Áp Dụng Kỹ Thuật Phân Lớp Dữ Liệu và Hồi Quy Để Dự Báo Sản Xuất Kinh Doanh Cho VNPT

Luận văn thạc sĩ kỹ thuật nghiên cứu áp dụng các kỹ thuật phân lớp dữ liệu hồi quy để dự báo số liệu sản xuất kinh doanh cho vnpt, khảo sát thực trạng, phân tích nguyên nhân, đề

• Tác giả: Hoàng Tuấn Ninh
• Người hướng dẫn: TS. Đỗ Văn Thành
• Trường học: Đại học Quốc gia Hà Nội
• Chuyên ngành: Công nghệ thông tin
• Đề tài: Áp Dụng Các Kỹ Thuật Phân Lớp Dữ Liệu, Hồi Quy Để Dự Báo Số Liệu Sản Xuất Kinh Doanh Cho VNPT
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2009
• Địa điểm: Hà Nội

Tóm tắt

I. Tổng Quan về Dự Báo Sản Xuất Kinh Doanh Cho VNPT

Trong bối cảnh kinh tế tri thức hiện nay, dự báo sản xuất kinh doanh VNPT đóng vai trò then chốt trong việc giúp doanh nghiệp nắm bắt cơ hội và đối phó với thách thức. Sự phát triển mạnh mẽ của CNTT và công nghiệp phần cứng đã tạo ra lượng dữ liệu khổng lồ, đòi hỏi các kỹ thuật và công cụ mới để chuyển đổi dữ liệu thành tri thức có ích. Công nghệ khai phá dữ liệu nổi lên như một giải pháp hiệu quả, giúp các nhà quản lý phân tích thông tin về giá thành, thị trường và khách hàng. VNPT, với vai trò là một trong những doanh nghiệp viễn thông hàng đầu Việt Nam, cần tận dụng tối đa tiềm năng của phân tích dữ liệu kinh doanh VNPT để nâng cao hiệu quả hoạt động. Tuy nhiên, việc khai thác hiệu quả nguồn dữ liệu lớn này đòi hỏi những đổi mới về mặt kỹ thuật và phương pháp tiếp cận. Dựa trên nền tảng phần cứng và phần mềm sẵn có, VNPT có thể nhanh chóng triển khai công nghệ dự báo sản xuất kinh doanh VNPT, đáp ứng yêu cầu khai thác thông tin của doanh nghiệp, nâng cao hiệu quả sử dụng thông tin từ nguồn tài nguyên sẵn có và mang lại lợi ích to lớn cho doanh nghiệp.

1.1. Tầm quan trọng của dự báo trong ngành viễn thông

Ngành viễn thông là một lĩnh vực cạnh tranh khốc liệt và luôn thay đổi. Dự báo doanh thu VNPT chính xác cho phép VNPT đưa ra các quyết định đầu tư và kinh doanh sáng suốt, giúp VNPT điều chỉnh chiến lược kinh doanh một cách linh hoạt để phù hợp với những thay đổi của thị trường và nhu cầu của khách hàng. Một hệ thống dự báo nhu cầu dịch vụ VNPT hiệu quả có thể giúp VNPT phân bổ nguồn lực hợp lý, giảm thiểu chi phí và tối đa hóa lợi nhuận. Khả năng dự báo chính xác giúp VNPT duy trì vị thế cạnh tranh và đạt được mục tiêu tăng trưởng bền vững.

1.2. Ứng dụng AI và Machine Learning vào dự báo kinh doanh

Machine learning trong dự báo kinh doanh và AI trong dự báo sản xuất đang ngày càng trở nên phổ biến, mở ra nhiều cơ hội mới cho VNPT. Các thuật toán học máy có thể xử lý lượng dữ liệu lớn và phức tạp, từ đó đưa ra các dự đoán chính xác hơn so với các phương pháp truyền thống. Phân tích dữ liệu kinh doanh VNPT bằng kỹ thuật phân tích dữ liệu cho VNPT có thể giúp VNPT khám phá ra các xu hướng tiềm ẩn và các yếu tố ảnh hưởng đến hoạt động kinh doanh. Phân lớp dữ liệu VNPT và Hồi quy dự báo VNPT là hai kỹ thuật mạnh mẽ có thể được sử dụng để dự báo doanh thu, nhu cầu dịch vụ và các chỉ số quan trọng khác.

