| 【中文题名】 | 基于MAS的多分类器融合研究及其在RoboCup2D中的应用 |
| 【英文题名】 | The Research of Classifier Fusion Based on Multi-Agent System and Application in RoboCup2D |
| 【学科专业】 | 模式识别与智能系统 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2007-10-9 |
| 【中关键词】 | 分类器融合,多agent系统,协作,RoboCup,角色,CFBMAS |
| 【英关键词】 | classifier combination,multi-agent system,cooperation,RoboCup,role,CFBMAS, |
| 【分类导航】 | 工业技术>自动化技术、计算机技术>自动化技术及设备>机器人技术>机器人> |
| 【论文摘要】 |
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... |
| 【论文题纲】 |
|
摘要 |
5-6 |
|
ABSTRACT |
6-10 |
|
第一章 绪论 |
10-13 |
|
1.1 问题的提出 |
10 |
|
1.2 研究的内容和意义 |
10-11 |
|
1.3 本文的主要工作 |
11-12 |
|
1.4 论文的组织结构 |
12-13 |
|
第二章 多分类器融合研究进展 |
13-21 |
|
2.1 信息融合与多分类器融合 |
13-14 |
|
2.2 成员分类器的生成 |
14-15 |
|
2.3 融合算法 |
15-17 |
|
2.4 多分类器的组合方式 |
17-18 |
|
2.5 多分类器融合存在的问题 |
18-19 |
|
2.6 本章小节 |
19-21 |
|
第三章 MAS 协作系统的研究进展 |
21-31 |
|
3.1 多 agent 理论 |
21-24 |
|
3.1.1 agent的概念 |
21-22 |
|
3.1.2 agent 的结构 |
22-24 |
|
3.1.3 多 agent 系统 |
24 |
|
3.2 多 agent 协作 |
24-30 |
|
3.2.1 协作原理 |
24-25 |
|
3.2.2 协作模型 |
25-29 |
|
3.2.3 协作模型分析 |
29-30 |
|
3.3 本章小节 |
30-31 |
|
第四章 CFBMAS 的设计 |
31-39 |
|
4.1 CFBMAS 星型模型 |
31-36 |
|
4.1.1 模型的结构及工作原理 |
31-33 |
|
4.1.2 角色的概念 |
33-35 |
|
4.1.3 角色的表示 |
35-36 |
|
4.2 CFBMAS 分类器 agent 的设计 |
36-38 |
|
4.2.1 基于角色的成员分类器 agent 的设计 |
36-37 |
|
4.2.2 基于协作的融合器 agent 的设计 |
37-38 |
|
4.3 本章小节 |
38-39 |
|
第五章 CFBMAS 模型在 RoboCup2D 中的应用 |
39-57 |
|
5.1 RoboCup2D 仿真比赛系统 |
39-41 |
|
5.1.1 RoboCup 简介 |
39 |
|
5.1.2 RoboCup2D 仿真环境 |
39-41 |
|
5.2 可视化球队分析工具的设计 |
41 |
|
5.3 球队失误识别系统的设计 |
41-46 |
|
5.3.1 星型分类器系统结构的设计 |
41-42 |
|
5.3.2 成员分类器 agent 的设计 |
42 |
|
5.3.3 融合 agent 的通信机制 |
42-45 |
|
5.3.4 融合算法描述 |
45-46 |
|
5.4 agent 角色的转换 |
46-47 |
|
5.5 任务的分解与分配 |
47-48 |
|
5.6 实验 |
48-56 |
|
5.6.1 数据集的获得 |
48-49 |
|
5.6.2 样本集的划分 |
49 |
|
5.6.3 实验目标 |
49-51 |
|
5.6.4 分类器的设计 |
51 |
|
5.6.5 用于比较的融合方法 |
51-52 |
|
5.6.6 实验结果 |
52-54 |
|
5.6.7 实验结果分析 |
54-56 |
|
5.7 本章小节 |
56-57 |
|
第六章 结论与展望 |
57-59 |
|
6.1 工作总结 |
57 |
|
6.2 下一步工作展望 |
57-59 |
|
致谢 |
59-60 |
|
参考文献 |
60-63 |
|
发表论文和主持课题情况 |
63 |
|
| 【DOI】 | LunWen.ID:2.2008.385612 |
