專(zhuān)利名稱(chēng)：一種基于多智能體的分布式模式識(shí)別方法
技術(shù)領(lǐng)域：
本發(fā)明涉及模式識(shí)別技術(shù)領(lǐng)域，具體涉及一種基于多智能體的分布式模式識(shí)別方法。
背景技術(shù)：
模式識(shí)別是人類(lèi)的一項(xiàng)基本智能，模式識(shí)別是許多工程領(lǐng)域廣泛應(yīng)用的關(guān)鍵技術(shù)，諸如自控監(jiān)測(cè)、圖像識(shí)別、故障診斷等。幾十年來(lái)，模式識(shí)別方法層出不窮，如統(tǒng)計(jì)模式識(shí)別、模糊模式識(shí)別、結(jié)構(gòu)模式識(shí)別、協(xié)同模式識(shí)別、仿生模式識(shí)別等。每種方法各有所長(zhǎng)，適用的范圍有限，隨著科學(xué)研究和工程技術(shù)的飛速發(fā)展，可以獲取的數(shù)據(jù)信息越來(lái)越豐富，數(shù)據(jù)樣本呈現(xiàn)出高維、大容量、關(guān)系復(fù)雜、非線性和分布不定等特點(diǎn)，為模式識(shí)別技術(shù)提出了新的挑戰(zhàn)，柔性地集成應(yīng)用不同類(lèi)方法是應(yīng)對(duì)這種挑戰(zhàn)的有效手段。模式識(shí)別在給人們帶來(lái)希望的同時(shí)，我們也應(yīng)看到，由于問(wèn)題本身的多樣性和復(fù)雜性，現(xiàn)有的理論和方法離實(shí)際要求還有相當(dāng)距離，一些根本性的問(wèn)題還有待進(jìn)一步深入研究(I)特征抽取問(wèn)題傳統(tǒng)模式識(shí)別理論的出發(fā)點(diǎn)認(rèn)為識(shí)別對(duì)象可由一組特征來(lái)描述。因此，特征選取的好壞對(duì)識(shí)別結(jié)果起決定性作用。特征抽取研究存在的問(wèn)題是a.在理論上缺乏一種統(tǒng)一的能適合各種問(wèn)題的特征抽取手段，許多情況下要依賴(lài)專(zhuān)家;b.特征抽取準(zhǔn)則缺乏一種統(tǒng)一度量標(biāo)準(zhǔn)來(lái)評(píng)判各種準(zhǔn)則下特征抽取方法的優(yōu)劣，因而分類(lèi)器的設(shè)計(jì)存在一定的盲目性；(2)結(jié)構(gòu)識(shí)別問(wèn)題在結(jié)構(gòu)模式識(shí)別方法中，認(rèn)為模式是由一些基本結(jié)構(gòu)特征(稱(chēng)為基兀)按某種相互關(guān)系組成的，其組成方式可用一個(gè)字符串、一個(gè)樹(shù)或一個(gè)圖來(lái)表不，但基元的選擇存在太多的隨意性。(3)模糊模式識(shí)別是用隸屬度作為模式之間相似度的度量，雖然能反映模式整體與主要特性，有相當(dāng)程度的抗干擾和畸變能力，但準(zhǔn)確合理的隸屬度函數(shù)往往難以建立，所以，限制了它的應(yīng)用。(4)基于神經(jīng)網(wǎng)絡(luò)的模式識(shí)別在許多場(chǎng)合得到了應(yīng)用，但是需要較多的訓(xùn)練樣本及訓(xùn)練時(shí)間，并且沒(méi)有充分的利用模式的先驗(yàn)知識(shí)。方法(I) (4)屬于自下而上的過(guò)程，方法(2) (3)屬于自上而下的過(guò)程。傳統(tǒng)的做法是獨(dú)立研究這兩個(gè)過(guò)程。對(duì)人的模式識(shí)別能力的研究表明，模式識(shí)別活動(dòng)在很大程度上是自下而上和自上而下兩種過(guò)程的統(tǒng)一，這正是基于多智能體的模式識(shí)別提出的動(dòng)機(jī)。