一种基于MSBN的多智能体协同目标识别方法

摘要

本发明公开了一种基于MSBN的多智能体协同目标识别方法，将多智能体系统的各智能体视为多连片贝叶斯网络的一个BN子网，用以解决准确目标识别问题。以目标识别类型节点为重叠子域，BN子网构建为MSBN，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。本发明在提高系统识别能力的同时，增强了系统的实时性，可大大提高识别目标的速度和精度。

主权项

1.一种基于MSBN的多智能体协同目标识别方法，其特征在于包括下述步骤：第1步：设置目标识别信度阈值参数θ^*；确定智能体个数n；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；第3步：建模判断，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；第4步：对第j个智能体用目标类型作为父节点S_j，1≤j≤n，S_j有m个待识别类别，以其q个目标特征数据作为子节点，用有向边分别连接父节点和各个子节点，建立n个独立的BN子网结构；第5步：用有向边将n个BN子网的父节点单向连接，构建得到MSBN；第6步：利用Xiang的链树法将MSBN构建成链化连接森林；第7步：各BN子网模型中，输入各自的目标特征数据作为观测证据，利用连接树算法进行信度推理，从而完成n个子BN的目标识别类型节点S_j信度θ_j更新；第8步：基于第7步获得的θ_j更新，利用信度通信算法完成MSBN网内的全局推理，更新MSBN模型目标识别类型节点S_j信度θ_j；第9步：计算目标识别信度，其中：w_j为加权系数，0＜w_j＜1且$\underset{j}{\Sigma }{w}_j=1;$第10步：若θ＞θ^*，计算目标识别类型节点x_s的目标类型$x_s^{*}=\underset{j=1}{\overset{n}{\Sigma }}(w_j·\underset{l}{\arg \max }(P\left(x_s^{j,l}\right|x_E^{j,1},x_E^{j,2},···,x_E^{j,q})),$输出结果，目标识别过程停止；否则，继续通过传感器系统捕获目标特征数据观测目标，并返回第2步；其中为第j个智能体的第q个目标特征数据，1≤j≤n，1≤q≤i，为第j个智能体目标识别类型节点S_j取值为l的事件，1≤l≤m。