专利名称：一种基于msbn的多智能体协同目标识别方法
技术领域：
本发明涉及一种目标识别方法，尤其是一种基于多片连贝叶斯网(Multiple sectioned Bayesian network, MSBN)协同推理的多智能体协同目标识别方法。
背景技术：
对于目标识别而言，在给定一些证据的情况下，需要推断对应的模型中目标类型等隐节点(又称隐变量)最有可能的概率分布，使其与掌握的先验知识、原则等有机结合， 通过多源信息的融合，达到对目标识别的目的。每个待识别目标都有其与众不同的特征表象。随着电子和信息系统的发展，数据收集变相对得容易，所以大量数据可以在相对短的时间里得以收集。然而，在嘈杂、不确定性、动态的环境下利用信号进行快速、准确的目标识别，是一个复杂而艰巨的任务。作为解决不确定性和不完全信息问题处理的有效方法，融合了概率论与图论的贝叶斯网络是可用于目标识别理论工具之一。将问题域转化为贝叶斯网络模型表示后，便可利用贝叶斯网络理论完成推理任务。贝叶斯网络的推理是贝叶斯网络研究的重要内容。其中，连接树(又称为联合树，Junction tree，简称JT)算法是目前计算速度快、应用最广的 BN精确推理算法之一。无人车辆、机器人、无人飞机等都可视为智能体。单个智能体的能力有限，通过多智能体协同及少量资源的共享扩展其执行任务的能力是一种很自然的选择。同时，由于计算机网络的成本不断下降，分布式处理构成环境状态探测传感器网络可有效克服传统的集中式传感器网络监测方法的缺点。采用本地分布式处理，然后通过消息传递进行部分信息的交流，每个分布式处理单元常抽象为一个的智能体，用以体现其传感器网络的子集、资源、局部知识以及其推理过程。这些智能体的集合构成一个多智能体系统。对于目标类型的识别，常用目标识别包括神经网络法和动态贝叶斯网络法。文献1 (史建国，高晓光，李相民，离散模糊动态贝叶斯网络用于无人作战飞机目标识别[J]， 西北工业大学学报，2006，M(I) :45-49)采用模糊数学中较为常用的模糊隶属度函数将连续观测数据离散化。然后利用离散模糊动态贝叶斯网络，对若干可观测的目标特征参数进行综合推理出目标的类型。然而神经网络法存在模型解释性差的缺点。而由于动态贝叶斯网络作为传统的BN之一，采用的是集中式的单智能体推理方式，如文献2 (Y. Xiang， Probabilistic Reasoning in Multi-Agent Systems :A Graphical Models Approach[Μ], Cambridge University Press, Cambridge, UK, 2002)指出的那样，BN 的构造和推理既复杂且时间开销较大，同时动态贝叶斯网络具有所需观测时间长的不足。
发明内容
为了克服现有技术解释困难或所需观测时间长的不足，本发明提供一种基于MSBN 推理的多智能体协同目标识别方法。本发明将多智能体系统的各智能体视为多连片贝叶斯网络(Multiple SectionedBayesian Network，简称MSBN)的一个BN子网，用以解决准确目标识别问题。以目标识别类型节点(隐节点)为重叠子域，BN子网构建为MSBN，即整个系统对应为一个完整的MSBN。 因而MSBN可视为传统贝叶斯网络的扩展形式之一，从BN模型推理的角度可对多智能体系统进行协同求解。多智能体协同目标识别算法主要采用信度通信算法完成整个MSBN的信度更新，从而完成待识别目标在相应的MSBN中“目标类型”隐节点概率查询支持，实现目标识别。假设目标类型有m个待识别类别(m值常取3或4)。有η个智能体可利用i个不同的传感器系统从不同方位、途径对目标进行观测，但是每个智能体都只能观测有限的q 个局部特征信号(1 < q < i)。各传感器系统局部特征信号观测值分为k个值域(k值常取 3或4)。本发明提出的基于MSBN多智能体协同推理的目标识别算法步骤如下第1步设置目标识别信度阈值参数Θ、θ *范围一般取0. 7至0. 8(即70%至 80% )；确定智能体个数η ；η值常取为3至5个；第2步η个智能体分别根据各自的i个传感器系统捕获q个目标特征数据， 1 < q < i，每个目标特征数据有k个观测值。