（模式识别与智能系统专业论文）基于多agent的模式识别框架aprf的研究.pdf

南京理工大学博士学位论史 麟f 多a g e n t 的蟆式识别框婴a p r f 的研究 摘要 入类熬镤式谈掰过程嚣分鸯嚣薅谤琵。第一耱涪凌：如粱输入模式飘来晃j 童， 需要进行特征拍取，建立输入模式的模型，这时的模式识别实际上是模式建横( 记忆) ， 是一鑫下焉上静j 童纛：第二辩 主嚣：如果蒺筑螫经凳过，刘鬻鬻使磺箍瑾静方法，遮 时的模式识别本质上是馍式涌现( 推理) ，怒一自上而下的过程。 传统戆穰式识鬻方法圭簧存在掰个方甏躬不是：集孛式控裁；依鞭子将征撞取稻 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 懿褥涟窝爨疑点弱蒸稿上，蒺予多a g e n t 毽沦襄技拳，捷窭了涛嚣耱不圈炎登载方法 集成，以推理为主计算为辅的模式识别捶架a p r f ( a g e n t 。b a s e dp a t t e r nr e e o g r a f i o n f r a m e ) ：走鬻謇- f 甏左定量誊于箕方法对蒺式建攘，後荬毒裁予分类；孬瘸鑫上瑟下瓣 定性分析方法对模式涌现。目的是让计算机馍式识别更符合人的认知过程，模式识别 ：模式建摸一模式滂瑗。 本文的燕要工作： ( 1 ) 捷囊了基予多a g e n t 靛壤式浚澍蓬綮a p r f ，该蓬鬃楚筷式鼋 裂翡“鑫下 嚣主 的摸式建馍”和“自上而下的模式涌现”融合在一起。模式建摸解决“记忆”问题， 模式灞褒磐决“攫壤”弱瑟。 ( 2 ) 提出了基于角色的姒s ( m u l t i a g e n ts y s t e m s ) 动态协作模型d c m b r ( d y n a m i c c o o p e r a t i v e m o d e l b a s e d r o l e i n m u l t i a g e n t s y s t e r a s ) ，宅霆絮起摸式建摸黪菠式潇凌 之间的桥梁。通过a g e n t 之间的联盟、协作、协商、协调，使组成俟式的基元的结构、 。睦臻、李亍为鼹懋等帮傻鏊攘麓肇，纛可产生整箨缝褥、毽蒺窝毒亍必罄援为复杂戆镶 式。 ( 3 ) 提爨了定羧褥 歪静援念。嚣为终绕，鼗义下懿褥，匹不缒反浚摸式静繁俸结褥臻 息，鼠特征撼取没育一股的行之有效的方法。而定性特征是邋过层次递归涌现出来的， 隆羲统计撵本懿碧麴，定瞧褥茳趋予稳定，宅襞反浚了攘式豹整裕缩褥蓿惑，连爱淡 了摸式的缁节信息。 ( 4 ) 提窭了羹予翘浚垮簇式轰示为a 鼙( a g e n ti n f l u e n c em a p ) 。a l m 零蒺上楚一 个具有记忆功能的辛申经网络，利用a l m 能够实现用篱单规则控制的模型束解释骥式 溪袋现象：扶嚣鬈嚣整傣戆转换。 ( 5 ) 基于涌现急理，提出了三种模式分类模型：模型推理、特征融合和横式联想。 关键河：a g e n t ；模式识别；模式建馔：模式涌现：a p r f ：定i 生特征；a a l ；d c m b r 一! ! 苎兰竺堡壅 a b s t r a c t 。，。 t h ec o u r s eo f h u m a n sp a t t e r nr e c o g n i t i o ni sd i v i d e di n t ot w oc a s e s ：f i r s tc a s e ，i f i n p u t p a t t e r nn e v e rb es e e nb e f o r e ，t h e nf e a t u r ee x t r a c t i o ni sn e e d ，s ot h a tt h em o d e lo fi n p u t p a t t e r ni sb u i l t ，i nf a c t ，p a t t e r nr e c o g n i t i o ni sj u s tm o d e l i n g ( o rm e m o r y ) ，a n di ti sa d o w n - t o pc o u r s e ；s e c o n dc a s e ，i fi n p u tp a t t e mh a v eb e e ns e e nb e f o r e ，t h e nc l a s s i f y i n gi s c o m p l e t e db yl o g i ci n f e r e n c e ，i nf a c t , t h ep a t t e r nr e c o g n i t i o ne s s e n t i a l l yi sp a t t e r ne m e r g e ( i n f e r e n c e ) ，a n di ti sat o p d o w nc o u r s e t h er e s e a r c ho f p a t t e mm o d e l i n ga n de m e r g ei si n d e p e n d e n t l yi nc o n v e n t i o n a lp a t t e r n r e c o g n i t i o n i nt h i sp a p e r , w ea n a l y z et h em e r i ta n dd e f a u l to fd o w n - t o pa n dt o p d o w n , a n d a p r f ( a g e n t _ b a s e dp a t t e r nr e c o g m u o nf r a m e ) i sp r e s s e db a s e do i lt h et h e o r ya n dt e c h n o l o g yo f m u l u 。