第8卷第5期 智能系统学报 Vol.8 No.5 2013年10月 CAAI Transactions on Intelligent Systems 0ct.2013 D0:10.3969/j.issn.1673-4785.201210057 网络出版地址：http://www.cnki.net/kcms/detail/23.1538.TP.20130515.0921.004.html 采用MSBN多智能体协同推理的 智能农业车辆环境识别 郭文强，高晓光2，侯勇严1，周强 (1.陕西科技大学电气与信息工程学院，陕西西安710021：2.西北工业大学电子信息学院，陕西西安710129) 摘要：为了解决智能农业车辆对所处复杂农田环境的识别信度定量分析困难的问题，提出了基于多连片贝叶斯网 (MSBN)多智能体协同推理的目标识别算法.该方法把多智能体图像采集系统的局部信息表征在MSBN模型中，在 观测不完备条件下，虽然单个智能体仅拥有目标的局部观测信息，但利用重叠子域信息的更新可以进行子网间消息 的传播利用MSBN局部推理和子网间信度通信的全局推理对多源信息进行融合，以提高识别性能.实验结果表明， 与传统神经网络或BN方法相比，基于MSBN目标识别算法有效地对多源信息进行了补充，可以提高农业车辆在复 杂环境进行识别的准确性. 关键词：智能农业车辆：MSBN:多智能体：协同推理：环境识别 中图分类号：TP391文献标志码：A文章编号：1673-4785(2013)05-0453-06 中文引用格式：郭文强，高晓光，侯勇严，等采用MSBN多智能体协同推理的智能农业车辆环境识别[J].智能系统学报，2013,8 (5):453-458. 英文引用格式：GUO Wenqiang,GAO Xiaoguang,HOU Yongyan,etal.Environment recognition of intelligent agricultural vehicles based on MSBN and multi-agent coordinative inference[J].CAAI Transactions on Intelligent Systems,2013,8(5):453-458. Environment recognition of intelligent agricultural vehicles based on MSBN and multi-agent coordinative inference GUO Wenqiang',GAO Xiaoguang?,HOU Yongyan',ZHOU Qiang' (1.College of Electrical and Information Engineering,Shaanxi University of Science and Technology,Xi'an 710021,China;2.School of Electronics and Information,Northwestern Polytechnical University,Xi'an 710129,China) Abstract:In order to solve the problem existing in the agricultural environment recognition of intelligent vehicles, due to the difficulty of conducting quantitative analysis of the reliability of such recognition,a target recognition al- gorithm for multi-agent cooperative inference based on the multiply sectioned Bayesian network (MSBN)has been proposed.This method characterizes local information of the multi-agent image acquiring system with MSBN model. In the circumstance of incomplete observations,although each single agent may only capture some local observation information from the target,the message propagation among subnets can be achieved by information update in the o- verlapping sub-domains.By combining the local inference and global inference of reliability communication between subnets in MSBN,the multi-source information was merged to enhance recognition performance.By comparing the traditional neural network and BN method,experimental results illustrate that,the target recognition algorithm based on MSBN can effectively supplement multi-source information,and thus,can improve the recognition accura- cy of agricultural vehicles in the complicated environment. Keywords:intelligent agricultural vehicle;multiply sectioned Bayesian network MSBN);multi-agent;coordina- tive inference;environment recognition 自动导航系统是现代智能农业车辆的重要组成 部分.将机器视觉应用于农业车辆自动导航系统，可 大大提高农业生产的自动化水平.对于具有自动导 收稿日期：2012-10-27.网络出版日期：2013-05-15 基金项目：国家自然科学基金资助项目(90205019,60774064)：陕西 航系统的农业车辆，针对其所处的不同环境而采取 科技大学博士科研启动基金资助项目(B12-03):陕西省 教育厅科研计划资助项目(2013K1114). 不同的路径规划方法，可以提高系统的响应速度和 通信作者：郭文强.E-mail:guoweiqiang@sust.edu.cm 可靠性[]农业车辆所处环境的图像会随照明、阴
