图2 原始序列图形

        原始含噪声数据的波形如图2所示，从上至下依次是指数形式、常数形式和多项式形式，数据有效长度为 ，原始数据中叠加的高斯白噪声符合 分布。在基于人工免疫网络的数据聚类过程中，线性归一化的原始数据作为抗原输入人工免疫网络，设置抑制阈值 ，最大循环代数为 ，记忆细胞规模为 ，其中的10次数据聚类结果如表1所示。

表1 人工免疫网络的聚类结果

                         
        如果将表1所示的10次实验均值作为聚类中心，则可以发现，它们大致位于各组数据的几何中心，同时也表明聚类结果的稳定可靠。

        采用AR模型对原始数据进行预测时，通过试算法得出指数形式数据的AR模型为5阶，常数形式数据的AR模型为6阶，多项式形式数据的AR模型为11阶，预测误差如图3所示。

        根据图3所示的预测误差可以看出，随着时间的推移，预测结果的误差逐渐增大，并逐渐偏离数据中心，其中常数类型数据的预测误差最小，多项式类型数据的预测误差最大。

图3预测结果误差 (a)指数形式数据 (b)常数形式数据 (c)多项式形式数据
 
６ 结论

        本文面向复杂系统综合健康管理对数据聚类和数据预测实际需求，充分利用人工免疫网络和AR模型的各自优势，提出了基于人工免疫网络和AR模型相结合的数据聚类和预测算法，并针对三种形式的原始数据进行了仿真实验，实验结果初步验证了所提出算法的可行性和有效性。本文提出的算法具有较强的通用性、适应性、鲁棒性，如何有效地提高聚类精度和预测准确性将是继续深入研究的内容。