针对现有人工免疫网络算法对先验知识应用不足的问题,提出一种基于模糊人工免疫网络的有监督学习数据分类方法．首先采用模糊C均值聚类算法为免疫网络提供疫苗(初始种群),将此疫苗作为免疫网络的初始抗体群,种群再经过克隆选择、网络压缩、免疫成熟、记忆等算子的不断扩展和压缩,形成一个由浓缩后的训练数据构成的抗体网络,最终基于该抗体网络采用“邻近原则”构造分类器．由于各算子的协调作用,该方法能够在高浓缩率的情况下更好地代替样本空间．UCI (University of Califomia,Irvine)数据集的仿真实验证明,与aiNet方法相比,该方法在分类准确率和数据浓缩率上分别高出7.26%和11.16%,而且更稳定、可靠．
基于免疫系统与故障诊断系统在作用机制上的相似性,在建立通用的人工免疫网络故障诊断模型的基础上,提出一种基于模糊人工免疫网络的故障诊断算法.文中的免疫系统故障诊断模型,把故障诊断问题建模为抗体-抗原识别和作用问题;设计克隆选择,免疫记忆等故障诊断的免疫规则;并基于故障诊断问题的先验知识,提出一种模糊人工免疫网络故障诊断算法.UCI(University of California,Irvine)标准数据集和一个四级压缩机故障诊断试验表明,该算法能充分利用故障数据的先验信息,快速准确地获得数据样本特征,实现数据的聚类,从而完成故障诊断.