a g e n t ，i t sm a r ep r i n c i p l ei sr e a s o n i n gb u tc o m p u t e r f t r s t l y , m o d e h n gb yd o w n - t o p ，a n dt h e n c l a s s i f y i n gb yt o p - d o w n ，s ot h a tt h ec o u r s eo f p a t t e r nr e c o g m t i o na c c o r dt oh u m a n sp e r c e i v e t h em a i n j o ba r e ： ( 1 ) b r i n gu pan e wf r a m eo f p a t t e r nr e c o g n i t i o na p r fb a s e do nm u l t i a g e n ts y s t e m s ( m a s ) ，t h i sf r a m em e r g ei n t ot h em e t h o d so fd o w n - t o pa n dt o p d o w n p a t t e mm o d e l i n g s o l v e ”m e m o r y a n dp a t t e r ne m e r g es o l v e ”i n f e r e n c e ” ( 2 ) am o d e lo fd n a a m i c sc o o p e r a t i o nd c m b ri nm a si sp r e s e n t e db a s e do nr o l e s ， w h i c hi ss e tu pab r i d g eb e t w e e np a t t e r nm o d e l i n ga n dp a t t e me m e r g e t h r o u g ht h e a l l i a n c e ，c o o p e r a t i o n ，n e g o t i a t i o na n dc o o r d i n a t i o ni na g e n t s ，s ot h a ts y s t e mf o r mc o m p l e x m o d e li ns t r u c t u r e ，p r o p e r t ya n db e h a v i o r , e v e nt h o u g he v e r ya g e n t ss t r u c t u r e ，p r o p e r t y a n dr u l eo fc o n d u c ti ss i m p l e ( 3 ) b r i n gu pt h ec o n c e p to fq u a l i t a t i v ec h a r a c t e r b e c a u s eq u a n t i t yf e a t u r ec a r t tr e f l e c t s t r u c t u r ei n f o r m a t i o ni nt r a d i t i o n ，a n dt h e r ei sn o tg e n e r a lw a yo ff e a t u r ee x t r a c t i o n w h e r e a s q u a l i t a t i v ef e a t u r ei se m e r g e db yl a y e rr e c u r s i v e ，a ss a m p l ei n c r e a s i n g ，q u a l i t a t i v e f e a t u r et e n dt os t e a d y , i tr e f l e c tw h o l es t r u c t u r ei n f o r m a t i o na n dd e t a i li n f o r m a t i o n t o o ( 4 ) w ew i l le x p r e s sp a t t e r ni n t oa i m ( a g e n ti n f l u e n c em a p ) b a s e do nk n o w l e d g e ，i ti s am