Dự báo chuỗi thời gian mờ dựa trên Đại số gia tử với Ngữ nghĩa - Luận văn Thạc sĩ

Dự báo chuỗi thời gian mờ sử dụng đại số gia tử: Nghiên cứu mới về phương pháp dự báo với ngữ nghĩa, tăng độ chính xác và tin cậy. Tìm hiểu ngay!

Chuyên ngành

Khoa học máy tính

Người đăng

Ẩn danh

Thể loại

Luận văn thạc sĩ

2015

77
0
0

Phí lưu trữ

30 Point

Mục lục chi tiết

LỜI CAM ĐOAN

LỜI CẢM ƠN

MỤC LỤC

PHẦN 1: MỞ ĐẦU

1. Lý do chọn đề tài

2. Đối tƣợng và phạm vi nghiên cứu

2.1. Đối tƣợng

2.2. Phạm vi nghiên cứu

3. Hƣớng nghiên cứu của đề tài

4. Phƣơng pháp nghiên cứu

4.1. Phƣơng pháp nghiên cứu lý thuyết

4.2. Phƣơng pháp nghiên cứu thực tiễn

5. Ý nghĩa khoa học của luận văn

6. Cấu trúc luận văn

PHẦN 2: NỘI DUNG

1. CHƢƠNG 1: GIỚI THIỆU MỘT SỐ KIẾN THỨC CƠ SỞ

1.1. Những vấn đề cơ sở của lý thuyết tập mờ và logic mờ

1.1.1. Lý thuyết tập mờ

1.1.2. Định nghia logic mờ

1.1.3. Các phép toán logic mờ

1.2. Chuỗi thời gian mờ

1.2.1. Một số định nghĩa liên quan đến chuỗi thời gian mờ

1.3. Quan hệ mờ

1.3.1. Các quan hệ mờ

1.3.2. Các phép toán của quan hệ mờ

1.4. Suy luận xấp xỉ và suy diễn mờ

1.5. Giới thiệu về đại số gia tử và một số tính chất

1.5.1. Sơ lƣợc về đại số gia tử

1.5.2. Biến ngôn ngữ

1.5.3. Đại số gia tử của biến ngôn ngữ

1.5.4. Các tính chất cơ bản của ĐSGT tuyến tính

1.5.5. Thuật toán tính toán của đại số gia tử

1.6. KẾT LUẬN CHƢƠNG 1

2. CHƢƠNG 2: DỰ BÁO CHUỖI THỜI GIAN MỜ

2.1. Thuật toán dự báo chuỗi thời gian mờ của Song và Chissom

2.2. Thuật toán dự báo mờ của Chen

2.3. Thuật toán của Chen phƣơng pháp ứng dụng vào dự báo tuyển sinh đại học Alabama

2.4. Thuật toán bậc cao của Chen

2.5. KẾT LUẬN CHƢƠNG 2

2.6. Xây dựng Thuật toán

2.7. So sánh các kết quả của các Thuật toán dự báo chuỗi thời gian mờ

2.8. Nhận xét chung

3. PHẦN 3: KẾT LUẬN VÀ HƢỚNG PHÁT TRIỂN

TÀI LIỆU THAM KHẢO

DANH MỤC VIẾT TẮT

DANH MỤC CÁC HÌNH

DANH MỤC CÁC BẢNG

Tóm tắt

I. Giới thiệu về Dự Báo Chuỗi Thời Gian Mờ và Ứng Dụng

Bài toán dự báo chuỗi thời gian luôn là một thách thức lớn, đặc biệt khi dữ liệu không đầy đủ hoặc mang tính chất mờ. Logic mờ cung cấp một công cụ mạnh mẽ để xử lý sự không chắc chắn này, cho phép xây dựng các mô hình dự báo linh hoạt và hiệu quả. Dự báo chuỗi thời gian mờ (Fuzzy Time Series Forecasting) đã được ứng dụng rộng rãi trong nhiều lĩnh vực, từ kinh tế, tài chính đến kỹ thuật và khoa học xã hội. Phương pháp này cho phép mô hình hóa các mối quan hệ phức tạp giữa các yếu tố ảnh hưởng đến chuỗi thời gian, đồng thời xử lý các thông tin định tính và định lượng một cách hiệu quả. Các thuật toán dự báo chuỗi thời gian mờ, chẳng hạn như thuật toán của Song và Chissom, Chen, đã chứng minh khả năng dự báo chính xác trong nhiều trường hợp. Tuy nhiên, vẫn còn nhiều thách thức trong việc tối ưu hóa các tham số và cải thiện độ chính xác của các mô hình dự báo. Độ chính xác dự báo là một yếu tố then chốt để đánh giá hiệu quả của mô hình. Xử lý dữ liệu không chắc chắn là một lợi thế của dự báo chuỗi thời gian mờ so với các phương pháp truyền thống. Đại số gia tử là một công cụ mới, mang lại tiềm năng lớn cho việc nâng cao khả năng biểu diễn và suy luận của các mô hình dự báo chuỗi thời gian mờ.

