33、实值负选择算法与土壤属性预测的研究进展

实值负选择算法与土壤属性预测的研究进展

实值负选择算法（VSRNSA）

生物免疫系统（BIS）具有独特性、自主性、识别外来物、分布式检测和抗噪等特点。受其启发，人工免疫系统（AIS）成为软计算的新兴领域，主要包括基于克隆选择的算法、基于负选择的算法和人工免疫网络模型。

负选择算法（NSA）是AIS中的重要算法，由Forrest等人提出。它仅使用自身样本训练检测器，将未知数据分类为自身或非自身，常用于异常检测、故障检测和网络安全等领域。早期的NSA采用二进制表示问题，但许多应用更适合用实值空间描述，因此实值负选择算法（RNS）受到更多关注。其中，V - detector使用可变大小的检测器，在达到足够覆盖时终止训练阶段。

在实际应用中，很难获取所有自身样本，通常使用部分样本训练检测器。为降低误报率，引入了自身半径，但大多数NSA中自身半径是固定的，无法构建合适的系统自身轮廓。为此，提出了具有可变自身半径的实值负选择算法（VSRNSA）。

构建系统的自身轮廓

在生物免疫系统中，负选择机制可消除自身反应性淋巴细胞。类似地，负选择算法通过消除与自身样本匹配的检测器候选者来生成检测器集。在RNS中，引入自身半径以允许靠近自身中心的元素被视为自身元素，代表自身样本的允许变异性。固定大小的自身半径无法构建合适的系统轮廓，半径过小会导致自身空间覆盖不足，误报率高；半径过大则会使部分自身元素覆盖非自身空间，导致漏报错误。而可变自身半径可以适当覆盖自身空间，构建合适的系统轮廓，提高真阳性率，降低误报率。

VSRNSA算法

NSA包括训练和检测两个阶段。在训练阶段，随机生成检测器，使用欧几里得距离匹配规则消除与任何