下载文档原格式
模糊认知图的学习此篇随笔仅⽤于记录学习内容⽅便以后查阅，主要参考学习了 迟亚雄. 模糊认知图智能学习算法与应⽤研究[D].基本理论与⽅法基于Hebbian的学习⽅法 核⼼思想：神经元的激活顺序和⽅式会影响权重的变化，若两神经元异步激活则降低权值，同步激活则增⾼权值。
特点：总是依赖专家知识。
⾮线性Hebbian学习算法[1]（Nonlinear Hebbian Learning, NHL）的初始化需要专家对concept进⾏⼲预，⽐如建议各concept的模糊值，这些模糊值的取值范围以及各concept之间的因果关系等。
数据驱动型NHL[2]（Data-driven Nonlinear Hebbian Learning, DDNHL），与NHL类似，但DDNHL利⽤了可观测到的数据进⾏学习来提⾼ FCMs 的模型质量。
集成学习与NHL相结合的学习算法[3]，⽤NHL训练模型，再使⽤集成学习算法提⾼性能。
在学习模糊认知图的准确性⽅⾯由于DDNHL。
基于进化计算的学习⽅法 Hebbian的⽅法⽐较依赖专家知识，进化计算的⽬的是从数据中学习模糊认知图，搜索最优的模糊认知图。
进化算法是⼀种启发式算法，⽐较常见的启发式算法有：遗传算法，粒⼦群优化算法，模拟退⽕，蚁群优化等。
⾯临的问题 模糊认知图扩展到⼀定规模时，⾯临的问题是多维度优化问题，因为随着决策变量的增加，需要确定的权重关系的数量会呈指数增长，会造成维度灾难。
从优化的⾓度看，训练样本数量不变的情况下，决策变量的数量增加会导致过拟合。
当数据的维度到达⼀定⾼度，如果要找到最优解或者仅仅达到低维度的同等性能，则需要⼏何数量增长的数据。
真实模糊认知图的⽹络密度要⽐算法学习得到的⽹络模型的密度低的多。
基于神经⽹络和进化计算的模糊认知图学习Reference[1] Elpiniki Papageorgiou, Chrysostomos Stylios, Peter Groumpos. Fuzzy Cognitive Map Learning Based on Nonlinear Hebbian Rule[M]// AI 2003: Advances in Artificial Intelligence. Springer Berlin Heidelberg, 2003.[2] Stach W , Kurgan L A , Pedrycz W . Data-driven Nonlinear Hebbian Learning method for Fuzzy Cognitive Maps[C]// IEEE IEEE International Conference on Fuzzy Systems. IEEE, 2008.[3] Papageorgiou E I , Kannappan A . Fuzzy cognitive map ensemble learning paradigm to solve classification problems: Application to autism identification[J]. Applied Soft Computing Journal, 2012, 12(12):3798-3809.[] 迟亚雄. 模糊认知图智能学习算法与应⽤研究[D].。
模糊认知图在智能协作系统中的应用
杨亚萍;胡俊杰
【期刊名称】《浙江万里学院学报》
【年(卷),期】2004(017)002
【摘要】建立了基于模糊认知图与C型神经网络的智能协作系统的框架,通过各个Agent的多个认知图的合成、推导、焦点产生加强了合作Agent间的协调与一致.【总页数】4页(P79-82)
【作者】杨亚萍;胡俊杰
【作者单位】浙江万里学院,宁波,315100;浙江万里学院,宁波,315100
【正文语种】中文
【中图分类】TP39
【相关文献】
1.协作概念图工具在协作学习情境中对个体认知发展的实证研究 [J], 蔡慧英;乔惠;顾小清
