توضیحات
ABSTRACT
As a powerful paradigm for knowledge representation and a simulation mechanism applicable to numerous research and application fields, Fuzzy Cognitive Maps (FCMs) have attracted a great deal of attention from various research communities. However, the traditional FCMs do not provide efficient methods to determine the states of the investigated system and to quantify causalities which are the very foundation of the FCM theory. Therefore in many cases, constructing FCMs for complex causal systems greatly depends on expert knowledge. The manually developed models have a substantial shortcoming due to model subjectivity and difficulties with accessing its reliability. In this paper ,we propose a fuzzy neural network to enhance the learning ability of FCMs so that the automatic determination of membership functions and quantification of causalities can be incorporated with the inference mechanism of conventional FCMs. In this manner, FCM models of the investigated systems can be automatically constructed from data, and therefore are independent of the experts. Furthermore, we employ mutual subsethood to define and describe the causalities in FCMs. It provides more explicit interpretation for causalities in FCMs and makes the inference process easier to understand. To validate the performance, the proposed approach is tested in predicting chaotic time series. The simulation studies show the effectiveness of the proposed approach.
INTRODUCTION
Since the pioneering work of Kosko (1986), fuzzy cognitive maps (FCMs) have attracted a great deal of attention from various research communities. As a modeling methodology for complex systems, FCMs model the investigated causal system as a collection of concepts and causal relations among concepts, which originate from the combination of fuzzy logic and neural networks. Intuitively, a FCM is a signed directed graph with feedback, which consists of a collection of nodes and directed weighted arcs interconnecting nodes. Fig. 1 gives the graphical representation of a FCM and its neural network structure. In FCMs, nodes represent the concepts with semantic meaning that are abstracted from the investigated systems. The state of a concept is characterized by a number xi in the interval [0, 1] or in the interval. Accordingly, the behavior of an investigated system at time point t is expressed by a vector X(t) = (x1(t), . . . , xN(t)) where N denotes the number of concepts. In addition, the directed arcs interconnecting nodes represent the causal–effect relationships (causalities) among the different concepts.
چکیده
به عنوان یک پارادایم قدرتمندی برای ارائه دانش و یک مکانیزم شبیه سازی برای زمینه های تحقیق و کاربرد متعدد، نقشه های شناختی فازی (FCMs) توجه زیادی را از جوامع مختلف تحقیق جلب کرده اند. با این حال، FCM های سنتی روش های کارآمد را برای تعیین وضعیت سیستم مورد بررسی ارائه نمی دهند و برای ارزیابی مقادیری که بسیار پایه ای از نظریه FCM هستند، ارائه نمی شود. بنابراین در بسیاری از موارد، ساخت FCM ها برای سیستم های پیچیده علمی تا حد زیادی به دانش تخصصی بستگی دارد. مدل های دستکاری شده به علت قابلیت ذاتی و مشکلات دسترسی به قابلیت اطمینان آن، نقایص قابل ملاحظه ای دارند. در این مقاله، ما یک شبکه عصبی فازی پیشنهاد می کنیم تا توانایی یادگیری FCM ها را افزایش دهیم به طوری که تعیین خودکار توابع عضویت و اندازه گیری مقادیر اقلام می تواند با مکانیسم استنباط FCM های معمولی ترکیب شود. به این ترتیب، مدل های FCM سیستم های مورد بررسی می تواند به صورت خودکار از داده ها ساخته شود و از این رو مستقل از کارشناسان است. علاوه بر این، ما از متقاضی متقابل برای تعریف و توصیف اشیاء در FCM استفاده می کنیم. این روش تفسیر صریح تر را برای علیت ها در FCM فراهم می کند و فرایند استنتاج را آسان تر درک می کند. برای تأیید عملکرد، رویکرد پیشنهادی در پیشبینی سریهای زمانی هرج و مرج آزمایش شده است. مطالعات شبیه سازی اثربخشی رویکرد پیشنهادی را نشان می دهد.
مقدمه
از آنجا که کار پیشگام کوشکو (1986)، نقشه های شناختی فازی (FCMs) توجه زیادی را از جوامع تحقیقاتی مختلف به خود جلب کرده است. به عنوان یک روش مدل سازی برای سیستم های پیچیده، FCM ها سیستم علی مورد بررسی را به عنوان مجموعه ای از مفاهیم و روابط علی در میان مفاهیم، که از ترکیبی از منطق فازی و شبکه های عصبی حاصل می شود، مدل می کنند. به طور مستقیم، یک FCM یک گراف به کار رفته با بازخورد است که شامل مجموعه ای از گره ها و گره های متصل به هم پیچیده وزن است. شکل 1 نشان دهنده گرافیکی FCM و ساختار شبکه عصبی آن است. در FCM ها، گره ها مفاهیمی را با معنای معنایی که از سیستم های مورد بررسی خلاصه می شوند، نشان می دهند. حالت یک مفهوم با تعداد xi در فاصله [0، 1] یا در فاصله مشخص می شود. بر این اساس، رفتار یک سیستم مورد بررسی در نقطه زمان t توسط یک بردار x (t) = (x1 (t)، …، xN (t)) بیان می شود که N معنی تعداد مفاهیم است. علاوه بر این، گره های متصل به قوس مجاور نشان دهنده روابط علی (علی) (علی) در میان مفاهیم مختلف هستند.
Year: 2010
Publisher : ELSEVIER
By : H.J. Song , C.Y. Miao, Z.Q. Shen , W. Roel, D.H. Maja , C. Francky
File Information: English Language/ 12 Page / size: 1.60 KB
Only site members can download free of charge after registering and adding to the cart
سال : 1389
ناشر : ELSEVIER
کاری از : H.J. Song، C.Y. میائو، Z.Q. شن، W. Roel، D.H. Maja، C. Francky
اطلاعات فایل : زبان انگلیسی / 12 صفحه / حجم : KB 1.60
نقد و بررسیها
هنوز بررسیای ثبت نشده است.