（分析化学专业论文）免疫算法与分析化学信号处理.pdf

t 中国科学技术大学硕士学位论文 摘要 中文摘要 免疫算法是基于免疫系统功能的模拟而提出的新型化学计量学方法，本文在 深入了解免疫机制的基础上对免疫算法进行了发展，提出了二维免疫算法及小波 变换一免疫算法，并成功的应用于多组分二维h p l c 重叠信号及多组分n m r 谱图 的解析。 ( 藉免疫算法与遗传算法结合，应用于多组分氨基酸混合物n m r 谱图的解析。 将混合物的谱图作为抗原，单组分的标准谱图作为抗体，利用遗传算法优化抗体 峰的位置，成功地解析了四种及十种氨基酸混合物的重叠n m r 谱图。该方法为 混合物或生物大分子等物质复杂n m r 谱图的解析开辟了一条全新的途径。 通过对免疫系统抗体对抗原消除作用及其记忆功能的模拟，提出了利用免疫 算法解析二维数据矩阵的新方法。采用模拟的e m g 公式作为抗体输入，对二维 信号逐行进行迭代消除，不仅可从重叠峰中提取各组分的色谱信息，而且可以得 到各组分的光谱信息。对二维h p l c 数据的解析结果表明该方法可方便地用于 多组分重叠二维色谱信号的解析。 基于向量内积向矩阵内积的扩展，将一维免疫算法扩展至适于处理二维数据 矩阵的二维免疫算法。通过对模拟多组分二维数据矩阵及二维i - i p l c 实验数据的 解析，结果表明二维免疫算法可以方便地对重叠二维分析化学信号进行解析，直 接得到各组分的二维色谱信号。 利用小波变换的压缩功能及线性特性，实现了小波变换与免疫算法的结合。 在输入免疫网络之前，先对抗原及抗体进行小波变换压缩，再用免疫算法将单组 分的信息提取出来，提取出的压缩信息可用小波重构算法复原。计算结果表明， 该方法不仅能够有效的将多组分重叠n m r 谱图解析开来，而且可以大大提高运 算速度为免疫算法用于大数据量信号的处理提供了新型的方法。 中国科学技术丈学硕士学位论文 摘要 本文还对连续小波变换( c w t ) 应用于严重重叠色谱信号的解析进行了讨论。 由于连续小波变换具有冗余性大的特性，因此与离散小波变换相比，在加强信号 特征和识别信号精细结构方面具有更强的能力。通过对严重重叠的色谱数据进行 处理，结果表明连续小波变换可方便地将重叠信号进行解析，并且解析结果可用 于定量分析。与离散小波变换和小波包变换相比，连续小波变换对重叠严重的信 + 号具有更强的解析能力，并且数据处理方便快捷。、 中国科学技术大学硕士学位论文摘要 a b s t r a c t t h ei m m u n ea l g o r i t h mi san o v e lc h e m o m e t r i cm e t h o di m i t a t i n gt h en a t u r a l i m m u n es y s t e mi nt h i s t h e s i s ，b a s e do nt h ed e e pu n d e r s t a n d i n go ft h ei m m u n e m e c h a n i s m ，t h ei m m u n ea l g o r i t h mw a sd e v e l o p e d ，2 - di m m u n ea l g o r i t h ma n dw a v e l e t t r a n s f o r m i m m u n ea l g o r i t h mw e r ep r o p o s e d ，a n dw e r ea p p l i e d s u c c e s s f u l l y t ot h e r e s o l u t i o no f m u l t i c o m p o n e n to v e r l a p p i n g2 - w a yh p l c a n dn m r s p e c t r u m c o m b i n e dw i t ht h eg e n e t i ca l g o r i t h m ，t h ei m m u n ea l g o r i t h mw a sa p p l i e dt ot h e r e s o l u t i o no f t h em u l t i c o m p o n e n to v e r l a p p i n gn v l rs p e c t r u mo f t h em i x e da m i n o - a c i d s t h en m r s p e c t r u mo f t h em i x t u r ew a st a k e na sa n t i g e n ，a n dt h en m r s p e c t r ao f t h e s i n g l ec o m p o n e n tw e r et a k e na sa n t i b o d i e st h ep o s i t i o n so f t h ea n t i b o d i e s p e a k sw e r e o p t i m i z e db yt h eg e n e t i ca l g o r i t h mt h es p