第 ８ 卷第 ５ 期 智 能 系 统 学 报 Ｖｏｌ.８ №.５ ２０１３ 年 １０ 月 ＣＡＡＩ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｎｔｅｌｌｉｇｅｎｔ Ｓｙｓｔｅｍｓ Ｏｃｔ. ２０１３ ＤＯＩ:１０.３９６９ / ｊ.ｉｓｓｎ.１６７３￣４７８５.２０１２１００５７ 网络出版地址:ｈｔｔｐ: / / ｗｗｗ.ｃｎｋｉ.ｎｅｔ / ｋｃｍｓ/ ｄｅｔａｉｌ / ２３.１５３８.ＴＰ.２０１３０５１５.０９２１.００４.ｈｔｍｌ 采用 ＭＳＢＮ 多智能体协同推理的 智能农业车辆环境识别 郭文强１ ꎬ高晓光２ ꎬ侯勇严１ ꎬ周强１ (１.陕西科技大学 电气与信息工程学院ꎬ陕西 西安 ７１００２１ꎻ ２.西北工业大学 电子信息学院ꎬ陕西 西安 ７１０１２９) 摘 要:为了解决智能农业车辆对所处复杂农田环境的识别信度定量分析困难的问题ꎬ提出了基于多连片贝叶斯网 (ＭＳＢＮ)多智能体协同推理的目标识别算法.该方法把多智能体图像采集系统的局部信息表征在 ＭＳＢＮ 模型中ꎬ在 观测不完备条件下ꎬ虽然单个智能体仅拥有目标的局部观测信息ꎬ但利用重叠子域信息的更新可以进行子网间消息 的传播.利用 ＭＳＢＮ 局部推理和子网间信度通信的全局推理对多源信息进行融合ꎬ以提高识别性能.实验结果表明ꎬ 与传统神经网络或 ＢＮ 方法相比ꎬ基于 ＭＳＢＮ 目标识别算法有效地对多源信息进行了补充ꎬ可以提高农业车辆在复 杂环境进行识别的准确性. 关键词:智能农业车辆ꎻＭＳＢＮꎻ多智能体ꎻ协同推理ꎻ环境识别 中图分类号: ＴＰ３９１ 文献标志码:Ａ 文章编号:１６７３￣４７８５(２０１３)０５￣０４５３￣０６ 中文引用格式:郭文强ꎬ高晓光ꎬ侯勇严ꎬ等.采用 ＭＳＢＮ 多智能体协同推理的智能农业车辆环境识别[ Ｊ]. 智能系统学报ꎬ ２０１３ꎬ ８ (５): ４５３￣４５８. 英文引用格式:ＧＵＯ Ｗｅｎｑｉａｎｇꎬ ＧＡＯ Ｘｉａｏｇｕａｎｇꎬ ＨＯＵ Ｙｏｎｇｙａｎꎬ ｅｔ ａｌ. Ｅｎｖｉｒｏｎｍｅｎｔ ｒｅｃｏｇｎｉｔｉｏｎ ｏｆ ｉｎｔｅｌｌｉｇｅｎｔ ａｇｒｉｃｕｌｔｕｒａｌ ｖｅｈｉｃｌｅｓ ｂａｓｅｄ ｏｎ ＭＳＢＮ ａｎｄ ｍｕｌｔｉ￣ａｇｅｎｔ ｃｏｏｒｄｉｎａｔｉｖｅ ｉｎｆｅｒｅｎｃｅ[Ｊ]. ＣＡＡＩ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｎｔｅｌｌｉｇｅｎｔ Ｓｙｓｔｅｍｓꎬ ２０１３ꎬ ８(５): ４５３￣４５８. Ｅｎｖｉｒｏｎｍｅｎｔ ｒｅｃｏｇｎｉｔｉｏｎ ｏｆ ｉｎｔｅｌｌｉｇｅｎｔ ａｇｒｉｃｕｌｔｕｒａｌ ｖｅｈｉｃｌｅｓ ｂａｓｅｄ ｏｎ ＭＳＢＮ ａｎｄ ｍｕｌｔｉ￣ａｇｅｎｔ ｃｏｏｒｄｉｎａｔｉｖｅ ｉｎｆｅｒｅｎｃｅ ＧＵＯ Ｗｅｎｑｉａｎｇ １ ꎬ ＧＡＯ Ｘｉａｏｇｕａｎｇ ２ ꎬ ＨＯＵ Ｙｏｎｇｙａｎ １ ꎬ ＺＨＯＵ Ｑｉａｎｇ １ (１.Ｃｏｌｌｅｇｅ ｏｆ Ｅｌｅｃｔｒｉｃａｌ ａｎｄ Ｉｎｆｏｒｍａｔｉｏｎ Ｅｎｇｉｎｅｅｒｉｎｇꎬ Ｓｈａａｎｘｉ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙꎬ Ｘｉ′ａｎ ７１００２１ꎬ Ｃｈｉｎａꎻ ２.Ｓｃｈｏｏｌ ｏｆ Ｅｌｅｃｔｒｏｎｉｃｓ ａｎｄ Ｉｎｆｏｒｍａｔｉｏｎꎬ Ｎｏｒｔｈｗｅｓｔｅｒｎ Ｐｏｌｙｔｅｃｈｎｉｃａｌ Ｕｎｉｖｅｒｓｉｔｙꎬ Ｘｉ′ａｎ ７１０１２９ꎬ Ｃｈｉｎａ) Ａｂｓｔｒａｃｔ:Ｉｎ ｏｒｄｅｒ ｔｏ ｓｏｌｖｅ ｔｈｅ ｐｒｏｂｌｅｍ ｅｘｉｓｔｉｎｇ ｉｎ ｔｈｅ ａｇｒｉｃｕｌｔｕｒａｌ ｅｎｖｉｒｏｎｍｅｎｔ ｒｅｃｏｇｎｉｔｉｏｎ ｏｆ ｉｎｔｅｌｌｉｇｅｎｔ ｖｅｈｉｃｌｅｓꎬ ｄｕｅ ｔｏ ｔｈｅ ｄｉｆｆｉｃｕｌｔｙ ｏｆ ｃｏｎｄｕｃｔｉｎｇ ｑｕａｎｔｉｔａｔｉｖｅ ａｎａｌｙｓｉｓ ｏｆ ｔｈｅ ｒｅｌｉａｂｉｌｉｔｙ ｏｆ ｓｕｃｈ ｒｅｃｏｇｎｉｔｉｏｎꎬ ａ ｔａｒｇｅｔ ｒｅｃｏｇｎｉｔｉｏｎ ａｌ￣ ｇｏｒｉｔｈｍ ｆｏｒ ｍｕｌｔｉ￣ａｇｅｎｔ ｃｏｏｐｅｒａｔｉｖｅ ｉｎｆｅｒｅｎｃｅ ｂａｓｅｄ ｏｎ ｔｈｅ ｍｕｌｔｉｐｌｙ ｓｅｃｔｉｏｎｅｄ Ｂａｙｅｓｉａｎ ｎｅｔｗｏｒｋ (ＭＳＢＮ) ｈａｓ ｂｅｅｎ ｐｒｏｐｏｓｅｄ. Ｔｈｉｓ ｍｅｔｈｏｄ ｃｈａｒａｃｔｅｒｉｚｅｓ ｌｏｃａｌ ｉｎｆｏｒｍａｔｉｏｎ ｏｆ ｔｈｅ ｍｕｌｔｉ￣ａｇｅｎｔ ｉｍａｇｅ ａｃｑｕｉｒｉｎｇ ｓｙｓｔｅｍ ｗｉｔｈ ＭＳＢＮ ｍｏｄｅｌ. Ｉｎ ｔｈｅ ｃｉｒｃｕｍｓｔａｎｃｅ ｏｆ ｉｎｃｏｍｐｌｅｔｅ ｏｂｓｅｒｖａｔｉｏｎｓꎬ ａｌｔｈｏｕｇｈ ｅａｃｈ ｓｉｎｇｌｅ ａｇｅｎｔ ｍａｙ ｏｎｌｙ ｃａｐｔｕｒｅ ｓｏｍｅ ｌｏｃａｌ ｏｂｓｅｒｖａｔｉｏｎ ｉｎｆｏｒｍａｔｉｏｎ ｆｒｏｍ ｔｈｅ ｔａｒｇｅｔꎬ ｔｈｅ ｍｅｓｓａｇｅ ｐｒｏｐａｇａｔｉｏｎ ａｍｏｎｇ ｓｕｂｎｅｔｓ ｃａｎ ｂｅ ａｃｈｉｅｖｅｄ ｂｙ ｉｎｆｏｒｍａｔｉｏｎ ｕｐｄａｔｅ ｉｎ ｔｈｅ ｏ￣ ｖｅｒｌａｐｐｉｎｇ ｓｕｂ￣ｄｏｍａｉｎｓ. Ｂｙ ｃｏｍｂｉｎｉｎｇ ｔｈｅ ｌｏｃａｌ ｉｎｆｅｒｅｎｃｅ ａｎｄ ｇｌｏｂａｌ ｉｎｆｅｒｅｎｃｅ ｏｆ ｒｅｌｉａｂｉｌｉｔｙ ｃｏｍｍｕｎｉｃａｔｉｏｎ ｂｅｔｗｅｅｎ ｓｕｂｎｅｔｓ ｉｎ ＭＳＢＮꎬ ｔｈｅ ｍｕｌｔｉ￣ｓｏｕｒｃｅ ｉｎｆｏｒｍａｔｉｏｎ ｗａｓ ｍｅｒｇｅｄ ｔｏ ｅｎｈａｎｃｅ ｒｅｃｏｇｎｉｔｉｏｎ ｐｅｒｆｏｒｍａｎｃｅ. Ｂｙ ｃｏｍｐａｒｉｎｇ ｔｈｅ ｔｒａｄｉｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ａｎｄ ＢＮ ｍｅｔｈｏｄꎬ ｅｘｐｅｒｉｍｅｎｔａｌ ｒｅｓｕｌｔｓ ｉｌｌｕｓｔｒａｔｅ ｔｈａｔꎬ ｔｈｅ ｔａｒｇｅｔ ｒｅｃｏｇｎｉｔｉｏｎ ａｌｇｏｒｉｔｈｍ ｂａｓｅｄ ｏｎ ＭＳＢＮ ｃａｎ ｅｆｆｅｃｔｉｖｅｌｙ ｓｕｐｐｌｅｍｅｎｔ ｍｕｌｔｉ￣ｓｏｕｒｃｅ ｉｎｆｏｒｍａｔｉｏｎꎬ ａｎｄ ｔｈｕｓꎬ ｃａｎ ｉｍｐｒｏｖｅ ｔｈｅ ｒｅｃｏｇｎｉｔｉｏｎ ａｃｃｕｒａ￣ ｃｙ ｏｆ ａｇｒｉｃｕｌｔｕｒａｌ ｖｅｈｉｃｌｅｓ ｉｎ ｔｈｅ ｃｏｍｐｌｉｃａｔｅｄ ｅｎｖｉｒｏｎｍｅｎｔ. Ｋｅｙｗｏｒｄｓ:ｉｎｔｅｌｌｉｇｅｎｔ ａｇｒｉｃｕｌｔｕｒａｌ ｖｅｈｉｃｌｅꎻ ｍｕｌｔｉｐｌｙ ｓｅｃｔｉｏｎｅｄ Ｂａｙｅｓｉａｎ ｎｅｔｗｏｒｋ (ＭＳＢＮ)ꎻ ｍｕｌｔｉ￣ａｇｅｎｔꎻ ｃｏｏｒｄｉｎａ￣ ｔｉｖｅ ｉｎｆｅｒｅｎｃｅꎻ ｅｎｖｉｒｏｎｍｅｎｔ ｒｅｃｏｇｎｉｔｉｏｎ 收稿日期:２０１２￣１０￣２７. 网络出版日期:２０１３￣０５￣１５. 基金项目:国家自然科学基金资助项目(９０２０５０１９ꎬ ６０７７４０６４)ꎻ陕西 科技大学博士科研启动基金资助项目(ＢＪ１２￣０３)ꎻ陕西省 教育厅科研计划资助项目(２０１３ＪＫ１１１４). 通信作者:郭文强. Ｅ￣ｍａｉｌ: ｇｕｏｗｅｉｑｉａｎｇ＠ ｓｕｓｔ.ｅｄｕ.ｃｎ. 自动导航系统是现代智能农业车辆的重要组成 部分.将机器视觉应用于农业车辆自动导航系统ꎬ可 大大提高农业生产的自动化水平.对于具有自动导 航系统的农业车辆ꎬ针对其所处的不同环境而采取 不同的路径规划方法ꎬ可以提高系统的响应速度和 可靠性[１￣３] .农业车辆所处环境的图像会随照明、阴
·454 智能系统学报 第8卷 影等的变化而改变.另外，即使在单一的环境中，图 量的均值（分别表示为ER、Ec和E。)和方差（分别 像也有许多内部和边界的灰度变化，从而影响自动 表示为DR、Dc和DB) 导航系统对环境识别的准确性农田环境的识别是 从不同的4个典型环境图像选择80幅图像（每 一个典型的目标识别问题随着电子和信息系统的 种类型选用20幅)，可计算出不同环境下农田图像 飞速发展，在较短的时间内可以收集大量的目标原 的特征数据，如表1所示[ 始数据然而，在不确定和动态的环境中，如何快速 表1农业环境图像的特征数据 准确、定性、定量地进行目标识别是智能农业车辆自 Table 1 Characteristic data of agricultural environment images 动导航系统中的关键技术之一 环境 均值 方差 针对农用车辆所处的不同环境，文献[4]研究 类型 ER Ec Eg DR De DE 了霍夫变换对不同目标进行识别的方法，但这种方 强光 223 227 240 44 43 34 法运算量大、计算代价昂贵.文献[5]提出了用人工 普通 193 193 217 37 37 38 神经网络的方法来识别环境的类型然而，经典的神 经网络方法尚存在模型解释性差的缺点，更不能在 杂草 171 179 201 39 39 40 模型输入数据不完备时完成识别推理。 阴影 127 124112 54 54 46 有机结合了图论和概率论的贝叶斯网络 (Bayesian network,BN)适合解决不确定性和不完 为了加快BN模型的推理，利用阈值函数将图 备信息问题，是目前一种有效的目标识别方法[6)」 像特征数据离散为3个值，即“大”、“中”和“小”.本 将问题域表达为BN模型后，现有的许多BN推理算 文使用2个阈值对数据进行离散，即均值阈值取 法可以支持网络信度的更新和目标识别节点的概率 200和175，方差阈值取39和45.