论文部分内容阅读
机器学习在人工智能的研究中具有重要地位，一个不具有学习能力的智能系统很难称得上是一个真正的智能系统。传统的学习方法是基于理想环境下进行研究的，即数据是完整的，所含噪声极少，甚至没有。但在现实世界中环境是非确定性的，即数据中普遍含有噪声，存在大量的不完整数据。因此，如何让系统更好地在复杂的非确定性现实环境下进行学习，成为机器学习领域里的一个重要课题。
Agent是当今研究的热点，是分布式人工智能的主要研究内容。本文以机器人足球Robocup为试验平台，Robocup的运行环境充满噪声，完全动态。研究各球员agent在非确定性环境下的学习机制，目标是使agent的学习能力更强，适应性更好。本文研究了一种神经网络学习机制，提出了一种改进的归纳学习算法IC4.5，并用以上两种方法实现了Robocup的截球技术和传球判断技术。本文主要的研究工作及成果体现在以下几点：
1.分析了机器学习中的噪声问题，对BP神经网络的学习机制、决策树学习方法以及可能近似正确PAC学习模型进行了研究和分析，并给出NN和决策树中的容噪和数据不完整性的学习问题。
2.设计并实现了一个用于测试机器学习算法的仿真机器人足球赛Robocup实验平台。
3.本文在研究和分析了机器学习中的数据不完整性问题的基础上，提出了一种改进的决策树算法IC4.5算法。实验表明，该算法能够充分利用训练样本的不完整性，有效处理包含多余数据的样本。
4.本文采用分层学习机制，利用BP神经网络完成了Robocup的截球学习；利用改进的IC4.5算法实现了Robocup的传球判断学习。经实验表明，其效果很好。