1.1. Khái niệm và vai trò của chuỗi thời gian mờ

Chuỗi thời gian mờ là một chuỗi các biến cố xảy ra theo thời gian, trong đó mỗi biến cố được mô tả bằng một tập mờ. Điều này cho phép biểu diễn các khái niệm không rõ ràng hoặc khó định lượng một cách chính xác. Ví dụ, thay vì nói "nhiệt độ là 30 độ C", ta có thể nói "nhiệt độ là nóng", với "nóng" là một tập mờ được định nghĩa trên khoảng nhiệt độ. Chuỗi thời gian mờ đóng vai trò quan trọng trong việc dự báo các hệ thống phức tạp, nơi các yếu tố ảnh hưởng đến hệ thống không thể được xác định một cách chính xác. Mô hình dự báo chuỗi thời gian mờ giúp giảm thiểu ảnh hưởng của nhiễu và sự không chắc chắn trong dữ liệu, từ đó nâng cao độ chính xác của dự báo.

1.2. Ưu điểm của phương pháp dự báo mờ so với truyền thống

Phương pháp dự báo mờ có nhiều ưu điểm so với các phương pháp dự báo truyền thống. Thứ nhất, phương pháp mờ có khả năng xử lý dữ liệu không chính xác và không đầy đủ. Thứ hai, phương pháp mờ cho phép mô hình hóa các mối quan hệ phi tuyến tính giữa các biến số. Thứ ba, phương pháp mờ có khả năng kết hợp các thông tin định tính và định lượng. Cuối cùng, phương pháp mờ có khả năng tự học và thích nghi với sự thay đổi của dữ liệu. Các phương pháp truyền thống thường đòi hỏi dữ liệu phải chính xác, đầy đủ và tuân theo các phân phối xác định. Trong khi đó, dự báo chuỗi thời gian mờ có thể hoạt động hiệu quả ngay cả khi dữ liệu không đáp ứng các yêu cầu này.

1.3. Ứng dụng thực tế của dự báo chuỗi thời gian mờ

Ứng dụng thực tế của dự báo chuỗi thời gian mờ rất đa dạng. Nó được sử dụng rộng rãi trong kinh tế và tài chính để dự báo giá cổ phiếu, tỷ giá hối đoái, và các chỉ số kinh tế vĩ mô. Trong kỹ thuật, nó được sử dụng để dự báo tải điện, lưu lượng giao thông, và các thông số kỹ thuật khác. Trong khoa học xã hội, nó được sử dụng để dự báo tội phạm, dịch bệnh, và các hiện tượng xã hội khác. Ví dụ, trong bài toán dự báo tuyển sinh đại học, phương pháp mờ có thể giúp nhà trường đưa ra các quyết định tuyển sinh phù hợp dựa trên các yếu tố như số lượng học sinh tốt nghiệp trung học phổ thông, chính sách tuyển sinh, và xu hướng chọn ngành của học sinh. Ứng dụng dự báo chuỗi thời gian mờ mang lại lợi ích thiết thực cho các nhà quản lý và nhà hoạch định chính sách.

II. Thách thức và hạn chế của dự báo chuỗi thời gian mờ hiện nay

Mặc dù dự báo chuỗi thời gian mờ có nhiều ưu điểm, nhưng cũng tồn tại một số thách thức và hạn chế. Một trong những thách thức lớn nhất là việc xác định các tham số mờ phù hợp cho mô hình. Việc lựa chọn các hàm thuộc và các quy tắc mờ có thể ảnh hưởng đáng kể đến độ chính xác của dự báo. Ngoài ra, việc xử lý dữ liệu lớn và phức tạp cũng là một thách thức đối với các mô hình dự báo mờ. Một hạn chế khác của phương pháp mờ là khó khăn trong việc giải thích kết quả dự báo. Các quy tắc mờ thường được biểu diễn bằng ngôn ngữ tự nhiên, nhưng việc chuyển đổi các quy tắc này thành các con số cụ thể có thể gặp khó khăn. Tối ưu hóa tham số mờ là một bài toán phức tạp, đòi hỏi nhiều kinh nghiệm và kiến thức chuyên môn. Đánh giá hiệu suất dự báo là một quá trình quan trọng để đảm bảo tính tin cậy của mô hình. Phần mềm dự báo chuỗi thời gian mờ cần được phát triển để hỗ trợ các nhà nghiên cứu và người dùng trong việc xây dựng và triển khai các mô hình dự báo.

