基于全新融合机制的模糊认知图集成分类器模型与算法研究

This project is to break through the limitations of FCM inference mechanism and learning methods which is difficult in fully implementing its' expression skill and strong reasoning ability. Furthermore, we aim to open a new research path which seems the mechanism construction as the core companied with the building the model and algorithm to adapt to the complex and dynamic systems. Based on our former study, the object of this project includes (1) use the heuristic coordinator to solve the knowledge shortage bottleneck in the learning process for fuzzy cognitive map classifier;(2) then put forward to a quantum genetic mechanism and then chaotic quantum based fuzzy cognitive map ensemble classifiers model, to speed up the classification speed. 3) Finial, we will construct a collaborative evolutionary mechanism based fuzzy cognitive map ensemble classifier model, trying to solve the accuracy bottleneck of the basic classifier. All the contributions will be applied to a challenging problem in the field of bioinformatics, protein secondary structure prediction, to test its effectiveness and progressiveness.According to a large number of documents, it is confirmed that theresearch line is proposed for the first time at home and abroad, following our previousNational Natural Science Foundation of China, and they probably render a seriesresearch fruits possible.

本研究突破国内外模糊认知图(Fuzzy Cognitive Map ,FCM)集成分类器研究局限于推理机制和学习方法框架的现状，另辟了以机理研究为核心、构造其模型与算法的新路经，以适应在复杂、动态系统中动力学分析等研究领域的需要。主要研究内容如下 ：(1)基于启发协调机制，解决模糊认知图分类器学习过程中知识短缺瓶颈；(2) 基于量子进化机制提出全新的量子遗传态下和混沌量子遗传态下模糊认知图分类器算法，以解决其关键技术中的分类速度问题； (3) 基于协同演化机制，并与前二机制融合构造模糊认知图集成分类器模型，以解决各基本分类器集成精度难以提高这一核心技术难题。将以上模型与算法应用于生物信息学领域挑战性难题---蛋白质二级结构预测中。经大量文献的跟踪与查新，证实该项研究线路在国内外尚属首次，且是此前承担国家自然科学基金项目成果的拓展，形成了一个研究系列。

本研究突破国内外模糊认知图局限于学习方法和演化机制的传统路线，着眼于提升复杂情境下模糊认知图学习速度和提升分类精度，另辟蹊径，构建模糊认知图学习算法和分类模型。我们已按照研究计划要求完成研究计划要点，具体包括：（1）从研究进展的视角,归纳了FCM的基本框架和推理机制，总结了主流研究中FCM的基本类型，分析了FCM学习算法的主要特征，提出了今后专题研究方向的基本设想；（2）提出了一种基于量子遗传的模糊认知图分类器学习方法FCMCM_QCA，FCMCM_QCA有效利用了量子演化算法，加速了FCMCM的学习速度，重要的是，FCMCM_QCA能够准确挑选出分类精度较好的分类器，为集成分类器的产生提供了重要保障。（3）提出基于启发协调机制，解决模糊认知图分类器学习过程中知识短缺瓶颈，这种以机理研究为核心的新路经，以适应在复杂、动态系统中动力学分析等研究领域的需要。（4）构建了模糊认知图集成分类器模型，有效提升了分类器分类精度。以上模型与算法已应用到多个领域，包括生物信息学领域蛋白质二级结构预测中，取得了较好结果。已出版专著1部，发表各类论文8篇，授权国家发明专利1项，软件著作权2项，圆满完成项目预期研究目标。