自适应性免疫监控系统（精选10篇）
自适应性免疫监控系统 篇1
0 引言
先进的现代制造系统是多个学科领域复合交叉的产物,具有控制功能完善、组织结构复杂、自动化程度高等特点,但同时其发生故障的潜在可能性和方式也在不断增加,传统意义上的故障诊断是在故障发生后查明原因并进行补救,但这已远不能满足现代制造系统的需要了。目前的故障诊断方法大致可以分为三类[1]:一类是基于过程模型的方法,这种方法在理论上比较成熟,但是需要建立可靠的过程数学模型,而实际过程通常比较复杂,准确的模型不易获得。当模型不准确时,这种方法的鲁棒性会比较差。第二类是基于信号处理的方法,这种方法不需要过程的数学模型,直接对系统的输入输出数据进行滤波,通过分析滤波后数据的特征来进行故障诊断和预报工作。这种方法需要对故障信号作一定的假设,而且计算量比较大,实现实时在线故障检测和预报有一定的困难。第三类就是基于人工智能技术的方法,这种方法不需要准确的数学模型,它具有自学习的功能,同时又能有效地把专家知识融入到故障诊断中去,是当前工业生产过程故障诊断和事故预测方法研究的热点,也是今后故障诊断技术的发展趋势[2]。
生物体在遭到外来危害入侵或自身系统出现问题时,自身的免疫系统会自动进行防御和修复,以保证生物体的健康[3]。而制造系统所需要的也正是这样具有自愈能力且及时准确的故障诊断和防御系统,使系统能够动态地监测和识别其外部和内部各因素的影响,在对制造系统的工作状态进行评估的同时,可以基于预兆对系统的故障进行检测诊断。生物免疫系统在缺乏先验知识的情况下,能够准确识别和记忆各种非己物质,在自主学习过程中不断提高免疫功能,对机体进行在线自主故障监控和诊断[4,5]。如何有效模拟生物免疫系统的在线自主故障诊断机理,研究适于制造系统的在线自主故障诊断的人工免疫系统模型及算法,是故障诊断研究领域的新方向[6]。本文分析了生物免疫的机制及特点,建立了一种具有“生命特征”的制造系统免疫防御系统,实现了制造系统的在线故障监测和诊断,对提高制造系统的稳定性、可靠性和安全性具有重要的意义。
1 复杂制造系统自适应免疫监控模型
1.1 单元免疫监控模型
根据免疫系统的机理,结合类生物制造系统[7]中有机制造单元的组成和结构,本文提出了如图1所示的有机制造单元免疫监控模型。在此模型中,免疫监控单元的功能模块被分为外周免疫器官,免疫细胞识别、增殖和分化,抗体的执行三部分。
有机制造单元中,与外周免疫器官相对应的是单元感知器。与外周免疫器官类似,有机制造单元的感知器不仅要完成对单元内外部环境信息的动态获取,在得到所需的环境实时信息后,还应该能够按照免疫识别模块的要求,将单元的抗原信息进行增强,使这些信息更具有抗原性,从而方便免疫细胞对抗原的识别和应答。单元感知器所获取的抗原信息不仅包括单元内部和外部的环境信息,更主要的是还包括单元自身的状态信息。因此,执行器在执行动作的过程中应及时将动作信息反馈给感知器,使有机制造单元和免疫监控单元形成一个闭合的控制回路。
有机制造单元中与免疫细胞识别、增殖和分化功能模块相对应的是单元决策器。单元决策器通过抗原对免疫细胞的刺激激发免疫应答,感知器将获取的单元内外部环境信息及单元自身的状态信息传递给决策器,决策器会自主完成信息的识别、学习和记忆,并根据信息的内容制定相应的措施,最后通知执行器执行。当某个有机制造单元需要和其他有机制造单元进行协调控制时,决策器还应该能自主完成单元间的信息交流,如图1所示。同样,在免疫监控系统中,免疫监控单元之间也是需要信息交互的,在一个单元遇到一种新的抗原信息时,它可以率先完成对此类抗原的识别、学习和记忆,并分泌合适的抗体消灭抗原,最后,此监控单元还应将这类已知的抗原信息和与之对应的抗体信息通报给其他监控单元,其他监控单元在遇到此类抗原时,就可以直接引用相应抗体,而无需再进行识别、学习和记忆。单元决策器是有机制造单元的控制主体,同时也是免疫监控单元的控制主体,这样在有机制造单元完成任务的过程中,免疫监控单元可以更方便有效地进行信息获取和实时控制。
与抗体的执行模块对应的有机制造单元组成部分是执行器。免疫监控单元所分泌的抗体其实质就是决策器根据对抗原信息的获取、学习和记忆,得出的一系列的对抗原的控制措施。有机制造单元的抗体必须通过单元的执行器才能实现效能,执行器通过执行抗体动作,改变制造单元的内外部环境或单元自身的状态,从而消除内外部环境抗原或单元自身抗原的侵害。
该模型可在有机制造单元内部形成一个闭合的控制回路,同时它还可以与其他免疫监控单元进行通信和交流,形成一个整体的免疫监控系统。
1.2 类生物化制造系统的自适应免疫监控模型
由类生物化制造系统总体框架模型可知,各有机制造单元是通过递归控制的结构构成类生物化制造系统的,同时各免疫监控单元也共同构成了一个免疫监控系统。从系统的角度分析,每个有机制造单元均有自己的免疫监控单元,多个免疫监控单元可构成一个免疫细胞系,其结构如图2所示。各免疫细胞在完成自身抗原信息获取和识别的同时,均可和其他免疫细胞通过免疫因子的信息传递及免疫细胞间的刺激和抑制作用进行交流,从而构成免疫细胞系,免疫细胞系同样也可与其他免疫监控单元进行协调控制,它们共同构成一个自主免疫与协调免疫相平衡的整体,完成免疫监控系统的总体功能。
由制造系统的免疫监控系统模型可知,免疫监控系统的控制结构和制造系统的控制结构是相互交叉的,它们很好地融合在一起。免疫监控系统可方便地对制造系统的当前运行状况及系统内外环境信息进行获取,通过一定方式实时地显示给管理人员,并可通过一定措施自主地调节制造系统自身行为,以适应系统内外环境的变化,或消除系统自身出现的问题。
本文所提出的监控系统可通过一定机制实时显示各有机制造单元的状态健康值,以及系统总体状态的健康值,通过隐性选择算法实现系统故障的检测和识别,并做出适当的响应以适应系统发生的变化。
2 类生物化制造系统健康状态的免疫监控
类生物化制造系统是一个具有自适应性动态调度能力的制造系统,其复杂程度不言而喻,在对其进行健康评估时所需考虑的因素自然也有很多,其中很多因素具有很强的不确定性,这就形成了一个由众多相互关联、相互制约的因素构成的复杂而又缺少定量数据的系统,而层次分析法[8](AHP)的应用可在很大程度上简化此复杂系统的分析过程。
2.1 免疫监控系统的递阶层次结构
本文是在类生物化制造系统的递归控制结构模型上建立免疫监控系统模型的,因此,免疫监控系统的控制结构也采用了递归控制的结构形式,在免疫监控单元完成自身的状态信息获取和处理的同时还要将信息反馈给主控单元,并接受主控单元的协调控制。每个免疫监控单元都是系统的组成部分,可看成为影响系统总体健康状态的因素,而每个免疫监控单元的健康状态又受到各单元所监控的状态因素的影响。因此,可以根据它们的层次关系重新建立系统结构,如图3所示。
在图3中,系统被分成了4个层次,分别为
主控层、CAN总线通信层、免疫监控单元层和状态信息获取层。免疫监控单元的标识符也是与免疫监控系统模型中各单元的标识符相对应的,其中,Mn表示第n个负责加工的单元,Mn i表示单元Mn要获取的第i个状态变量。
由此免疫监控系统层次结构图可以得到AHP中所需的递阶层次结构,如图4所示。
该递阶层次结构共分为3层:第一层为目标层,免疫监控系统的总体健康状况受到各免疫监控单元健康状态的影响;中间层为准则层,包括各免疫监控单元,它们的健康状态受到它们所监测的各状态因素的影响;最底层为免疫监控单元各状态信息获取层,这些状态因素共同决定了免疫监控单元的健康状态值。在得到图4所示的系统递阶层次结构后,即可通过计算得到系统的各状态因素对系统总的健康值的影响,并进一步得到各有机制造单元和系统总体健康值的计算方法。
2.2 抗原信息识别
系统获得的各单元状态抗原的取值范围为(0,0,0,0,0)到(1,1,1,1,1),这是一个5位的二进制串向量,各单元健康值的范围为0到100。在制造系统某单元加工产品的过程中,单元可能处于正常状态,即所检测的各状态信息均为0,同时也可能处于不健康状态,即某个状态变量或多个状态变量同时为1。故免疫监控单元可能出现的状态抗原信息为(1,1,0,0,0)、(1,0,1,0,0)、(1,0,0,1,0)、(1,0,0,0,1)及它们的并集,在单元空闲,即第一个状态变量为0时,其他各状态变量的检测就暂时失去了意义。因此,可以建立各免疫监控单元的标准抗原库,如表1所示。
2.3 免疫应答
针对免疫监控单元出现的标准抗原,给出相应的应答措施,在本模型中,主要是将单元的休整时间以及信息素试验[9]中的奖励值和惩罚值与之对应,形成标准抗体库,如表2所示。信息素试验是与类生物化制造系统的协调机制研究相结合的,它旨在通过调节各单元信息素值的大小来协调各单元的健康状态与加工任务间的平衡,使健康状态好的单元多得到一些加工任务,而健康状态差的单元少得到一些加工任务。在状态抗原为表2中抗原序列的并集时,相应的抗体即为表2中抗体的并集。表2中的休整时间是在免疫监控单元的状态被识别为此单元不再适宜继续加工时,用来设定单元的停机休整时间。
