模糊認(rèn)知圖模型方法及其應(yīng)用研究.pdf

1、作為一種軟計(jì)算方法，模糊認(rèn)知圖(FCM))的研究是近年來(lái)的一個(gè)熱點(diǎn)。論文在總結(jié)了前人研究成果的基礎(chǔ)上，分析了FCM模型的優(yōu)點(diǎn)和不足。針對(duì)FCM目前缺乏系統(tǒng)的分析方法、學(xué)習(xí)能力不足以及一些良好的潛質(zhì)沒(méi)有得到充分利用的現(xiàn)狀，探討地從基于圖論的FCM分析、學(xué)習(xí)、知識(shí)綜合等方面對(duì)FCM做了較為深入的研究，并將該技術(shù)應(yīng)用于復(fù)雜系統(tǒng)建模和控制領(lǐng)域。本文的主要工作如下： 1、分析討論了FCM的結(jié)構(gòu)、形式化描述、推理機(jī)制，引入了動(dòng)態(tài)因果關(guān)系。指

2、出了基于FCM的因果知識(shí)表示是通過(guò)概念節(jié)點(diǎn)及概念節(jié)點(diǎn)間的關(guān)系直觀地表現(xiàn)出來(lái)，系統(tǒng)的動(dòng)態(tài)行為是通過(guò)整個(gè)網(wǎng)絡(luò)各概念節(jié)點(diǎn)的相互作用來(lái)模擬，推理是通過(guò)前向概念節(jié)點(diǎn)對(duì)后向概念節(jié)點(diǎn)狀態(tài)的遞推作用來(lái)實(shí)現(xiàn)。 2、針對(duì)FCM模型缺乏系統(tǒng)的分析方法，本研究在充分利用FCM特點(diǎn)的基礎(chǔ)上，以圖論為研究工具，以FCM模型的結(jié)構(gòu)為研究核心，借助于圖論的鄰接矩陣與可達(dá)矩陣中元素的性質(zhì)和關(guān)系分析了概念間的因果影響和因果影響傳遞，給出因果影響程度的度量，并在此基

3、礎(chǔ)上提出了因果鏈求解算法。該算法是利用概念間的可達(dá)性實(shí)現(xiàn)對(duì)所有因果鏈的搜索。另外，討論了反饋系統(tǒng)中反饋環(huán)求解算法，該算法根據(jù)基本回路的定義以及支撐樹(shù)和余樹(shù)的關(guān)系求出余樹(shù)弧所對(duì)應(yīng)的基本反饋環(huán)，然后根據(jù)相關(guān)定理通過(guò)“環(huán)和”運(yùn)算求出所有基本反饋環(huán)。 3、針對(duì)復(fù)雜FCM，提出基于強(qiáng)連通和基于遺傳算法的FCM分解方法。一個(gè)包含大量節(jié)點(diǎn)且關(guān)系復(fù)雜的FCM可以看成是由許多的強(qiáng)連通塊組成，根據(jù)圖理論：強(qiáng)分圖是一個(gè)等價(jià)類(lèi)，它能產(chǎn)生有向圖G節(jié)點(diǎn)集合

4、V(G)的一個(gè)劃分。基于強(qiáng)連通的FCM分解算法利用了可達(dá)矩陣對(duì)強(qiáng)連通進(jìn)行識(shí)別實(shí)現(xiàn)對(duì)FCM分解。另外，考慮到基于強(qiáng)連通劃分的嚴(yán)格性，對(duì)于一些復(fù)雜系統(tǒng)的模塊化劃分不一定適用，研究了基于遺傳算法的FCM分割。該方法借鑒軟件工程中模塊化的思想，并根據(jù)FCM的特點(diǎn)，建立分割準(zhǔn)則，并在分割準(zhǔn)則的指導(dǎo)下，通過(guò)解組合優(yōu)化問(wèn)題將FCM分割成相對(duì)獨(dú)立的多個(gè)子圖。該研究可加深對(duì)FCM所表達(dá)系統(tǒng)的結(jié)構(gòu)進(jìn)一步認(rèn)識(shí)，對(duì)推理研究、復(fù)雜系統(tǒng)問(wèn)題的解決及在控制領(lǐng)域的應(yīng)用

5、具有一定的實(shí)際意義和指導(dǎo)作用。 4、FCM的學(xué)習(xí)能力是體現(xiàn)其智能性的基礎(chǔ)。本研究根據(jù)實(shí)際問(wèn)題所呈現(xiàn)的特點(diǎn)，把自動(dòng)建立FCM模型的問(wèn)題分為兩種情況：一種是只提供了待解決問(wèn)題域的樣本數(shù)據(jù)；另一種情況是不僅有樣本數(shù)據(jù)，還有一些專(zhuān)家經(jīng)驗(yàn)。將FCM的學(xué)習(xí)問(wèn)題轉(zhuǎn)化為一個(gè)優(yōu)化問(wèn)題，模擬生物學(xué)中的自組織和自學(xué)習(xí)機(jī)制，提出了基于遺傳算法的FCM學(xué)習(xí)和基于免疫遺傳算法的FCM學(xué)習(xí)。在遺傳算法中，為進(jìn)一步模擬基因的調(diào)控機(jī)理，使用了DNA編碼的染色體表

