專利名稱：一種基于msbn的多智能體協(xié)同目標(biāo)識(shí)別方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種目標(biāo)識(shí)別方法，尤其是一種基于多片連貝葉斯網(wǎng)(Multiple sectioned Bayesian network, MSBN)協(xié)同推理的多智能體協(xié)同目標(biāo)識(shí)別方法。
背景技術(shù)：
對(duì)于目標(biāo)識(shí)別而言，在給定一些證據(jù)的情況下，需要推斷對(duì)應(yīng)的模型中目標(biāo)類型等隱節(jié)點(diǎn)(又稱隱變量)最有可能的概率分布，使其與掌握的先驗(yàn)知識(shí)、原則等有機(jī)結(jié)合， 通過多源信息的融合，達(dá)到對(duì)目標(biāo)識(shí)別的目的。每個(gè)待識(shí)別目標(biāo)都有其與眾不同的特征表象。隨著電子和信息系統(tǒng)的發(fā)展，數(shù)據(jù)收集變相對(duì)得容易，所以大量數(shù)據(jù)可以在相對(duì)短的時(shí)間里得以收集。然而，在嘈雜、不確定性、動(dòng)態(tài)的環(huán)境下利用信號(hào)進(jìn)行快速、準(zhǔn)確的目標(biāo)識(shí)別，是一個(gè)復(fù)雜而艱巨的任務(wù)。作為解決不確定性和不完全信息問題處理的有效方法，融合了概率論與圖論的貝葉斯網(wǎng)絡(luò)是可用于目標(biāo)識(shí)別理論工具之一。將問題域轉(zhuǎn)化為貝葉斯網(wǎng)絡(luò)模型表示后，便可利用貝葉斯網(wǎng)絡(luò)理論完成推理任務(wù)。貝葉斯網(wǎng)絡(luò)的推理是貝葉斯網(wǎng)絡(luò)研究的重要內(nèi)容。其中，連接樹(又稱為聯(lián)合樹，Junction tree，簡(jiǎn)稱JT)算法是目前計(jì)算速度快、應(yīng)用最廣的 BN精確推理算法之一。無人車輛、機(jī)器人、無人飛機(jī)等都可視為智能體。單個(gè)智能體的能力有限，通過多智能體協(xié)同及少量資源的共享擴(kuò)展其執(zhí)行任務(wù)的能力是一種很自然的選擇。同時(shí)，由于計(jì)算機(jī)網(wǎng)絡(luò)的成本不斷下降，分布式處理構(gòu)成環(huán)境狀態(tài)探測(cè)傳感器網(wǎng)絡(luò)可有效克服傳統(tǒng)的集中式傳感器網(wǎng)絡(luò)監(jiān)測(cè)方法的缺點(diǎn)。采用本地分布式處理，然后通過消息傳遞進(jìn)行部分信息的交流，每個(gè)分布式處理單元常抽象為一個(gè)的智能體，用以體現(xiàn)其傳感器網(wǎng)絡(luò)的子集、資源、局部知識(shí)以及其推理過程。這些智能體的集合構(gòu)成一個(gè)多智能體系統(tǒng)。對(duì)于目標(biāo)類型的識(shí)別，常用目標(biāo)識(shí)別包括神經(jīng)網(wǎng)絡(luò)法和動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)法。文獻(xiàn)1 (史建國，高曉光，李相民，離散模糊動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)用于無人作戰(zhàn)飛機(jī)目標(biāo)識(shí)別[J]， 西北工業(yè)大學(xué)學(xué)報(bào)，2006，M(I) :45-49)采用模糊數(shù)學(xué)中較為常用的模糊隸屬度函數(shù)將連續(xù)觀測(cè)數(shù)據(jù)離散化。然后利用離散模糊動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)，對(duì)若干可觀測(cè)的目標(biāo)特征參數(shù)進(jìn)行綜合推理出目標(biāo)的類型。然而神經(jīng)網(wǎng)絡(luò)法存在模型解釋性差的缺點(diǎn)。而由于動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)作為傳統(tǒng)的BN之一，采用的是集中式的單智能體推理方式，如文獻(xiàn)2 (Y. Xiang， Probabilistic Reasoning in Multi-Agent Systems :A Graphical Models Approach[Μ], Cambridge University Press, Cambridge, UK, 2002)指出的那樣，BN 的構(gòu)造和推理既復(fù)雜且時(shí)間開銷較大，同時(shí)動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)具有所需觀測(cè)時(shí)間長(zhǎng)的不足。

發(fā)明內(nèi)容