e c t r ao f a4 - c o m p o n e n ta n d a1 0 一c o m p o n e n t a m i n o a c i dm i x t u r ew e r ei n v e s t i g a t e db yt h em e t h o d i tw a s p r o v e nb yt h er e s u l t st h a t t h em e t h o di sac o n v e n i e n tt o o lf o r t h er e s o l u t i o no f m u l f i c o m p o n e n to v e r l a p p i n gn m r s i g n a l s ，a n di s ap r o m i s i n gw a yt oa n a l y z et h en m r s p e c t r ao f m i x t u r e so rc o m p l e x b i o m o l e c u l a r s b yi m i t a t i n gt h ed e f e n d i n ga n dm e m o r y m e c h a n i s m so fn a t u r a li m m u n es y s t e m , a n o v e lm e t h o dt a k i n ga d v a n t a g eo ft h ei m m u n ea l g o r i t h mf o rt h er e s o l u t i o no f 2 - w a y o v e r l a p p i n ga n a l y t i c a ls i g n a l s w a s p r o p o s e d t h em e t h o dt a k e st h e s i m u l a t i n g c h r o m a t o g r a m sb ye m ge q u a t i o n a sa n t i b o d i e s a n de l i m i n a t e st h ed a t am a t r i x i t e r a t i v e l yr o wb y r o wu n t i lt h er e s i d u a ld o e sn o tc h a n g ea f t e rt h ei t e r a t i o ni so v e r , t h e c h r o m a t o g r a m sa n da b s o r p t i o ns p e c t r ao f e a c hc o m p o n e n tc o u l db eo b t a i n e da tt h e s a m et i m ea2 - w a ye x p e r i m e n t a lh p l cd a t am a t r i xw a si n v e s t i g a t e d ，a n di tw a s p r o v e nb yt h e r e s u l tt h a tt h em e t h o di sac o n v e n i e n tt o o lf o rr e s o l u t i o no f2 - w a y m u l t i c o m p o n e n to v e r l a p p i n gh p l cs i g n a l s b a s e do nt h ee x p a n s i o no ft h ei n n e rp r o d u c tf r o m1 - dv e c t o r st o2 - dm a t r i c e s ，a 2 di m m u n ea l g o r i t h mw h i c hi ss u i t a b l ef o rt h er e s o l u t i o no ft h e2 - w a yd a t am a t r i c e s w a s p r o p o s e d b o t h s i m u l a t e da n d e x p e r i m e n t a l h p l c2 - w a yd a t as e t sw e r e 中国科学技术大学碗士学位论文摘要 i n v e s t i g a t e db y t h em e t h o d ，i tw a s p r o v e nb y t h er e s u l t st h a tt h e2 - di m m u n ea l g o r i t h m i sa ne f f e c t i v et o o lt or e s o l v et h eo v e r l a p p i n g2 - w a ys i g n a l s ，t h e2 - w a yh p l cs i g n a lo f e a c hc o m p o n e n tc a nb eo b t a i n e dd