人工免疫系统的否定选择算法:①定义获取的各单元的状态抗原向量为Sn;②将标准抗原库定义为检测器集合Rn;③通过连续地将Sn与Rn中的检测器进行比较来监测Sn的变化,如果与检测器发生匹配,即与标准抗原库中抗原发生匹配,则说明系统状态发生变化,且该状态为不正常状态;④在对抗原信息进行识别后,即可调用相应的抗体对系统进行调节,产生免疫应答。
在系统某单元进行休整或排除干扰的过程中,此单元的加工任务需要重新进行调度分配,单元状态正常后,再将该加工任务返还给此单元进行加工。主要运行过程为:对所有单元的状态信息进行实时监控,当发现某单元的加工区域出现干扰或此单元的健康值低于某一阈值时,则暂停在此单元加工零件,并将此单元上的后续加工任务转移到它所对应的同类单元上去。当该单元的加工区干扰消除或此单元的健康值大于固定的阈值时,则将应该在此单元上加工并且还未完成的加工任务返还给此单元,进行后续任务的加工。
2.4 免疫监控系统健康状态评估
2.4.1 各状态变量的两两判断比较矩阵
首先,需获取各状态因素:机床空闲状况Mn1、机床温升状况Mn2、主轴振动状况Mn3、刀具磨损状况Mn4以及加工安全区干扰状况Mn5。然后,将各种状态因素对免疫监控单元Mn的健康值影响的重要性进行两两比较,根据它们对免疫监控单元Mn影响的相对重要性来进行标度,即可得到两两比较判断矩阵M(n)。
2.4.2 各状态变量对单元健康值的影响权重
得到各免疫监控单元的判断矩阵后,首先计算出判断矩阵的一致性比例CR,判断该矩阵的一致性是否可以接受,若可以接受,则由此判断矩阵计算得到的状态变量相对权重,可以作为实际应用的依据。然后,将判断矩阵M(n)的最大特征根特征向量进行归一化处理,可得免疫监控单元各状态变量对单元健康值影响的权向量w*。
2.4.3 免疫监控单元对系统健康值的影响权重
在工件的加工过程中,车工序和铣工序的重要性是一样的,而加工中心对工件的加工能力则比它们都要强,加工方式更全面,因此,本模型中设加工中心单元相对于另两类制造单元的重要性数值为3,另两类制造单元的相对重要性为1。通过以上分析,可以构造制造系统总体健康值准则下的各单元相对权重两两比较判断矩阵M,进而求得各免疫监控单元相对系统总体健康值的影响权重w。
2.4.4 免疫监控系统总健康值
(1)有机制造单元健康值。
在本模型中,对免疫监控单元所采集的状态变量类型做出设定,除机床温升是模拟量外,其他的状态信息均可用布尔量来表示,即1表示该状态发生,0表示该状态未发生。机床温升可通过设定一个阈值,将其转换为布尔量,设定一个温升阈值Tn,当机床的温升T>Tn时,则该状态变量Mn2=1,否则Mn2=0。
通过以上的设定,可得免疫监控单元Mn的状态信息向量:Mn=(Mn1,Mn2,Mn3,Mn4,Mn5),且向量中各变量均为布尔量。各状态变量对免疫监控单元健康值的影响权向量为w*=(Pn i)1×5,要得到免疫监控单元的健康值,只需将这两个向量相乘,用Hi表示第i个免疫监控单元的健康值,可得
通过求取免疫监控单元的健康值可方便获知单元所处状况,从而判断单元能否继续进行加工。在单元即将发生故障时,还可以通过它进行预测,例如:设免疫监控单元n某时刻所监控的状态信息向量为(1,0,1,1,0),可求得此时的免疫监控单元的健康值Hi=0.53643。此健康值很低,说明单元的状态很不理想,虽然能够继续加工,但监控单元已处于或将要处于故障状态,产品的加工质量会比较差。
(2)系统的总体健康值。
在本文中,仿真平台上共有6个具有加工性质的免疫监控单元,它们对系统总体健康值的影响权重在前面已经求出,得到各免疫监控单元的健康值后,即可通过它们的权重计算出系统总体健康值的大小。各免疫监控单元的健康值向量为(H1,H2,H3,H4,H5,H6),又已求得各单元对系统健康值影响权向量w=(Pn)1×6,将这两个向量相乘即可得到系统的总体健康值H:
通过观测系统总体的健康值,我们可进一步从整体的角度了解制造系统的加工性能,对系统的加工任务进行合理的调度,实时监测系统的状态并对系统的故障做出预测,使系统能够高效、高质量的完成加工任务。
3 试验及仿真
3.1 仿真平台的搭建
本文利用道路线识别技术、CAN总线技术、无线通信技术和嵌入式控制技术等先进技术,搭建了一个类生物化制造系统仿真平台,如图5所示,其中的加工单元相当于生物体中的细胞体(腺体),具有自治性,由其自身的控制单元控制;主控制器(ARM)相当于神经中枢;CAN 总线相当于体液,制造单元之间通信的协调规则与协调协议模拟“神经-体液”调节机制。
在类生物化制造系统模型的基础上,根据前文对免疫监控系统的主要工作方式、技术方案以及功能模块的分析,可以得到免疫监控系统的总体结构示意图(图6)。各免疫监控单元在执行任务的过程中,不断获取系统中各种状态变量的值,并通过自身的控制器进行初步的处理,然后将所得的信息通过CAN总线通信的方式发送给主控单元,主控单元根据系统信息识别所得的当前系统状态做出合理的调整,协调各有机制造单元共同完成加工任务,避免系统外界环境和内部环境变化所产生的影响,并自适应地应对系统自身故障引发的各类问题。主控单元在完成上述任务后,还会将所得的系统信息反映给上位机监控软件,以便工作人员了解系统状态,合理安排系统的加工任务。
同时,为了给制造系统与外界信息或人员提供一个进行交互的接口,向工作人员提供实时的系统信息,其中包括各单元的加工信息、各单元的状态信息、系统的总体健康值信息等,在搭建好仿真硬件平台后,笔者还编写了一个上位机监控软件。
3.2 仿真结果与分析
仿真试验是在类生物化制造系统试验平台上进行的,该平台模拟了制造系统对生产任务的整个调度加工过程,本文通过对系统加工生产过程中内外部环境因素变化的模拟,以6号加工单元为例,进行监控系统的测试,检测免疫监控系统的有效性。
(1)单元6正常状态时(图7),系统监测的状态抗原为(1,0,0,0,0),由监控信息可知,此时单元处于忙碌状态,加工区域实际的温度值为23℃,单元的健康值H6=97,健康状态良好。
(2)单元6加工过程中出现温升过高的现象,其他状态变量正常(图8)。此时的免疫监控系统检测到的状态抗原为(1,1,0,0,0),单元的加工温度值为58℃,所设定的温度阈值为50℃,所以单元的温升状态发生变化,温升过高,单元的工作状态为忙碌,单元的健康值发生变化,H6=90,状态良好。
(3)单元6加工过程中出现主轴振动,其他状态正常(图9)。此时免疫监控系统检测的状态抗原为(1,0,1,0,0),单元的实际加工温度为27℃,主轴状态振动过大,单元工作状态为忙碌,单元健康值H6=84,健康状态较前两个状态稍差,但不影响单元对工件的加工。
(4)单元6加工过程中出现刀具磨损严重的现象,其他状态正常(图10)。此时免疫监控系统检测到的状态抗原为(1,0,0,1,0),单元6的实际加工温度为23℃,刀具磨损状态严重,单元工作状态未发生变化,健康值H6=66,健康状态降为中等偏上,此时的加工会对工件产生一定影响,但单元还可以继续进行加工。
(5)单元6的加工区域出现未知干扰,其余状态正常(图11)。此时免疫监控系统检测到的状态抗原为(1,0,0,0,1),单元实际加工温度为23℃,单元的加工区域出现未知干扰,单元的健康值H6=49,H6<50,健康状态中等,单元已处于故障状态,且信息显示区也出现干扰提醒。
针对出现以上各种现象时系统状态信息的抗原,免疫系统根据标准抗体库给出相应应答措施,由于前4种状态下,单元对工件的加工并不会受到严重影响,故系统暂不做调整。在最后一种状态下,单元6必须停机休整,并排除干扰,此时由于其他状态正常,故没有休整时间的限制,仅需排除干扰即可恢复加工,其抗体与抗原的对应关系如下:
仅当加工区域出现干扰或单元健康值低于50时,系统才会控制单元停机休整,休整时间由标准抗体库中的各状态对应时间决定。
系统的总体健康值会根据系统中各单元的健康情况实时更新。当系统各单元健康值分别为:H1=84,H2=97,H3=66,H4=42,H5=90,H6=77时,此时系统的状态健康值H=79,健康状态比良好稍差,工作人员可以通过该视图实时准确地获知系统的总体健康状态,对系统的加工能力和状态进行实时了解。
通过上述的试验及结果的分析可知,制造系统的免疫监控系统能够准确获得系统的状态抗原信息,并自适应地做出应答措施,产生免疫效应,使系统能够自主应对内外部环境的干扰及系统自身的故障,安全可靠地完成加工任务。
4 结束语
生物免疫系统运作机制的模拟在监测控制和故障诊断领域扮演着重要角色,在把握制造系统发展的内在必然规律后,本文通过借鉴生物免疫系统的研究成果和生物控制论的基本知识,将生物免疫原理应用于类生物化制造系统的状态监控及健康评估,充分利用生物免疫的抗原识别及应答机理,实时处理制造系统内外部环境中产生的变化,并及时给出制造系统的健康状态信息,为制造系统中加工任务的合理安排提供依据。
参考文献
[1]Wang Cunjie,Zhao Yuhong.Fault Diagnosis Method Based on Hybrid Immune Learning Algorithm[C]//Proceedings of the Third International Conferenceon Natural Computation,ICNC2007.Haikou,2007:662-666.