e m o r i a ln e u r a ln e t w o r ka n dc a nr e a l i z et oe x p l a i nt h ep h e n o m e n o no ft r a n s f o r mf r o m p a r tt oi n t e g r a t i o n ( 5 ) b r i n gu pt h r e ep a t t e r nc l a s s i f y i n gm o d e l s ：p a t t e r nr e a s o m n g c h a r a c t e rf u s i o n sa n d p a t t e r na s s o c i a t e db a s e do nt h ep r i n c i p l eo fe m e r g e k e yw o r d s ：a g e n t ：p a t t e r nr e c o g n i t i o n ；p a t t e r nm o d e l i n g ：p a t t e r ne m e r g e ；a p r f q u a l i t a t i v ef e a t u r e ；a n 【：d c m b r 2 声明 本学位论文是我在导师的指导下取得的研究成果，尽我所知，在 本学位论文中，除了加以标注和致谢的部分外，不包含其他人已经发 表或公布过的研究成果，也不包含我为获得任何教育机构的学位或学 历而使用过的材料。与我一同工作的同事对本学位论文做出的贡献均 已在论文中作了明确的说明。 研究生签名：盘丝熟 。f 年3 月i ，日 学位论文使用授权声明 南京理工大学有权保存本学位论文的电子和纸质文档，可以借阅 或上网公布本学位论文的全部或部分内容，可以向有关部门或机构送 交并授权其保存、借阅或上网公布本学位论文的全部或部分内容。对 于保密论文，按保密的有关规定和程序处理。 研究生签名：塑兰艇 t6 年3 月，f 曰 毒衷理王大学| 肆七学垃论文 摹于多a g c m t 鲍模式识剐蜒疑a p r f 的礤究 l 绪论 1 i 引言 l 。1 1 模式鼋致蘩方法势类 模式识别是人类的一项基本智能，在日常生活中，人们经常在进行“模式识别”。 模式谖帮是洚多工稼领域广泛应用静关键搜术，诸如：自控溢测、溺像识射、故障诊 断、物料配制、分子设计等。几十年来，模式识别方法层出不穷，如：统计横式识别、 入工狰经网络摸式鼋袋掰、模襁模式识剐、结构摸式浓爱f 、协同摸式识剐翻、仿生模 式识别1 3 1 等。每种方法备有所长，使用的范围有限，随着科学研究和工程技术的飞速 发袋，可以获取的数据藩惑越来趣事富，雨肖些数掇的铡试戒本相獭高，从而往往健 数据样本呈现出：高维、小容量、关系复杂、非线性和分布不定等特点，为模式识别 技术提出了新的撬战。柔谜建集戚巍用不同类方法怒应对这斡挑战盼有效芋段。本交 在深入分析备类算法的基础上，提出种新的集成策略，首先通过自下而上的方法( 定 量诗箨) 获取萋于知嫒豹溪式表示潮络；然詹通过自上两下的方法( 定性分析) 实现 推理分类。 扶实现技术煮澎，我 f j 把众多静摸式谈剐方法 船为圆炎： ( 1 ) 摸妖匹配馍型【“。模扳匹配模型的孩心思想愚认为在人的长时期记1 舷中，贮存 着善式各撵的过去夜生活串形或豹外部漠式的籀珍簸本，这些袖珍复本都称作筷扳， 它们与外部的模式帮着一对应的关系；当一个京j j 激作用于人的感宙时，刺激信息褥 凳缡冯并与汪贮存匏备狰篌叛透行院较，然瑶敲密决定，看郄一个摸钣与刺激育最佬 的噬配，就把这个刺激确认为与那个模坂相同。这惮，模式就得到识别了。 按照穰妖疆配壤墅豹羹本观点，模式莛一个整体，是不可分萄的。为了识鄹菜个 特定的模式，必须事先在记忆中贮存与之对应的模阪。如粜该模式谯外形、大小或方 位等菜一方嚣有新交参艺，嚣么每一个交记了豹漠式豁要育每之靖应酌籍定骥扳，嚣对 就不能得到识别或发生错误的识别。在这种情况下，要得到正确i = i 剐，就需要在人的 记忆中贮存数不清懿摸妖，麸焉强大建辔强记忆静煎疆。这与入在模式谀潮串所表溪 出的高麦灵活性是不一致的。有学眷提出给模扳匹配增加一个预处理过程，即在横式 识掰豹锈始阶段，京匹配之翁，将裁激的外形、大小或方位筹据戳清整，往之标准讫， 这样就可大大减少瀵皈数量。但这种做法的圈难是，如果事先不知道待识别的模式恳 侍么，嚣么绞掘行么柬溺聱裁激静静形、大小或方位程? 实际上蔚瑟所浼懿篌菠篷酝 模型是一种自下而上的加工馍型，丽耍使预处理的过程。哽利进行，就要涉及到自上而 下的麓工褥嚣。久翡怒觉过程复含了稆互联系的鱼下面土加工帮鲁上雨下蕊工挺嗣， 第l 孽缝姥鳞 学堂论文 摸投旺配摸型中只有融入自上而下加工机制，匹配模型才能比较兜整。豳1 i 载是 宁眈较完整熬骥袄至既溪登一，、 ”一* 熙l - l 援啦匹配壤型 辩暨 - 订辑m o c l * d 群嘲i 脚档穗磷g 模扳匹配陵型虽然可以解释人的某摅模式识别，但它难以解释人何以迅速识别一 争薪的、不熬瑟抟壤式这类鬻凳靛事赛。零警这群，模教还燕有佟迥熊，在萁链嚣援 式识别横型中，还会出现类似模扳旺配酌机制。 ( 龄壤鸯势褥鹱型 5 j 。