基于TBM模型的多Agent决策融合方法

多Agent系统存在的动态特性使证据推理中的可传递置信模型（TBM）能够有效地处理动态环境的证据推理。在分析和研究可传递置信模型算法的基础上,提出一种基于证据推理TBM模型的多Agent决策融合方法,构建多Agent决策融合系统的框架模型,分析该系统的信息更新、合成算法及决策制定算法。利用SimuroSot作为仿真平台,将该方法应用于判断对手的队形和策略,得到了较满意的结果。     

基于可传递置信模型的模拟电路融合诊断方法研究

本文提出了一种有效的基于可转移置信模型的模拟电路故障融合诊断方法,解决模拟电路诊断中故障特征信息缺乏和决策融合中异质信息不相容等问题。该法首先采用所提出的电路温度故障信息的提取规则,将获得的温度故障信息输入隶属度函数进行故障预识别,再结合基于可测点电压神经网络故障预识别结果,利用可传递置信模型进行电路融合诊断。通过具体电路实验仿真,表明了该方法的有效性,提高了模拟电路融合诊断准确率。     

基于智能体的机器人模型与决策

自重构机器人是一种具有重构功能的自主机器人,机器人可以组成一个团队,团队成员可以通过舍作完成的复杂作业,可以通过重构提高团队的越障能力。为解决自重构鲤器人团队中机器人的实时控制问题,基于多智能体技术,建立了机器人的智能体模型与决策机制。实验表明,该方法既能够满足机器人实时性的要求,又能够实现多机器人协调、合作。     

基于足球机器人决策系统的协作模型

运用多智能体系统的思想,提出了一种多智能体协作控制模型,通过对多智能体的规划提高了足球机器人系统决策系统的连贯性,系统利用改进的黑板结构有效地解决了角色分配及通信问题。通过实例分析了模型及其策略在系统协作控制方面的实用性。     

基于人工生命行为选择的智能体决策的研究

人工生命行为选择是人工生命研究领域的重要问题之一,智能体作为人工生命体的一种形式,决策系统相当于是智能体的“大脑”。文章以足球机器人作为智能体的研究原型,分析了机器人足球决策系统的现状,根据仿人智能控制思想和人工生命行为选择模型,建立了基于人工生命的智能体决策系统,并借助机器人足球比赛这样一个标准任务平台,投入实际比赛中,证明结果是可行的和有效的。     

基于多智能体的信息融合系统

论文概述了智能体理论及其在信息融合方面的研究情况,总结了多智能体信息融合的基本方法,基于JADE平台,设计并实现了一种多智能体信息融合系统.     

一种考虑等级语义关联的证据推理决策方法

现有证据推理方法以证据理论为信息融合规则,并未考虑评估等级在语义上的关联关系,导致以正交求和方式进行信息融合时出现信息流失现象。从评估等级的语义和级别出发,提出一种基于等级语义关联的证据分类融合方法。基于新的证据融合模型,构建一个基于改进证据推理方法的多属性决策框架,并给出决策模型和决策流程。最后,通过一个案例演示了新方法的决策过程,并通过比较新旧方法在案例上的应用分析了新方法的特点。     

基于实例推理系统的多智能体模型研究

1 引言基于实例的推理(Case-Based Reasoning-CBR)是一种利用以往求解类似问题的以实例形式表示的经验知识进行的推理,以获得当前问题求解的结果。一般来说,CBR的推理过程包括问题特征的抽取、相应实例检索、实例的改写与调整、方案的评价和新实例的存贮等基本步骤。传统的CBR专家系统     

基于信息融合的多智能体协作方法的研究与应用

将信息融合技术运用到多智能体系统中,利用信息融合方法对智能体得到的在空间上分布的其他智能体感知的局部信息进行融合,得到较完整的态势评估,以此来规划和协调多智能体系统的协作行为,提出了一种基于信息融合的多智能体协作方法。将该方法应用在机器人救援仿真系统中,结果表明该方法能够实现全局上的任务分解策略,有效提高了智能体协作能力。     

Applying a belief rule-base inference methodology to a guideline-based clinical decision support system

Abstract: A critical issue in the clinical decision support system (CDSS) research area is how to represent and reason with both uncertain medical domain knowledge and clinical symptoms to arrive at accurate conclusions. Although a number of methods and tools have been developed in the past two decades for modelling clinical guidelines, few of those modelling methods have capabilities of handling the uncertainties that exist in almost every stage of a clinical decision-making process. This paper describes how to apply a recently developed generic rule-base inference methodology using the evidential reasoning approach (RIMER) to model clinical guidelines and the clinical inference process in a CDSS. In RIMER, a rule base is designed with belief degrees embedded in all possible consequents of a rule. Such a rule base is capable of capturing vagueness, incompleteness and non-linear causal relationships, while traditional IF–THEN rules can be represented as a special case. Inference in such a rule base is implemented using the evidential reasoning approach which has the capability of handling different types and degrees of uncertainty in both medical domain knowledge and clinical symptoms. A case study demonstrates that employing RIMER in developing a guideline-based CDSS is a valid novel approach.     