提出基于多智能體的模式識(shí)別的另一個(gè)動(dòng)機(jī)是在過(guò)去的十年內(nèi)，計(jì)算機(jī)應(yīng)用領(lǐng)域朝著分布式和智能化的方向發(fā)展，模式識(shí)別也不例外。智能體計(jì)算是分布式計(jì)算和智能信息技術(shù)發(fā)展進(jìn)程中比較有影響的計(jì)算模式。智能體技術(shù)提供了一種新的問(wèn)題求解風(fēng)范，這主要是因?yàn)榛谥悄荏w的系統(tǒng)具有許多優(yōu)點(diǎn)多智能體系統(tǒng)放松了對(duì)集中式、規(guī)劃、順序控制的限制，提供了分散控制、應(yīng)急和并行處理，并且降低了軟件和硬件的費(fèi)用，提供協(xié)作的其他求解模式。利用智能體計(jì)算模式,使得復(fù)雜的任務(wù)可以通過(guò)相互協(xié)作來(lái)完成,突破了時(shí)間和空間的限制，充分利用網(wǎng)絡(luò)資源和智能化處理技術(shù)。

發(fā)明內(nèi)容
本發(fā)明的目的是針對(duì)上述現(xiàn)有技術(shù)的不足之處，提供一種定量計(jì)算和定性分析相結(jié)合的以推理為主、計(jì)算為輔的分布式模式識(shí)別方法，使模式識(shí)別過(guò)程更符合人的認(rèn)知過(guò)程。本發(fā)明的實(shí)現(xiàn)由以下技術(shù)方案完成一種基于多智能體的分布式模式識(shí)別方法，其步驟包括
步驟一將輸入模式表示為智能體影響圖；步驟二 根據(jù)智能體影響圖的演化來(lái)提取其中的定性特征，縮小搜索的空間；步驟三通過(guò)多智能體的協(xié)作和動(dòng)力學(xué)模型來(lái)完成目標(biāo)模式的涌現(xiàn)。優(yōu)選的，所述步驟一中智能體影響圖的建立的過(guò)程為首先通過(guò)單個(gè)智能體對(duì)輸入模式進(jìn)行識(shí)別，由于知識(shí)的缺乏，單個(gè)智能體無(wú)法完全識(shí)別輸入模式；然后單個(gè)智能體再進(jìn)行相應(yīng)的繁殖或者重組，從而增加識(shí)別輸入模式的知識(shí)；最后通過(guò)繁殖或者重組所產(chǎn)生的多智能體提取出輸入模式的定量特征，從而實(shí)現(xiàn)一個(gè)具有記憶功能的智能體影響圖的建立。優(yōu)選的，所述智能體影響圖為一可變結(jié)構(gòu)，其中的各個(gè)智能體之間是可變動(dòng)、可移動(dòng)的無(wú)線連接方式，智能體影響圖采用動(dòng)態(tài)連接方式處理多智能體之間的相互作用，智能體影響圖具有增加智能體、刪除智能體以及改變智能體之間聯(lián)系的能力。優(yōu)選的，所述定量特征的提取過(guò)程中采用神經(jīng)網(wǎng)絡(luò)集成技術(shù)，對(duì)所述神經(jīng)網(wǎng)絡(luò)集成經(jīng)過(guò)訓(xùn)練后，提取的定量特征均為數(shù)值形式知識(shí)，為隱式知識(shí)，后通過(guò)定性特征提取算法將隱式知識(shí)抽取出來(lái)并通過(guò)顯式形式表示出來(lái)。優(yōu)選的，所述智能體影響圖中的建立過(guò)程中形成的多智能體之間通過(guò)協(xié)商、協(xié)作、協(xié)調(diào)、競(jìng)爭(zhēng)和交互，使得生存能力強(qiáng)的智能體生存下來(lái)，生存能力弱的智能體消亡，智能體數(shù)量漸減，縮小搜索空間，從而最終實(shí)現(xiàn)正確的目標(biāo)模式的涌現(xiàn)。