專利名稱：一種基于msbn的多智能體協(xié)同目標識別方法
技術領域：
本發(fā)明涉及一種目標識別方法，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)同目標識別方法。
背景技術：
對于目標識別而言，在給定一些證據(jù)的情況下，需要推斷對應的模型中目標類型等隱節(jié)點(又稱隱變量)最有可能的概率分布，使其與掌握的先驗知識、原則等有機結合， 通過多源信息的融合，達到對目標識別的目的。每個待識別目標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)收集變相對得容易，所以大量數(shù)據(jù)可以在相對短的時間里得以收集。然而，在嘈雜、不確定性、動態(tài)的環(huán)境下利用信號進行快速、準確的目標識別，是一個復雜而艱巨的任務。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)絡是可用于目標識別理論工具之一。將問題域轉(zhuǎn)化為貝葉斯網(wǎng)絡模型表示后，便可利用貝葉斯網(wǎng)絡理論完成推理任務。貝葉斯網(wǎng)絡的推理是貝葉斯網(wǎng)絡研究的重要內(nèi)容。其中，連接樹(又稱為聯(lián)合樹，Junction tree，簡稱JT)算法是目前計算速度快、應用最廣的 BN精確推理算法之一。無人車輛、機器人、無人飛機等都可視為智能體。單個智能體的能力有限，通過多智能體協(xié)同及少量資源的共享擴展其執(zhí)行任務的能力是一種很自然的選擇。同時，由于計算機網(wǎng)絡的成本不斷下降，分布式處理構成環(huán)境狀態(tài)探測傳感器網(wǎng)絡可有效克服傳統(tǒng)的集中式傳感器網(wǎng)絡監(jiān)測方法的缺點。采用本地分布式處理，然后通過消息傳遞進行部分信息的交流，每個分布式處理單元常抽象為一個的智能體，用以體現(xiàn)其傳感器網(wǎng)絡的子集、資源、局部知識以及其推理過程。這些智能體的集合構成一個多智能體系統(tǒng)。對于目標類型的識別，常用目標識別包括神經(jīng)網(wǎng)絡法和動態(tài)貝葉斯網(wǎng)絡法。文獻1 (史建國，高曉光，李相民，離散模糊動態(tài)貝葉斯網(wǎng)絡用于無人作戰(zhàn)飛機目標識別[J]， 西北工業(yè)大學學報，2006，M(I) :45-49)采用模糊數(shù)學中較為常用的模糊隸屬度函數(shù)將連續(xù)觀測數(shù)據(jù)離散化。然后利用離散模糊動態(tài)貝葉斯網(wǎng)絡，對若干可觀測的目標特征參數(shù)進行綜合推理出目標的類型。然而神經(jīng)網(wǎng)絡法存在模型解釋性差的缺點。而由于動態(tài)貝葉斯網(wǎng)絡作為傳統(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 的構造和推理既復雜且時間開銷較大，同時動態(tài)貝葉斯網(wǎng)絡具有所需觀測時間長的不足。

發(fā)明內(nèi)容
為了克服現(xiàn)有技術解釋困難或所需觀測時間長的不足，本發(fā)明提供一種基于MSBN 推理的多智能體協(xié)同目標識別方法。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(Multiple SectionedBayesian Network，簡稱MSBN)的一個BN子網(wǎng)，用以解決準確目標識別問題。以目標識別類型節(jié)點(隱節(jié)點)為重疊子域，BN子網(wǎng)構建為MSBN，即整個系統(tǒng)對應為一個完整的MSBN。 因而MSBN可視為傳統(tǒng)貝葉斯網(wǎng)絡的擴展形式之一，從BN模型推理的角度可對多智能體系統(tǒng)進行協(xié)同求解。多智能體協(xié)同目標識別算法主要采用信度通信算法完成整個MSBN的信度更新，從而完成待識別目標在相應的MSBN中“目標類型”隱節(jié)點概率查詢支持，實現(xiàn)目標識別。假設目標類型有m個待識別類別(m值常取3或4)。有η個智能體可利用i個不同的傳感器系統(tǒng)從不同方位、途徑對目標進行觀測，但是每個智能體都只能觀測有限的q 個局部特征信號(1 < q < i)。各傳感器系統(tǒng)局部特征信號觀測值分為k個值域(k值常取 3或4)。本發(fā)明提出的基于MSBN多智能體協(xié)同推理的目標識別算法步驟如下第1步設置目標識別信度閾值參數(shù)Θ、θ *范圍一般取0. 7至0. 8(即70%至 80% )；確定智能體個數(shù)η ；η值常取為3至5個；第2步η個智能體分別根據(jù)各自的i個傳感器系統(tǒng)捕獲q個目標特征數(shù)據(jù)， 1 < q < i，每個目標特征數(shù)據(jù)有k個觀測值。