2.模糊认知图在协同式医疗诊断系统中的应用 [J], 杨亚萍;胡俊杰
3.基于产生式系统的模糊认知图建模方法及其在控制中的应用 [J], 汪成亮;彭锦文
4.模糊认知图在智能控制中的应用研究 [J], 汪成亮;彭锦文;陈娟娟
5.模糊认知图在矿山安全评估系统建模中的应用研究 [J], 熊耘云;周科平;岳力阳;姚振巩
因版权原因，仅展示原文概要，查看原文内容请购买。
基于模糊认知图的动态系统的建模与控制【摘要】模糊认知图简单、直观的图形化表示和快捷的数值推理能力使其在医学、工业过程控制以及环境监测等领域得到了广泛的应用。
模糊认知图是模糊逻辑和神经网络相结合的产物,适用于基于动态数据的非线性系统的描述、预测与控制。
由于受到人的经验、知识水平和认知能力的限制,很难由领域专家直接构建大规模系统的模糊认知图。
近年来依据动态数据自动或半自动构建模糊认知图的研究越来越受到关注。
本文在对模糊认知图结构的构建、权值学习、稳定性分析和实际应用等方面进行综述、比较和分析的基础上,研究了基于动态数据的模糊认知图的构建、权值学习和控制,取得如下主要研究成果：(1)在分析了常用模糊认知图转换函数的不足之处之后,对模糊认知图转换函数进行改进,引入了协调系数,该系数无需事先指定,可由系统数据自动学习得到,改进后的转换函数使模糊认知图对现实系统的描述更加准确。
(2)针对模糊认知图基于数据的权值学习的Hebbian技术、遗传算法、群体智能三大类存在的反复迭代运算、负荷过重问题,将最小平方技术与模糊认知图权值的学习相结合,提出了方便、简洁、准确、快速的基于最小平方的模糊认知图权值学习算法。
该方法只需求解线性方程即可得到模糊认知【关键词】模糊认知图；Hebbian学习；遗传算法；最小平方法；T-S模糊模型；【基金】973项目;国家自然科学;【作者】张燕丽；【导师】刘晓东；【作者基本信息】大连理工大学，控制理论与控制工程，2012，博士【参考文献】说明：反映本文研究工作的背景和依据[1]努尔布力,柴胜,李红炜,胡亮.一种基于Choquet模糊积分的入侵检测警报关联方法[J].电子学报.2011(12)[2]张焱,黄曙光,朱俊茂,任飞飞.应用于网络态势感知的安全数据聚合分析[J].微电子学与计算机.2011(08)[3]苏宪程,白海威,黄志国.基于模糊认知图理论分析空间态势[J].现代防御技术.2011(02)[4]熊中楷,耿丽娟,聂佳佳.基于FCM的逆物流供应商评估建模和算法[J].管理工程学报.2011(01)[5]陈友玲,胡春花,彭锦文.基于FCM的企业供应链绩效动态评价方法研究[J].计算机应用研究.2011(01)[6]刘玉青,张金隆.基于模糊认知影响图的移动商务投资风险分析[J].情报杂志.2010(12)[7]宋洁,张红,李芳.基于FCM的煤矿区生态系统环境风险分析研究[J].中国人口·资源与环境.2010(S1)[8]汪成亮,彭锦文,陈娟娟.模糊认知图在智能控制中的应用研究[J].计算机应用研究.2009(11)[9]王玉洁,朱晓冬,唐剑,廉世彬.基于模糊认知图的虚拟桃树建模研究[J].北京农学院学报.2007(04)[10]张桂芸,马希荣,杨炳儒.复杂系统模糊认知图的分解研究[J].计算机科学.2007(04)[11]张桂芸,刘洋,王元元.基于模糊认知图的文本分类推理算法[J].计算机工程与应用.2007(12)[12]郅慧,潘晓勇,张鲁楠,骆祥峰,向东,段广洪.基于模糊认知图的空调绿色特性评估[J].机床与液压.2007(02)[13]黄炳强,曹广益,费燕琼,李建华.基于模糊控制器的机器人路径规划研究[J].测控技术.2007(01)[14]徐晓华,陈崚.一种自适应的蚂蚁聚类算法[J].软件学报.2006(09)[15]钟诚,杨锋,陈国良.基于概率模糊认知图的混合入侵检测方法[J].小型微型计算机系统.2006(05)[16]杨锋,钟诚,李智.基于概率模糊认知图的Mstream攻击检测方法[J].