II. Thách Thức Dự Báo Sản Xuất Kinh Doanh Viễn Thông

Trong lĩnh vực viễn thông, việc dự báo sản xuất kinh doanh VNPT đối mặt với nhiều thách thức phức tạp. Thị trường biến động nhanh chóng, công nghệ mới liên tục xuất hiện, và nhu cầu của khách hàng ngày càng đa dạng. Sự cạnh tranh gay gắt từ các đối thủ trong và ngoài nước cũng tạo thêm áp lực lên VNPT. Dữ liệu thu thập được thường xuyên không đầy đủ, không chính xác hoặc bị nhiễu, gây khó khăn cho quá trình phân tích dữ liệu kinh doanh VNPT. Bên cạnh đó, việc lựa chọn mô hình dự báo sản xuất kinh doanh phù hợp và hiệu chỉnh các tham số cũng đòi hỏi kiến thức chuyên môn sâu rộng và kinh nghiệm thực tế. Thêm vào đó, các yếu tố bên ngoài như chính sách của chính phủ, biến động kinh tế vĩ mô và các sự kiện bất ngờ (ví dụ như đại dịch) cũng có thể ảnh hưởng lớn đến dự báo tăng trưởng VNPT.

2.1. Sự phức tạp của dữ liệu viễn thông và Big Data VNPT

Dữ liệu viễn thông thường có cấu trúc phức tạp và đa dạng, bao gồm thông tin về khách hàng, dịch vụ, cước phí, lưu lượng mạng, và nhiều yếu tố khác. VNPT Big Data đòi hỏi các công cụ và kỹ thuật xử lý đặc biệt để có thể khai thác hiệu quả. Dữ liệu thường bị thiếu, không nhất quán hoặc chứa các giá trị ngoại lệ, đòi hỏi phải có các bước tiền xử lý kỹ lưỡng trước khi đưa vào mô hình dự báo. Các kỹ thuật như làm sạch dữ liệu, chuẩn hóa dữ liệu và giảm chiều dữ liệu đóng vai trò quan trọng trong việc đảm bảo chất lượng của dự báo kinh doanh viễn thông.

2.2. Yếu tố bất định và rủi ro trong dự báo kinh doanh VNPT

Thị trường viễn thông chịu ảnh hưởng bởi nhiều yếu tố bất định, chẳng hạn như sự thay đổi trong công nghệ, chính sách của chính phủ và hành vi của khách hàng. Những yếu tố này có thể làm sai lệch dự báo doanh thu VNPT và gây ra những hậu quả nghiêm trọng cho hoạt động kinh doanh. Phân tích rủi ro dự báo VNPT là một bước quan trọng để đánh giá mức độ tin cậy của các dự đoán và đưa ra các biện pháp phòng ngừa rủi ro. Các kỹ thuật như phân tích độ nhạy và mô phỏng Monte Carlo có thể được sử dụng để đánh giá ảnh hưởng của các yếu tố bất định đến kết quả dự báo tài chính VNPT.

III. Cách Phân Lớp Dữ Liệu VNPT Giải Pháp Dự Báo

Phân lớp dữ liệu VNPT là một kỹ thuật mạnh mẽ trong lĩnh vực khai phá dữ liệu, có thể được sử dụng để phân loại khách hàng, dự đoán khả năng rời mạng, và xác định các phân khúc thị trường tiềm năng. Bằng cách xây dựng các mô hình phân lớp dữ liệu VNPT, VNPT có thể hiểu rõ hơn về hành vi của khách hàng và đưa ra các quyết định marketing và bán hàng hiệu quả hơn. Ứng dụng phân lớp dữ liệu trong dự báo cho phép VNPT xác định các yếu tố ảnh hưởng đến doanh thu và lợi nhuận, từ đó đưa ra các dự đoán chính xác hơn về dự báo khách hàng VNPT. Các thuật toán phân lớp phổ biến bao gồm cây quyết định, mạng nơ-ron và máy vector hỗ trợ (SVM).