i r e c t l ya f t e rc a l c u l a t i o n t a k i n ga d v a n t a g eo ft h ec o m p r e s s i o nf u n c t i o n a n dt h el i n e a r p r o p e r t yo ft h e w a v e l e tt r a n s f o r m t ) ，t h ew ta n dt h ei aw a sc o m b i n e ds u c c e s s f u l l y t h ea n t i g e n a n da n t i b o d i e sa r ec o m p r e s s e db y 、v tb e f o r et h e ya r ei n p u ti n t ot h ei m m u n en e t w o r k a f t e re x t r a c t i o no f t h e c o m p r e s s e di n f o r m a t i o n o f e a c h c o m p o n e n t ，t h e r e s o l v e ds i g n a l s c a l lb er e s t o r e db yt h ew tr e c o n s t r u c t i o na l g o r i t h m am u l t i c o m p o n e n to v e r l a p p i n g n n i r s p e c t r u mw a sr e s o l v e ds u c c e s s f u l l yb y t h i sm e t h o d ，a n di tw a s p r o v e nt h a tt h e c a l c u l a t i o ns p e e di sm u c hf a s t e rt h a nt h a to ft h ei a i ti san o v e lw a yf o rt h ei at o r e s o l v et h es i g n a l sw i t h l a r g ed a t as e t t h ea p p l i c a t i o no ft h ec o n t i n u o u sw a v e l e tt r a n s f o r m ( c w t ) t ot h er e s o l u t i o no f o v e r l a p p i n gc h r o m a t o g r a m sw a s a l s od i s c u s s e di nt h i st h e s i s c w tt e n d st or e i n f o r c e t h et r a i t so f as i g n a la n dm a k e sa l li n f o r m a t i o nm o r ev i s i b l ed u e t oi t sr e d u n d a n c yt h i s i se s p e c i a l l yt r u eo f v e r ys u b t l ei n f o r m a t i o ns o m eh e a v i l yo v e r l a p p i n gc h r o m a t o g r a m s w e r ei n v e s t i g a t e db yt h i sm e t h o d ，a n di tw a sp r o v e nb yt h er e s u l t st h a tt h em e t h o dc a l l b eu s e dc o n v e n i e n t l yt ot h er e s o l u t i o no fo v e r l a p p i n gs i g n a l s ，a n dt h er e s o n e dr e s u l t c a nb eu s e df o rq u a n t i t a t i v ed e t e r m i n a t i o n c o m p a r e dw i t hd w t a n dw p t ，c w th a s m u c hs t r o n g e ra b i l i t yt oe x t r a c ts u b t l ei n f o r m a t i o nf r o ms e r i o u s l yo v e r l a p p i n gs i g n a l s ， a n dc a np r o c e s sm o v e c o n v e m e n t l y t h a nw p t ， v 中国科学技术大学硕士学位论文 致谢 致谢 本论文是在导师邵学广教授的悉心指导下完成的。从论文的选题安排到程序 的编写调试，都得到了邵老师的精心指导和帮助。他对学生的支持、鼓励以及严 格的要求，也是我能够在两年内) l l 匝, l j 完成论文重要原因。