1 引言

        人工免疫系统是在生物免疫系统理论的基础上发展起来的，是利用生物免疫原理和思想建立的人工模型，具有多样性、分布性、动态性、鲁棒性等特点。人工免疫系统可以解决模式识别、数据挖掘、故障诊断、信息安全、优化计算等领域的诸多问题，已经成为继神经网络、模糊逻辑和演化计算之后的热点研究内容[1-3]。

        人工免疫网络（aiNet）是利用免疫理论中的克隆选择、亲和力成熟和免疫网络理论等构建的网络模型。作为人工免疫系统范畴内的重要应用模型，它具有噪声耐受、无教师学习、自组织等优点，受到了国内外学者的广泛关注，研究成果涉及数据处理、优化学习和故障诊断等领域。

        自回归模型（AR模型）具有线性体系结构，和ARMA模型相比，求解方法和实现手段更为系统和有效。AR模型的理论完善、实现简单、抗干扰能力强，使得它在数据分析与系统建模等很多学科占有重要的地位，广泛应用于特征提取、参数估计、频谱估计、系统建模、时间序列分析与预测等工程技术领域。

        对复杂系统实施综合健康管理，需要实时监测系统的运行状况。如果存在运行历史数据和经验信息，则通过比较实时获取数据和历史经验信息，可以确定复杂系统的当前工作状态；以此同时，为了避免灾难性事故发生，需要根据系统当前工作状况和历史信息，预测系统未来时刻的运行情况，以便在系统出现故障之前采取必要的措施，将经济损失降低到最小程度。

        复杂系统的结构复杂、子系统数目多、组件分布广泛、影响因素多样，单纯地采用传统方法确定系统运行状况和预测未来工作状态相对困难。人工智能和演化计算领域的飞速发展，为解决该问题提供了崭新的途径。本文将充分利用人工免疫网络的分布性、记忆性和鲁棒性的特点，与基于AR模型的预测方法相结合，面向复杂系统综合健康管理的实际需求，研究基于人工免疫网络和AR模型的数据聚类与预测方法，为实施系统综合健康管理进行有益的探讨。

2 人工免疫网络

        Jerne在1974年首次提出了免疫网络理论，并给出抗原和抗体的网络识别机制[4]。免疫系统能够辨别“自我”和“非我”，并通过免疫应答机制排除“非我”；免疫系统的初次应答保存了抗原的信息，当再次遇到相同或者相似的抗原时，会迅速引发二次应答过程，有效地排除“非我”。

        在生物免疫理论的基础上，De Castro和Von Zuben等提出了人工免疫网络（aiNet）模型[5]，它根据抗体和抗原之间的亲和力来确定保留或者剪除求解边界和节点，以获得人工免疫网络结构（即记忆抗体）。作为抗原内映像的记忆抗体用于检验新的抗原，并决定是否启动二次免疫应答。人工免疫网络算法流程如下[3]：

3 AR模型概述