3.1. Các thuật toán phân lớp dữ liệu phổ biến cho VNPT

Có nhiều thuật toán phân lớp dữ liệu khác nhau, mỗi thuật toán có ưu và nhược điểm riêng. Cây quyết định là một phương pháp đơn giản và dễ hiểu, cho phép biểu diễn các quy tắc phân loại một cách trực quan. Mạng nơ-ron là một phương pháp mạnh mẽ có thể xử lý các mối quan hệ phi tuyến tính phức tạp, nhưng đòi hỏi lượng dữ liệu lớn để huấn luyện. Máy vector hỗ trợ (SVM) là một phương pháp hiệu quả trong việc phân loại dữ liệu có chiều cao, nhưng đòi hỏi việc lựa chọn kernel phù hợp. Việc lựa chọn thuật toán phù hợp phụ thuộc vào đặc điểm của dữ liệu và mục tiêu dự báo marketing VNPT.

3.2. Tiền xử lý dữ liệu cho phân lớp hiệu quả VNPT

Tiền xử lý dữ liệu là một bước quan trọng trong quá trình phân lớp dữ liệu. Các kỹ thuật tiền xử lý bao gồm làm sạch dữ liệu, chuyển đổi dữ liệu và giảm chiều dữ liệu. Làm sạch dữ liệu giúp loại bỏ các giá trị thiếu, không hợp lệ hoặc bị nhiễu. Chuyển đổi dữ liệu giúp đưa dữ liệu về một định dạng phù hợp cho thuật toán phân lớp. Giảm chiều dữ liệu giúp giảm số lượng biến đầu vào, từ đó cải thiện hiệu suất và độ chính xác của mô hình dự báo. Các kỹ thuật tiền xử lý phù hợp có thể cải thiện đáng kể hiệu quả dự báo bằng phân lớp dữ liệu và hồi quy.

IV. Bí Quyết Hồi Quy Dự Báo VNPT Cách Ứng Dụng

Hồi quy là một kỹ thuật thống kê mạnh mẽ được sử dụng để mô hình hóa mối quan hệ giữa các biến và dự đoán giá trị của một biến mục tiêu dựa trên các biến độc lập. Trong bối cảnh VNPT, hồi quy dự báo VNPT có thể được sử dụng để dự đoán doanh thu, nhu cầu dịch vụ, và các chỉ số kinh doanh quan trọng khác. Ứng dụng hồi quy trong dự báo cho phép VNPT xác định các yếu tố ảnh hưởng đến hiệu suất kinh doanh và đưa ra các quyết định quản lý dựa trên dữ liệu. Các mô hình hồi quy phổ biến bao gồm hồi quy tuyến tính, hồi quy đa thức và hồi quy logistic.

4.1. Các loại mô hình hồi quy và ứng dụng thực tế VNPT

Hồi quy tuyến tính là một phương pháp đơn giản và dễ hiểu, phù hợp cho việc mô hình hóa mối quan hệ tuyến tính giữa các biến. Hồi quy đa thức có thể mô hình hóa các mối quan hệ phi tuyến tính, nhưng có thể dẫn đến hiện tượng quá khớp (overfitting). Hồi quy logistic được sử dụng để dự đoán các biến nhị phân, chẳng hạn như khả năng khách hàng rời mạng. VNPT có thể áp dụng hồi quy tuyến tính để dự báo chuỗi cung ứng VNPT, hồi quy đa thức để dự đoán nhu cầu dịch vụ phức tạp, và hồi quy logistic để dự báo khách hàng VNPT tiềm năng.

4.2. Đánh giá và lựa chọn mô hình hồi quy phù hợp cho VNPT

Việc đánh giá và lựa chọn mô hình hồi quy phù hợp là rất quan trọng để đảm bảo độ chính xác của dự báo. Các chỉ số đánh giá phổ biến bao gồm sai số trung bình tuyệt đối (MAE), sai số bình phương trung bình (MSE) và hệ số xác định (R-squared). VNPT nên sử dụng các phương pháp kiểm tra chéo (cross-validation) để đánh giá khả năng tổng quát hóa của mô hình và tránh hiện tượng quá khớp. Việc lựa chọn mô hình phụ thuộc vào đặc điểm của dữ liệu và mục tiêu dự báo.

