结合了模糊逻辑理论与神经网络二者的优点,模糊认知图(Fuzzy Cognitive Maps,FCMs)已经被成功用于解决许多实际问题。通过从时间序列数据中构建和学习出的模糊认知图可以作为推理模型来建模与挖掘复杂系统中各个实例之间的相互作用关系。目前较为流行的模糊认知图学习算法大多基于进化计算,可以用于学习不同规模的模糊认知图。但这些基于进化算法的模糊认知图学习算法在处理大规模时间序列任务上效率低下,并且此类算法只能单独优化每个问题实例,训练好的模型不具备泛化性,无法用于直接求解新的问题实例。本文主要针对模糊认知图的这两个具有挑战性的学习问题,对模糊认知图的学习算法及其在时间序列预测与基因调控网络重建这两个应用上做了深入研究,主要工作总结如下:(1)提出了基于岭回归的模糊认知图学习算法,并将其与冗余哈尔小波变换相结合,应用于时间序列预测任务。针对目前现有的基于模糊认知图的时间序列预测模型不能有效处理非平稳大规模时间序列的问题,本文提出的时间序列预测模型利用冗余哈尔小波方法将一维时间序列分解为多维时间序列,然后利用所提出的基于岭回归的模糊认知图快速学习算法优化模糊认知图中的权值矩阵参数,最终将学习出的模糊认知图模型用于时间序列预测,在八组真实时间序列数据集上均取得了优异的预测结果。实验结果表明所提出的基于模糊认知图的时间序列预测模型可以有效地解决大规模非平稳时间序列的预测问题。该算法适用于侧重时间序列任务的准确率而非图结构空间的重建准确率的问题场景。(2)提出了基于生成对抗网络的模糊认知图学习算法。该算法是第一个将时间序列转化为图结构的深度图生成模型,有效解决了目前模糊认知图的学习算法所训练好的模型不能用于直接求解新问题实例的局限性。算法中的生成器网络首先将多维时间序列经过递归网络提取为隐层向量,有效地保留了原时间序列中的重要信息,然后将隐层向量重构为图网络结构。算法中的判别器网络首先将多维时间序列和模糊认知图网络均提取为隐层向量,最后计算两个隐层向量之间的相似性作为多维时间序列与模糊认知图网络之间的相似性。该算法的创新之处是训练好的模型无需新的优化过程就可以直接用于求解新的问题实例,并且判别器网络提供了一种直接计算多维时间序列与模糊认知图结构之间相似性的方式,避免了需要先将模糊认知图结构映射到多维时间序列。实验中,所提方法在多组数据集均取得了优异的结果,验证了其有效性。该算法适用于侧重图空间结构重建的准确率而非时间序列任务准确率的问题场景。