[2]Stan O.Integrated Vehicle Health Management for Aerospace Platforms[J].IEEE Instrumentation&Measurement Magazine.2002,5(3):21-24.
[3]Timmis J,Hone A N W,Stibo T,et al.Theoretical Advances in Artificial Immune System[J].Theoretical Computer Science,2008,403(1):11-32.
[4]陈强,郑德玲,李湘萍.基于人工免疫的故障诊断模型及其应用[J].北京科技大学学报,2007,29(10):1041-1045.
[5]Hart E,Timmis J.Application Areas of AIS:the Past,the Present and the Future[J].Applied Soft Computing,2008,8:191-201.
[6]Costa Branco P J,Dente J A,Vilela Mends R.Using Immunology Principles for Fault Detection[J].IEEE Transaction on Industrial Electronics,2003,50(2):362-373.
[7]Wang Lei,Tang Dunbing,Wan Min,et al.Bio-inspired Self-adaptive Manufacturing System Heter-archical Control Structure[J].Transactions of Nan-jing University of Aeronautics&Astronautics,2009,26(2):122-129.
[8]王莲芬,许树柏.层次分析法引论[M].北京:中国人民大学出版社,1990.
[9]Wang Lei,Tang Dunbing,Yuan Weidong,et al.Pheromone-based Coordination and Control forTask Allocation[C]//2009International Conferenceon Information Engineering and Computer Science.Wuhan,2009:1-4.
自适应性免疫监控系统 篇2
自适应阻尼控制悬架系统结构与工作原理
自适应阻尼控制悬架系统(ADS,Aajuster Damping Control Suspension System)是一种新型电子控制悬架系统,奔驰轿车即装用了这种悬架控制系统.自适应阻尼控制悬架系统将加速传感器、转角传感器、车身加速度传感器等接收的.信号输入ADS电子控制装置(ADS ECU),并根据车辆的行驶状况自动调节减振器的阻尼力,以适应路面的变化,即使在汽车进行避障行驶时,也可以保持良好的乘坐舒适性.
作 者：杨月海 作者单位：刊 名：汽车维修英文刊名：AUTOMOBILE MAINTENANCE年，卷(期)：2010“”(1)分类号：U4关键词：
自适应性免疫监控系统 篇3
【关键词】自适应阅读；语言应用；阅读资源
个性阅读资源是阅读活动顺利、有效开展的关键和基础，因而，在中小学英语教学过程中，阅读材料的有效选择是广大英语教师面临的共同问题。随着信息技术应用水平的不断提升，如何在英语教学中融入更多的网络阅读资源，扩展广大中小学学生的英语范围，进而为学生们的课外阅读提供更多的资源选择呢？
一、选择自适应阅读材料的基本原则
自上世纪后期开始，语言习得教育越来越注重学习者中心地位的突出，并逐渐成为现代外语教学的主流趋势。根据语言输入理论，当语言输入与学习者学习水平存在较大不匹配时，学习者会很难对输入知识形成深入的理解，更不要说充分吸收语言输入知识了，因此，在选择自适应阅读材料时，应尽量选择那些难度适中的阅读资源，难度过高就会打击学习者的阅读自信心，而太低则会使他们无法获得有效的语言知识储备，进而形成停步不前的困境。
但在这种循序渐进的过程中，我们必须解决好以下两个问题，第一，对于阅读材料的“难度”，我们应通过何种方式对其进行权量；第二，不同的学习者之间是否存在个体差异，如果有，那又会有多大。
二、中小学英语自适应阅读系统体系
根据相关文献研究和系统的实际需要，本文认为，英语自适应阅读的完整系统应包括下述几个方面：
1.语言能力特征量辅助标注模块
在英语自适应阅读系统中，我们用阅读材料的篇幅、句式结构、文章类型、概念内容和词汇词组情况等语言能力特征量对阅读材料进行难度表征，既必备的材料阅读语言能力。当然，假如我们完全用人来通过手工获取这些特征变量，这将是非常一项非常宏大的工程，但现有信息技术水平还无法对这些特征量进行自动获取，因而，这一环节的作用是让电脑尽可能自动的获取阅读材料的语言能力特征量，并由人工标注剩余的特征量。
2.英语知识等级参照库
在当前的体制约束下，对学生英语阅读能力进行分级是一项非常麻烦的事。在我国“一纲多本”的教材体系中，国家只是笼统的列出了小学、初中和高中阶段的英语课程标准和基本能力要求。因此，在借鉴教材编排的基础上，本系统在划分英语等级时将其具体到了“单元”，并通过开放式英语知识等级参照库的建立生成了相应的工具，教师通过该工具的利用能够自行生成自己教学教材的英语知识等级参照库，在参照库中，本系统的语言能力特征量包括材料主题、材料体裁、文章篇幅、词组词汇类型、句式语法、材料平均句长等，分别用以记录本等级学到的材料主题、主要的文章体裁、等级阅读学生可以接受的单词总数、较上等级增加的词组和生词、较上等级增加的语法知识和学生可以接受的平均句式单词量等。
3.英语阅读资源库
阅读材料在经手动和自动标注以后放存在英语阅读资源库中，由于阅读材料自身的普适性特点，本文并不会用具体的英语等级去衡量阅读材料的具体划分，而是对阅读材料标注英语能力必备特征量。同时，为了更好的满足学生自检的需要，本系统还设置了材料阅读记录，主要是用材料句子的评价长度自动标注文章句子的平均单词数、用材料篇幅自动记录文章的总词汇数量、用生词词组自动记录阅读材料中出现的词组和单词的原型、用句式语法自动记录材料中的所有语法类型、用材料体裁手动记录材料的题材类型和用阅读理解问题手动记录材料所对应的阅读理解客观题等。
4.个性化阅读材料选择模板
中小学英语自适应阅读系统会自动根据学生现存的阅读水平在资源库中为他们挑选最合适的个性化阅读资源。这一原则主要包括：第一，阅读材料的“难度”较学习者的实际学习能力相比会相对较高，但在学习中能够理解的范围之内；第二，阅读材料的主题和题材类型会尽可能的相似于学习者当前所学的类型；第三，为了确保阅读材料的与时俱进性，资料库会自动挑选那些入库时间不久的阅读材料。
三、结语
在借用现存语言处理软件的基础上，本文初步实现了一个中小学英语自适应阅读系统的构建工作。但受容量因素的制约，这一系统当前还无法进行实际应用，但这并不妨碍这一系统后续潜力的挖掘和发挥。因而，在未来的探究中，如何通过信息技术的利用自动充实英语阅读资源库将会是我们的重点工作方向，当然，这涉及到信息抽取和网络爬虫两大核心技术的处理。总之，我们完全相信，一旦实现英语阅读资源库的自动充实，中小学英语自适应阅读系统必然会发挥更大的应用价值。
参考文献：
[1]陈莉霞.建构主义与语言输入理论[J]. 西安工程科技学院学报，2005（04）.
[2]黄雪英.从语言输入理论看英语阅读材料的选择[J].浙江工贸职业技术学院学报，2003（Z1）.
[3]陆益.浅谈英语阅读材料的选择原则[J].浙江省政法管理干部学院学报，1995（02）.
