·90· 智能系统学报 第1卷 表示方法 创建 本文基于多Agent理论，提出的模式识别框架 2)借助分布式分类器，将模式识别划分成若干 APRF基本思想是统一微观层次的模式建模和宏观 子任务后分配给各个分类器，于是，可以从这种并行 层次的模式涌现，从整体的演化角度认识模式 性中获得真正的加速处理； 3)最适合问题的某部分的方法可能对问题的其 1传统模式识别的局限性 他部分不是最好的，虽然某个Agent提供一个错误 模式识别在给人们带来希望的同时也应看到， 答案或线索，但其他Agent却可能也提供正确答 由于问题本身的多样性和复杂性，现有的理论和方 案 法离实际要求还有相当距离，一些根本性的问题还 Agent计算是对专家系统、神经网络、面向对 有待进一步深入研究1 象、可视化计算、网络计算等技术的集成和发展.每 1)特征抽取问题.在理论上缺乏一种统一的能 个Agent有自己的控制线程，能够主动感知其他A- 适合各种问题的特征抽取手段，因而分类器的设计 gent的意图. 存在一定的盲目性 3 2)结构识别与统计模式识别的结合问题.有一 基于Agent的模式识别框架 些学者曾提出把统计法和结构法结合起来，但多数 APRF框架由一系列Agent组成，每个Agent 停留在分工组合上.尚没有一种把两者有机的融合 担任不同的角色，如图1所示 在一起的方法，没有有效的基元协作的机制.所以如 Pattern 何发挥结构识别的作用，研究的成果不多 Interecption 3)基于连续逻辑的模糊模式识别是用隶属度作 为模式之间相似度的度量，虽然能反映模式整体与 决策Agen 主要特性，有相当程度的抗干扰和畸变能力，但准确 合理的隶属度函数往往难以建立，所以，限制了它的 应用 H标Agent 4)基于神经网络的模式识别在许多场合得到了 知识库 知识 应用，但是需要较多的训练样本及训练时间，并且没 Agent 特征Agent 有充分的利用模式的先验知识 2 Agent理论在模式识别中的应用 观察Agent 为了设计有效的模式识别系统，传统的做法是 首先进行最优的特征提取，然后设计最优的分类器， Pattern 实际上，要达到这两个“最优”是非常困难的.近年 来，随着分布式计算和全球互联网技术的快速发 图1APRF框架 展，人工智能研究开始将研究重点转向Agent(智能 Fig.1 Frame of APRF 体)计算，研究人员试图通过Agent的研究，找到群 观察Agent的任务是最简单的，它们只记录外 体涌现机制的实现方法，克服单一体系的局限性.这 来信号的原始状态和模式的变化，相当于观察器.然 样既能降低对单分类器性能最优的苛刻要求，又能 后，特征Agent在模式上寻找某些特征：看看某种 较容易地得到高性能的识别系统，其中的道理也非 线条特征、角度特征…是否出现，目标Agent注 常简单，不同的Agent往往从不同的侧面认识输入 视着概念Agent的反应.每个目标Agent负责识别 模式，如果能让不同的Agent进行有效地协作，则 某种特定的模式.例如，一个目标Agent识别字母 对输入模式能得到更全面的认识，从而得到更高的 “A”,而另一个目标Agent识别字母“B”,如此类推， 识别性能.所以，APRF利用多Agent技术，通过A- 负责“A"的目标Agent努力寻找于“A”这个特定模 gent协作实现输入模式向参考模式的演化 式有关的特征Agent.目标Agent一旦找到一个合 在模式识别中，分布式的知识表示和推理是有 适的特征Agent,其能量就大增，找到的越多，能量 益的，主要基于如下原因61 就越大.最后决策Agent注意目标Agent的能量变 1)与集中式分类器比较，分布式分类器更容易 化，它把能量最大的Agent选出，作为模式的解释， 1994-2008 China Academic Journal Electronic Publishing House.All rights reserved.http://www.cnki.net表示方法. 