计算机工程.2006(10)[17]邵兵家,陈娟娟,汪成亮.基于模糊认知图的电子商务供应链绩效评价模型[J].科技进步与对策.2006(01)[18]姚淑萍,郑链,刘峰.基于概率模糊认知图的入侵检测警报融合机制[J].计算机工程.2005(21)[19]穆成坡,黄厚宽,田盛丰.基于模糊认知图的自动入侵响应决策推理机制[J].北京交通大学学报.2005(02)[20]付宜利,顾晓宇,王树国.基于模糊控制的自主机器人路径规划策略研究[J].机器人.2004(06)[21]潘晓勇,刘光复,骆祥峰,刘志峰,王淑旺.基于层次概率模糊认知图的装配序列研究[J].农业机械学报.2004(02)[22]潘晓勇,骆祥峰,刘光复,刘志峰,王淑旺.基于层次概率模糊认知图的产品拆卸序列研究[J].机械工程学报.2003(04)[23]骆祥峰,高隽,王晓嘉,谢昭.基于模糊认知图的机器人高层规划研究[J].电子学报.2002(S1)[24]苗原,张文生,李实,孙增圻.基于模糊认知图的因果推理[J].模式识别与人工智能.1999(02)【同行关注文献】说明：与本文同时被多数读者关注的文献。
第三章模糊认知图3.1认知图因果知识通常涉及许多相互作用的事物及其关系，由于缺乏有力的分析工具，因此，对这类知识的处理显得比较困难。
在这种情况下，一些其它技术包括定性推理技术就被应用到因果知识的处理中。
认知图就是这种定性推理技术的一种。
认知图是一个新兴的研究领域，它是一种计算智能，提供了一个有效的软计算工具来支持基于先验知识的自适应行为。
对它的研究涉及到模糊数学、模糊推理、不确定性理论及神经网络等诸多学科。
认知图的显著特点就是可利用系统的先验知识、并对复杂系统的子系统具有简单的可加性，能表示出用树结构、Bayes网络及Markov模型等很难表示的具有反馈的动态因果系统。
在认知图中很容易鸟瞰系统中各事物间如何相互作用，每个事物与那些事物具有因果关系。
认知图通常由概念(concept)与概念间的关系(relations of concepts)组成。
概念(用节点表示)可以表示系统的动作、原因、结果、目的、感情、倾向及趋势等，它反映系统的属性、性能与品质。
概念间的关系表示概念间的因果关系(用带箭头的弧表示，箭头的方向表示因果联系的方向)。
3.2认知图的发展简史认知图首先由Tloman于1948年在 Cognitive Maps in Rats and Men一文中提出的，其最初目的是想为心理学建立一个模型，此后认知图便被应用到其他方向和领域中。
人们把认知图描述为有向图，认为认知图是由一些弧连接起来节点的集合，但不同的学者对弧与节点赋予不同的含义。
1955年Kelly依据个人构造理论(Personal construct theory)提出了认知图，概念间的关系是三值的，即利用“+”、“-"表示概念间不同方向因果关系的影响效果，“O”表示概念间不具有因果关系。
1976年Axelord在 structure of Decision –The Cognitive Maps of Political Elites 中提出的认知图比Kelly的更接近于动态系统。
模糊认知图智能学习算法与应用研究模糊认知图智能学习算法与应用研究摘要：随着人工智能在各个领域的广泛应用，对于智能学习算法的研究也越来越受到关注。
模糊认知图作为一种新型的智能学习算法，具有模糊性、认知性和图形化的特点，被广泛应用于模式识别、数据挖掘和自动控制等领域。
本文首先介绍了模糊认知图的基本概念和构建方法，然后从算法的角度探讨了模糊认知图的学习机制和运行过程，并且详细分析了模糊认知图在各个领域的应用情况。
最后，对模糊认知图的未来发展方向进行了展望。
关键词：智能学习算法，模糊认知图，模式识别，数据挖掘，自动控制1. 引言智能学习算法作为人工智能领域的关键技术之一，在模式识别、数据挖掘和自动控制等领域具有广泛的应用前景。
然而，随着数据量的增加和问题的复杂性的提高，传统的学习算法面临着挑战。