结巍分褥模型麓赞对粪羧嚣配襞垄的不是嚣港娶采躬。络鸯 分析馍型的突出特点是，它认为在人嘧的记忆中贮存的不是与外部模式材一对应关 系翁缕裁，丽是蒸霓。运转瓣稳纂无茨皎了一娄誊淬辑黑育翦蕉率将疑，袍蔓杂麓象 拆分为简单的基元，通过对基元进行推理，以达到攥式识别的目的。 绞暴瞎擒静折模型靛鼹蕊，在镄式谖躺过程孛，磐嚣型激鬟霉与基元选 予魄较， 而且由乎基元是一种概括丧征，这种比较不要求严格的准确氍配，而只需近似的匹配 攀霹。帮篷菜一蓬酶懿鬻钵之驾卷在蘑辩形，走，l 、等方蠢翁差器。这靛塞棘蓑，最耍 存在相l 萋的鉴元，新的、不熟悉的模式瞧是可以识剐的，从而使人的模式识别更加灵 漆，更轻遥囊睇嫒翁爱讹。强l 磐连了一种霆海势辑攥型。 对于结构分忻礁型来说，关键之处在于是否存在这种基元。目前这仍是一十有争 议鳃礞爨，舅翳，终鞠分授谈垒器妻肖黧下囊支籀王，两浚霹磐上蔼_ f 糍王，遥显然 是一个缺陷。与摸扳匹配使型榴比自上而下加工对结掏分析似乎更加重要。 ， 2 商豪理工大学尊士学垃论文 基乎多a g e n l 妨模式识鹫堰鐾a p r f 的疆究 类的特征向量进 亍比较束完成模式识别。 特薤分析的成功与否依被于刺激的可分解性。特征在这攀的地位和作用类似于模 扳匹配模型中的模扳，即特征可以看作是一种微型模扳或是一种局部的豁件模援。但 特在分折毕竟不同于搂扳匹配，它冥有一定的优点。酋先，袄捅刺激的特征和关系进 行识别，就可以不管刺激的大小、方位等其他细节，避开顶加工的困难和负担，使识 嗣青更强的适虚佳。其次，弼样的特蕺可以出现在许多不掏的筷式中，可极大遣减轻 记忆的负担。第三，由于需要获得刺激的组成成分信息，即擒取必要的特征鳓关系， 再抽良综合，才能进行识掰，逡使模式识剐过程带青笺多的学习色彩。不过，当不同 的镆式具有一些共同的特征时，就会使识别发生困难，甚至出现错误。 与其缝的模式识别摸型相磁较，特征匹配筷型确安具有更加灵活的特点。但它只 是自t 而上的加工模型，缺少自上而下加工。所阱，特征分柝模型存在着一个最大的 争沦问题，就怒前面旋刘的整体加工和局部加工的i 韧嚣，特援分析陵型是一个典型的 从局部到整体的加工模型，遮与人类认知过程中整体特征加工优先的观点是相矛盾 靛。 ( 4 ) 认知模型。该模型从整体的演化角度认识模式，与特 i e 分析摸型相反，它强 调漠式漩掰要蓠先提敬大范盈拓扑性演。认知模型是封特征分析模型的最大挑战，构 成了当前摸式识别理论争议的一个焦点。认知模型包括：仿生模式识剿【 】、模糊模式 识嗣l ”、视觉计算漠謦9 j _ 稻协同模式识涮 2 , 9 j o 等。试稚筷圣的研究连攫将在1 2 节讨 论。 在过去鲍十年内，计算执斑用领域钢着分布式和智能化的方向发爆，模式识别也 不例外。a g e n t 计算是分布式计尊和酱糍信息技术发展进程中比较有影响的计辫模式。 a g e n t 技术提供了一种新的闻疆求解风范，选主要是因为基于a g e n t 的系统其有许多 优点；系统放捡了对集中式、规划、顺亭控制的限制，提供了分数控制、应急和并行 楚理，并且降低了软件和硬件鹩费嗣，提漤诲作煞萁他录解嫫式。 利用a g e n t 计算模式，使捋复杂的任务可以通过枢互协作米完成，突破了时间和 空翔的鞭帮，充分裂鞠溺络资源和智能他处穗技术”。十采年来，a g e n t 和多a g e n t 系统( m a s ，m u l t i a g e n ts y s t e m ) 的研究取得了很大的逑曩，已经在许多领域中得 笺维广应镯f ”l 。磐鹰觳a g e n t 技术引入至e 横式谖别的研究才剐月 超步口。许多学者对 a g e n t 技术进杼了大量的研究，提出丁一些切实可行的方案丰a 框架，如j a v aa p p l e t 结绱 ”1 ，中潮释鳝掏寝c o r b a 技术f 1 8 ，表字符( 语音 识剥和处理灏域声生了一定 的影响，为将a g e n t i 八 ：镆式识别颈域打下了基础， 鼠方法沦的角壹，我j 托筷式识掰方法分为三大类：定量计算、定性分析裙集戎 方法。定星计簿方法怒自下而上的，定性分析是自上i 丽下的，目酊对集成馍式识别的 磅究主要集串在不露意董方法裙集谨，对定量计算嚣定毪分析鸽集成研究成泉不多。 3 第1 毫锚诧 博士学位论文 本文给出的模式识别方法是定量计算和定性分析的集成。图1 3 为模式识别方法的分 类框架。 一一 一 一 模式识别方法 i 定量：十算定性丹析集唬方法 厂+ 1 厂 - mh 统聚模抻句仿协模视 多毒 计 豢 板经法生同糊觉 分于 模分匹同丹摸模模针裳 a g e n t 式 柝 配络祈式 式式鼻嚣方 识识 识 识 组法 别别荆别台 图1 3 模式识射方法的分类 f i g1 0c l a s s l f yo f p a t t e mr e c o g m t t o nm e t h o d 1 1 2 存在的问题 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，一些限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是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 d t ： 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，图像的特 叵抽取方法更是如此。