V. Ứng Dụng Thực Tiễn Dự Báo SXKD VNPT Hiệu Quả

Việc ứng dụng kỹ thuật phân lớp dữ liệu và hồi quy vào dự báo sản xuất kinh doanh VNPT mang lại nhiều lợi ích thiết thực. Các mô hình dự báo chính xác giúp VNPT đưa ra các quyết định kinh doanh sáng suốt, tối ưu hóa việc phân bổ nguồn lực và nâng cao hiệu quả hoạt động. VNPT có thể sử dụng dự báo để quản lý kho hàng hiệu quả hơn, giảm thiểu chi phí tồn kho và đáp ứng nhu cầu của khách hàng một cách kịp thời. Dự báo cũng giúp VNPT xác định các cơ hội thị trường mới và phát triển các sản phẩm và dịch vụ phù hợp.

5.1. Case study Dự báo doanh thu và nhu cầu dịch vụ VNPT

Một ví dụ cụ thể về ứng dụng dự báo là việc dự đoán doanh thu của các dịch vụ viễn thông. Bằng cách sử dụng hồi quy với các biến như số lượng khách hàng, mức sử dụng dịch vụ và giá cước, VNPT có thể dự đoán doanh thu trong tương lai. Dự báo nhu cầu dịch vụ VNPT cũng rất quan trọng để đảm bảo rằng VNPT có đủ năng lực mạng để đáp ứng nhu cầu của khách hàng. Phân lớp dữ liệu có thể được sử dụng để phân loại khách hàng theo mức độ sử dụng dịch vụ và dự đoán khả năng khách hàng nâng cấp lên gói dịch vụ cao hơn.

5.2. Tích hợp hệ thống dự báo vào quy trình ra quyết định VNPT

Để tận dụng tối đa lợi ích của dự báo, VNPT cần tích hợp hệ thống dự báo vào quy trình ra quyết định. Các nhà quản lý cần được đào tạo về cách sử dụng và diễn giải kết quả dự báo. VNPT cũng cần thiết lập các quy trình để theo dõi và đánh giá hiệu quả của các mô hình dự báo. Việc tích hợp dự báo vào quy trình ra quyết định giúp VNPT đưa ra các quyết định dựa trên dữ liệu, giảm thiểu rủi ro và tối đa hóa lợi nhuận.

VI. Tương Lai Dự Báo Sản Xuất Kinh Doanh VNPT

Trong tương lai, dự báo sản xuất kinh doanh VNPT sẽ ngày càng trở nên quan trọng hơn. Sự phát triển của công nghệ AI và machine learning sẽ mở ra nhiều cơ hội mới cho việc cải thiện độ chính xác và hiệu quả của dự báo. VNPT cần tiếp tục đầu tư vào nghiên cứu và phát triển các mô hình dự báo tiên tiến để duy trì vị thế cạnh tranh trên thị trường. Việc kết hợp dự báo với các công nghệ khác như IoT và big data sẽ giúp VNPT hiểu rõ hơn về hành vi của khách hàng và đưa ra các quyết định kinh doanh sáng suốt hơn.

6.1. Xu hướng phát triển của công nghệ dự báo viễn thông

Các xu hướng phát triển chính trong công nghệ dự báo viễn thông bao gồm việc sử dụng các thuật toán học sâu (deep learning), tích hợp dữ liệu từ nhiều nguồn khác nhau (ví dụ như dữ liệu mạng xã hội và dữ liệu thời tiết), và phát triển các mô hình cá nhân hóa cho từng khách hàng. Các công nghệ này hứa hẹn sẽ cải thiện đáng kể độ chính xác và khả năng ứng dụng của dự báo.

6.2. Đề xuất để VNPT nâng cao năng lực dự báo

VNPT cần xây dựng một đội ngũ chuyên gia dự báo có trình độ cao, đầu tư vào các công cụ và công nghệ dự báo tiên tiến, và thiết lập các quy trình quản lý dữ liệu hiệu quả. VNPT cũng nên khuyến khích sự hợp tác giữa các bộ phận khác nhau trong công ty để chia sẻ dữ liệu và kiến thức. Bằng cách thực hiện các biện pháp này, VNPT có thể nâng cao năng lực dự báo và đạt được lợi thế cạnh tranh bền vững.

