چکیده فارسی :

این مطالعه، یک بررسی بر روی جدید ترین روش های یادگیری و الگوریتم هایی که به نقشه شناختی فازی (FCMs) مرتبط است ارائه می کند. FCMs نمودار های نفوذ فازی شناخت ها هستند ، که مبتنی بر منطق فازی و جنبه های شبکه عصبی که مزیت های اصلی انها را به ارث می برند هستند. انگیزه آنها با توجه به ویژگی های پویا و قابلیت های یادگیری افزایش می یابد. این قابلیت آنها را برای مدل سازی و کارهای تصمیم گیری ضروری می سازد همانطور که آنها عملکرد این وظایف را بهبود می دهند. تعداد کارآمد از الگوریتم های یادگیری برای FCMs، با تغییر در ماتریس وزن FCM، به منظور به روز رسانی دانش اولیه از کارشناسان بشری و یا شامل هر دانش از داده های تاریخی به منظور تولید وزن های آموخته توسعه یافته است. تکنیک های یادگیری پیشنهاد شده به طور عمده بر روی سه جهت متمرکز شده اند: بر تولید ماتریس وزن بر اساس داده های تاریخی، در اقتباس از روابط علت و معلولی از FCM بر اساس مداخله کارشناسان، و در تولید وزن ماتریس با ترکیب دانش و اطلاعات کارشناسان.

چکیده انگلیسی :

This study presents a survey on the most recent learning approaches and algorithms that are related to fuzzy cognitive maps (FCMs). FCMs are cognition fuzzy influence graphs, which are based on fuzzy logic and neural network aspects that inherit their main advantages. They gained momentum due to their dynamic characteristics and learning capabilities. These capabilities make them essential for modeling and decision-making tasks as they improve the performance of these tasks. An efficient number of learning algorithms for FCMs, by modifying the FCM weight matrix, have been developed in order to update the initial knowledge of human experts and/or include any knowledge from historical data in order to produce learned weights. The proposed learning techniques have mainly been concentrated on three directions: on the production of weight matrices on the basis of historical data, on adaptation of the cause–effect relationships of the FCM on the basis of experts’ intervention, and on the production of weight matrices by combining experts’ knowledge and data. The learning techniques could be categorized into three groups on the basis of the learning paradigm: Hebbian-based, population based, and hybrid, which subsequently combine the main aspects of Hebbian-based- and population-based-type learning algorithms. These types of learning algorithms are the most efficient andwidely used to train the FCMs, according to the existing literature. A survey on recent advances on learning methodologies and algorithms for FCMs that present their dynamic capabilities and application characteristics in diverse scientific fields is established here.
Index Terms : Evolutionary algorithms, fuzzy cognitive maps (FCMs), fuzzy logic, genetic algorithms (GAs), Hebbian learning (HL), learning algorithms, neural networks.