Luận án tiến sĩ: Mở rộng hệ suy diễn mờ phức cho bài toán hỗ trợ ra quyết định

Luận án tiến sĩ toán học phân tích ngành máy tính một số mở rộng của hệ suy diễn mờ phức cho bài toán hỗ trợ ra quyết định, xây dựng cơ sở lý luận, kiểm chứng thực nghiệm, đóng

• Tác giả: Lương Thị Hong Lan
• Người hướng dẫn: TS. Lê Hoàng Sơn
• Trường học: Học Viện Khoa Học Và Công Nghệ
• Chuyên ngành: Khoa học máy tính
• Đề tài: Một Số Mở Rộng Của Hệ Suy Diễn Mờ Phức Cho Bài Toán Hỗ Trợ Ra Quyết Định
• Loại tài liệu: Luận án tiến sĩ
• Năm xuất bản: 2021
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• 1. CHƯƠNG 1: TỔNG QUAN NGHIÊN CỨU VÀ CƠ SỞ LÝ THUYẾT
• 1.1. Vấn đề H suy diễn mờ trong H hỗ trợ ra quyết định
• 1.2. Tổng quan các nghiên cứu liên quan
• 1.2.1. H suy diễn mờ
• 1.2.2. Các hệ phát triển dựa trên tập mờ phức
• 1.2.3. Các vấn đề còn tồn tại cần giải quyết của hệ CFIS hiện nay
• 1.3. Các phép toán trên tập mờ phức
• 1.3.1. Logic mờ phức
• 1.3.2. Độ đo mờ và độ đo mờ phức
• 1.4. Dữ liệu thực nghiệm
• 1.4.1. Bộ dữ liệu chuẩn
• 1.4.2. Bộ dữ liệu thực - Bệnh gan Liver
• 1.4.3. Các độ đo đánh giá thực nghiệm
• 1.5. Kết Chương 1
• 2. CHƯƠNG 2: XÂY DỰNG HỆ SUY DIỄN MỜ PHỨC DẠNG MAMDANI (M-CFIS)
• 2.1. Đề xuất toán tử t-chuẩn và t-đổi chuẩn mờ phức
• 2.1.1. Toán tử t-chuẩn và t-đổi chuẩn
• 2.1.2. Toán tử t-chuẩn và t-đổi chuẩn mờ phức
• 2.1.3. Ví dụ minh họa hỗ trợ ra quyết định
• 2.2. Hệ suy diễn mờ phức Mamdani (M-CFIS)
• 2.2.1. Đề xuất hệ suy diễn mờ phức Mamdani
• 2.2.2. Các lựa chọn sử dụng trong hệ suy diễn mờ phức Mamdani
• 2.2.3. Cấu trúc của hệ suy diễn mờ phức Mamdani
• 2.2.4. Ví dụ sơ minh họa mô hình suy diễn M-CFIS
• 2.2.5. Thử nghiệm và đánh giá kết quả
• 3. CHƯƠNG 3: TINH GIẢM HỆ LUẬT TRONG HỆ SUY DIỄN MỜ PHỨC MAMDANI (M-CFIS-R)
• 3.1. Đề xuất độ đo tương tự mờ phức
• 3.1.1. Độ đo tương tự mờ phức Cosine
• 3.1.2. Độ đo tương tự mờ phức Dice
• 3.1.3. Độ đo tương tự mờ phức Jaccard
• 3.2. Đề xuất mô hình hệ suy diễn M-CFIS-R
• 3.2.1. Ý tưởng xây dựng mô hình
• 3.3. Thử nghiệm và đánh giá kết quả
• 3.3.1. Kết quả thực nghiệm trên bộ dữ liệu UCI
• 3.3.2. Kết quả thực nghiệm trên bộ dữ liệu thực
• 3.4. Kết Chương 3
• 4. CHƯƠNG 4: MỞ RỘNG HỆ SUY DIỄN MỜ PHỨC MAMDANI VỚI ĐO THỊ TRI THỨC (M-CFIS-FKG)
• 4.1. Mô tả mở rộng của mô hình M-CFIS-R
• 4.1.1. Hệ suy diễn mờ phức Sugeno và Tsukamoto
• 4.1.2. Độ đo mờ phức dựa trên lý thuyết tập hợp
• 4.1.3. Tích phân mờ phức
• 4.2. Đề xuất mô hình hệ suy diễn mờ phức M-CFIS-FKG
• 4.2.1. Ý tưởng xây dựng mô hình
• 4.2.2. Xây dựng đồ thị tri thức mờ
• 4.2.3. Thuật toán suy diễn nhanh trên đồ thị tri thức mờ
• 4.2.4. Ví dụ minh họa hệ suy diễn mờ phức M-CFIS-FKG
• 4.2.5. Thực nghiệm và đánh giá kết quả
• 4.3. Kết quả thực nghiệm
• 4.4. Kết Chương 4
• 5. KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• 5.1. Những kết quả chính của luận án
• 5.2. Hướng phát triển của luận án
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về hệ suy diễn mờ phức trong hỗ trợ ra quyết định

Hệ suy diễn mờ phức (Complex Fuzzy Inference System - CFIS) đã trở thành một công cụ quan trọng trong việc hỗ trợ ra quyết định trong ngành máy tính. Với khả năng xử lý dữ liệu không chắc chắn và không rõ ràng, CFIS giúp cải thiện độ chính xác trong các quyết định phức tạp. Nghiên cứu này sẽ đi sâu vào các khái niệm cơ bản và ứng dụng của CFIS trong việc hỗ trợ ra quyết định.