Trích đoạn nội dung tài liệu

chương 1, luận văn đã trình bày một cách tổng quan về dự báo và các phương pháp dự báo. Các phương pháp dự báo bao gồm các phương pháp dự báo định tính và các phương pháp dự báo định lượng. Trong phương pháp định lượng gồm có phương pháp (mô hình) chuỗi thời gian và mô hình nhân quả. Luận văn này đã giới thiệu một cách tóm tắt quy trình các bước phân tích, dự (LUAN.VNPT TIEU LUAN MOI download : [e-mail] - 20 - báo bằng mô hình chuỗi thời gian và 3 mô hình chuỗi thời gian điển hình nhất đang được ứng dụng hiện nay là mô hình làm trơn hàm mũ chuỗi thời gian, mô hình trung bình trượt tích hợp tự hồi quy và mô hình tự hồi quy véc tơ.

Trong mô hình nhân quả, luận văn đã giới thiệu nhanh các mô hình hồi quy tuyến tính và phi tuyến, và phương pháp dự báo bằng phân lớp dữ liệu. Phương pháp dự báo phân lớp dữ liệu sẽ là đối tượng nghiên cứu chính của luận văn này. Trong chương tiếp theo, luận văn sẽ tập trung trình bày phương pháp phân lớp dữ liệu sử dụng mạng nơron nhân tạo để dự báo định lượng.VNPT TIEU LUAN MOI download : [e-mail] - 21 - CHƢƠNG 2. DỰ BÁO ĐỊNH LƢỢNG BẰNG PHƢƠNG PHÁP MẠNG NƠRON NHÂN TẠO 2.

Mạng nơron nhân tạo 1). Khái quát về mạng nơron Về bản chất mạng nơron nhân tạo là mô hình mô phỏng đơn giản của nơron sinh học[7]. Mạng nơron nhân tạo cũng thực hiện nhiệm vụ của mình thông qua các thao tác: nhận đầu vào từ các nơron trước nó, xử lý đầu vào bằng cách nhân mỗi đầu vào này với trọng số liên kết tương ứng và tích hợp các đầu vào thu được rồi đưa qua một hàm truyền, sau đó gửi kết quả cuối cùng cho các nơron tiếp theo hoặc đầu ra (output). Cứ như vậy các nơron này hoạt động phối hợp với nhau tạo thành hoạt động chính của mạng nơron.

Trong mạng nơron, các nơron liên kết với nhau qua các trọng số và ngưỡng. Trong quá trình huấn luyện thì giá trị các trọng số và ngưỡng được thay đổi cho phù hợp với các mẫu ở đầu vào. Ưu, nhược điểm của mạng Nơron nhân tạo - Ưu điểm: Có thể nói mạng Nơron có ưu điểm lớn nhất là khả năng học, khả năng tổng quát hóa cũng như khả năng thích ứng với rất nhiều kiểu dữ liệu khác nhau trong nhiều lĩnh vực khác nhau. Học là quá trình huấn luyện mạng nơron có khả năng nhận biết chính xác các mẫu.

Đó là quá trình ghi nhớ tri thức về các mẫu được học thông qua việc điều chỉnh các trọng số đầu vào và ngưỡng tương ứng. Tổng quát hóa là quá trình phân loại mẫu dựa trên các mẫu mà mạng đã được học. Mạng nơron có thể giải quyết các bài toán phức tạp ở nhiều lĩnh vực khác nhau. - Nhược điểm: Tuy mạng nơron có những rất nhiều ưu điểm nhưng vẫn có nhược điểm là thời gian huấn luyện lâu, còn hội tụ ở giá trị cực trị địa phương… 3).