本發(fā)明的優(yōu)點(diǎn)通過(guò)引入多智能體，將傳統(tǒng)的靜態(tài)、集中式的模式識(shí)別推廣到動(dòng)態(tài)、分布式的環(huán)境中，通過(guò)多智能體的協(xié)同工作，將定量分析和定性分析相結(jié)合起來(lái)，集中解決了模式識(shí)別中的識(shí)別片面性的問(wèn)題和缺乏宏觀整合的問(wèn)題，提高了對(duì)復(fù)雜模式的識(shí)別率，本發(fā)明特別適合多模式獲取同一目標(biāo)的醫(yī)學(xué)圖像識(shí)別問(wèn)題、以推理為主計(jì)算為輔的模式聯(lián)想問(wèn)題、定量計(jì)算和定性分析集成的對(duì)手意圖的識(shí)別問(wèn)題。


圖I是基于多智能體的分布式模式識(shí)別方法的流程圖；圖2是本發(fā)明中模式的宏觀表示框架圖；圖3是本發(fā)明中智能體影響圖的結(jié)構(gòu)示意圖；圖4是本發(fā)明中單智能體結(jié)構(gòu)示意圖；圖5是本發(fā)明中定性特征提取算法的流程圖。
具體實(shí)施例方式以下結(jié)合附圖對(duì)本發(fā)明特征及其它相關(guān)特征作進(jìn)一步詳細(xì)說(shuō)明如圖I至圖5所示一種基于多智能體的分布式模式識(shí)別方法，其步驟包括步驟一 SI :將輸入模式表示為智能體影響圖；步驟二 S2 :根據(jù)智能體影響圖的演化來(lái)提取其中的定性特征3，縮小搜索的空間；步驟三S3 :通過(guò)多智能體的協(xié)作和動(dòng)力學(xué)模型來(lái)完成目標(biāo)模式的涌現(xiàn)。 其中模式的宏觀表示模型如圖2所示，模式整體作為知識(shí)，其本身包含各種特征(作為對(duì)象的屬性)；各屬性之間的關(guān)系(作為對(duì)象的操作)；規(guī)則(作為對(duì)象的約束)使模式具有了主動(dòng)反應(yīng)能力。所有這些屬性、關(guān)系和規(guī)則，就構(gòu)成了完整的模式的知識(shí)描述。其中規(guī)則、空間關(guān)系、因果關(guān)系、場(chǎng)景特征、行為特征、目標(biāo)特征均不能通過(guò)原始模式直接獲得，必須通過(guò)額外的定性處理來(lái)獲得。視覺(jué)特征又分為視覺(jué)全局視覺(jué)特征和視覺(jué)局部視覺(jué)特征，就圖像而言，視覺(jué)全局視覺(jué)特征包括顏色直方圖、顏色矩、顏色連通矢量等統(tǒng)計(jì)和代數(shù)特征；圖像局部視覺(jué)特征包括紋理、形狀等特征。視覺(jué)特征存在的主要問(wèn)題是沒(méi)有建立視覺(jué)內(nèi)容和模式語(yǔ)義之間的關(guān)聯(lián)。例如，一塊圓形紅色區(qū)域既可能是一朵紅花，也可能是一個(gè)紅蘋(píng)果。因此，不能直接給出識(shí)別結(jié)果的解釋。