【技术实现步骤摘要】
本专利技术涉及多智能体协同技术，尤其涉及一种开放环境下基于不确定性量化的多智能体可信式协同目标识别方法。
技术介绍
1、神经网络作为一种强大的机器学习模型，已经在图像识别、自然语言处理、语音识别等领域取得了巨大成功。神经网络的核心优势在于其强大的特征提取和模式识别能力，这使得在目标识别领域中表现卓越。随着计算能力的提升和数据量的增加，神经网络模型变得更加深入和复杂，能够捕捉到更加细微和抽象的数据特征。目前，很多神经网络模型都是基于单个网络假设。然而，在现实世界的复杂环境中，单个模型往往难以独立应对所有情况。这就需要多模型协同工作，以提高整体系统的鲁棒性和准确性。
2、目标协同识别是典型多模型协同任务之一。相比于仅利用单个模型完成目标识别，通过多个模型协同完成识别有利于提升识别的鲁棒性与容错性从而保证模型对不同任务的适应能力。目标协同识别已在现实多个领域具有广泛应用需求。例如，在国防安全以及军事侦察领域，随着目标的体积小型化、行动敏捷、隐蔽化等趋势，传统单平台因侦察方位固定、角度单一、侦察能力有限、抗干扰及抗毁能力不强等因素而存在精度差、识别难等问题。因此，需要目标协同识别技术支持多智能平台以分布式的方式，从不同区域及方位对目标进行协同识别，并达成决策共识。
3、过去十年见证了多智能体协同技术的快速发展。多智能体协同技术通过支持多智能体间交互与协作从而将多个智能体组成一个“无形的”整体来完成复杂任务。目前已经积累了相当多的研究成果在多智能体协同领域。dong w提出了一个基于多智能体的信息协作计算框架。它讨
4、然而，现有目标协同识别技术尚不成熟，难以满足现实需求。主要表现在以下几个方面，其一是多模型决策融合智能程度偏低、可信度不强。例如基于固定权值的融合方式没有考虑不同任务、不同模型之间各决策的可靠性，不同任务下不同模型的决策无法通过合理的权值融合在一起；其二缺乏对开放场景的处理能力。现有的大多数协同识别框架和识别模型都是基于闭集识别的思想，但现实世界是开放的，识别任务将面临许多不属于训练集的目标。这些分布外目标在某些安全领域往往更有价值。但已有大部分目标协同识别技术框架和模型无法处理这些“分布外”样本，而是错误地将其识别为某一类已知样本，出现不可信的决策行为，这种行为在安全领域引起的代价是不可承受的。
技术实现思路
1、基于此，为解决现有技术所存在的不足，特提出了一种开放环境下基于不确定性量化的多智能体可信式协同目标识别方法。
2、一种开放环境下基于不确定性量化的多智能体可信式协同目标识别方法，其特征在于，包括：
3、s1、为开放环境下的多个智能体创建分布式通信网络，且每一智能体均独立加载有各自对应的目标识别模型；
4、s2、基于不确定性量化机制，通过各所述目标识别模型对待识别的任务进行目标识别，并获得各自对应的目标识别结果，所述目标识别结果至少包括：目标识别预测数据以及不确定度数据，该不确定度数据用于表征模型对于该目标识别预测数据的不确定程度即可信度；
5、s3、基于多智能体一致性机制，通过所述分布式通信网络所提供的通信路径，控制各智能体进行第一次全局信息交换，以通过第一次全局信息交换排除待识别的任务中的例外数据，其中参与第一次全局交互的信息为所述不确定度数据；
6、s4、基于多智能体一致性机制，通过所述分布式通信网络所提供的通信路径，控制各智能体进行第二次全局信息交换，以通过第二次全局信息交换获得最终的识别预测结果，其中参与第二次全局交互的信息为所述目标识别预测数据。
7、可选的，在其中一个实施例中，在s2中，通过不确定性量化机制即不确定度量化方法mc-dropout，改变目标识别模型的网络参数的后验分布形式，并对于同一输入数据进行多次检测以获得各所述目标识别模型对待识别的任务进行目标识别的目标识别结果，所述目标识别结果至少包括：目标识别预测数据以及不确定度数据，该不确定度数据用于表征模型对于该目标识别预测数据的不确定程度即可信度；目标识别预测数据为该目标识别模型对于不同识别类别所对应的概率分布数据。