Các ứng dụng của mạng Nơron nhân tạo Mạng nơron thích hợp với các ứng dụng so sánh và phân loại mẫu (pattern matching and classification), dự báo (prediction) và điều khiển (control). Chính vì thế mạng nơron có nhiều ứng dụng trong: (LUAN.VNPT TIEU LUAN MOI download : [e-mail] - 22 - - Không gian vũ trụ: như máy bay không người lái, các chế độ bay tự động, hệ thống phát hiện sai hỏng… - Dự thoái tài chính kinh tế: Dự báo giá cả biến động, cấp số thời gian trong thị trường tài chính, các ứng dụng về điều hành vốn, dự báo thị trường ngoại hối, đánh giá rủi ro… - Hoạt động ngân hàng - Hệ thống phòng thủ: hệ thống điều khiển vũ khí dò tìm mục tiêu, nhận dạng mục tiêu, điều khiển đường đạn, xử lý và nhận dạng tín hiệu ảnh, rada… - Điện tử viễn thông: dự báo chuỗi mã, phân tích lỗi mạch tích hợp, nhận dạng chữ viết, vân tay, tiếng nói… 2. Mô hình của mạng nơron nhân tạo Một nơron là đơn vị xử lí thông tin, đó là những nguyên tắc cơ bản của quá trình hoạt động của mạng nơron. Hình 3 cho biết mô hình của một nơron.

Có 3 phần tử cơ bản của mô hình nơron như được mô tả dưới đây[7]: 1) Một tập hợp các khớp thần kinh hay mối liên kết được đặc trưng bởi trọng số của nó. Một tín hiệu đầu vào xj của khớp thần kinh j liên kết với nơron k được khuyếch đại bởi trọng số chuyển tiếp wkj. Trọng số wkj là tích cực nếu khớp liên hợp được kích thích, nó là không tích cực nếu khớp liên hợp bị kìm hãm. 2) Một bộ cộng để cộng những tín hiệu đầu vào được khuyếch đại bởi các khớp thần kinh tương ứng của nơron.

3) Một hàm kích hoạt để định ra giới hạn biên độ đầu ra của một nơron. Hàm kích hoạt còn được coi như một hàm nén, bên trong nó nén những giới hạn biên độ chấp nhận được của tín hiệu đầu ra đến một số giá trị hữu hạn nào đó. Giá trị giới hạn đầu ra bình thường của nơron là khoảng đóng [0,1] hoặc [-1,1]. Mô hình của nơron mô tả trong hình 3 bao gồm một ngưỡng ứng dụng ngoài i do đó có tác dụng làm hạn chế hàm kích hoạt đầu vào.

Mặt khác mạng lưới đầu vào của hàm kích hoạt có thể được tăng lên bởi việc dùng sự chênh lệch giới hạn hơn là dùng ngưỡng. Sự chênh lệch là sự phủ nhận ngưỡng. Trong giới hạn toán học chúng ta có thể mô tả một nơron k được viết bởi hệ phương trình: p vk   wkj x j j 1 (1.VNPT TIEU LUAN MOI download : skknchat@gmail.,xp là các tín hiệu đầu vào; wk1,wk2,.,wkp là các trọng số chuyển tiếp của nơron k; uk là bộ phối hợp đầu ra tuyến tính; k là ngưỡng; (.) là hàm kích hoạt; yk là tín hiệu ra của nơron. Wk 1 x1 hàm kích hoạt đầu (.)  Wk vào x2 2 vk đầu ra tổng yk.

k (ngưỡng) xk wkp trọng số chuyển tiếp Hình 3. Mô hình phi tuyến của một nơron Sử dụng ngưỡng k có hiệu quả ứng dụng biến đổi afin tới đầu ra uk của bộ phối hợp tuyến tính trong hình 3 được biểu diễn bởi : uk=vk - k (1.3) Đặc biệt sự phụ thuộc vào ngưỡng k dù là tích cực hay thụ động, mối quan hệ giữa hiệu quả mức hoạt động mội tại hoặc khả năng kích hoạt vk của nơron k và bộ phối hợp tuyến tính đầu ra uk được sửa đổi như hình 4. Lưu ý là do kết quả của biến đổi aphin, đồ thị của vk không còn đi qua gốc toạ độ.VNPT TIEU LUAN MOI download : [e-mail] - 24 - Tổng mức ngưỡng k <0 kích hoạt k=0 bên trong vk k>0 0 đầu ra kết hợp phi tuyến, uk Hình 4. Kết quả biến đổi afine của ngưỡng Ngưỡng k là tham số ngoài của nơron nhân tạo k.

