I. Tổng quan Hệ suy diễn mờ phức Giải mã sức mạnh mới
Hệ suy diễn mờ phức (Complex Fuzzy Inference System - CFIS) là một bước tiến đột phá từ logic mờ truyền thống, được thiết kế để xử lý các bài toán có dữ liệu không chắc chắn, mơ hồ và mang tính chu kỳ hoặc thay đổi theo thời gian. Khác với tập mờ cổ điển chỉ sử dụng một giá trị thực trong khoảng [0,1] để biểu diễn mức độ thuộc, tập mờ phức (Complex Fuzzy Set - CFS) sử dụng một số phức. Trong đó, thành phần biên độ (modulus) thể hiện mức độ thuộc, còn thành phần pha (phase) mang thông tin bổ sung quan trọng như yếu tố thời gian, tần suất hoặc ngữ cảnh. Sự mở rộng này cho phép mô hình hóa các hệ thống động và phức tạp một cách toàn diện hơn, điều mà các hệ suy diễn mờ thông thường hay hệ mờ loại 2 gặp nhiều khó khăn. Luận án của Lương Thị Hồng Lan (2021) đã tập trung vào việc nghiên cứu và mở rộng các hệ suy diễn dựa trên lý thuyết tập mờ phức, nhằm giải quyết các hạn chế của những mô hình trước đó. Mục tiêu chính là xây dựng một hệ hỗ trợ ra quyết định (DSS) mạnh mẽ, có khả năng xử lý hiệu quả các dữ liệu trong thế giới thực, nơi thông tin thường không đầy đủ và biến động. Việc áp dụng CFIS mở ra tiềm năng to lớn trong nhiều lĩnh vực như chẩn đoán y khoa, dự báo tài chính, và điều khiển hệ thống, nơi mà yếu tố chu kỳ và ngữ cảnh đóng vai trò quyết định. Nền tảng của hệ thống này là trí tuệ tính toán (computational intelligence), kết hợp khả năng suy luận gần giống con người của logic mờ với sức mạnh biểu diễn của số phức.
1.1. Khái niệm cốt lõi về logic mờ và tập mờ phức
Lý thuyết logic mờ, do Lotfi A. Zadeh khởi xướng năm 1965, là công cụ toán học để xử lý sự không chắc chắn và thông tin không chính xác. Thay vì logic nhị phân (đúng/sai), logic mờ cho phép các giá trị trung gian. Nền tảng của nó là tập mờ, được định nghĩa bởi một hàm thuộc (membership function) ánh xạ các phần tử của một tập hợp vào khoảng giá trị thực [0, 1]. Tuy nhiên, lý thuyết này gặp giới hạn khi mô tả các thuộc tính mang tính chu kỳ. Để khắc phục, Ramot và cộng sự (2002) đã giới thiệu khái niệm tập mờ phức. Một tập mờ phức được đặc trưng bởi một hàm thuộc có giá trị phức, µA(x) = rA(x) * e^(jωA(x)). Ở đây, rA(x) là biên độ, tương đương với độ thuộc trong tập mờ thường, còn ωA(x) là pha, biểu diễn thông tin bổ sung như thời gian hoặc tần số. Sự bổ sung chiều thông tin thứ hai này giúp CFS trở thành một công cụ mạnh mẽ để mô tả các hiện tượng phức tạp.