2.1. Vấn đề lựa chọn và tối ưu hóa tham số mờ

Việc lựa chọn và tối ưu hóa tham số mờ là một trong những vấn đề quan trọng nhất trong dự báo chuỗi thời gian mờ. Các tham số mờ bao gồm các hàm thuộc, các quy tắc mờ, và các toán tử mờ. Việc lựa chọn các tham số này có thể ảnh hưởng đáng kể đến độ chính xác của dự báo. Có nhiều phương pháp khác nhau để lựa chọn và tối ưu hóa tham số mờ, chẳng hạn như phương pháp thử và sai, phương pháp gradient descent, và phương pháp thuật toán di truyền. Tuy nhiên, việc lựa chọn phương pháp phù hợp phụ thuộc vào đặc điểm của dữ liệu và yêu cầu của bài toán. Tối ưu hóa tham số mờ là một bài toán phi tuyến tính và không lồi, do đó việc tìm kiếm nghiệm tối ưu có thể gặp khó khăn.

2.2. Khó khăn trong việc diễn giải kết quả dự báo mờ

Một hạn chế của dự báo mờ là khó khăn trong việc diễn giải kết quả dự báo. Các quy tắc mờ thường được biểu diễn bằng ngôn ngữ tự nhiên, nhưng việc chuyển đổi các quy tắc này thành các con số cụ thể có thể gặp khó khăn. Điều này gây khó khăn cho việc hiểu rõ cơ chế hoạt động của mô hình và đánh giá tính hợp lý của kết quả dự báo. Để giải quyết vấn đề này, cần phát triển các phương pháp trực quan hóa kết quả dự báo và cung cấp các giải thích dễ hiểu cho người dùng. Ngữ nghĩa của các biến ngôn ngữ cần được định nghĩa rõ ràng để đảm bảo tính nhất quán và dễ hiểu.

2.3. Yêu cầu về năng lực tính toán và xử lý dữ liệu lớn

Các mô hình dự báo mờ có thể đòi hỏi năng lực tính toán lớn, đặc biệt khi xử lý dữ liệu lớn và phức tạp. Việc tính toán các hàm thuộc, các quy tắc mờ, và các toán tử mờ có thể tốn nhiều thời gian và tài nguyên. Để giải quyết vấn đề này, cần phát triển các thuật toán hiệu quả và sử dụng các kỹ thuật song song hóa để tăng tốc độ tính toán. Ngoài ra, cần có các công cụ và phương pháp để xử lý dữ liệu lớn một cách hiệu quả, chẳng hạn như kỹ thuật giảm chiều, kỹ thuật chọn mẫu, và kỹ thuật phân cụm.

III. Đại Số Gia Tử ĐSGT Giải pháp mới cho dự báo mờ

Đại số gia tử (ĐSGT) là một công cụ mới, hứa hẹn mang lại nhiều tiềm năng cho việc cải thiện dự báo chuỗi thời gian mờ. ĐSGT cung cấp một cách tiếp cận khác để biểu diễn và xử lý các khái niệm không chắc chắn, dựa trên lý thuyết đại số và logic toán học. So với phương pháp mờ truyền thống, ĐSGT có khả năng biểu diễn các mối quan hệ phức tạp giữa các biến số một cách chính xác hơn, đồng thời giảm thiểu sự mơ hồ và chủ quan trong việc lựa chọn tham số. Logic mờĐại số gia tử có thể kết hợp để tạo ra các mô hình dự báo mạnh mẽ hơn. Ứng dụng dự báo chuỗi thời gian mờ có thể được cải thiện đáng kể bằng cách sử dụng ĐSGT.

3.1. Tổng quan về Đại Số Gia Tử và ứng dụng trong logic mờ

Đại Số Gia Tử (ĐSGT) là một cấu trúc đại số định lượng ngữ nghĩa của miền giá trị ngôn ngữ của biến ngôn ngữ. Nó được thiết lập, nghiên cứu và phát triển từ hơn hai chục năm nay. Một tính chất tự nhiên của ngữ nghĩa các giá trị ngôn ngữ là ngữ nghĩa có tính so sánh được, nghĩa là giữa chúng có tồn tại khách quan một quan hệ thứ tự. Trong khi ngữ nghĩa ngôn ngữ dựa trên tập mờ bỏ qua quan hệ thức tự này, ĐSGT cố gắng phát hiện các tính chất của ngữ nghĩa các giá trị ngôn ngữ dựa trên các mối quan hệ thứ tự đó. Như vậy, ĐSGT Thuật toán hóa ngữ nghĩa các giá trị ngôn ngữ, nó cố gắng phát hiện các tính chất tự nhiên của các giá trị ngôn ngữ vốn tồn tại trong cấu trúc thứ tự đó.