锯决这一阃题，必须探索一种新的研究途径： 现在的特征抽取准则很多，但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； 特征空间维数、样本容量、分类器识别率之间关系的研究大多只局限于实验数 据，还没有完全从理论上加以解决。 ( 2 ) 结陶识别问题。在结构馍式识别方法中，认为漠式是由一些基本结构特征( 称 为基元) 按某砷相互关系组或的，其组成方式可用一个字符串、一个树或一个图来表 示，其中句法分析方法研究得较深入，并在波形分析、染色体识别等方面有很好的应 用f l 引。有些学者曾提出过把统汁法和结构法结合起来的思想，但多数辱留在分工组 合上，尚没有一种把两者有机的融合在一起的方法，没有有效的基元协作的仉割。所 以如何发挥结掏 _ 别的作用，研究的成果不多。 ( 3 ) 基于连续逻辑的摸嘲漠式识别是用隶霭童作为模式之间相似度的盅量，虽然 能反硖瞑式整体与主要持睦，有相当程宴的抗干扰和畸交能力，但准确合理的隶i j 蚕宣 函数往往难以建立，所以，限制了它的立用【1 。 4 毒末鸳善大学博毒学链论文纂 二多a g e n t 皱蠖式识影礁整a p r f 蛇研究 ( 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 及戮练时间，并且没有充分的和霄骥式的先验知识【期。 方法( 1 ) ( 4 ) 属于自下而上的过程，方法( 2 ) ( 3 ) 羁予自上而下的过程。传统的做法怒 独立研究这掰个过稽。对入的模式谈剐能力静研究表明，模式汲鄹活动在缀大程度上 是自下面上和自上而下两种道程的绕一。 陶l - 4 的凡张图片表示了各式各样的狗，虽然它们有着不同的年龄、满予不同的 狗种、拍摄的地点不同，以及处于不同的运动和体息状态，我们都能识别出它们全怒 狗，显然入韵这种识稍方法不是识粥事先己经存在箭狗的简擎特征( 见第4 章定义 4 1 ) ，而是在识别过程中涌现出来的定性特 正( 见第4 章定义4 3 ) 。 其实，入在平时接收到鹊有关猕的信号柯很多，其中的每一个蔼号酃分嗣占据一 个存贮空间，而每个信号就是一个模式。也就是说人的大脑中有很多有关狗的模式。 入瓿不同角度、不同翻面来浚掰猫对，露静怒不同的摸式。衙特征商量表示筋漠式袋 允许计算机存储一种有关狗的模式，与人的认知不栩符。 重1 4旖嚣j l 稻蘸片 f l g1 - 4p h o t o so f d o g 簿革姆薤是摸式懿袭象，定瞧臻短才是壤式黪本质， 摸式识别的任务就是要建立本质和表象之间的联系，即把 炙枣的麓肇特，匹转他走鸯廖的定爆犍堑 2 t 】。 序或宵亭是竣式的一羊中稳定缡 勾，袭征了模式的本质。 瑟鼙特，鹾魄无率蓑蕊在：楚擎特征鲍建疑性+ 摸缨性，氛 含噪声等等。 g e s t a l t 心理学实验迁实，堡缘蜒觉不怒蚕像鑫舞分麓攀 嗣1 - 5 g l u , , t r o e a r c ，。b o 的一蒜一厕的相加，而是出善部分育机组戎的，一个图像豫为一个整 h # m m d 西w s e p p e a r c ”洲曲 体凌起赏豹，其中莓錾分之鲻又窍一定懿关系。 出于各渐分之腑：的协作，在宏观罢次上便涌现出新的篙陛，体现一种熬合作用。 为? 凌明这嵇整会功筻，卷一下人炎的模式识别过程。墅l 一5 是g i u s e p p e a r c i m b o l d o 的- , n 油强 9 1 ，乍看，我们以为鼹一张黢，但缁缎看柬，却显示为各种水果和蔬菜 鲍搀熨分商零，我嬲识到为一张垂琵舞没裔其蚀藏毽，孬楚忽珞了它的绍节嚣分，从 葵1 耄婊论辫 学生论文 整体的观点认识模式，或基予定性特征识别攘式的。 1 1 3 我们的解决方絮 ( 1 ) 基于知识的模式表示燕a p r f 的基磷。通过芬i 入定性特征穰念，把摸式表示 为具有记忆功能的网络a l m ( a g e n t 影响图) 。 猩摸式识涮中，分布式的知识表豕是有盏的，主簧基于如下原n 1 2 2 l ： 与集中式分类器比较，分布式分类器更容易创建； 诺劲分布式分类器，将镤式识澍翔分成若干子强务后分配给各个分类器，于是， 可以从这种并行性中获得真正的加速处理； 疆适合麓题的莱部分豹方法可能对问嚣豹其泣部分不憝最好的，虽然巢个a g e n t 提供一个错误答案或线索，但其他a g e n t 却可能提供藏确答案。 ( 2 ) 模式涌现机瑗研究是a p r f 豹关键。模式识剐是大璧以简单方式相甄作用的 a g e n t 的协作、竞争的结果。在微观层次上，模式的性质完全可以用定量分析的方法 描述，僵在宏观层次上，模式的稆互作用产生了薪静特征，无法需定量的方法描述， 而只能用定性的方法米描述。从定量向定性的过渡表现为模式的涌现现象。涌现是从 许多攘式翡交互行为串产生的有翻焉谖鄹的模式整俸蔫往，它不能从模式的定量分祈 中得到。本文通过多a g e n t 动态协作理论研究漠式涌现机理：模式推理、特醒融合和 摸式联您。 ( 3 ) 在模式寝示( 建模) 和模式分类( 涌现) 的基础上，建立基于a g e n t 模式识别 筵粱。该疆絮统一了囊下面上的模式建溪帮囊上面下懿漠式涌现两个过程，械嗣多 a g e n t 技术，通过a g e n t 协作实现输入模式向参考模式的演化。按照图1 3 的分类， a p r f 矮子定爨诗算籁定往分辑的集戏漠式谈翳方法。 所以，基于多a g e n t 的摸式识别方法a p r f 具有惯息分布表示，局部操作，全局 共享，定蓬分褥稳定黧诗雾糖结合，叛定洼分衙隽圭、诗算为辖静攘式谚 尉方法，霞 模式识别过程更符合人的认知过程。 1 2模式识别认知模型的研究进展 l 。2 。1 攘甥鬟式识翳 般浼泉，模式之溅的界艰并不总是明确的，存在过度，甚至混合是不可避免， 量筷蝴信息愁理是入濂售患跫理筋基本特在，应用统计嫒式识剐或冲缝网络议g j 将会 自磊恐汜每个输入归入后验戳率最大或与参考模式难离最近的一类的子集中，往往 存在定的滚差。所以，基予漠糁数学的褒锻模式识别技术和方法是漠式识澍一种萋 要方法。 税锈模式识嗣的方法可 三1 分为两种：直攘方法鞫棚接方法。直接方法按鼓大隶篙 6 商京理工大学揖卜学堂论丈 基于多a g e n t 的壤式识刺哐桨a p r f 的研究 原则归类，间接方法按择近原则归类。 ( 1 ) 模蝴模式识别的直接方法。设u 为全体被识别对象的集合，4 ：，4 。是 论域u 的i 3 个模期子集( 模期模式) 。现在要对一个确定的对象u 进行识别。此时 模式4 。，：，。是馍糊的，但是具体的对象是明确的，这时要用“最大隶属原 则”归类。 这种直接由计算元素的隶属函数来判断具体对象归属的方法即为模糊模式识别 的直接方法，其效果显然依赖于所建立模式隶属函数。 模期摸式识别的直接方法的首要问题是确定隶属函数。合理地确定出隶属函数常 采用模糊统计、模糊分析，经验评分等方法，隶属函数要经过检验，并在检验中加以 调整以提高识别的有效性。 例如：同构异字的识别对“日”字与“日”字这类同构异字的特征，紧紧依赖于 字的竖横比实验查明，对日”字或“日”字的确认率大致如图i - 6 所示f 2 孙。设4 。，爿：分 别代表“日”字及“日”字的模糊集，根据图1 - 6 求得其隶属函数为： l “( x ) = o 6 ( j o 8 9 ) 3 + 0 3 l ( x o 8 9 ) + o 5 1 “ ，( x ) = 0 5 t ( 0 8 8 5 一z ) 3 + 0 3 k 0 8 8 5 一x ) + o 5 8 竖横比 图1 6。b ”、“日”字的隶胃童曲线 f 1 9 1 - 6 吐1 e w o r d s o f “目”、“曰”s u b j e c t i o nc u l v e 当竖潢比小于o 8 时，该字为“日”；当竖填比大于1 1 时，该字为“日”：只有 当竖磺比为o 8 9 附近值对，该字最不好辩认，因为它隶禹于“日”字或“只”字的 程变皆为o 5 ，这时最摸瑚，也就是按最大隶霭泵则无法归类。 ( 2 ) 模领模式识别的间接方法。若所要识别的对象是单个确定的元素，则可用“直 接方法”即按最大隶霭系则柬识别。但杰现实中有时要识引的对象并不是单个确定的 元襄，而是论域u 上的子集或馍嘲臭，且己拓摸式本身也是论域u 上的一个子集或 模期集，这洋在识别方法上就与( 1 ) 不同，可用i a ：接方法识别，邸用“择近泵则”。 定义1 - 1 ：对于论域u 上的骥弼集4 与垦，我f ：称v ( “。( u ) a “。( u ) ) 为4 与旦的 7 l o o o 0 0 确认率 第1 霞绪论博士学位论文 内积，记为4 固垦。称a ( “。( u ) v u 。( u ) ) 为4 与垦的外积，记为40 垦 定义1 - 2 ：若4 、旦为论域u 上的模糊集，我们称由下式所规定的数为4 与垦的贴 近度，记为( ，垦) ，即：( ，里产0 ，5 a 固旦吖l - 40 垦) 】。 设在论域u 上有n 个模糊子集4 。，4 2 ，4 。，若有i 1 , 2 ，n ，馒( 旦，4 。) = m a x l s j i ( 旦，4 ，) ，则称垦与4 ，最贴近。所以，旦应归入模式4 。类。 模糊模式识别与神经网络模式识别方法的结合得到的模糊神经网络模式识别技 术最近得到了发展弘1 。 糨糙集理论是处理模糊和不确定性的一个新的数学工具。w a n g 介绍了如何采用 多目标决策来协调规则的简明性和代价之间的冲突，以及提高粗糙集的效率。研究结 果是引入了基于粗糙集理论的离散粗糙积分。离散粗糙积分有助于近似推理，在近似 推理中，离散租糙积分为确定某特定采样期间传感器的相关性提供一个基。在摸式识 别中，离散粗糙积分可用于如雷达天气数据的分类、汽车模式分类及动力系统故障波 形分类等方面【2 5 1 。 d s 证据理论是不确定性推理的重要方法。文献 2 6 】在模糊模式识别中引入了 d s 推理，可以很好地解决样本多个观测值时识别不一致的问题，有效地对识别结果 进行融合，从而得到较高的正确识别率。 模煳馍式识别的优点：由于用隶霭烹作为摸式之间相似度的度量，故往往能反映 模式整体与主要特性，从而允许模式有相当程支的干扰和畸变。缺点：准确台理的隶 属烹函数往往准以建立，所以，限制了它的应用。 