1.2. Vai trò của hệ hỗ trợ ra quyết định DSS hiện đại
Trong môi trường kinh doanh và khoa học ngày nay, hệ hỗ trợ ra quyết định (DSS) đóng vai trò trung tâm trong việc phân tích dữ liệu lớn và phức tạp để đưa ra những lựa chọn tối ưu. Các hệ DSS truyền thống thường dựa trên các mô hình thống kê hoặc cây quyết định, vốn hoạt động tốt với dữ liệu rõ ràng. Tuy nhiên, chúng thường thất bại khi đối mặt với dữ liệu nhiễu, không đầy đủ hoặc mang tính ngôn ngữ. Đây là lúc các hệ thống dựa trên logic mờ phát huy tác dụng. Bằng cách tích hợp các hệ suy diễn mờ, DSS có thể xử lý các biến ngôn ngữ (ví dụ: 'cao', 'thấp', 'trung bình') và các quy tắc suy luận dạng 'IF-THEN'. Việc mở rộng sang hệ suy diễn mờ phức giúp DSS không chỉ xử lý sự không chắc chắn mà còn cả các yếu tố động, biến thiên theo thời gian, nâng cao đáng kể độ chính xác và độ tin cậy của các quyết định được đưa ra, đặc biệt trong các bài toán ra quyết định đa tiêu chí (MCDM).
II. Thách thức ra quyết định Hạn chế của mô hình cũ
Mặc dù các hệ suy diễn mờ phức (CFIS) đời đầu như mô hình của Ramot hay ANCFIS đã đặt nền móng quan trọng, chúng vẫn tồn tại những hạn chế cố hữu, làm giảm hiệu quả trong các bài toán hỗ trợ ra quyết định phức tạp. Vấn đề lớn nhất, như được chỉ ra trong nghiên cứu của Lương Thị Hồng Lan, là việc xử lý chưa đầy đủ ý nghĩa của 'tính phức'. Nhiều hệ thống chỉ sử dụng tập mờ phức ở đầu vào nhưng lại bỏ qua thành phần pha trong các giai đoạn suy diễn và đặc biệt là ở bộ giải mờ hóa (defuzzification). Điều này đồng nghĩa với việc một lượng thông tin quý giá về tính chu kỳ hoặc ngữ cảnh của dữ liệu bị mất mát, làm cho mô hình hoạt động không khác nhiều so với một hệ suy diễn mờ thông thường. Hơn nữa, một số cách tiếp cận khác lại cố gắng xử lý bằng cách tách riêng thành phần biên độ và pha thành hai luồng dữ liệu độc lập. Phương pháp này không chỉ làm sai lệch bản chất tương quan của thông tin mà còn làm tăng gấp đôi độ phức tạp tính toán và số lượng luật cần xử lý. Những thách thức này đòi hỏi phải có một phương pháp tiếp cận mới, một kiến trúc CFIS toàn diện hơn, có khả năng khai thác đồng thời cả biên độ và pha trong suốt quá trình suy luận để đưa ra quyết định cuối cùng chính xác và đáng tin cậy.
2.1. Tại sao hệ mờ loại 2 và FIS thường chưa đủ mạnh
Các hệ suy diễn mờ (FIS) truyền thống và cả các mở rộng như hệ mờ loại 2 (Type-2 Fuzzy System) được thiết kế để quản lý sự không chắc chắn trong định nghĩa của các tập mờ. Hệ mờ loại 2 đặc biệt hiệu quả khi bản thân các hàm thuộc cũng không chắc chắn. Tuy nhiên, cả hai loại hệ thống này đều hoạt động trên miền số thực. Chúng không có cơ chế tự nhiên để biểu diễn các thông tin mang tính tuần hoàn hay các đặc tính phụ thuộc vào pha, ví dụ như tín hiệu điện, giá cổ phiếu theo mùa, hay các chỉ số sinh học biến thiên trong ngày. Khi đối mặt với loại dữ liệu này, các mô hình FIS thường phải dùng đến các kỹ thuật tiền xử lý phức tạp để trích xuất đặc trưng thời gian, hoặc bỏ qua hoàn toàn thông tin này, dẫn đến suy giảm hiệu suất mô hình. Đây chính là khoảng trống mà hệ suy diễn mờ phức được kỳ vọng sẽ lấp đầy.
