一种基于MSBN的多智能体协同目标识别方法

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。

权利要求

1.一种基于多片连贝叶斯网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n；

第2步：n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；

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Sj，1≤j≤n，Sj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n个独立的贝叶斯网BN子网；

第5步：用有向边将n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n个BN子网的父节点Sj信度θj更新；

第8步：基于第7步获得的θj更新，利用信度通信算法完成MSBN网内的全局推理，更新MSBN模型父节点Sj信度θj；

第9步：计算目标识别信度 ，其中：wj为加权系数，0＜wj＜1且*

第 10 步：若 θ ＞ θ，计 算 目 标 识 别 类 型 节 点 xs 的 目 标 类 型输出结果，目标识别过程停止；否则，继续通过传感器系统捕获目标特征数据观测目标，并返回第2步；其中 为第j个智能体的第q个目标特征数据，1≤j≤n，1≤q≤i， 为第j个智能体父节点Sj取值为l的事件，1≤l≤m。

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n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。

说明书

一种基于MSBN的多智能体协同目标识别方法

技术领域

[0001] 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

[0002] 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。

[0003] 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。

[0004] 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。

[0005] 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。

[0006] 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，2006，24(1)：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[M]，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

[0007] 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。

[0008] 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 Sectioned Bayesian 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。

[0009] 假设目标类型有m个待识别类别(m值常取3或4)。有n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：

[0010] 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n；n值常取为3至5个；

[0011] 第2步：n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；

[0012] 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；

[0013] 第4步：对第j个智能体(1≤j≤n)用目标类型作为父节点Sj；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Sj和子节点1、父节点Sj和子节点2……直至父节点Sj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n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；

[0014] 第5步：用有向边将n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S3(箭头)，直至父节点Sn-1(箭尾)指向父节点Sn(箭头)，构建得到MSBN；

[0015] 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)；

[0016] 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n个子BN的目标识别类型节点Sj信度θj更新(1≤j≤n)；

[0017] 第8步：基于步骤7获得的θj更新，利用信度通信算法(CommunicateBelief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Sj信度θj(1≤j≤n)。

[0018] 第9步：按式(1)计算目标识别信度θ；

[0019]

[0020] 其中：wj(0＜wj＜1)为加权系数，且 1≤j≤n。加权系数常取算术平均加权，即wj＝1/n。

[0021] 第10步：若θ＞θ*，按式(2)计算目标识别类型节点，输出结果，目标识别过程停止；否则，继续通过传感器系统捕获目标特征数据观测目标，并返回第2步。

[0022] 目标识别类型节点xs的目标类型可由下式获取：

[0023]

[0024] 其中 为第j个智能体的第q个目标特征数据，1≤j≤n，1≤q≤i，式(2)右边项内 等已考虑了前q-1个目标特征数据的情况； 为第j个智能体目标识别类型节点Sj取值为l的事件，1≤l≤m，m常取值为3或4。wj(0＜wj＜1)为加权系数，取值方法同步骤9。

[0025] 本发明的有益效果是：常用目标识别包括神经网络法和动态贝叶斯网络法。神经网络法存在模型解释性差的问题，而动态贝叶斯网络法存在所需观测时间长的缺点。本发明基于MSBN的多智能体协同目标识别方法，由于采用了MSBN局部推理与全局推理相结合的技术特征，使得各目标特征互相有效补充和修正，即先由各个子贝叶斯网络在捕获观测证据后，进行局部BN推理，然后经过子网间通信进行子网间协同全局推理。这种空间多源信息融合方法，在提高系统识别能力的同时，增强了系统的实时性。适用于嘈杂、不确定性、动态的环境，它与现有技术比较，该方法可大大提高识别目标的速度和精度，是解决目标识别问题的有效途径，可广泛应用于航空、航天、机器人、工业、农业生产等涉及信息处理与决策支持领域。

