Skip to content
Назад к результатам поиска

Нечеткие когнитивные карты (FCM)

Автор метода
Bart Kosko
Год
1986
Тип
Fuzzy causal/feedback network for scenario analysis
Семейство
Cognitive mapping

Этот текст переведён машинным способом и ещё не проверен. Читать оригинал на английском

Размер шрифта

Что он делает?

Нечеткая когнитивная карта, представленная Бартом Коско в 1986 году, представляет систему как сеть концептов, связанных взвешенными причинно-следственными связями с определенным знаком, и моделирует, как концепты влияют друг на друга с течением времени.

Объединяя интуитивную структуру когнитивной карты с нечеткими весами и итеративной активацией, FCM позволяют экспертам кодировать причинно-следственные знания, а затем запускать сценарии «что, если», что делает их популярными для анализа политики, стратегического принятия решений и моделирования сложных социально-технических систем.

Интуиция метода

Эксперты часто понимают систему как «больше этого вызывает больше того, но меньше другого» — сеть причинно-следственных стрелок различной силы и знака. FCM превращает эту ментальную модель в ориентированный граф: узлы — это концепты (например, инвестиции, спрос, загрязнение), стрелки несут веса от −1 до +1, показывающие, насколько сильно и в каком направлении один концепт влияет на другой. Чтобы исследовать последствия, вы устанавливаете начальные значения концептов и позволяете активации распространяться по сети, при этом каждый концепт обновляется под влиянием взвешенных воздействий других и сжимается в ограниченный диапазон, пока система не стабилизируется. Полученное стационарное состояние показывает, к чему приводят петли обратной связи системы в данном сценарии.

История

Барт Коско представил нечеткие когнитивные карты в 1986 году, расширив более ранние (бинарные) когнитивные карты Аксельрода нечеткими весами и динамической активацией, объединив нечеткую логику с распространением в стиле нейронных сетей. Метод развивался в 1990-х–2010-х годах благодаря алгоритмам обучения (обучение весов по Хеббу и эволюционное обучение), расширениям (динамические, серые и интуиционистские FCM) и обширной литературе по применению, рассмотренной Папагеоргиу и Салмероном (2013). FCM находятся на стыке мягких вычислений, системного моделирования и поддержки принятия решений, дополняя системную динамику и байесовские сети.

Когда применять

Используйте нечеткие когнитивные карты для моделирования и симуляции систем, в которых доминирует причинная обратная связь между качественными или полуколичественными концептами, особенно когда экспертные знания являются основным источником данных, а цель — исследование сценариев и политики, а не точное численное прогнозирование. Это характерно для управления окружающей средой, поддержки принятия медицинских решений, инженерного управления и стратегического планирования. Они ценны для партисипативного моделирования (заинтересованные стороны могут строить и проверять карту) и для объединения карт нескольких экспертов. Ограничения: динамика зависит от выбранной функции сжатия и весов, FCM отражают относительное причинное влияние, а не калиброванные величины, поведение сходимости может быть чувствительным, и предполагается, что причинная структура верна. Когда нужны точная количественная динамика или строгий вероятностный вывод, более подходящими могут быть системная динамика или байесовские сети.

Ограничения и замечания

  • Отражает относительное причинное влияние, а не калиброванные количественные величины.
  • Результаты зависят от функции сжатия, весов и схемы обновления.
  • Сходимость может быть чувствительной и приводить к предельным циклам или хаосу.
  • Предполагает, что выявленная причинная структура верна; пропущенные связи искажают результаты.

Условия из источника не заменяют независимую научную проверку или валидацию аналитическим движком.

Сильные стороны

  • Кодирует экспертные причинно-следственные знания в интуитивно понятном, проверяемом графе.
  • Моделирует динамику обратной связи и поддерживает быстрый анализ сценариев «что, если».
  • Обрабатывает качественные/полуколичественные концепты без точных данных.
  • Поддерживает партисипативное моделирование и объединение карт нескольких экспертов.

Применение

  • Анализ сценариев в области управления окружающей средой и экологией.
  • Поддержка принятия медицинских решений и диагностика на основе моделей причинных концептов.
  • Стратегическое планирование и анализ политики «что, если» с участием заинтересованных сторон.
  • Управление технологическими процессами и анализ отказов в инженерии.
  • Моделирование социально-экономических систем, в которых доминируют петли обратной связи.

Как это работает

Как это работает

1

Определите концепты C₁…Cₙ, имеющие значение в системе, и матрицу весов причинности W, где wᵢⱼ ∈ [−1, 1] кодирует силу и знак влияния концепта i на концепт j. Веса поступают из экспертных суждений, данных или алгоритмов обучения; положительное значение означает стимулирование, отрицательное — подавление.

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

Каждый концепт имеет значение активации. На каждом шаге новое значение концепта равно его предыдущему значению плюс взвешенная сумма активаций всех концептов, входящих в него. Это распространение причинно-следственного влияния через структуру обратной связи сети.

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

Суммарное влияние пропускается через функцию сжатия (пороговую функцию) — обычно сигмоиду с крутизной λ или функцию знака/гиперболического тангенса — чтобы удерживать активации в ограниченном диапазоне (например, [0,1] или [−1,1]) и вводить нелинейность, чтобы активации не росли безгранично.

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

Обновление повторяется до тех пор, пока активации не перестанут изменяться (аттрактор — неподвижная точка), не войдут в повторяющийся предельный цикл или не будут признаны хаотическими. Установившаяся картина — результат сценария; сравнение установившихся состояний при разных начальных значениях или изменениях весов — это способ, которым FCM отвечают на вопросы «что, если» и вопросы политики.

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

Частые ошибки

  • Интерпретация сходящихся значений концептов как точных прогнозов, а не относительных тенденций.
  • Игнорирование того, как выбор пороговой функции и λ изменяет стационарное состояние.
  • Построение карт с непроверенными экспертными весами и их трактовка как истина в последней инстанции.
  • Игнорирование отсутствия сходимости (предельных циклов) и представление переходного состояния как результата.

Часто задаваемые вопросы

Чем FCM отличается от байесовской сети?

Обе представляют собой ориентированные графы на множестве концептов, но байесовская сеть кодирует условные распределения вероятностей и является ациклической, поддерживая вероятностный вывод. FCM использует взвешенные нечеткие веса с определенным знаком, допускает циклы (обратную связь) и моделируется динамически до стационарного состояния. FCM лучше подходят для сценариев «что, если» с сильной обратной связью; байесовские сети — для строгого вероятностного рассуждения.

Откуда берутся веса?

Обычно из экспертных суждений (часто выраженных в виде лингвистических терминов, сопоставленных с числами), из исторических данных или из алгоритмов обучения, таких как обучение весов по Хеббу или эволюционное обучение. Поскольку результаты зависят от весов, их источник и валидация всегда должны быть указаны.

Что означает, если FCM не сходится?

Вместо стабилизации в фиксированной точке система может войти в предельный цикл (повторяющийся шаблон) или хаотическое поведение, в зависимости от весов и функции сжатия. Несходимость сама по себе информативна о структуре обратной связи системы, но переходное состояние не следует представлять как результат сценария.

Похожие методы

Источники

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

    Открыть ссылку DOI
    Скопировано.
  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.

    Открыть ссылку DOI
    Скопировано.