论文部分内容阅读
分类器性能的提高一直是模式识别研究中很重要的问题，但由于各种原因，得到较好的分类器是一件困难的事情。传统的模式识别系统通常仅使用样本的某一特征或少量特征进行分类，这种系统对于类别数较大、输入样本带噪声的问题很难获得好的分类结果。近来发现不同的分类器在分类性能上存在着彼此互补的现象，因此对于多个分类器的结果进行组合可以提高分类的精确性。但是，目前对分类器组合的研究主要集中在分类器的选择和融合算法上，现有的方法仍然存在着由于特征提取不全面而导致的分类不准确的缺点，而且在复杂动态环境中，还很少有适合的分类器算法实现动态目标的识别。本文设计了一种基于多agent系统的分类器融合模型(Classifier FusionBased on Multi-Agent System，简称CFBMAS)，利用多agent系统的合作和资源共享的特性，达到在复杂动态环境中能够实现分类的目的，解决了在动态复杂环境中，单分类器由于信息不全面而导致的识别率低的缺点。在CFBMAS中，基于角色的成员分类器agent把收集的特征信息加以处理，传送给“融合agent”，后者根据角色选择关键的分类信息，最终采用融合算法得到分类结果。采用基于角色的agent管理方式，体现了agent的功能性和自治能力。每个agent的角色不是固定不变的，而是依照环境和自身状态的改变而改变的，“能力”是角色改变的一个参量，为融合agent提供决策依据。本文把CFBMAS算法应用在球员动作失误识别中，在RoboCup仿真组的球队的比赛过程中，能够自动识别球员的传球、接球、截球和射门等动作中的缺点，从而有针对性的提出修改对策，提高了球队的调试效率。本文主要创新点如下：(1)提出了星型CFBMAS模型。(2)给出了在动态环境中，CFBMAS算法。(3)将CFBMAS算法用于Robocup2D的失误识别中。