自适应性免疫监控系统 篇4
随着网络计算机在现代社会中发挥愈来愈重要的作用, 网络安全作为一个无法回避的问题呈现在人们面前。如何建立安全而又健壮的网络系统, 保证重要信息的安全性, 已经成为研究的焦点。入侵检测是网络安全的重要研究领域, 主要有误用检测 (misuse detection) 和异常检测 (anomaly detection) 两类技术[1]。免疫系统是生物体信息处理系统的重要组成部分, 肩负着保护机体安全的重任, 它实质上是一个大规模的分布式信息处理系统, 具有识别自我与非我、学习、记忆和模式识别等重要处理机制。而入侵检测系统与免疫系统有许多相似之处, 它们都肩负着维护自身安全的使命, 同样要对新的信息辨别是"自我"还是"非我", 因此将人工免疫技术机制引入到入侵检测研究领域很有必要。
1、系统模型
目前已有研究人员将免疫理论应用到入侵检测系统当中[2]。检测前先将系统在正常网络流量下运行一段时间, 对检测系统进行训练。训练时期截获的数据包均为正常数据, 我们把它存入"自身"数据库中。异常检测模型如图1所示。模型左边部分是训练过程。其中训练数据是不含攻击行为的学习数据, 此数据全部存入"自身"库中。经过一段时间正常数据的学习之后, 就可以通过与库中的数据进行比较生成疫苗。抗体库在检测过程中不断地更新完善, 使系统能检测各类新型攻击。自身产生抗体的方法如图所述, 此方法模拟免疫、系统的否定选择, 对新型攻击的检测有一定的效果。另一种产生抗体的方法是, 将网络上截获的数据包与"自身"库中的数据比较, 跟库中数据不匹配的则认为是异已抗原, 将其加入到疫苗库, 库中的数据都是与自身正常数据相偏离的, 有可能是新型攻击的特征数据。系统模型的右边部分是实时检测模块。首先将网络实时数据与疫苗库中的数据进行比较, 若两数据相似, 则初步判断为入侵并向管理员报警。此警报若为误报, 则说明与之匹配的疫苗不合格, 将其从疫苗库中清除。警报若被确认为攻击行为, 则接种此疫苗, 将其加入抗体库。抗体库中的数据均为已确认的攻击数据, 与之匹配的数据可判断为入侵。该系统是自适应入侵检测系统, 系统在运行过程中, 对抗体库不断地接种疫苗, 使系统对各种已知攻击和新型攻击都具有免疫能力。
2、抗体表示及匹配规则
抗原, 即系统中连接向量, 存储包括连接服务端口和连接持续时间等特性的网络连接, 抗体说明这些特性的状态。如果一个连接向量符合抗体说明的特性状态, 则抗体匹配连接向量。特性状态可以分为两种形式:单值形式和区间形式。例如连接使用的端口号是单值形式, 而最近2秒内连接到同一个主机上的网络连接数在5和10之间, 是区间形式。
抗体不需要定义所有的特征状态, 没有定义的字段将使抗体覆盖更大的抗原空间, 也意味着允许更多的攻击被检测。相比较而言, 如果抗体的每个字段都被定义将使抗体生成更容易些, 因为它使新抗体更不易覆盖所有的非自我空间, 同时也存在较大的缺点, 即要求更大的抗体集合去匹配相同数量的非自我空间。
抗体的基因型是这些状态的有序列表。若一个状态定义为单值, 则基因型字段对应一个表现型字段;若状态定义为一个区间, 则基因型字段定义为区间的上限和下限。由于许多字段的可能取值范围较大, 除了端口号外的所有字段, 可以通过分配可能的字段值进行聚类。而端口号字段作为一个特殊的例子, 为了聚类相关的端口, 通过使用域知识将端口号划分成功能类完成人工聚类。聚类字段值有两个优点, 首先减少了抗体生成过程的搜索空间。其次, 抗体的基因型字段定义为代表许多值的聚类, 而不是单值, 将不可避免地覆盖抗原的更大范围。同时聚类方法的使用也存在一个不足, 即无法逐一涉及被聚类的数据值, 但就系统处理的模糊规则而言, 这并不是大问题。例如一个网络连接中接收到132个还是133个数据包对判断是否是正常或异常连接并不重要。
当连接向量的组成元素匹配抗体定义的所有字段时, 则称抗体匹配连接向量。可以忽略抗体未定义的字段, 对于非区间字段如端口类型, 两值相等则匹配。对于区间特征如连接持续时间, 当连接向量的相应字段处于抗体基因型字段定义的上下界限之间则匹配。
3、生成可进化疫苗群
疫苗生成是一个多模搜索问题, 一个个体抗体必须覆盖非自我空间的不同部分, 采用确定性排挤的遗传算法实现该目标[3], 遗传算法中定义适应度函数如下:
(1) obj1=最大化疫苗的通用性。即未详细定义的非区间字段数和每个区间字段定义的标准化范围之和。最后结果进行标准化在区间【0, 1】内。
(2) obj2=最小化与疫苗相匹配的训练集中自我实例个数。这里采用负向选择。
(3) i是种群中个体索引, j是目标obj索引。
算法开始时初始化疫苗种群, 过程如下:每个可能的表现型字段以0.5的概率不作详细定义。并在相应地疫苗基因型上赋值为-1, 通过保留一些字段以这种方式不作定义来提高疫苗的通用性。而对于每个有作定义的字段, 其对应的基因初始值可以从所有可能取值中任意取。随机产生的两个父染色体通过统一的交叉操作产生单个子染色体。而子染色体的每个基因以很小的概率通过从可能取值中任意取值进行替换从而实现变异操作。相对地, 如果表现型字段没有具体定义, 则对应的基因型字段取值为-1。根据确定性排挤策略, 子染色体如果比与它最相似的父染色体适应度更高, 则替换这个父染色体。
种群中两个疫苗之间的相似度定义在表现型层次。首先两个疫苗的每个相应字段的相似度值被分别计算。对于非区间字段, 如字段值相等, 则字段相似度为1, 否则为0。对于区间字段, 相似度值为相应区间的重叠程度, 并标准化到【0, 1】区间值。然后再将各个字段的相似度值相加, 则产生两个疫苗总的相似度值。
当疫苗群生成算法结束, 应用负向选择算法, 每个疫苗与训练集中的每个正常连接向量比较, 如果仍然匹配一个或多个正常连接向量, 则移除该疫苗。以保证抗体库中将只包含不能匹配正常连接向量的抗体, 从而减少误警率。
4、试验
我们采用KDD-Cup99的数据集[5]作为IDS系统测试的数据, 取全部训练数据的10%作为系统的训练数据, 将连接记录所包含的22种攻击类型大体分为四种:DOS、U2R、R2L、Probe, 和正常normal类。实验采用数据库中的kdd-cup.data＿10＿percent gz文件, 其包含有494, 021实例的训练数据, 和corrected.gz文件其包含有311.029实例的测试数据。每个网络连接具有41个特征, 其中38个数字型属性特征和3个符号型属性特征。在实验中, 我们设置参数:种群规模=1700;世代数=50, 000;交叉率=10%;变异率=1/L, L为抗体基因型字段数;结果如图2所示, 随着W1增大, 检测性能也逐渐增强, 当W1>0.5时, 检测性能趋于稳定。
5、结束语
目前, 入侵检测技术 (IDS) 已成为网络安全领域研究的焦点, 多种软计算方法被应用到这项技术的研究上[6]。本文构建了一种基于生物免疫机制和遗传算法的自适应入侵检测模型, 使入侵检测系统具有自学习、自适应的能力。实验结果表明:文中设计的分类系统具有较高的检测率和分类率, 较小的误警率, 检测性能良好。
摘要：随着网络入侵方法和网络计算环境的变化, 入侵越来越难被检测和防范.本文针对当前入侵检测中存在的问题给出了一种基于生物免疫机制的入侵检测模型, 利用遗传算法生成的疫苗种群不断更新抗体库使系统具有自适应和自学习的能力, 最后通过仿真验证模型的检测性能。
关键词：入侵检测,软计算,人工免疫
参考文献
[1].周豫苹, 于冬梅.基于遗传模糊分类器的入侵检测系统研究[J].微电子学与计算机.2009.26 (4) .26-28.
[2].J.Kim, P.J.Bentley, U.Aickelin, J.Greensmith, G.Tedesco, J.Twycross, Immune system approaches to intrusion detection-a review, Natural Computing6 (4) (2007) 413-466.
[3].Yuping Zhou, Dongmei Yu, Research on Fuzzy Genetics-Based Rule Classifier in Intrusion Detection System.Proceeding of the2008Interna-tional Conference on Intelligent Computation Technology and Automation (ICICTA2008) Changsha.20-22October2008.IEEE Computer Society press.
[4].K.Diamantaras, S.Y.Kung, Principal Component Neural Networks:The-ory and Applications, Wiley, NY, USA, 1996.
[5].KDD Cup Data, hhttp://kdd.ics.uci.edu/databases/kddcup99/kddcup99.html, i March2006.
自适应性免疫监控系统 篇5
精密转台系统非线性动态自适应控制器设计
提出了一种用于精密转台平滑鲁棒自适应控制器.通过基于σ改进方案的自适应律估计得到未知摩擦参数和非线性项的常值上界,并且利用一种平滑预测算法来改进用于估计不可测摩擦状态的双观测器.为了抑制不确定非线性项,加入了无抖振滑模控制项.通过Lyapunov方法证明了系统的.位置跟踪误差是一致最终有界的.仿真研究表明了该控制方案的有效性.