2.2. Vấn đề bỏ qua thành phần pha trong các hệ mờ phức
Một trong những phê bình chính đối với các hệ mờ phức thế hệ đầu là sự mâu thuẫn trong thiết kế. Ví dụ, hệ logic mờ phức của Ramot (2003) tuy sử dụng hàm thuộc phức nhưng ở bước giải mờ cuối cùng lại đề xuất loại bỏ thành phần pha và chỉ giữ lại biên độ. Điều này làm mất đi ưu điểm cốt lõi của việc sử dụng số phức. Tương tự, mô hình ANCFIS (Adaptive Neuro-Complex Fuzzy Inference System) tuy có kiến trúc mạng nơ-ron tiên tiến nhưng lại sử dụng tích vô hướng cho quá trình tổng hợp kết quả, vô tình xem các giá trị phức như giá trị thực. Cách xử lý này làm cho đầu ra không thể phản ánh được tính tuần hoàn của các yếu tố cấu thành. Việc bỏ qua hoặc xử lý không đúng cách thành phần pha không chỉ làm giảm ý nghĩa của mô hình mà còn có thể dẫn đến các quyết định sai lầm trong các ứng dụng nhạy cảm với yếu tố thời gian.
III. Phương pháp xây dựng Hệ suy diễn mờ phức Mamdani M CFIS
Để giải quyết những hạn chế của các mô hình hiện có, luận án của Lương Thị Hồng Lan (2021) đã đề xuất một kiến trúc mới: Hệ suy diễn mờ phức Mamdani (M-CFIS). Mô hình này được phát triển dựa trên hệ suy diễn mờ Mamdani cổ điển nhưng được mở rộng hoàn toàn để hoạt động trên miền phức. Điểm cốt lõi của M-CFIS là nó xử lý và duy trì cả thành phần biên độ và pha của dữ liệu trong suốt năm giai đoạn của quá trình suy diễn: mờ hóa phức, áp dụng toán tử phức, phép kéo theo phức, tổng hợp kết quả phức, và giải mờ hóa phức. Không giống các phương pháp trước đây, M-CFIS đảm bảo rằng thông tin về pha không bị mất mát mà được tích hợp vào kết quả cuối cùng. Nền tảng của hệ thống là một cơ sở luật mờ (fuzzy rule base), nơi mỗi luật 'IF-THEN' đều được xây dựng từ các tập mờ phức. Phương pháp này cung cấp một khuôn khổ tính toán nhất quán và chặt chẽ, cho phép mô hình hóa các vấn đề hỗ trợ ra quyết định một cách chính xác hơn khi dữ liệu đầu vào có chứa các yếu tố định kỳ hoặc phụ thuộc ngữ cảnh. Việc triển khai thành công M-CFIS mở đường cho các ứng dụng thực tế đòi hỏi độ chính xác cao.
3.1. Cấu trúc mô hình M CFIS và vai trò hàm thuộc
Mô hình M-CFIS bao gồm các thành phần chính tương tự hệ Mamdani truyền thống nhưng được tái định nghĩa trên miền phức. Giao diện mờ hóa chuyển đổi các giá trị đầu vào rõ thành các tập mờ phức, sử dụng hàm thuộc giá trị phức. Mỗi hàm thuộc này xác định cả mức độ thành viên (biên độ) và thông tin pha. Đơn vị thực thi sau đó áp dụng các toán tử mờ phức (ví dụ: t-chuẩn và t-đối chuẩn phức) lên các mệnh đề của luật. Phép kéo theo phức được sử dụng để suy ra kết quả của từng luật, tạo ra một tập mờ phức đầu ra. Cuối cùng, các kết quả từ tất cả các luật được tổng hợp lại trước khi đưa vào bộ giải mờ hóa.
