Szerzők:
SÖRFŐZŐ SZÜGYI Judit PhD hallgató
TAKÁCS Márta rendes egyetemi tanár
PAPP Zoltán docens
A Choquet-integrál egy rugalmas aggregációs eszköz, amely lehetővé teszi a nem additív mértékek figyelembevételét, ezáltal hatékonyan modellezheti a komplex rendszerekben megjelenő nemlineáris kapcsolatokat. Mivel a hagyományos additív modellek gyakran nem képesek megfelelően kezelni az összefüggő tényezők közötti interakciókat, a Choquet-integrál előnye abban rejlik, hogy súlyozott módon aggregálja az információt, figyelembe véve a bemenetek közötti összetett kölcsönhatásokat. A fuzzy kognitív térképek olyan modellek, amelyek dinamikus hálózatként írják le a rendszerek belső összefüggéseit, míg a tanuló algoritmusok adaptív számítási módszerek, amelyek lehetővé teszik a modellek számára, hogy a beérkező adatok alapján automatikusan finomítsák paramétereiket. Ez különösen fontos a fuzzy kognitív térképek esetében, amelyek kezdetben szakértői tudáson alapulnak, de a dinamikusan változó környezet miatt folyamatos módosításra szorulnak. A tanuló algoritmusok révén a térképek súlyai és kapcsolatai automatikusan optimalizálhatók, ezáltal növelve a modell prediktív pontosságát és alkalmazkodóképességét. A Choquet-integrál alkalmazása a fuzzy kognitív térképekben új lehetőségeket teremt a rendszer viselkedésének pontosabb modellezésére. Azáltal, hogy a nem additív hatások és az interakciók explicit módon kezelhetők, javítható a döntéstámogatási rendszerek teljesítménye. Különösen olyan esetekben jelenthet előnyt, ahol a hagyományos súlyozási és aggregációs módszerek nem képesek megfelelően reprezentálni a változó kapcsolatok komplexitását, ezáltal hozzájárulva a modellek megbízhatóságának és alkalmazkodóképességének növeléséhez.

Authors:
Judit SÖRFŐZŐ SZÜGYI PhD student
Márta TAKÁCS full professor
PAPP Zoltán docens
The Choquet integral is a flexible aggregation tool that enables the consideration of non-additive measures, thereby effectively modeling the nonlinear relationships present in complex systems. Since traditional additive models often fail to adequately handle the interactions between interconnected factors, the advantage of the Choquet integral lies in its ability to aggregate information in a weighted manner, accounting for intricate dependencies among inputs. Fuzzy cognitive maps are models that describe the internal relationships of systems as dynamic networks, while learning algorithms are adaptive computational methods that allow these models to automatically refine their parameters based on incoming data. This is particularly important for fuzzy cognitive maps, which are initially based on expert knowledge but require continuous modification due to dynamically changing environments. Through learning algorithms, the weights and connections within the maps can be automatically optimized, thereby improving the predictive accuracy and adaptability of the model. The application of the Choquet integral in fuzzy cognitive maps creates new opportunities for more accurate modeling of system behavior. By explicitly handling non-additive effects and complex interactions, decision-support systems can be enhanced in terms of performance. This is particularly advantageous in cases where traditional weighting and aggregation methods fail to properly represent the complexity of evolving relationships, thereby contributing to increased reliability and adaptability of the models.