将表1中数据按照 查询但是，在传统BN模型的研究中，其推理机需 阈值函数映射，得到相应的目标离散特征数据，如表 收集观测域内所有观测（证据），即通过单个中心推 2所示. 理机进行集中式推理.随着BN模型节点数量的增 表2农业环境图像的离散特征数据 加，整个网络信度更新的计算量会呈指数增长[8 Table 2 Discrete characteristic data of agricultural envi- 这种传统的BN模型推理还会因为传输成本昂贵 ronment images 传输延迟等问题，导致其实时性、可靠性较差」 环境 均值 方差 智能车辆、机器人及其子系统均可以被视为智 类型 Eg Ec ER DR De D 能体.本文将多智能体采集的局部目标特征信息表 大大 中 征为多连片贝叶斯网(multiply sectioned Bayesian 强光 大 中 小 network,MSBN),利用单个智能体进行局部推理，然 普通 8 中大 小 小 小 后利用分布式多智能体重叠子域间紧凑的消息传 杂草 小 中 大 中 中 中 播，实现了多智能体协同推理，避免了传统BN方法 阴影 小 小 小 大 大 大 需要将所有观测值送给集中处理器，提高了系统实 时推理和准确识别目标的能力. 1.2 MSBN 定义1[]MSBN多连片贝叶斯网(MSBN)M 1目标特征信息及其MSBN表征 是一个三元组(V,G,P).其中，V=UV,V(i=0,1, 单个智能体的推理能力往往是有限的.一个自 …,n)是第i个子域里的变量集.G=U,G是一个具 然的解决方案是利用多个智能体共享资源，协同完 有超树(hypertree)结构的多连接有向无环图，每个 成所需任务.针对目标识别的推理，首先需进行特征 子图G:的节点用V:表示.在G中，x是一个节点， 数据的提取及相应推理机的建模， π(x)是x的全部父节点.对每个x的势，仅有一个包 1.1农业环境图像的特征数据及其离散化 含{x}Uπ(x)的子图G:对其赋值为P(x|π(x)),而 文献[5]将农业车辆所处的导航环境分为4种 其他G包含x的势均赋予均匀分布.P=Π，P:是联 类型，即强光、普通、杂草和阴影用于导航的图像常 合概率分布，其中P:是G中相关节点的势函数之 可用RGB模型表示，其中，R、G和B反映了图像红、 积(product of the potentials).每个三元组S,=(V:, 绿、蓝分量灰度级别的变化，其灰度方差和均值受多 G,P,)被称为M的一个子网.如果G:和G在超树 种因素（如光照、阴影及拍摄角度等）的影响.因此， 中是相邻的，则2个子网S:和S,被称为是相邻的. 对目标图像可采取6个特征参数表征，即R、G、B分 图1为文献[10]中的一个MSBN示意图.图1
影等的变化而改变.另外ꎬ即使在单一的环境中ꎬ图 像也有许多内部和边界的灰度变化ꎬ从而影响自动 导航系统对环境识别的准确性.农田环境的识别是 一个典型的目标识别问题.随着电子和信息系统的 飞速发展ꎬ在较短的时间内可以收集大量的目标原 始数据.然而ꎬ在不确定和动态的环境中ꎬ如何快速、 准确、定性、定量地进行目标识别是智能农业车辆自 动导航系统中的关键技术之一. 针对农用车辆所处的不同环境ꎬ文献[４] 研究 了霍夫变换对不同目标进行识别的方法ꎬ但这种方 法运算量大、计算代价昂贵.文献[５]提出了用人工 神经网络的方法来识别环境的类型.然而ꎬ经典的神 经网络方法尚存在模型解释性差的缺点ꎬ更不能在 模型输入数据不完备时完成识别推理. 有机 结 合 了 图 论 和 概 率 论 的 贝 叶 斯 网 络 (Ｂａｙｅｓｉａｎ ｎｅｔｗｏｒｋꎬ ＢＮ) 适合解决不确定性和不完 备信息问题ꎬ是目前一种有效的目标识别方法[６￣７] . 将问题域表达为 ＢＮ 模型后ꎬ现有的许多 ＢＮ 推理算 法可以支持网络信度的更新和目标识别节点的概率 查询.但是ꎬ在传统 ＢＮ 模型的研究中ꎬ其推理机需 收集观测域内所有观测(证据)ꎬ即通过单个中心推 理机进行集中式推理.随着 ＢＮ 模型节点数量的增 加ꎬ整个网络信度更新的计算量会呈指数增长[８￣９] . 这种传统的 ＢＮ 模型推理还会因为传输成本昂贵、 传输延迟等问题ꎬ导致其实时性、可靠性较差. 智能车辆、机器人及其子系统均可以被视为智 能体.本文将多智能体采集的局部目标特征信息表 征为多连片贝叶斯网 ( ｍｕｌｔｉｐｌｙ ｓｅｃｔｉｏｎｅｄ Ｂａｙｅｓｉａｎ ｎｅｔｗｏｒｋꎬ ＭＳＢＮ)ꎬ利用单个智能体进行局部推理ꎬ然 后利用分布式多智能体重叠子域间紧凑的消息传 播ꎬ实现了多智能体协同推理ꎬ避免了传统 ＢＮ 方法 需要将所有观测值送给集中处理器ꎬ提高了系统实 时推理和准确识别目标的能力. １ 目标特征信息及其 ＭＳＢＮ 表征 单个智能体的推理能力往往是有限的.一个自 然的解决方案是利用多个智能体共享资源ꎬ协同完 成所需任务.针对目标识别的推理ꎬ首先需进行特征 数据的提取及相应推理机的建模. １.１ 农业环境图像的特征数据及其离散化 文献[５]将农业车辆所处的导航环境分为 ４ 种 类型ꎬ即强光、普通、杂草和阴影.用于导航的图像常 可用 ＲＧＢ 模型表示ꎬ其中ꎬＲ、Ｇ 和 Ｂ 反映了图像红、 绿、蓝分量灰度级别的变化ꎬ其灰度方差和均值受多 种因素(如光照、阴影及拍摄角度等)的影响.因此ꎬ 对目标图像可采取 ６ 个特征参数表征ꎬ即 Ｒ、Ｇ、Ｂ 分 量的均值(分别表示为 ＥＲ 、ＥＧ 和 ＥＢ )和方差(分别 表示为 ＤＲ 、ＤＧ 和 ＤＢ ). 从不同的 ４ 个典型环境图像选择 ８０ 幅图像(每 种类型选用 ２０ 幅)ꎬ可计算出不同环境下农田图像 的特征数据ꎬ如表 １ 所示[５] . 表 １ 农业环境图像的特征数据 Ｔａｂｌｅ １ Ｃｈａｒａｃｔｅｒｉｓｔｉｃ ｄａｔａ ｏｆ ａｇｒｉｃｕｌｔｕｒａｌ ｅｎｖｉｒｏｎｍｅｎｔ ｉｍａｇｅｓ 环境 类型 均值 ＥＲ ＥＧ ＥＢ 方差 ＤＲ ＤＧ ＤＢ 强光 ２２３ ２２７ ２４０ ４４ ４３ ３４ 普通 １９３ １９３ ２１７ ３７ ３７ ３８ 杂草 １７１ １７９ ２０１ ３９ ３９ ４０ 阴影 １２７ １２４ １１２ ５４ ５４ ４６ 为了加快 ＢＮ 模型的推理ꎬ利用阈值函数将图 像特征数据离散为 ３ 个值ꎬ即“大”、“中”和“小”.本 文使用 ２ 个阈值对数据进行离散ꎬ即均值阈值取 ２００ 和 １７５ꎬ方差阈值取 ３９ 和 ４５.将表 １ 中数据按照 阈值函数映射ꎬ得到相应的目标离散特征数据ꎬ如表 ２ 所示. 表 ２ 农业环境图像的离散特征数据 Ｔａｂｌｅ ２ Ｄｉｓｃｒｅｔｅ ｃｈａｒａｃｔｅｒｉｓｔｉｃ ｄａｔａ ｏｆ ａｇｒｉｃｕｌｔｕｒａｌ ｅｎｖｉ￣ ｒｏｎｍｅｎｔ ｉｍａｇｅｓ 环境 类型 均值 ＥＲ ＥＧ ＥＢ 方差 ＤＲ ＤＧ ＤＢ 强光 大 大 大 中 中 小 普通 中 中 大 小 小 小 杂草 小 中 大 中 中 中 阴影 小 小 小 大 大 大 １.２ ＭＳＢＮ 定义 １ [９] ＭＳＢＮ 多连片贝叶斯网( ＭＳＢＮ) Ｍ 是一个三元组(ＶꎬＧꎬＰ).其中ꎬＶ ＝ ∪ｉＶｉꎬＶｉ( ｉ ＝ ０ꎬ１ꎬ ꎬｎ)是第 ｉ 个子域里的变量集.Ｇ ＝ ∪ｉＧｉ 是一个具 有超树(ｈｙｐｅｒｔｒｅｅ)结构的多连接有向无环图ꎬ每个 子图 Ｇｉ 的节点用 Ｖｉ 表示.在 Ｇ 中ꎬｘ 是一个节点ꎬ π(ｘ)是 ｘ 的全部父节点.对每个 ｘ 的势ꎬ仅有一个包 含{ｘ}∪π(ｘ)的子图 Ｇｉ 对其赋值为Ｐ(ｘ ｜π(ｘ))ꎬ而 其他 Ｇｊ 包含 ｘ 的势均赋予均匀分布.Ｐ ＝ ∏ｉＰｉ 是联 合概率分布ꎬ其中 Ｐｉ 是 Ｇｉ 中相关节点的势函数之 积(ｐｒｏｄｕｃｔ ｏｆ ｔｈｅ ｐｏｔｅｎｔｉａｌｓ).每个三元组 Ｓｉ ＝ ( Ｖｉꎬ ＧｉꎬＰｉ)被称为 Ｍ 的一个子网.如果 Ｇｉ 和 Ｇｊ 在超树 中是相邻的ꎬ则 ２ 个子网 Ｓｉ 和 Ｓｊ 被称为是相邻的. 图 １ 为文献[１０] 中的一个 ＭＳＢＮ 示意图.图 １ ４５４ 智 能 系 统 学 报 第 ８ 卷
