基本介紹
- 中文名：模糊認知圖
- 外文名：Fuzzy Cognitive Map
- 簡稱：FCM
- 提出者：Kosko
- 套用領域：政治、經濟、醫學、軍事等等
技術簡介,結構,特性,分類,動態模糊認知圖,機率模糊認知圖,
技術簡介
模糊認知圖(Fuzzy Cognitive Maps，FCMs)是Kosko在Axelord認知圖基礎上，將概念間的三值關係{1，0，1)擴展成為區間[-1，1]上的模糊關係發展而來的，這使得模糊認知圖包含的信息更加豐富。模糊認知圖是一種軟計算方法，它是模糊邏輯和網路相結合的產物。
模糊認知圖是知識的一種圖解表示，它是一個將模糊反饋動力系統中的因果事件、參與值、目標與趨勢等通過各概念間的弧線連線起來的圖結構，節點是概念、實體等，弧表示概念或實體間的因果關係，在結構上可以看作是面向對象的單層帶反饋的神經網路。與神經網路不同的是，模糊認知圖的每個節點與弧都有很強的語義，從而使整個圖都呈現很強的語義。它支持專家先驗知識及因果關係的表示與推理，這些都蘊涵在概念節點及概念節點間的關係中，並且可以通過概念間的關係來表示模糊推理，由整個圖中各概念節點的相互作用來模擬系統的動態行為，是一種無監督模型(unsupervised model)。其概念可以是系統的事件、目標、感情及趨勢等；概念值為模糊值，也可以是二值，反映該節點對某概念以某種程度發生或表示概念狀態是關還是開。概念節點的輸出與概念節點自身的狀態水平和外部因果聯繫的強度有關。模糊認知圖的有限輸入狀態可在虛擬空間中開闢一條通路，簡單模糊認知圖的通路可能終止於固定點或極限環，而對於具有反饋的複雜模糊認知圖可能終止於“混沌”的奇異吸引子。
結構
模糊認知圖是個有向圖，它將模糊反饋動力系統中的概念及概念間的關係通過弧線連線起來，強調“結構就是含義”。在模糊認知圖中，連線是儲存知識的基本單元，即知識存儲在概念節點及概念節點間的關係中，連線在系統運行中的作用即為知識的使用過程。概念間的連線描述了概念之間的邏輯關係，同時也溝通和體現了概念之間的相互作用。由於連線表達的關係是一種邏輯知識，而邏輯知識的使用過程就是一種推理過程，所以概念間的相互作用的過程就可以看作是依據連線關係進行推理的過程，連線的作用就是表示關係和執行推理。
一個具有n個節點的模糊認知圖，每個節點表示系統中的一個概念，這個概念可以是系統的事件、目標和趨勢等，每個概念通過狀態值來刻畫它的屬性。概念間的因果影響關係用有向弧表示，因果影響程度的大小用權值wij來反映。
圖1
當：
wij >0，則表示Ci的增加將導致Cj的增加，Ci與Cj之間存在正因果關係；
wij<0，則表示Ci的增加將導致Cj的減小，Ci與Cj之間存在負因果關係；
wij=0，則稱Ci與Cj之間不存在因果關係。
因果影響程度可用[O，1]模糊值表示，也可用自然語言描述，如：弱、很弱、中等、強、很強。
一個具有n個概念節點的模糊認知圖，可以用一個nxn階矩陣W=(wij)nxn 唯一確定。
特性
模糊認知圖作為一種智慧型工具，其行為能夠反映其智慧型特性，表現如下：
1)由數據驅動智慧型行為，符合人工智慧發展方向；
2)模糊認知圖的建立方便，表現問題直觀，能與領域專家頭腦中的知識結構形成很好的映射關係，因此，在很多問題領域常常直接由專家建立系統的模糊認知圖模型；
3)採用數值推理，相關事實可以從其直接相連的節點中推導出來，而不必遍歷整個知識庫；
4)對於任意數量的知識源可以分別構造自己的模糊認知圖，並經處理可得到一個聯合的知識分布；
5)模糊認知圖不僅可以表示語義網路，而且可以處理分布知識；
6)由於模糊認知圖是神經網路與模糊邏輯的結合，所以很容易引入學習機制，這為提高系統的智慧型化奠定了基礎。此外，在因果關係的描述上引入了模糊測度，使得它能夠更自然、更直接地表達人類習慣使用的邏輯含義，非常適合用於直接的或高層的知識表達；
7)具有反饋機制，使之可以為複雜動態系統建模，而樹結構、貝葉斯網路和Markov模型都無法表示具有反饋的動態因果系統。
分類
動態模糊認知圖
動態模糊認知圖（Dynamic Fuzzy Cognitive Maps）是基於隨機神經網網路模型（random neural network model）。
機率模糊認知圖
機率模糊認知圖（Probabilistic Fuzzy Cognitive Map，PFCM）由駱祥峰等首次提出。PFCM在概念節點間的因果關係中引入條件機率測度，該模型不僅能表示概念節點間的定性及模糊因果關係，而且能表示概念節點間的條件機率因果關係，並能退化為模糊認知圖。