圖2中的規(guī)則包括推理的公理系統(tǒng)；模式特征之間聯(lián)系的語(yǔ)法等同性和相似性規(guī)則；人對(duì)等同性和相似性理解的描述規(guī)則；在感覺(jué)和模式的差別下描述模式的等同性和差別性的物理規(guī)則；描述空間模式等同性和差別性的幾何和拓?fù)湟?guī)則；分類(lèi)目錄的規(guī)則；人為的習(xí)慣或者與人相關(guān)的模式引出的觀念等同性和差別性的規(guī)則等等如圖3所示，在智能體影響圖的微觀表示模型的建立過(guò)程中，單向?qū)嵕€表示的是相鄰層特征間的顯性通路，由定量特征指向涌現(xiàn)特征，表示此定量特征參與了定性特征的涌現(xiàn)；雙向虛線表示的是同一層特征間的隱性通路，表示這兩個(gè)特征有可能涌現(xiàn)出有存儲(chǔ)意義的語(yǔ)義特征集；QAS(Quantitative Attribute Set)表示的是定量特征集；MA(MemoryAgent)表示的是記憶智能體；首先通過(guò)單個(gè)智能體2對(duì)輸入模式進(jìn)行識(shí)別，可以是方法智能體或模塊智能體或模型智能體或特征智能體或視角智能體，但是由于知識(shí)的缺乏，單個(gè)智能體無(wú)法完全識(shí)別輸入模式，單個(gè)智能體將依據(jù)一定的準(zhǔn)則進(jìn)行相應(yīng)的繁殖或者重組，從而增加識(shí)別輸入模式的知識(shí)，隨著時(shí)間的推移，智能體的數(shù)量是漸增的，再利用繁殖或者重組所產(chǎn)生的多智能體提取出輸入模式的定量特征，從而實(shí)現(xiàn)一個(gè)具有記憶功能的智能體影響圖的建立，其中的各個(gè)智能體2之間是可變動(dòng)、可移動(dòng)的無(wú)線連接方式，智能體影響圖采用動(dòng)態(tài)連接方式處理多智能體之間的相互作用，智能體影響圖具有增加智能體、刪除智能體以及改變智能體之間聯(lián)系的能力。如圖4所示，智能體2為一具有記憶功能的可變結(jié)構(gòu)，一般來(lái)說(shuō)，單智能體的體系結(jié)構(gòu)不應(yīng)該有一個(gè)統(tǒng)一的標(biāo)準(zhǔn)，就像有成千上萬(wàn)種動(dòng)物占據(jù)著成千上萬(wàn)個(gè)不同的生態(tài)位一樣。體系結(jié)構(gòu)的確切形式將取決于任務(wù)和執(zhí)行這些任務(wù)的環(huán)境。為此，我們確定了圖4所示的單智能體的體系結(jié)構(gòu)。
圖4表明，一個(gè)記憶智能體就是一組消息處理規(guī)則。(I)信念集(Belief)，即規(guī)則的前件。存放模式的定量特征和定性特征，包括代數(shù)的、幾何的、拓?fù)涞?、統(tǒng)計(jì)的、目標(biāo)、事件、場(chǎng)景等，反映了 agent處理消息的能力。(2)愿望集(Desire)，即規(guī)則的后件。存放模式的定性特征，包括目標(biāo)、事件、場(chǎng)景等。它能決定與其它記憶agent的交互。信念集和愿望集統(tǒng)稱(chēng)為記憶agent的資源,記憶agent交互的目的就是獲取其它記憶agent的資源，以提高自己的適應(yīng)能力。(3)感知器。它的任務(wù)是過(guò)濾和離散化環(huán)境產(chǎn)生的輸入。感知器是把環(huán)境信息轉(zhuǎn)化為二進(jìn)制的裝置，即，當(dāng)某環(huán)境agent反饋和特征agent出現(xiàn)時(shí)，轉(zhuǎn)向“開(kāi)”，否則轉(zhuǎn)向“關(guān)”，傳遞的信息量與特征數(shù)目呈指數(shù)關(guān)系。例如3個(gè)特征的感知器可以編碼成23 = 8種刺激， 20個(gè)特征的感知器可以編碼成22°，約100萬(wàn)種刺激。(4)意圖集(Intention)。它表征MA處理消息的能力，是一組形如IF/THEN規(guī)則，規(guī)則的條件與信念匹配，規(guī)則的結(jié)論與愿望匹配。