第5期 郭文强，等：采用MSBN多智能体协同推理的智能农业车辆环境识别 ·455. 中S。、S,、S2构成具有超树结构的一个MSBN,且 C,以及它们之间的分隔集Sg,设它们相对应的 MSBN中重叠子域的任一节点仅有一个子网包含其 势函数分别为中中和中从消息传递的角度 全部父节点如节点J的全部父节点集{D,V仅被子 C:到C:的传递（也称收集证据，collect evidence)包 网S,包含.图1(b)、(c)分别为图1(a)所示MSBN 含3个步骤： 对应的超树和链化连接森林(linked junction forest, 1)更新中，：令C:中包含输入证据的簇似然度 LJF). 为L(初始值L"=1),则 φ=中cLr; 2)Sp吸收消息： =∑； CSep时 3)中c吸收消息： (a)MSBN 气=中c/p 类似，可得到从C:到C:的消息传递（也称发散 ,K} S (A.B.C) 证据，distribute evidence). S S2 连接树中的新证据可通过这种方式进行消息传 播，最终再次达到连接树内的全局一致性(global (b)MSBN的超树 consistence). 2.2MSBN中的全局推理 MSBN的整体信度更新主要采用信度通信算法 LNP CEEO ABETHAB A.B.G.W (CommunicateBelief)完成.每个智能体局部的推理 KLO ②JK B.C.DU 8.C B.C.HXHI.Y 通过子网连接树的消息传播达到局部一致性.多个 T 智能体通过智能体之间子网的共享链树进行消息传 LM.O.R 播，达到多智能体系统的全局一致性。 定理1令F为智能体对应MSBN中关于节点 (e)LJF V的LF,对应的MSBN联合概率分布为P(V).所有 图1MSBN示意图 智能体完成局部观测证据更新，通过信度通信算法 Fig.1 Schematic diagram of the MSBN 后，则F为全局一致，且每个局部连接树中每个簇C 根据MSBN定义可知，若以目标识别类型节点 的势函数满足： (隐节点)作为重叠子域，各BN子网可构建为一个 e=K·∑P(VIx) 完整的MSBN.因而MSBN可视为传统贝叶斯网络 NC 式中：K为一个非负值的常系数，x为MSBN的观测值 的一种扩展模型，从BN模型推理出发可对多智能 有关定理1的证明，请参阅文献[9] 体系统进行协同求解. MSBN在多智能体系统框架下将一个复杂系统 2 MSBN推理 分解成若干有重叠子域的多个小规模BN,使每一个 BN子网可自主局部推理，虽然单个智能体仅拥有 MSBN推理可分为2个阶段：各连接树内局部 目标的局部知识，但利用重叠子域信息的更新进行 推理和连接树间全局推理】.其中局部推理可采 子网间消息的传播，实现了多源信息的相互补充当 用连接树算法完成，它是MSBN推理的基础.该算法 子网依赖的结构稀疏时，推理计算可高效进行】. 不但可以解决单连通网络下的推理，也可以完成多 因此，MSBN框架下的分布式推理可以确保信 连通网络下的推理计算 度的更新是按照贝叶斯概率理论的精确推理来实 贝叶斯网表示的联合概率分布满足： 现，从而为多智能体系统中任意节点的概率查询提 P(=Π/Iss中 供了支持。 式中：中c、中、分别为贝叶斯网对应连接树中簇(clus- 3基于MSBN多智能体协同推理的目 ter)C、分隔集(separator)Sem的势函数， 2.1MSBN中的局部推理 标识别算法 假设已知连接树中2个相邻的叶节点-簇C:和 每个智能体可以用一个BN子网表示，多个BN
中 Ｓ０ 、Ｓ１ 、Ｓ２ 构成具有超树结构的一个 ＭＳＢＮꎬ且 ＭＳＢＮ 中重叠子域的任一节点仅有一个子网包含其 全部父节点.如节点Ｊ的全部父节点集{ＤꎬＶ}仅被子 网 Ｓ１ 包含.图 １(ｂ)、( ｃ)分别为图 １( ａ)所示 ＭＳＢＮ 对应的超树和链化连接森林( ｌｉｎｋｅｄ ｊｕｎｃｔｉｏｎ ｆｏｒｅｓｔꎬ ＬＪＦ). (ａ)ＭＳＢＮ (ｂ)ＭＳＢＮ 的超树 (ｃ)ＬＪＦ 图 １ ＭＳＢＮ 示意图 Ｆｉｇ.１ Ｓｃｈｅｍａｔｉｃ ｄｉａｇｒａｍ ｏｆ ｔｈｅ ＭＳＢＮ 根据 ＭＳＢＮ 定义可知ꎬ若以目标识别类型节点 (隐节点)作为重叠子域ꎬ各 ＢＮ 子网可构建为一个 完整的 ＭＳＢＮ.因而 ＭＳＢＮ 可视为传统贝叶斯网络 的一种扩展模型ꎬ从 ＢＮ 模型推理出发可对多智能 体系统进行协同求解. ２ ＭＳＢＮ 推理 ＭＳＢＮ 推理可分为 ２ 个阶段:各连接树内局部 推理和连接树间全局推理[１０￣１１] .其中局部推理可采 用连接树算法完成ꎬ它是 ＭＳＢＮ 推理的基础.该算法 不但可以解决单连通网络下的推理ꎬ也可以完成多 连通网络下的推理计算. 贝叶斯网表示的联合概率分布满足: Ｐ(Ｖ) ＝ ∏Ｃ ψＣ /∏Ｓ∈Ｓｓｅｐ ϕＳ . 式中:ψＣ 、ϕＳ 分别为贝叶斯网对应连接树中簇(ｃｌｕｓ￣ ｔｅｒ)Ｃ、分隔集(ｓｅｐａｒａｔｏｒ)Ｓｓｅｐ的势函数. ２.１ ＭＳＢＮ 中的局部推理 假设已知连接树中 ２ 个相邻的叶节点－簇 Ｃｉ 和 Ｃｊꎬ以及它们之间的分隔集 Ｓｓｅｐꎬｉｊꎬ设它们相对应的 势函数分别为 ϕＣｉ 、ϕＣｊ和 ϕＳｓｅｐꎬｉｊ ꎬ从消息传递的角度 Ｃｉ 到 Ｃｊ 的传递(也称收集证据ꎬｃｏｌｌｅｃｔ ｅｖｉｄｅｎｃｅ)包 含 ３ 个步骤: １)更新 ϕＣ ｉ :令 Ｃｉ 中包含输入证据的簇似然度 为 Ｌ ｎｅｗ (初始值 Ｌ ｎｅｗ ＝ １)ꎬ则 ϕ ｎｅｗ Ｃｉ ＝ ϕＣｉ Ｌ ｎｅｗ ꎻ ２)Ｓｓｅｐꎬｉｊ吸收消息: ϕ ｎｅｗ Ｓｓｅｐꎬｉｊ ＝ Ｃ∑ｉ ＼Ｓｓｅｐ.ｉｊ ϕ ｎｅｗ Ｃｉ ꎻ ３)ϕＣ ｊ 吸收消息: ϕ ｎｅｗ Ｃｊ ＝ ϕＣｊ ϕ ｎｅｗ Ｓｓｅｐꎬｉｊ / ϕＳｓｅｐꎬｉｊ . 类似ꎬ可得到从 Ｃｊ 到 Ｃｉ 的消息传递(也称发散 证据ꎬｄｉｓｔｒｉｂｕｔｅ ｅｖｉｄｅｎｃｅ). 连接树中的新证据可通过这种方式进行消息传 播ꎬ最终再次达到连接树内的全局一致性( ｇｌｏｂａｌ ｃｏｎｓｉｓｔｅｎｃｅ). ２.２ ＭＳＢＮ 中的全局推理 ＭＳＢＮ 的整体信度更新主要采用信度通信算法 (ＣｏｍｍｕｎｉｃａｔｅＢｅｌｉｅｆ) 完成.每个智能体局部的推理 通过子网连接树的消息传播达到局部一致性.多个 智能体通过智能体之间子网的共享链树进行消息传 播ꎬ达到多智能体系统的全局一致性. 定理 １ 令 Ｆ 为智能体对应 ＭＳＢＮ 中关于节点 Ｖ 的 ＬＪＦꎬ对应的 ＭＳＢＮ 联合概率分布为 Ｐ(Ｖ).所有 智能体完成局部观测证据更新ꎬ通过信度通信算法 后ꎬ则 Ｆ 为全局一致ꎬ且每个局部连接树中每个簇 Ｃ 的势函数满足: ψＣ ＝ Ｋ∑Ｖ＼Ｃ Ｐ(Ｖ ｜ ｘ). 式中:Ｋ 为一个非负值的常系数ꎬｘ 为 ＭＳＢＮ 的观测值. 有关定理 １ 的证明ꎬ请参阅文献[９]. ＭＳＢＮ 在多智能体系统框架下将一个复杂系统 分解成若干有重叠子域的多个小规模 ＢＮꎬ使每一个 ＢＮ 子网可自主局部推理ꎬ虽然单个智能体仅拥有 目标的局部知识ꎬ但利用重叠子域信息的更新进行 子网间消息的传播ꎬ实现了多源信息的相互补充.当 子网依赖的结构稀疏时ꎬ推理计算可高效进行[１２] . 因此ꎬＭＳＢＮ 框架下的分布式推理可以确保信 度的更新是按照贝叶斯概率理论的精确推理来实 现ꎬ从而为多智能体系统中任意节点的概率查询提 供了支持. ３ 基于 ＭＳＢＮ 多智能体协同推理的目 标识别算法 每个智能体可以用一个 ＢＮ 子网表示ꎬ多个 ＢＮ 第 ５ 期 郭文强ꎬ等:采用 ＭＳＢＮ 多智能体协同推理的智能农业车辆环境识别 ４５５
