1.3 人工免疫系统与人工智能的关系

通常IEEE国际学术界将人工免疫系统看作计算智能的研究领域之一，而计算智能又是人工智能的研究领域之一，由此，我们可以认为人工免疫系统是人工智能的子集。

1.3.1 人工免疫系统与模式识别的关系

已知自然免疫系统具有天生的、并行的、非线性的识别能力，在正常的免疫应答条件下能够有效区分自体和异体[37]。而人工免疫系统是基于自然免疫系统启发的，因此人工免疫系统也就继承了传统免疫系统所具有的较强模式识别功能，特别是对未知异体的识别。

人工免疫系统的自进化学习机制用来设计免疫算法和免疫学习机制，以提高算法对入侵模式识别的效率和正确率，该算法具有较好的识别未知模式的能力[38]。用小波分解的频谱性和人工免疫系统进行人脸识别，对每一个人脸模板特征都可以用人工免疫系统中的模式识别方法生成一个特征评判集合，然后待识别的图像就可用模板特征的评判集合来进行评判[39]。一种基于生物免疫系统克隆选择机理和免疫网络理论的免疫算法，通过抗体的克隆选择和变异过程完成对入侵抗原的清除，实现免疫防御的功能。加热炉状态识别的应用研究表明，该算法在解决数据识别方面具有较好的效果[40]。为了对多光谱遥感影像进行更精确的分类，人们提出了一种基于克隆选择的多光谱遥感影像分类算法[41]。用免疫启发的有导师学习算法建立在一种人工免疫识别系统的基础上[42]。人工免疫系统技术已经用于异常检测领域，也可以用来求解预测问题[43]。

在抗蠕虫病毒Web免疫系统中，人工免疫系统分两层对异体进行识别。第1层是固有免疫计算层，通过异体数据库查询能够识别已知异体的特征信息；第2层是适应性免疫计算层，利用BP神经网络能够从异体数据库中学习已知异体的特征信息，并用训练好的BP神经网络识别未知异体。因此，对于抗蠕虫病毒的Web免疫系统，模式识别是其人工免疫系统的必要功能之一，也是抗蠕虫病毒的重要手段之一。

总之，人工免疫系统是一种新的计算智能分支，可用于模式识别[44]。

1.3.2 人工免疫系统与神经网络的关系

人工免疫系统由自然免疫系统启发而来，而人工神经网络由人类神经网络启发而来，所以人工免疫系统和人工神经网络也具有某些相似之处。对于人类而言，免疫系统和神经系统存在着许多相似之处，两者都由大量高性能单元组成，具有识别、学习和记忆能力，且具有容噪、泛化和记忆能力，以及通过竞争实现的并行分布处理能力。但是免疫系统的结构比神经网络更为复杂，同时也具有更强的信息处理能力。神经网络获得所识别对象的内部镜像图是通过归纳实现的，即不断压缩原始图像；而人工免疫网络先构造一幅充分反映所识别对象形态的随机图，再通过对该图像不断扩展与压缩来反映所识别对象。因此，人工网的计算量很大，而且主要集中在算法的初始阶段。

免疫系统和神经网络都是由大量不同类型的细胞组成的，人类免疫系统大约有1012个淋巴细胞，神经网络大约有1010个神经元[45]。人工免疫系统的基本单元是属性字符串，该属性字符串对应于免疫分子；人工神经网络的基本单元是人工神经元，人工神经元由激励函数、加运算器、连接权重和激励阈值组成[44][46]。

免疫系统和神经网络通过细胞的差异性对大量不同的激励产生相应的响应，免疫系统能够识别和响应许多不同种类的大分子，神经网络能够识别和响应特殊的小分子、图像信息、空间或时间的压力等[47]。

免疫系统和神经网络都具备记忆能力，它们对事件的记忆可以长达多年，都能通过学习来调整其行为[47]。人工免疫系统将异体的特征信息存储在异体数据库中，将自体的时空属性存储在自体数据库中；人工神经网络将对已知异体的学习结果存储在该神经网络的参数变量里。

由于人工神经网络自新兴至今已发展成为计算智能的分支之一，也就是人工智能的子集之一，而人工免疫系统本身具有和人工神经网络相似的特点，因此人工免疫系统目前的定位是计算智能的分支之一，也就是人工智能的子集之一。此外，人工免疫系统还与进化计算、机器学习有着密切的联系，因此人工免疫系统与计算智能学科中的其他分支相互交叉、相辅相成。