两年来，邵老师严谨的 治学态度、勤勉的工作作风以及对学科前沿的敏锐洞察力令我深感敬佩并且受益 匪浅。在此，我谨向邵老师致以最诚挚的谢意。 生物系核磁共振室的吴季辉老师不仅为样品的分析测试提供了便利的条件， 还经常耐心的帮我分析解决测试中遇到的实际问题，并提出了一些建设性的意 见。在此也向他表示感谢。 两年中本课题组的所有成员包括姜海燕、陈达、李梅青、程旺兴、邵利民、 虞正亮、宋慧宇、程龙玖、陈鹏以及已经毕业的陈宗海、李婉、庞春艳、孙承华 等同学也为我提供了许多帮助与支持。他们兄弟姐妹般的情谊及奋发向上的工作 热情时刻感染着我，使戎在这里度过了愉快而充实的两年。向他们表示感谢。 感谢张祖德老师、何友昭老师几年来对我的若一1 5 鼓舞和帮助。 感谢所有关心和帮助过我的同学和朋友。 最后，感谢我的家人尤其是我的母亲多年来对我的培养和支持。谨以此文作 为母亲节的献礼。 孙莉 2 0 0 1 年5 月11 日 中国科学技术大学硕士学位论文 第一章综述 1 1 免疫系统概述 第一章综述 自然界中的免疫系统是一种多功能的复杂的自适应体系，它可以有效的利用 一些防御机制来抵抗外来入侵者( 如细菌、病毒等) 的入侵。免疫系统的主要作用 是将体内所有细胞( 或分子) 区分为己或非己。非己细胞则被进一步分类以激发适 当的防御机制。免疫系统在进化过程中逐步学习如何区分外来抗原f 如细菌、病 毒等) 和体内细胞( 或分子) 。 免疫学家认为1 , z 3 ：大量的免疫细胞在人体内循环，这些免疫细胞分为淋巴 细胞( 1 y m p h o c y t e ) 和巨噬细胞( p h a g o c y t i cc e l l s ) 。其中淋巴细胞是参与免疫反应的 最主要的一种免疫细胞，具有特异眭、多样性、记忆性和自适应性等特点；巨噬 细胞包括嗜中性粒细胞( n e u t r o p h i l s ) 、嗜曙红细胞( e o s i n o p h i l s ) 、嗜碱细胞( b a s o p h i l s l 及单核细胞( m o n o c y t e s ) 贝r j 为附属免疫细胞，它们的主要功能是为抗原的消除提供 便利。淋巴细胞又可以分为两类，即b 细胞和t 细胞。b 细胞是一种体液免疫的细 胞，由其产生的抗体游离于体液中，遇到病毒入侵，抗体就能将它们迅速消灭。 而t 细胞是一种细胞免疫的细胞，可以直接冲击外来抗原将其消除。这两种淋巴 细胞在功能上是互相支援的。例如，b 细胞对于某些抗原只有在t 细胞存在下 才能产生抗体，这些对体液免疫起促进作用的t 细胞称为助细胞( h e l p e r c e l l s ) 。但 是，有时t 细胞反而会抑制b 细胞的免疫反应。这些淋巴细胞在一级淋巴器官( 如 胸腺、骨髓等处) 发育成熟，而在次级免疫器官( 如淋巴结、脾脏、扁桃体等处) 捕获抗原并与之相互作用以激发某种类型的免疫应答【4 】。 所有免疫应答均可分为识别阶段、激活阶段和效应阶段。当抗原侵入机体时， 成熟淋巴细胞表面的抗原受体与之发生特异性结合，并在表面表达抗体分子。经 此识别过程之后，抗原诱发淋巴细胞发生两大重要变化：首先，识别抗原的特异 性淋巴细胞迅速增殖，对机体的保护性功能起放大效应，并有效地在循环和归 巢到抗原入侵和留存的部位。其次，经抗原刺激后的淋巴细胞后代细胞，分化为 效应细胞以清除抗原：或分化为记忆细胞，当相似的抗原再次入侵时将会产生 更快更强的二次免疫反应( s e c o n d a r yi m m u n er e s p o n s e ) ：或经抗原刺激后其后代发 中国科学技术大学硕士学位论文第一章综述 生细胞凋亡，从反应池中消失。在免疫应答的效应阶段，针对外来抗原的各类效 应机制被扩大并强化抗原被效应细胞消除。 1 2 免疫系统的计算特性 从信息处理的角度考虑，免疫系统是一种高度并行和分布式的系统【5 1 ，它的 行为是许多局部相互作用的整体体现。r o w e l 6 l 认为：免疫系统的功能相当于“第 二大脑”( s e c o n db r a i n ) ，因为它不但可以将过去的经历( 包括抗体抗原相互作用的 强度、与反应相关的细胞组成) 储存在记忆细胞中而且当面临新抗原的入侵时， 免疫系统也可产生相应的免疫反应。此外，免疫反应随时间的变化及其描述也是 动力学系统研究中的一个有趣问题川。免疫系统中可供信息处理领域借鉴的一些 关键特征可以总结如下： 识另1 ( r e c o g n i t i o n ) ：免疫系统能对不同的模式进行识别和分类并产生选择性 的反应。识别是通过细胞间的相互束缚实现的，束缚的强度决定于分子的形状和 所带静电荷的多少。己非己的区别是识别过程中免疫系统的一个重要任务。 特征提取( f e a t u r ee x t r a c t i o n ) ：由抗原递呈细胞( a n t i g e np r e s e n t i n gc e l l s ) 表达抗 原的内容并且提取其特征。通过在表面处理和表达抗原肽，每一个抗原递呈细胞 如同一组过滤器和透镜，过滤器除掉分子噪声，透镜聚焦于淋巴细胞的受体例。 多样性( d i v e r s i t y ) ：利用组合学( 部分通过遗传过程) 来产生多种淋巴细胞受 体，咀保证至少有一些能与已知或未知抗原结合。 