·456· 智能系统学报 第8卷 子网构成一个完整的MSBN,可以解决快速、准确的 式中：w,(00·，按式(2)计算目标识别类型节点， 目标在相应的MSBN中“目标类型”隐节点概率查 输出结果，目标识别过程停止：否则，继续通过传感 询的支持，达到目标识别的目的. 器系统捕获目标特征数据，以观测目标，并返回2). 假设目标类型有m个待识别类别.有n个智能 目标识别类型节点x、的目标类型可由式(2) 体可利用i个不同的传感器系统从不同方位、途径 获取： 对目标进行观测，但是受资源所限，每个智能体都只 能观测有限的g个局部特征信号(1≤9≤i),各传感 X= 吗argmax((p1,2,,9)）. =1 器系统局部特征信号观测值分为k个值域.本文提 (2) 出的基于MSBN多智能体协同推理的目标识别算法 步骤如下. 式中：为第j个智能体的第g个目标特征数据(1≤ 1)设置目标识别信度阈值参数0°，确定智能体 j≤n,1≤q≤i):x为第j个智能体目标识别类型节点 个数n.0°范围一般取[0.7,0.8]，n值常取为3~5； S,取值为l的事件(1≤l≤m);w,(0<0,<1)为加权系 2)n个智能体分别根据各自的i个传感器系统 数取值方法同步骤9). 捕获g个目标特征数据(1≤g≤i),每个目标特征数 据有k个观测值，k值常取3或4： 4 实验仿真 3)建模判断，若目标识别系统尚未构建目标识 为了验证基于MSBN多智能体协同推理的目标识 别MSBN的链化连接森林，执行4)，完成相应模型 别算法的正确性和有效性，本文进行了以下实验设置 的构建：否则，跳转执行7)； 车辆所处的实际环境是“杂草”，实验运行的硬件环境 4)对第j个智能体(1≤j≤n),用目标类型作为 为2GB内存、2.5 GHz Pentium(R)Dual-core CPU的计 父节点S,S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 算机，MSBN推理软件采用WebWeaver Ivts),WebWe- 子节点，用有向边分别连接父节点和各个子节点，即 aver IV中采用浮点型数值表示节点信度. 依次连接父节点S和子节点1、父节点S,和子节点 4.1参数设置与特征数据预处理 2…直至父节点S和子节点q,每条有向边箭尾为 设置目标识别信度阈值参数日·，确定智能体个 父节点，箭头指向子节点.这样，可建立n个独立的 数n.此处0·=75%，n值取为3，加权系数e,=1/n= BN子网结构，BN子网模型各节点间的信度条件概 1/3(=1,2,3). 率参数采用EM算法进行学习或专家知识获取： 待识别目标环境离散化特征证据如表3所示，3 5)用有向边将n个BN子网的父节点（目标识 个智能体可观测目标特征个数g亦列入表3.其中 别类型节点)单向连接，即有向边从父节点S,(箭 [*,*,*]表示目标特征观测证据，“真”取“1”， 尾)指向父节点S,(箭头)，再从父节点S2(箭尾)指 否则取“0”：“Φ”表示相应观测子系统中未获得该 向父节点S(箭头)…直至父节点S-1(箭尾)指 向父节点S(箭头)，构建得到MSBN: 目标特征节点信息：“一”表示相应模型中，由于某 6)利用文献[9]的链树(linkage tree)构建法将 些不确定因素（如通信传输延迟等），暂时未能获得 MSBN构建成链化连接森林： 该目标特征节点信息.其特征节点参数将按先验条 7)各BN子网模型中，输入各自的目标特征数 件概率取值进行推理。 据作为观测证据，利用连接树算法进行信度推理，从 注意到在本实施用例中，由于没有一个智能体 而完成n个子BN的目标识别类型节点S,的信度O, 捕捉到目标的所有6个特征数据，尤其是Dc、Ds数 (1≤j≤n)的更新： 据均未获得，即模型输入数据不完备.因此，若采用 8)基于步骤7)获得日，的更新，利用信度通信 传统的神经网络建模方法，且不使用数据修补等剧 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S的信度，(1≤≤n). 增推理运算复杂度技术，目标识别推理将不可进行. 9)按式(1)计算目标识别信度0： 然而进行数据修补工作，势必会增加目标识别任务 所需的时间消耗 0= Σ(w,×0,) (1)
子网构成一个完整的 ＭＳＢＮꎬ可以解决快速、准确的 目标识别问题. 多智能体协同目标识别算法主要采用信度通信 算法进行整个 ＭＳＢＮ 的信度更新ꎬ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 询的支持ꎬ达到目标识别的目的. 假设目标类型有 ｍ 个待识别类别.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ꎬ但是受资源所限ꎬ每个智能体都只 能观测有限的 ｑ 个局部特征信号(１≤ｑ≤ｉ)ꎬ各传感 器系统局部特征信号观测值分为 ｋ 个值域.本文提 出的基于 ＭＳＢＮ 多智能体协同推理的目标识别算法 步骤如下. １)设置目标识别信度阈值参数 θ ∗ ꎬ确定智能体 个数 ｎ.θ ∗范围一般取[０.７ꎬ０.８]ꎬｎ 值常取为３~５ꎻ ２)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)ꎬ每个目标特征数 据有 ｋ 个观测值ꎬｋ 值常取 ３ 或 ４ꎻ ３)建模判断ꎬ若目标识别系统尚未构建目标识 别 ＭＳＢＮ 的链化连接森林ꎬ执行 ４)ꎬ完成相应模型 的构建ꎻ否则ꎬ跳转执行 ７)ꎻ ４)对第 ｊ 个智能体(１≤ｊ≤ｎ)ꎬ用目标类型作为 父节点 ＳｊꎬＳｊ 有 ｍ 个取值事件ꎬ即有 ｍ 个待识别类 别ꎬｍ 常取值为 ３ 或 ４ꎬ以其 ｑ 个目标特征数据作为 子节点ꎬ用有向边分别连接父节点和各个子节点ꎬ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 ｑꎬ每条有向边箭尾为 父节点ꎬ箭头指向子节点.这样ꎬ可建立 ｎ 个独立的 ＢＮ 子网结构ꎬＢＮ 子网模型各节点间的信度条件概 率参数采用 ＥＭ 算法进行学习或专家知识获取ꎻ ５)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ꎬ即有向边从父节点 Ｓ１ (箭 尾)指向父节点 Ｓ２(箭头)ꎬ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)ꎬ构建得到 ＭＳＢＮꎻ ６)利用文献[９]的链树(ｌｉｎｋａｇｅ ｔｒｅｅ)构建法将 ＭＳＢＮ 构建成链化连接森林ꎻ ７)各 ＢＮ 子网模型中ꎬ输入各自的目标特征数 据作为观测证据ꎬ利用连接树算法进行信度推理ꎬ从 而完成 ｎ 个子 ＢＮ 的目标识别类型节点 Ｓｊ 的信度 θｊ (１≤ｊ≤ｎ)的更新ꎻ ８)基于步骤 ７) 获得 θｊ 的更新ꎬ利用信度通信 算法完成 ＭＳＢＮ 网内的全局推理ꎬ更新 ＭＳＢＮ 模型 目标识别类型节点 Ｓｊ 的信度 θｊ(１≤ｊ≤ｎ). ９)按式(１)计算目标识别信度 θ: θ ＝ ∑ ｎ ｊ ＝ １ (ｗｊ × θｊ). (１) 式中:ｗｊ(０ θ ∗ ꎬ按式(２)计算目标识别类型节点ꎬ 输出结果ꎬ目标识别过程停止ꎻ否则ꎬ继续通过传感 器系统捕获目标特征数据ꎬ以观测目标ꎬ并返回 ２). 目标识别类型节点 ｘＳ 的目标类型可由式(２) 获取: ｘ ∗ Ｓ ＝ ∑ ｎ ｊ ＝ １ ｗｊ ａｒｇｍａｘ ｌ (Ｐ(ｘ ｊꎬｌ ｓ ｜ ｘ ｊꎬ１ Ｅ ꎬｘ ｊꎬ２ Ｅ ꎬꎬｘ ｊꎬｑ Ｅ )). (２) 式中:ｘ ｊꎬｑ Ｅ 为第 ｊ 个智能体的第 ｑ 个目标特征数据(１≤ ｊ≤ｎꎬ１≤ｑ≤ｉ)ꎻｘ ｊꎬｌ Ｓ 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)ꎻｗｉ(０<ｗｊ <１)为加权系 数ꎬ取值方法同步骤 ９). ４ 实验仿真 为了验证基于 ＭＳＢＮ 多智能体协同推理的目标识 别算法的正确性和有效性ꎬ本文进行了以下实验.设置 车辆所处的实际环境是“杂草”ꎬ实验运行的硬件环境 为 ２ ＧＢ 内存、２.５ ＧＨｚ Ｐｅｎｔｉｕｍ(Ｒ)Ｄｕａｌ￣ｃｏｒｅ ＣＰＵ 的计 算机ꎬＭＳＢＮ 推理软件采用 ＷｅｂＷｅａｖｅｒ ＩＶ [８] ꎬＷｅｂＷｅ￣ ａｖｅｒ ＩＶ 中采用浮点型数值表示节点信度. ４.１ 参数设置与特征数据预处理 设置目标识别信度阈值参数 θ ∗ ꎬ确定智能体个 数 ｎ.此处 θ ∗ ＝ ７５％ꎬｎ 值取为 ３ꎬ加权系数ｗｊ ＝ １ / ｎ ＝ １ / ３(ｊ ＝ １ꎬ２ꎬ３). 待识别目标环境离散化特征证据如表 ３ 所示ꎬ３ 个智能体可观测目标特征个数 ｑ 亦列入表 ３.其中 [∗ꎬ∗ꎬ∗] 表示目标特征观测证据ꎬ“真” 取“１”ꎬ 否则取“０”ꎻ“Φ”表示相应观测子系统中未获得该 目标特征节点信息ꎻ“—” 表示相应模型中ꎬ由于某 些不确定因素(如通信传输延迟等)ꎬ暂时未能获得 该目标特征节点信息.其特征节点参数将按先验条 件概率取值进行推理. 注意到在本实施用例中ꎬ由于没有一个智能体 捕捉到目标的所有 ６ 个特征数据ꎬ尤其是 ＤＧ 、ＤＢ 数 据均未获得ꎬ即模型输入数据不完备.因此ꎬ若采用 传统的神经网络建模方法ꎬ且不使用数据修补等剧 增推理运算复杂度技术ꎬ目标识别推理将不可进行. 然而进行数据修补工作ꎬ势必会增加目标识别任务 所需的时间消耗. ４５６ 智 能 系 统 学 报 第 ８ 卷
