[发明专利]一种基于模糊神经网络的区间二型模糊认知图模型

说明书

本发明公开了一种基于模糊神经网络的区间二型模糊认知图模型，所述模型结构包括四层神经网络：第一层为样本数据的输入层，该层神经元将初始输入变量通过激活函数传递给下一层的神经元；第二层为隶属度函数层，用于实现概念模糊化，同时结合区间二型模糊集合理论解决了概念间因果关系的不确定性；第三层与第二层相对应，通过定义的互函数量化概念之间的因果关系并进行解模糊化过程；第四层为样本数据降型输出层，将经过解模糊化后得到的区间值降型为一个确定的单值并输出。所述模型在计算隶属度函数的过程中结合了区间二型模糊集合理论来描述概念之间相互关系的不确定性，使得新型模糊认知图模型更加的健壮和准确。

技术领域

本发明涉及模糊神经网络和模糊认知图领域，具体涉及一种基于模糊神经网络的区间二型模糊认知图模型。

背景技术

认知图(cognitive map,CM)是表达和推理系统中概念间因果关系的图模型，节点和边分别表示概念及概念间的因果关系。它首先由Tloman在1948年提出，Kelly在1955年将其引入因果关系的定性分析中，Axelord在1976年将其具体应用于政治分析中。由于认知图模型仅能表示概念间关系增加与减少两种定性状态，不能量化因果关系的变化程度，故Kosko于1986年在概念间因果关系中引入模糊测度，把概念间的三值{-1,0,1}逻辑关系扩展为区间[-1,1]的模糊关系，提出模糊认知图模型(fuzzy cognitive map，FCM),用于概念间模糊因果关系的表达与推理。模糊逻辑显然比三值逻辑能携带更多的信息，因此FCM的表达和推理能力更强，是目前认知图研究的主流。

模糊认知图由多个概念以及代表概念之间的因果关系的边组成，其中C是概念，它也可为系统的事件、目标、感情以及趋势等，反应系统的属性、特征、质量和状态。C具有一定的状态，状态值是模糊值，也可为二值{0,l}，以表示概念状态存在的程度或处于的开/关状态。边ω_ij,为原因概念C_i对结果概念C_j的影响程度，其为模糊值，也可退化为三值{-1,0,1}逻辑。若ω_ij＞0，则表示C_i的变化引起C_j同方向变化的程度；若ω_ij＜O，则表示C_i的变化引起C_j反方向变化的程度；若ω_ij＝0，则表示概念C_i与C_j不存在因果关系。

FCM易于表示系统中对象间的模糊关系以及相互作用程度，具有较强的处理结构化信息的能力,其推理过程可通过简单的矩阵运算来实现,但由于其灵活性较差,较难表示对象及其因果关系的动态性与不确定性,故它们的预测能力有限。而神经网络具有较强的处理动态信息的能力,将其融合到FCM中有助于从复杂不确定或主观的知识中获取有用的信息。其次，由于考虑到概念之间因果关系的不确定性，引入区间二型的模糊集合理论结合到神经网络中。

区间二型模糊集合中所谓给定了论域u上的集合A，是指都指定了一个函数μ_A(u)∈[0,1]与之对应，它叫做u对A的隶属度函数。

给定论域X及其元素x∈X,二型模糊集合由隶属度函数表示为：

其中u为次变量，J_x为主隶属度，它是主变量x对应隶属度值，通常为一个区间值；给定主变量x＝x₀,x在x₀处的隶属度为次变量u，则以u为横轴以为纵轴的切面就是次隶属度函数，即：

次隶属度函数就是一个一型模糊集合。而次隶属度函数的定义域J_x则为主隶属度函数。