此篇随笔仅用于记录学习内容方便以后查阅，主要参考了 迟亚雄. 模糊认知图智能学习算法与应用研究[D].
基于Hebbian的学习方法
核心思想：神经元的激活顺序和方式会影响权重的变化，若两神经元异步激活则降低权值，同步激活则增高权值。
特点：总是依赖专家知识。
非线性Hebbian学习算法[1]（Nonlinear Hebbian Learning, NHL）的初始化需要专家对concept进行干预，比如建议各concept的模糊值，这些模糊值的取值范围以及各concept之间的因果关系等。
数据驱动型NHL[2]（Data-driven Nonlinear Hebbian Learning, DDNHL），与NHL类似，但DDNHL利用了可观测到的数据进行学习来提高 FCMs 的模型质量。
集成学习与NHL相结合的学习算法[3]，用NHL训练模型，再使用集成学习算法提高性能。在学习模糊认知图的准确性方面由于DDNHL。
基于进化计算的学习方法
Hebbian的方法比较依赖专家知识，进化计算的目的是从数据中学习模糊认知图，搜索最优的模糊认知图。进化算法是一种启发式算法，比较常见的启发式算法有：遗传算法，粒子群优化算法，模拟退火，蚁群优化等。
Reference
[1] Elpiniki Papageorgiou, Chrysostomos Stylios, Peter Groumpos. Fuzzy Cognitive Map Learning Based on Nonlinear Hebbian Rule[M]// AI 2003: Advances in Artificial Intelligence. Springer Berlin Heidelberg, 2003.
[2] Stach W , Kurgan L A , Pedrycz W . Data-driven Nonlinear Hebbian Learning method for Fuzzy Cognitive Maps[C]// IEEE IEEE International Conference on Fuzzy Systems. IEEE, 2008.
[3] Papageorgiou E I , Kannappan A . Fuzzy cognitive map ensemble learning paradigm to solve classification problems: Application to autism identification[J]. Applied Soft Computing Journal, 2012, 12(12):3798-3809.
[] 迟亚雄. 模糊认知图智能学习算法与应用研究[D].