為了克服現(xiàn)有技術(shù)解釋困難或所需觀測(cè)時(shí)間長(zhǎng)的不足，本發(fā)明提供一種基于MSBN 推理的多智能體協(xié)同目標(biāo)識(shí)別方法。本發(fā)明將多智能體系統(tǒng)的各智能體視為多連片貝葉斯網(wǎng)絡(luò)(Multiple SectionedBayesian Network，簡(jiǎn)稱MSBN)的一個(gè)BN子網(wǎng)，用以解決準(zhǔn)確目標(biāo)識(shí)別問題。以目標(biāo)識(shí)別類型節(jié)點(diǎn)(隱節(jié)點(diǎn))為重疊子域，BN子網(wǎng)構(gòu)建為MSBN，即整個(gè)系統(tǒng)對(duì)應(yīng)為一個(gè)完整的MSBN。 因而MSBN可視為傳統(tǒng)貝葉斯網(wǎng)絡(luò)的擴(kuò)展形式之一，從BN模型推理的角度可對(duì)多智能體系統(tǒng)進(jìn)行協(xié)同求解。多智能體協(xié)同目標(biāo)識(shí)別算法主要采用信度通信算法完成整個(gè)MSBN的信度更新，從而完成待識(shí)別目標(biāo)在相應(yīng)的MSBN中“目標(biāo)類型”隱節(jié)點(diǎn)概率查詢支持，實(shí)現(xiàn)目標(biāo)識(shí)別。假設(shè)目標(biāo)類型有m個(gè)待識(shí)別類別(m值常取3或4)。有η個(gè)智能體可利用i個(gè)不同的傳感器系統(tǒng)從不同方位、途徑對(duì)目標(biāo)進(jìn)行觀測(cè)，但是每個(gè)智能體都只能觀測(cè)有限的q 個(gè)局部特征信號(hào)(1 < q < i)。各傳感器系統(tǒng)局部特征信號(hào)觀測(cè)值分為k個(gè)值域(k值常取 3或4)。本發(fā)明提出的基于MSBN多智能體協(xié)同推理的目標(biāo)識(shí)別算法步驟如下第1步設(shè)置目標(biāo)識(shí)別信度閾值參數(shù)Θ、θ *范圍一般取0. 7至0. 8(即70%至 80% )；確定智能體個(gè)數(shù)η ；η值常取為3至5個(gè)；第2步η個(gè)智能體分別根據(jù)各自的i個(gè)傳感器系統(tǒng)捕獲q個(gè)目標(biāo)特征數(shù)據(jù)， 1 < q < i，每個(gè)目標(biāo)特征數(shù)據(jù)有k個(gè)觀測(cè)值。k值常取3或4 ；第3步建模判斷，即若目標(biāo)識(shí)別系統(tǒng)尚未構(gòu)建目標(biāo)識(shí)別MSBN的鏈化連接森林，執(zhí)行第4步，完成相應(yīng)模型構(gòu)建；否則，跳轉(zhuǎn)執(zhí)行第7步；第4步對(duì)第j個(gè)智能體(1彡j彡η)用目標(biāo)類型作為父節(jié)點(diǎn)h ；Sj有m個(gè)取值事件，即有m個(gè)待識(shí)別類別，m常取值為3或4 ；以其q個(gè)目標(biāo)特征數(shù)據(jù)作為子節(jié)點(diǎn)，用有向邊分別連接父節(jié)點(diǎn)和各個(gè)子節(jié)點(diǎn)，即依次連接父節(jié)點(diǎn)h和子節(jié)點(diǎn)1、父節(jié)點(diǎn)h和子節(jié)點(diǎn)2…… 直至父節(jié)點(diǎn)1和子節(jié)點(diǎn)q，每條有向邊箭尾為父節(jié)點(diǎn)，箭頭指向子節(jié)點(diǎn)。這樣，可建立η個(gè)獨(dú)立的BN子網(wǎng)結(jié)構(gòu)；較佳地，BN子網(wǎng)模型各節(jié)點(diǎn)間的信度條件概率參數(shù)采用EM算法進(jìn)行學(xué)習(xí)；第5步用有向邊將η個(gè)BN子網(wǎng)的父節(jié)點(diǎn)(目標(biāo)識(shí)別類型節(jié)點(diǎn))單向連接，即有向邊從父節(jié)點(diǎn)S1 (箭尾)指向父節(jié)點(diǎn)S2(箭頭)，再從父節(jié)點(diǎn)S2(箭尾)指向父節(jié)點(diǎn)&(箭頭)，直至父節(jié)點(diǎn)Slri (箭尾)指向父節(jié)點(diǎn)&(箭頭)，構(gòu)建得到MSBN ；第6步利用Xiang的鏈樹(Linked tree)法將MSBN構(gòu)建成鏈化連接森林； (注MSBN、Linked tree概念及第8步所用的CommunicateBelief算法由加拿大華人學(xué)者Y. Xiang教授提出，國內(nèi)清華大學(xué)田鳳占等人曾對(duì)此展開理論追蹤研究，“田鳳占，張宏偉，陸玉昌，石純一，多模塊貝葉斯網(wǎng)絡(luò)中推理的簡(jiǎn)化[J]，計(jì)算機(jī)研究與發(fā)展，2003，40 (8) 1230-1237”，國內(nèi)尚未有統(tǒng)一名稱，此處對(duì)它們的名稱均采用中文直譯)；第7步各BN子網(wǎng)模型中，輸入各自的目標(biāo)特征數(shù)據(jù)作為觀測(cè)證據(jù)，利用連接樹算法進(jìn)行信度推理，從而完成η個(gè)子BN的目標(biāo)識(shí)別類型節(jié)點(diǎn)h信度θ j更新(1彡j彡η)；第8步基于步驟7獲得的θ j更新，利用信度通信算法(CommimicateBelief 算法)完成MSBN網(wǎng)內(nèi)的全局推理，更新MSBN模型目標(biāo)識(shí)別類型節(jié)點(diǎn)。信度θ」(1彡j彡n)。第9步按式⑴計(jì)算目標(biāo)識(shí)別信度θ ；
