉａｔｉ ｒｍ ，ＪＪ『” Ｊｏｌｉｔ ｏｆ“ “ Ⅲ ＇ ｕ。 ｍＭｅｌ， ｚ∞ａｔｉｃａｌ ｐｒｉｎｔｓ ｆ “ｍｅｃｋａｎｉｓｚ￣ｔ ｍｌａ ｈｃ￣．ｔ。ｄｒｔ— ｍ“ｍｍ ｓ ！㈨｝｛ ａｐｐｌｉｅｄ ｔｏ ｔｈｅ ｔ ｉ｜叫 ｍ。ｆｎ５ ｉｕｔ￣ｂｎ ！Ｐｉｍ ， ｄｅｉｎｉｆｎｇ ， ｝ ∞＂ｔ缸 ｔｈｍ ｒｅｓｕｌｔ ｉｓ ｃｏｍｐａｒｅｄ ｜ｔｈ ｔｈｅ ｒｅｓｕｌｔ ｔ ｒｒＩ ｏｔｈｅ￣ｂ ２ｌｎｔⅥ ｔ，ｄ“ｓ ：ｉｍｍｕｎｅ￣ Ｊ ａｒｔ “ ， 川 ｔｉ Ｈ ， ￣ｌｅｍｏｒｙ ｆｕ 嚏 中图分类号 ＴＰ１８３『文献标识码：Ａ 文章编号 １００３ ７２４【（２００２）０１—００１８ ０３ １ 引言 联想记忆是神经网络中一个主要研究问题之一 自从Ｈｏｐ— ｆｉｅｌｄ关于神经网络的论文发表 来 ｔｌ，许多研究人员一直致力于 研究一种具有良好的补充性能和最佳记忆能力的神经网络联想 记忆器模型ｌ２一。虽然现有模型具有快速收敛性和较强鲁棒性等 一面章节，将会指出如何利用该模型实现记忆以及如何抵制噪声输 ＾。最后给出仿真结果验证这种模型的良好性能 ２记忆器模型 把联想记忆器比做一种不规则的ｎ维空间中的超平面，其上 存在许多与记忆的模型相关的低答。由此引＾称为吸引子概念 也就是描述该空间的函数极小值。这样，记忆问题转化为超平面 的摸型化，该平面可以充分表示要记忆的摸型集台，或者辨别所 用模型集合的等价表示函数的最小值。 些比较好的性质，但也表现出诸如模型规模小、对正交性有要 求等局限性。 免疫网络是近年国际上刚刚发展起来的一种新型人工智能 技术。它是基于生物体免疫系统发展起来的 免疫网络模型首 先由Ｊｅｍｅ提出１］・，在此基础上，许多研究人员提出了独特型免疫 网络 、互联耦台免疫网络 、免疫反映网络 等多种模型，并应 用于模式识别【 、图像识别 等实际领域。免疫网络的初次反应 和再次反应机理、骨髓摸型免疫网络模型使内容可访的自动联想 记忆成为可能。文献 ｊ中提出的免疫网络主要包括两方面研究： 一人工免疫网络（Ａ１Ｎ）已经用于解决优化问题 】，同时，通过 研究人工免疫机制，就可以利用这些方法创建～种新型的联想记 忆器。这种机制用于定义在ｒｌ维空间上的点群。点群表示上述 超平面。这拌一个点群中最佳点等价于吸引子。 所设计的记忆器学习和记忆阶段流程图如图１，图２所示。 需要指出的是，在学习阶段首先必须定义形式空间。假设被 记忆摸型是一个用ｎ维双极性向量表示的Ｐ模型集合。则形式 空间是一个超立方体，它的中心在轴心，并且边长为２ 势为 的初始群体，是在整个形式空间产生的。对群体中每一个个体Ｉ， 在那些表示群体中的个体中，通过调换一个随机选择的基因位来 确定候选个体 。 方面称为系统动态性。也就是控制一组确定的淋巴细胞繁殖 和相应的免疫蛋白的数量增减的微分方程。另一方面称为系统 的后动态性。这是一种算法。谈算法控制从群体免疫细胞中除 去一定的克隆细胞，同时控制来自骨髓产生的新淋巴细胞池中的 新繁殖细胞的补充机制。免疫网络的学习和自适应特性来自于 生物免疫系统的自修复机制。利用这些特性，在实数空间和海明 空间中都可以产生新的最优方法。本文中，基于这些最优方法简 述了人工免疫阿错联想记忆器模型的设计思想和实现方法 下 １８ Ｉ Ｔｅ ｎ ．瞒ｏｆ ｍ佃ｎ ａ Ａ￣ｐｌｉｃａｌｉｏｎｓ