第5期 郭文强，等：采用MSBN多智能体协同推理的智能农业车辆环境识别 ·457 表3目标特征证据 Table 3 Target characteristic evidences 目标特征证据 智能体 ER Ec Ea DR De Da [大，中，小] [大，中，小] [大，中，小] [大，中，小] [大，中，小] [大，中，小] G [0.0,1] [0,1,0] 中 中 Φ G2 [0,0,1] 中 老 [0,1,0] Φ Gs [0,0,1] 老 [1,0,0] Φ Φ Φ 2 4.2推理机建模 本例中有3个智能体对同一目标，即农业车辆 S.E 所处的实际环境进行观测、推理和识别.对目标图像 S.E S.E .D.D. 采取6个特征参数表征，即R、G、B分量的均值和方 SS S 差.在推理机建模阶段，3个智能体推理子网分别用 目标类型S,、S,和S,作为父节点，相应目标特征数 图3MSBN推理机的链化连接森林 据ERj Eej Enj DRjDeg和Dg作为子节点（了=1， Fig.3 Linked junction forest for MSBN inference engine 2,3).根据提出的目标识别算法，得到的农业车辆环 4.3目标识别结果 境识别MSBN模型如图2所示，用链树构建法将 输入如表3所示的有限证据，MSBN推理结果 MSBN构建成相应的链化连接森林，如图3所示. 如表4所示.设智能体子系统的个数为n,局部连接 树中最大簇个数为m,最大簇的基数为q,链树中的 G, 最大链树个数为「，每个结点最多有k个取值，则 MSBN推理的计算复杂度为O(n(m+2r)k)).由于 MSBN重叠子域为稀疏拓扑结构，即通常m多r,此 时计算复杂度可等效为O(nmk9).而同规模的单个 BN推理采用连接树算法的计算复杂度也为 图2农业车辆环境识别MSBN O(nmk9).比较可知，MSBN与BN2种模型推理在计 Fig.2 Environment recognition MSBN for agricultural 算复杂度方面相当. vehicle 表4MSBN和BN方法进行目标识别推理结果(0=75%) Table 4 Target recognition inference results by MSBN and BN method (0=75%) 目标 环境类型信度 目标识别识别 推理方法 类型 强光 普通 杂草 阴影 信度/%结果 S 0.011080333 0.290858720 0.542936300 0.155124660 BN S2 0.047297300 0.101351360 0.662162200 0.189189200 59.22 待定 S 0.040816330 0.306122450 0.571428600 0.081632660 S 0.009612318 0.009931096 0.942007300 0.038449276 MSBN S2 0.009612316 0.009931096 0.942007300 0.038449284 94.20 杂草 S3 0.009612314 0.009931099 0.942007300 0.038449280 由表4可知，MSBN法进行目标识别推理结果 络方法相比，即使模型输入数据不完备，采用的MS 为“杂草”的概率为94.20%.由于识别信度阈值参数 BN方法无需智能体进行更长耗时的更多特征数据 0为75%，因此可判定出车辆所处环境为“杂草” 的观测，依然能完成识别推理，说明提出的方法较神 为了便于比较，使用传统BN方法进行目标识别推 经网络方法更为有效：而与传统BN方法相比，在不 理的结果也列在表4中，推理结果为“杂草”的概率 增加目标识别算法计算复杂度的条件下，采用MS 为59.22%，远低于识别信度阈值，因此此时不能判 BN方法可以在传统BN方法不能给出识别结果的 定出车辆所处环境， 情况下，显著提高识别信度，提升了目标识别系统的 实验结果表明，本文提出的方法与传统神经网 准确性能
表 ３ 目标特征证据 Ｔａｂｌｅ ３ Ｔａｒｇｅｔ ｃｈａｒａｃｔｅｒｉｓｔｉｃ ｅｖｉｄｅｎｃｅｓ 智能体 目标特征证据 ＥＲ [大ꎬ中ꎬ小] ＥＧ [大ꎬ中ꎬ小] ＥＢ [大ꎬ中ꎬ小] ＤＲ [大ꎬ中ꎬ小] ＤＧ [大ꎬ中ꎬ小] ＤＢ [大ꎬ中ꎬ小] ｑ Ｇ１ [０ꎬ０ꎬ１] [０ꎬ１ꎬ０] — Φ Φ Φ ３ Ｇ２ [０ꎬ０ꎬ１] Φ Φ [０ꎬ１ꎬ０] Φ — ３ Ｇ３ [０ꎬ０ꎬ１] Φ [１ꎬ０ꎬ０] Φ Φ Φ ２ ４.２ 推理机建模 本例中有 ３ 个智能体对同一目标ꎬ即农业车辆 所处的实际环境进行观测、推理和识别.对目标图像 采取 ６ 个特征参数表征ꎬ即 Ｒ、Ｇ、Ｂ 分量的均值和方 差.在推理机建模阶段ꎬ３ 个智能体推理子网分别用 目标类型 Ｓ１ 、Ｓ２ 和 Ｓ３ 作为父节点ꎬ相应目标特征数 据 ＥＲꎬｊ、ＥＧꎬｊ、ＥＢꎬｊ、ＤＲꎬｊ、ＤＧꎬｊ和 ＤＢꎬｊ作为子节点( ｊ ＝ １ꎬ ２ꎬ３).根据提出的目标识别算法ꎬ得到的农业车辆环 境识别 ＭＳＢＮ 模型如图 ２ 所示ꎬ用链树构建法将 ＭＳＢＮ 构建成相应的链化连接森林ꎬ如图 ３ 所示. 图 ２ 农业车辆环境识别 ＭＳＢＮ Ｆｉｇ.２ Ｅｎｖｉｒｏｎｍｅｎｔ ｒｅｃｏｇｎｉｔｉｏｎ ＭＳＢＮ ｆｏｒ ａｇｒｉｃｕｌｔｕｒａｌ ｖｅｈｉｃｌｅ 图 ３ ＭＳＢＮ 推理机的链化连接森林 Ｆｉｇ.３ Ｌｉｎｋｅｄ ｊｕｎｃｔｉｏｎ ｆｏｒｅｓｔ ｆｏｒ ＭＳＢＮ ｉｎｆｅｒｅｎｃｅ ｅｎｇｉｎｅ ４.３ 目标识别结果 输入如表 ３ 所示的有限证据ꎬＭＳＢＮ 推理结果 如表 ４ 所示.设智能体子系统的个数为 ｎꎬ局部连接 树中最大簇个数为 ｍꎬ最大簇的基数为 ｑꎬ链树中的 最大链树个数为 ｒꎬ每个结点最多有 ｋ 个取值ꎬ则 ＭＳＢＮ 推理的计算复杂度为 Ｏ(ｎ(ｍ＋２ｒ)ｋ ｑ ) [９] .由于 ＭＳＢＮ 重叠子域为稀疏拓扑结构ꎬ即通常 ｍ≫ｒꎬ此 时计算复杂度可等效为 Ｏ(ｎｍｋ ｑ ).而同规模的单个 ＢＮ 推 理 采 用 连 接 树 算 法 的 计 算 复 杂 度 也 为 Ｏ(ｎｍｋ ｑ ).比较可知ꎬＭＳＢＮ 与 ＢＮ ２ 种模型推理在计 算复杂度方面相当. 表 ４ ＭＳＢＮ 和 ＢＮ 方法进行目标识别推理结果(θ ∗ ＝ ７５％) Ｔａｂｌｅ ４ Ｔａｒｇｅｔ ｒｅｃｏｇｎｉｔｉｏｎ ｉｎｆｅｒｅｎｃｅ ｒｅｓｕｌｔｓ ｂｙ ＭＳＢＮ ａｎｄ ＢＮ ｍｅｔｈｏｄ (θ ∗ ＝ ７５％) 推理方法 目标 类型 环境类型信度 强光 普通 杂草 阴影 目标识别 信度 θ / ％ 识别 结果 Ｓ１ ０.０１１ ０８０ ３３３ ０.２９０ ８５８ ７２０ ０.５４２ ９３６ ３００ ０.１５５ １２４ ６６０ ＢＮ Ｓ２ ０.０４７ ２９７ ３００ ０.１０１ ３５１ ３６０ ０.６６２ １６２ ２００ ０.１８９ １８９ ２００ ５９.２２ 待定 Ｓ３ ０.０４０ ８１６ ３３０ ０.３０６ １２２ ４５０ ０.５７１ ４２８ ６００ ０.０８１ ６３２ ６６０ Ｓ１ ０.００９ ６１２ ３１８ ０.００９ ９３１ ０９６ ０.９４２ ００７ ３００ ０.０３８ ４４９ ２７６ ＭＳＢＮ Ｓ２ ０.００９ ６１２ ３１６ ０.００９ ９３１ ０９６ ０.９４２ ００７ ３００ ０.０３８ ４４９ ２８４ ９４.２０ 杂草 Ｓ３ ０.００９ ６１２ ３１４ ０.００９ ９３１ ０９９ ０.９４２ ００７ ３００ ０.０３８ ４４９ ２８０ 由表 ４ 可知ꎬＭＳＢＮ 法进行目标识别推理结果 为“杂草”的概率为 ９４.２０％.由于识别信度阈值参数 θ ∗为 ７５％ꎬ因此可判定出车辆所处环境为“杂草”. 为了便于比较ꎬ使用传统 ＢＮ 方法进行目标识别推 理的结果也列在表 ４ 中ꎬ推理结果为“杂草”的概率 为 ５９.２２％ꎬ远低于识别信度阈值ꎬ因此此时不能判 定出车辆所处环境. 实验结果表明ꎬ本文提出的方法与传统神经网 络方法相比ꎬ即使模型输入数据不完备ꎬ采用的 ＭＳ￣ ＢＮ 方法无需智能体进行更长耗时的更多特征数据 的观测ꎬ依然能完成识别推理ꎬ说明提出的方法较神 经网络方法更为有效ꎻ而与传统 ＢＮ 方法相比ꎬ在不 增加目标识别算法计算复杂度的条件下ꎬ采用 ＭＳ￣ ＢＮ 方法可以在传统 ＢＮ 方法不能给出识别结果的 情况下ꎬ显著提高识别信度ꎬ提升了目标识别系统的 准确性能. 第 ５ 期 郭文强ꎬ等:采用 ＭＳＢＮ 多智能体协同推理的智能农业车辆环境识别 ４５７
