基于模糊小波神经网络的BDI模型

论文摘要

基于模态逻辑描述Agent信念、愿望和意图的BDI模型主要采用符号逻辑进行推理,可计算性差,且不能处理模糊问题,如果直接使用模糊神经网络实现BDI模型有望能够解决上述问题,但是,模糊神经网络的隶属函数依然无法修改,在BDI这样高度非线性模型的学习中,也有一定的局限性。本文采用模糊小波神经网络实现了BDI模型,使得Agent的心智活动过程不用通过复杂的符号推理而是直接通过神经计算即可实现,克服了符号推理可计算性差及不易于处理模糊问题的不足,并且通过小波基隶属函数的动态调整增强了神经网络的学习效率和非线性处理能力。论文详细给出了模糊小波神经网络BDI模型的拓扑结构和学习算法,探讨了模型的初始化问题,并对其泛化能力进行了分析,最后将该模型应用在追逃问题中,进行了仿真实验,实验结果验证了该模型的可行性。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题背景
• 1.2 论文主要研究内容
• 1.3 论文研究方案
• 1.4 论文组织结构
• 第2章 BDI模型研究现状分析
• 2.1 引言
• 2.2 Agent的基本理论
• 2.2.1 Agent的概念及特性
• 2.2.2 Agent的分类
• 2.3 Agent的心智模型
• 2.3.1 心智模型概述
• 2.3.2 Agent心智模型
• 2.4 本章小结
• 第3章 相关理论基础
• 3.1 引言
• 3.2 模糊系统理论基础
• 3.2.1 模糊集合
• 3.2.2 模糊隶属函数
• 3.2.3 模糊推理
• 3.2.4 解模糊化
• 3.3 小波分析理论基础
• 3.3.1 小波母函数
• 3.3.2 小波变换及常见的小波
• 3.4 人工神经网络理论基础
• 3.5 本章小结
• 第4章 基于模糊小波神经网络的BDI模型
• 4.1 引言
• 4.2 基于模糊小波神经网络的BDI模型的构建
• 4.3 FWNN-BDI模型的网络结构设计
• 4.3.1 模糊推理系统选型
• 4.3.2 FWNN-BDI模型的网络结构
• 4.4 FWNN-BDI模型的初始化
• 4.5 FWNN-BDI模型的学习算法
• 4.6 FWNN-BDI模型的泛化能力分析
• 4.7 本章小结
• 第5章 FWNN-BDI模型在追逃问题中的应用
• 5.1 引言
• 5.2 追逃问题概述
• 5.3 仿真实验概述
• 5.4 仿真实验具体步骤
• 5.5 仿真实验结果及相关分析
• 5.6 本章小结
• 结论
• 参考文献
• 攻读硕士期间发表学术论文和取得的科研成果
• 致谢
• 附录