Skip to content
بازگشت به نتایج جست‌وجو

نقشه‌های شناختی فازی (FCM)

معرفی‌شده توسط
Bart Kosko
سال
1986
نوع
Fuzzy causal/feedback network for scenario analysis
خانواده
Cognitive mapping

این متن ترجمه ماشینی است و هنوز بازبینی نشده است. متن اصلی را به انگلیسی بخوانید

اندازه قلم

چه کاری انجام می‌دهد؟

نقشه شناختی فازی، که در سال ۱۹۸۶ توسط بارت کوسکو معرفی شد، سیستمی را به صورت شبکه‌ای از مفاهیم متصل به هم با پیوندهای سببی وزن‌دار و علامت‌دار نشان می‌دهد و شبیه‌سازی می‌کند که چگونه مفاهیم در طول زمان بر یکدیگر تأثیر می‌گذارند. با ترکیب ساختار شهودی نقشه شناختی با وزن‌های فازی و فعال‌سازی تکراری، FCMها به متخصصان اجازه می‌دهند دانش سببی را کدگذاری کرده و سپس سناریوهای «چه می‌شود اگر» را اجرا کنند – این امر آنها را برای تحلیل سیاست، تصمیم‌گیری استراتژیک و مدل‌سازی سیستم‌های پیچیده اجتماعی-فنی محبوب کرده است.

شهود پشت روش

متخصصان اغلب یک سیستم را به صورت «هرچه بیشتر از این باعث بیشتر از آن می‌شود، اما کمتر از دیگری» درک می‌کنند – شبکه‌ای از پیکان‌های سببی با قدرت و علامت متغیر. یک FCM آن مدل ذهنی را به یک گراف جهت‌دار تبدیل می‌کند: گره‌ها مفاهیم هستند (به عنوان مثال، سرمایه‌گذاری، تقاضا، آلودگی)، پیکان‌ها وزن‌هایی بین ۱- و ۱+ را برای میزان و جهت تأثیر یک مفهوم بر دیگری حمل می‌کنند. برای بررسی پیامدها، مقادیر اولیه مفاهیم را تعیین کرده و اجازه می‌دهید فعال‌سازی در سراسر شبکه منتشر شود، هر مفهوم از تأثیرات وزن‌دار مفاهیم دیگر به‌روزرسانی شده و به یک محدوده کراندار فشرده می‌شود، تا زمانی که سیستم تثبیت شود. وضعیت پایدار حاصل نشان می‌دهد که حلقه‌های بازخورد سیستم تحت یک سناریوی معین آن را به کجا هدایت می‌کنند.

تاریخ

بارت کوسکو نقشه‌های شناختی فازی را در سال ۱۹۸۶ معرفی کرد و نقشه‌های شناختی (دودویی) قبلی اکسل‌رود را با وزن‌های فازی و فعال‌سازی پویا گسترش داد و منطق فازی را با انتشار به سبک شبکه عصبی متحد کرد. این روش در دهه‌های ۱۹۹۰ تا ۲۰۱۰ با الگوریتم‌های یادگیری (یادگیری وزن هبی و تکاملی)، افزونه‌ها (FCMهای پویا، خاکستری و شهودی) و ادبیات کاربردی گسترده‌ای که توسط پاپیریگو و سالمرون (۲۰۱۳) بررسی شد، بالغ شد. FCMها در تقاطع نرم‌افزار، مدل‌سازی سیستم و پشتیبانی تصمیم قرار دارند و مکمل دینامیک سیستم و شبکه‌های بیزی هستند.