k值常取3或4 ；第3步建模判断，即若目标识别系统尚未构建目标识别MSBN的链化连接森林，执行第4步，完成相应模型构建；否则，跳转执行第7步；第4步对第j个智能体(1彡j彡η)用目标类型作为父节点h ；Sj有m个取值事件，即有m个待识别类别，m常取值为3或4 ；以其q个目标特征数据作为子节点，用有向边分别连接父节点和各个子节点，即依次连接父节点h和子节点1、父节点h和子节点2…… 直至父节点1和子节点q，每条有向边箭尾为父节点，箭头指向子节点。这样，可建立η个独立的BN子网结构；较佳地，BN子网模型各节点间的信度条件概率参数采用EM算法进行学习；第5步用有向边将η个BN子网的父节点(目标识别类型节点)单向连接，即有向边从父节点S1 (箭尾)指向父节点S2(箭头)，再从父节点S2(箭尾)指向父节点&(箭头)，直至父节点Slri (箭尾)指向父节点&(箭头)，构建得到MSBN ；第6步利用Xiang的链树(Linked tree)法将MSBN构建成链化连接森林； (注MSBN、Linked tree概念及第8步所用的CommunicateBelief算法由加拿大华人学者Y. Xiang教授提出，国内清华大学田凤占等人曾对此展开理论追踪研究，“田凤占，张宏伟，陆玉昌，石纯一，多模块贝叶斯网络中推理的简化[J]，计算机研究与发展，2003，40 (8) 1230-1237”，国内尚未有统一名称，此处对它们的名称均采用中文直译)；第7步各BN子网模型中，输入各自的目标特征数据作为观测证据，利用连接树算法进行信度推理，从而完成η个子BN的目标识别类型节点h信度θ j更新(1彡j彡η)；第8步基于步骤7获得的θ j更新，利用信度通信算法(CommimicateBelief 算法)完成MSBN网内的全局推理，更新MSBN模型目标识别类型节点。信度θ」(1彡j彡n)。第9步按式⑴计算目标识别信度θ ；
权利要求
1.一种基于MSBN的多智能体协同目标识别方法，其特征在于包括下述步骤 第1步设置目标识别信度阈值参数θ * ；确定智能体个数η ；第2步η个智能体分别根据各自的i个传感器系统捕获q个目标特征数据，l^q^i, 每个目标特征数据有k个观测值；第3步建模判断，若目标识别系统尚未构建目标识别MSBN的链化连接森林，执行第4 步，完成相应模型构建；否则，跳转执行第7步；第4步对第j个智能体用目标类型作为父节点I，1 < j < n，h有m个待识别类别， 以其q个目标特征数据作为子节点，用有向边分别连接父节点和各个子节点，建立η个独立的BN子网结构；第5步用有向边将η个BN子网的父节点单向连接，构建得到MSBN ； 第6步利用Xiang的链树法将MSBN构建成链化连接森林；第7步各BN子网模型中，输入各自的目标特征数据作为观测证据，利用连接树算法进行信度推理，从而完成η个子BN的目标识别类型节点h信度θ ^更新；第8步基于第7步获得的θ j更新，利用信度通信算法完成MSBN网内的全局推理，更新MSBN模型目标识别类型节点h信度θ j ； 第9步计算目标识别信度
2.根据权利要求1所述的基于MSBN的多智能体协同目标识别方法，其特征在于所述的θ *取0.7至0.8。
3.根据权利要求1所述的基于MSBN的多智能体协同目标识别方法，其特征在于所述的η值取为3至5个。
4.根据权利要求1所述的基于MSBN的多智能体协同目标识别方法，其特征在于所述的k值取3或4。
5.根据权利要求1所述的基于MSBN的多智能体协同目标识别方法，其特征在于所述的m取值为3或4。
6.根据权利要求1所述的基于MSBN的多智能体协同目标识别方法，其特征在于所述的 Wj = 1/n。
全文摘要
本发明公开了一种基于MSBN的多智能体协同目标识别方法，将多智能体系统的各智能体视为多连片贝叶斯网络的一个BN子网，用以解决准确目标识别问题。以目标识别类型节点为重叠子域，BN子网构建为MSBN，从BN模型推理的角度可对多智能体系统进行协同求解。多智能体协同目标识别算法主要采用信度通信算法完成整个MSBN的信度更新，从而完成待识别目标在相应的MSBN中“目标类型”隐节点概率查询支持，实现目标识别。本发明在提高系统识别能力的同时，增强了系统的实时性，可大大提高识别目标的速度和精度。
文档编号G06K9/62GK102270305SQ201110228800
公开日2011年12月7日 申请日期2011年8月11日 优先权日2011年8月11日
发明者郭文强, 陈军, 高晓光 申请人:西北工业大学