论文部分内容阅读
近年来,随着人工智能的日趋火热,智能体技术成为分布式人工智能领域的研究热点。具有自主性和协作性的智能体能够对复杂、协同和难以预测的问题进行处理,可随环境变化修改自己的目标,学习知识并提高能力。但是单个智能体的表现受其资源、能力以及与其它智能体相互关系的制约,不能独自完成对于复杂问题的求解。因此,多智能体系统应运而生。将信息融合技术运用到多智能体系统中,利用合适的信息融合方法对智能体在空间、时间以及功能上感知的局部信息进行融合,能够得到更为完整的判断、评估和决策。为此,本文设计了基于多智能体的核典型相关分析信息融合模型,并展开了以下工作:(1)分析国内外多智能体系统以及信息融合的研究现状和发展趋势,介绍了智能体模型的分类和多智能体系统的体系结构,改进了基于功能上、时间上、空间上三种分布特性的多智能体信息融合模型。(2)以音频识别智能体为研究对象,分析了常用声纹特征的提取与组合方式,使用深度学习技术,设计了基于深度信念网络(DBN)的声纹辨别模型。(3)以视频识别智能体为研究对象,介绍了视频信息识别的常用方法,重点研究了卷积神经网络(CNN),研究并利用长短时记忆网络(LSTM)的特性来改进CNN,设计了基于LSTM的CNN视频识别模型。(4)分析了信息融合常用的方法,介绍并改进了基于典型相关分析(CCA)的信息融合方法,并将核典型相关分析(KCCA)融合方法运用在了非线性特征的融合模型中。(5)将KCCA引入多智能体信息融合模型中,设计了基于多智能体的KCCA信息融合说话人识别模型,并与基于多智能体的CCA信息融合、音频识别智能体、视频识别智能体模型进行了实验对比。实验表明,基于多智能体的KCCA信息融合说话人识别模型能有效对目标身份进行辨别,准确率最高,抗噪性能好,稳定性高,为复杂环境下目标识别的高性能处理提供了一种实现方式。