第2期 程显毅，等：基于多Aget的模式识别框 ·91· 决策Agent相当于分类器.这样一个过程是自下而 所具有，这个步骤相当于“聚类分析”； 上的，也叫数据驱动，因为此时，系统的一切的活动 2)记忆模式的差异特征，该特征反映该模式与 从到达的感知数据开始的，依次通过各级分析向前 同类模式的差别，是独一无二的 的，是按照某种逻辑进行的.对于数据驱动系统来 无疑，理解式记忆具有强的表达能力.作为联想 说，当在最底层输入数据之前，系统什么情况也不发 记忆的神经网络模型，无论是Hopfield模型还是 生，一旦有了输入数据，一切处理就直截了当，迅速 BP模型，实践表明对非常相似的样本或称为同类样 给出答案.所以，数据驱动缺乏灵活性 本都很难记忆.例如Hebb规则的Hopfield网络只 能记忆相互正交或近似正交的样本集，基于伪逆技 术的Hopfield网络只能记忆相互（线性）独立的样 本集.它们均要求样本间有较大的差别.尽管有些算 法能记忆相似的样本，但这些样本的吸引域一般来 说都很小.换句话说，网络对这些样本几乎无联想能 力.这些网络所实现的记忆是否是一种机械记忆这 是值得探讨的问题.人工神经元网络要实现理解式 的记忆，网络必须具备2种能力，即聚类分析与定性 特征分析能力.BP网络是一种前馈网络，Hopfield 网络是一种单层反馈网络，要求如此简单结构的网 络同时具有这2种能力是不现实的 将Agent用于模式内部建模工具，神经网络用 图2心脏MRI 于模式外部建模工具，给出了具有定性分析能力的 Fig.2 MRI of cardiac 模式表示框架(Agent influence map,AIM),它可以 可借的是模式识别并非如此简单.当我们什么 根据任何相似度对样本进行聚类，由神经网络实现 也不知道时，要想用数据驱动解释图2是非常困难 人类在求解复杂问题时所使用的定性推理， 的.当告诉你，这是一张心脏核磁共振切片图时，似 AIM的每个节点称为Agent,其状态值反映了 乎会加快整个解释过程，当你知道要看的是什么，就 Agent对环境的适应性，节点之间的连线标记的权 容易看到它，也就是客体可能的概念的知识有助于 重，称为Agent之间的影响度.影响度的改变采用 解释该客体，这种解释机制是自上而下的，或是概念 类似感知机的影射机制，状态值的改变采用并行的 驱动的，概念驱动从可能是什么概念开始，而后寻找 动力学演化策略 肯定的证据，使处理器倾向于给出预期的结果，概念 AM结构类似于神经网络，但和神经网络有着 驱动系统从某些方面看正是数据驱动的反面，人类 本质的区别：首先，神经网络中的神经元间的相互联 识别过程是需要概念驱动的.知识Agent的引入就 系和影响基本上是以固定的“有线连接”方式进行 是为了实现模式识别的概念驱动.知识Agent随机 的，而AM中的Aget之间的联系却是以一种变 地向观察Agent、特征Agent、目标Agent和决策 动的、可移动的“无线连接”方式实现的；其次，神经 Aget发出信号，帮助它们进行正确的统计和决策. 网络的神经元是没有思维和记忆的，而AM的节点 由Agent组成，Agent是有思维和记忆的，其状态用 4 模式表示 BDI(belief-desier-intention)刻画. 表示与记忆有关，所以首先分析人的记忆原理 最简单Agent可视示为规则.图3给出了短线 记忆方式决定表示的能力.孤立地、刻板地记忆 段对应的AM.它由4个Agent组成，R1,R2,R3 各个模式，是一种机械记忆.这种记忆获得的知识缺 等3个Agent是处理元，R0是全局Agent,是知识 乏相互间的联系，因而它所决定的联想品质是低劣 元，R0的状态值反映了线段的可信度.3个自由输 的.理解式记忆是把当前观察到的模式与已知模式 入端连接着特征Agent. 进行比较分析，加以类别归属，记忆该模式的一般特 如果全局Agent是另一个AIM中某个Agent 征；再将该模式与同类模式进行比较，记忆该模式的 的信念，则该全局节点就演变成处理元，两个AM 差异特征.可以将理解式记忆过程分为2个步骤： 组合成为更复杂的AM. 1)记忆模式的一般特征，这种特征为同类模式 线段距离是相对的，否则AM对图像的缩放敏 1994-2008 China Academic Journal Electronic Publishing House.All rights reserved.http://www.cnki.net决策 Agent 相当于分类器. 