《Deep Fuzzy Cognitive Maps for Interpretable Multivariate Time Series Prediction》
目錄
1. 模糊認知圖(Fuzzy Cognitive Map, FCM)
1. 模糊認知圖(Fuzzy Cognitive Map, FCM)
1.1背景
從神經網絡的角度來看,可以把它看做是一個單層神經網絡,因此很多基於神經網絡的研究都可以進行借鑑;從圖的角度來看,它是一種有向加權圖,因此我們也可以藉助一些圖論方面的知識對其進行研究。另一方面,FCM允許反饋機制的存在,這樣也就爲複雜系統建模提供了可能。
1.2 FCM的基本概念
FCM描述了系統概念集和概念間的因果關係,它的具體定義如下:
FCM可以表示爲一個四元組
- 其中表示構成有向圖的頂點的概念集。
- 表示概念節點到的有向邊的權重,則所有節點構成的權重矩陣表示爲。
- 表示概念節點到激活度的映射,則表示當前t時刻所有概念節點的激活度,也就是G在t時刻的狀態,其中。
- f表示壓縮函數(squashing function),表示概念節點的激活度在t時刻到t+1時刻的轉換函數,即:,f用sigmoid函數表示,將激活度映射到[0,1]區間 ,其中 表示陡峭參數, 越大,sigmoid函數的形狀越接近節約函數,通常
1.3 FCM的權重更新
非線性Hebbian學習算法(Nonlinear Hebbian Learning, NHL)
權值更新公式:
2.深度模糊認知圖Deep FCM(DFCM)
DFCM結構
:第i個概念
:第i個概念的模糊激活狀態
:所有概念的模糊激活狀態(系統激活狀態)
: 到 的關係,FCM中是個常數,但是DFCM中是的函數
: 系統激活狀態和 的關係
:外界因素對 的影響
A:時間序列模糊化
給定一個由一組概念組成的系統,我們表示一個概念j的原始時間序列爲
第一步:歸一化: 的均值 的標準差
第二步:用sigmoid函數模糊歸一化的時間序列 範圍是[0,1]
第三步:預測系統中給定激活狀態 ,
如果激活狀態只有0,1兩種狀態,直接a 就可以了
B: 模擬非線性的影響
基本FMC的一個缺陷就是描述非線性關係能力弱
DFMC擴展FMC爲:
: 系統激活狀態 和 的關係
:外界因素對 的影響
: sigmoid函數
顯然,當 , 時,DFMC就退化成FMC
使用神經網絡構建 :把 定義爲具有K個隱層的前饋神經網絡,第k層的神經元個數爲 ,在時間切片t中, k層第m個神經元的輸出爲:
是前一層n神經元到m神經元的權重,ReLU是激活函數
輸入:
預測輸出:
在f函數中沒有偏置項,輸出層也沒有用ReLU激活
C: 模擬外界因素影響
FMC:靜態輸入
DFMC:LSTM
把u函數序列輸入lstm
更新權重用的交替梯度下降的方法
D: 概念間關係
FCM的最大優勢在於它能夠揭示覆雜系統中的概念關係。這種優勢也稱爲FCM的可解釋性。基本的FCM使用 度量概念之間關係的強度。 的值有以下解釋:
表示概念 對概念 完全沒有影響;
表示 對 有正向影響;
表示 對 有負面影響
指的是 除了 之外的所有元素。
描述 增加 時 增加的大小來度量概念之間的關係。