多模型数据集的免疫鲁棒回归分析

？针对传统多模型数据集回归分析方法计算时间长、模型识别准确率低的问题，提出了一种新的启发式鲁棒回归分析方法。该方法模拟免疫系统聚类学习的原理，采用b细胞网络作为数据集的分类和存储工具，通过判断数据对模型的符合度进行分类，提高了数据分类的准确性，将模型集抽取过程分解成“聚类”“回归”“再聚类”的反复尝试过程，利用并行启发式搜索逼近模型集的解。仿真结果表明，所提方法回归分析时间明显少于传统算法，模型识别准确率明显高于传统算法。根据8模型数据集分析结果，传统算法中，效果最好的是基于ransac的逐次提取算法，其平均模型识别准确率为90.37%，需53.3947s；计算时间小于0.5s的传统算法，其准确率不足1%；所提算法仅需0.5094s，其准确率达到了98.25%。