[发明专利]一种基于多智能体的分布式模式识别方法

说明书

技术领域

本发明涉及模式识别技术领域，具体涉及一种基于多智能体的分布式模式识别方法。

背景技术

模式识别是人类的一项基本智能，模式识别是许多工程领域广泛应用的关键技术，诸如：自控监测、图像识别、故障诊断等。几十年来，模式识别方法层出不穷，如：统计模式识别、模糊模式识别、结构模式识别、协同模式识别、仿生模式识别等。每种方法各有所长，适用的范围有限，随着科学研究和工程技术的飞速发展，可以获取的数据信息越来越丰富，数据样本呈现出：高维、大容量、关系复杂、非线性和分布不定等特点，为模式识别技术提出了新的挑战，柔性地集成应用不同类方法是应对这种挑战的有效手段。

模式识别在给人们带来希望的同时，我们也应看到，由于问题本身的多样性和复杂性，现有的理论和方法离实际要求还有相当距离，一些根本性的问题还有待进一步深入研究：

(1)特征抽取问题：传统模式识别理论的出发点认为识别对象可由一组特征来描述。因此，特征选取的好坏对识别结果起决定性作用。特征抽取研究存在的问题是：

a.在理论上缺乏一种统一的能适合各种问题的特征抽取手段，许多情况下要依赖专家；

b.特征抽取准则缺乏一种统一度量标准来评判各种准则下特征抽取方法的优劣，因而分类器的设计存在一定的盲目性；

(2)结构识别问题：在结构模式识别方法中，认为模式是由一些基本结构特征(称为基元)按某种相互关系组成的，其组成方式可用一个字符串、一个树或一个图来表示，但基元的选择存在太多的随意性。

(3)模糊模式识别是用隶属度作为模式之间相似度的度量，虽然能反映模式整体与主要特性，有相当程度的抗干扰和畸变能力，但准确合理的隶属度函数往往难以建立，所以，限制了它的应用。

(4)基于神经网络的模式识别在许多场合得到了应用，但是需要较多的训练样本及训练时间，并且没有充分的利用模式的先验知识。

方法(1)(4)属于自下而上的过程，方法(2)(3)属于自上而下的过程。传统的做法是独立研究这两个过程。对人的模式识别能力的研究表明，模式识别活动在很大程度上是自下而上和自上而下两种过程的统一，这正是基于多智能体的模式识别提出的动机。

提出基于多智能体的模式识别的另一个动机是在过去的十年内，计算机应用领域朝着分布式和智能化的方向发展，模式识别也不例外。智能体计算是分布式计算和智能信息技术发展进程中比较有影响的计算模式。智能体技术提供了一种新的问题求解风范，这主要是因为基于智能体的系统具有许多优点：多智能体系统放松了对集中式、规划、顺序控制的限制，提供了分散控制、应急和并行处理，并且降低了软件和硬件的费用，提供协作的其他求解模式。利用智能体计算模式，使得复杂的任务可以通过相互协作来完成，突破了时间和空间的限制，充分利用网络资源和智能化处理技术。

发明内容

本发明的目的是针对上述现有技术的不足之处，提供一种定量计算和定性分析相结合的以推理为主、计算为辅的分布式模式识别方法，使模式识别过程更符合人的认知过程。

本发明的实现由以下技术方案完成：

一种基于多智能体的分布式模式识别方法，其步骤包括：

步骤一：将输入模式表示为智能体影响图；

步骤二：根据智能体影响图的演化来提取其中的定性特征，缩小搜索的空间；

步骤三：通过多智能体的协作和动力学模型来完成目标模式的涌现。

优选的，所述步骤一中智能体影响图的建立的过程为：

首先通过单个智能体对输入模式进行识别，由于知识的缺乏，单个智能体无法完全识别输入模式；

然后单个智能体再进行相应的繁殖或者重组，从而增加识别输入模式的知识；

最后通过繁殖或者重组所产生的多智能体提取出输入模式的定量特征，从而实现一个具有记忆功能的智能体影响图的建立。

优选的，所述智能体影响图为一可变结构，其中的各个智能体之间是可变动、可移动的无线连接方式，智能体影响图采用动态连接方式处理多智能体之间的相互作用，智能体影响图具有增加智能体、删除智能体以及改变智能体之间联系的能力。

优选的，所述定量特征的提取过程中采用神经网络集成技术，对所述神经网络集成经过训练后，提取的定量特征均为数值形式知识，为隐式知识，后通过定性特征提取算法将隐式知识抽取出来并通过显式形式表示出来。