Fuzzy Cognitive Maps for Applied Sciences and Engineering: From Fundamentals to Extensions and Learning Algorithms

نقشه‌های شناختی فازی (FCM) مدل‌های شناختی را به شکل نمودارهای جهت‌دار فازی تشکیل می‌دهند که از دو عنصر اساسی تشکیل شده‌اند: گره‌ها، که اساساً با "مفاهیم" مطابقت دارند که دارای حالت‌های مختلف فعال‌سازی هستند. بسته به دانشی که نشان می‌دهند، و «لبه‌ها» نشان‌دهنده تأثیرات علی است که هر گره منبع بر مفهوم دریافت‌کننده اعمال می‌کند که از طریق وزن‌ها بیان می‌شود. اوزان مقادیری را در بازه [-1،1] می گیرند که نشان دهنده رابطه علی مثبت، منفی یا خنثی بین دو مفهوم است. یک FCM را می توان به طور معمول از طریق اصطلاحات زبانی، ذاتی سیستم های فازی، اما با ساختاری شبیه به شبکه های عصبی، که پردازش داده ها را تسهیل می کند و دارای قابلیت هایی برای آموزش و انطباق است، به دست آورد.

در طول 10 سال گذشته. ، رشد تصاعدی مقالات منتشر شده در FCM ها دنبال شد که پتانسیل تاثیرگذاری زیادی را نشان می داد. ساختارهای مختلف FCM و طرح‌های یادگیری توسعه یافته‌اند، در حالی که مطالعات متعددی استفاده از آنها را در زمینه‌های بسیاری با نتایج مدل‌سازی بسیار موفق گزارش می‌کنند.

هدف این کتاب پر کردن شکاف موجود در ادبیات مربوط به مبانی، مدل‌ها، الحاقات و الگوریتم‌های یادگیری برای FCM در مهندسی دانش است. این به طور جامع روش‌های مدل‌سازی و یادگیری FCM را با الگوریتم‌ها، کدها و ابزارهای نرم‌افزاری پوشش می‌دهد و مجموعه‌ای از برنامه‌ها را ارائه می‌کند که کاربردهای مختلف آن‌ها را در علوم کاربردی و مهندسی نشان می‌دهد.

Fuzzy Cognitive Maps (FCM) constitute cognitive models in the form of fuzzy directed graphs consisting of two basic elements: the nodes, which basically correspond to “concepts” bearing different states of activation depending on the knowledge they represent, and the “edges” denoting the causal effects that each source node exercises on the receiving concept expressed through weights. Weights take values in the interval [-1,1], which denotes the positive, negative or neutral causal relationship between two concepts. An FCM can be typically obtained through linguistic terms, inherent to fuzzy systems, but with a structure similar to the neural networks, which facilitates data processing, and has capabilities for training and adaptation.

During the last 10 years, an exponential growth of published papers in FCMs was followed showing great impact potential. Different FCM structures and learning schemes have been developed, while numerous studies report their use in many contexts with highly successful modeling results.

The aim of this book is to fill the existing gap in the literature concerning fundamentals, models, extensions and learning algorithms for FCMs in knowledge engineering. It comprehensively covers the state-of-the-art FCM modeling and learning methods, with algorithms, codes and software tools, and provides a set of applications that demonstrate their various usages in applied sciences and engineering.