[0026] 下面结合附图和实施例对本发明进一步说明。

附图说明

[0027] 图1是等高面A’B’C’D’中3个智能体A1-A3对正方形区域ABCD进行观测的示意图；

[0028] 图2是不同观测角度对同一目标的不同观测结果示意图；

[0029] 图3是有限证据下3个智能体对应的静态贝叶斯网结构图；

[0030] 图4是多智能体协同目标识别的MSBN表示图；

[0031] 图5是协同目标识别链化连接森林示意图；

[0032] 图6是协同目标识别流程图。

具体实施方式

[0033] 下面以农业车辆自动导航系统的环境识别为例，说明本发明基于MSBN多智能体协同推理目标识别方法的具体实施步骤。

[0034] MSBN可用一个三元组M＝(V，G，P)表示。其中：V＝∪iVi，其中Vi是子域里的变量集，i为子域个数，本发明视各目标特征为变量集；P＝∏iPi是联合概率分布，其中，Pi是Gi中相关节点的势积(product ofthe potentials)。与普通BN不同，G＝∪iGi是一个具有超树(hypertree)结构的多连接有向无环图，每个子图Gi节点用Vi表示。在G中，x是一个节点，π(x)是x的全部父节点。对每个x的势，仅有一个包含{x}∪π(x)的Gi中赋值P(x|π(x))；其他Gj包含x的势赋予均匀分布。每个三元组Si＝(Vi，Gi，Pi)被称为M的一个子网。类似普通BN，MSBN网络的结构和参数G和P，可以通过领域专家的知识或数据挖掘技术予以学习、构造。

[0035] 类似普通BN的连接树推理中的收集证据和发散证据消息传递，多智能体MSBN推理是沿着超树进行两轮信息传播：信度收集(CollectBelief)和信度发布(DistributeBelief)。多智能体协同推理算法主要采用信度通信(CommunicateBelief)算法实现信度收集、信度发布，完成整个MSBN的信度更新。(Xiang，2002)

[0036] MSBN推理可分为两个阶段：各连接树内局部推理和连接树间全局推理。其中局部推理可采用连接树算法完成，它是MSBN推理的基础。(Jensen，1990)连接树间全局推理采用的是基于势乘的推理算法，利用子网间少量的通信完成网络全局信度更新。

[0037] 在以机器视觉导航系统为核心的农业车辆自动导航系统中，系统所采用较少的路径规划次数，有利于系统响应速度的提高。但是，环境是复杂多变的，很少是单一环境。不同的环境应采用不同的路径导航方法。因此对环境类型的判断在自动导航系统中至关重要。各种光照、阴影、杂草等情况往往相互重叠，即使是同一类环境，其内部又有许多变化，这些变化之间的界线往往很复杂，会影响以环境类型为待识别目标的准确性。如图1所示与X-Y平面平行的等高面W中A’B’C’D’中3个智能体A1-A3对同一方形区域ABCD进行观测，会得如图2所示不同的观测图像。图2中(a)为原图像，(b)、(c)、(d)为3个智能体在等高面A’B’C’D’的E、F、G点分别观测获取的图像。根据天气环境、田间环境对农田路径识别的干扰程度，常将导航环境分为强光照环境、普通环境、杂草环境和阴影环境4种类型。

[0038] 导航图像采用RGB模型表征，R、G、B分量的大小反映了图像的亮暗变化。导航图像灰度方差、均值反映了图像中阴影、杂草、拍摄角度等干扰因素。因此采用导航图像R、G、B值的均值和方差均值以及整幅图像的灰度均值和方差均值作为判定目标的特征量。

[0039] 分别选择不同环境导航图像各20幅来计算(共80幅)，利用R、G、B分量图像传感器可得不同环境农田图像各分量均值、方差均值如表1所示。

[0040] 表1 农田图像特征数据

[0041]

[0042] 用例中使用的硬件环境为2G内存、2.5GHz Pentium(R)Dual-core CPU的计算机，MSBN推理软件采用WebWeaverIV。

[0043] 利用本发明所提出的基于MSBN多智能体协同推理的目标识别方法对一杂草环境进行识别，具体步骤如下：

[0044] 第1步：设置目标识别信度阈值参数θ*；确定智能体个数n。此处θ*＝75％；n值取为3；

[0045] 第2步：n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。这里，目标的特征信号共有i个，i取6，分别为R、G、B分量图像传感器所得图像各分量均值、方差均值，如表1所示，1≤q≤i。其中任一智能体的第q个局部特征信号有k个观测值，k值取3。

