Luận văn: Tập mờ viễn cảnh và ứng dụng - ĐH Công Nghệ, ĐHQG Hà Nội
Luận văn thạc sĩ phân tích tập mờ viễn cảnh và ứng dụng, đánh giá thực trạng, chỉ ra hạn chế, đề xuất giải pháp khả thi cho thực tiễn.
Trường đại học
Trường Đại học Công nghệ - Đại học Quốc gia Hà NộiChuyên ngành
Công Nghệ Thông TinNgười đăng
Ẩn danhThể loại
Luận Văn Thạc SĩPhí lưu trữ
30 PointMục lục chi tiết
Tóm tắt
I. Tổng quan Tập Mờ Nền tảng ứng dụng CNTT 2024
Lý thuyết tập mờ, do giáo sư Lotfi A. Zadeh đề xuất năm 1965, mở rộng khái niệm tập rõ. Trong tập rõ, một phần tử hoặc thuộc hoặc không thuộc tập hợp (giá trị 0 hoặc 1). Tập mờ cho phép mức độ thuộc về được biểu diễn bằng giá trị trong khoảng [0, 1], mô tả các khái niệm không chắc chắn như 'cao', 'nóng', 'trẻ'. Điều này rất hữu ích trong nhiều ứng dụng, đặc biệt là trong Công nghệ thông tin, nơi dữ liệu thường không chính xác hoặc không đầy đủ. Việc sử dụng hàm thuộc thay vì một giá trị tuyệt đối (0 hoặc 1) đã giúp giải quyết vấn đề về các thông tin không đầy đủ, không chính xác, nhất là trong một số ngành như Tin-sinh học. Theo Zadeh [28], lý thuyết tập mờ giúp máy móc xử lý thông tin gần với cách con người suy nghĩ hơn. Một phần tử có thể thuộc một tập mờ với một mức độ nhất định, ví dụ một người 50 tuổi có thể thuộc tập 'trung niên' với độ thuộc là 0.8 và tập 'già' với độ thuộc 0.2. Lý thuyết này đã mở đường cho nhiều ứng dụng thực tế, từ điều khiển tàu điện ngầm đến máy giặt thông minh.
1.1. Định nghĩa Tập Rõ và hàm đặc trưng của tập hợp
Trong lý thuyết tập hợp kinh điển, một phần tử hoặc thuộc hoặc không thuộc tập hợp, như Cantor khởi xướng. Hàm đặc trưng mô tả khái niệm thuộc về, nhận giá trị 0 hoặc 1. Hàm đặc trưng được dùng để mô tả liệu phần tử x có thuộc tập C hay không. Ví dụ, cho tập X = {1, 2, 3, 4, 5, 6, 7, 8, 9}, xác định tập rõ C trên tập X với C = {x|3<x<8}. Ta có: µ(4)= µ(5)= µ(6)= µ(7)=1 nên suy ra C = {4, 5, 6, 7}. Hàm đặc trưng (x) đƣợc gọi là hàm thuộc hay hàm đặc trƣng của tập hợp C.
1.2. Định nghĩa Tập Mờ và hàm thuộc đo mức độ thuộc về
Một tập mờ F trên tập nền X được định nghĩa bởi hàm thuộc F(x), đo 'mức độ' mà phần tử x thuộc về tập F. Hàm thuộc có giá trị trong khoảng [0, 1]. Khi F(x) = 0, x không thuộc F; khi F(x) = 1, x thuộc F hoàn toàn. Cho tập X gồm 5 người là {x1,x2,x3,x4,x5} tƣơng ứng có tuổi là 50,10,15,55,70, xác định tập F là tập hợp những ngƣời “Trẻ”. Ta có thể xây dựng hàm thuộc nhƣ sau: µF(50)=0.05, µF(10)=0.9, µF(15)=0.8, µF(55)=0.1, µF(70)=0. Tức là, một phần tử x sẽ thuộc tập mờ F với giá trị trong đoạn [0, 1].
1.3. Các phép toán trên Tập Mờ Bằng nhau bù hợp giao
Các phép toán trên tập mờ được định nghĩa thông qua các hàm thuộc, tương tự như trong tập hợp kinh điển. Phép bằng nhau A B A (x) B (x), x X. Bù của một tập mờ thể hiện mức độ một phần tử không thuộc tập đó. Hợp của hai tập mờ (AB) thể hiện mức độ một phần tử thuộc về một trong hai tập mờ. Giao của hai tập mờ (AB) thể hiện mức độ một phần tử thuộc về cả hai tập mờ. A B A A B, A X A , A X X.