意圖集中每個(gè)規(guī)則具有一定的強(qiáng)度，強(qiáng)度的平均值，即MA的狀態(tài)值。(5)效應(yīng)器。它表征了 MA作用于環(huán)境和MA的能力。注意環(huán)境本身也可看作一種agent ο因?yàn)閮蓚€(gè)MA發(fā)生交互，必然會(huì)是一個(gè)MA的信念導(dǎo)致對(duì)由另一個(gè)MA的愿望所指定的動(dòng)作十分敏感。即一個(gè)MA的信念與另一 MA愿望進(jìn)行匹配，反之亦然。如果MAl的信念與MA2愿望匹配得很好，那么它就獲得對(duì)方的大部分資源，從而消滅對(duì)方。如果MAl的信念與MA2愿望匹配得不好，則MA2就只能獲得MAl過(guò)剩的那部分資源，或者一無(wú)所獲。在圖4中，當(dāng)MA發(fā)生交互后，MA將處理相應(yīng)的動(dòng)作；或發(fā)出作用于環(huán)境的消息；或直接作用于其它MA ;或改變其BDI (Belief-Desire-Intention)。MA體系結(jié)構(gòu)可簡(jiǎn)化為IF(B) THEN(D), VB為信念，D為愿望，V為記憶agent狀態(tài)值，V的取值在
。在定量特征I的提取過(guò)程中采用本發(fā)明采用的是神經(jīng)網(wǎng)絡(luò)集成技術(shù)。假設(shè)神經(jīng)網(wǎng)絡(luò)集成是由M個(gè)神經(jīng)網(wǎng)絡(luò)NN1，NN2，...，NNm組成，采用平均法組成神經(jīng)網(wǎng)絡(luò)集成(假設(shè)是一個(gè)輸出分量的情況)，即給定一個(gè)訓(xùn)練集T，大小為N T= {(x (I), d (I)), (x (2), d (2)),…，(x (N), d (N))},這里X (x屬于輸入樣本集)是神經(jīng)網(wǎng)絡(luò)NN的輸入，d是期望輸出。計(jì)算集成中各成員神經(jīng)網(wǎng)絡(luò)的輸出Fi(X)，再計(jì)算整個(gè)集成的輸出F(X)
I MF (x) = —Σ F,(x)
M , = 1假設(shè)訓(xùn)練集按分布P (x)隨機(jī)抽取，神經(jīng)網(wǎng)絡(luò)集成的泛化誤差定義如下E = / dxp (X) (F (x) _d (x))2各成員神經(jīng)網(wǎng)絡(luò)的泛化誤差定義如下Ei = / dxp (X) (Fi (x) _d (x))2各成員神經(jīng)網(wǎng)絡(luò)的泛化誤差的平均值定義如下
成員神經(jīng)網(wǎng)絡(luò)之間的差異度定義如下Ai = / dxp (X) (Fi (x) -F (x))2神經(jīng)網(wǎng)絡(luò)集成的差異度定義如下神經(jīng)網(wǎng)絡(luò)集成泛化誤差的計(jì)算公式為E = E-A差異度2是神經(jīng)網(wǎng)絡(luò)集成中各成員神經(jīng)網(wǎng)絡(luò)相關(guān)程度的度量，它由使用的訓(xùn)練集、網(wǎng)絡(luò)結(jié)構(gòu)、學(xué)習(xí)算法的差異度或者學(xué)習(xí)算法的隨機(jī)性產(chǎn)生。由于各個(gè)網(wǎng)絡(luò)的差異度Ai均非負(fù)，因此神經(jīng)網(wǎng)絡(luò)的泛化誤差E不大于各成員神經(jīng)網(wǎng)絡(luò)的泛化誤差的平均值互，即神經(jīng)網(wǎng)絡(luò)集成在任何情況下都能夠達(dá)到或超過(guò)組成它的各個(gè)網(wǎng)絡(luò)的平均性能。