[0046] 这里采用模糊隶属度函数将第q个局部特征信号的观测值分为“大”、“中”、“小”3个值域；数据离散时R、G、B分量均值阈值分别取200和175，即大于200的分量对应特征取“大”；方差均值阈值分别取39和45，即大于45的分量值对应特征取“大”。因此表1对应的离散目标特征数据如表2所示。

[0047] 表2 农田图像特征数据离散化

[0048]

[0049] 得到的待识别目标环境离散目标特征数据如表3所示。3个智能体可观测目标特征个数q如表3所示。其中[* * *]表目标特征观测证据，“真”取“1”，否则取“0”；“Ф”表相应观测系统中暂未获得该目标特征节点证据；“-”表相应模型中该目标特征节点参数将按先验条件概率取值。

[0050] 表3 目标特征属性证据

[0051]

[0052] 注意到在本实施用例中，没有一个智能体捕捉到目标的所有特征数据，因此采用传统的神经网络方法，目标识别推理不可进行。

[0053] 第3步：建模判断，即若目标识别系统尚未构建执行第4步，完成相应模型构建；否则，跳转执行第7步；

[0054] 其中，第7步为根据目标识别模型进行观测证据的输入及信度推理、更新。本例中目标识别系统首次进行目标识别，尚未获得目标识别模型，因此需执行第4步。

[0055] 第4步：对第j个智能体(1≤j≤n)用目标类型作为父节点Sj；Sj有m个取值事件，即有m个待识别类别，这里m有4种取值，分别表示导航环境为强光照环境、普通环境、杂草环境和阴影环境4种事件。以其q个目标特征数据作为子节点，用有向边依次连接父节点Sj和子节点1、父节点Sj和子节点2等，直至父节点Sj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，依次可建立3个独立的BN子网结构，如图3所示。BN子网模型各节点间的信度条件概率参数采用EM算法进行学习得到。

[0056] 第5步：将n个BN子网的父节点(目标识别类型节点)用有向边依次相连，即有向边从S1(箭尾)指向S2(箭头)，再从S2(箭尾)指向S3(箭头)，直至Sn-1(箭尾)指向Sn(箭头)，构建得到MSBN如图4所示；

[0057] 第6步：利用链树法将MSBN构建成链化连接森林，如图5所示；

[0058] 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n个子BN的目标识别类型节点Sj信度θj更新(1≤j≤n)；

[0059] 此处借助WebWeaver IV软件界面，输入如表3所示有限证据。局部推理结果如表4所示。WebWeaver IV中采用浮点型表示概率。

[0060] 表4 MSBN目标识别方法局部推理结果

[0061]

[0062] 第8步：基于步骤7获得的θj更新，利用信度通信算法(CommunicateBelief)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Sj信度θj(1≤j≤n)。结果如表5所示。

[0063] 表5 MSBN协同推理所得目标识别结果(θ*＝75％)

[0064]

[0065] 第9步：按式(1)计算目标识别信度θ，加权系数常取算术平均加权，即wj＝1/n＝1/3。如表5所示，环境类型为“杂草”的概率θ＝94.20％。

[0066] 第10步：若θ＞θ*，按式(2)计算目标识别类型节点，输出结果，目标识别过程停止；

[0067] 如表5所示，按式(2)计算目标识别类型节点为“杂草”的信度为θ＝94.20％，*由于θ＞θ ＝75％，可确定待识别目标，即环境类型为“杂草”环境，输出结果目标识别过程结束。否则，返回第2步。

[0068] 基于MSBN的多智能体协同目标识别方法，适用于不确定性、动态的环境，该方法可大大提高识别目标的速度和精度，是解决目标识别问题的有效途径，可广泛应用于航空、航天、机器人、工业、农业生产等涉及信息处理与决策支持领域。