Chúng ta có thể tính toán nó như trong công thức 1.2 Tương đương chúng ta có thể kết hợp của công thức 1.2 thành công thức p vk   wkj x j j 0 (1.5) Trong công thức 1.4 ta đã thêm vào một khớp thần kinh mới, đầu vào là x0=-1 (1.6) và trọng số của nó là wk0= k (1.7) Bởi vậy chúng ta có thể công thức hoá lại mô hình của nơron như hình 5a. Trong hình này sự ảnh hưởng của ngưỡng được thể hiện bởi hai việc : - Thêm một tín hiệu đầu vào mới cố định tại -1. - Thêm trọng số chuyển tiếp mới cân bằng với ngưỡng k.VNPT TIEU LUAN MOI download : [e-mail] - 25 - Cách khác chúng ta có thể mô hình nơron như trong hình 5b với sự kết hợp cố định đầu vào x0=1và trọng số wk0=bk (bk độ chênh lệch). Mặc dù mô hình 1.6 là khác nhau nhưng tương đương về mặt toán học.

Hai mô hình phi tuyến của nơron Giá trị vào Wk wk0=k cố định 0 xo=-1 Wk x1 1 hàm kích hoạt đầu Wk  (.) vào x2 2 vk đầu ra tổng yk. wkp x3 trọng số chuyển tiếp (gồm cả ngưỡng) (a) 1) Các loại hàm kích hoạt Hàm kích hoạt được biểu thị là (.), nó định nghĩa đầu ra của nơron trong giới hạn mức hoạt động của đầu vào. Nói chung người ta xác định 3 loại hàm kích hoạt cơ bản. Hàm ngưỡng: Hàm kích hoạt loại này được mô tả trong hình 5a, ta có công thức 1 nếu v>0 (1.8) (v)= 0 nếu v <0 do đó, đầu ra của nơron k dùng một hàm ngưỡng như vậy, được biểu thị 1 nếu vk >=0 yk = (1.9) 0 nếu vk <0 (LUAN.VNPT TIEU LUAN MOI download : [e-mail] - 26 - vk là mức hoạt động nội tại của nơron p vk   wkj x j   k j 1 (1.10) Một nơron như vậy được gọi là mô hình McCulloch-Pitts do McCulloc và Pitts là những người tiên phong trong sự phát hiện này.

Trong mô hình này đầu ra của nơron nhận giá trị 1 nếu các mức nội tại là tích cực, và nhận giá trị 0 nếu khác đi. Sự phát biểu này mô tả tất cả hoặc không của mô hình McCulloc-Pitts. Giá trị vào wk0=bk Wk0 cố định xo=+1 Wk1 x1 hàm kích hoạt đầu vào x2 Wk2  (.) vk đầu ra tổng yk. x3 wkp trọng số chuyển tiếp (gồm cả độ lệch) (b) b).

Hàm phân đoạn tuyến tính, được mô tả trong hình 5b, được tính theo công thức: 1, neu v  1  2   (v)  v, neu 1 2  v   1 2 (1.11)  0, neu v   1 2 với nhân tố khuyếch đại bên trong tuyến tính được giả thiết là thống nhất. Dạng này của hàm kích hoạt được coi gần giống như một máy khuyếch đại phi tuyến. Hai thuộc tính sau là dạng đặc biệt của McCulloc - Pitts: - Một bộ phối hợp tuyến tính được sinh ra nếu miền tuyến tính của thao tác được duy trì mà không gặp phải sự bão hoà. - Hàm phân đoạn tuyến tính quy về hàm ngưỡng nếu nhân tố khuyếch đại của vùng tuyến tính được làm lớn quá.VNPT TIEU LUAN MOI download : [e-mail] - 27 - - Hàm sigma: Hàm sigma cũng được sử dụng trong xây dựng những mạng nơron nhân tạo.

Nó được định nghĩa như một hàm tăng dần, được xác định bởi công thức sau: 1  (v )  (1.12) 1  exp( av) ở đây a là tham số bậc của hàm sigma. Khi thay đổi tham số a chúng ta thu được hàm sigma của những giá trị bậc khác nhau. Trong những trường hợp hạn chế nào đó, khi tham số bậc tiến tới vô cùng thì hàm sigma trở thành hàm ngưỡng đơn giản.