·458 智能系统学报 第8卷 casting of structural time-invariant dynamic systems with 5 结束语 graphical models[J].International Journal of Approximate 为了有效、准确地识别出智能农业车辆所处的 Reasoning,2011,52(7):960-977. 环境类型，提出了基于MSBN多智能体协同推理的 [9]XIANG Yang.Probabilistic reasoning in multiagent systems: 目标识别算法，并将其应用于基于机器视觉的车辆 a graphical models approach[M].Cambridge,UK:Cam- bridge University Press,2002. 自动导航系统.MSBN将不同的局部观测证据融入 [10]田凤占，张宏伟，陆玉昌，等.多模块贝叶斯网络中推理 贝叶斯子网，采用局部推理和全局推理相结合的方 的简化[J].计算机研究与发展，2003,40(8)：1230- 法，对多源信息进行融合，提高了推理的有效性和准 1237. 确性.实验结果表明，基于MSBN多智能体协同推理 TIAN Fengzhan,ZHANG Hongwei,LU Yuchang,et al. 的目标识别算法可以在嘈杂的、不确定的复杂环境 Simplification of inferences in multiply sectioned Bayesian 中提高农业车辆对所处环境进行目标识别的能力. networks[J].Journal of Computer Research and Develop- 这种基于MSBN的目标识别方法也可以被广泛应用 memt,2003.40(8):1230-1237. 在工业机器人和农业生产等其他相关领域，为进一 [11]郭文强，高晓光，侯勇严复杂系统的图模型多智能体协 步的自主决策任务提供支持. 同故障诊断[J].计算机应用，2010,30(11)：2916- 2919. 参考文献： GUO Wenqiang,GAO Xiaoguang,HOU Yongyan.Graph- ical model-based multi-agent coordination fault diagnosis [1]BAKKER T,WOUTERS H,ASSELT K,et al.A vision for complex system[].Journal of Computer Applications, based row detection system for sugar beet[].Computers 2010,30(11):2916-2919. and Electronics in Agriculture,2008,60(1):87-95. [12]XIANG Yang,JENSEN F V,CHEN Xiaoyun.Inference in [2]GOTTSCHALK R,BURGOS-ARTIZZU X P,RIBEIRO A, multiply sectioned Bayesian networks:methods and per- et al.Real-time image processing for the guidance of a small formance comparison[J].IEEE Transactions on Systems, agricultural field inspection vehicle[J].International Jour- Man,and Cybernetics-Part B:Cybernetics,2006,36 nal of Intelligent Systems Technologies and Applications, (6):546-558 2010,8(1):434-443. 作者简介： [3]王典，刘晋浩，王建利基于系统聚类的林地内采育目标 郭文强，男，1971年生，副教授，硕 识别与分类[J].农业工程学报，2011,27(12)：173-177. 士生导师，主要研究方向为电子信息、 WANG Dian,LIU Jinhao,WANG Jianli.Identification and 智能系统参与国家自然科学基金项目 classification of scanned target in forest based on hierarchi- 2项，发表学术论文18篇，其中被EI、 cal cluster[J].Transactions of the Chinese Society of Agri- ISTP检索11篇. cultural Engineering,2011,27(12):173-177. [4]ROVIRA-MA F,ZHANG Q,REID J F,et al.Hough-trans- form-based vision algorithm for crop row detection of an au- 高晓光，女，1957年生，教授，博士 tomated agricultural vehicle.Journal of Automobile En- 生导师，中国宇航学会光电技术专业委 gineering,2005,219(8):999-1010. 员会委员，享受国务院政府特殊津贴， [5]赵博，王猛，毛恩荣，等.农业车辆视觉实际导航环境识别 主要研究方向为先进控制理论及其在 与分类[].农业机械学报，2009,40(7)：166-170. 复杂系统中的应用.承担国家211项目 ZHAO Bo,WANG Meng,MAO Enrong,et al.Recognition 国家自然科学基金、国家“973”计划、 and classification for vision navigation application environ- 国防科技预研项目、国家教委基金、国防预研基金、航空科学 ment of agricultural vehicle[J].Transactions of the Chinese 基金及国家重点型号工程相关研究项目等30余项.发表学 Society for Agricultural Machinery,2009,40(7):166-170. 术论文100余篇，其中被El,ISTP检索40余. [6]PEARL J.Causality:models,reasoning and inference[M]. 2nd ed.Cambridge,UK:Cambridge University Press, 2009. 侯勇严，女，1972年生，副教授，主 [7]TANG Zheng,GAO Xiaoguang.Research on the self-de- 要研究方向为智能控制参与多项省部 fence electronic jamming decision-making based on the dis- 级科研项目.发表学术论文12篇，其中 crete dynamic Bayesian network[J].Journal of Systems En- 被EI,ISTP检索6篇. gineering and Electronics,2008,19(4):702-708. [8]XIANG Y,SMITH J,KROES J.Multiagent Bayesian fore-