1 2 2 协同模式识别 2 0 世纪8 0 年代，哈n ( h a k e n ) g q 立了协同学，它是研究自然界中有序和无序及其 转化规律的学科。按照协同学理论，系统从无序转化为有序，或者从一种序转化为另 一种亭是必然的f m 】。协同学利用“序参量”的概念和方法泉描述事物有序和无序的变 化，知道了系绕的“序参量”就可以确定系统的秩序状态。 协同学处理问题的基本思想是把一个高维的非线性问题归结为同一组维数很低 的非线眭方程( 序参量方程) 来描述。芹参量方程控制蓄系统在：临界点附近的动力学行 为。通过求解序参量方程，可以得到时蚓、空间或时空结构。 哈岢将济同系理| 立目于模式识别提出了协同摸式识别方法：该方法把模式识别过 程看作动力学演化过程( 或你为模式形成过程) ，模式形成过程是各个序参量协同竞 争的结果。 协同漠式识别的各和算法部霉要利用亭参量方程： 磊= gv ： s 寿京露蔓夫掌孳毒学篷论文 恭于多a g e n t 的模式谈疑框黎a p r f 笔磺究 其孛，受为廖参量，譬舞模式自量，v ：为溅型摸式藏墨毪懿簿琏囊爨。把鍪豢投影 到序参量空蒯上，因此伴随向量虻的性能直接影响别协同神经网络识别的成功率。伴 随囱爨是由暇墼向量诗冀霉戮豹，联竣藤壁溪式教选择霹鼋麓别效果越蕾分羡要的佟 用。琢型模式选择的主要方法如下。 l 基于经验选撵方法。在h a k e r l 攫留鬟照据准爨遐蒺式浚爱孛，是菠摇经验在镣 一类训练样本中选择某一样本作为原型模式。该方法识别能力有限，抗干扰性差。 ( 2 ) 基于数学平均篷的暴燮选择方法。文献【l 链撬窭鲸s c a p 算法是裂弱麓攀熬数 学平均渣来选择原型模式，即求属于莱类的所有训练样本平均值作为该类的原型缀 式，使原墅横式具鸯多撵本镶愚。该簿法鼹捷点在予篱攀，莰遮，势显镶识裁缝能露 了显著的提黼，其缺点是对于所有的训练洋本，它郡“一视间仁”，实际上，各个讲i 练撵本所具窍的代表连是不一撵懿，并虽，它不具骞学习功旋。 ( 3 ) 基于聚类法的原型选择方法f 2 ”。该方法是基于c 一均缎聚类方法对混合洋本求 各类撵本的聚类中心，将聚鞫中心撵本终为派墼摸式，基于浆类法敬屐墅选敬在识澍 率方筒比方法( i ) 有较大幅甓的提高，但对给定的训练佯本集来说，得到的髹型模式 还不是最绽豹。在速度方蕊比方法( 2 ) 漫。 ( 4 ) 基于遗传算法的原型选择方法1 2 酊。该方法利用遗传算法的全局最优搜索能力 在原型漠式窑闻搜索全蜀最绽蜒。就溉率上嚣言，泼算法以撂裂疑钱豹器型臻式， 然而实际上该算法的解空间太大，以3 2 3 2 的二值溪像为剜，此问题相当予在3 2 x 3 2 = ! 0 2 4 缑懿空阕孛鲍2 “4 令揍子点中寻技灞是基拣滠数款1 0 2 4 ( 3 2 3 2 ) 令戆予轰，不 但训练时间很长而且训练效率很低，圆而实琢上该算法并不可行。 ( 5 ) 基予信息叠搬学习算法靛暴型选择方法f 2 9 1 。该算法到鼹簿錾敬数学乎均篷选 择再型模式，将所育训练样本送进协同神经网络中识别，把误识率最高的模式作为反 馈量来修芷暇型壤式，然后鼷修正爱翳曼登漠式将泌练撵本嶷识别一遗，孬把浸瑷零 最奇的模式作为反馈量来缘正原型臻式，这样通过“识别一修正”的循环迭代过程来 训缘器型漠式，直到算法维寒象 孛满是或迭 弋步数爨为止。 自从哈街提出协同摸式识别的新溉念以来，协同学在蓦像处理和匿像识别中的j 藏 用戏为一个疆在兴越款赣鬏竣。以埝鸯为孩心款磷究小缓糁资同蠖式议别瘸于2 d 工 业零件辫识，手写体字符识别，人黢谀剐，3 d 匿像眨正和立体视觉中的观繁计算等。 取得了一些实践结鬃。冠对，人髑对它的算法避 亍了多方嚣辫毫羁磺突。龙荚在原嫠 援式选择、注意参数设置、不变性识别及学习算法等方荀散了大量的工作( 3 0 】。 与统计壤式洪别和句法骥式识剐方法扫艮，协同模式识燃方法城少了姆廷提取葶珏 选择的过程，这对于邪些磕以确定特征空间的识别阎题，有其独特的优越悠特别强 匿豫 l 剽串，协同骥式识别怒从整涔上分摄蕊裳持砭，浃裂过臻藏套人类的蕊起援糕， 效巢尤其引入注目。由于协同方法的识别应掘是际礁馍式，因此对那些分辨率高、耿 雪 薷l 蠢绪论薄 学生论交 度分奄屡次多，形叁络掏比较复杂约强爨( 如痣理图缘、遥黪强像等，这类嚣漾漫有 明确的形状，只是某种灰度和顿色的分布，属于自然纹理类的图像) ，其输入模式与 标准瀵式骞一定差距，锛曩援式识剐分类弱效票不缓理您，羹运篝爨夭。 1 2 3 仿生模式识别 我固学者王守觉院士最j 黩提出了“仿生模式识剐”方法鸭它是基于“认识”事 物，以一类样本在特援空间的分布驰骚优覆羲为目拣，露不怒基于“医分”搴妨为髫 的，以寻找“最佳划分”为硝标。该方法更接近于入炎“认识”事物的特性。仿生模 式识别和传统的模式识别的慧异见墨t - 7 。 j 丑 凰1 7钎生镤式谈掰硝传统翁填式识剐鹳茬异 f i g 卜7 t h ed i f f e r e n c eb e t w e e nb i o n i c sp ra n dt r a d i t i o n a lp r ( | ) 簌錾本数学痪墅善爨警筷式谖羁与传统溪式鼋廷甓静本凌差副。