3.2. Quy trình suy diễn Từ mờ hóa đến bộ giải mờ hóa
Quá trình suy diễn trong M-CFIS là một chuỗi các phép toán trên số phức. Sau khi mờ hóa, hệ thống kích hoạt các luật trong cơ sở luật mờ. Giả sử một luật là 'IF x is A AND y is B THEN z is C', trong đó A, B, C là các tập mờ phức. Độ kích hoạt của luật được tính bằng cách áp dụng toán tử t-chuẩn phức lên các giá trị thuộc µA(x) và µB(y). Kết quả này sau đó được dùng để xác định tập mờ đầu ra của luật đó. Quá trình tổng hợp kết hợp tất cả các tập mờ đầu ra từ các luật thành một tập mờ phức duy nhất. Bước cuối cùng và quan trọng nhất là bộ giải mờ hóa (defuzzification). M-CFIS sử dụng một phương pháp giải mờ giữ lại được cả thông tin biên độ và pha để tính toán ra một giá trị rõ cuối cùng, đảm bảo kết quả phản ánh đầy đủ bản chất của dữ liệu đầu vào.
IV. Bí quyết tối ưu hóa Hệ suy diễn mờ Tinh giản hệ luật
Một trong những thách thức lớn nhất khi xây dựng bất kỳ hệ suy diễn mờ nào, bao gồm cả M-CFIS, là việc xây dựng và tối ưu hóa cơ sở luật mờ. Một hệ luật cồng kềnh với nhiều luật dư thừa hoặc mâu thuẫn không chỉ làm tăng chi phí tính toán mà còn có thể làm giảm độ chính xác của mô hình. Nhận thức được vấn đề này, nghiên cứu đã đề xuất mô hình M-CFIS-R (Mamdani Complex Fuzzy Inference System - Reduce Rule), một phiên bản cải tiến tập trung vào việc tinh giản hệ luật. Phương pháp này kết hợp hai kỹ thuật mạnh mẽ: độ đo tương tự mờ phức và tính toán hạt (Granular Computing). Ý tưởng chính là nhóm các luật mờ có tính chất tương tự nhau thành các 'hạt' thông tin. Bằng cách đề xuất các độ đo tương tự mới như Cosine, Dice, và Jaccard trên miền phức, hệ thống có thể định lượng mức độ giống nhau giữa các luật. Sau đó, các luật trong cùng một hạt sẽ được thay thế bằng một luật đại diện duy nhất, qua đó giảm đáng kể số lượng luật trong cơ sở. Việc áp dụng thuật toán tối ưu hóa này không chỉ giúp tăng tốc độ suy diễn mà còn cải thiện khả năng tổng quát hóa của mô hình, giúp nó hoạt động hiệu quả hơn với dữ liệu mới.
4.1. Áp dụng thuật toán tối ưu hóa và tính toán hạt
Kỹ thuật tinh giản luật trong M-CFIS-R dựa trên nguyên lý của tính toán hạt. Mỗi luật mờ phức trong hệ thống được xem như một 'hạt' tri thức. Bước đầu tiên là tính toán ma trận tương tự giữa tất cả các cặp luật bằng các độ đo mờ phức đã đề xuất. Dựa trên ma trận này, một thuật toán tối ưu hóa (tương tự như thuật toán phân cụm) được áp dụng để nhóm các luật tương tự vào cùng một cụm (hạt lớn hơn). Mỗi cụm này sau đó được đại diện bởi một luật duy nhất, có thể là luật trọng tâm hoặc một luật mới được tổng hợp từ các luật thành viên. Quá trình này giúp loại bỏ sự dư thừa thông tin và chỉ giữ lại những tri thức cốt lõi nhất, làm cho hệ thống trở nên tinh gọn và hiệu quả.
4.2. Kỹ thuật giảm luật M CFIS R cho hiệu suất vượt trội
Mô hình M-CFIS-R chứng tỏ hiệu quả vượt trội so với M-CFIS gốc. Giai đoạn huấn luyện của M-CFIS-R bao gồm cả việc sinh luật ban đầu và quá trình tinh giản luật. Kết quả là một cơ sở luật mờ nhỏ gọn hơn rất nhiều. Khi bước vào giai đoạn kiểm tra (testing), với số lượng luật ít hơn, thời gian để tính toán và đưa ra quyết định cho một mẫu dữ liệu mới được rút ngắn đáng kể. Các thử nghiệm trên các bộ dữ liệu chuẩn UCI cho thấy M-CFIS-R không chỉ nhanh hơn mà trong nhiều trường hợp còn đạt được độ chính xác cao hơn, do đã loại bỏ được nhiễu từ các luật không cần thiết. Điều này khẳng định tầm quan trọng của việc tối ưu hóa hệ luật trong việc xây dựng các hệ thống hỗ trợ ra quyết định thông minh và hiệu quả.
