Luận án tiến sĩ về khai phá tập mục phổ biến mờ sử dụng cấu trúc cây và kỹ thuật xử lý song song

• Tác giả: Trần Thị Thúy Trinh
• Người hướng dẫn: PGS. Nguyễn Long Giang
• Trường học: Học viện Khoa học và Công nghệ
• Chuyên ngành: Máy tính
• Đề tài: Khai Phá Tập Mục Phổ Biến Mờ Với Cấu Trúc Cây Và Xử Lý Song Song
• Loại tài liệu: luận án tiến sĩ
• Năm xuất bản: 2023
• Địa điểm: Hà Nội

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• 1. CHƯƠNG 1: CƠ SỞ LÝ THUYẾT
• 1.1. Các khái niệm cơ bản về luật kết hợp
• 1.2. Luật kết hợp trong cơ sở dữ liệu nhị phân
• 1.3. Luật kết hợp trong cơ sở dữ liệu định lượng
• 1.4. Tổng quan về Logic mờ
• 1.5. Hàm thành viên
• 1.6. Biến ngôn ngữ
• 1.7. Các phép toán logic mờ
• 1.8. Cơ sở dữ liệu giao dịch mờ
• 1.9. Độ hỗ trợ của tập mục mờ
• 1.10. Tập mục phổ biến mờ
• 1.11. Các nghiên cứu liên quan
• 1.11.1. Các nghiên cứu tiếp cận dựa trên Apriori
• 1.11.2. Các nghiên cứu mở rộng tử Apriori
• 1.11.3. Các phương pháp nghiên cứu dựa trên cây
• 1.11.3.1. Thuật toán FP-Tree mờ
• 1.11.3.2. Thuật toán CFFP-tree và UBFFP-tree
• 1.11.3.3. Thuật toán MFFP (Multiple Fuzzy Frequent Pattern)
• 1.12. Xác định vấn đề nghiên cứu
• 1.13. Kết luận chương 1
• 2. CHƯƠNG 2: KHAI PHÁ TẬP MỤC PHỔ BIẾN MỜ DỰA TRÊN CẤU TRÚC CÂY
• 2.1. Phát biểu bài toán khai phá luật kết hợp mờ
• 2.2. Thuật toán phân cụm dữ liệu và xác định các khoảng mờ
• 2.2.1. Các khái niệm cơ bản
• 2.2.1.1. Phân cụm dữ liệu
• 2.2.1.2. Xác định các khoảng mờ
• 2.2.2. Bài toán đặt ra
• 2.2.3. Thuật toán phân cụm dữ liệu EMC
• 2.2.3.1. Ý tưởng thuật toán
• 2.2.3.2. Thuật toán EMC
• 2.2.3.3. Đánh giá thuật toán EMC dựa trên Log Likehood
• 2.2.4. Thuật toán xác định các khoảng mờ
• 2.2.4.1. Xác định tâm
• 2.2.4.2. Xác định các khoảng mờ
• 2.2.4.3. Chuyển đổi CSDL định lượng sang CSDL mờ
• 2.3. Khai phá tập mục phổ biến mờ
• 2.3.1. Bài toán đặt ra
• 2.3.2. Khai phá tập mục phổ biến mờ sử dụng cấu trúc cây FPPC-tree
• 2.3.2.1. Ý tưởng thuật toán
• 2.3.2.2. Thuật toán xây dựng cây FPPC
• 2.3.2.3. Thuật toán xây dựng Nodelist của các mục phổ biến mờ dựa trên cây FFPC
• 2.3.3. Thuật toán NFFP
• 2.3.4. Khai phá tập mục phổ biến sử dụng cấu trúc cây FPOSC-tree
• 2.3.4.1. Ý tưởng thuật toán
• 2.3.4.2. Thuật toán xây dựng cây FPOSC (Fuzzy Pre-order Size Coding)
• 2.3.4.3. Thuật toán xây dựng Nodelist của các mục phổ biến mờ dựa trên cây FPOSC
• 2.3.5. Thuật toán NPSFF
• 2.3.6. Thuật toán khai phá luật kết hợp mờ
• 2.4. Kết luận chương 2
• 3. CHƯƠNG 3: KHAI PHÁ TẬP MỤC PHỔ BIẾN MỜ SỬ DỤNG KỸ THUẬT XỬ LÝ SONG SONG
• 3.1. Một số khái niệm liên quan về automata di động học (Cellular learning automata)
• 3.1.1. Automata học LA (Learning Automata)
• 3.1.1.1. Môi trường
• 3.1.1.2. Automata học ngẫu nhiên
• 3.1.1.3. Automata học ngẫu nhiên có cấu trúc thay đổi
• 3.1.1.4. Mô hình học P-model
• 3.1.2. Automata di động (CA – Cellular Automata)
• 3.1.3. Automata di động học – Cellular learning automata
• 3.1.3.1. Automata di động học có quy tắc
• 3.1.3.2. Automata di động học bất quy tắc
• 3.2. Thuật toán khai phá tập mục phổ biến mờ sử dụng CLA
• 3.2.1. Ý tưởng thuật toán
• 3.2.2. Tiền xử lý dữ liệu
• 3.2.3. Khai phá tập mục phổ biến mờ 1-item
• 3.2.4. Khai phá tập mục phổ biến n-itemset
• 3.2.5. Thuật toán CLA-FuzzyMining
• 3.3. Kết luận chương 3
• KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• DANH MỤC CÁC CÔNG TRÌNH CỦA TÁC GIẢ
• TÀI LIỆU THAM KHẢO

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.