基于多Agent的模式识别框架APRF的研究

论文摘要

人类的模式识别过程可区分为两种情况。第一种情况：如果输入模式从未见过，需要进行特征抽取，建立输入模式的模型，这时的模式识别实际上是模式建模（记忆），是一自下而上的过程；第二种情况：如果模式曾经见过，则常常使用推理的方法，这时的模式识别本质上是模式涌现（推理），是一自上而下的过程。 传统的模式识别方法主要存在两个方面的不足：集中式控制；依赖于特征抽取和选择的质量。本课题的研究是在分析自上而下模式识别方法和自下而上模式识别方法的特性和优缺点的基础上，基于多agent理论和技术，提出了将两种不同类型的方法集成，以推理为主计算为辅的模式识别框架APRF（Agent-Based Pattern Recognition Frame）：先用自下而上定量计算方法对模式建模，使其有利于分类；再用自上而下的定性分析方法对模式涌现。目的是让计算机模式识别更符合人的认知过程，模式识别=模式建模+模式涌现。 本文的主要工作： （1） 提出了基于多agent的模式识别框架APRF，该框架把模式识别的“自下而上的模式建模”和“自上而下的模式涌现”融合在一起。模式建模解决“记忆”问题，模式涌现解决“推理”问题。 （2） 提出了基于角色的MAS（Multi-agent systems）动态协作模型DCMBR（Dynamic Cooperative Model Based Role in Multi-agent Systems），它是架起模式建模和模式涌现之间的桥梁。通过agent之间的联盟、协作、协商、协调，使组成模式的基元的结构、性质、行为规则等即使都很简单，也可能产生整体结构、性质和行为都极为复杂的模式。 （3） 提出了定性特征的概念。因为传统意义下的特征不能反映模式的整体结构信息，且特征抽取没有一般的行之有效的方法。而定性特征是通过层次递归涌现出来的，随着统计样本的增加，定性特征趋于稳定，它既反映了模式的整体结构信息，也反映了模式的细节信息。 （4） 提出了基于知识将模式表示为AIM（Agent Influence Map）。AIM本质上是一个具有记忆功能的神经网络，利用AIM能够实现用简单规则控制的模型来解释模式涌现现象：从局部到整体的转换。 （5） 基于涌现原理，提出了三种模式分类模型：模型推理、特征融合和模式联想。

论文目录

• 第1章 绪论
• 1.1 引言
• 1.1.1 模式识别方法分类
• 1.1.2 存在的问题
• 1.1.3 我们的解决方案
• 1.2 模式识别认知模型的研究进展
• 1.2.1 模糊模式识别
• 1.2.2 协同模式识别
• 1.2.3 仿生模式识别
• 1.2.4 多分类器组合
• 1.2.5 视觉计算模型
• 1.3 基于多agent的模式识别框架APRF
• 1.3.1 APRF的基本思想
• 1.3.2 APRF研究目标
• 1.3.3 APRF研究意义
• 1.3.4 创新点
• 1.4 本文的工作及论文结构
• 第2章 基于角色的MAS系统动态协作模型——DCMBR
• 2.1 引言
• 2.2 多agent系统
• 2.2.1 agent的概念
• 2.2.2 多agent系统
• 2.2.3 多agent系统与单agent的比较
• 2.2.4 多agent求解技术
• 2.3 现有协作模型分析
• 2.3.1 合同网模型
• 2.3.2 ACTOR模型
• 2.3.3 JAVASPACES模型
• 2.3.4 选择协作模型
• 2.3.5 Overhearing模型
• 2.3.6 其它模型
• 2.3.7 存在的问题
• 2.4 基于角色的MAS系统动态协作模型——DCMBR
• 2.4.1 角色的概念
• 2.4.2 DCMBR中的agent结构
• 2.4.3 MAS中agent间的通信
• 2.5 DCMBR工作原理
• 2.6 DCMBR协作的关键技术
• 2.6.1 任务分解和分配
• 2.6.2 APRF协作环境
• 2.6.3 交互策略
• 2.7 本章小结
• 第3章 APRF概述
• 3.1 引言
• 3.2 模式建模
• 3.2.1 基于神经网络集成实现定量特征提取
• 3.2.2 规则生成
• 3.3 模式涌现
• 3.3.1 涌现原理
• 3.3.2 基于专家系统实现定性特征提取
• 3.4 本章小结
• 第4章 模式建模
• 4.1 引言
• 4.2 记忆原理
• 4.2.1 记忆属性
• 4.2.2 记忆模型
• 4.2.3 联想记忆与神经网络的局限性
• 4.2.4 理解式记忆
• 4.3 基于知识的模式表示宏观框架
• 4.3.1 定量特征和定性特征
• 4.3.2 模式表示宏观框架
• 4.3.3 定性特征提取
• 4.4 基于知识的模式表示微观框架
• 4.4.1 AIM概念
• 4.4.2 AIM节点结构
• 4.4.3 AIM节点状态值计算
• 4.4.4 AIM节点分类
• 4.4.5 AIM特性
• 4.4.6 影响度学习
• 4.5 AIM形成
• 4.5.1 相关定义
• 4.5.2 AIM结构动态改变
• 4.5.3 AIM中的协作
• 4.5.4 AIM稳定性
• 4.5.5 AIM形成算法
• 4.6 本章小结
• 第5章 模式涌现
• 5.1 引言
• 5.2 模式涌现
• 5.2.1 模式涌现的特性
• 5.2.2 还原论——涌现的基础
• 5.2.3 涌现的实例
• 5.3 模型推理
• 5.3.1 模型推理的基本思想和一般工作过程
• 5.3.2 模型的组织
• 5.3.3 模型检索
• 5.3.4 模型修正
• 5.3.5 模型保留
• 5.3.6 模型推理系统的实现
• 5.4 特征融合
• 5.4.1 多特征信息融合
• 5.4.2 特征融合框架
• 5.5 模式联想
• 5.5.1 动力学分析方法特点
• 5.5.2 基于动力学的模式联想模型
• 5.5.3 模型的推导
• 5.5.4 势函数构造
• 5.5.5 模型的改进及实现
• 5.6 本章小结
• 第6章 模式建模和模式涌现的集成
• 6.1 引言
• 6.2 集成策略
• 6.2.1 神经网络和专家系统的集成
• 6.2.2 定量计算和定性分析的集成
• 6.3 agent再认识
• 6.3.1 专业化agent
• 6.3.2 监督agent
• 6.3.3 背景agent
• 6.4 集成框架
• 6.5 本章小结
• 第7章 APRF应用
• 7.1 引言
• 7.2 聚类分析
• 7.2.1 问题描述
• 7.2.2 基于agent聚类算法
• 7.2.3 实验结果分析
• 7.2.4 不同聚类方法评价
• 7.3 对手意图的识别
• 7.3.1 问题描述
• 7.3.2 对手模型描述
• 7.3.3 建立对手模型算法描述
• 7.3.4 实验结果分析
• 7.4 模式联想
• 7.4.1 问题描述
• 7.4.2 实验结果分析
• 7.5 本章小结
• 第8章 结束语
• 8.1 总结
• 8.2 展望
• 参考文献
• 致谢
• 读博期间发表的论文、获奖和参与研究的课题