同時(shí)，在組成神經(jīng)網(wǎng)絡(luò)集成的成員神經(jīng)網(wǎng)絡(luò)泛化誤差保持不變的情況下，增大其差異度Ai能有效降低神經(jīng)網(wǎng)絡(luò)集成的泛化誤差。在神經(jīng)網(wǎng)絡(luò)集成經(jīng)過(guò)訓(xùn)練后，就可以提取出定量特征1，但此時(shí)的定量特征I均為數(shù)值形式知識(shí)，為隱式知識(shí)，用戶(hù)無(wú)法知道某一具體的網(wǎng)絡(luò)能做什么，也無(wú)法知道它是怎么做的。一般來(lái)說(shuō)，“可解釋性”是一個(gè)系統(tǒng)必備的特性。為了增強(qiáng)系統(tǒng)的解釋性，我們將利用一種規(guī)則抽取算法，將神經(jīng)網(wǎng)絡(luò)集成中的隱式知識(shí)用顯式形式表示出來(lái)，如圖5所示為本發(fā)明中采用的定性特征抽取方法。提取出定量特征I后，再根據(jù)智能體影響圖2的演化來(lái)提取其中的定性特征3，定性特征抽取的理論基礎(chǔ)是涌現(xiàn)原理，在目標(biāo)模式的涌現(xiàn)過(guò)程當(dāng)中，會(huì)逐漸的形成若干智能體，這些智能體通過(guò)協(xié)商、協(xié)作、協(xié)調(diào)、競(jìng)爭(zhēng)和交互，使得生存能力強(qiáng)的智能體生存了下來(lái)，生存能力弱的智能體逐漸消亡，并且隨著時(shí)間的推移，智能體的數(shù)量是逐漸漸減的，搜索空間會(huì)越來(lái)越小，直到正確的目標(biāo)模式的涌現(xiàn)為止。基于動(dòng)力學(xué)模型實(shí)現(xiàn)模式涌現(xiàn)。設(shè)g(0)是輸入模式向量(簡(jiǎn)稱(chēng)輸入模式)，在t+1時(shí)刻，輸入模式的演化表不為q(t+ Vj = YjAg k(q(t))vk+w(t)(I)
A=Ik是一組基(參考模式集合，注不是特征向量，而是圖像的灰度或彩色矩陣?yán)?br> 伸后的向量，必要時(shí)增加若干分量用于表示先驗(yàn)知識(shí))，t是系統(tǒng)演化時(shí)間，是系統(tǒng)演化
的不確定項(xiàng)(是一平穩(wěn)隨機(jī)過(guò)程)，我們稱(chēng)系數(shù)厶=^^4(^(0)為agent。我們已經(jīng)證明Ik
反映了的整體特性，ξ,的演化滿(mǎn)足方程 dV4 =-^7-其中7=(勢(shì)函數(shù))
^ kkX可以證明動(dòng)力學(xué)方程(I)，它能“拉”輸入模式 (0),經(jīng)過(guò)中間狀態(tài)進(jìn)入到某一個(gè)參考模式;^中(模式涌現(xiàn))，即《(0)~~^Vio以上所述的僅是本發(fā)明的優(yōu)選實(shí)施方式，應(yīng)當(dāng)指出，對(duì)于本領(lǐng)域的普通技術(shù)人員來(lái)說(shuō)，在不脫離本發(fā)明創(chuàng)造構(gòu)思的前提下，還可以做出若干相似的變形和改進(jìn)，這些也應(yīng)視為本發(fā)明的保 護(hù)范圍之內(nèi)。
權(quán)利要求
1.一種基于多智能體的分布式模式識(shí)別方法，其特征在于，其步驟包括 步驟一將輸入模式表示為智能體影響圖； 步驟二 根據(jù)智能體影響圖的演化來(lái)提取其中的定性特征，縮小搜索的空間； 步驟三通過(guò)多智能體的協(xié)作和動(dòng)力學(xué)模型來(lái)完成目標(biāo)模式的涌現(xiàn)。
