【摘要】：模糊認(rèn)知圖(FCM)直觀靈活的知識(shí)表達(dá)、強(qiáng)大的模糊推理能力以及與神經(jīng)網(wǎng)絡(luò)、圖論等領(lǐng)域的緊密聯(lián)系,使其被廣泛應(yīng)用于眾多研究領(lǐng)域。但傳統(tǒng)FCM也存在著一些弊端:首先,FCM的構(gòu)建過程過多的依賴于領(lǐng)域?qū)＜抑R(shí),由于專家知識(shí)具有很強(qiáng)的主觀性和局限性,使構(gòu)造出的FCM模型不夠準(zhǔn)確可靠;其次,傳統(tǒng)FCM及其各種改進(jìn)模型中,概念間的因果關(guān)系使用一個(gè)“精確”的數(shù)值去表達(dá)因果影響,并沒有考慮概念間因果關(guān)系的“不確定性”問題。針對上述問題,本論文提出一種Type-2型模糊認(rèn)知圖模型。該模型使用模糊神經(jīng)網(wǎng)絡(luò)自學(xué)習(xí)特性自動(dòng)鑒別隸屬度函數(shù)、量化概念間因果關(guān)系,而無需專家知識(shí)的預(yù)先指定,大大減少了人工干預(yù),并提高了FCM的學(xué)習(xí)能力。在模糊神經(jīng)網(wǎng)絡(luò)模型中,通過使用互函數(shù)(mutual subsethood)來定義概念間的因果關(guān)系,給出了更加透明、合理的數(shù)學(xué)解釋及推理過程。與此同時(shí),Type-2型模糊集是表達(dá)模糊語義“不確定性”的理論,本論文中將其引入以解決FCM中概念間因果關(guān)系的“不確定性”問題,并將該理論很好地融入到模糊神經(jīng)網(wǎng)絡(luò)中,使模型在模糊語義方面具有更強(qiáng)的表達(dá)能力。隨后,本論文對新模型每層網(wǎng)絡(luò)神經(jīng)元結(jié)構(gòu)及功能進(jìn)行詳盡的介紹,并給出了詳細(xì)的數(shù)學(xué)推理過程。模型的學(xué)習(xí)訓(xùn)練使用BP網(wǎng)絡(luò)(Backpropagation Network),其包含信號正向傳播和誤差反向傳播兩個(gè)過程。反向傳播過程使用梯度下降算法進(jìn)行反饋調(diào)節(jié)、更新參數(shù),并給出了詳細(xì)的求偏導(dǎo)計(jì)算推理過程。通過迭代訓(xùn)練不斷地反饋調(diào)整模型參數(shù)直至模型達(dá)到最小誤差,訓(xùn)練完畢。本論文提出的Type-2型模糊認(rèn)知圖模型較傳統(tǒng)FCM模型具有更強(qiáng)的學(xué)習(xí)、推理能力及模糊語義“不確定性”表達(dá)能力,使模型推理更加的準(zhǔn)確,容錯(cuò)率更高,適用性更強(qiáng)。通過對比實(shí)驗(yàn),證明了本模型較其他多個(gè)神經(jīng)網(wǎng)絡(luò)算法模型在時(shí)間序列問題上具有更好的預(yù)測效果及性能。
【圖文】：

圖 2-1 FCM 結(jié)構(gòu)示意圖，概念節(jié)點(diǎn)集合 ② ③代表一組具有語義數(shù)。概念節(jié)點(diǎn) 的取值為{0,1}集合，，隨著推理過程節(jié)點(diǎn) 和 的有向弧表示概念節(jié)點(diǎn) 和 之間的因內(nèi)， 的取值大小表示原因節(jié)點(diǎn)對結(jié)果節(jié)點(diǎn)因果，表示概念節(jié)點(diǎn) 對概念節(jié)點(diǎn) 具有同方向的影響（減少）將會(huì)導(dǎo)致結(jié)果節(jié)點(diǎn) 取值的增加（減少） ，表示概念節(jié)點(diǎn) 對概念節(jié)點(diǎn) 具有反方向的影加（減少）將會(huì)導(dǎo)致結(jié)果節(jié)點(diǎn) 取值的減少（增加示兩個(gè)概念節(jié)點(diǎn)間沒有關(guān)聯(lián)關(guān)系。間的連接權(quán)值(即因果關(guān)系權(quán)值)，可以使用 N陣中元素的絕對值大小則表示對應(yīng)概念節(jié)點(diǎn)之間因

圖 2-2 語言變量的近似模糊值可以看到，各個(gè)表示語言變量對應(yīng)的模糊集之間往往有交疊，彼此界。舉例：若某兩個(gè)事物之間的因果關(guān)系值等于 0.56，由上圖可得，上的隸屬度為 0.2，而在“強(qiáng)”語言變量上的隸屬度為 0.8。表明時(shí)，其隸屬于“強(qiáng)”類型的概率遠(yuǎn)比隸屬于“中等”類型的概率要是，語言值集合的近似模糊數(shù)不是固定的，其應(yīng)該是根據(jù)實(shí)際的問如：LC 弱，較弱，中等，強(qiáng)，很強(qiáng) 同樣可以構(gòu)成類似上述的只在于對于事物描述的精度不同。推理機(jī)制推理過程即是對“What-if”問題的回答過程。FCM 中每個(gè)概念節(jié)，每當(dāng)往 FCM 模型中輸入一個(gè)事件狀態(tài)，那么，也就意味著拋出輸入的事件在系統(tǒng)中發(fā)生，會(huì)對系統(tǒng)或系統(tǒng)中其他事件節(jié)點(diǎn)造成
【學(xué)位授予單位】：華南理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：TP18;O157.5

【參考文獻(xiàn)】

相關(guān)期刊論文 前4條

1 陳友玲;胡春花;彭錦文;;基于FCM的企業(yè)供應(yīng)鏈績效動(dòng)態(tài)評價(jià)方法研究[J];計(jì)算機(jī)應(yīng)用研究;2011年01期

2 劉玉青;張金隆;;基于模糊認(rèn)知影響圖的移動(dòng)商務(wù)投資風(fēng)險(xiǎn)分析[J];情報(bào)雜志;2010年12期

3 駱祥峰,高雋,張旭東;基于信任知識(shí)庫的概率模糊認(rèn)知圖[J];計(jì)算機(jī)研究與發(fā)展;2003年07期

4 駱祥峰,高雋;概率模糊認(rèn)知圖[J];中國科學(xué)技術(shù)大學(xué)學(xué)報(bào);2003年01期

本文編號：2672701