k值常取3或4 ；第3步建模判斷，即若目標識別系統(tǒng)尚未構建目標識別MSBN的鏈化連接森林，執(zhí)行第4步，完成相應模型構建；否則，跳轉(zhuǎn)執(zhí)行第7步；第4步對第j個智能體(1彡j彡η)用目標類型作為父節(jié)點h ；Sj有m個取值事件，即有m個待識別類別，m常取值為3或4 ；以其q個目標特征數(shù)據(jù)作為子節(jié)點，用有向邊分別連接父節(jié)點和各個子節(jié)點，即依次連接父節(jié)點h和子節(jié)點1、父節(jié)點h和子節(jié)點2…… 直至父節(jié)點1和子節(jié)點q，每條有向邊箭尾為父節(jié)點，箭頭指向子節(jié)點。這樣，可建立η個獨立的BN子網(wǎng)結構；較佳地，BN子網(wǎng)模型各節(jié)點間的信度條件概率參數(shù)采用EM算法進行學習；第5步用有向邊將η個BN子網(wǎng)的父節(jié)點(目標識別類型節(jié)點)單向連接，即有向邊從父節(jié)點S1 (箭尾)指向父節(jié)點S2(箭頭)，再從父節(jié)點S2(箭尾)指向父節(jié)點&(箭頭)，直至父節(jié)點Slri (箭尾)指向父節(jié)點&(箭頭)，構建得到MSBN ；第6步利用Xiang的鏈樹(Linked tree)法將MSBN構建成鏈化連接森林； (注MSBN、Linked tree概念及第8步所用的CommunicateBelief算法由加拿大華人學者Y. Xiang教授提出，國內(nèi)清華大學田鳳占等人曾對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)絡中推理的簡化[J]，計算機研究與發(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，輸入各自的目標特征數(shù)據(jù)作為觀測證據(jù)，利用連接樹算法進行信度推理，從而完成η個子BN的目標識別類型節(jié)點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模型目標識別類型節(jié)點。信度θ」(1彡j彡n)。第9步按式⑴計算目標識別信度θ ；
權利要求
1.一種基于MSBN的多智能體協(xié)同目標識別方法，其特征在于包括下述步驟 第1步設置目標識別信度閾值參數(shù)θ * ；確定智能體個數(shù)η ；第2步η個智能體分別根據(jù)各自的i個傳感器系統(tǒng)捕獲q個目標特征數(shù)據(jù)，l^q^i, 每個目標特征數(shù)據(jù)有k個觀測值；第3步建模判斷，若目標識別系統(tǒng)尚未構建目標識別MSBN的鏈化連接森林，執(zhí)行第4 步，完成相應模型構建；否則，跳轉(zhuǎn)執(zhí)行第7步；第4步對第j個智能體用目標類型作為父節(jié)點I，1 < j < n，h有m個待識別類別， 以其q個目標特征數(shù)據(jù)作為子節(jié)點，用有向邊分別連接父節(jié)點和各個子節(jié)點，建立η個獨立的BN子網(wǎng)結構；第5步用有向邊將η個BN子網(wǎng)的父節(jié)點單向連接，構建得到MSBN ； 第6步利用Xiang的鏈樹法將MSBN構建成鏈化連接森林；第7步各BN子網(wǎng)模型中，輸入各自的目標特征數(shù)據(jù)作為觀測證據(jù)，利用連接樹算法進行信度推理，從而完成η個子BN的目標識別類型節(jié)點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模型目標識別類型節(jié)點h信度θ j ； 第9步計算目標識別信度
2.根據(jù)權利要求1所述的基于MSBN的多智能體協(xié)同目標識別方法，其特征在于所述的θ *取0.7至0.8。
3.根據(jù)權利要求1所述的基于MSBN的多智能體協(xié)同目標識別方法，其特征在于所述的η值取為3至5個。
4.根據(jù)權利要求1所述的基于MSBN的多智能體協(xié)同目標識別方法，其特征在于所述的k值取3或4。
5.根據(jù)權利要求1所述的基于MSBN的多智能體協(xié)同目標識別方法，其特征在于所述的m取值為3或4。
6.根據(jù)權利要求1所述的基于MSBN的多智能體協(xié)同目標識別方法，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)同目標識別方法，將多智能體系統(tǒng)的各智能體視為多連片貝葉斯網(wǎng)絡的一個BN子網(wǎng)，用以解決準確目標識別問題。以目標識別類型節(jié)點為重疊子域，BN子網(wǎng)構建為MSBN，從BN模型推理的角度可對多智能體系統(tǒng)進行協(xié)同求解。多智能體協(xié)同目標識別算法主要采用信度通信算法完成整個MSBN的信度更新，從而完成待識別目標在相應的MSBN中“目標類型”隱節(jié)點概率查詢支持，實現(xiàn)目標識別。本發(fā)明在提高系統(tǒng)識別能力的同時，增強了系統(tǒng)的實時性，可大大提高識別目標的速度和精度。
文檔編號G06K9/62GK102270305SQ201110228800
公開日2011年12月7日 申請日期2011年8月11日 優(yōu)先權日2011年8月11日
發(fā)明者郭文強, 陳軍, 高曉光 申請人:西北工業(yè)大學