基于多Agent系统和神经网络的路由选择策略

我国长信网的接通率为45%左右,链路的利用率也仅为30%～40%.据估计,接通率每提高一个百分点,收益可达10亿元,针对目前所使用的路由选择方法的不足,提出全新的基于多Agent系统和神经网络预测的路由选择策略,包括网络模型、选路过程、Agent内涵的刻划,并介绍了用递归神经网络进行预测的思想.仿真结果表明,其良好的分布性和智能预测能力使之优于其它方法.这为解决网络接通率低和负荷不平衡问题提供了良好途径.     

基于Agent图的三级多Agent系统组织模型

多Agent系统的组织结构是Agent个体之间交互的框架。对分布式多Agent系统的组织方式、协作机制进行了简要讨论,提出了Agent域及Agent图的概念。根据不同Agent之间的地理位置和通信代价,由Agent个体、Agent组及Agent域三级组织结构形成一个Agent图,并借鉴计算机网络的分布式自适应路由选择策略进行多Agent系统的协作组织。分析表明,该模型具有高效、健壮、通信开销较小等优点。     

基于多Agent的继电保护系统

多Agent技术是近年来分布式人工智能领域得到广泛应用,本文中阐述了基于多Agent系统(MAS)的继电保护系统的结构、特点,并就对其系统构架、通信、可靠性等问题做概要介绍.     

基于神经网络的Agent电子商务协商模型

提出一个在电子商务中能辅助用户网上采购的智能Agent协商模型,并对模型进行仿真实验,以验证模型的有效性。模型的构造基于BP神经网络,通过对用户的购物偏好训练学习,使Agent获得一组包含用户偏好特征的规则信息并作为协商过程中推理的依据;每次协商的结果都作为学习样本,以提高Agent对市场变化的适应能力。     

基于神经网络的Agent增强学习模型

在深入分析Agent决策过程中状态与行为空间的迁移与构造的基础上,设计了Agent基于强化学习的最优行为选择策略和Agent强化学习的神经网络模型与算法,并对算法的收敛性进行了证明。通过对多Agent电子商务系统．中Agent竞价行为的预测仿真实验,验证了基于神经网络的Agent强化学习算法具有良好的性能和行为逼近能力。     

基于改进BP神经网络的智能Agent分布式入侵检测系统

针对目前入侵检测技术存在问题.根据通用入侵检测框架CIDF,给出了一个基于改进BP神经网络的多Agent分布式入侵检测模型MAIDMBN(Multi-Agent Distributed Intrusion Detection Model Based on Improved BP Neural Network),该模型采用了异常检测与误用检测相结合和基改进BP算法的学习机制.MAIDMBN的实验结果表明在误报率、漏报率有一定的改善,系统能进行有效的检测.     

基于多Agent的搜索引擎设计研究

提出一个Internet搜索引擎解决方案,它使用基于多Agent的体系结构来实现信息收集过程的并行、分布式处理,较好地解决了大规模Internet信息收集和提高信息检索准确率的问题.在Agent设计上采用了插件式的Agent构造方法,通过提供移动Agent平台来减少网络资源占用并解决快速信息更新的问题.对其系统结构进行了具体描述,并对系统的扩展性方面也进行了简单介绍.     

基于多Agent系统的软件开发方法研究

面向Agent的软件工程近年来获得很多人的关注,其中MAS是一个重要的研究方向.到目前为止,已经出现了20多种MAS开发方法.本文对现有的主要方法进行了分类和总结,并利用三层次模型对常用的三类方法进行了比较,希望对读者有一定的借鉴作用.     

基于复用的多Agent系统开发及支持工具设计

基于软件复用的思想,提出了一个层次式多Agent系统开发方法。多Agent系统按抽象级别由低到高可分为遗留构件层、行为层、Agent层和Agent社会层,依次实现了功能级、能力级、自主级和社会级抽象。该方法的优点是可利用现有复用资源快速开发实现多Agent系统,提高多Agent系统的开发速度和效率。开发了一个工具集VAStudio来支持上述方法。在电力系统、电子拍卖等领域的初步应用表明该方法在效率和速度方面有显著优势。     

多Agent系统安全模式设计

设计了一种使用SPKI证书体系结构为基础的多Agent安全模式结构,保证了单个Agent活动的可验证性和不可抵赖性,并由此构建了一个以此安全铆为对象的多Agent系统安全模式结构。     

查找表与神经网络相结合的图像逆半调算法

为提高查找表逆半调算法中“未出现半调模式逆半调值”的估计精度,本文提出了基于IRN神经网络的逆半调逼近模型,通过分析、训练和优化确定了合适的IRN网络结构、隐层数、隐层节点数。实验结果表明,应用该算法训练、拟合出的查找表数据在逆半调重建图像的视觉效果及PSNR指标上表现良好,而且算法执行速度快、空间复杂度低。     

