基于动态数据和模糊认知图的复杂不确定系统建模、分析与控制

本项目应用多元时间序列分析、公理模糊集和模糊认知图，建立一套系统且较完善的基于系统动态数据的建模、分析和控制的理论与方法，以有效地分析和控制复杂不确定系统。. 首先，通过多元时间序列理论对系统所涉及的变量之间的动态相关性进行分析，确定相对独立子系统及其层次关系。 然后, 在公理模糊集的框架内, 根据历史数据，应用数据挖掘技术和机器学习理论，发现相关变量的因果关联、事件序列、动态变化趋势等对应的模糊规则；根据模糊规则的逻辑蕴涵关系确定模糊认知图的节点之间的连接方向,依据数据并通过算法学习模糊认知图权重。最后,应用此模糊认知图对复杂不确定系统进行有效的预测和控制，并分析预测精度和控制的稳定性。.本研究成果在数据可解释性建模、基于数据驱动的控制、人工智能等方面也具有重要的理论意义和应用价值。

为了有效地分析，预测和控制大规模、混杂、不确定的动态系统 (如经济系统、城市交通系统、一体化的生产过程)，迫切需要研究如何从获取的大量、动态、混杂且含有多种不确定性的系统数据中发现系统内在的特征和模式，克服传统预测与控制方法所面临的困难，还必须同时面对人类自然语言描述的感知信息的模糊性(主观不确定性)和现实世界广泛存在的随机性(客观不确定性)，以及应对与时间相关的数据动态特征。.本项目应用多元时间序列理论来发现动态数据研究所涉及众多变量之间的因果关联关系(Granger Causality)；然后在公理模糊集(研究模糊不确定性和随机不确定性统一处理方法的理论)框架内，依据历史数据，应用数据挖掘和机器学习等技术发现具有因果关联的变量之间的相关规则、事件序列、动态变化趋势等，将它们表示为模糊规则，并根据模糊规则的模糊逻辑蕴涵关系构建具有语义解释的模型。提出了一系列新的模糊聚类算法和模糊规则提取算法；对系统所涉及的变量之间的相关性进行分析，并对变量选择、部分线性模型以及信度理论进行了深入研究，并给出了一些可用于不确定性分析的不等式；对时间序列的（区间）预测、分割等问题进行研究，并取得了一些可应用于数据可解释性建模、动态数据的分析和解释等方面的具有重要的理论意义和应用价值的成果。.本研究成果在数据可解释性建模、基于数据驱动的控制、人工智能等方面也具有重要的理论意义和应用价值。