本文基于多 Agent 理论 ,提出的模式识别框架 APRF 基本思想是统一微观层次的模式建模和宏观 层次的模式涌现 ,从整体的演化角度认识模式. 1 传统模式识别的局限性 模式识别在给人们带来希望的同时也应看到 , 由于问题本身的多样性和复杂性 ,现有的理论和方 法离实际要求还有相当距离 ,一些根本性的问题还 有待进一步深入研究[5 ] . 1) 特征抽取问题. 在理论上缺乏一种统一的能 适合各种问题的特征抽取手段 ,因而分类器的设计 存在一定的盲目性. 2) 结构识别与统计模式识别的结合问题. 有一 些学者曾提出把统计法和结构法结合起来 ,但多数 停留在分工组合上 ,尚没有一种把两者有机的融合 在一起的方法 ,没有有效的基元协作的机制. 所以如 何发挥结构识别的作用 ,研究的成果不多. 3) 基于连续逻辑的模糊模式识别是用隶属度作 为模式之间相似度的度量 ,虽然能反映模式整体与 主要特性 ,有相当程度的抗干扰和畸变能力 ,但准确 合理的隶属度函数往往难以建立 ,所以 ,限制了它的 应用. 4) 基于神经网络的模式识别在许多场合得到了 应用 ,但是需要较多的训练样本及训练时间 ,并且没 有充分的利用模式的先验知识. 2 Agent 理论在模式识别中的应用 为了设计有效的模式识别系统 ,传统的做法是 首先进行最优的特征提取 ,然后设计最优的分类器 , 实际上 ,要达到这两个“最优”是非常困难的. 近年 来 , 随着分布式计算和全球互联网技术的快速发 展 ,人工智能研究开始将研究重点转向 Agent (智能 体) 计算 ,研究人员试图通过 Agent 的研究 ,找到群 体涌现机制的实现方法 ,克服单一体系的局限性. 这 样既能降低对单分类器性能最优的苛刻要求 ,又能 较容易地得到高性能的识别系统. 其中的道理也非 常简单 ,不同的 Agent 往往从不同的侧面认识输入 模式 ,如果能让不同的 Agent 进行有效地协作 ,则 对输入模式能得到更全面的认识 ,从而得到更高的 识别性能. 所以 ,A PRF 利用多 Agent 技术 ,通过 A2 gent 协作实现输入模式向参考模式的演化. 在模式识别中 ,分布式的知识表示和推理是有 益的 ,主要基于如下原因[6 ] : 1) 与集中式分类器比较 ,分布式分类器更容易 创建 ; 2) 借助分布式分类器 ,将模式识别划分成若干 子任务后分配给各个分类器 ,于是 ,可以从这种并行 性中获得真正的加速处理 ; 3) 最适合问题的某部分的方法可能对问题的其 他部分不是最好的 ,虽然某个 Agent 提供一个错误 答案或线索 ,但其他 Agent 却可能也提供正确答 案. Agent 计算是对专家系统、神经网络、面向对 象、可视化计算、网络计算等技术的集成和发展. 每 个 Agent 有自己的控制线程 ,能够主动感知其他 A2 gent 的意图. 3 基于 Agent 的模式识别框架 APRF 框架由一系列 Agent 组成 ,每个 Agent 担任不同的角色 ,如图 1 所示. 图 1 APRF 框架 Fig. 1 Frame of APRF 观察 Agent 的任务是最简单的 ,它们只记录外 来信号的原始状态和模式的变化 ,相当于观察器. 然 后 ,特征 Agent 在模式上寻找某些特征 :看看某种 线条特征、角度特征 ……是否出现 ,目标 Agent 注 视着概念 Agent 的反应. 每个目标 Agent 负责识别 某种特定的模式. 例如 ,一个目标 Agent 识别字母 “A”,而另一个目标 Agent 识别字母“B”,如此类推. 负责“A”的目标 Agent 努力寻找于“A”这个特定模 式有关的特征 Agent. 目标 Agent 一旦找到一个合 适的特征 Agent ,其能量就大增 ,找到的越多 ,能量 就越大. 最后决策 Agent 注意目标 Agent 的能量变 化 ,它把能量最大的 Agent 选出 ,作为模式的解释 , · 09 · 智 能 系 统 学 报 第 1 卷