نقشه های شناختی فازی پیشرفته (FCM)؛ رویکردی برای مدل سازی سیستم های پیچیده پویا
آرشیو
چکیده
نوشته ی حاضر، بررسی برخی مشکلات مدل سازی، بیان ویژگی ها و نیز تجزیه و تحلیل سیستم های پیچیده ی پویا (CDS) با استفاده از نقشه های شناختی فازی (FCM) و مطالعه موردی عوامل موثر بطلاق است. تجزیه و تحلیل و کنترل کارآمد CDS مبین آنست که، مشکل کلیدی CDS و تئوری کنترل؛ توسعه روش های تحلیل کیفی پویا و رفتار چنین سیستم هایی و ساخت الگوریتم های کنترل مناسب برای عملکرد موثر آنها است. مشکل آنست که توصیف کیفی بیشتر پارامترهای سیستم های پیچیده ی پویا، ناچارا منجر به ابهام، پیچیدگی و عدم قطعیت می شود، که نقشه های شناختی فازی (FCM) زمینه لازم برای تولید دانش جدید بر اساس برنامه های کاربردی سیستم را فراهم نموده و نیاز به رسیدگی به عدم قطعیت ها، ابهامات و نادرستی های مرتبط با مشکلات واقعی CDS را برطرف می کنند. در این مطالعه که بر روی عوامل موثر بر طلاق انجام شده است، ابتدا اصول اولیه FCM به طور خلاصه مطرح شده و سپس الگوریتم NHL برای آموزش مدل FCM و تنظیم وزنها با استفاده از عبارات فازی و تبدیل داده های کیفی مورد بحث قرار گرفته که نتایج حاصل می تواند نشان دهنده موفقیت و پیشرفت بیشتر مدل سازی و کنترل CDSبا استفاده از روش های محاسبات نرم باشد.Fuzzy Cognitive Map: an Adnanced Approach for Modeling Complex Systems
This article is an investigation of some problems of modeling, expression of characteristics and analysis of Complex Dynamic Systems (CDS) using Fuzzy Cognitive Maps (FCM). Efficient analysis and control of CDS is impossible without a formal model of the system. The key problem of CDS and control theory is to develop methods to qualitatively analyze the dynamics and behavior of such systems and to construct efficient control algorithms for their efficient operation. Most qualitative description of the parameters of complex dynamic systems inevitably leads to ambiguity, complexity and uncertainty. Reasons for using Fuzzy Cognitive Maps (FCM) in CDS modeling are presented. FCMs provide an opportunity to generate new knowledge based on system applications and address the need to address the uncertainties, ambiguities, and inaccuracies associated with real CDS problems. In this study, the basic principles of FCM are briefly presented and then the NHL algorithm for training the FCM model and adjusting these weights. With fuzzy expressions and converting qualitative data into quantitative, a presentation and an example about the factors affecting the phenomenon of divorce were presented. The example results are promising, further development of CDS modeling and control using soft computing methods.
تبلیغات