چه زمانی استفاده شود

از نقشه‌های شناختی فازی برای مدل‌سازی و شبیه‌سازی سیستم‌هایی که تحت سلطه بازخورد سببی بین مفاهیم کیفی یا نیمه‌کمی هستند، به ویژه زمانی که دانش تخصصی منبع اصلی داده است و هدف، کاوش سناریو و سیاست‌گذاری است نه پیش‌بینی عددی دقیق – که در مدیریت محیط زیست، پشتیبانی تصمیم پزشکی، کنترل مهندسی و برنامه‌ریزی استراتژیک رایج است. آنها برای مدل‌سازی مشارکتی (ذی‌نفعان می‌توانند نقشه را بسازند و بازرسی کنند) و ترکیب نقشه‌های چندین متخصص ارزشمند هستند. محدودیت‌ها: دینامیک به تابع فشرده‌سازی و وزن‌های انتخاب شده بستگی دارد، FCMها تأثیر سببی نسبی را به جای مقادیر کالیبره شده ثبت می‌کنند، رفتار همگرایی می‌تواند حساس باشد، و فرض می‌کنند که ساختار سببی صحیح است. هنگامی که دینامیک کمی دقیق یا استنتاج احتمالی دقیق مورد نیاز است، دینامیک سیستم یا شبکه‌های بیزی ممکن است مناسب‌تر باشند.

محدودیت‌ها و ملاحظات

  • تأثیر سببی نسبی را ثبت می‌کند، نه مقادیر کمی کالیبره شده.
  • پیامدها به تابع فشرده‌سازی، وزن‌ها و طرح به‌روزرسانی بستگی دارند.
  • همگرایی می‌تواند حساس باشد و ممکن است چرخه‌های حدی یا آشوب ایجاد کند.
  • فرض می‌کند ساختار سببی استخراج شده صحیح است؛ پیوندهای از دست رفته نتایج را مغشوش می‌کنند.

شرایط منبع جایگزین بررسی علمی مستقل یا اعتبارسنجی توسط موتور تحلیل نیست.

نقاط قوت

  • دانش سببی متخصص را در یک گراف شهودی و قابل بازرسی رمزگذاری می‌کند.
  • دینامیک بازخورد را شبیه‌سازی کرده و از تحلیل سریع سناریوی «چه می‌شود اگر» پشتیبانی می‌کند.
  • مفاهیم کیفی/نیمه‌کمی را بدون داده دقیق مدیریت می‌کند.
  • از مدل‌سازی مشارکتی و ادغام نقشه‌های چندین متخصص پشتیبانی می‌کند.

کاربردها

  • تحلیل سناریوی مدیریت محیط زیست و اکولوژیکی.
  • پشتیبانی تصمیم پزشکی و تشخیص از مدل‌های مفهوم سببی.
  • برنامه‌ریزی استراتژیک و تحلیل سیاست «چه می‌شود اگر» با ذی‌نفعان.
  • کنترل فرآیند مهندسی و تحلیل خطا.
  • مدل‌سازی سیستم‌های اجتماعی-اقتصادی که در آنها حلقه‌های بازخورد غالب هستند.

چگونه کار می‌کند

چگونه کار می‌کند

1

مفاهیم C₁…Cₙ که در سیستم اهمیت دارند و ماتریس وزن سببی W را تعریف کنید، که در آن wᵢⱼ ∈ [−۱, ۱] قدرت و علامت تأثیر مفهوم i بر مفهوم j را رمزگذاری می‌کند. وزن‌ها از قضاوت متخصص، از داده‌ها، یا از الگوریتم‌های یادگیری می‌آیند؛ مثبت به معنای ترویج و منفی به معنای مهار است.

فرمول
C_1,\ldots,C_n;\quad W = [w_{ij}] \in [-1,1]^{n\times n}\ (\text{causal weights})
2

هر مفهوم دارای یک مقدار فعال‌سازی است. در هر مرحله، مقدار جدید یک مفهوم، مقدار قبلی آن به اضافه مجموع وزن‌دار فعال‌سازی‌های تمام مفاهیم ورودی به آن است. این انتشار تأثیر سببی از طریق ساختار بازخورد شبکه است.