1.1. Khái niệm về hệ suy diễn mờ phức

Hệ suy diễn mờ phức là một mở rộng của hệ suy diễn mờ truyền thống, cho phép xử lý các yếu tố phức tạp hơn trong dữ liệu. Nó kết hợp các thành phần biên độ và pha để mô tả các hiện tượng có tính chu kỳ và định kỳ.

1.2. Lịch sử phát triển của hệ suy diễn mờ

Hệ suy diễn mờ được giới thiệu lần đầu bởi Zadeh vào năm 1965. Kể từ đó, nhiều nghiên cứu đã mở rộng và phát triển các mô hình mới, bao gồm cả CFIS, nhằm cải thiện khả năng ra quyết định trong các lĩnh vực khác nhau.

II. Vấn đề và thách thức trong việc áp dụng hệ suy diễn mờ phức

Mặc dù hệ suy diễn mờ phức mang lại nhiều lợi ích, nhưng vẫn tồn tại một số thách thức trong việc áp dụng nó vào thực tiễn. Các vấn đề như độ phức tạp trong việc xây dựng mô hình, thiếu dữ liệu huấn luyện và khả năng xử lý thông tin không đầy đủ là những yếu tố cần được xem xét.

2.1. Độ phức tạp trong xây dựng mô hình

Việc xây dựng mô hình CFIS yêu cầu kiến thức sâu rộng về lý thuyết mờ và các phương pháp toán học. Điều này có thể gây khó khăn cho những người mới bắt đầu trong lĩnh vực này.

2.2. Thiếu dữ liệu huấn luyện

Nhiều mô hình CFIS cần một lượng lớn dữ liệu huấn luyện để hoạt động hiệu quả. Tuy nhiên, trong thực tế, việc thu thập dữ liệu chất lượng cao có thể gặp nhiều khó khăn.

III. Phương pháp xây dựng hệ suy diễn mờ phức hiệu quả

Để xây dựng một hệ suy diễn mờ phức hiệu quả, cần áp dụng các phương pháp tối ưu hóa và cải tiến. Các nghiên cứu gần đây đã chỉ ra rằng việc kết hợp các thuật toán học máy với CFIS có thể nâng cao hiệu suất của hệ thống.

3.1. Kết hợp với học máy

Việc tích hợp các thuật toán học máy vào CFIS giúp cải thiện khả năng dự đoán và phân loại. Các mô hình như ANFIS đã chứng minh được hiệu quả trong nhiều bài toán thực tiễn.

3.2. Tối ưu hóa quy trình ra quyết định

Quy trình ra quyết định có thể được tối ưu hóa thông qua việc sử dụng các phương pháp phân tích dữ liệu và mô hình hóa. Điều này giúp giảm thiểu thời gian và chi phí trong quá trình ra quyết định.

IV. Ứng dụng thực tiễn của hệ suy diễn mờ phức trong ngành máy tính

Hệ suy diễn mờ phức đã được áp dụng rộng rãi trong nhiều lĩnh vực khác nhau, từ y tế đến tài chính. Các ứng dụng này không chỉ giúp cải thiện độ chính xác mà còn nâng cao hiệu quả trong việc ra quyết định.

4.1. Ứng dụng trong y tế

CFIS được sử dụng để phát hiện và chẩn đoán các bệnh lý phức tạp, như ung thư và bệnh tim mạch. Các mô hình này giúp bác sĩ đưa ra quyết định chính xác hơn dựa trên dữ liệu bệnh nhân.

4.2. Ứng dụng trong tài chính

Trong lĩnh vực tài chính, CFIS hỗ trợ trong việc phân tích rủi ro và dự đoán xu hướng thị trường. Điều này giúp các nhà đầu tư đưa ra quyết định thông minh hơn.

V. Kết luận và hướng phát triển tương lai của hệ suy diễn mờ phức

Hệ suy diễn mờ phức đã chứng minh được giá trị của nó trong việc hỗ trợ ra quyết định. Tuy nhiên, vẫn còn nhiều thách thức cần được giải quyết. Hướng phát triển tương lai có thể bao gồm việc cải tiến các thuật toán và mở rộng ứng dụng của CFIS trong các lĩnh vực mới.

5.1. Cải tiến thuật toán

Nghiên cứu và phát triển các thuật toán mới có thể giúp nâng cao hiệu suất của CFIS, từ đó mở rộng khả năng ứng dụng của nó.

5.2. Mở rộng ứng dụng

CFIS có thể được áp dụng trong nhiều lĩnh vực mới, như công nghệ thông tin và tự động hóa, giúp cải thiện quy trình ra quyết định trong các lĩnh vực này.