基于信息理论的大规模模糊认知图学习算法及其应用研究

发布时间：2020-12-06 07:34

　　模糊认知图(Fuzzy Cognitive Maps,FCMs)是一种结合了模糊逻辑和神经网络的推理网络。随着越来越多的模糊认知图学习算法地提出,模糊认知图已被广泛应用于各种领域的系统建模。但由于其较大的搜索空间维度,大部分算法仅能用于学习小规模模糊认知图,且学习到的模糊认知图网络密度通常要比真实的网络密度更稠密。模糊认知图学习的目标是从观测响应序列数据中挖掘出概念间潜在的因果强度关系,这要求学习算法不仅能够确定节点间边的存在性,还要优化边的权值。本文主要针对模糊认知图学习问题,就模糊认知图学习算法及应用做了深入的研究:1.提出了基于实验决策与评价方法的实数编码遗传算法学习模糊认知图。在提出的算法中,利用矩阵信息知识,将实验决策与评价方法建模为一个有向邻域搜索算子将搜索引导到目标空间的正确方向,使搜索跳出局部最优。实验部分,通过在不同规模的人工数据和真实数据上的实验对算法进行测试。与现有算法的比较表明,提出的算法能够在缺乏专家知识的情况下以更高的准确度学习模糊认知图。2.提出了基于互信息的两阶段Memetic算法学习大规模模糊认知图,并将其应用于基因调控网络的重建中。在提出的算法中,第... 

【文章来源】：西安电子科技大学陕西省 211工程院校 教育部直属院校

【文章页数】：82 页

【学位级别】：硕士

【部分图文】：

PMADinfo-FCM的算法框架示意图

第四章 基于信息论的两阶段分解式 Memetic 并行算法的大规模模糊认知图学习4.2.2 PMADinfo-FCM 算法描述为了进一步优化算法在大规模模糊认知图学习问题上的性能，我们提出了基于信息论的两阶段分解式 Memetic 算法并行学习大规模模糊认知图。PMADinfo-FCM 算法包括信息学习阶段和分解式 Memetic 算法并行学习阶段，其中信息学习阶段主要应用信息论（自信息、互信息）的知识来确定模糊认知图模型的网络结构，分解式 Memetic算法并行学习阶段主要用来快速高效的优化非零边的权值。图 4.1 给出了PMADinfo-FCM 的算法框架示意图。


本文编号：2900977