چکیده:
به عنوان یک طرح کارامد برای ارائه اطلاعات و مکانیسم شبیه سازی متناسب با بررسی های بیشمار و در
حوزه های کاربردی طرح شناختی فازی توجه زیادی را از جوامع تحقیقاتی مختلف به سمت خود جلب
کرده است. به هر حال طرح شناختی فازی سنتی روش کارامدی را برای تعیین حالت سیستم مورد بحث و
تعیین کردن کمیت تلفاتی که مبنای نظریه طرح شناختی فازی را مشخص می کنند ایجاد میکند. بنابراین
در بسیاری از موارد، ایجاد طرح شناختی فازی برای سیستم های پیچیده بستگی به توان کارشناسی دارد.
مدل های ایجاد شده دستی دارای کمبودهایی از نظر خاص بودن مدل و مشکلاتی از نظر دسترسی به حد
معقول خود دارند. در این مقاله ما یک شبکه عصبی فازی را برای بالا بردن توان یادگیری طرح شناختی
فازی مطرح می کنیم به گونه ای که تعیین اتوماتیک تابع عضویت و مشخص کردن دلایل مربوط به آن با
مکانیسم اثباتی طرح شناختی فازی سنتی ادغام میگردد. به این ترتیب، مدل طرح شناختی فازی از
سیستمهای تحقیقی به صورت اتوماتیک از دادهها ایجاد شده و بنابراین مستقل از موارد کارشناسی شده
میباشند. به این ترتیب تفاسیر مشخصی در ارتباط با دلایل طرح شناختی فازی ایجاد شده و به این ترتیب
فرایند استنباط درکش اسان تر می گردد. به منظور ایجاد صحت در عملکرد، روش های بیان شده در پیش
بینی بی نظمیهای سری زمانی تست می گردد. بررسی های شبیه سازی شده کارای رویکردهای مطرح
شده را نشان می دهد.
خلاصه ماشینی:
در طرح شناختی فازی گره نشان دهنده مفهوم معنایی می باشد که از سیستم مورد نظر مشتق میشود (alpaydn et a,2015).
/ که در این فرمول، / به ترتیب به توصیف عملکرد دینامیکی سیستم مورد نظر در زمان مشخص / پرداخته و / به عنوان تابع حلقوی می باشد که نتایجی را در فاصله زمانی / به همراه دارد (chun,2011).
برای حل این مشکل، الگوریتم آموزشی مربوط به طرح شناختی فازی به گونه ای مطرح شده است که بر مبنای استراتژی تکاملی و فرایند بهینه سازی بخش ها می باشد.
علاوه بر این در بسیاری از اسناد مربوط به طرح شناختی فازی، تابع عضویت بر مبنای تجزیه تحلیل داده های اطلاعاتی یا اطلاعات کارشناسی شده مشخص می گردد (juang et al,2003).
این رویکرد مطرح شده به یکپارچه سازی فرایند استنباط طرح شناختی فازی با تعیین تابع عضویت و همچنین بررسی علت و معلول می پردازد.
همان طور که در بخش 2 توصیف شده است، مدل طرح شناختی فازی که مشابه هر یک از این فرایندهای کاربردی میباشد بر مبنای تابع عضویت و الگوه های مربوطه که به صورت اتوماتیک توسط فرایندهای آموزشی بیان میگردند مشخص میشوند (song et al,2006).
با استفاده از این مجموعه ها برای تعریف و مشخص کردن علت و معلول در طرح شناختی فازی و آسان تر کردن فرایند درک، رویکرد مطرح شده به صورت اتوماتیک به تعیین تابع عضویت و علت و معلول مربوط به سیستم مورد نظر می پردازد.
fuzzy cognitive maps: a model for intelligent supervisory control systems.
modeling complex systems using fuzzy cognitive maps.