Project R-11837

Leermethoden voor het omgaan met complexe knooppunten in Fuzzy Cognitieve Kaarten. (Onderzoek)

Fuzzy Cognitive Maps (FCM) (Kosko, 1986) zijn op verschillende gebieden gebruikt als simulatiemodel voor classificatie en regressie. De laatste tijd blijkt uit de literatuur een toename van de studies rond het leren van de netwerken, wat tot uiting komt in verschillende artikelen die onder meer door onderzoekers van de Universiteit Hasselt zijn gepubliceerd. Het vermogen van FCM's om te classificeren stelt hen in staat om deze parameter te gebruiken om versterkte leertechnieken te introduceren die voorspellingen ondersteunen en verbeteren. FCM's worden soms beperkt door de aard van echte problemen, waarvan sommige moeilijk zijn weer te geven. Dit voorstel is gebaseerd op de toepassing van leren met versterking en de introductie in het FCM van een nieuw concept om een netwerk bestaande uit netwerken te modelleren. Daarom is het voorstel samengevat in 3 fundamentele vragen: 1) Hoe kan het FCM-leren worden verbeterd door het gebruik van leren met versterking om de gewichtsmatrix bij te werken? 2) Welke acties moeten er worden ondernomen om de relaties tussen de knooppunten te verbeteren om een grotere beloning te krijgen om de prestaties van het netwerk te verbeteren? 3) Hoe kan je een knooppunt voorstellen, zodat het zich gedraagt als een netwerk, om zijn relaties en gewichten op een andere manier te actualiseren, afhankelijk van de vraag of de relaties naar binnen in het knooppunt of naar buiten met een externe knoop zijn? Het uiteindelijke doel van dit onderzoek is om een netwerk uit te werken die deze uitdagingen het hoofd kan bieden om de besluitvorming te ondersteunen.

01 april 2021 - 31 december 2024