رویکردی برنقشه های شناختی فازی (FCM)، برای پیش بینی سری های زمانی

نقشه های شناختی فازی (FCM) به عنوان یک پارادایم قدرتمند برای بازنمایی دانش و مکانیزم شبیه سازی قابل اجرا در زمینه های تحقیقاتی و کاربردی متعدد، توجه زیادی را از جوامع تحقیقاتی مختلف به خود جلب کرده است. با این حال، FCM های سنتی روش های کارآمدی را برای تعیین وضعیت های سیستم مورد بررسی و تعیین کمیت علت ها که اساس نظریه FCM هستند، ارائه نمی دهند. بنابراین در بسیاری از موارد، ساخت FCM برای سیستم های علی پیچیده تا حد زیادی به دانش متخصص بستگی دارد. مدل های توسعه یافته دستی به دلیل ذهنی بودن مدل و مشکلات دسترسی به قابلیت اطمینان آن، کاستی قابل توجهی دارند. در میان رویکردهای مختلف محاسبات نرم برای پیش بینی سری های زمانی، نقشه های شناختی فازی (FCM) نتایج قابل توجهی را به عنوان ابزاری برای مدل سازی و تحلیل دینامیک سیستم های پیچیده نشان داده اند. FCM شباهت هایی به شبکه ها ی عصبی بازگشتی دارد و می تواند به عنوان یک روش فازی عصبی طبقه بندی شود. به عبارت دیگر FCM ها ترکیبی از منطق فازی، شبکه عصبی و جنبه های سیستم خبره هستند که به عنوان ابزاری قدرتمند برای شبیه سازی و مطالعه رفتار دینامیکی سیستم های پیچی ده عمل می کنند. جالب ترین ویژگی ها عبارتند از تفسیرپذیری دانش، ویژگی های پویا و قابلیت یادگیری. این مقاله مروری بر مرتبط ترین و جدیدترین مدل های پیش بینی سری زمانی مبتنی بر FCM است .علاوه بر این، مقدمه ای بر مبانی مدل FCM را در نظر می گیرد. همچنین، این مطالعه ایده هایی را برای تحقیقات آتی برای افزایش قابلیت های FCM به منظور پوشش برخ ی چالش ها در آزمایش های دنیای واقعی ارائه می دهد. علاوه بر این، تجهیز FCM ها به الگوریتم های یادگیری سریع یکی از دغدغه های اصلی در این زمینه است.