3.2. Lợi ích của việc sử dụng ĐSGT trong dự báo chuỗi thời gian

ĐSGT có thể mang lại nhiều lợi ích cho dự báo chuỗi thời gian. Thứ nhất, ĐSGT cung cấp một cách tiếp cận chính xác hơn để biểu diễn các khái niệm không chắc chắn. Thứ hai, ĐSGT có thể giúp giảm thiểu sự mơ hồ và chủ quan trong việc lựa chọn tham số. Thứ ba, ĐSGT có thể giúp cải thiện khả năng diễn giải kết quả dự báo. Cuối cùng, ĐSGT có thể giúp tăng cường tính ổn định và độ tin cậy của mô hình dự báo. Các tham số của ĐSGT cho phép tính toán các giá trị ngữ nghĩa hợp lý.

3.3. So sánh ĐSGT với các phương pháp dự báo mờ khác

So với các phương pháp dự báo mờ khác, ĐSGT có một số ưu điểm vượt trội. Thứ nhất, ĐSGT có khả năng biểu diễn các mối quan hệ phức tạp giữa các biến số một cách chính xác hơn. Thứ hai, ĐSGT có thể giúp giảm thiểu sự mơ hồ và chủ quan trong việc lựa chọn tham số. Thứ ba, ĐSGT có thể giúp cải thiện khả năng diễn giải kết quả dự báo. Cuối cùng, ĐSGT có thể giúp tăng cường tính ổn định và độ tin cậy của mô hình dự báo. Tuy nhiên, ĐSGT cũng có một số hạn chế, chẳng hạn như độ phức tạp tính toán cao và yêu cầu về kiến thức chuyên môn sâu rộng.

IV. Hướng dẫn xây dựng mô hình Dự Báo Chuỗi Thời Gian Mờ bằng ĐSGT

Việc xây dựng một mô hình dự báo chuỗi thời gian mờ bằng ĐSGT đòi hỏi sự kết hợp giữa lý thuyết và thực hành. Bước đầu tiên là xác định các biến số quan trọng và thu thập dữ liệu. Bước thứ hai là xây dựng các tập mờ và các quy tắc mờ bằng cách sử dụng các công cụ và phương pháp của ĐSGT. Bước thứ ba là huấn luyện mô hình và đánh giá hiệu suất. Bước cuối cùng là triển khai mô hình và sử dụng nó để dự báo các sự kiện trong tương lai. Phương pháp dự báo mờ có thể được cải thiện bằng cách sử dụng ĐSGT để định nghĩa và tối ưu hóa các tham số. Ứng dụng dự báo chuỗi thời gian mờ có thể được mở rộng bằng cách sử dụng ĐSGT để xử lý các loại dữ liệu khác nhau.

4.1. Xác định biến ngôn ngữ và xây dựng tập mờ sử dụng ĐSGT

Việc xác định biến ngôn ngữ và xây dựng tập mờ là bước quan trọng nhất trong việc xây dựng một mô hình dự báo chuỗi thời gian mờ bằng ĐSGT. Biến ngôn ngữ là các biến số được biểu diễn bằng ngôn ngữ tự nhiên, chẳng hạn như "cao", "thấp", "nóng", "lạnh". Tập mờ là các tập hợp các giá trị được biểu diễn bằng hàm thuộc, cho biết mức độ thuộc của mỗi giá trị vào tập hợp. ĐSGT cung cấp các công cụ và phương pháp để xác định biến ngôn ngữ và xây dựng tập mờ một cách chính xác và hiệu quả. Mỗi miền ngôn ngữ của biến ngôn ngữ có thể đƣợc tiên đề hóa và đƣợc gọi là đại số gia tử AX = (X, G, H, ), trong đó H là tập thứ tự tuyến tính bộ phận.

4.2. Huấn luyện và đánh giá hiệu suất của mô hình dự báo mờ

Sau khi xác định biến ngôn ngữ và xây dựng tập mờ, bước tiếp theo là huấn luyện mô hình và đánh giá hiệu suất. Việc huấn luyện mô hình bao gồm việc điều chỉnh các tham số của mô hình để đạt được độ chính xác dự báo cao nhất. Việc đánh giá hiệu suất bao gồm việc so sánh kết quả dự báo của mô hình với dữ liệu thực tế để đánh giá tính tin cậy và độ ổn định của mô hình. Có nhiều phương pháp khác nhau để huấn luyện và đánh giá hiệu suất, chẳng hạn như phương pháp cross-validation, phương pháp bootstrapping, và phương pháp hold-out. Đánh giá hiệu suất dự báo là một quá trình lặp đi lặp lại, đòi hỏi sự kiên nhẫn và kinh nghiệm.

