一种智能神经模糊时序知识表示模型用于挖掘时序模式

时序知识的表示和时序数据的分析正在成为有效分类和预测的良好实践。对时序数据的知识表示方案进行了不同语义级别的测量。现有的模糊认知图（FCMs）便于在不确定性下建模动态系统进行知识表示和推理。然而，FCMs 是手动构建的，其可靠性评估受到人类专家验证的限制，并且缺乏在医学应用中推理所需的时序特征。本文提出了一种新的时序挖掘系统，称为模糊时序认知图（FTCM），它定义了 FCM 的完整离散时序扩展和模糊推理机制。在 FTCM 中，会测量在特定时间区间内概念的时序依赖性。本研究旨在通过提出一个四层模糊神经网络，从时序数据构建 FTCM，以减少复杂因果系统的动态建模复杂性。在这个建议的模型中，使用模糊时序互子集算子来测量 FTCM 中的激活传播，以实现因果关系的自动量化。此 FTCM 为一组时序临床记录而设计，可以进一步用于推理和预测，通过利用 Allen 的时序关系和模糊时序规则生成一组模糊时序规则来进行医学诊断。