II. Thách thức và hạn chế của Tập Mờ truyền thống
Mặc dù tập mờ truyền thống có nhiều ưu điểm, nó cũng có những hạn chế. Nó không thể mô hình hóa một số sự kiện, hiện tượng trong tự nhiên, đặc biệt là khi có sự mơ hồ về chính mức độ thuộc của một phần tử vào tập mờ. Vì vậy, tập mờ truyền thống có một số hạn chế và vì vậy nó không thể mô hình hóa một số các sự kiện, hiện tƣợng trong tự nhiên. Một số mở rộng tiêu biểu của tập mờ truyền thống nhƣ: tập mờ loại 2 [29] và tập mờ trực cảm [1] đã đƣợc đề xuất sử dụng ý tƣởng về mờ hóa hàm thuộc (đối với tập mờ loại 2) và thông tin do dự (đối với tập mờ trực cảm) trong định nghĩa của tập mờ đã giúp khắc phục đƣợc các nhƣợc điểm đó. Gần đây, một loại tập mờ tổng quát của các mở rộng trên là tập mờ viễn cảnh [3] đã đƣợc Cuong & Kreinovich đề xuất nhằm hợp nhất các khái niệm này và hứa hẹn có khả năng ứng dụng lớn.
2.1. Giới thiệu Tập Mờ loại 2 và cách giải quyết độ không chắc chắn
Tập mờ loại 2 giải quyết vấn đề độ thuộc không chắc chắn. Với tập mờ loại hai thì độ thuộc là một tập mờ loại một trên đoạn [0, 1], nó cho phép biểu diễn độ thuộc bằng các giá trị mờ, các giá trị ngôn ngữ chứ không phải các giá trị số chính xác. Trong trường hợp khó xác định chính xác độ thuộc của các phần tử trong không gian. Các giá trị này được thể hiện bằng một tập mờ, cho phép diễn tả sự không chắc chắn một cách tự nhiên hơn. Hàm thuộc không còn là một số thực đơn lẻ, mà là một phân bố khả năng.
2.2. Ưu điểm và ứng dụng của Tập Mờ Trực Quan IFS
Tập mờ trực quan (IFS) của Atanassov mở rộng khái niệm tập mờ bằng cách thêm vào độ không thuộc. Nó cho phép thể hiện sự do dự hoặc thiếu thông tin trong việc xác định mức độ thuộc của một phần tử. Với xX, A (x) 1 - A (x) - A (x) đƣợc gọi là độ không chắc chắn của x trong A (degree of indeterminacy/uncertainty), là thành phần đại diện cho lƣợng thông tin bị thiếu trong việc xác định khả năng x thuộc vào A. Việc IFS trở thành Tập Mờ FS xảy ra khi xX, A ( x ) 0 thì A (x) 1 - A (x).
III. Tập Mờ Viễn Cảnh PFS Giải pháp tổng quát và tiềm năng
Tập mờ viễn cảnh (PFS) là một mở rộng tổng quát hơn của tập mờ và tập mờ trực quan. Nó bao gồm độ thuộc, độ không thuộc và độ trung lập, cho phép mô hình hóa các tình huống phức tạp hơn, đặc biệt là khi có nhiều quan điểm hoặc ý kiến khác nhau. Với xX, Ax 1 ( A (x) A (x) A (x)) đƣợc gọi là mức độ “từ chối” (degree of refusal membership) của x trong A. Tập mờ viễn cảnh (PFS) chính là tổng quát hóa của tập mờ FS và tập mờ trực cảm IFS. Trong PFS, thành viên trung lập không tồn tại.
3.1. Định nghĩa và các thành phần của Tập Mờ Viễn Cảnh
Tập mờ viễn cảnh bao gồm độ thuộc (µ), độ không thuộc (υ), độ trung lập (η) và độ từ chối (ξ). Các giá trị này tuân theo điều kiện: µ(x) + η(x) + υ(x) + ξ(x) = 1. Điều này cho phép mô tả một phần tử thuộc, không thuộc, trung lập hoặc bị từ chối khỏi tập mờ. Một ví dụ thực tế về tập mờ viễn cảnh (PFS) được thể hiện qua cuộc Bầu cử, Ban bầu cử phát 500 phiếu bầu cho các ứng cử viên. Kết quả bầu cử có thể chia thành bốn nhóm: “vote for” (đồng ý) có 300 phiếu, “abstain” (bỏ phiếu trống) có 64 phiếu, “vote against” (phản đối) có 115 phiếu và “refusal of voting” (phiếu bị từ chối) có 21 phiếu.