维普资讯
智能控制技术 喜 ９化ｊ壹塞与瘴用”２００２￣萎１期 ＮＴＥＬＬＧＥＮＴ ＣＯＮＴＲＯＬ ＴＥＣＨＮＩＣＳ 果不考虑群体状态，也可 把整个补充新点的最大次数设定为终 止的条件。当实际应用模型有时间条件约束时，这种限制形式很 有用处。 在学习阶段末期，群体点在期望模型附近集结成许多丛。学 习的目的实际上是定义一十群体，该群体中含有代表训练集模型 的最佳点。 在记忆阶段．考虑一个单个元素组成的新群体。也就是说， 系统的输入和进化过程与在学习阶段相同，但是只分析该群体中 围绕单十点的区域。在围绕这些点的区域中选择的新候选个体， 如果它具有更高的适应度函数值，将会取代该单个点。这种情况 下计算适应度，只需要考虑在学习阶段定义的群体中的最佳点。 也就是，利用（３）定义的同一个适应度函数，计算出的具有最高适 应度的 点。 终止条件下学习阶段相同。最后群体的单个元素表示记忆 围１学习阶段藏程围 围２记忆阶段流程围 阶段的输出模型。 这一阶段需要定义一个适应度函数，该函数用于补充过程 这１、函数能够充分表示要记忆的模型的集台。定义如下函数： ３仿真结果 ｌ厂ｆ ）＝ｎｍ （ ． ）＝１，Ｐ （１） 本文中描述的模型，已经通过几次仿真验证了它的有效性。 其中 是一般个体，ｌ ， ． ）是训练集。埘是亲和度函 首先，用一些实验确定模型记忆能力。特别是做为群体势的函数 数。定义如下： 而记忆的模型数的记忆仿真实验，更能体现模型的有救性。 ｍ（ ， ）＝１ （ ， ）／ｎ （２） 图３表示在Ｎｔ＝５０和Ｎｔ＝１００以及由随机产生的模型组成 ｙ是训练集的一般模型。幽是海明距离。 是形式空间的 训练集（这些模型的势分别是群体热的１／５，２／５．３／５，４／５，５／５）情 维数。 况下，模型的记忆百分比 如圈所示，一个势为训练集的势的五 选取适应度值在０和ｌ之间。当模型与训练集中的某一十 倍的群体足以做到正确记忆。还应注意到，即使模型系统记忆超 相同时，值为ｌ。随着训练集和模型之间的距离增加，适应度值降 出其记忆能力，记忆结果仍能达到５０％。 低。与适应度函数最高值相对应的群体点称为最佳点。 补充操作只包括Ｉ的替换，如果满足条件 ，（ｒ）≥ｌ厂（ｊ） （３） 为候选个体。 （３）式的条件表明，最好在更严格意义上应用该不等式。从 和训练集中的模型类似的观点看，这样能做到只补充那些比现存 的点更好的点。 学习阶段的位置使初始群体中每一个点能够朝着代表训练 集中的一个模型的最近的点移动。应该注意的是，由于不可能确 圈３设计模型的记忆能力 定每一个期望模型的邻近关系中的群体点的数目，所 在训练进 另一系列实验目的是评价对给定模型的误差校正能力。 ５ 程中， 会有形式空间的优先子空间产生。或者说，围绕群体点 ×５矩阵形式组成的十进制数字作为训练集＿ｌ。。学习阶段使用 的区域可能会重叠但是不会影响群体进化，因为每一十点都是孤 的群体势为Ｎｔ＝５０。在记忆阶段，每一个模型会有１００个干扰副 立点。 本。当系统鞫出 记忆模型的原始版本相同时，与这些副本相应 最后，学习阶段必须设立终止条件。这个条件应能够表示群 的系统的辅出可以认为是正确的。为了评价记 的效率．与著名 体进化不能再进行下去。由于不能准确的表示这一条件．这里仅 的ＨｏｐｆｉｅＮ模型和拇明稳定感知器学习规则 进行了比较。 简单把在补充新点时得到的失败的最大次数作为终止条件 如 图４是实验结果。如图所示，该模型表现出良好的误差校正 ＴｅＯｌｒ．ｏＪｓｓｏｆＡｕｔｏｍａｌｌｏｎ ａｎｄＡｐｐｌｃｉａｌ￣ｎｓ Ｉ ｌ９
维普资讯
ｆ｛直动地燕术与麈旦）） ＱＱ２皇蔓ｌ朔 智能控制技术 ＩｂｔＴＥＬＬＧＥＮＴ Ｃ０ＮＴＲＯＬ ｑ－ＥＣＨＮｌＣＳ 表 忆时间 秒 学习 时间 ｄ：０ ｄ＝１ ｄ＝２ ｄ＝３ ｄ：４ ｄ：５ ｄ＝６ ｄ＝７ ｄ＝８ ｄ＝９ ｄ：１０ ＧＩＲＭ ２ ９９５ ０ １４２ ０．１６５ ０ １９０ ０ １９３ ０ ２１１ ０ ２０１ ０ ２１３ ０．２１６ ０ ２１５ ０．２２３ ０．２２８ Ｐｌ吼 ９ ９０１ ０ １）０４ ０．０Ｌｌ ０ ０１４ ０ ０２６ ０．０３３ ０ ０３６ ０ ０３６ ０．０４５ ０ ０４３ ０ ０５０ ０．０５２ 能力，对于较高的海明值也是如此。显然，该结果优于用ＰＨＳＬ ｎｅｕｒａｔ ｎｅｔ，，，，ｏｒｋｓ”，ＩＥＥＥ Ｇｏｎｔｒ．ｓｙ Ｍａｇ．，ｐＰ ６－１７， 模型得到的结果。 Ａｐ，ｉｌ １９９０ ［３：Ｊｍｌｅ Ｎ Ｋ．Ｙｈｅ［ｎｍａｔｍｅ Ｓｙｓｔｅｍ．Ｓｃｉｅｎｔｉｆｉｃ Ａｒｒ￣ｉｃａｎ， １９７３，２２９（１）：５２—６０ ［４：ＩｓｈｉｇｕｍＡ Ｋｕｂｃ￣Ｎｋｉ Ｓ，Ｉｃｈｉｋａｗａ Ｓ，ｅｔ ８１ Ｇａｉｔ Ｃｏｎｔｒｏｌ ｏｆ Ｈｅ，＝ａｐ０ｄ Ｗａｔｋ￣Ｒｏｂｏｔｓ Ｕｓｉｎｇ Ｍｕｔｕａｌ—Ｃｏｕｐｔｅｄ ｌｍ— ｍｕｎｅＮｅｔ，￣ｒｋｓ Ａｄｖａｎｃｅｄ ＲｅｌＪｏｔｉｃｓ，１９９６．１０（２）：１７９— １９５ ［５：ＭｉｔｓｕｍｏｔｏＮ，ＦｕｋｕｃｌａＴ，Ａｒａ／Ｆ，ｅｔ ａｌ Ｃｏｎｔｒｏ］ｏｔ＂ｔｈｅＤｉｓ— 围４海明距离函数的误差校正 ｔｒｉｂｕｒｅｄ Ａｕ［［ ａ１ ｕｓ Ｒｏｂｏｔｉｃ Ｓｙｓｔｅｍ Ｂａｓｅｄ ｏｉｌ ｔｈｅ Ｂｉｏ— ｌｏｇｉｃａｔｔｙ Ｉｎｓｐｉｒｅｄ Ｉｍｍｕｎｋｇｉｃａｌ Ａｒｃｈｉｔｅｃｔｕｒｅ ｌｎ：Ｐｒｏｃ ｔｈｅ 表１对两个模型进行了学习和记忆时间比较。这种情况下， １９９７ ＩＥＥＥ［ｎｔ Ｃｏｎｆ ｏｎ Ｒｏｔ￣ｉｅｓ ａｎｄ Ａｕ［ｃＨ１日ｔ Ａｌｂｕ— 注意到该模型的对训练集的学习速度确实比ＰＨＳＬ模型快。但 ｑｕｅｒｑｕｅ，ＮＭ，ＵＳＡ．