认知图理论的应用研究

认知图又称心象图,是近年来研究的热点.它是一种定性推理技术,也可以看作是一种计算智能,能有效地解决基于先验知识的自适应行为.文中对认知图理论作了系统的归纳总结,主要包括古典认知图和模糊认知图两方面,模糊认知图是认知图的延伸与扩展.文中通过对模糊认知图扩展模型的描述以及扩展模型之间优缺点的比较,得出了模糊认知图扩展模型的实用性和优越性.     

认知图研究现状与发展趋势

认知图是一种关于因果知识的网络模型,由概念及概念之间的关系组成,可用于鸟瞰智能系统的概念结构.作为智能信息处理的重要工具,它提供了一个有效的软计算方法来支持基于先验知识的自适应行为.本文综述认知图的研究背景,分析和比较古典认知图、模糊认知图、扩展的模糊认知图、神经元认知图、基于规则的模糊认知图等几种重要模型的主要构成及研究现状,探求它们之间的内在联系.并结合作者的研究基础,给出认知图几种可能的发展趋势,以期对该模型的研究与发展起一定的推动作用.     

基于模糊认知图的情感Agent模型研究

人工情感是人工心理的一个主要研究内容。从研究人工情感出发,提出一种基于模糊认知图的情感Agent建模的方法。模糊认知图模型通过在传统认知图模型中引入模糊测度来量化概念间因果关系的影响程度。Agent的知识由内部组元的状态以及组元之间的关系权值进行描述,用简单数值运算代替了复杂的符号逻辑来实现Agent的智能推理和决策。通过实验表明,该模型设计简单、易于扩展、适用性好。     

一种模糊认知图分类器的研究*

通过使用模糊认知图来模拟分类过程,构造了一种模糊认知图分类器,提出了它的两种模糊认知图分类模型,并在此基础上给出了使用它进行分类的推理机制。实验证明,该方法具有良好的分类性能。     

模糊认知图在股票市场预测中的应用研究

复杂系统中存在着大量的过程依赖、自组织,并且一直是进化的,用传统的方法对其建模十分困难。模糊认知图作为一种模糊逻辑和神经网络相结合的产物,为复杂系统建模提供了一种有效工具。文中根据模糊认知图的特点,提出了用遗传学习算法建立系统的模糊认知图方法,为复杂系统分析及预测提供了一种解决方案。最后,以股票市场的数据为例进行了分析和预测模拟,结果表明,该方法是有效的。     

基于信任知识库的概率模糊认知图

模糊认知图较难表示概念间因果关系测度的不确定性、因果联系的时空特性及专家对知识的不确定性．在继承模糊认知图模型优点的前提下，在概念间的因果关系中引入条件概率及信任知识库表示，提出基于信任知识库的概率模糊认知图模型．该模型用条件概率及信任知识库表示因果联系的时空特性、专家对知识及概念间因果关系测度的不确定性，从而将因果关系测度的不确定性、因果联系的时空特性及专家对知识的不确定性有效地融入模糊认知图中，自然扩展了模糊认知图模拟因果关系的能力，较大限度地减少了认知图对现实世界模拟的失真．最后通过实验说明了基于信任知识库的概率模糊认知图模型，具有比FCM更强的模拟能力．     

模糊认知图在时间序列预测中的应用综述

时间序列预测是基于当前及历史数据对未来演化趋势的推演.准确的、可解释的时间序列预测是进行科学决策的关键技术支撑,广泛应用于金融、交通、气象等诸多领域.具有可解释性和强推理能力的模糊认知图已在时间序列预测中取得较好的效果,但目前尚无文献对该方法进行全面综述.为此,本文首先对模糊认知图及扩展的高阶模糊认知图、直觉模糊认知图和深度模糊认知图进行梳理,并在此基础上归纳了学习模糊认知图的优化算法.其次,具体介绍了模糊认知图以及扩展的模糊认知图在时间序列预测中的应用,并做出系统性的总结.最后,对模糊认知图在时间序列预测中的发展趋势进行展望.     

基于测度递进的模糊认知图及其应用

模糊认知图(fuzzy cognitive map,FCM)具有简单的推理机制和较强的因果关系表达能力,已得到广泛关注和研究,但FCM对专家经验知识具有较强的依赖性,故而限制了在复杂动态系统建模中的应用.基于此,提出了一种测度递进策略的模糊认知图学习方法.利用线性回归算法,学习得到模糊认知图权重矩阵粗模型;将神经网络的权值调整算法应用于权重矩阵粗模型的细化过程,将该模糊认知图模型应用在股票市场,实现对股票日均值的预测.实验结果表明了该建模方式是有效的.     

基于模糊认知图的气象要素预测模型

根据气象要素相关性,构建气象要素预测模型,依据模糊认知图的推理机制实现对气象要素的预测,将对人类的疾病预防、环境污染等方面产生重要影响.该文将模糊认知图运用于气象要素中,提出一种基于模糊认知图的气象要素相关性分析及要素预测的模型构建方法.此模型综合考虑气象要素之间相互影响相互制约的关系,将气压、露点温度、湿度等九种不同...     