4.3. Triển khai và ứng dụng mô hình dự báo mờ trong thực tế

Sau khi huấn luyện và đánh giá hiệu suất, bước cuối cùng là triển khai và ứng dụng mô hình dự báo mờ trong thực tế. Việc triển khai mô hình bao gồm việc tích hợp mô hình vào hệ thống hiện có và cung cấp giao diện cho người dùng. Việc ứng dụng mô hình bao gồm việc sử dụng mô hình để dự báo các sự kiện trong tương lai và đưa ra các quyết định dựa trên kết quả dự báo. Ứng dụng dự báo chuỗi thời gian mờ mang lại lợi ích thiết thực cho các nhà quản lý và nhà hoạch định chính sách.

V. Nghiên cứu điển hình Ứng dụng ĐSGT vào bài toán tuyển sinh

Để minh họa cho tính hiệu quả của việc sử dụng ĐSGT trong dự báo chuỗi thời gian mờ, ta xét bài toán dự báo số lượng sinh viên nhập học tại một trường đại học. Dữ liệu lịch sử về số lượng sinh viên nhập học được thu thập trong một khoảng thời gian dài. Sử dụng ĐSGT, ta xây dựng một mô hình dự báo mờ dựa trên các yếu tố như số lượng học sinh tốt nghiệp trung học phổ thông, chính sách tuyển sinh, và xu hướng chọn ngành của học sinh. Kết quả cho thấy mô hình dự báo mờ sử dụng ĐSGT có độ chính xác cao hơn so với các mô hình dự báo truyền thống. Ứng dụng dự báo chuỗi thời gian mờ mang lại lợi ích thiết thực cho các nhà quản lý và nhà hoạch định chính sách.

5.1. Mô tả bài toán dự báo tuyển sinh và dữ liệu sử dụng

Bài toán dự báo tuyển sinh là bài toán dự đoán số lượng sinh viên nhập học tại một trường đại học trong một khoảng thời gian nhất định. Dữ liệu sử dụng bao gồm dữ liệu lịch sử về số lượng sinh viên nhập học, dữ liệu về số lượng học sinh tốt nghiệp trung học phổ thông, dữ liệu về chính sách tuyển sinh, và dữ liệu về xu hướng chọn ngành của học sinh. Các yếu tố này có thể được biểu diễn bằng các biến ngôn ngữ và tập mờ. Các giá trị lịch sử của chuỗi thời gian cần được mờ hóa trước khi đưa vào mô hình.

5.2. Xây dựng mô hình dự báo mờ sử dụng ĐSGT cho bài toán

Sử dụng ĐSGT, ta xây dựng một mô hình dự báo mờ dựa trên các yếu tố đã được xác định. Mô hình bao gồm các tập mờ, các quy tắc mờ, và các toán tử mờ. Các tập mờ được xây dựng bằng cách sử dụng các công cụ và phương pháp của ĐSGT. Các quy tắc mờ được xây dựng dựa trên kinh nghiệm và kiến thức chuyên môn. Các toán tử mờ được sử dụng để kết hợp các tập mờ và các quy tắc mờ. Tối ưu hóa tham số mờ là một bước quan trọng để đảm bảo độ chính xác của mô hình.

5.3. Đánh giá kết quả và so sánh với các phương pháp khác

Kết quả dự báo của mô hình được so sánh với dữ liệu thực tế để đánh giá tính tin cậy và độ ổn định của mô hình. Kết quả cho thấy mô hình dự báo mờ sử dụng ĐSGT có độ chính xác cao hơn so với các mô hình dự báo truyền thống. Điều này chứng tỏ tính hiệu quả của việc sử dụng ĐSGT trong dự báo chuỗi thời gian mờ. Đánh giá hiệu suất dự báo là một quá trình quan trọng để đảm bảo tính tin cậy của mô hình.

VI. Kết luận và hướng phát triển của dự báo chuỗi thời gian mờ

Dự báo chuỗi thời gian mờ dựa trên ĐSGT là một hướng nghiên cứu đầy tiềm năng, hứa hẹn mang lại nhiều lợi ích cho các nhà quản lý và nhà hoạch định chính sách. Trong tương lai, cần tập trung vào việc phát triển các thuật toán hiệu quả hơn, các công cụ trực quan hóa kết quả, và các phương pháp đánh giá hiệu suất chính xác hơn. Ứng dụng dự báo chuỗi thời gian mờ có thể được mở rộng sang nhiều lĩnh vực khác nhau, từ kinh tế, tài chính đến kỹ thuật và khoa học xã hội. Mô hình dự báo chuỗi thời gian mờ cần được liên tục cải tiến để đáp ứng nhu cầu ngày càng cao của thực tế.

