Type-2型模糊认知图的设计与实现

发布时间：2020-05-20 13:39

【摘要】：模糊认知图(FCM)直观灵活的知识表达、强大的模糊推理能力以及与神经网络、图论等领域的紧密联系,使其被广泛应用于众多研究领域。但传统FCM也存在着一些弊端:首先,FCM的构建过程过多的依赖于领域专家知识,由于专家知识具有很强的主观性和局限性,使构造出的FCM模型不够准确可靠;其次,传统FCM及其各种改进模型中,概念间的因果关系使用一个“精确”的数值去表达因果影响,并没有考虑概念间因果关系的“不确定性”问题。针对上述问题,本论文提出一种Type-2型模糊认知图模型。该模型使用模糊神经网络自学习特性自动鉴别隶属度函数、量化概念间因果关系,而无需专家知识的预先指定,大大减少了人工干预,并提高了FCM的学习能力。在模糊神经网络模型中,通过使用互函数(mutual subsethood)来定义概念间的因果关系,给出了更加透明、合理的数学解释及推理过程。与此同时,Type-2型模糊集是表达模糊语义“不确定性”的理论,本论文中将其引入以解决FCM中概念间因果关系的“不确定性”问题,并将该理论很好地融入到模糊神经网络中,使模型在模糊语义方面具有更强的表达能力。随后,本论文对新模型每层网络神经元结构及功能进行详尽的介绍,并给出了详细的数学推理过程。模型的学习训练使用BP网络(Backpropagation Network),其包含信号正向传播和误差反向传播两个过程。反向传播过程使用梯度下降算法进行反馈调节、更新参数,并给出了详细的求偏导计算推理过程。通过迭代训练不断地反馈调整模型参数直至模型达到最小误差,训练完毕。本论文提出的Type-2型模糊认知图模型较传统FCM模型具有更强的学习、推理能力及模糊语义“不确定性”表达能力,使模型推理更加的准确,容错率更高,适用性更强。通过对比实验,证明了本模型较其他多个神经网络算法模型在时间序列问题上具有更好的预测效果及性能。
【图文】：

结构示意图,概念节点,节点

图 2-1 FCM 结构示意图，概念节点集合 ② ③代表一组具有语义数。概念节点的取值为{0,1}集合，，随着推理过程节点和的有向弧表示概念节点和之间的因内，的取值大小表示原因节点对结果节点因果，表示概念节点对概念节点具有同方向的影响（减少）将会导致结果节点取值的增加（减少），表示概念节点对概念节点具有反方向的影加（减少）将会导致结果节点取值的减少（增加示两个概念节点间没有关联关系。间的连接权值(即因果关系权值)，可以使用 N阵中元素的绝对值大小则表示对应概念节点之间因

模糊值,语言变量

图 2-2 语言变量的近似模糊值可以看到，各个表示语言变量对应的模糊集之间往往有交叠，彼此界。举例：若某两个事物之间的因果关系值等于 0.56，由上图可得，上的隶属度为 0.2，而在“强”语言变量上的隶属度为 0.8。表明时，其隶属于“强”类型的概率远比隶属于“中等”类型的概率要是，语言值集合的近似模糊数不是固定的，其应该是根据实际的问如：LC 弱，较弱，中等，强，很强同样可以构成类似上述的只在于对于事物描述的精度不同。推理机制推理过程即是对“What-if”问题的回答过程。FCM 中每个概念节，每当往 FCM 模型中输入一个事件状态，那么，也就意味着抛出输入的事件在系统中发生，会对系统或系统中其他事件节点造成
【学位授予单位】：华南理工大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP18;O157.5

【参考文献】