模糊认知图学习算法及应用综述

模糊认知图(Fuzzy cognitive map, FCM)是建立在认知图和模糊集理论上的一类代表性的软计算理论, 兼具神经网络和模糊决策两者的优势, 已成功地应用于复杂系统建模和时间序列分析等众多领域. 学习权重矩阵是基于模糊认知图建模的首要任务, 是模糊认知图研究领域的焦点. 针对这一核心问题, 首先, 全面综述模糊认知图的基本理论框架, 系统地总结近年来模糊认知图的拓展模型. 其次, 归纳、总结和分析模糊认知图学习算法的最新研究进展, 对学习算法进行重新定义和划分, 深度阐述各类学习算法的时间复杂度和优缺点. 然后, 对比分析各类学习算法在不同科学领域的应用特点以及现有的模糊认知图建模软件工具. 最后, 讨论学习算法未来潜在的研究方向和发展趋势.     

基于概率模糊认知图的混合入侵检测方法

结合模糊认知图理论，构造基于概率模糊认知图（PFCM）的攻击图来描述入侵行为，提出一种结合误用检测和异常检测的基于PFCM的混合入侵检测方法．该方法用模糊概念描述异常，用数值运算代替模式匹配，并利用概率测度有效表示各因素问关系的不确定性．构造基于PFCM的Smurf攻击图并进行检测实验，实验结果表明该方法能在保持高检测率的情况下降低误报率，并具有较好的鲁棒性．     

复杂系统模糊认知图的分解研究

本文对复杂系统的知识表示与推理采用了模糊认知图的分解方法,即对原始认知图的节点进行分组,然后在组节点上构造商认知图。这样关于原始FCM的分析就转化为商认知图和各子FCM的分析,商FCM的因果关系推理提供原始FCM的整体信息,而每个子FCM继承原始FCM的拓扑结构和推理,它提供原始FCM的局部信息。这样降低了复杂系统研究的规模与复杂性,同时也使对复杂系统的研究可以在各个分类层面上和各个分组上进行,增加了模糊认知图概念间研究的丰富性和灵活性。这种分解方法可以根据需要循环往复进行。     

基于相似粗糙集和模糊认知图的文本分类研究

阐述了基于相似粗糙集和模糊认知图的文本分类问题,提出了一种基于模糊认知图的文本分类推理算法,使文本分类成为一个基于文本特征项的权和特征项与类别的相关度构成的模糊认知图进行推理的结果,最后对该算法进行了实验,并对结果进行了分析.     

Inferring causal networks using fuzzy cognitive maps and evolutionary algorithms with application to gene regulatory network reconstruction

Fuzzy cognitive maps have been widely used as abstract models for complex networks. Traditional ways to construct fuzzy cognitive maps rely on domain knowledge. In this paper, we propose to use fuzzy cognitive map learning algorithms to discover domain knowledge in the form of causal networks from data. More specifically, we propose to infer gene regulatory networks from gene expression data. Furthermore, a new efficient fuzzy cognitive map learning algorithm based on a decomposed genetic algorithm is developed to learn large scale networks. In the proposed algorithm, the simulation error is used as the objective function, while the model error is expected to be minimized. Experiments are performed to explore the feasibility of this approach. The high accuracy of the generated models and the approximate correlation between simulation errors and model errors suggest that it is possible to discover causal networks using fuzzy cognitive map learning. We also compared the proposed algorithm with ant colony optimization, differential evolution, and particle swarm optimization in a decomposed framework. Comparison results reveal the advantage of the decomposed genetic algorithm on datasets with small data volumes, large network scales, or the presence of noise.     

基于模糊认知图的智能配电网WSNs实时性与可靠性优化研究

为了降低智能配电网事故,提高智能配电网无线传感器网络（WSNs）数据通信的可靠性与实时性,探索了一种基于模糊认知图的智能配电网WSNs数据通信建模与控制的方法。首先,定性分析影响智能配电网WSNs数据传输的性能指标的主要因素,构建模糊认知图模型,根据网络环境的变化利用数学方法表达网络节点各概念顶点之间的因果关系;然后,再利用模糊认知图的方法进行推理,获得动态决策路由路径和调整网络参数的控制变量值;最后,对本文方法进行仿真实验,对数据传输性能进行了测试分析。实验结果表明所提出的方法可为智能配电网WSNs数据传输提供良好的QoS（服务质量）。     

基于概率模糊认知图的Mstream攻击检测方法

提出了一种分布式拒绝服务攻击Mstream的检测方法。设计基于概率模糊认知图（PFCM）的Mstream攻击图,并以该图描述Mstream攻击,利用概率测度表述事件间的时序关系、约束关系和关系的不确定性,结合模糊理论设计基于PFCM的Mstream攻击检测算法。实验表明,该方法不但能准确检测出分布式拒绝服务攻击Mstream,而且还能判断出正在进行中的Mstream攻击的程度。