6.1. Tóm tắt những ưu điểm của ĐSGT trong dự báo mờ

Đại số gia tử (ĐSGT) mang lại nhiều ưu điểm vượt trội trong dự báo mờ: Biểu diễn chính xác các khái niệm không chắc chắn, giảm thiểu sự mơ hồ, cải thiện khả năng diễn giải kết quả, tăng cường tính ổn định và độ tin cậy, tính toán ngữ nghĩa hợp lý.

6.2. Hướng nghiên cứu tiềm năng trong tương lai cho dự báo mờ

Các hướng nghiên cứu tiềm năng trong tương lai cho dự báo mờ bao gồm: Phát triển thuật toán hiệu quả, xây dựng công cụ trực quan hóa kết quả, cải tiến phương pháp đánh giá hiệu suất, tích hợp với các kỹ thuật học máy, mở rộng phạm vi ứng dụng.

6.3. Tầm quan trọng của việc tiếp tục nghiên cứu và ứng dụng ĐSGT

Việc tiếp tục nghiên cứu và ứng dụng ĐSGT là vô cùng quan trọng để nâng cao hiệu quả và độ tin cậy của dự báo mờ. Điều này sẽ giúp các nhà quản lý và nhà hoạch định chính sách đưa ra các quyết định sáng suốt hơn dựa trên thông tin chính xác và đáng tin cậy.

22/09/2025

Trích đoạn nội dung tài liệu

phần mở đầu và kết luận luận văn đƣợc chia làm 3 chƣơng: + Chƣơng 1: Giới thiệu một số kiến thức cơ sở. + Chƣơng 2: Dự báo chuỗi thời gian mờ. + Chƣơng 3: Dự báo chuỗi thời gian mờ ĐSGT với ngữ nghĩa. Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.vn 5 PHẦN 2: NỘI DUNG CHƢƠNG 1: GIỚI THIỆU MỘT SỐ KIẾN THỨC CƠ SỞ 1.

Những vấn đề cơ sở của lý thuyết tập mờ và logic mờ 1. Lý thuyết tập mờ Lý thuyết tập mờ lần đầu tiên đƣợc Lofti A.Zadeh, một giáo sƣ thuộc trƣờng Đại học Caliornia, Berkley giới thiệu trong một công trình nghiên cứu vào năm 1965 và sau đó liên tục phát triển mạnh mẽ. Năm 1970, tại trƣờng đại học Mary Queen, thành phố London- Anh, Ebrahim Mamdani đã sử dụng logic mờ để điều khiển một máy hơi nƣớc mà ông không thể điều khiển bằng kỹ thuật cổ điển. Tại Nhật, logic mờ đƣợc ứng dụng vào nhà máy xử lý nƣớc của hãng Fuji Electronic vào năm 1983, hệ thống xe điện ngầm của Hitachi năm 1987.

Tuy logic mờ ra đới ở Mỹ, ứng dụng lần đầu ở Anh, nhƣng nó lại đƣợc phát triển và ứng dụng nhiều nhất ở Nhật. Định nghĩa: Cho không gian nền U, tập A U đƣợc gọi là tập mờ nếu A đƣợc xác định bởi hàm µA(x) : X→ [0,1] A đƣợc gọi là hàm thuộc, hàm liên thuộc hay hàm thành viên (membership function). Với x X thì A (x) đƣợc gọi là mức độ thuộc của x vào A. Trọng tâm của lý thuyết tập mờ là việc đề xuất khái niệm tập mờ (fuzzy sets).

Về mặt toán học, một tập mờ A là một hàm số (gọi là hàm thuộc (membership function)) xác định trên khoảng giá trị số mà đối số x có thể chấp nhận (gọi là tập vũ trụ (universe of discourse)) X cho bởi: A (x) : X→ [0,1] Trong đó, A là nhãn mờ của biến X, thƣờng mang một ý nghĩa ngôn ngữ nào đó, mô tả định tính thuộc tính của đối tƣợng, chẳng hạn nhƣ cao, thấp, nóng, lạnh, sáng, tối. Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.vn 6 A đƣợc gọi là hàm thuộc, hàm liên thuộc hay hàm thành viên (membership function). Với x X thì A (x) đƣợc gọi là mức độ thuộc của x vào A. Nhƣ vậy ta có thể coi tập rõ là một trƣờng hợp đặc biệt của tập mờ, trong đó hàm thuộc chỉ nhận 2 giá trị 0 và 1.