学习( l e a r n i n g ) ：通过经验对特定抗原的结构进行学习，发生在一级反应( 第 一次遇到抗原) 时淋巴细胞浓度的变化是学习的依据。因此，免疫系统的学习能 力主要取决于补充机g o ( r e c r u i t m e n tm e c h a n i s m ) - - 根据系统当前状态产生新的免 疫细胞p j 。 记忆( m e m o r y ) ：当淋巴细胞被激活后，其中的一些分化成为内容可表达的 f c o n t e n ta d d r e s s a b l e ) 的记忆细胞。免疫记忆细胞的固有寿命是动态的，并且需要 剩余抗原的持续刺激，免疫系统利用短期和长期记忆机理，在保留摄少但充足的 记忆细胞之间保持着理想的平衡。 分布式探测i s t f i b u t e dd e t e c t i o n ) ：免疫系统是一个内在分布式的系统，特定 的免疫细胞在血液、淋巴液、淋巴器官和组织空间中以恒定的水平循环，循环过 中国科学技术大学硕士学位论文第一章综述 程中，一旦遇到抗原的进攻就激发特定的免疫反应。 自我调节( s e l f - r e g u l a t i o n ) ：自然界中免疫反应是可以自发调节的，并没有一 个中央器官对其进行调控。免疫反应的控制可以是局部的或系统层次上的，这取 决于抗原进攻的路线和眭质。 阈值机理( t h r e s h o l dm e c h a n i s m l ：免疫反应和免疫细胞的繁殖发生在一个特 定的匹配闽值之上( 化学结合的强度) 。 协同刺激( c o s t i m u l a t i o n ) ：淋巴细胞的激活通常需要两种信号，一是由抗原 提供的，另一个是来自于助体t 细胞的协同刺激。免疫系统在对抗原进行识别之 后，由助体t 细胞发出第二个信号帮助确定对此抗原是否耐受( t o l e r a n c e ，与具有抗 原性的自身物质不发生反应的性质) 。b 细胞的激活严格受控于这种协同刺激。 动态保护( d y n a m i cp r o t e c i o n ) ：无性增殖( c l o n a le x p a n s i o n ) 和体细胞超级突变 允许高亲和力免疫细胞的产生，称为亲和力成熟。这个过程在自适应的免疫中动 态的平衡于开发( e x p l o r a t i o n ) 和$ 1 j 用( e x p l o i t a t i o n ) 之间。随着时间的变化，动态保 护提高了由免疫系统提供的免疫覆盖范围。 可能性探羽j ( p r o b a b i l i s t i cd e t e c t i o n ) ：免疫反应中的交叉反应是一个随机的过 程，检测是近似的，因此，一个淋巴细胞可以与几种不同的结构相关的抗原结合。 其他相关性质如自适应性( a d a p t a b i l i t y ) 、特异性( s p e c i f i c i t y ) 、自耐受性( s e l f - t o l e r a n c e ) 、分化( d i f f e r e n t i a t i o n ) 等也在免疫反应中起着重要作用。免疫系统所有 这些非凡的信息处理特性为计算领域提供了非常重要的借鉴方向。 1 3 神经系统与免疫系统 神经网络模型及其应用己得到了广泛的关注，而免疫系统模型的应用还极为 有限。在神经生理学研究中，h o d g k i n - h u x l e y 方程为神经网络提供了建模的基 础，而对于单个免疫细胞行为的描述，还没有一个公认的通用方程【”。然而，神 经系统与免疫系统在基本的认知机理上有许多相似点。表1 l 中列举了神经系统 与免疫系统的相同点与不同点 1 2 - 1 4 i 。 许多生物学家相信，免疫系统在原理上比脑神经系统复杂得多。基于实验事 实已经提出了许多不同的理论。对于免疫反应中发生的细胞间相互作用，有些理 论是相互矛盾的。由于对免疫系统缺乏透彻的了解，还没有一个统一的模型或观 中国科学技术大学硕士学位论文第一章综述 点来解释众所周知的免疫现象。对于免疫系统是一个稳定的、振荡的抑或是混沌 的体系也还存在着很多争议。 表1 1 神经系统与免疫系统的比较 4 中国科学技术大学硕士学位论文第一章综述 1 4 基于免疫系统的人工模型及其应用 迄今有几种理论 1 l 1 6 1 和数学模型m o 刀解释免疫现象，模拟免疫系统中不同功 能或生物学意义上整体行为的计算机模型l i t , 1 8 1 也呈增长之势。这些方法包括：微 分方程模( d i f f e r e n t i a l e q u a t i o nm o d e l s ) m 1 、随机方程模型( s t o c h a s t i c e q u a t i o n m o d e l s ) 1 1 “、细胞自动控制模型( c e l l u l a r - a u t o m a t am o d e l s ) t 1 9 2 0 】、形状空间模型 f s h a p e s p a c em o d e l s ) t 2 1 】等等。在这些模型中，免疫网络模型和反向算法是研究人 员经常使用的两种模型m 1 。 