基于MAS的多分類器融合研究及其在RoboCup2D中的應(yīng)用.pdf

1、分類器性能的提高一直是模式識(shí)別研究中很重要的問(wèn)題，但由于各種原因，得到較好的分類器是一件困難的事情。傳統(tǒng)的模式識(shí)別系統(tǒng)通常僅使用樣本的某一特征或少量特征進(jìn)行分類，這種系統(tǒng)對(duì)于類別數(shù)較大、輸入樣本帶噪聲的問(wèn)題很難獲得好的分類結(jié)果。近來(lái)發(fā)現(xiàn)不同的分類器在分類性能上存在著彼此互補(bǔ)的現(xiàn)象，因此對(duì)于多個(gè)分類器的結(jié)果進(jìn)行組合可以提高分類的精確性。但是，目前對(duì)分類器組合的研究主要集中在分類器的選擇和融合算法上，現(xiàn)有的方法仍然存在著由于特征提取不全面而

2、導(dǎo)致的分類不準(zhǔn)確的缺點(diǎn)，而且在復(fù)雜動(dòng)態(tài)環(huán)境中，還很少有適合的分類器算法實(shí)現(xiàn)動(dòng)態(tài)目標(biāo)的識(shí)別。 本文設(shè)計(jì)了一種基于多agent系統(tǒng)的分類器融合模型(Classifier FusionBased on Multi-Agent System，簡(jiǎn)稱CFBMAS)，利用多agent系統(tǒng)的合作和資源共享的特性，達(dá)到在復(fù)雜動(dòng)態(tài)環(huán)境中能夠?qū)崿F(xiàn)分類的目的，解決了在動(dòng)態(tài)復(fù)雜環(huán)境中，單分類器由于信息不全面而導(dǎo)致的識(shí)別率低的缺點(diǎn)。在CFBMAS中，基于角

3、色的成員分類器agent把收集的特征信息加以處理，傳送給“融合agent”，后者根據(jù)角色選擇關(guān)鍵的分類信息，最終采用融合算法得到分類結(jié)果。采用基于角色的agent管理方式，體現(xiàn)了agent的功能性和自治能力。每個(gè)agent的角色不是固定不變的，而是依照環(huán)境和自身狀態(tài)的改變而改變的，“能力”是角色改變的一個(gè)參量，為融合agent提供決策依據(jù)。 本文把CFBMAS算法應(yīng)用在球員動(dòng)作失誤識(shí)別中，在RoboCup仿真組的球隊(duì)的比賽過(guò)程中