[论文解读] Elementary fuzzy matrix theory and fuzzy models for social scientists

W. B. Vasantha Kandasamy, Florentín Smarandache+1 more|ArXiv.org|Feb 6, 2007

Cognitive Science and Mapping被引用 59

一句话总结

本文介紹了基礎模糊矩陣理論及六種新型模糊模型——模糊認知圖、模糊關係圖、雙向關聯記憶、模糊關聯記憶與模糊關係方程——專為社會科學家設計。它展示了這些具有時間依賴性的非傳統模型如何利用模糊矩陣揭示社會數據中的隱藏模式與相互關係，並透過實例與圖形化表示，為現實社會問題提供實用解決方案。

ABSTRACT

This book gives the basic notions of fuzzy matrix theory and its applications to simple fuzzy models. The approach is non-traditional in order to attract many students to use this methodology in their research. The traditional approach of mathematicians has conditioned students of sociology in such a manner that they are averse to using mathematical tools. Six simple types of fuzzy models that make use of fuzzy matrices are given. These models are distinct because they are time-dependent and can even be used for statistical data. The Fuzzy Cognitive Maps models gives the hidden pattern. Fuzzy Relational Maps model not only gives the hidden pattern but also gives the inter-relations between two sets of disjoint attributes. The Bidirectional Associative Memories model analyzes data depending on the time-period, while the Fuzzy Associative Memories model can give the gradation of importance of each attribute. Finally, the Fuzzy Relational Equation model is capable of giving a solution closer to the predicted solution. All the models are illustrated through elaborate examples of particular social problems.

研究动机与目标

• 透過引入易於理解的模糊矩陣理論，彌合社會科學家與數學工具之間的差距。
• 透過非傳統且直覺化的方法，解決社會學學生對數學的抗拒心理。
• 發展可應用於現實社會科學問題的實用模糊模型，特別針對具有時間依賴性與統計性數據的問題。
• 展示模糊矩陣如何揭示複雜社會系統中隱藏的模式與多項屬性之間的相互關係。
• 提供一個全面且以實例為導向的框架，用於在社會研究中應用模糊邏輯與矩陣。

提出的方法

• 將模糊矩陣理論作為建模社會數據不確定性的基礎框架。
• 基於矩陣運算發展六種不同的模糊模型，以分析具有不同程度複雜性的社會現象。
• 將模糊邏輯原則應用於矩陣代數，實現屬性重要性的漸進表達與隨時間動態分析。
• 使用圖形化表示（82張圖表與77幅圖形）來說明模型行為與數據模式。
• 採用時間依賴建模方法，反映社會系統在不同時期的變化。
• 將現實社會問題作為案例研究，以驗證模型的適用性與可解釋性。

实验结果

研究问题

• RQ1 如何調整模糊矩陣理論，使數學建模對社會科學家更具可及性？
• RQ2 模糊認知圖與模糊關係圖在建模社會系統時，其關鍵結構差異為何？
• RQ3 時間依賴的模糊模型在分析縱向或統計性社會數據方面有何改進？
• RQ4 模糊關聯記憶如何賦予與表示社會屬性之間重要性的漸進差異？
• RQ5 模糊關係方程在社會建模中，其解在多大程度上能精確逼近預測結果？

主要发现

• 所提出的模糊模型成功揭示了社會數據中的隱藏模式，此點透過詳細的案例研究得到驗證。
• 模糊關係圖能有效揭示兩組互不相交的社會屬性之間的相互關係，提供更深入的結構洞察。
• 模糊關聯記憶提供了一種機制，可依其相對重要性對屬性進行排序，進而支援社會政策分析中的優先順序設定。
• 模糊關係方程模型產生的解在統計上更接近預測值，從而提升模型準確度。
• 模型的時間依賴性使其能對不同時間區段的社會系統進行動態分析，進而提升預測能力。
• 整合82張圖表與77幅圖形顯著提升了模型的可解釋性與非數學背景使用者的參與度。