本文主要研究免疫计算智能在数据分析中的应用,在对现有人工免疫数据分析技术的缺陷进行分析的基础上,提出新型数据分类技术,与目前最成功的人工免疫系统分类方法——基于资源有限人工免疫系统的免疫识别系统AIRS进行比较研究。 在对自然免疫系统原理与机制简要描述基础上,对人工免疫系统的原理与应用进行了详细综述,重点介绍用于数据分析的免疫计算智能。aiNet是一种将人工免疫网络与传统聚类技术相集合的新型聚类分析方法,本文利用主元素分析技术对aiNet可视化进行改进,证明aiNet利用传统聚类技术分析高维多类数据方面和可视化方面存在缺陷,不是有效的、实用的数据分析方法。 AIRS是一种基于资源有限人工免疫系统的数据分类器,也是目前人工免疫系统领域最成功的分类器。本文提出基于人工免疫网络的新型数据分类器—人工免疫网络记忆分类器(AINMC)。在UCI标准数据集合上进行测试,与AIRS和其他传统分类器进行比较,目的是研究基于人工免疫网络原理的数据分类方法的性能。重点研究了AINMC的主要参数与分类准确率的关系。实验结果表明,人工免疫网络记忆可以用于解决分类问题。在最佳参数设置情况下,AINMC具有良好的泛化分类性能和较高的分类准确率,具有优于与AIRS的性能,并优于许多传统分类器。同时对AINMC的参数敏感性进行了分析,并与AIRS的记忆细胞距离分布进行了比较分析,揭示了AINMC具有比AIRS更好的分类性能的根源。 本文对AINMC在多维多类数据集合上测试其性能,表明AINMC在多维多类测试数据集合上的性能好于AIRS。将AINMC应用于实际中较普遍的类别分配不均匀数据建模和预测,利用ROC曲线方法分析其性能,并与