准非线性模糊认知图的状态空间细化

基于摘要分析。研究针对准非线性模糊认知图（q-FCMs）中激活值范围的精确估计问题，提出 Lookahead-Based Refinement Method，将符号区间分析扩展至采用 sigmoid 函数的 q-FCMs，旨在更准确地界定模型的状态空间。 q-FCMs 是通过非线性系数推广经典模糊认知图（FCMs）的递归模型。其状态随迭代演化，因此激活范围的估计关系到动态行为分析与形式化验证。作者声称首次将符号区间分析扩展到上述 q-FCMs；摘要未给出 Lookahead-Based Refinement Method 的具体推导、前瞻步骤、区间更新规则或计算复杂度，不能仅凭方法名称补全机制。 作者报告，在实验中，该方法相较于算术传播和符号区间传播得到更准确的状态空间估计，并有助于网络稳定性及形式化验证。摘要未提供实验模型规模、参数设置、精度定义、数值结果或运行开销，实验协议、消融及统计信息尚未验证；尤其需核对“稳定性提升”是指分析与验证能力增强，还是模型动态稳定性的改变。 该工作的主要对象是 q-FCM 的状态空间分析，并非 EEG 解码或 BCI 系统。现有材料尚不足以建立其区间细化机制与 EEG 瓶颈之间的具体对应关系，因此不据此提出 BCI 迁移效果或复现实验建议；已有 EEG 相关工作尚未检索确认。复现前需取得全文，核对算法定义、区间有效性保证、初始状态与参数范围，以及两类对照方法的具体实现。