فرمول
A_i^{(t+1)} = f\!\left(A_i^{(t)} + \sum_{j\neq i} w_{ji}\,A_j^{(t)}\right)
3

تأثیر جمع شده از طریق یک تابع فشرده‌سازی (آستانه) – معمولاً یک سیگموئید با شیب λ، یا یک تابع علامت/تانژانت هیپربولیک – عبور داده می‌شود تا فعال‌سازی‌ها در یک محدوده کراندار (مانند [۰,۱] یا [−۱,۱]) باقی بمانند و غیرخطی بودن را معرفی کنند، بنابراین مفاهیم نمی‌توانند بدون محدودیت رشد کنند.

فرمول
f(x) = \dfrac{1}{1+e^{-\lambda x}}\quad (\text{sigmoid squashing})
4

به‌روزرسانی تکرار می‌شود تا زمانی که فعال‌سازی‌ها تغییر نکنند (یک نقطه ثابت جاذب)، در یک چرخه حدی تکراری تثبیت شوند، یا آشفته اعلام شوند. الگوی همگرا نتیجه سناریو است؛ مقایسه حالت‌های همگرا در تنظیمات اولیه یا ویرایش وزن‌های مختلف، نحوه پاسخ FCMها به سؤالات «چه می‌شود اگر» و سیاست‌گذاری را نشان می‌دهد.

فرمول
\text{iterate until } A^{(t+1)} \approx A^{(t)}\ (\text{fixed point / limit cycle})

دام‌های رایج

  • خوانش مقادیر مفهوم همگرا به عنوان پیش‌بینی‌های دقیق به جای گرایش‌های نسبی.
  • نادیده گرفتن اینکه چگونه انتخاب تابع آستانه و λ حالت پایدار را تغییر می‌دهد.
  • ساخت نقشه‌ها با وزن‌های تخصصی تأیید نشده و رفتار با آنها به عنوان حقیقت مطلق.
  • نادیده گرفتن عدم همگرایی (چرخه‌های حدی) و گزارش یک حالت گذرا به عنوان نتیجه.

پرسش‌های متداول

FCM چگونه با شبکه بیزی متفاوت است؟

هر دو گراف‌های جهت‌دار بر روی مفاهیم هستند، اما شبکه بیزی توزیع‌های احتمال شرطی را رمزگذاری می‌کند و غیرمدور است و از استنتاج احتمالی پشتیبانی می‌کند. یک FCM از وزن‌های فازی علامت‌دار استفاده می‌کند، اجازه حلقه‌ها (بازخورد) را می‌دهد و به صورت پویا تا رسیدن به حالت پایدار شبیه‌سازی می‌شود. FCMها برای سناریوهای «چه می‌شود اگر» غنی از بازخورد بهتر هستند؛ شبکه‌های بیزی برای استدلال احتمالی دقیق.

وزن‌ها از کجا می‌آیند؟

معمولاً از قضاوت متخصص (اغلب به صورت عبارات زبانی که به اعداد نگاشت می‌شوند)، از داده‌های تاریخی، یا از الگوریتم‌های یادگیری مانند تنظیم وزن هبی یا تکاملی. از آنجایی که پیامدها به وزن‌ها بستگی دارند، منبع و اعتبار سنجی آنها همیشه باید گزارش شود.

اگر FCM همگرا نشود به چه معناست؟

به جای تثبیت در یک نقطه ثابت، سیستم می‌تواند بسته به وزن‌ها و تابع فشرده‌سازی وارد یک چرخه حدی (الگوی تکراری) یا رفتار آشفته شود. عدم همگرایی به خودی خود در مورد ساختار بازخورد سیستم آموزنده است، اما یک حالت گذرا نباید به عنوان نتیجه سناریو گزارش شود.

روش‌های مرتبط

منابع

  1. Kosko, B. (1986). Fuzzy cognitive maps. International Journal of Man-Machine Studies, 24(1), 65–75.

    باز کردن مرجع DOI
    کپی شد.
  2. Papageorgiou, E. I., & Salmeron, J. L. (2013). A review of fuzzy cognitive maps research during the last decade. IEEE Transactions on Fuzzy Systems, 21(1), 66–79.

    باز کردن مرجع DOI
    کپی شد.