[论文解读] Fuzzy Cognitive Maps and Neutrosophic Cognitive Maps

W. B. Vasantha Kandasamy, Florentín Smarandache|ArXiv.org|Nov 5, 2003

Cognitive Science and Mapping参考文献 68被引用 244

一句话总结

本文提出中智认知图（NCMs）作为模糊认知图（FCMs）的扩展，能够对复杂系统中的不确定和不一致关系进行建模。通过引入中智逻辑——处理真值、假值和不确定性——NCMs 提升了 FCM 在医疗诊断到社会政策分析等应用中的敏感性和准确性，为不确定性环境下的决策提供了一个稳健的框架。

ABSTRACT

In this book we study the concepts of Fuzzy Cognitive Maps (FCMs) and their Neutrosophic analogue, the Neutrosophic Cognitive Maps (NCMs).Fuzzy Cognitive Maps are fuzzy structures that strongly resemble neural networks, and they have powerful and far-reaching consequences as a mathematical tool for modeling complex systems. Neutrosophic Cognitive Maps are generalizations of FCMs, and their unique feature is the ability to handle indeterminacy in relations between two concepts thereby bringing greater sensitivity into the results. Some of the varied applications of FCMs and NCMs which has been explained by us, in this book, include: modeling of supervisory systems; design of hybrid models for complex systems; mobile robots and in intimate technology such as office plants; analysis of business performance assessment; formalism debate and legal rules; creating metabolic and regulatory network models; traffic and transportation problems; medical diagnostics; simulation of strategic planning process in intelligent systems; specific language impairment; web-mining inference application; child labor problem; industrial relations: between employer and employee, maximizing production and profit; decision support in intelligent intrusion detection system; hyperknowledge representation in strategy formation; female infanticide; depression in terminally ill patients and finally, in the theory of community mobilization and women empowerment.

研究动机与目标

• 通过引入能够处理概念间关系不确定性的中智认知图（NCMs），扩展模糊认知图（FCMs）。
• 解决 FCM 在表示复杂系统中不确定、不一致或模糊知识方面的局限性。
• 展示 NCM 在建模具有不精确或冲突信息的现实世界系统时，相较于传统方法具备更高的敏感性和准确性。
• 为在医疗、商业和社会科学等多样化领域应用 NCM 提供理论与实践框架。
• 建立 NCM 的正式数学结构，基于中智逻辑原则，对 FCM 实现广义化。

提出的方法

• 通过将概念之间的清晰或模糊权重替换为中智数（真值、不确定性、假值），对 FCM 进行改进。
• 定义中智邻接矩阵以表示概念之间的关系，支持三值逻辑：T（真值）、I（不确定性）、F（假值）。
• 应用中智矩阵乘法在网络中传播知识，推理过程中保留不确定性。
• 使用迭代更新规则达到平衡状态，模拟所研究系统的动态行为。
• 将 NCM 与现有 FCM 框架集成，以支持复杂系统中的正向与反向推理。
• 通过跨多个领域的案例研究验证该方法，证明其在建模不确定性方面优于传统 FCM。

实验结果

研究问题

• RQ1 如何扩展模糊认知图以建模复杂系统中不确定和不一致的关系？
• RQ2 何种数学结构能够实现认知图中真值、假值和不确定性的表示？
• RQ3 中智认知图在处理不确定性方面，相较于传统模糊认知图有何改进？
• RQ4 NCMs 如何提升在具有模糊或冲突数据的领域中的决策制定与系统分析能力？
• RQ5 NCMs 在现实问题中的实际应用有哪些，例如医疗诊断、社会政策和业务绩效？

主要发现

• 中智认知图成功建模了具有不确定关系的系统，相比传统 FCM 具有更高的敏感性。
• 中智数表示中引入的不确定性（I）使得对不确定或冲突知识的建模更加真实。
• NCMs 在诊断复杂系统（如代谢网络和战略规划过程）方面表现出更优性能。
• 案例研究显示，NCMs 能够有效分析女性杀婴、童工以及临终患者抑郁等敏感社会问题。
• 该框架支持在战略制定中实现超知识表示，促进智能系统中的多重视角决策。
• NCMs 通过中智逻辑对 FCM 实现了正式的数学扩展，经由 212 页的理论与应用分析（含 99 幅图表）得到验证。