作 者：王忠山 王毅 苏宝库 WANG Zhong-shan WANG Yi SU Bao-ku 作者单位：哈尔滨工业大学空间控制与惯性技术研究中心,哈尔滨,150001刊 名：航空精密制造技术 ISTIC英文刊名：AVIATION PRECISION MANUFACTURING TECHNOLOGY年，卷(期)：44(2)分类号：V249.12关键词：精密转台系统 摩擦补偿 不确定非线性项 平滑鲁棒自适应控制器
自适应性免疫监控系统 篇6
文献[1,2,3]从用户兴趣方面着手,通过建立用户兴趣模型来获取用户的短期兴趣和长期兴趣,并以此获得资源推荐;文献[4,5]则从资源的关键字入手,试图通过语义关系来计算关键字的相似度来对资源进行聚类,以获得相关的资源。但是资源的相似度计算是一个比较复杂的问题,如果仅采用语义相似度计算就完成对资源的分类工作,则大多难以回避一个问题:相似度计算公式定义得是否合适会直接影响聚类的效果。另外,用户对于搜索结果的反馈对检索算法具有非常重要的指导作用,但是目前很多的检索算法却没有很好地利用用户动态反馈中的语义知识,这是很大的浪费。有些研究者将自然计算引入了聚类研究领域,提出了基于遗传算法的聚类方法[6,7], 基于基因表达式编程的聚类算法[8]、基于免疫网络的聚类算法[9,10,11]。这些算法克服了k-means、FCM这些经典聚类算法伸缩性较差的缺点,但是却增加了数据集类别数,导致某些类别样本数分布偏多或偏少,容易陷入局部最优值。
为了解决这些问题,如果将用户所需资源的描述视作抗原,把资源的候选解视作抗体,那么生物免疫系统的免疫识别和免疫响应过程就可以和免疫优化算法对优化问题解空间的搜索过程联系起来,在此提出了基于免疫优势的多克隆自适应选择聚类算法。该算法将人工免疫系统(Artificial Immune System,AIS)方法引入到资源聚类处理之中,以解决在聚类过程中需要事先知道聚类类别数、极易陷入局部极大等问题,提高聚类的准确度。另外,该算法采用了基于本体的自然语言的语义计算方法来确定抗体的免疫功能,这种将语义分析融入免疫进化过程的方法可以更好地反映资源之间的语义关联和用户对资源的检索需求。自适应是指分析每一次免疫进化后得到新的抗体群结构,以此来动态调整优先算子,检验算法的有效性。多克隆是指引入了组合因子来对资源进行局部和全局的进一步检索,防止算法陷入局部极大的问题,使得资源在召回率和正确率上都有明显的提高。算法的创新点主要体现在以下3个方面:
(1)在克隆选择算法的框架内引入自适应优先算子,使算法能够在聚类搜索过程加快收敛,提高算法的稳定性;
(2)使用了基于本体的语义表达方式来表述用户的需求,并将相似度语义计算公式融入到免疫进化算法中,使得用户的知识动态反馈更好得体现在检索算法中;
(3)设计了组合因子,引入交叉克隆操作,以增加进化过程中抗体的多样性;
1 免疫克隆选择和语义计算结合策略
如何将免疫克隆选择和语义计算相结合来对资源进行检索的过程,如图1所示。
要结合使用免疫克隆选择和语义计算技术,总体来说需要解决以下3个问题:
(1)用什么方法确定抗体的免疫功能,以更好将用户反馈的语义知识体现在算法中;
(2)用什么规则来调整优先算子,以确保算法的有效性;
(3)怎么设计组合因子来实现多克隆操作;
下面详细介绍所提出的免疫克隆选择和语义计算结合策略对这3个问题的解决办法。
2 动态控制优先算子 S
在资源检索模型中,用户一般都处在被动的位置,在向系统输入需要查询的关键字后,只能坐等系统进行各种复杂的查询检索工作,而检索的结果却未必能够反映用户的意愿。为了能让用户根据查询结果多次调整自己的查询要求并反馈到检索算法中,本算法引入优先算子,使得算法能够利用聚类中心搜索过程中反馈的用户动态知识及时调整搜索策略,加快收敛过程,防止陷入局部最优点,提高算法的稳定性。
2.1 获得免疫优势
如何确定抗体免疫优势是首先要思考一个问题。可以确定的是,一个具有免疫优势的优秀抗体与其它抗体相比,更能适应抗原的刺激。采用自然语言的语义计算方法对抗原和抗体进行语义相似度计算,以确定抗体的免疫优势。与抗原资源通过语义计算得到相似度大于阀值的抗体将被认为是具有免疫优势的,加入到参考抗体群中。在进行免疫优势筛选和交叉组合克隆以后,分析每次迭代后得到的参考抗体群的结构,动态调整优先算子,以确保优先算子对抗体群的控制作用是有效的。
2.2 自适应优先算子 S 的控制算法
Step2根据文献[5]的计算公式得到第k代抗原G(k)与抗体Aj(k)的相关度Sj(k)。
Step3将所有Sj(k)>S的抗体加入到参考抗体群A'(k),使用自适应组合因子对A'(k)进行交叉重组和倒位重组操作,最终得到进化后的新一代抗体群A(k+1):
A(k+1)=(A1(k+1),A2(k+1),……,Am(k+1))(m>m'>1)
Step4若用户再次反馈,描述G (k+1)= (t1(k+1),t2(k+1),t3(k+1)),则返回Step2计算G(k+1)和Aj(k+1)的相似度Sj(k+1),继续Step5;否则结束算法。
3 组合比例因子 P
提出在克隆选择操作中引入组合比例因子,以每次迭代中抗原与免疫抗体的相似度为依据,来确定对抗体种群实施多克隆重组操作的比例,自动调整抗体种群的规模和抗体对抗原的适应性。组合操作包括交叉重组和倒位重组,经过这种局部寻优和全局搜索相结合的迭代操作,增加了进化迭代过程中抗体的多样性,摆脱了局部极小的缺点,就可以寻找到通过满足抗原要求的抗体群。下面给出组合操作的相关定义:
定义1交叉重组操作:对当前抗体群A(k),当有抗原G(k)刺激时,经过优先算子S得到参考抗体群A'(k)。
将参考抗体群A'(k)中的抗体与抗原G(k)进行相似度计算后按照大小排列,按组合比例因子P抽取前面部分优秀抗体,认为这些优秀抗体具有重组价值。假设有以下2个优秀抗体:
则以e为交叉点进行步骤(1)到步骤(4)的交叉组合操作,得到如下4个参考抗原。
根据文献[5]的计算公式,4个参考抗原分别与抗体群A'(k)中的抗体进行相似度匹配,将相似度大于优先算子S阀值的抗体加入到参考抗体群A'(k)中。
定义2倒位重组操作:对参考抗体群A'(k),按照组合比例因子P随机抽取A'(k)中的抗体进行倒位重组操作。
根据文献[5]的计算公式,将参考抗体群A'j(k)与抗体群A(k)中的抗体进行匹配,将相似度大于优先算子S阀值的抗体加入到参考抗体群A'(k)中。
4 结语
针对目前语义相似度计算公式对资源的分类标准主观性较强和自然计算无法反映资源的语义内涵关联的问题,将免疫克隆理论和语义计算结合运用于资源数据的聚类检索,着重探讨了如何结合语义相似度计算来判断抗体免疫优势,并通过自适应优先算子和组合因子来设计基于免疫优势的克隆选择聚类算法。该算法利用了搜索过程中获得的用户动态反馈知识,反映了资源之间的语义内涵关系,并且继承了克隆选择算法的全局搜索和局部搜索相结合的特性,使得资源检索算法有效地避免了陷入局部最优的问题,提高了检索算法的稳定性及可靠性。
自适应性免疫监控系统 篇7
分子对接 (molecular docking) 方法是基于受体结构的药物设计 (Structure-based drug design, SBDD) 中的重要方法之一[1], 就是将小分子配体放置于受体的活性位点, 寻找其合理的取向和构象, 使得配体与受体结合形状和相互作用匹配最佳。20世纪80年代, Kuntz[2]等发展了模拟小分子与生物大分子结合三维结构及其强度的计算方法——分子对接方法, 并开发了第一个分子对接程序DOCK。之后一些比较成功的、表性的软件有DOCK, AutoDock, FlexiDock和F1exX[3]。
