[发明专利]一种基于MSBN的多智能体协同目标识别方法

说明书

技术领域

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

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。

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。

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。

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。

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

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。

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。

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：

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；

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；

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；