论文部分内容阅读
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。