为了提高学习算法的效果和速度，研究者们提出了多种智能学习算法，并不断进行优化和改进。
其中，模糊认知图作为一种新型的智能学习算法，因其具有模糊性、认知性和图形化的特点，被广泛应用于各个领域。
2. 模糊认知图的基本概念和构建方法2.1 模糊认知图的基本概念模糊认知图是一种基于模糊逻辑和认知科学的智能学习算法。
它的基本特点是能够以图形化的方式描述和表示问题，具有模糊性和认知性。
模糊性是指模糊认知图能够处理不精确、模糊的信息，而不仅仅限于处理确定的数值。
认知性是指模糊认知图可以模拟人类的认知过程，通过学习和经验积累来提高系统的性能。
2.2 模糊认知图的构建方法模糊认知图的构建主要包括输入和输出变量的模糊化、模糊规则的建立和模糊推理的实现。
首先，需要将输入和输出变量进行模糊化表示，将其转化为模糊集合。
然后，根据问题的特征和经验知识，建立一系列的模糊规则，其中每条规则包含一个条件部分和一个结论部分。
最后，采用模糊推理的方法，根据输入变量和模糊规则来推断输出结果。
3. 模糊认知图的学习机制和运行过程3.1 模糊认知图的学习机制模糊认知图的学习机制主要包括自适应、调整和更新三个过程。
第三章模糊认知图3.1认知图因果知识通常涉及许多相互作用的事物及其关系，由于缺乏有力的分析工具，因此，对这类知识的处理显得比较困难。
在这种情况下，一些其它技术包括定性推理技术就被应用到因果知识的处理中。
认知图就是这种定性推理技术的一种。
认知图是一个新兴的研究领域，它是一种计算智能，提供了一个有效的软计算工具来支持基于先验知识的自适应行为。
对它的研究涉及到模糊数学、模糊推理、不确定性理论及神经网络等诸多学科。
认知图的显著特点就是可利用系统的先验知识、并对复杂系统的子系统具有简单的可加性，能表示出用树结构、Bayes网络及Markov模型等很难表示的具有反馈的动态因果系统。
在认知图中很容易鸟瞰系统中各事物间如何相互作用，每个事物与那些事物具有因果关系。
认知图通常由概念(concept)与概念间的关系(relations of concepts)组成。
概念(用节点表示)可以表示系统的动作、原因、结果、目的、感情、倾向及趋势等，它反映系统的属性、性能与品质。
概念间的关系表示概念间的因果关系(用带箭头的弧表示，箭头的方向表示因果联系的方向)。
3.2认知图的发展简史认知图首先由Tloman于1948年在 Cognitive Maps in Rats and Men一文中提出的，其最初目的是想为心理学建立一个模型，此后认知图便被应用到其他方向和领域中。
人们把认知图描述为有向图，认为认知图是由一些弧连接起来节点的集合，但不同的学者对弧与节点赋予不同的含义。
1955年Kelly依据个人构造理论(Personal construct theory)提出了认知图，概念间的关系是三值的，即利用“+”、“-"表示概念间不同方向因果关系的影响效果，“O”表示概念间不具有因果关系。
1976年Axelord在 structure of Decision –The Cognitive Maps of Political Elites 中提出的认知图比Kelly的更接近于动态系统。
该认知图的概念能自主取值并用弧线表示因果断言(causal assertion)。
它有两个不同的弧，即正、负两种类型。
正的类型表示原因节点的变化能导致结果节点同方向的变化，负的类型表示原因节点的变化能导致结果节点呈相反方向变化。
Kelly与Axelord的认知图都是因果关系图，其中Axelord的认知图对以后认知图的发展有一定的影响。
1986年Kosko等人在Axelord的认知图的基础上，把概念间具有的三值逻辑关系扩展为区间[-l，1]上的模糊关系，提出模糊认知图(Fuzzy Cognitive Maps，即FCMs)。
由于模糊逻辑比三值逻辑能携带更多的信息。
因此，模糊认知图在定性推理中起着更大的作用，并成为目前认知图研究的主流。