3.2. Mối quan hệ giữa Tập Mờ Viễn Cảnh với FS và IFS
Tập mờ viễn cảnh PFS chính là tổng quát hóa của tập mờ FS và tập mờ trực cảm IFS. Trƣờng hợp với xX, Ax 0 thì Ax 1 ( A (x) A (x)), khi đó tập mờ viễn cảnh PFS sẽ có dạng {(x, μ A (x), 1 ( A (x) A (x)), A (x)) | x X} , và thƣờng đƣợc biểu diễn dƣới dạng {(x, μ A (x), A (x)) | x X} . Vậy với xX, Ax 0 thì PFS trở thành IFS. Trƣờng hợp với xX, Ax 0 và Ax 1 ( A (x) A (x)) 0 thì PFS trở thành FS.
IV. Ứng dụng Logic Mờ trong Hệ thống điều khiển và AI 2024
Logic mờ được phát triển từ lý thuyết tập mờ, thực hiện lập luận xấp xỉ thay vì chính xác như logic vị từ cổ điển. Nó được áp dụng rộng rãi trong các hệ thống điều khiển, Trí tuệ nhân tạo (AI), và các hệ thống hỗ trợ quyết định. Logic mờ cho phép hàm thuộc có giá trị trong khoảng [0.1] và ở hình thức ngôn từ, khái niệm không chính xác nhƣ “hơi hơi”, “gần nhƣ”, “khá là”, “rất”, v. Biến ngôn ngữ (Linguistic Variables) là thành phần chủ đạo trong các hệ thống dùng logic mờ. Các luật trong hệ logic mờ mô tả tri thức trong hệ và chúng dùng các biến ngôn ngữ nhƣ là từ vựng để mô tả các tầng điều khiển của hệ. Một luật mờ là một biểu thức IF – THEN đƣợc phát biểu ở dạng ngôn ngữ tự nhiên thể hiện sự phụ thuộc nhân quả giữa các biến.
4.1. Biến ngôn ngữ và ứng dụng trong luật mờ IF THEN
Biến ngôn ngữ là biến nhận các giá trị ngôn ngữ (Linguistic Terms) chẳng hạn nhƣ “già”, “trẻ” và “trung niên”, v. Các luật mờ có dạng: IF x is A THEN y is B hoặc IF x is A AND y is B THEN z is C. Ví dụ, IF nhiệt độ là lạnh AND giá dầu là rẻ THEN sƣởi ấm nhiều. Trong đó: “nhiệt độ”, “giá dầu” và “sƣởi ấm” là các biến x,y,z. Còn “lạnh”, “rẻ”, “nhiều” là các giá trị hay chính là tập mờ A, B, C.
4.2. Ứng dụng thực tiễn của Logic Mờ trong điều khiển tự động
Logic mờ được ứng dụng trong nhiều lĩnh vực điều khiển tự động như: máy giặt, máy điều hòa, hệ thống điều khiển tàu điện ngầm, robot tự động, xử lý dữ liệu (nhƣ máy ảnh, máy quay phim, xe hơi Mishubishi, v.), điều khiển tự động hóa (nhƣ máy giặt, máy điều hòa, v.) hay đƣợc dùng để tối ƣu nhiều quá trình hóa học, sinh học, v. Các sản phẩm thƣơng mại dùng logic mờ ngày càng phổ biến.
V. Phân cụm Mờ với Tập Mờ Viễn Cảnh Thuật toán và thực nghiệm
Phân cụm mờ là một kỹ thuật quan trọng trong học máy (Machine Learning) và khai phá dữ liệu. Việc kết hợp phân cụm mờ với tập mờ viễn cảnh cho phép xử lý dữ liệu phức tạp, không chắc chắn và đa chiều một cách hiệu quả. Phần cụm mờ đƣợc ứng dụng rất nhiều nhƣ trong việc nhận dạng mẫu (vân tay, ảnh), xử lí ảnh, y học (phân loại bệnh lí, triệu chứng), v. Việc sử dụng logic để phân cụm dữ liệu mềm dẻo hơn rất nhiều so với phân cụm rõ. Nó cho phép một đối tƣợng có thể thuộc vào một hay nhiều cụm khác nhau, đƣợc biểu diễn thông qua khái niệm hàm thuộc hay độ thuộc.
