论文部分内容阅读
本文以粗糙集理论及其在移动机器人控制决策中的应用为研究背景，对基于粗糙集理论获取规则知识的不确定性问题、规则获取的关键技术以及规则知识在移动机器人实时视觉导航控制决策中的应用做了相关的研究。主要完成了以下几个方面的工作：
(1)对于高速移动机器人车道线跟踪问题中的规则知识获取，首先阐述了模糊逻辑系统的基本特点、工作原理和基本作法，分析了模糊规则知识获取过于依赖专家经验知识、对于每一个细节几乎都需要人工主观经验的参与、难以处理大数据集样本等方面的不足，进而阐述了粗糙集合理论的基本特点、基于粗糙集合理论的规则获取的关键技术和工作原理，为后续章节中经典粗糙集合模型的扩展及粗糙决策规则集的性能分析做好基础；
(2)在经典粗糙集理论及其一般扩展的可变精度粗糙集VPRS的基础上，提出了非均匀可变精度粗糙集模型k-VPRS。
设置一个一定范围的近似分类精度，可以提高规则知识获取中抗干扰的能力，VPRS模型中可变精度β的作用之一是在规则知识获取的结果中能够保护弱一致规则，而且当可能规则和确定性规则融合在一起时，可以提高整个规则集合的性能；我们在可变精度粗糙集模型VPRS的基础上提出的非均匀可变精度粗糙集模型k-VPRS，主要是针对不可区分关系下的诸等价类，对于不同基数的子集，允许的近似分类精度应该是一个变化的参数，这样做也反映了人类对于认识事物的基本特征和规律，通过对近似精度β进行动态调整和设置，从而可以更加灵活地获得好的规则集；
(3)论述了粗糙决策规则集的性能分析，在粗糙规则集不确定性的一般评价方法的基础上，本文引入了基于正区域和β近边界域的划分方式及其相应的信息熵评价准则。
粗糙决策规则集性能分析中的一般评价准则主要有准确度、覆盖度、近似度等，一般都是从某一个侧面反映规则集的不确定性，具有一定的局限性，本文分析了人工智能中不确定性问题的一般特点，总结了粗糙决策规则不确定性在两个方面的表现：不一致性和随机性。在此基础上，分析了规则集不确定性评价的几种方式，即近似度准则、基于可选属性子集划分的信息熵、基于正区域划分的信息熵准则，指出了各自的特点及其存在的局限性。最后提出了规则集近边界域的概念，并给出了基于规则集正区域和β近边界域的划分方式P(Rβ)及其信息熵评价准则Hβ。
(4)在介绍基于粗糙集规则获取关键技术的基础上，重点阐述了基于正区域和β近边界域调整的信息熵准则的属性选择遗传算法和规则获取遗传算法。在非均匀可变精度粗糙集模型k-VPRS的基础上，基于规则集正区域和β近边界域的划分方式P(Rβ)及其信息熵评价准则Hβ，给出了一个从数据样本中获取粗糙决策规则的算法和多属性集合中条件属性选择的算法。实验结果表明，该算法在不降低规则的分类决策能力的基础上不仅可以处理大数据集样本，对人工干预的依赖程度低，而且可以获得更加简捷的规则集；该算法已经在MATLAB5.3平台上调试运行。
(5)在面向高速公路的高速移动机器人基于视觉的车道线跟踪控制的规则知识获取方面的应用，通过实验，取得了较好的效果。本文详细地论述了如何建立面向高速公路的高速移动机器人控制与决策的知识表示系统，通过遗传算法对两个输入参数偏航角φ和侧位移Lc连续条件属性进行离散化的具体实现，从而建立一个在不可区分意义上的等价的知识表示系统。将获得的规则集应用于室外高速移动机器人基于视觉的车道线跟踪控制过程，实验结果表明，我们提出的基于粗糙集理论获取规则知识的方法具有良好的性能。