但模糊认知图概念间关系的强弱不具有时间的概念，且只能表示概念间的线性因果关系。
1988年zhang和他的同事完成了POOL2系统，随后在1992年完成了基于NPN(Negative-Positive-Neutral)逻辑及其关系，并通过两个认知图间的通信及共享某些信息来合作D_POOL系统。
1992年M．Hagiwara针对Kosko FCM的缺陷提出了扩展模糊认知图(extended Fuzzy Cognitive Map， eFCM)。
eFCM能表示概念间的非线性关系、时间关系、因果间的延迟及条件权重等，能更自然的表示现实世界中的复杂因果关系，是以后各认知图模型扩展的范例。
1994年Wellman提出的定性概率网络(Qualitative Probability Network，QPN)仅仅把认知图解释为一个具有未知概率的网络，它将概念看成随机变量。
概念a到概念b用边A+表示如果a值变大，b值也变大的概率增加。
用边A-表示如果a值变大，b值也变大的概率减少。
但这种表示不能量化概念间概率因果关系的变化程度。
与此同时C.D.Stylios与P．P．Groumpos 提出具有监控的模糊认知图，并于1999年提出了具有记忆功能的模糊认知图。
1997年T．0bata与M．Hagiwara针对如何处理与表示概念间的复杂因果关系提出了神经元认知图。
它利用BP算法可以独立求出每个概念间的复杂因果关系。
其模拟与预测能力比FCM，eFCM有了很大的提高，并考虑了节点自身的变化，最大限度地减少了系统对现实世界模拟的失真。
缺点是需要有大量的训练数据，没有利用系统本身的专家知识。
稍后，B．Chaib-draa与J．Deshamais提出了具有语义的关系模型认知图，并利用这个模型发展了一个多Agent环境的可计算模型，但是这个模型无法自动处理agent间具有矛盾的情绪与趋势。
1999年J．P．Carvalho和J．A．B．Tome针对模糊认知图不能处理非单调推理，不能处理“and”，“or”因果关系及不能表示非因果关系的缺陷，提出了基于规则的模糊认知图模型(Rule Base Fuzzy Cognitive Maps，RBFCM)。
Carvalho把概念划分为Levels与Changes 两种类型。
概念状态的构造基于模糊成员函数，概念间的关系基于规则。
RBFCM能处理“and”，“or”关系，能进行非单调推理，能处理概念间的非因果关系。
缺点是规则数量多、难以完全抽取、计算量大、规则不能自适应外界环境的变化、基本时间间隔不易确定等。
同时Richard Satur与Z．Q．Liu在Transaction on Fuzzy System上连续发表了两篇关于FCM在信息、地理系统中应用的文章，提出了具有上下文关系的模糊认知图(contextual Fuzzy Cognitive Maps，cFCM)。
从而使认知图概念间的关系可以表示为上下文关系，并在文章中对cFCM的性质进行了讨论。
他们还提出了多层模糊认知图的模型(1995)。
2001年10月M．Yuan和Z．Q．Liu在IEEEE Transaction on Fuzzy System中提出了动态认知网络(Dynamic Cognitive Networks DCN)。
DCN是FCM的扩展，他发展了M．Hagiwara的扩展模糊认知图。
在DCN中概念状态值可根据环境自主取值，概念间的因果关系可以是非线性关系。
M．Yruall还从数学上对概念间因果关系的0阶与l阶微分关系进行了分析。
除了以上认知图模型外，还有自动模糊认知图(aFCM)及N．S．S．Jamadagni提出的面向对象的模糊认知图(2000)(object Oriented Fuzzy Cognitive Mas，00FCM)等。
虽然认知图模型提出较多，但任何一种模型都没有很深入地研究，并没有从其它关系(比如信任关系、条件概率关系)上考虑，也没有从数学上对其进行完整分析。