1 4 1 免疫网络模型及其应用 1 9 7 3 年，j e r n e f l , 1 5 提出了一个重要的假设称作基因独特型网络( 免疫网络) 假设。这种模型假说建立在这样一种概念基础上：即抗体淋巴细胞不是孤立存 在的，而是通过抗体间的相互作用，在不同种类的淋巴细胞之间有相互交流。相 应的，抗原的识别也不是由单一的识别基团来完成的，而是由抗原抗体反应所 连接的多个基团的一种系统层次上的网状识别行为。他的理论通过个微分方程 建模这个方程模拟了淋巴细胞的动力学过程一一系列淋巴细胞和相应免疫球蛋 白浓度的增加或降低。在过去的二十多年里，这个理论获得研究人员的广泛的关 注1 1 ”j ，许多基于免疫网络模型的计算方法也应运而生并引入实际应用口”扪。 i s h i d a t 2 s , 2 9 1 通过对免疫网络模型m 1 中相互识别特征的研究，用双向弧连接传 感器，组建了一个传感器网络，将免疫网络中的相互识别原理，应用于该传感器 网络，对某化工厂的仪器处理系统进行错误诊断。在该模型中，对错误的耐受是 通过设备对象中相互连接的单元之间的相互识别获得，即系统层次上的识别是通 过单元层次上的识别实现的。该模型具有如下特点：( a ) 具有并行处理的能力；( b ) 可以处理不完整的信息和数据：( c ) 具有自组织性；( d ) 故障传播时反馈环不是必 需的。试验结果表明，该模型具有应用前景，值得深入研究。i s h i g u r o 【2 5 1 将该模 型加以发展，应用于设备系统的在线错误诊断，这项工作试图发展种可以用于 工业设备的综合错误诊断方法。 h u n t 和c o o k e f 2 3 , 2 6 1 对免疫网络中的学习功能进行了研究，建立了人工免疫系 统( m s ，a r t i f i c i a li m m u n es y s t e m ) 算法模型。该模型由一个根目标( r o o to b j e c t ) 、一 个细胞网络、一套训练数据及一套检验数据构成。网络中的每一个细胞都拥有一 中国科学技术大学硕士学位论文第一章综述 个模式匹配元素，这些元素是通过模拟自然免疫系统中抗体产生的遗传机制产生 的，这样可以提高模式匹配元素的复杂性和多样性。& i s 模拟了两种类型的免疫 应答：一次免疫反应和二次免疫反应。一次免疫反应对应于a j s 的学习状态，从 输入的训练数据中学习关于模式的信息：二次免疫反应则对应于& i s 的识别过 程，在此过程中，& i s 将新数据与它学习过的数据进行比较并分类。该系统结合 了学习分类、神经网络、机器感应等系统的优点，在一个自组织的系统中实现了 噪音耐受及无监督学习，并且不需要反例及学习对象的精确表示。h u n t s 和 c o o k e 的研究目标是建立一个基于免疫的用于机器学习的工具箱。 此外，g i l b e r t 和r o u t e n ”1 基于免疫网络模型，建立了一个内容可表述的自 关联的记忆系统，应用于模式识别。将6 4x6 4 p i x e l 的黑白图片作为抗原输入系 统进行识别。本方法看上去非常有趣，但未得到稳定的结果。最近，h a j l e l a 【3 0 】 利用基于遗传搜索的免疫网络解决了结构优化问题。 1 4 2 反向算法模型及其应用 基于免疫系统中己非己区分的原理”，f o r r e s t 1 提出了一种反向选择算法 应用于变化探测。在自然界的免疫系统中，这种识别部分由t 细胞完成。t 细 胞的表面有一种受体可以探测到外来蛋白质( 抗原) 的入侵。在t 细胞的产生过程 中，受体由一种准随机的基因重排过程产生。然后这些t 细胞执行一种监测过程， 称作反向选择。在胸腺中。与己蛋白反应的t 细胞被消灭只有那些不与己蛋白 结合的t 细胞被允许离开胸腺。而后，这些成熟的t 细胞在体内循环执行免疫 功能来抵御外来抗原的入侵。反向选择算法以类似原理工作一随机产生探测器 f d e t e c t o r s ) 消除那些可探测自身的，则剩余的可以监测到那些非己的。 算法可概括如下：( a ) 将s e l f 定义为一个集合s ，这个集合由若干长度为，并 按一定字母顺序排列的字符串组成，这个集合s 是需要被保护和检测的对象。例 如，s 可以是一个程序、数据文件( 任何软件) ，或是某种行为的标准模式。( b ) 产 生一系列检测器其中每一个都与s 中的任意一个字符串匹配失败，这种方法 采用部分匹配原则而不是确切或完美匹配当且仅当他们在至少r 个相邻位置上 完全相同二者才相互匹配，此处r 是一个适当选择的参数。( c ) 连续的将r 和s 进行匹配来监测s 的变化，因为r 与最初的s 是无一匹配的如果任一检测器 6 中国科学技术大学硕士学位论文第一章综述 发生了匹配，则s 发生了变化。 f o r r e s t f ”1 运用反向选择算法作为一种文件校验方法，来保护计算机系统免遭 病毒侵害。d o s 环境下的一些病毒入侵实验结果表明，该算法可以很容易地监 测到由于病毒感染造成的待保护数据或程序文件的修改。与传统的病毒检测方法 比较，该算法具有以下优点：( a ) 概然性和可调性( 检测概率可根据c p u 时间调整) ： ( b ) 分布性( 低个体消耗下获得了高系统可靠陛) ；( c ) 可以检测到从前未曾识别的新 病毒。