I. Giới thiệu và cơ sở lý thuyết
Luận án tiến sĩ này tập trung vào việc khai phá tập mục phổ biến mờ dựa trên cấu trúc cây và xử lý song song. Nghiên cứu này nhằm giải quyết các vấn đề liên quan đến việc xử lý dữ liệu định lượng trong các cơ sở dữ liệu lớn, nơi các phương pháp truyền thống không hiệu quả. Lý thuyết tập mờ được áp dụng để chuyển đổi dữ liệu định lượng thành các biến ngôn ngữ, giúp giảm thiểu tính toán và tăng cường khả năng phân tích. Các thuật toán như FP-Tree mờ và CFFP-tree đã được nghiên cứu để cải thiện hiệu suất khai phá dữ liệu.
1.1. Khái niệm cơ bản về luật kết hợp
Luật kết hợp là một phương pháp quan trọng trong khai thác dữ liệu, giúp tìm ra mối quan hệ giữa các mục trong cơ sở dữ liệu. Trong luận án tiến sĩ, các luật kết hợp được áp dụng để khai phá các tập mục phổ biến mờ, đặc biệt là trong các cơ sở dữ liệu định lượng. Các khái niệm như hàm thành viên, biến ngôn ngữ, và phép toán logic mờ được sử dụng để chuyển đổi dữ liệu định lượng thành dữ liệu mờ, giúp tăng cường khả năng phân tích và dự đoán.
1.2. Tổng quan về Logic mờ
Logic mờ là một công cụ mạnh mẽ trong việc xử lý dữ liệu không chắc chắn. Trong luận án tiến sĩ, logic mờ được sử dụng để chuyển đổi các giá trị định lượng thành các biến ngôn ngữ, giúp giảm thiểu tính toán và tăng cường khả năng phân tích. Các hàm thành viên như tam giác, hình thang, và Gauss được sử dụng để biểu diễn các biến ngôn ngữ, giúp tăng cường khả năng phân tích và dự đoán.
II. Khai phá tập mục phổ biến mờ dựa trên cấu trúc cây
Phần này tập trung vào việc khai phá tập mục phổ biến mờ sử dụng cấu trúc cây. Các thuật toán như FP-Tree mờ và CFFP-tree được nghiên cứu để cải thiện hiệu suất khai phá dữ liệu. Cấu trúc cây giúp giảm thiểu thời gian tính toán và tăng cường khả năng phân tích dữ liệu. Các thuật toán này được áp dụng để khai phá các tập mục phổ biến mờ trong các cơ sở dữ liệu định lượng, giúp tăng cường khả năng dự đoán và phân tích.
2.1. Thuật toán FP Tree mờ
Thuật toán FP-Tree mờ là một phương pháp hiệu quả để khai phá các tập mục phổ biến mờ. Thuật toán này sử dụng cấu trúc cây để giảm thiểu thời gian tính toán và tăng cường khả năng phân tích dữ liệu. Các biến ngôn ngữ được sắp xếp theo thứ tự tăng dần trong mỗi giao dịch, giúp duy trì tính chất đóng của cây và tăng cường khả năng khai phá dữ liệu.
2.2. Thuật toán CFFP tree
Thuật toán CFFP-tree được thiết kế để giảm kích thước của cây FP-Tree mờ, giúp tăng cường hiệu suất khai phá dữ liệu. Thuật toán này sử dụng một mảng để lưu trữ các giá trị mờ của các biến ngôn ngữ, giúp giảm thiểu dung lượng bộ nhớ và tăng cường khả năng phân tích dữ liệu.
III. Khai phá tập mục phổ biến mờ sử dụng kỹ thuật xử lý song song
Phần này tập trung vào việc khai phá tập mục phổ biến mờ sử dụng kỹ thuật xử lý song song. Các thuật toán như CLA-FuzzyMining được nghiên cứu để cải thiện hiệu suất khai phá dữ liệu. Kỹ thuật xử lý song song giúp tăng cường khả năng xử lý dữ liệu lớn và giảm thiểu thời gian tính toán. Các thuật toán này được áp dụng để khai phá các tập mục phổ biến mờ trong các cơ sở dữ liệu định lượng, giúp tăng cường khả năng dự đoán và phân tích.
3.1. Thuật toán CLA FuzzyMining
Thuật toán CLA-FuzzyMining là một phương pháp hiệu quả để khai phá các tập mục phổ biến mờ sử dụng kỹ thuật xử lý song song. Thuật toán này sử dụng automata di động học để tăng cường khả năng xử lý dữ liệu lớn và giảm thiểu thời gian tính toán. Các biến ngôn ngữ được sử dụng để chuyển đổi dữ liệu định lượng thành dữ liệu mờ, giúp tăng cường khả năng phân tích và dự đoán.
3.2. Ứng dụng thực tế
Kỹ thuật xử lý song song được áp dụng trong các hệ thống phân tán để tăng cường khả năng xử lý dữ liệu lớn. Các thuật toán như CLA-FuzzyMining được sử dụng để khai phá các tập mục phổ biến mờ trong các cơ sở dữ liệu định lượng, giúp tăng cường khả năng dự đoán và phân tích trong các ứng dụng thực tế.