，１９９７ ４：３５５１—３５５６ 是记忆阶段需要较长时间。需要指出结果受运行设备影响很大。 ［６］｝ ｎｔｊ Ｅ Ｃ０。ｋｅＤＥ．Ｌｅ锄血 Ｕｓｉｎｇ ａｎＡｎｉ矗ｃ Ｉａｒ－ ＣＰＵ的使用率也能优化模型的效果。 ｍｕｒｌ￣Ｓ ｔⅢ】ｊ Ｎｅｔｗｏｒｋ ａｎｄ Ｃｃ￣ａｐｕｔｅｒ Ａｐｐｔｉｃａｔｉ￣， １９９６．１９：１８９—２１２ ４结论 ［７］Ｍｒ＇ＣｏｙＤＦ，Ｄｅ，￣ａｒａｉａｎＶ Ａｒｔｉｉｆａｃａ］Ｉｍｍｕｎｅ Ｓｙｓｔｅｎ￣ａｎｄ 本文研究了基于人工免疫网络设计联想记忆器的可能性 Ａｅｒｉａｌ Ｉｍａｇｅ ｅｎａｔａｔ Ｉｎ：Ｐｒｏｃ １９９７ ＩＥＥＥ Ｉｍ 数字模型仿真韧步结果验证了所提出方案的有效性，同时指出了 Ｃｏｎｆ ｏｔｌ ∞，Ｍａｎ ａｎｄ Ｃｙｂｅｍｅｔｉ￣，Ｏｒｌａｎｄｏ，ＦＬ， 记忆模型诸如良好的误差校正能力这样一些主要的特点。再者， ＵＳＡ，１９９７，１：８７９—８８４ 该方法具有普遍性，可以用于设计多值记忆器。今后的工作将会 ：８］Ｈ Ｂｅｔｓｉｎ［，Ｆ Ｊ Ｖａｒｅｌａ，“Ｈｉｎｔ／ｏｒ ａｃｌａｐｔｂ￣ｅ ｐｒ。ｂＩⅢ】ｓｏｌｖ一 在提高模型记・ 能力、研究记忆模型数的影响以及提高误差校正 ｇｌｅａｎｅｄ ｉｒｔｌｉｉｉｉｌｒｔｔ￣ｎｅｔｗｏｒｋｓ ，ｐｒｏｅｅｅ￣ｎｇｓ。ｆ ｔｈｅ 质量方面进一步展开。 ｆｉｒｓｔ ｗｏｒｋｓｈｉｐ ｏｎ Ｐａｒａｌｌｅｌ ＰｒｏＮｅｒｎ Ｓｏｔｖｉｎｇ ｆ唧Ｉ Ｎａｔｕｒｅ， ＰＰ．３４５—３５４，Ｏｃｔ＆ｅｒ １９９０ ［９：Ｈ Ｂ ｅｅｒｓｉｎＪ Ｆ．Ｊ Ｖａｒｅｌａ“Ｔｈｅ ｉｍｍｕｎｅ ｒｅｃｒｕｉｔｍｅｎｔ ｍｅｃｈａｎｉｓｍ：ａ ｓｅｔｅｅｔｉｖｅ ｅ、 删 ｓｔ￣ｔｅｇｙ ，Ｐｒｏｃｅｅｄｉｎｇｓ 参考文献 ｏｆ ｔｈｅ／ｏｒｔｈ Ｉｎｔｍ＇￣ａｔｉｏｎａｌ Ｃｏ￣ｌｆｅｒｅｎｏｅ ｏｎ Ｇｅｎｅｔｉｃ Ａｌｇｏ－ ｒｉｔｈｍ，ｐｐ ５２０・５２６，Ｊｕｌｙ １９９１ Ｊ Ｊ Ｈｅ，ｆｉｅｌｄ，“Ｎｅ￣Ｊｒａｌ ｎｔ￣ｔｗｃ）ｒｋ ｍｎｄ ｐｈ￣ｉｃａｌ ㈣ｗｉｔｈ ［１０］Ｘ．Ｚｈｕａｎｇ，Ｈ Ｈｕａｎｇ Ｆ Ａ Ｙｕ，“ｌ￣ｅｓｉｇｎ ０ｆ Ｈｃ￣ｆｉｅｔｄ ￣ｎｅｅｇｅｎｔ。ｄ ｔｈ 。ｄｍ∞ｕｔａｔ ａｂｉｔｉｔｉｅｓ”Ｐｏｒｃ Ｎａｔｔ Ａ Ｃｏｎｔｅｎｔ—Ａｄｄｒｅｓｓａｂｔｅ Ｍｅｍｏｒｉｅｓ”，ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎ ｏｎ 曲ｄ ｓｃ ．ＵＳＡ，Ｖｏｔ ７９，ＰＰ ２５５４—２５５８，Ａｐｒｉｌ １９８２ Ｓ ｇｎａｌＰｒｃｅｅｓ￣ｎｇ，Ｖｏｌ＋Ｎ ２，ｐｐ４９２（Ｎ９５ Ｆｅｂｒｕａｒｙ１９９４ ［２］ Ａ．Ｍｉｃｈｄ，Ｊ Ｆａｎ＇ｅｔ“Ａｓｇｃｅｉ￣ｔｉ＇，＇ｅ ｍ廿ｒ１０ ｅｓ ｖｉａ ａｒｔｉｆｉｃｉａｌ ∞Ｉ Ｔ氍ｈ＇ｉｑ 日ｓｏｆＡ 州ｌ。ｎａ州 ｐｐｌ ｃ ＩＯ憾