V. Ứng dụng hỗ trợ ra quyết định và kết quả thực tiễn
Hiệu quả lý thuyết của các mô hình M-CFIS và M-CFIS-R cần được kiểm chứng qua các ứng dụng thực tiễn. Luận án đã tiến hành thực nghiệm trên cả các bộ dữ liệu chuẩn từ kho UCI (như Ung thư vú, Tiểu đường, Chất lượng rượu) và một bộ dữ liệu thực tế về chẩn đoán bệnh gan thu thập tại Việt Nam. Kết quả cho thấy các mô hình đề xuất, đặc biệt là phiên bản M-CFIS-FKG (tích hợp Đồ thị tri thức mờ), đã đạt được hiệu suất ấn tượng. Một cải tiến quan trọng khác được giới thiệu là M-CFIS-FKG, sử dụng Đồ thị tri thức mờ (Fuzzy Knowledge Graph) để biểu diễn hệ luật. Cách tiếp cận này tương tự như một mạng nơ-ron mờ (neuro-fuzzy), cho phép suy diễn xấp xỉ cực nhanh, ngay cả với các mẫu dữ liệu chưa từng xuất hiện trong tập huấn luyện. Bằng cách biểu diễn các luật dưới dạng các nút và cạnh trong đồ thị, hệ thống có thể nhanh chóng tìm ra đường đi suy luận phù hợp nhất. Điều này không chỉ giảm đáng kể thời gian tính toán trong giai đoạn kiểm tra mà còn tăng cường tính linh hoạt của hệ thống. Các kết quả thực nghiệm là minh chứng rõ ràng cho tiềm năng ứng dụng rộng rãi của hệ suy diễn mờ phức trong các bài toán hỗ trợ ra quyết định y khoa và nhiều lĩnh vực khác.
5.1. Mô hình mạng nơ ron mờ và M CFIS FKG
Lấy cảm hứng từ các hệ thống lai như ANFIS (Adaptive Neuro-Fuzzy Inference System), mô hình M-CFIS-FKG được đề xuất để giải quyết vấn đề tốc độ suy diễn trên tập dữ liệu kiểm tra. Thay vì duyệt qua toàn bộ cơ sở luật mờ cho mỗi lần dự đoán, M-CFIS-FKG biểu diễn các luật này dưới dạng một Đồ thị tri thức mờ. Trong đồ thị này, các mệnh đề của luật là các nút, và mối quan hệ giữa chúng là các cạnh có trọng số. Khi có một mẫu dữ liệu mới, hệ thống thực hiện một thuật toán tìm kiếm suy diễn nhanh trên đồ thị để tìm ra kết quả. Kiến trúc này có lợi thế của cả hai thế giới: khả năng diễn giải của hệ mờ và tốc độ xử lý song song của mạng nơ-ron mờ, đặc biệt hiệu quả khi hệ luật có quy mô lớn.
5.2. Phân tích ca bệnh gan Một ví dụ điển hình về hiệu quả
Để chứng minh tính ứng dụng, mô hình đã được thử nghiệm trên bộ dữ liệu thực tế về bệnh gan, gồm các chỉ số xét nghiệm men gan của hàng nghìn bệnh nhân. Các chỉ số này thường biến động theo thời gian và phụ thuộc vào nhiều yếu tố khác, là một ví dụ hoàn hảo cho dữ liệu cần đến mô hình phức. Thành phần pha của tập mờ phức được dùng để mã hóa thông tin bổ sung như tuổi tác hoặc các yếu tố rủi ro khác. Kết quả thực nghiệm cho thấy các mô hình M-CFIS và các biến thể của nó đạt độ chính xác cao trong việc phân loại bệnh nhân, vượt trội so với các phương pháp machine learning cho hệ mờ truyền thống. Thành công này khẳng định giá trị của việc mở rộng hệ suy diễn mờ phức trong lĩnh vực y tế, cung cấp một công cụ hỗ trợ ra quyết định đắc lực cho các bác sĩ.