然而。由于计算机系统内存储信息的可变性，对于系统中“己”的定义需 要比自然免疫系统中的更加灵活，这使得该算法用于病毒检测具有一定的局限性 一只能用于保护静态的数据文件或者软件。f o r r e s t 等还将该算法应用于 u n i x 进程监控，以防止对计算机系统的有害攻击。f o r r e s t 和她的研究小组所从 事的人工免疫系统研究才刚刚起步，他们的长远目标是建立一个提高计算机系统 安全性能的强大的人工免疫系统。 d a s g u p t a 和f o r r e s t 【3 3 。5 1 还将反向选择算法应用于时间序列数据的异常检测， 目的是为了发展可以检测某一系统或过程中那些稳态特性变化的有效方法。他们 将该算法成功的用于磨削过程中工具损伤的检测，结果表明该算法可用作安全临 界状态自动监测的工具。此外，m c c o y 和d e v a r a j a n l 3 6 1 还将反向选择算法用于航 天图像分割。 1 4 3 其它基于免疫系统的模型 除了以上两个常用的模型，还存在几种模拟免疫系统其他功能的计算模型 阿” ，例如：在噪声环境中检测公共模式的能力嗍，发现和维持多种模式的能力， 在并不是所有抗体都被表达出来、不是所有抗原都存在的条件下有效学习的能力 【3 9 】。在某些研究中，遗传算法被用来模拟体细胞突变一抗体，通过这个过程来识 别一个特定的抗原。h o f f m a n l 4 0 1 对免疫系统和神经系统进行了比较，他指出了系 统行为层次上两种系统的许多相似之处。他提出了一个对称的神经网络模型，这 个神经网络可以产生一种类似于免疫反应的刺激一反应( s t i m u l u s r e s p o n s e ) 。 f a r m e d 3 7 1 等，b e r s i n i 以及v a r e l a 9 , 4 1 1 将免疫系统与其他学习分类系统进行了比 较。 7 中国科学技术大学硕士学位论文 第一章综述 参考文献 【1 】j e m en kt h ei m m u n e s y s t e m s c i e n t i f i c a m e r i c a n ，1 9 7 3 ，2 2 9 ( 1 ) ：5 2 6 0 【2 】j e r n en kt h e g e n e r a t i v eg r a m m a r o ft h ei m m u n e s y s t e m t h ee m b o j o u r n a l ， 1 9 8 5 ，4 ( 4 ) 8 4 7 8 5 2 【3 】p e r c u sjk ，p e r c u so ，p e r s o nas p r e d i c t i n gt h es i z eo f t h ea n t i b o d yc o m b i n i n g r e , o n f r o mc o n s i d e r a t i o no fe f f i c i e n ts e l f n o n - s e l f d i s c r i m i n a t i o n p r o c e e d i n g so f t h en a t i o n a l a c a d e m y o f s c i e n c e ，1 9 9 3 ，6 0 ：1 6 9 1 1 6 9 5 【4 】j a n i ski m m u n o l o g yw h f r e e m a na n dc o ，s e c o n de d i t i o n ，1 9 9 4 5 】f r a n ksat h ed e s i g no f n a t u r a la n d a r t i f i c i a la d a p t i v es y s t e m sa c a d e m i cp r e s s n e w y o r k ，mrr o s e a n dg vl a n d e re d i t i o n ，1 9 9 6 6 】r o w eg wt h et h e o r e t i c a l m o d e l si nb i o l o g yo x f o r d u n i v e r s i t yp r e s s ，f i r s t e d i t i o n ，1 9 9 4 【7 】p e r e l s o nas ，w e i s b u c hg i m m u n o l o g y f o r p h y s i c i s t sp 憎p r 咖t f a r r e v i e w o f m o d e m p h y s i c s ，j u n e1 9 9 5 8 】c o h e nirt h ec o g n i t i v ep a r a d i g ma n dt h ei m m u n o l o g i c a lh o m u n c u l u s i m m u n o l o g y t o d a y ，1 9 9 2 ，i 3 ( 1 2 ) ：4 9 0 