2.根據(jù)權(quán)利要求I所述的基于多智能體的分布式模式識(shí)別方法，其特征在于，所述步驟一中智能體影響圖的建立的過(guò)程為 首先通過(guò)單個(gè)智能體對(duì)輸入模式進(jìn)行識(shí)別，由于知識(shí)的缺乏，單個(gè)智能體無(wú)法完全識(shí)別輸入模式； 然后單個(gè)智能體再進(jìn)行相應(yīng)的繁殖或者重組，從而增加識(shí)別輸入模式的知識(shí)； 最后通過(guò)繁殖或者重組所產(chǎn)生的多智能體提取出輸入模式的定量特征，從而實(shí)現(xiàn)一個(gè)具有記憶功能的智能體影響圖的建立。
3.根據(jù)權(quán)利要求2所述的基于多智能體的分布式模式識(shí)別方法，其特征在于，所述智能體影響圖為一可變結(jié)構(gòu)，其中的各個(gè)智能體之間是可變動(dòng)、可移動(dòng)的無(wú)線連接方式，智能體影響圖采用動(dòng)態(tài)連接方式處理多智能體之間的相互作用，智能體影響圖具有增加智能體、刪除智能體以及改變智能體之間聯(lián)系的能力。
4.根據(jù)權(quán)利要求2所述的基于多智能體的分布式模式識(shí)別方法，其特征在于，所述定量特征的提取過(guò)程中采用神經(jīng)網(wǎng)絡(luò)集成技術(shù)，對(duì)所述神經(jīng)網(wǎng)絡(luò)集成經(jīng)過(guò)訓(xùn)練后，提取的定量特征均為數(shù)值形式知識(shí)，為隱式知識(shí)，后通過(guò)定性特征提取算法將隱式知識(shí)抽取出來(lái)并通過(guò)顯式形式表示出來(lái)。
5.根據(jù)權(quán)利要求2所述的基于多智能體的分布式模式識(shí)別方法，其特征在于，所述智能體影響圖中的建立過(guò)程中形成的多智能體之間通過(guò)協(xié)商、協(xié)作、協(xié)調(diào)、競(jìng)爭(zhēng)和交互，使得生存能力強(qiáng)的智能體生存下來(lái)，生存能力弱的智能體消亡，智能體數(shù)量漸減，縮小搜索空間，從而最終實(shí)現(xiàn)正確的目標(biāo)模式的涌現(xiàn)。
全文摘要
本發(fā)明公開(kāi)了一種基于多智能體的分布式模式識(shí)別方法，其步驟包括首先將輸入模式表示為智能體影響圖；然后根據(jù)智能體影響圖的演化來(lái)提取其中的定性特征，縮小搜索的空間；最后通過(guò)多智能體的協(xié)作和動(dòng)力學(xué)模型完成目標(biāo)模式的涌現(xiàn)。本發(fā)明的優(yōu)點(diǎn)通過(guò)引入多智能體，將傳統(tǒng)的靜態(tài)、集中式的模式識(shí)別推廣到動(dòng)態(tài)、分布式環(huán)境中，通過(guò)多智能體的協(xié)同工作，將定量分析和定性分析相結(jié)合起來(lái)，集中解決了模式識(shí)別中的識(shí)別片面性和缺乏宏觀整合的問(wèn)題，提高了對(duì)復(fù)雜模式的識(shí)別率。
文檔編號(hào)G06N3/08GK102955948SQ20111024105
公開(kāi)日2013年3月6日 申請(qǐng)日期2011年8月22日 優(yōu)先權(quán)日2011年8月22日
發(fā)明者程顯毅, 梁軍, 王進(jìn), 陸旦前, 程晨 申請(qǐng)人:南通大學(xué)