目前, 已经有许多优化算法用来解决分子对接问题, 典型的模拟退火算法、遗传算法、禁忌搜索算法、蒙特卡罗方法以及这些算法的各种修正变种[4]。也出现了一些随机算法, 如随机聚点搜索算法[5]、随机近似平滑算法和势能平滑搜索算法[6]等。另外, 分子动力学方法也常被用来进行构象搜索。最近, 粒子群算法和蚁群算法[7]也被引入药物分子对接构象搜索中。
在AutoDock[8]中采用的是拉马克遗传算法, 算法在性能上比传统的遗传算法有所改进, 但是算法不能有效地使用先验知识, 影响了算法的搜索效率和质量。本文提出一种基于人工免疫原理的自适应免疫遗传算法。将免疫遗传算法进行了改进, 通过接种疫苗和免疫选择引入疫苗接种;在浓度适应机制下, 繁殖优秀抗体, 抑制浓度过高的抗体, 防止种群的退化。提高种群的多样性和改善种群的质量, 提高了算法搜索性能。
一、分子对接问题的数学优化模型
分子对接是寻找配体分子和受体分子间最稳定的结合状态, 在数学规划意义上, 就是求解目标函数最优化问题。在溶剂环境下, 分子间存在静电相互作用、范德华力、溶剂效应、氢键的作用及配体分子柔性键作用等, 本文采用Auto Dock3.05提供的半经验自由能函数[9], 计算函数如式 (1) :
式 (1) 中的五项分别表示:范德华力作用, 氢键的作用, 静电的相互作用, 柔性键作用和疏水作用对结合自由能的贡献。
二、自适应免疫遗传算法
结合人工免疫原理, 本文将免疫算法和遗传算法进行了一系列的改进, 首先按照文献[10-11]的方法, 选用适应度的选择机制, 有效的促进优秀抗体的繁殖, 同时参考文献[12]的方法, 利用抗体浓度的选择概率, 抑制浓度过高的抗体, 然后在合理提取疫苗的基础上, 通过接种疫苗和免疫选择两个操作步骤引入疫苗接种。
基于距离的抗体浓度的免疫选择概率公式表示为:
由式 (2) 可知, 集合X中与抗体i基因相似的抗体越多, 抗体i被选中的概率就越少;反之, 与抗体i基因相似的抗体越少, 抗体i被选中的概率就越大。这样低适应度的个体也可获得选中的机会, 从而保证抗体的多样性。
三、自适应免疫遗传算法设计
3.1个体编码方式和适应度函数
分子对接算法中的一个解与每个配体摆放的位置和转动的方向以及配体柔性键旋转的方向相对应, 个体的编码方式采用实数进制进行编码, 每个抗体由6+n个实数来表示, 用于分别表示配体分子的取向和构象。
适应度函数前面式 (3) 表示:
其中为配体与受体之间结合自由能相互作用, 函数关系式见式 (1) 。
3.2交叉和变异算子
交叉概率Pc和变异概率Pm这两个参数是决定遗传算法性能的关键, 交叉和变异概率随着遗传操作而变化, 有组织地进化。本文采用文献[13]提出的自适应算子Pc, Pm进行交叉和变异操作。
(a) 自适应交叉率为:
(b) 自适应变异率为:
其中, i=1, 2, …, n, , 表示第i代变异率和交叉率, fmax是当前种群中最大的适应度函数值, favg是每代群体的平均适应度函数值, 表示交叉的两个个体中较大的适应度, 交叉和变异概率Pc和Pm可以自适应地进行调节, 增加种群的多样性, 减少陷入局部最优的可能性。
3.3算法描述
步骤1:初始化种群和染色体编码, 随机生成抗体数目为N的初始种群, 记为种群X0。
步骤2:计算抗体的适应度, 从当前种群Xt中选择n个最好的抗体得到子种群A。
步骤3:根据经验知识提取疫苗, 种群中最佳个体的全部基因位作为有效信息提取疫苗。
步骤4:判断是否终止, 若符合则取最优个体为问题的解, 结束算法;否则执行下面步骤。
步骤5:对选中的n个最优个体进行交叉操作Pc, 新的抗体群为B, 对种群B进行变异操作Pm, 得到的新的抗体群C。
步骤6:从种群C中选择M个适应度值高的抗体替代当前抗体群进行接种疫苗和免疫选择, 新种群记为D, 将种群C和D混合为种群X (t+1) 。
步骤7:种群替换, 群体更新, 返回步骤2, 进入下一次迭代。
终止条件:若达到最大进化代数或统计个体最佳适应度连续不变的次数达到规定次数, 则算法停止运行的最佳个体即为问题的解。
四、实验及结果分析
4.1实验环境
AutoDockAIGA是基于分子对接软件AutoDock3.05进行改进的, 使用C++编写, 用Eclips进行了程序调试, 并嵌入AutoDock3.05中, 使用AutoDock3.05提供的打分函数评价分子对接结果。处理器为Intel Core2.0GHZ, 主存1G, 运行环境为Redhat Linux 9。
4.2对接准备
本文使用的受体和配体原始样本由Autodock官方网站 (http://autodock.scripps.edu) 提供的测试用例, 根据PDB编号从Protein Data Bank (http://www.rcsb.org pdb/) 下载文件, 原始文件均为PDB格式。受体PDB文件先去除水分子, 金属离子和配体原子, 加入极性氢和点原子, 文件保存为PDBQS格式。配体小分子的X-射线晶体结构为: (a) b-Trypsin/benzamidine; (b) McPC-603/Phosphocholine; (c) Streptavidin/biotin; (d) HIV-1protease/XK263; (e) Reductase Methotrexate。
算法中的实验参数 (种群、迭代次数、交叉概率、变异概率、免疫概率) 分别取 (150, 250000, 0.8, 0.02, 0.06, 子种群规模为60) , 其他参数均使用AutoDock3.05默认设置实验中每种复合物进行10次分子对接, 通过分析这10次分子对接结果, 选取其中寻优能力最优秀的一组对接结果, 表1为对接运算得出的数据:
4.3实验效果对比
以上数据是通过改进的构象搜索算法得出的实验结果, 通过测试与不经过改进的原有的AUTODOCK分子对接软件计算得出的实验结果, 以下是效果对比:
4.4实验数据分析
分子对接计算的复杂度随着小分子配体柔性键的增加而变得复杂, 通过观察复合物晶体结构可以评价小配体柔性键。通过实验对比效果, 可以看出通过改进的构象搜索算法, 总体上效果比没有改进的时候要好, 得出的最优最低能量AIGA比AUTODOCK3.05低, 均方根偏差RMSD实验中比Autodock3.05要低, 由于最直接评价分子对接精确性的方法, 就是配体构象和原始构象间的RMSD, 这表明在对接的精确性上AIGA方法优于Autodock3.05。
五、结论
本文提出的算法是免疫算法和遗传算法相结合的一种优化搜索方法, 用于优化柔性分子对接的问题, AIGA与AutoDock3.05相比, 实验结果的能量值更低, 表明模拟分子的结合更为紧密, 说明AIGA方法寻优效果更好, 并且本文方法所计算出的RMSD相对较低, 表明分子对接更准确更可靠, 在对接最低结合能的时间消耗上也低于模拟退火和拉马克遗传算法。实验结果表明新方法具有更高的寻优能力。
自适应信号采集系统设计 篇8
在工业控制和智能测量系统中, 一般信号的变化幅度大, 若采用单一的放大增益, 小信号经放大器放大后, 幅值仍然很小, 经A/D变换后, 会影响数据的精密度, 而大信号放大后又有可能超出A/D转换的量程, 因此设计开发增益自动可调的程控增益放大器, 使允许输入的模拟量在很大的范围内动态可调, 方便与微机接口, 已成为现代测控设备的必然要求。
二、自适应信号采集系统的组成
自适应信号采集系统由差动放大电路、共模抑制电路、双端单端转换电路和程控增益放大电路组成, 是一种连续程控调节电路。
差动放大电路由运算放大器Ⅲ、Ⅳ (OP27) 组成, 在差动放大电路和双单转换电路之间增加了共模抑制电路, 以运算放大器Ⅴ (OP27) 为核心构成。
单双转换电路由运算放大器Ⅰ、Ⅱ (OP27) 组成, 它将单端输入信号转换成双端输出信号, 提供较高的共模抑制能力。
衰减器电路由U6 (8位DAC转换器DAC0832) 和运算放大器U 7 (OP27) 组成。
三、自适应信号采集的方法