4 9 4 【9 】b e r s i n ih ，v a r e l a fj h i n t sf o ra d a p t i v ep r o b l e m s o l v i n gg l e a n e df r o mi m m u n e n e t w o r k s i n p r o c e e d i n g so f t h e f i r s tw o r k s h o p o np a r a l l e lp r o b l e m s o l v i n g f r o m n a t u r e ，1 9 9 0 ，p a g e s 3 4 3 3 5 4 【1 0 】p e r e l s o na s i m m u n en e t w o r k t h e o r y i m m u n o l o g i c a l r e v i e w s ，1 9 8 9 ，( 1 0 ) ：5 3 6 【11 】v e r t o s i c kft ，k e l l yr hi m m u n en e t w o r k t h e o r y ：ar o l ef o rp a r a l l e ld i s t r i b u t e d p r o c e s s i n g ? i m m u n o l o g y , 1 9 8 9 ，6 6 ：1 - 7 【1 2 】c h o w d h u r y d ，s t a u f f e r ds t a t i s t i c a lp h y s i c so f i m m u n en e t w o r k sp ，删c a a ， 1 9 9 2 ，1 8 6 ：6 1 - 8 1 【1 3 】f a r m e rjn ar o s e t t as t o n ef o rc o n n e c t i o n i s m p h y s i c a d ，1 9 9 0 ，4 21 5 3 1 8 7 【1 4 】v e r t o s i c kft ，k e l l yr h t h ei m m u n e s y s t e m a san e u r a ln e t w o r k ：am u l t i e p i t o p ea p p r o a c hj o u r n a l o f t h e o r e t i c a l b i o l o g y , 1 9 9 1 ，1 5 0 ：2 2 5 2 3 7 【15 】j e r n en kt o w a r d san e t w o r k t h e o r yo f t h ei m m u n es y s t e m a n n 1 m m u n 0 1 ( i n s t p a s t e u r ) ，1 9 7 4 ，1 2 5 c ：3 7 3 3 8 9 【1 6 】m o h l e rrr b r u n ic ，g a n d o l f ia a s y s t e ma p p r o a c h t oi m m u n o l o g y p r o c e e d i n g so f t h ei e e e , 1 9 8 0 ，6 8 ( 8 ) ：9 6 4 - 9 9 0 1 7 】v a r e l afj ，s t e w a r tj d y n a m i c so f a c l a s so f i m m u n en e t w o r k sig l o b a ls t a b i l i t y ! 里塾兰茎查盔兰里主兰竺丝茎 蔓二兰堡堕 o f i d i o t y p ei n t e r a c t i o n s j o u r n a l o f t h e o r e t i c a l b i o l o g y ，1 9 9 0 ，1 4 4 ( 1 ) ：9 3 1 0 1 【18 】w e i n a n dr gs o m a t i c m u t a t i o n ，a f f i n i t ym a t u r a t i o na n da n t i b o d yr e p e r t o i r e ：a c o m p u t e rm o d e lj o u r n a l o f t h e o r e t i c a l b i o l o g y , 1 9 9 0 , 1 4 3 ( 3 ) ：3 4 3 3 8 3 【19 】c e l a d af ，s e i d e npe ac o m p u t e rm o d e lo fc e l l u l a ri n t e r a c t i o n si nt h ei m m u n e s y s t e mi m m u n o l o g yt o d a y ，1 9 9 2 ，13 ( 2 ) ：5 6 6 2 【2 0 】s a n t o sr m z ，b e r n a r d e satt h es t a b l e c h a o t i ct r a n