记忆克隆分类及其在齿轮箱故障识别中的应用

　　0　引　言

　　分类技术在故障识别、图像处理、医疗诊断以及商业中的市场细分等领域都有着广泛的应用,随着计算机技术和人工智能技术的发展,以神经网络、进化算法、免疫计算等为代表的智能分类方法逐渐成为分类技术的主要研究方向之一,这类方法多采用启发式搜索,以迭代学习全局寻优为特征,有助于从大规模数据中消除不确定性,快速获得训练样本内在的非线性关系,进而充分挖掘宝贵的数据资源,而且实际应用证明了这些智能算法可以取得不错的分类效果[1-3]。但广泛应用的前向神经网络最大的缺陷在于收敛速度慢、易陷入局部极小,同样一般遗传算法在进化过程中可能产生早熟现象,易导致迭代次数过多以及分类准确率不高。免疫计算通过抗体种群的扩张和压缩变换,有利于较好地保持种群的多样性,一定程度上改善了上述两种方法的不足,然而标准的免疫网络算法和克隆选择算法也存在着或抗体训练时间长或局部搜索能力有限且参数不易控制的不足[4-9]。

　　本研究从充分利用训练样本的先验知识构造疫苗以及针对性的设计局部搜索算子的思路出发来缓解上述矛盾,提出一种将免疫记忆理论与克隆选择原理相结合的有监督模式分类算法MCIC(Memory Clonal Im-mune Classifier)。

　　1　分类问题描述

　　分类通过学习类别已知的训练数据找出描述和区分数据类的模型(或函数)H:f(X)→S,以便能够使用模型预测类标号未知的对象的类别。本研究设经过数据规范化后的样本集合为X,其中每个样本xi有p个特征,它所对应的类别集合为S,如下所示:

　　分类器的构造通过训练和检验两步完成,在构造分类器之前首先把给定样本集合X随机地划分成两个独立的集合:训练集合Xtr和检验集合Xte(Xtr X,Xte X,Xtr∩Xte=Φ),通常,集合Xtr和Xte中的样本包含所有的类别S。在训练阶段,分类算法通过分析或学习训练集合Xtr提供的信息,产生一个以分类规则、决策树或数学公式等形式表达,可以预测检验集合Xte中样本类标号的X与S之间的映射关系。在检验阶段,利用训练得到的映射关系对检验集合Xte进行类属判别以评估其分类的准确率,评估的方法有保持、随机子抽样、k次交叉验证以及自助法等。

　　2　基于记忆克隆的免疫分类算法

　　从上述分类问题描述来看,如果将数据样本集合视为入侵机体的抗原,类别集合包含在识别抗原的抗体中,那么数据分类过程就是抗体抗原相互作用、识别匹配的动态过程。

　　2.1　符号定义

　　2.2　算法原理

　　算法可以描述为一个四元组ICSC={G,I,M,R},其中,G为抗原即待分类的数据样本集合X,它诱导人工免疫系统产生免疫响应;I为抗体种群空间,是针对抗原G所有可能出现的抗体的集合;M为记忆单元空间;R为描述抗体空间I中抗体之间存在的相互作用的规则集合,R的形成根据免疫系统中抗原和抗体、抗体和抗体间的相互作用产生,包括克隆增殖、亲和力成熟及免疫记忆等过程。