传统澳式滚鞠 其基本数学陵型的基点在于同类样本点相互之间没有任何关系的先验知识存在f 2 5 j 。因 j | = ，甥嚣只能姨特鬣空鬻中不露类群本的翻分赉笈了。然霹，在鸯然界实游规章孛 并非妻e 此；仿生模式识别持色在于引入了同类样本问存在的巢些普遍的规律性而建立 起寒靛“多缘空闯中赣趣球受杂趸簿形诲覆蕊”豹谈澍霖蓬。 ( 2 ) 仿生模式识别的基点是特征空间中同类样本全体的连续性。人们在对事物的 瑷别遘疆孛，存在舔季孛不嗣夔l 岛类过獠。一耱跫“弱洚”豹涵类过程，秘据同为篱露汉 字的簪写体识别。另种是不同源的撩逻辑知识归炎过程，例如手写体中简体汉字与 繁器汉字熬戆藩。霹学遘麓搭汉字霾蠢笨学过繁落汉字鹃人，对于篱铎汉字载酃霉i 槔、 手写增书和行书等往往部能认识，而对于繁体汉字却不认识。因为繁体汉字岛简体汉、 字并不瀑手麟一兮享彩，蠢蔻骏人惫穗定义为嗣一个掌兹，靠事先学习的逻耩箱谖愁 二类归并成一类。我们把“问源”的弥为同一类，而蒎识别以后再按逻辑归类矢识把 嚣要好建一蕊懿类爨余著。嚣焉以下所落霹炎弹本凳觞斋是“溺源”豹一类撵本。舀 然界任何欲被认识的事物( 包括事物、匿像、声音、语言、状态等等) 着存在两个“同 潭”| 嚣】类瑟不宪垒摇等懿事彩，焉这薄拿事彩豹差裂爱可以澎交兹。麓数学公式籀述 为： 掺莲空瓣震”中浚褥鸯嚣a 类攀窃靛全貉辑敞戎酶煮嶷为a ，若集合a 孛存鸯 任意两个元索x 与y ，则对8 为任意大于零的值时，必定存在集合b ，使 1 0 褰衷壤芏大学| 毒 警垃论文 幕于多a g e n t 鲢壤式谈鬻逛襄a p r f 抟硒甓 黔 x l ，x 缸x 缸，x 。lx f x ，x 。= y ，n c _ n ， p ( x 。，x ) 0 ，r t t m 1 ，m c n ，b c a 在特 正窆闻显“审同类撵零点之淄甄存褒兹这个连续毪嫒蹲是怒塞了费绕凑式派 别与学习理论的基本假定的，该假定认为“可用的信息部包含在训练集中”。倔这个遽 续睦援雄却怒害鼹世器中人类壹强认谀范围豹骞理移在鲍缀络；显瑟瞧是佬生嫫式识 别中用来作为样本点分布的“先验知识”，从而来撮高对事物的认识能力。传统模式 识别中把不隧类撵本在特征窆闻中的最佳划分作为融檬，瑟纺生摸式 襞澍剐默一类搭 本磁特征空阐的分布的最毪溪盖作为目标，以二维空间的情：兕示意如图1 - 8 。 圈卜8 一弹样本在姆程空訇豹分布的最缝覆盖 f i g 。1 - 8 t h eb e s tc o v e r i n go fs a 糟p l e si nt h ec h a r a c t e rs p a c e 图中，三角形为婺识别的洋本，匮圈和十字形为姆三角形不同类的两类样本，折线 为褥缝静弼络蒺式浚弱的翻分方式，大懑兔怒f 网终静划分方式( 等褥于以模皈匹醚 的识别方式) 细长椭鬟形构成的蓝线代表仿生模式识别的“认识”方式。因而，仿生模 式浚翳把分辑特征空蠲i l 练徉本煮静关系络为基赢，嚣将篮空阉串榉本分青筋连续毪 规律为此提供了可能性。 ( 3 ) 彷生菠式瑷籍理论鏊醢。各仿生模式谈象串弓| 入了特征空麓串两类佯本的遗 续性舰律后，对一类事物的“认识”，实质上就是对这类事物的全体农特征空间中形成 静无穷煮集合懿“彩妖”豹分褥帮“认滚”。任露对象的每一个集合，只要东肖着关于 连续性、关于无限接近的自然概念，就是一个拓扑空间。拓扑空间的概念是非常普媳 戆，褥关 ：这簿空麓兹学砑麓象搭羚举不是鬟的，歪怒关于迄续豹最藩 遍的数学分支。而仿生嫫式识别的壤论基础正是点集拓扑学中对葛维流形的研究问 题。这嗣缛绫篷驳数理缓跨为基磴瓣漠式谖鬻曼然在数学工具器鏊醢上膏弦本豹茇 别。所以，仿生模式识尉也称为拓扑模式识剐【3 “。 镑生摸式浚裂鹭绕点：辫子表续遘搬练鼢在意对象决不会误莰，这歪慧久稻谖粥 功能的特点，也是传统模式识别的致余弱点。仿生横式识别是一类一类分别u l ；练“认 瑷”瓣，薅耨三l 0 撵奉戆戮绻不会影貔蓦育谈爱鬈谢。歃轰：首先，要分轿骈究竣谈 别事物在特饺空间中分句状况的拓扑霭洼，辫考意嗣神经网络覆盖方法，保涯顶处瑷 ( 嚣终薤瓷戳) 过程慧连续袭瓣，无魏变凌象，否爨涛会影确麓集。 筵1 囊绪逢博 学蹙论文 l 。2 。4 多分类嚣缀合 传统的模式识别系统采用一个特定的分类器算法来决定一个给定模式的类别问 题，嚣蘧露毒：炎弱数较多或是瓣入摸式臻声予扰迓较掰害对，这嵇浚掰系统不缝撂蓟 很好的性能。近年来，对模式识别的一个新的研究方向是把不同分类器的识别结果联 合在起，垂予各个分类器静分类鏊黼不同，掰采震戆待，疰蠢不嚣，羹釜稳姿熬互补 性，从而可以提高分类效果。其研究的关键是如何把各种分类器的分类结果结合在一 起，跌瑟能够褒畿各个分类嚣钓覆煮，嚣静裁它们熬映点辫l 。 多分类器的组合一般利用参与组合的分炎器提供的决策信息对来知样本作出决 策。参与缝合豹分类辫箍镶懿决策蔫慧务为三拿层次鼹类：糖象层次、簿亭鬃次和度 量层次：第一类，训练样本的决策信息；第二类，待测洋本的决策信息。 攀疑疆窭鹣分类器联合鬣翳，畜投幕蔽甏瞄及茭改进方法，b k s 联合方法 3 3 1 ， 提出的多分类器组合方法，利用了参与组合的分类器撼供的对样本和朱知样本的符号 屡次上游决繁痿怠；文献 3 4 1 撂塞兹多令b a y e s 分类嚣乎驽缝合方法，巅强了参与缝