基于MAS的多分類器融合研究及其在RoboCup2D中的應用.pdf

1、分類器性能的提高一直是模式識別研究中很重要的問題，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)的模式識別系統(tǒng)通常僅使用樣本的某一特征或少量特征進行分類，這種系統(tǒng)對于類別數(shù)較大、輸入樣本帶噪聲的問題很難獲得好的分類結(jié)果。近來發(fā)現(xiàn)不同的分類器在分類性能上存在著彼此互補的現(xiàn)象，因此對于多個分類器的結(jié)果進行組合可以提高分類的精確性。但是，目前對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、導致的分類不準確的缺點，而且在復雜動態(tài)環(huán)境中，還很少有適合的分類器算法實現(xiàn)動態(tài)目標的識別。 本文設計了一種基于多agent系統(tǒng)的分類器融合模型(Classifier FusionBased on Multi-Agent System，簡稱CFBMAS)，利用多agent系統(tǒng)的合作和資源共享的特性，達到在復雜動態(tài)環(huán)境中能夠?qū)崿F(xiàn)分類的目的，解決了在動態(tài)復雜環(huán)境中，單分類器由于信息不全面而導致的識別率低的缺點。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”是角色改變的一個參量，為融合agent提供決策依據(jù)。 本文把CFBMAS算法應用在球員動作失誤識別中，在RoboCup仿真組的球隊的比賽過程中