可自动控制增益放大器可以用D/A转换器和运算放大器实现, 调试容易, 外接元件少, 可以方便地和计算机接口。放大器增益的线性好、精度高, 既可放大又可衰减, 动态范围达100dB以上。
信号通过传感器, 输入到固定增益放大器。因为输入为单端信号, 所以在固定增益放大器的前端, 要接上一个单端变双端转换电路, 此电路由两个同型号运算放大器组成, 一个做同相放大器, 即信号跟随器, 另一个做反相放大器。信号经前级放大后, 增益是不可变的, 手动调节输入或运算放大器的电阻, 既不方便又不精确。所以, 加一个衰减器和控制器, 通过控制器给衰减的反馈信号, 控制衰减器的衰减倍数, 来实现增益的自动控制。衰减器由D/A转换器和一个运算放大器组成, 运算放大器在衰减器中的作用使D/A转换器的输出电流信号变换成电压信号, 方便传输给电压转换器。控制器由A/D转换器、FPGA控制器和电压比较器组成。
四、基于FPGA的控制器简介
FPGA (现场可编程门阵列) 是新型的可编程逻辑器件, 内部含有大量的门阵列, 相应时间端, 可以精确的控制时钟的输出。FPGA的处理数度很块, 完全适合采集速度比较高的场合。更重要的是FPGA采用系统可编程技术, 即使整个数据采集系统已经投入生产, 也可以根据实际情况改变系统的配置和功能, 下载到FPGA芯片中即可完成功能的修改。在本设计中使用的是Altera公司的EP1K30FPGA芯片。
五、FPGA的配置
FPGA正常工作时, 它的配置数据存储在SRAM中, 由于SRAM的易失性, 每次加电时, 配置数据都必须重新下载。FPGA器件由两类配置下在方式:主动配置方式和被动配置方式。主动配置方式由FPGA器件引导配置操作过程, 它控制着外部存储器和初始化过程;而被动配置方式则由外部计算机或控制器控制配置过程。
专用配置器件通常是串行的PROM器件。大容量的PROM器件也提供并行接口, 按可编程次数分为两类:一类是OTP (一次可编程) 器件;另一类是多次可编程的。ALTEAR提供了一系列FPGA专用配置器件, 即EPC型号的存储器。
配置器件的控制信号 (如, Ncs、OE、和DCLK等) 直接与FPGA器件的控制信号相连。所有的器件不需要任何外部智能控制器就可以由配置器进行配置。配置器件的OE和Ncs引脚控制着DATA输出引脚的三态缓存, 并控制地址计数器的使能。当OE位低点平时, 配置器件复位地址计数器, DATA引脚位高电阻。当Ncs置低点平后, 地址计数器和DATA输出均使能。OE再次置低电平时, 不管Ncs处于何种状态, 地址计数器都将复位, DATA引脚置为高电平。
实际应用中, 常常希望能随时更新器件中的内容, 但又不希望再把配置器件从电路板上取下来编程。ALTERA的可重复编程配置器件, 如EPC2就提供了在系统编程的能力。图2为EPC2的编程和配置电路, EPC2本身的编程由JTAG接口来完成, FPGA的配置可既可由ByteBlasterMV配置, 也可用EPC2来配置, 这时, ByteBlasterMV端口的任务是对EPC2进行ISP方式下载。
六、仿真实验
采用Multisim仿真软件, 该软件是一个完整的设计工具系统, 提供了一个非常大的零件数据库, 并提供原理图输入接口、全部的数模Spice仿真功能、VHDL/Verilog设计接口与仿真功能、FPGA/CPLD综合、RF设计能力和后处理功能, 还可以进行从原理图到PCB布线工具包 (的无缝隙数据传输。它提供的单一易用的图形输入接口可以满足设计需求。
在Multisim2001的主窗口中, 建立新文件, 需要对电路窗口的有关选项进行设置, 这样有利于电路图的搭接和打印。电路窗口的设置包括图纸的大小、是否显示栅格、页边缘和标题栏、电路图选项设置和元器件符号设置。
把元器件进行合理的布局以后, 就可以开始连线了。Multisim2001提供两种连线方式:手工连线和自动连线。在本仿真过程中, 选择用手动连线。本仿真过程中, 使用了函数信号发生器、示波器。
经仿真软件的仿真, 结果符合设想的要求, 但是在实际应用过程中, 因为外界干扰条件的存在, 所以还得考虑采用上面介绍的抗干扰方法。
七、结论
本文提出的这种设计方案理论上分析和仿真结果表明:该系统能够通过FPGA控制衰减器来完成对输入信号的放大, 提高系统的精度, 实现可自动调节放大倍数。促进系统性能的改善和提高, 具有较高的应用价值。
摘要：本设计应用现场可编程门阵列 (FPGA) 控制实现对放大器增益进行预置和自适应控制, 全面提高了采集数据的精度和检测信号的动态范围, 提高了系统的可靠性。
关键词：自适应,运算放大器,FPGA,仿真
参考文献
[1]谢自美:电子线路设计[M].武汉, 华中科技大学出版社, 2000.6
自适应性免疫监控系统 篇9
1 研究现状分析
目前欧美和日本交通监控技术走在了世界前列, 建立起了一套结构合理、联动高效的自动化监控网络系统。整个监控系统由中央级及站点级综合监控系统组成分层管理模式, 应用异构数据源提取技术、分布式组件技术、XML技术、元数据技术以及工业控制接口技术等。
国内仅部分地区建设了交通监控网络系统。建设发展初期, 由于建设资金来源、发展模式等差异, 包括河北省的大部分地区都采用分段、分线建设的模式, 缺乏统一规划, 设计原理大都是基于PC的IP宽带数字网络监控系统。随着网络综合监控的范围越来越广, 规模越来越大, 功能要求也越来越复杂。面对这种情况, 很多系统重复投资, 分别建设系统专网, 并手动在各个系统之间操作。这就造成了分散独立管理的信息孤岛现象, 信息无法共享, 还没有形成协同统一的智能监控网络系统, 智能化水平和效率较低。
2 交通监控网络系统结构的优化设计
我们用连通图表示各个监控专网以及之间可能设置的若干条通讯线路。其中, 图的顶点表示监控专网, 边表示两个监控专网间的通讯线路, 赋予边的权值表示相应的代价。在连通图中选择包含全部网点和边的权值之和最小的一个联通子图, 这就是连通图的最小生成树。
我们根据国际通行的交通智能监控系统的基本要求, 结合现场实际情况, 基于最小生成树原理, 改进了克鲁斯卡尔算法, 优化设计了现有监控网络结构, 消除监控专网独立设置所造成的信息孤岛, 不需重建专网, 用最小代价实现了联网覆盖所有监控范围, 在一定范围内实现交通监控系统“大联网”, 最终减少了重复投资, 实现了资源共享, 并且系统今后的维护、使用、保养及扩展方便。
3 交通监控网络系统流量的自适应优化处理
自适应控制可以看作是一个能根据环境变化智能调节自身特性的反馈控制系统。我们在交通监控网络传输数据的处理和分析过程中采用了自适应滤波器技术。自适应滤波器能够根据输入信号自动调整性能进行数字信号处理的数字滤波器。根据处理数据的数据特征自动调整处理方法、处理顺序、处理参数、边界条件或约束条件, 使其与所处理数据的统计分布特征、结构特征相适应, 以使系统能按照一些设定的标准工作在最优状态。
基于自适应技术原理, 我们将集中在各监控服务器上的负载状况合理分配, 使得负载均衡, 优化了流量管理, 从而提高系统智能化水平和效率, 保证整个监控网络系统的高可靠性。
4 结束语
交通监控网络系统自适应优化设计, 可以节约建设和管理成本, 消除信息孤岛, 真正实现资源共享, 在公安交通部门联网收费、应急抢险、指挥调度等方面节约大量的人力、物力和财力。最终目的是要形成一人建设、多人使用, 一点触发、多点联动的协同统一的智能监控网络系统, 推动交通、治安、城管等实现横向联网信息共享, 建设真正的智慧城市。
参考文献
[1]严蔚敏.吴伟民.数据结构[M].北京:清华大学出版社.2007.
[2]梁西.最小生成树在网络设计中的应用[J].宿州教育学院学报, 2012 (09) .
[3]严雪艳, 郭建中.基于LMS自适应滤波器对噪声干扰的语音恢复研究[J].陕西师范大学学报:自然科学版, 2005, 37 (03) .