權(quán)利要求
1.一種基于MSBN的多智能體協(xié)同目標(biāo)識(shí)別方法，其特征在于包括下述步驟 第1步設(shè)置目標(biāo)識(shí)別信度閾值參數(shù)θ * ；確定智能體個(gè)數(shù)η ；第2步η個(gè)智能體分別根據(jù)各自的i個(gè)傳感器系統(tǒng)捕獲q個(gè)目標(biāo)特征數(shù)據(jù)，l^q^i, 每個(gè)目標(biāo)特征數(shù)據(jù)有k個(gè)觀測(cè)值；第3步建模判斷，若目標(biāo)識(shí)別系統(tǒng)尚未構(gòu)建目標(biāo)識(shí)別MSBN的鏈化連接森林，執(zhí)行第4 步，完成相應(yīng)模型構(gòu)建；否則，跳轉(zhuǎn)執(zhí)行第7步；第4步對(duì)第j個(gè)智能體用目標(biāo)類型作為父節(jié)點(diǎn)I，1 < j < n，h有m個(gè)待識(shí)別類別， 以其q個(gè)目標(biāo)特征數(shù)據(jù)作為子節(jié)點(diǎn)，用有向邊分別連接父節(jié)點(diǎn)和各個(gè)子節(jié)點(diǎn)，建立η個(gè)獨(dú)立的BN子網(wǎng)結(jié)構(gòu)；第5步用有向邊將η個(gè)BN子網(wǎng)的父節(jié)點(diǎn)單向連接，構(gòu)建得到MSBN ； 第6步利用Xiang的鏈樹法將MSBN構(gòu)建成鏈化連接森林；第7步各BN子網(wǎng)模型中，輸入各自的目標(biāo)特征數(shù)據(jù)作為觀測(cè)證據(jù)，利用連接樹算法進(jìn)行信度推理，從而完成η個(gè)子BN的目標(biāo)識(shí)別類型節(jié)點(diǎn)h信度θ ^更新；第8步基于第7步獲得的θ j更新，利用信度通信算法完成MSBN網(wǎng)內(nèi)的全局推理，更新MSBN模型目標(biāo)識(shí)別類型節(jié)點(diǎn)h信度θ j ； 第9步計(jì)算目標(biāo)識(shí)別信度
2.根據(jù)權(quán)利要求1所述的基于MSBN的多智能體協(xié)同目標(biāo)識(shí)別方法，其特征在于所述的θ *取0.7至0.8。
3.根據(jù)權(quán)利要求1所述的基于MSBN的多智能體協(xié)同目標(biāo)識(shí)別方法，其特征在于所述的η值取為3至5個(gè)。
4.根據(jù)權(quán)利要求1所述的基于MSBN的多智能體協(xié)同目標(biāo)識(shí)別方法，其特征在于所述的k值取3或4。
5.根據(jù)權(quán)利要求1所述的基于MSBN的多智能體協(xié)同目標(biāo)識(shí)別方法，其特征在于所述的m取值為3或4。
6.根據(jù)權(quán)利要求1所述的基于MSBN的多智能體協(xié)同目標(biāo)識(shí)別方法，其特征在于所述的 Wj = 1/n。
全文摘要
本發(fā)明公開了一種基于MSBN的多智能體協(xié)同目標(biāo)識(shí)別方法，將多智能體系統(tǒng)的各智能體視為多連片貝葉斯網(wǎng)絡(luò)的一個(gè)BN子網(wǎng)，用以解決準(zhǔn)確目標(biāo)識(shí)別問題。以目標(biāo)識(shí)別類型節(jié)點(diǎn)為重疊子域，BN子網(wǎng)構(gòu)建為MSBN，從BN模型推理的角度可對(duì)多智能體系統(tǒng)進(jìn)行協(xié)同求解。多智能體協(xié)同目標(biāo)識(shí)別算法主要采用信度通信算法完成整個(gè)MSBN的信度更新，從而完成待識(shí)別目標(biāo)在相應(yīng)的MSBN中“目標(biāo)類型”隱節(jié)點(diǎn)概率查詢支持，實(shí)現(xiàn)目標(biāo)識(shí)別。本發(fā)明在提高系統(tǒng)識(shí)別能力的同時(shí)，增強(qiáng)了系統(tǒng)的實(shí)時(shí)性，可大大提高識(shí)別目標(biāo)的速度和精度。
文檔編號(hào)G06K9/62GK102270305SQ201110228800
公開日2011年12月7日 申請(qǐng)日期2011年8月11日 優(yōu)先權(quán)日2011年8月11日
發(fā)明者郭文強(qiáng), 陳軍, 高曉光 申請(qǐng)人:西北工業(yè)大學(xué)