Ký hiệu tập mờ, ta có các dạng ký hiệu sau: Liệt kê phần tử: giả sử U = {a,b,c,d} ta co thể xác định một tập mờ 0.2 0 A= a b c d A= x, A ( x) | x U ( x) A= A trong trƣờng hợp U là không gian rời rạc x U x A= A ( x ) / x trong trƣờng hợp U là không gian liên tục U Lƣu ý: Các ký hiệu và không phải là các phép tính tổng hay tích phân, mà chỉ là ký hiệu biểu thị tập hợp mờ. 2 Ví dụ: Tập mờ A là tập “số gần 2” xác định bởi hàm thuộc A e ( x 2) ta có thể ký hiệu: A = x, ( x 2) 2 | x U hoặc A = (x 2) 2 / x 1. Định nghia logic mờ Biến ngôn ngữ đã đƣợc Zadeh đƣa ra năm 1973 nhƣ sau: Một biến ngôn ngữ đƣợc xác định bởi bộ (x, T, U, M) trong đó: - X là tên biến. Ví dụ “nhiệt độ”, “tốc độ”, “độ ẩm”,… - T là tập các từ là các giá trị ngôn ngữ tự nhiên mà x có thể nhận.

Ví dụ x là “tốc độ” thì T có thể là {“chậm”, “trung bình”, “nhanh”}. Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.vn 7 - U là miền các giá trị vật lý mà x có thể nhận Ví dụ x là “tốc độ” thì U có thể là {0km/h,1km/h, …150km/h}. - M là luật ngữ nghĩa, ứng mỗi từ trong T với một tập mờ At trong U. Nhƣ vậy, biến ngôn ngữ là biến nhận các giá trị ngôn ngữ (linguistic terms) mỗi giá trị ngôn ngữ thực chất là một tập mờ xác định bởi một hàm thuộc và khoảng giá trị số tƣơng ứng và logic mờ cho phép các tập này có thể xếp phủ lên nhau.

Logic mờ đƣợc phát triển từ lý thuyết tập mờ để thực hiện lập luận một cách xấp xỉ thay vì lập luận chính xác theo lôgic vị từ cổ điển. Lôgic mờ có thể đƣợc coi là mặt ứng dụng của lý thuyết tập mờ để xử lý các giá trị trong thế giới thực cho các bài toán phức tạp. Trong logic mờ thì mệnh đề là một câu phát biểu đúng sai, mỗi mệnh đề mờ là một câu phát biểu không nhất thiết là đúng hoặc sai. Mệnh đề mờ đƣợc gán cho một giá trị trong khoảng từ 0 đến 1 để chỉ mức độ đúng (độ thuộc) của nó.

Các phép toán logic mờ * Phép bù: Phép phủ định trong logic kinh điển là một trong những phép toán cơ bản cho việc xây dựng phép bù của 2 tập hợp. Để suy rộng phép này trong tập mờ chúng ta cần tới toán tử v(NOT P). Toán tử này phải thỏa các tính chất sau : - V(NOT P) chỉ phụ thuộc vào v(P). - Nếu v(P)=1 thì v(NOT P)=0 - Nếu v(P)=0 thì v(NOT P)=1 - Nếu v(P1) ≤ v(P2) thì v(NOT P1) ≥ v(NOT P2) Định nghĩa 1: Hàm n : [0,1] → [0, 1] không tăng thỏa mãn các điều kiện n(0) = 1, n(1) = 0, đƣợc gọi là hàm phủ định.

Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.vn 8 Định nghĩa 2: (Phần bù của một tập mờ): Cho n là hàm phủ định, phần bù Ac của tập mờ A là một tập mờ với hàm thuộc đƣợc xác định bởi: Ac(x) = n(A(x)), với mỗi x * Phép giao hai tập mờ Định nghĩa 1 ( T - chuẩn): Hàm T: [0,1]2 [0,1] là phép bội (T - chuẩn) khi và chỉ khi thoả mãn các điều kiện sau: - T(1, x) = x, với mọi 0 x 1. - T có tính giao hoán : T(x,y) = T(y,x), với mọi 0 x, y 1. - T không giảm: T(x,y)=T(u,v), với mọi x u, y v. - T có tính kết hợp: T(x,T(y,z)) = T(T(x,y),z), với mọi 0 x,y, z 1.

Định nghĩa 2 (Phép giao hai tập mờ): Cho hai tập mờ A, B trên cùng không gian nền với hàm thuộc A(x), B(x) tƣơng ứng. Cho T là một T- Chuẩn. Phép giao của hai tập mờ A, B là một tập mờ (ký hiệu (A TB) trên với hàm thuộc cho bởi biểu thức: (A TB)(x) = T(A(x), B(x)), với mỗi x Ví dụ: Với T(x,y) = min(x,y)ta có: (A TB)(x) = min(A(x),B(x)) Với T(x,y) = x,y ta có (A TB)(x) = A(x). S có tính giao hoán : S(x,y)= S(y,x) với mọi 0 x,y 1.