VI. Tương lai Hệ suy diễn mờ phức và hướng phát triển mới
Sự thành công của các mô hình M-CFIS, M-CFIS-R và M-CFIS-FKG đã mở ra một chương mới cho lĩnh vực trí tuệ tính toán và các hệ thống thông minh. Tuy nhiên, tiềm năng của hệ suy diễn mờ phức vẫn còn rất lớn và nhiều hướng phát triển mới đang chờ được khám phá. Hướng đi rõ ràng nhất trong tương lai là tích hợp sâu hơn các kỹ thuật học máy tiên tiến. Thay vì sinh luật dựa trên các phương pháp kinh nghiệm hoặc phân cụm, có thể sử dụng các mạng nơ-ron sâu hoặc thuật toán học tăng cường để tự động xây dựng và tinh chỉnh cơ sở luật mờ phức một cách tối ưu. Việc kết hợp này sẽ tạo ra các hệ thống lai mạnh mẽ hơn, có khả năng tự học và thích nghi với môi trường dữ liệu luôn thay đổi. Hơn nữa, việc mở rộng lý thuyết sang các dạng tập mờ phức cao hơn như hệ mờ khoảnh (interval fuzzy system) phức hoặc tập mờ trực giác phức cũng là một hướng nghiên cứu đầy hứa hẹn. Những mở rộng này sẽ cho phép mô hình xử lý các mức độ không chắc chắn phức tạp hơn nữa, đáp ứng yêu cầu của các bài toán ra quyết định đa tiêu chí (MCDM) trong môi trường bất định.
6.1. Tích hợp machine learning cho hệ mờ tiên tiến
Tương lai của CFIS gắn liền với sự hội tụ cùng học máy. Các kỹ thuật machine learning cho hệ mờ hiện đại có thể được áp dụng trong mọi giai đoạn của hệ thống. Ví dụ, các thuật toán học sâu có thể được dùng để tự động tối ưu hóa các tham số của hàm thuộc phức. Các thuật toán tối ưu hóa bầy đàn (ví dụ: PSO, ACO) có thể được cải tiến để hoạt động trên miền phức, giúp tìm kiếm không gian luật hiệu quả hơn. Sự kết hợp giữa khả năng diễn giải của logic mờ và sức mạnh học hỏi từ dữ liệu của machine learning sẽ tạo ra các hệ thống hỗ trợ ra quyết định vừa thông minh, vừa minh bạch, giải quyết được bài toán 'hộp đen' của nhiều mô hình học sâu hiện nay.
6.2. Tiềm năng trong bài toán ra quyết định đa tiêu chí MCDM
Các bài toán ra quyết định đa tiêu chí (MCDM), như lựa chọn nhà cung cấp, đánh giá dự án đầu tư, hay hoạch định chiến lược, thường liên quan đến nhiều yếu tố không chắc chắn và xung đột lẫn nhau. Hệ suy diễn mờ phức cung cấp một công cụ lý tưởng để giải quyết vấn đề này. Biên độ của hàm thuộc có thể biểu diễn mức độ đáp ứng một tiêu chí, trong khi pha có thể mã hóa các yếu tố phụ như độ tin cậy của thông tin, rủi ro theo thời gian, hoặc sự biến động của thị trường. Bằng cách xây dựng một cơ sở luật mờ phức để tổng hợp các tiêu chí này, hệ thống có thể đưa ra một xếp hạng toàn diện và linh hoạt hơn cho các phương án, giúp nhà quản lý đưa ra những quyết định sáng suốt và hiệu quả hơn trong môi trường phức tạp.