没有证明认知图的稳定性，没有给出认知图的学习算法等。
正如Kosko所讲，对认知图的数学机理目前仍不清楚。
3．3模糊认知图(FCMs)概念模糊认知图(Fuzzy Cognitive Maps，FCMs)是Kosko在Axelord认知图基础上，将概念间的三值关系{1，O，1)扩展成为区间[-1，1]上的模糊关系发展而来的，这使得模糊认知图包含的信息更加丰富。
模糊认知图是一种软计算方法，它是模糊逻辑和网络相结合的产物。
模糊认知图是知识的一种图解表示，它是一个将模糊反馈动力系统中的因果事件、参与值、目标与趋势等通过各概念问的弧线连接起来的图结构，节点是概念、实体等，弧表示概念或实体间的因果关系，在结构上可以看作是面向对象的单层带反馈的神经网络。
与神经网络不同的是，模糊认知图的每个节点与弧都有很强的语义，从而使整个图都呈现很强的语义。
它支持专家先验知识及因果关系的表示与推理，这些都蕴涵在概念节点及概念节点间的关系中，并且可以通过概念间的关系来表示模糊推理，由整个图中各概念节点的相互作用来模拟系统的动态行为，是一种无监督模型(unsupervised model)。
其概念可以是系统的事件、目标、感情及趋势等；概念值为模糊值，也可以是二值，反映该节点对某概念以某种程度发生或表示概念状态是关还是开。
概念节点的输出与概念节点自身的状态水平和外部因果联系的强度有关。
模糊认知图的有限输入状态可在虚拟空间中开辟一条通路，简单模糊认知图的通路可能终止于固定点或极限环，而对于具有反馈的复杂模糊认知图可能终止于“混沌”的奇异吸引子。
3．4模糊认知图的特性模糊认知图作为一种智能工具，其行为能够反映其智能特性，表现如下：1)由数据驱动智能行为，符合人工智能发展方向；2)模糊认知图的建立方便，表现问题直观，能与领域专家头脑中的知识结构形成很好的映射关系，因此，在很多问题领域常常直接由专家建立系统的模糊认知图模型；3)采用数值推理，相关事实可以从其直接相连的节点中推导出来，而不必遍历整个知识库；4)对于任意数量的知识源可以分别构造自己的模糊认知图，并经处理可得到一个联合的知识分布；5)模糊认知图不仅可以表示语义网络，而且可以处理分布知识；6)由于模糊认知图是神经网络与模糊逻辑的结合，所以很容易引入学习机制，这为提高系统的智能化奠定了基础。
此外，在因果关系的描述上引入了模糊测度，使得它能够更自然、更直接地表达人类习惯使用的逻辑含义，非常适合用于直接的或高层的知识表达；7)具有反馈机制，使之可以为复杂动态系统建模，而树结构、贝叶斯网络和Markov模型都无法表示具有反馈的动态因果系统。
3．5模糊认知图的知识表示与推理随着人们对人工智能研究的不断深入，逐步认识到无论是推理还是搜索在一定程度上都依赖于表示。
人们一旦把思考看成是一种计算形式，那么它的表示和机制是首要考虑内容，因为它不仅决定了知识应用的形式，而且也决定了知识处理的效率和可实现的域空间规模的大小，可以说它是对智能行为的一种数学抽象模型。
3．5．1知识表示的方法论知识表示是概括智能行为的模型，因为智能行为独特的灵活性问题不能概括为一类简洁的理论，所以它是大量小理论的集合体。
同时由于人工智能任务受到计算装置的约束，所采用的表示还必须同时满足“刻画智能现象”与“计算机装置可接受”这两个相矛盾的条件。
由于侧重点不同，导致了对知识表示的认识不同。
认识论表示观认为：知识表示是对自然世界的描述，表示自身不显示任何智能行为，其唯一的作用是携带知识。
表示研究与“启发式”研究无关，因此，认识论表示观是一种携带知识的理论，不考虑问题求解的有效性，它强调的是对自然现象抽象与简洁的刻画，是关于知识的某种存在性研究。
本体论表示观认为：知识表示是对自然世界的一种近似，它规定了看待自然世界的方式，即一个约定的集合。
表示只是描述了这个世界中，观察者当前所关心的那部分，其它部分被忽略，因此，本体论表示观中认为任何表示都是不完全的知识理论，对其使用的有效性则是先决条件。
