基于改进CS模型的免疫系统应答仿真

对基于细胞自动机理论的Celada Seida(CS)模型进行改进,仿真免疫系统应答。该模型能够对免疫系统中细胞和分子之间的相互作用进行仿真。模型在空间和时间上都是离散的,并可以模拟单个免疫细胞。给出了模拟免疫应答的具体仿真步骤,对原模型进行了简化,给出实验的结果。目的是通过该模型的研究,证明免疫系统模型是有用的,因为它们揭示了免疫系统有用的性能,进而可以用于研究解决生物学以外的工程问题的方法。     

船舶横纵摇耦合运动突变特性分析

采用非线性动力学理论和突变理论研究了二自由度船舶摇摆的非线性运动.用多尺度法求解正弦调制激励下船舶横纵摇耦合运动的非线性微分方程,得到系统的稳态解,并分析其稳定性.通过对分叉响应方程的计算,获取稳态解处的分歧点集,进而分析系统的突变特性,确定突变类型.数值分析结果表明,当ω1=1,μ1=0.015,μ2=0.015,α1=2.1时,随着F1的变化分歧点曲面存在尖点型突变,且在一定波浪力矩条件下,船舶运动幅值将产生分支突变,从而引起横摇幅值的突跳,此现象可能导致船舶倾覆.     

一种基于MIMU的九陀螺冗余配置

为进一步提高微惯性传感器及测量组合的可靠性和精度,提出了一种新型的基于MIMU的9陀螺斜置冗余设计方案,该系统体现出较好的容错性能.对不超过3个微陀螺发生失效的情况进行故障检测,故障识别率达到91%.分别与无冗余配置、4轴冗余配置、9陀螺正交冗余配置进行了对比分析,结果表明,本配置精度略小于同等元件数量的正交配置,但却具有更好的容错性能,是一种既具有较高精度又具有较高可靠性的配置方式.     

人工免疫系统：一个新兴的交叉学科

本文介绍了基于人类免疫系统而发展的新兴交叉学科一人工免疫系统，对其发展历程、研究内容以及免疫工程进行了介绍，最后指出其发展方向。     

基于人工免疫网络记忆的新型分类器研究

该文首先简要介绍了自然免疫系统的免疫记忆原理,之后对aiNet和AIRS机制进行了分析,指出免疫记忆在两种算法中起关键作用。aiNet利用传统聚类技术对产生的记忆抗体进行数据聚类分析,无法得知原始抗原类别。AIRS通过训练产生记忆细胞池,利用最近邻原理对原始抗原分类。文中,aiNet的记忆抗体生成机制与KNN分类机制结合,提出基于人工免疫网络记忆的新型分类器AINMC———人工免疫网络记忆分类器。实验结果表明,所提出的新型分类器具有良好的记忆和泛化性能,准确率可以与许多传统方法相比较。     

基于人工免疫网络的联想记忆器

本文提出一种利用人工免疫网络模型设计联想记忆器的方法，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于解决联想记忆问题，仿真结果与其他熟知的模型所得结果进行了比较。     

多目标扰动生物地理学优化算法

提出一种多目标扰动生物地理学优化算法(MDBBO) 来求解多目标优化问题(MOPs). 该算法基于现有群体中非支配可行解的比率, 联合个体非支配等级排序和拥挤距离对个体进行评价; 在生物地理迁移策略基础上提出扰动迁移算子并应用于群体进化, 增强群体多样性; 应用归档种群来保存所获得的非支配可行解, 并用循环拥挤距离法对其更新, 确保群体的均匀分布性. 通过标准函数测试以及与经典算法比较表明了该算法求解MOPs 的有效性.     

水下超高速航行体纵向运动的控制方法研究

水下超高速航行体的全部或大部分表面被空泡包裹,使其阻力显著降低而达到高速航行的目的.与常规水下航行体相比,水下超高速航行体的受力方式、力矩平衡以及弹道控制方法都有显著的差别.该文对超高速航行体的空化器受力、尾部滑行力等进行了系统的分析,建立了水下超高速航行体纵向运动的动力学模型及摔制模型.然后以空化器偏转角、航行体攻角及推力矢量偏转角为控制变量,采用线性二次型调节器方法设计前馈反馈控制器,完成了水下超高速航行体控制方法的仿真分析.仿真结果表明:该控制系统能够有效地跟踪控制信号,具有良好的控制品质.为进一步研究水下超高速航行体的控制问题提供了一定的理论参考.     

基于免疫克隆算法的倒立摆控制参数优化

基于免疫克隆选择原理,针对单级倒立摆PID控制数学模型,设计了一种新的PID参数优化算法——免疫克隆算法。选用简单遗传算法、克隆选择算法与其进行比较研究,通过MATLAB仿真实验,观察该算法搜索结果稳定性好,算法收敛性强。通过Simulink仿真实验,进一步研究3种算法最优目标函数下的PID控制参数的实际控制效果,采用免疫克隆算法优化的控制参数,系统控制响应可以获得良好的实时性、稳定性、控制精度,效果优于其它2种算法。     

人工免疫分类器记忆细胞分布比较研究

人工免疫网络记忆分类器和人工免疫识别系统是两种人工免疫分类方法。二者的免疫系统原理有所差别,前者改进后的性能优于后者。本文对二者产生的记忆细胞分布进行比较研究,指出二者在分类性能上的差别来自记忆细胞分布。二者记忆细胞的分布都近似正态分布,但前者的产生高质量记忆细胞的概率高于后者。