基于卷积神经网络的多人行为识别方法

为了解决多人行为识别中人物角色多且难以区分、图片增加的特征维数难以表达和学习以及行为背景复杂且容易产生干扰等问题,提出了一种基于卷积神经网络的多人行为识别方法。考虑到多人行为识别的复杂性,选择较为容易的两人交互行为作为研究对象,对实验中需要的图像数据库进行了初步的收集与预处理;然后选用在特征提取中不受拍摄角度、光照强度影响的Dense-sift算法来对原始图像进行初步的特征提取。由于人体行为图片相对手写数字图片更为复杂,因此为了使该网络能够很好地 识别 人体行为,针对该网络在其输入、网络层数、滤波器核数、学习率、输出等方面进行了修改。实验结果表明,提出的方法对拳击、拥抱、接吻3类交互行为的识别是有效的。     

一种基于神经网络的盲水印方法

该文提出一种在图像小波变换的低频系数中嵌入水印的方法,水印的提取是基于神经网络方法,而且不依靠原始输入图像。实验结果表明,该方法所实现的水印图像视觉效果好,且对常见的图像处理是稳健的。     

基于神经网络的Agent个性化行为选择

在基于效用的行为选择模型基础上对多Agent系统中个性建模问题进行研究。利用人工神经网络能够学习到人类难以理解的目标函数的特点,结合心理学中个性的五因素模型建立Agent个性神经网络,通过不同参数反映个性对效用变化的影响方式,具有更强的个性表征能力。设计梯度下降的学习算法训练Agent相应的个性神经网络。实验验证了该模型刻画Agent个性的有效性。     

一种基于多进化神经网络的分类方法

分类问题是目前数据挖掘和机器学习领域的重要内容.提出了一种基于多进化神经网络的分类方法CABEN(classification approach based on evolutionary neural networks).利用改进的进化策略和Levenberg-Marquardt方法对多个三层前馈神经网络同时进行训练.训练好各个分类模型以后,将待识别数据分别输入,最后根据绝对多数投票法决定最终分类结果.实验结果表明,该方法可以较好地进行数据分类,而且与传统的神经网络方法以及贝叶斯方法和决策树方法相比,在     

基于深度神经网络的关系抽取方法研究

关系抽取作为提取信息的有效技术之一,一直是机器学习中的一个重要任务。已有方法主要依赖大量的人工制作特征,近年来,随着深度神经网络的广泛应用,为关系抽取提供了一种新视角。围绕关系抽取任务,本文展开基于卷积神经网络(CNN)的关系抽取研究,在一个公开数据集上进行了系列CNN的实验对比,发现CR-CNN模型的性能最好,取得了84.1%的F1值。     

基于集成卷积神经网络的人脸年龄分类算法研究

人脸年龄估计由于在人机交互和安全控制等领域有潜在应用,因此得到了广泛关注。文中主要进行人脸年龄分组的研究,针对人脸年龄分类问题提出了一种基于集成卷积神经网络的年龄分类算法。首先,训练两个以人脸图像为输入的卷积神经网络,当用卷积神经网络直接提取人脸图像的特征时,主要对 深度的全局特征 进行提取。为了补充人脸图像的局部特征,尤其是纹理信息,将提取的LBP(Local Binary Pattern)特征作为另一个网络的输入。最后,为了结合人脸的全局特征和局部特征,将这3个网络进行集成。该算法在广泛使用的年龄分类数据集Group上取得了不错的效果。     

一种基于神经网络的畸变图像校正方法

由于摄像机获取的图像存在几何畸变，因此在对图像进行定量分析前，必须校正畸变。针对传统的畸变图像校正方法，其所建立的畸变数学模型，不仅求解畸变参数复杂、计算量大，且存在很大的数值计算误差的问题．提出了一种基于神经网络的畸变图像校正方法。该方法首先运用图像处理技术从一标准模板的畸变图像中提取样本，然后以样本像素坐标作为网络输入来对神经网络进行训练。由于该训练好的神经网络能够实现畸变图像与非畸变图像之间的映射关系，因此能达到校正图像畸变的目的。最后对该校正方法进行了实验，给出并分析了校正实验结果，校正效果令人满意，并已成功地用于焊接机器人视觉系统。     

基于跨连卷积神经网络的性别分类模型

为提高性别分类准确率, 在传统卷积神经网络(Convolutional neural network, CNN)的基础上, 提出一个跨连卷积神经网络(Cross-connected CNN, CCNN)模型. 该模型是一个9层的网络结构, 包含输入层、6个由卷积层和池化层交错构成的隐含层、全连接层和输出层, 其中允许第2个池化层跨过两个层直接与全连接层相连接. 在10个人脸数据集上的性别分类实验结果表明, 跨连卷积网络的准确率均不低于传统卷积网络.     

一种自适应构造神经网络的新方法

目前,神经网络在很多学科领域中得到广泛的应用,但是有些问题至今仍未能获得令人满意的解决方法,如何确定合适的网络结构便是其一。该文根据生物神经元状态变化导致人脑空间结构和状态变化这一原理,提出了一种自适应构造神经网络的新方法。该方法在学习过程中根据性能指标下降幅度来决定增加或减少隐含层节点数,从而起到结构优化的作用。仿真结果表明,该方法是可行的、有效的,为神经网络结构优化提供了一种新方法。