这样一个过程是自下而 上的 ,也叫数据驱动 ,因为此时 ,系统的一切的活动 从到达的感知数据开始的 ,依次通过各级分析向前 的 ,是按照某种逻辑进行的. 对于数据驱动系统来 说 ,当在最底层输入数据之前 ,系统什么情况也不发 生 ,一旦有了输入数据 ,一切处理就直截了当 ,迅速 给出答案. 所以 ,数据驱动缺乏灵活性. 图 2 心脏 MRI Fig. 2 MRI of cardiac 可惜的是模式识别并非如此简单. 当我们什么 也不知道时 ,要想用数据驱动解释图 2 是非常困难 的. 当告诉你 ,这是一张心脏核磁共振切片图时 ,似 乎会加快整个解释过程 ,当你知道要看的是什么 ,就 容易看到它 ,也就是客体可能的概念的知识有助于 解释该客体 ,这种解释机制是自上而下的 ,或是概念 驱动的 ,概念驱动从可能是什么概念开始 ,而后寻找 肯定的证据 ,使处理器倾向于给出预期的结果 ,概念 驱动系统从某些方面看正是数据驱动的反面 ,人类 识别过程是需要概念驱动的. 知识 Agent 的引入就 是为了实现模式识别的概念驱动. 知识 Agent 随机 地向观察 Agent 、特征 Agent 、目标 Agent 和决策 Agent 发出信号 ,帮助它们进行正确的统计和决策. 4 模式表示 表示与记忆有关 ,所以首先分析人的记忆原理. 记忆方式决定表示的能力. 孤立地、刻板地记忆 各个模式 ,是一种机械记忆. 这种记忆获得的知识缺 乏相互间的联系 ,因而它所决定的联想品质是低劣 的. 理解式记忆是把当前观察到的模式与已知模式 进行比较分析 ,加以类别归属 ,记忆该模式的一般特 征 ;再将该模式与同类模式进行比较 ,记忆该模式的 差异特征. 可以将理解式记忆过程分为 2 个步骤 : 1) 记忆模式的一般特征 ,这种特征为同类模式 所具有 ,这个步骤相当于“聚类分析”; 2) 记忆模式的差异特征 ,该特征反映该模式与 同类模式的差别 ,是独一无二的. 无疑 ,理解式记忆具有强的表达能力. 作为联想 记忆的神经网络模型 ,无论是 Hopfield 模型还是 BP 模型 ,实践表明对非常相似的样本或称为同类样 本都很难记忆. 例如 Hebb 规则的 Hopfield 网络只 能记忆相互正交或近似正交的样本集 ,基于伪逆技 术的 Hopfield 网络只能记忆相互 (线性) 独立的样 本集. 它们均要求样本间有较大的差别. 尽管有些算 法能记忆相似的样本 ,但这些样本的吸引域一般来 说都很小. 换句话说 ,网络对这些样本几乎无联想能 力. 这些网络所实现的记忆是否是一种机械记忆 这 是值得探讨的问题. 人工神经元网络要实现理解式 的记忆 ,网络必须具备 2 种能力 ,即聚类分析与定性 特征分析能力. BP 网络是一种前馈网络 , Hopfield 网络是一种单层反馈网络 ,要求如此简单结构的网 络同时具有这 2 种能力是不现实的. 将 Agent 用于模式内部建模工具 ,神经网络用 于模式外部建模工具 ,给出了具有定性分析能力的 模式表示框架(Agent influence map ,AIM) ,它可以 根据任何相似度对样本进行聚类 ,由神经网络实现 人类在求解复杂问题时所使用的定性推理. AIM 的每个节点称为 Agent ,其状态值反映了 Agent 对环境的适应性 ,节点之间的连线标记的权 重 ,称为 Agent 之间的影响度. 影响度的改变采用 类似感知机的影射机制 ,状态值的改变采用并行的 动力学演化策略. AIM 结构类似于神经网络 ,但和神经网络有着 本质的区别 :首先 ,神经网络中的神经元间的相互联 系和影响基本上是以固定的“有线连接”方式进行 的 ,而 A IM 中的 Agent 之间的联系却是以一种变 动的、可移动的“无线连接”方式实现的 ;其次 ,神经 网络的神经元是没有思维和记忆的 ,而 AIM 的节点 由 Agent 组成 ,Agent 是有思维和记忆的 ,其状态用 BDI(belief2desier2intention) 刻画. 最简单 Agent 可视示为规则. 图 3 给出了短线 段对应的 AIM. 它由 4 个 Agent 组成 , R1 , R2 , R3 等 3 个 Agent 是处理元 ,R0 是全局 Agent ,是知识 元 ,R0 的状态值反映了线段的可信度. 3 个自由输 入端连接着特征 Agent. 如果全局 Agent 是另一个 A IM 中某个 Agent 的信念 ,则该全局节点就演变成处理元 ,两个 AIM 组合成为更复杂的 AIM. 线段距离是相对的 ,否则 A IM 对图像的缩放敏 第 2 期 程显毅 ,等 :基于多 Agent 的模式识别框 · 19 ·