5.1. Thuật toán phân cụm phân cấp mờ viễn cảnh HPC và các bước thực hiện
Thuật toán HPC đƣợc mô tả qua các bƣớc sau: (1) Đƣa các tập mờ viễn cảnh A j PFS (X) ( j 1, M ) là các cụm riêng biệt. (2) Tính ma trận khoảng cách viễn cảnh PDM dựa trên các độ đo khoảng cách viễn cảnh tổng quát theo công thức (3.28). (3) Dựa trên ma trận PDM, thực hiện kết hợp hai cụm liền kề nhau (mỗi lần chỉ kết hợp 2 cụm với nhau và không đƣợc tách ra sau khi đã kết hợp cụm). Sau đó, tính toán ra tâm mới theo công thức (3.31). (4) Với Aj đƣợc thay thế bởi trọng tâm mới, thực hiện lặp lại từ bƣớc 2 tới bƣớc 4 cho đến khi đạt đƣợc số cụm nhƣ mong muốn.
5.2. So sánh chất lượng phân cụm sử dụng các độ đo khoảng cách khác nhau
Thực nghiệm cho thấy chất lượng phân cụm của các thuật toán HPC phụ thuộc vào độ đo khoảng cách được sử dụng. Việc lựa chọn độ đo khoảng cách phù hợp là rất quan trọng để đạt được kết quả tốt nhất. Các kết quả thực nghiệm cho thấy rằng việc sử dụng các độ đo khoảng cách viễn cảnh tổng quát trong các thuật toán phân cụm mang lại kết quả chất lƣợng phân cụm tốt hơn việc sử dụng các độ đo khoảng cách viễn cảnh của Cuong & Kreinovich. Đồng thời, qua thực nghiệm để đánh giá xem liệu chất lƣợng phân cụm của các thuật toán (HPC1, HPC2, HPC3, HPC4) sử dụng các độ đo khoảng cách viễn cảnh tổng quát có tốt hơn so với các thuật toán sử dụng các độ đo khoảng cách viễn cảnh của Cuong & Kreinovich (CK1, CK2).
VI. Kết luận và Hướng phát triển Ứng Dụng Tập Mờ trong CNTT
Lý thuyết tập mờ và các mở rộng của nó, đặc biệt là tập mờ viễn cảnh, cung cấp một công cụ mạnh mẽ để giải quyết các vấn đề phức tạp trong Công nghệ thông tin. Các ứng dụng của tập mờ ngày càng trở nên phổ biến và quan trọng trong nhiều lĩnh vực. Việc nghiên cứu và phát triển các thuật toán mới dựa trên tập mờ có tiềm năng mang lại những đột phá lớn trong tương lai. Logic mờ và tri thức là một hệ thống dựa trên
6.1. Tóm tắt kết quả nghiên cứu và đánh giá tiềm năng ứng dụng
Kết quả nghiên cứu cho thấy tập mờ viễn cảnh và các thuật toán phân cụm mờ liên quan có tiềm năng ứng dụng lớn trong nhiều lĩnh vực như: Hệ thống hỗ trợ quyết định, xử lý ảnh, nhận dạng mẫu, Tin sinh học, robotics. Các kết quả này mở ra những hướng nghiên cứu mới và có thể mang lại những lợi ích thiết thực cho xã hội.
6.2. Các hướng nghiên cứu tiếp theo và tiềm năng phát triển trong tương lai
Các hướng nghiên cứu tiếp theo có thể tập trung vào: (1) Phát triển các thuật toán phân cụm mờ hiệu quả hơn cho tập mờ viễn cảnh. (2) Ứng dụng tập mờ và logic mờ trong các lĩnh vực mới như Internet of Things (IoT), Blockchain, An ninh mạng. (3) Nghiên cứu các phương pháp kết hợp tập mờ với các kỹ thuật Trí tuệ nhân tạo (AI) khác như Học sâu (Deep Learning) để tạo ra các hệ thống thông minh hơn.
24/09/2025