6、達(dá)。在免疫遺傳算法中，為了充分利用專(zhuān)家知識(shí)和系統(tǒng)特征對(duì)算法的指導(dǎo)作用，將生物進(jìn)化與生物免疫結(jié)合起來(lái)，在遺傳算法的基礎(chǔ)上引入免疫的概念，有選擇、有目的地利用待求問(wèn)題中的一些特征信息和專(zhuān)家知識(shí)，以一定的強(qiáng)度干預(yù)全局并行的搜索進(jìn)程。算法的核心是疫苗的構(gòu)造和接種。疫苗的構(gòu)造是通過(guò)對(duì)搜集到的專(zhuān)家知識(shí)及系統(tǒng)特征分析和處理，將其轉(zhuǎn)化為解決問(wèn)題的一種方案，并將這種方案轉(zhuǎn)化為一種與問(wèn)題解結(jié)構(gòu)一致的形式化表示。接種是抑制或避免求解過(guò)程中的一些重復(fù)和無(wú)效的工

7、作，以克服原進(jìn)化算法中交叉和變異操作中的盲目性，提高個(gè)體的適應(yīng)度。研究發(fā)現(xiàn)通過(guò)提出的方法對(duì)實(shí)際數(shù)據(jù)進(jìn)行訓(xùn)練可以自動(dòng)產(chǎn)生系統(tǒng)的FCM模型，并且股市短期預(yù)測(cè)模型的實(shí)例說(shuō)明了該方法的有效性。 5、在多專(zhuān)家建立FCM的應(yīng)用中，為了有效地整合多專(zhuān)家知識(shí)，克服個(gè)體專(zhuān)家的主觀性和局限性，充分利用多專(zhuān)家知識(shí)間的競(jìng)爭(zhēng)性、冗余性和互補(bǔ)性，為決策提供真實(shí)、清晰、完整的可用知識(shí)。本文提出了基于證據(jù)理論的多FCM綜合方法，該方法是以Dempster—Sh

8、afer證據(jù)理論作為一種智能工具，利用多值映射獲取概率的上下界，依據(jù)證據(jù)的不斷積累，不斷縮小假設(shè)集，逐步逼近真值，并根據(jù)FCM表示專(zhuān)家知識(shí)的特點(diǎn)，以專(zhuān)家知識(shí)作為證據(jù)，概念間因果關(guān)系的影響程度的可能取值作為識(shí)別框架，以專(zhuān)家在識(shí)別框架上對(duì)某個(gè)權(quán)值評(píng)估的模糊值的隸屬度確定信度分配函數(shù)m，采用D—S合成公式得到合成的信度分配函數(shù)，合成后的信度分配函數(shù)作為權(quán)值最終合成的依據(jù)，最后實(shí)現(xiàn)對(duì)多個(gè)專(zhuān)家知識(shí)的有效的合成。實(shí)踐表明該方法對(duì)多專(zhuān)家知識(shí)的綜合可以

9、達(dá)到保留正確信息，減少?zèng)_突成份，強(qiáng)化共性因素，改善知識(shí)內(nèi)在質(zhì)量的目的。 6、在工程應(yīng)用研究方面，本文將控制理論與FCM方法相結(jié)合，提出了基于FCM的一般控制和自適應(yīng)控制框架。該研究充分利用FCM的模型特點(diǎn)和推理機(jī)制，通過(guò)專(zhuān)家或樣本學(xué)習(xí)建立被控過(guò)程中變量(控制變量和被控變量)間的因果關(guān)系，利用FCM模型推理獲取控制變量的值，再將其作用于實(shí)際過(guò)程以達(dá)到對(duì)被控變量的調(diào)節(jié)作用，實(shí)現(xiàn)多輸入多輸出控制?；贔CM控制的研究，為智能控制提供一

10、種新的解決方法。論文從不同角度和層次對(duì)FCM進(jìn)行了全面的探討，在繼承了前人研究成果的基礎(chǔ)上，對(duì)FCM方法做了多方面的研究和創(chuàng)新，展望了FCM技術(shù)的研究發(fā)展前景。 總結(jié)全文主要?jiǎng)?chuàng)新點(diǎn)如下： 1)分析了概念間的因果影響和因果影響傳遞，給出因果影響程度的度量，并在此基礎(chǔ)上提出了因果鏈求解算法和反饋環(huán)算法。針對(duì)復(fù)雜FCM，提出了基于強(qiáng)連通的FCM分解算法，并研究遺傳算法對(duì)FCM進(jìn)行模塊化分割。 2)提出了運(yùn)用D—S證據(jù)理