５ 结束 ｍｅｎｔ ｏｆ ａｇｒｉｃｕｌｔｕｒａｌ ｖｅｈｉｃｌｅ[ Ｊ]. Ｔｒａｎｓａｃｔｉｏｎｓ ｏｆ ｔｈｅ Ｃｈｉｎｅｓｅ 语 为了有效、准确地识别出智能农业车辆所处的 环境类型ꎬ提出了基于 ＭＳＢＮ 多智能体协同推理的 目标识别算法ꎬ并将其应用于基于机器视觉的车辆 自动导航系统.ＭＳＢＮ 将不同的局部观测证据融入 贝叶斯子网ꎬ采用局部推理和全局推理相结合的方 法ꎬ对多源信息进行融合ꎬ提高了推理的有效性和准 确性.实验结果表明ꎬ基于 ＭＳＢＮ 多智能体协同推理 的目标识别算法可以在嘈杂的、不确定的复杂环境 中提高农业车辆对所处环境进行目标识别的能力. 这种基于 ＭＳＢＮ 的目标识别方法也可以被广泛应用 在工业机器人和农业生产等其他相关领域ꎬ为进一 步的自主决策任务提供支持. 参考文献: [１] ＢＡＫＫＥＲ Ｔꎬ ＷＯＵＴＥＲＳ Ｈꎬ ＡＳＳＥＬＴ Ｋꎬ ｅｔ ａｌ. Ａ ｖｉｓｉｏｎ ｂａｓｅｄ ｒｏｗ ｄｅｔｅｃｔｉｏｎ ｓｙｓｔｅｍ ｆｏｒ ｓｕｇａｒ ｂｅｅｔ [ Ｊ]. Ｃｏｍｐｕｔｅｒｓ ａｎｄ Ｅｌｅｃｔｒｏｎｉｃｓ ｉｎ Ａｇｒｉｃｕｌｔｕｒｅꎬ ２００８ꎬ ６０(１): ８７￣９５. [２]ＧＯＴＴＳＣＨＡＬＫ Ｒꎬ ＢＵＲＧＯＳ￣ＡＲＴＩＺＺＵ Ｘ Ｐꎬ ＲＩＢＥＩＲＯ Ａꎬ ｅｔ ａｌ. Ｒｅａｌ￣ｔｉｍｅ ｉｍａｇｅ ｐｒｏｃｅｓｓｉｎｇ ｆｏｒ ｔｈｅ ｇｕｉｄａｎｃｅ ｏｆ ａ ｓｍａｌｌ ａｇｒｉｃｕｌｔｕｒａｌ ｆｉｅｌｄ ｉｎｓｐｅｃｔｉｏｎ ｖｅｈｉｃｌｅ[ Ｊ]. Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒ￣ ｎａｌ ｏｆ Ｉｎｔｅｌｌｉｇｅｎｔ Ｓｙｓｔｅｍｓ Ｔｅｃｈｎｏｌｏｇｉｅｓ ａｎｄ Ａｐｐｌｉｃａｔｉｏｎｓꎬ ２０１０ꎬ ８(１): ４３４￣４４３. [３]王典ꎬ刘晋浩ꎬ王建利.基于系统聚类的林地内采育目标 识别与分类[Ｊ].农业工程学报ꎬ ２０１１ꎬ ２７(１２): １７３￣１７７. ＷＡＮＧ Ｄｉａｎꎬ ＬＩＵ Ｊｉｎｈａｏꎬ ＷＡＮＧ Ｊｉａｎｌｉ. Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ａｎｄ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｏｆ ｓｃａｎｎｅｄ ｔａｒｇｅｔ ｉｎ ｆｏｒｅｓｔ ｂａｓｅｄ ｏｎ ｈｉｅｒａｒｃｈｉ￣ ｃａｌ ｃｌｕｓｔｅｒ[Ｊ]. Ｔｒａｎｓａｃｔｉｏｎｓ ｏｆ ｔｈｅ Ｃｈｉｎｅｓｅ Ｓｏｃｉｅｔｙ ｏｆ Ａｇｒｉ￣ ｃｕｌｔｕｒａｌ Ｅｎｇｉｎｅｅｒｉｎｇꎬ ２０１１ꎬ ２７(１２): １７３￣１７７. [４]ＲＯＶＩＲＡ￣ＭＡ Ｆꎬ ＺＨＡＮＧ Ｑꎬ ＲＥＩＤ Ｊ Ｆꎬ ｅｔ ａｌ. Ｈｏｕｇｈ￣ｔｒａｎｓ￣ ｆｏｒｍ￣ｂａｓｅｄ ｖｉｓｉｏｎ ａｌｇｏｒｉｔｈｍ ｆｏｒ ｃｒｏｐ ｒｏｗ ｄｅｔｅｃｔｉｏｎ ｏｆ ａｎ ａｕ￣ ｔｏｍａｔｅｄ ａｇｒｉｃｕｌｔｕｒａｌ ｖｅｈｉｃｌｅ[ Ｊ]. Ｊｏｕｒｎａｌ ｏｆ Ａｕｔｏｍｏｂｉｌｅ Ｅｎ￣ ｇｉｎｅｅｒｉｎｇꎬ ２００５ꎬ ２１９(８): ９９９￣１０１０. [５]赵博ꎬ王猛ꎬ毛恩荣ꎬ等.农业车辆视觉实际导航环境识别 与分类[Ｊ].农业机械学报ꎬ ２００９ꎬ ４０(７): １６６￣１７０. ＺＨＡＯ Ｂｏꎬ ＷＡＮＧ Ｍｅｎｇꎬ ＭＡＯ Ｅｎｒｏｎｇꎬ ｅｔ ａｌ. Ｒｅｃｏｇｎｉｔｉｏｎ ａｎｄ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｆｏｒ ｖｉｓｉｏｎ ｎａｖｉｇａｔｉｏｎ ａｐｐｌｉｃａｔｉｏｎ ｅｎｖｉｒｏｎ￣ Ｓｏｃｉｅｔｙ ｆｏｒ Ａｇｒｉｃｕｌｔｕｒａｌ Ｍａｃｈｉｎｅｒｙꎬ ２００９ꎬ ４０(７): １６６￣１７０. [６]ＰＥＡＲＬ Ｊ. Ｃａｕｓａｌｉｔｙ: ｍｏｄｅｌｓꎬ ｒｅａｓｏｎｉｎｇ ａｎｄ ｉｎｆｅｒｅｎｃｅ[Ｍ]. ２００９. [７] ＴＡＮＧ Ｚｈｅｎｇꎬ ＧＡＯ Ｘｉａｏｇｕａｎｇ. Ｒｅｓｅａｒｃｈ ｏｎ ｔｈｅ ｓｅｌｆ￣ｄｅ￣ ｆｅｎｃｅ ｅｌｅｃｔｒｏｎｉｃ ｊａｍｍｉｎｇ ｄｅｃｉｓｉｏｎ￣ｍａｋｉｎｇ ｂａｓｅｄ ｏｎ ｔｈｅ ｄｉｓ￣ ｃｒｅｔｅ ｄｙｎａｍｉｃ Ｂａｙｅｓｉａｎ ｎｅｔｗｏｒｋ[Ｊ]. Ｊｏｕｒｎａｌ ｏｆ Ｓｙｓｔｅｍｓ Ｅｎ￣ ｇｉｎｅｅｒｉｎｇ ａｎｄ Ｅｌｅｃｔｒｏｎｉｃｓꎬ ２００８ꎬ １９(４): ７０２￣７０８. [８]ＸＩＡＮＧ Ｙꎬ ＳＭＩＴＨ Ｊꎬ ＫＲＯＥＳ Ｊ. Ｍｕｌｔｉａｇｅｎｔ Ｂａｙｅｓｉａｎ ｆｏｒｅ￣ ｃａｓｔｉｎｇ ｏｆ ｓｔｒｕｃｔｕｒａｌ ｔｉｍｅ￣ｉｎｖａｒｉａｎｔ ｄｙｎａｍｉｃ ｓｙｓｔｅｍｓ ｗｉｔｈ ｇｒａｐｈｉｃａｌ ｍｏｄｅｌｓ[ Ｊ]. Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ａｐｐｒｏｘｉｍａｔｅ Ｒｅａｓｏｎｉｎｇꎬ ２０１１ꎬ ５２(７): ９６０￣９７７. [９]ＸＩＡＮＧ Ｙａｎｇ. Ｐｒｏｂａｂｉｌｉｓｔｉｃ ｒｅａｓｏｎｉｎｇ ｉｎ ｍｕｌｔｉａｇｅｎｔ ｓｙｓｔｅｍｓ: ａ ｇｒａｐｈｉｃａｌ ｍｏｄｅｌｓ ａｐｐｒｏａｃｈ [ Ｍ]. Ｃａｍｂｒｉｄｇｅꎬ ＵＫ: Ｃａｍ￣ ｂｒｉｄｇｅ Ｕｎｉｖｅｒｓｉｔｙ Ｐｒｅｓｓꎬ ２００２. [１０]田凤占ꎬ张宏伟ꎬ陆玉昌ꎬ等.多模块贝叶斯网络中推理 的简化[Ｊ].计算机研究与发展ꎬ ２００３ꎬ ４０( ８): １２３０￣ １２３７. ＴＩＡＮ Ｆｅｎｇｚｈａｎꎬ ＺＨＡＮＧ Ｈｏｎｇｗｅｉꎬ ＬＵ Ｙｕｃｈａｎｇꎬ ｅｔ ａｌ. Ｓｉｍｐｌｉｆｉｃａｔｉｏｎ ｏｆ ｉｎｆｅｒｅｎｃｅｓ ｉｎ ｍｕｌｔｉｐｌｙ ｓｅｃｔｉｏｎｅｄ Ｂａｙｅｓｉａｎ ｎｅｔｗｏｒｋｓ[Ｊ]. Ｊｏｕｒｎａｌ ｏｆ Ｃｏｍｐｕｔｅｒ Ｒｅｓｅａｒｃｈ ａｎｄ Ｄｅｖｅｌｏｐ￣ ｍｅｎｔꎬ ２００３ꎬ ４０(８): １２３０￣１２３７. [１１]郭文强ꎬ高晓光ꎬ侯勇严.复杂系统的图模型多智能体协 同故障诊断[ Ｊ]. 计算机应用ꎬ ２０１０ꎬ ３０ ( １１): ２９１６￣ ２９１９. ＧＵＯ Ｗｅｎｑｉａｎｇꎬ ＧＡＯ Ｘｉａｏｇｕａｎｇꎬ ＨＯＵ Ｙｏｎｇｙａｎ. Ｇｒａｐｈ￣ ｉｃａｌ ｍｏｄｅｌ￣ｂａｓｅｄ ｍｕｌｔｉ￣ａｇｅｎｔ ｃｏｏｒｄｉｎａｔｉｏｎ ｆａｕｌｔ ｄｉａｇｎｏｓｉｓ ｆｏｒ ｃｏｍｐｌｅｘ ｓｙｓｔｅｍ[Ｊ]. Ｊｏｕｒｎａｌ ｏｆ Ｃｏｍｐｕｔｅｒ Ａｐｐｌｉｃａｔｉｏｎｓꎬ ２０１０ꎬ ３０(１１): ２９１６￣２９１９. [１２]ＸＩＡＮＧ Ｙａｎｇꎬ ＪＥＮＳＥＮ Ｆ Ｖꎬ ＣＨＥＮ Ｘｉａｏｙｕｎ. Ｉｎｆｅｒｅｎｃｅ ｉｎ ｍｕｌｔｉｐｌｙ ｓｅｃｔｉｏｎｅｄ Ｂａｙｅｓｉａｎ ｎｅｔｗｏｒｋｓ: ｍｅｔｈｏｄｓ ａｎｄ ｐｅｒ￣ ｆｏｒｍａｎｃｅ ｃｏｍｐａｒｉｓｏｎ[ Ｊ]. ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｓｙｓｔｅｍｓꎬ Ｍａｎꎬ ａｎｄ Ｃｙｂｅｒｎｅｔｉｃｓ—Ｐａｒｔ Ｂ: Ｃｙｂｅｒｎｅｔｉｃｓꎬ ２００６ꎬ ３６ (６): ５４６￣５５８. 作者简介: 郭文强ꎬ男ꎬ１９７１ 年生ꎬ副教授ꎬ硕 士生导师ꎬ主要研究方向为电子信息、 智能系统.参与国家自然科学基金项目 ２ 项ꎬ发表学术论文 １８ 篇ꎬ其中被 ＥＩ、 ＩＳＴＰ 检索 １１ 篇. 高晓光ꎬ女ꎬ１９５７ 年生ꎬ教授ꎬ博士 生导师ꎬ中国宇航学会光电技术专业委 员会委员ꎬ 享受国务院政府特殊津贴ꎬ 主要研究方向为先进控制理论及其在 国防科技预研项目、国家教委基金、国防预研基金、航空科学 基金及国家重点型号工程相关研究项目等 ３０ 余项.发表学 术论文 １００ 余篇ꎬ其中被 ＥＩ、ＩＳＴＰ 检索 ４０ 余. ２ｎｄ ｅｄ. Ｃａｍｂｒｉｄｇｅꎬ ＵＫ: Ｃａｍｂｒｉｄｇｅ Ｕｎｉｖｅｒｓｉｔｙ Ｐｒｅｓｓꎬ 级科研项目ꎬ发表学术论文 １２ 篇ꎬ其 要研究方向为智能控制.参与多项省 侯勇严ꎬ女ꎬ１９７２ 年生ꎬ副教授ꎬ主 部 中 被 ＥＩ、ＩＳＴＰ 检索 ６ 篇. ４５８ 智 能 系 统 学 报 第 ８ 卷 复杂系统中的应用.承担国家 ２１１项目 国家自然科学基金、国家“ ９７３”计划