可拓学理论在信息融合中的应用研究

基本概率分配函数的选取是实际应用D-S证据推理的信息融合算法的难题之一。探讨了可拓集理论和关联函数的本质,提出对关联函数进行归一化处理,并以归一化后的数据作为证据体对分类命题的可信度分配,利用Dempster组合规则生成总体可信度分配,实现多源信息的融合。仿真计算结果表明,该算法是可靠的和有效的。     

TOPSIS with belief structure for group belief multiple criteria decision making

The technique for order performance by similarity to ideal solution(TOPSIS)is one of the major techniques in dealing with multiple criteria decision making(MCDM)problems, and the belief structure(BS)model has been used successfully for uncertain MCDM with incompleteness, impreciseness or ignorance. In this paper, the TOPSIS method with BS model is proposed to solve group belief MCDM problems. Firstly, the group belief MCDM problem is structured as a belief decision matrix in which the judgments of each decision maker are described as BS models, and then the evidential reasoning approach is used for aggregating the multiple decision makers' judgments. Subsequently, the positive and negative ideal belief solutions are defined with the principle of TOPSIS. To measure the separation from ideal solutions, the concept and algorithm of belief distance measure are defined, which can be used for comparing the difference between BS models. Finally, the relative closeness and ranking index are calculated for ranking the alternatives. A numerical example is given to illustrate the proposed method.     

基于SVM的信息融合新方法*

利用SVM对大规模数据进行训练时,需要占用很大的内存空间,甚至会因内存不够而无法训练。为此,提出了将大规模数据分块求解,然后将分块求解的结果进行信息融合的新方法。首先训练得到各模块的支持向量,将所有支持向量进行融合,得到决策模型和一组支持向量。当有新的数据加入时,将其作为一个子模块,训练得到该模块的支持向量,与原模型中获得的支持向量进行融合,训练得到新的决策模型。利用KDDCUP99数据进行实验,结果表明该方法的测试精度与在所有数据集上训练的精度相当,花费时间少,适用于增量学习。     

基于案例推理的交通疏导辅助决策方法

为避免实际交通疏导问题中人为主观因素的影响,将案例推理理论应用于交通疏导决策中,提出一种基于案例推理的交通疏导决策方法,建立交通疏导案例库模型。区分属性数据类型,设计基于ID 3信息熵的案例相似度算法,案例匹配时可以兼顾特征属性与案例效果,避免传统算法中属性值缺失的问题。实例验证了该方法能够提高案例推理结果的准确度,对辅助处理交通疏导问题具有一定实际指导意义。     

局部均匀模式描述和双加权融合的人脸识别

目的 针对LBP算法对边缘及噪声信息比较敏感,提出一种统一化的局部均值模式(ULMP)描述算子。考虑到全局和局部特征在识别上的互补性,提出一种ULMP描述和双加权融合的人脸识别方法。方法 首先利用ULMP算法获得整幅图像的编码图,接着将其分块,统计每一子块的直方图获得局部纹理特征,并结合BP神经网络得到局部分类结果。引入云模型求取不同子块的权值,对局部分类结果进行加权融合。整体纹理特征的获取是将不同子块的直方图特征串联。在得到全局和局部的分类结果后,将两者加权集成,获得最终的识别结果。结果 在ORL和Yale人脸库上进行实验,ULMP具有很好的识别性能。5幅测试样本时,在ORL库上取得了95.9%的平均识别率,分别比局部二值模式(LBP)、MCT、局部方向模式(LGP)、统一的LBP(ULBP)和局部中心二值模式(CSLBP)高11.3%、10.6%、9.5%、8.9%和3.9%;在Yale库上取得了97.4%的识别率,分别比LBP、MCT、LGP、ULBP和CSLBP高19.9%、17.7%、10.7%和0.7%。在ORL和Yale人脸库上,本文提出的双加权融合模式分别取得了98.5%和98.34%的平均识别率,高于任何单一模块。结论 本文提出的纹理提取算法ULMP,具有很好的平滑噪声及边缘信息的作用,适用于面部纹理特征的提取。利用云模型求取的权值的方法能够较好地发挥局部分类器间的集成作用,最终有效地提高了系统的整体性能。双加权融合模式是一种精确且有效的人脸识别方法,适用于静态人脸图像的匹配识别。     

信息双向融合的机器人协同导航方法

根据双足机器人足部惯性导航系统与轮式机器人航位递推/同步定位与建图(SLAM)导航系统不同的误差发散特性构建信息双向融合滤波器,即利用双足机器人导航系统中的误差零速修正(ZUPT)方法减少轮式机器人导航系统误差,并利用轮式机器人导航系统中的SLAM算法在一定环境条件下修正双足机器人的定位误差,从而同步提高两类机器人导航系统的定位与航向精度.实验结果表明:导航系统定位误差约为行进距离的2.3％,在室内等卫星导航系统失效的环境中可有效提高机器人群体导航系统的综合导航性能.     

基于深度神经决策森林的体域网数据融合方法

针对体域网的多传感器数据采集过程中存在的数据冗余大、特征信息模糊问题,提出了一种基于深度神经决策森林（DNDF）的数据融合方法。首先根据目标任务的实际需求,使用卷积神经网络进行相关特征提取,再将决策树放置到全连接层之后进行精细化数据分类。通过使用DNDF方法,不仅能够有效提取多维数据的关键特征,而且能够较好地兼顾数据间的关联性。实验以AReM数据集作为实验样本,结果表明,DNDF方法相对其他传统算法具有更好的分类准确率,分类准确率达到了96.5%。     

On the combination and normalization of interval-valued belief structures

This paper investigates the issues of combination and normalization of interval-valued belief structures within the framework of Dempster-Shafer theory (DST) of evidence. Existing approaches are reviewed, examined and critically analysed. They either ignore the normalization or separate it from the combination process, leading to irrational or suboptimal interval-valued belief structures. A new logically correct optimality approach is developed, where the combination and the normalization are optimised together rather than separately. Numerical examples are provided throughout the paper.