S không giảm: S(x,y)= S(u,v), với mọi x u, y v. S có tính kết hợp: S(x,S(y,z)) = S(S(x,y),z) với mọi 0 x, y, z 1. Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.vn 9 Định nghĩa 2 (phép hợp hai tập mờ): Cho hai tập mờ A, B trên cùng không gian nền với hàm thuộc A(x), B(x) tƣơng ứng. Cho S là một T - đối chuẩn.

Phép hợp của hai tập mờ A, B là một tập mờ ( kí hiệu A SB)) trên với hàm thuộc cho bởi biểu thức: (A SB)(x)=S(A(x),B(x)), với mỗi x Ví dụ: Với S(x,y) = max(x,y): (A SB)(x)= max(A(x), B(x)) Với S(x,y) = x + y – x.y * Luật De Morgan Cho T là T - chuẩn, S là T - đối chuẩn và n là phép phủ định mạnh. Khi đó bộ ba(T, S,n) là bộ ba De Morgan nếu: n(S(x,y)) = T(n,(x),n(y)) Với phép phủ định n(n-1) = 1- x, chúng ta có một số cặp T-chuẩn và T- đối chuẩn thoả mãn luật DeMorgan trong bảng 1.1 : Các cặp T - chuẩn và T - đối chuẩn.y 2 Max(x + y -1, 0) Min(x + y,1) 3 Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.vn 10 Min0(x,y)= 0min( x, y)if x + y >1 Max1(x,y)= 0max( x, y)if x + y <1 Else Else 4 Z(x,y) = 0min( x, y)if max(x,y)=1 Max1(x,y)= 0max( x, y)if min(x,y)=0 5 Else Else x.2 dƣới đây sẽ liệt kê một số phép kéo theo mờ hay đƣợc sử dụng nhất. Một số phép kéo theo mờ thông dụng STT Tên Biểu thức xác định 1 Early Zadeh x y = max(1-x,min(x,y)) 2 Lukasiewicz x y = min(1,1- x+y) Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.vn 11 3 Mandani x y = min(x,y) 4 Larsen x y = x.y Standard Strict 1 if x y x y= 0 other 5 Godel 1 if x y x y = y other 5 Gaines 1 if x y 6 x y y other x 7 Kleene – Dienes x y = max(1 –x,y) 8 Kleene – Dienes –Lukasiwicz x y = 1- x + y 9 Yager x y = yx 1. Chuỗi thời gian mờ 1.1 Khái niệm: Giả sử U là không gian nền.

không gian nền này xác định một tập hợp các đối tƣợng cần ghiên cứu. Nếu A là một tập con rõ của U thì ta có thể xác định chính xác một hàm đặc trƣng: Nhƣng với một tập mờ B trong không gian nền U thì phần tử x không xác định chính xác đƣợc. Khi đó ta có định nghĩa: U [0,1] đƣợc gọi là hàm thuộc (Membership function). Còn với bất kỳ một phần tử u nào của A thì hàm (u) đƣợc gọi là độ thuộc của u vào tập mờ A.

Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.vn 12 Giả sử Y(t) là chuỗi thời gian (t = 0, 1, 2,…) U là tập nền chứa các khoảng giá trị của chuỗi thời gian từ nhỏ nhất đến lớn nhất. Xác định hàm thuộc : U [0,1] của tập mờ A, còn tập A trên không gian nền U đƣợc viết nhƣ sau: A = {((u1/u1, (u2/u2, …, (un/un), : ui U ; I = 1, 2, …, n} (ui) là độ thuộc của ui vào tập A 1. Một số định nghĩa liên quan đến chuỗi thời gian mờ Định nghĩa 1: Y(t) (t = … 0, 1, 2, …) là một tập con của R1. Định nghĩa 2: Tại các thời điểm t và t-1 có tồn tại một mối quan hệ mờ giữa F(t) và F(t-1) sao cho F(t) = F(t-1) * R(t-1, t) với R(t-1, t) là quan hệ mờ giữa F(t) và F(t-1) trong đó * là kí hiệu của một toán tử xác định trên tập mờ.

Ta cũng có thể kí hiệu mối quan hệ mờ giữa F(t) và F(t-1) bằng F(t-1)F(t). Nếu đặt F(t-1) = Ai và F(t) = Aj thì ta kí hiệu mối quan hệ logic mờ giữa chúng nhƣ sau: AiAj. với Ai đƣợc qui định là vế trái (LHS), và Aj qui định là vế phải của mối quan hệ mờ (FLR).

Nội dung được bảo vệ bản quyền — Tải xuống đầy đủ