自适应网络课程学习导航系统 篇10
应该指出, 网络上许多课程已经注意了学习导航, 但是, 大量的学习导航还处于静态水平上, 未实现动态的个性化的服务。存在主要的问题有:
(1) 不能灵活建构学习内容和学习过程。现有各种导航组织是固定的、线性的, 很难做到学习个性化和学习模式的多样化;
(2) 缺乏足够智能性, 一般的课件导航只是方便用户浏览内容, 很少具有用户行为分析、知识联想、学习推荐等智能导航策略;
(3) 缺乏个性化服务, 大部分的课件在不同的用户面前呈现的内容是一样的, 都是按课程本身的组织方式呈现, 没有根据不同用户的学习状况和爱好展示不同的学习内容, 也没有区别个体提供不同的服务;
针对以上问题, 本文认为导航系统建设需要考虑:个性化学习内容的结构应超越传统的目录结构, 能够根据领域知识结构和学生的认知结构来灵活建构;有效的智能导航策略不仅提供学习单元状态提示与内容漫游功能, 还具有用户行为分析、知识联想、学习推荐等多种功能;系统能为每一个用户达到的学习目标设计一定的任务和实施环境并给出相应的测试与评价。
只有达到了这些要求, 学习系统才能真正担负起"教"与"学"的双重功能, 为用户通过电子课件学习提供一个良好的环境。
一、系统设计目标分析
自适应网络课程学习系统主要提供了网上学习的平台, 其主要功能如下:
1、通过用户注册初步了解用户基本信息, 同时初始化用户学习状态与用户学习记录。
2、进入系统, 系统通过用户记录展现了用户的学习级别及与该级别相匹配的难度的知识点, 从而实现了用户进行网上学习的个性化与自适应性特征, 同时通过教学大纲导航, 用户可以进行学习, 并可通过在线测试了解对知识点的掌握程度。
3、通过测试结果改变用户的学习状态与学习记录, 对用户的状态进行管理。当用户再次登录时, 系统会自动进行更新, 实现用户学习的个性化。
4、通过知识点链接导航使用户在页面之间轻松跳转, 不至于在浏览过程中迷失方向, 从而提高学习效率, 促进学习进度。
5、在用户进行某一知识点的学习时, 有相应的知识点分类导航对用户进行指导。这些知识点和用户所学知识具有相同的关键字, 它们之间可能存在某些关联与联系。这样便于用户对此类知识的查找, 同时也会扩大用户的知识面。
6、通过知识点搜索导航, 用户可以直接进行所要学习知识点的查找。对所要查找的知识点了解较少时可以模糊查找, 而了解较多则可精确查找。
二、用户模型的介绍
用户模型可以记录所有不同用户的特征以及不同学习行为信息。设计用户模型的目的是为了给用户提供自适应的个性化服务。本系统用户模型的特点是模型分为动态和静态两部分, 两部分相互作用共同完成建构个性化的学习内容和动态导航的任务。用户模型可分为以下四部分, 用户模型下级分为三个组成部分个人信息、互动信息和学习记录。
三、系统导航功能模块介绍
在系统分析的基础上, 结合用户的学习特征和学习状态, 得出本系统的功能模块结构图, 此模块共分为三层结构, 各结构之间紧密相连, 共同建构了自适应网络课程学习导航系统。具体功能模块如图1。
四、系统详细设计与实现
4.1 系统工作原理介绍
本系统采用B/S结构 (Browser/Server, 浏览器/服务器结构) 和基于Web服务两种模式, 是一个适用于Internet环境下的模型结构。只要用户能连上Internet, 便可以在任何时间和地点进行学习。
系统的工作流程包括以下一些关键环节:
(1) 用户注册。用户使用该课件前需注册, 系统会将用户输入信息记录到用户模型中。
(2) 用户登陆。用户输入用户名和密码后, 系统验证正确性及用户能否进行学习。
(3) 个性化学习内容自动生成。根据用户注册时输入的学习特征和学习过程中的学习记录, 从用户模型和知识领域模型中读取相应信息合成网页内容。
(4) 用户信息管理。其中包括对用户信息的查询和修改, 系统会根据修改后的用户信息重新自动合成网页内容。
(5) 在线浏览。这是用户学习课件内容的主要方式, 浏览中的动作主要是点击网页中的超链接, 系统会动态跟踪用户的行为更新网页内容和导航提示。
(6) 导航搜索。为帮助用户更快更方便的找到所需知识点, 系统根据知识点不同的特征, 比如说作者不同, 主题不同或关键字不同等进行搜索, 使用户一步到位, 直接找到所需知识点。
以上各个环节相互联系, 前后影响。对于用户的每一操作, 系统都会自动读取数据并更新其中用户数据, 并将更新后数据通过课程学习系统网页呈现出来。
4.2 系统数据流图
数据流图能精确地在逻辑上描绘系统的功能、输入、输出和数据存储等, 摆脱了物理内容, 是描绘系统逻辑模型的最主要的工具。经过系统详细调查及用户需求分析, 我们得到了新系统的数据流图。如图2、图3:
4.3 系统的实现算法
4.3.1 用户信息初始化算法
该算法中牵涉的数据有:用户数据库中的用户信息管理表、用户特征表、用户学习表。算法主要功能是通过接收用户输入或选择的信息初始化用户模块中有关信息。
4.3.2 检索导航算法
登录后, 用户可根据知识点搜索进行检索。知识点搜索主要从知识点主题、知识点类别和知识点的关键字三方面进行。三方面的共同限制可使用户查找到较精确的知识点。在该导航实现过程中, 用到的数据有文章知识表, 内容是从文章知识表数据库中调出。
4.3.3 知识点关联导航算法
知识点关联导航是当用户浏览某知识点时, 与此知识点相关的知识点将显示在相关知识点栏目中。这些知识点的相关性是根据关键字进行判断的。用户点击任一知识点, 只要与此知识点具有相同关键字的知识点都会显示在页面上。这种自适应性方便了用户对一些相关知识点的查找与阅读。
4.3.4 网络课程知识点显示算法
用户登录成功后, 页中知识点的内容是根据用户学习级别进行判断的, 用户学习级别不同决定了不同内容。这种根据用户学习情况自适应的显示, 有利于用户对知识点的掌握, 同时随着学习不断推进, 用户可以相应改变自己学习级别, 来学习更高级的知识点, 直到对整个课程知识点有了深刻的了解与认识。
4.4 前端页面的设计与实现
在后台数据库建立与整体设计的基础上, 前端页面的设计与开发尤其重要, 对于自适应网络课程学习导航系统来说, 主要包括的页面模块有:用户注册模块、热点学习模块、推荐学习模块、知识点搜索模块、知识点分类导航模块、主题分类导航模块和讨论区模块等。
4.4.1 系统公用页面
在本系统中, 将会有些公用页面, 即每个文件或部分文件都会用到的文件, 在使用这些文件时, 只需一个包含语句即可, 这样减少了代码的冗余, 也使编码简单, 减少了工作量。主要公用文件包括:syscode_article.asp、conn.asp、function.asp、config.asp等。
(1) syscode_article.asp:该文件是对系统栏目和文章专题与章节的整体管理。它包括文章内容与知识点的如何显示, 以及用户的阅读权限, 栏目的显示效果, 文章的分页效果, 最新文章显示函数, 推荐文章显示函数, 最热文章显示函数等。此文件基本上贯穿了整个系统, 它包含在各文件中, 是系统的主要部分与精髓。
(2) conn.asp:该文件对于程序中建立数据库连接和关闭数据库连接的操作, 最好放在一个包含文件中, 这样便于维护和修改。前面一部分为建立数据库连接的语句, 其中conn为建立数据库连接的对象, connstr为数据库连接字符串, 它表明了数据库连接的物理路径以及采用的数据库类型, 采用的是ACCESS数据库。用这种方法连接数据库的目的是防止程序被移植后, 数据库的路径出现问题或是还得设置数据源。
(3) function.asp:该文件是各种函数的集合文件, 主要包括检查email地址合法性函数Isvalidemail () , 求字符串长度函数Strlenth () , 显示错误提示过程WriteErrMsg () , 显示本站公告信息过程ShowAnnounce () , 显示用户登录表单过程Sho UserLogin () , 显示知识点搜索表单过程ShowSearchForm () 等。这些函数或过程放在同一个ASP文件里, 便于其他asp文件的调用, 同时易于修改和管理。
(4) config.asp:该文件是各种常量的声明文件, 这样做的目的是可以在程序的任何部分使用该常量来代替某一特定的数值, 从而方便了编程。
4.4.2 用户注册页面
用户注册界面如图4所示。带*号的为用户必须填写的内容, 这便于对用户的管理以及用户的安全性。用户注册页面的信息是用户进入系统的有利凭证。该页面涉及的主要asp文件为user_reg.asp。
4.4.3 分类导航模块
分类导航的简单设计使用户一目了然, 他们带有不同的超链接, 不同页面显示不同的主题内容。分类导航提供了两个框架:主题分类和知识点分类。两种导航操作起来都比较简单, 适合各种层次的用户使用和操作。
此主题分类导航模块包含了各种知识点, 知识分类清晰可见, 主要由showspecial () 函数和showclassnavigation () 函数来编译, 其中showspecial () 函数用来编译专题栏目, 而showclassnavigation () 函数用来编译栏目导航。其中涉及到的其它文件还有syscode_article asp、function.asp、conn.asp。
知识点分类导航模块方便了用户的多方面查询, 使用户可以在某一知识点下了解到更多的相关知识, 扩充自己的知识面, 同时了解自己在其他知识点中的不足。此模块涉及到的ASP文件有syscode_article.asp, function.asp和conn.asp。
在syscode_article.asp中, 主要涉及的函数为showcorrelative () 函数, 此函数是知识点显示的主要函数。在showcorrelative () 函数中包含了function.asp中的gottopic () 函数, gottopic () 函数是一截取字符串的函数, 返回值是截取后的字符串。同时为了数据库建立连接, conn.asp是必不可少的。
4.4.4 检索导航模块
本模块功能:方便用户搜索所要学习的知识点, 快速定位。本模块是在选择知识点分类的基础上根据知识的各个关键字进行搜索。
其主要的ASP页面有:
(1) conn.asp页面, 此页用来与数据库连接, 便于其它页面对数据库进行查询时使用
(2) article_search.asp页面, 对于知识点搜索的结果将显示在此页面中。
涉及到的主要函数有:showsearchform () 函数, 此函数是用来显示知识点的搜索表单, 即模块中所显示的内容。showsearchresult () 函数, 分页显示搜索结果的函数, 此搜索结果将显示在article_search.asp所显示的页面中。
4.4.5 推荐学习导航与热点学习导航模块
推荐学习导航和热点学习导航主要是管理员进行管理的, 管理员根据最近比较好的知识点文章对用户进行推荐, 并将最受用户欢迎的知识点显示在热点学习栏目中。
4.4.6 讨论区页面
讨论区页面主要功能是方便用户之间的交流与讨论, 用户可以在交流中不断发现问题, 解决问题, 同时不断增加自己的知识面。
讨论区主要用到文件有:chat.asp、announce.asp、particular.asp、re_announce.asp、count_hit.asp。
结语
网络学习导航系统成功的关键在于导航界面的清晰, 简单设计、导航系统的全面性、导航系统的自适应性和系统的易管理性这四个方面。
本系统的大部分模块已经实现, 并符合以上几个特性。但一个完整的系统靠短时间的分析、设计来开发是远远不够的, 它需要更长时间来测试并完善。随着研究的进行, 可能还会有其他一些问题, 需要继续努力, 改善本系统。
摘要：现代信息技术的发展, 使得基于WEB技术的网络教育平台成为现代教育技术改革与发展的方向。本文介绍了用ASP+ACCESS技术开发该系统的子系统自适应网络课程学习导航系统。该系统主要利用了ASP强大的网络数据库访问技术, 实现了网络学习的自适应性。