8、可选的，在其中一个实施例中，s2中还给出如下假定条件，其包括：
9、假定每个识别模型mi，该识别模型mi的识别能力即能够识别出q类目标，其对应的输入数据xi，识别网络参数为则对于输入数据xi，测试h次，每一次测试对应的输出数据为(1x q)向量，且对应的符号函数为h∈(1，2，…，h)，则最终的目标识别结果为目标识别预测数据以及不确定度数据，目标识别预测数据为对xi的预测类概率分布e(yi)；不确定度数据var(yi)为预测方差即表示对于该推断的不确定性度量；通过上述不确定性量化机制即可获得各个识别类别对应的概率分布情况以及不确定性度对应的结果，表示为ci＝{e(yi),var(yi)}。
10、可选的，在其中一个实施例中，s3的具体步骤包括：
11、s31、设置全局信息交换约束条件并进行初始化；
12、所述设置全局信息交换约束条件具体是指设置通信起始节点t0以及节点间完成全局交流的次数n，进而控制多智能体间信息交流的时间；
13、进行初始化具体是指设置用于存储每个交流时间点上各多智能体的状态解的数组a并进行初始化；
14、s32、形成每个智能体对应的交流特征向量，并通过所述分布式通信网络所提供的通信路径，控制各智能体进行第一次全局信息交换即将本地的交流特征向量向邻居节点发送并接收邻居节点发送的交流特征向量，进而得到第一次全局信息交换后的不确定度融合结果所述第一次全局信息交换中每个智能体与各自对应的邻居节点进行n次信息交换且在每一次信息交换过程中均使用一致性算法计算出各智能体在每一次交换后的交流结果即不确定度；
15、其中，所述交流特征向量用于表征各智能体对应的第一初始状态，该特征向量的元素为目标识别模型mi所获得各自初步的预测结果ci中的不确定度；即该不确定度被设置为表征智能体的初始状态的参数；
16、随后在形成每个智能本文档来自技高网...
【技术保护点】
1.一种开放环境下基于不确定性量化的多智能体可信式协同目标识别方法，其特征在于，包括：
2.根据权利要求1所述的开放环境下基于不确定性量化的多智能体可信式协同目标识别方法，其特征在于，在S2中，通过不确定性量化机制即不确定度量化方法MC-dropout，改变目标识别模型的网络参数的后验分布形式，并对于同一输入数据进行多次检测以获得各所述目标识别模型对待识别的任务进行目标识别的目标识别结果，所述目标识别结果至少包括：目标识别预测数据以及不确定度数据，该不确定度数据用于表征模型对于该目标识别预测数据的不确定程度即可信度；目标识别预测数据为该目标识别模型对于不同识别类别所对应的概率分布数据。
3.根据权利要求2所述的开放环境下基于不确定性量化的多智能体可信式协同目标识别方法，其特征在于，
4.根据权利要求1所述的开放环境下基于不确定性量化的多智能体可信式协同目标识别方法，其特征在于，S3的具体步骤包括：
5.根据权利要求4所述的开放环境下基于不确定性量化的多智能体可信式协同目标识别方法，其特征在于，S4的具体步骤包括：
6.根
...【技术特征摘要】
1.一种开放环境下基于不确定性量化的多智能体可信式协同目标识别方法，其特征在于，包括：
2.根据权利要求1所述的开放环境下基于不确定性量化的多智能体可信式协同目标识别方法，其特征在于，在s2中，通过不确定性量化机制即不确定度量化方法mc-dropout，改变目标识别模型的网络参数的后验分布形式，并对于同一输入数据进行多次检测以获得各所述目标识别模型对待识别的任务进行目标识别的目标识别结果，所述目标识别结果至少包括：目标识别预测数据以及不确定度数据，该不确定度数据用于表征模型对于该目标识别预测数据的不确定程度即可信度；目标识别预测数据为该目标识别模型对于不同识别类别所对应...
【专利技术属性】
技术研发人员：隋金坪，王义涛，史红权，陈行军，史明威，闫宇轩，
申请(专利权)人：中国人民解放军海军大连舰艇学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。