Nghiên Cứu Đề Xuất Hệ Học Chuyển Giao Mờ Phức Dựa Trên Kỹ Thuật Lấy Mẫu Không Gian Con

Nghiên cứu đề xuất hệ học chuyển giao mờ phức, ứng dụng kỹ thuật lấy mẫu không gian con và cấu trúc đồ thị có hướng trong phân tích dữ liệu.

• Tác giả: Triệu Thu Hương
• Người hướng dẫn: PGS.TS Nguyễn Long Giang
• Trường học: Học viện Khoa học và Công nghệ
• Chuyên ngành: Khoa học máy tính
• Đề tài: Nghiên Cứu Hệ Học Chuyển Giao Mờ Phức Dựa Trên Kỹ Thuật Lấy Mẫu Không Gian Con
• Loại tài liệu: luận án tiến sĩ
• Năm xuất bản: 2024
• 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. Suy diễn và hệ suy diễn mờ phức
• 1.2. Tổng quan các nghiên cứu liên quan
• 1.2.1. Các mô hình suy diễn mờ
• 1.2.2. Học chuyển giao
• 1.2.3. Học chuyển giao mờ
• 1.2.4. Lấy mẫu và các phương pháp lấy mẫu
• 1.3. Hạn chế của hệ suy diễn mờ phức và bài toán nghiên cứu
• 1.3.1. Tập mờ và tập mờ phức
• 1.3.2. Các phép toán trên tập mờ phức
• 1.3.3. Hệ suy diễn mờ phức Mamdani
• 1.3.4. Lý thuyết học chuyển giao
• 1.4. Bộ dữ liệu thực nghiệm
• 1.4.1. Tiền xử lý dữ liệu
• 1.4.2. Môi trường thực nghiệm
• 1.4.3. Các độ đo đánh giá thực nghiệm
• 1.5. Kết luận chương 1
• 2. CHƯƠNG 2: MÔ HÌNH HỌC CHUYỂN GIAO TRÊN HỆ SUY DIỄN MỜ PHỨC
• 2.1. Một số khái niệm và định nghĩa
• 2.2. Mô hình học chuyển giao mờ phức
• 2.2.1. Chỉnh sửa tập mờ phức miền nguồn
• 2.2.2. Lựa chọn các tập con dữ liệu
• 2.2.3. Thích nghi luật mờ phức
• 2.2.4. Kết hợp cơ sở luật mờ phức
• 2.3. Phân tích độ phức tạp
• 2.4. Kịch bản thực nghiệm
• 2.5. Kết quả thực nghiệm
• 2.6. Kết luận Chương 2
• 3. CHƯƠNG 3: HỆ HỌC CHUYỂN GIAO MỜ PHỨC DỰA TRÊN CẤU TRÚC CFRG
• 3.1. Một số khái niệm và định nghĩa
• 3.2. Các thuật toán trên cấu trúc CFRG
• 3.2.1. Thuật toán thêm một luật vào CFRG
• 3.2.2. Thuật toán duyệt luật mờ phức trên CFRG
• 3.2.3. Thuật toán tìm kiếm một luật trên CFRG
• 3.2.4. Thuật toán xóa một luật khỏi CFRG
• 3.2.5. Thuật toán suy diễn mờ phức trên CFRG
• 3.2.6. Thuật toán sửa một luật trên CFRG
• 3.2.7. Thuật toán tách CFRG con từ CFRG cha
• 3.2.8. Thuật toán trộn hai CFRG
• 3.3. Mô hình học chuyển giao mờ phức dựa trên cấu trúc CFRG (CFRGTL)
• 3.3.1. Khởi tạo các cấu trúc CFRG
• 3.3.2. Tách các CFRG con từ các cấu trúc CFRG ban đầu
• 3.3.3. Thích nghi luật trên cấu trúc CFRG
• 3.3.4. Trộn các cấu trúc CFRG
• 3.4. Kịch bản thực nghiệm thứ nhất
• 3.5. Kịch bản thực nghiệm thứ hai
• 3.6. Kết luận Chương 3
• KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• CÁC CÔNG TRÌNH KHOA HỌC ĐÃ CÔNG BỐ
• TÀI LIỆU THAM KHẢO
• PHỤ LỤC A: MỘT SỐ VÍ DỤ CHO CÁC THUẬT TOÁN TRÊN CẤU TRÚC CFRG

Tóm tắt

I. Tổng Quan Hệ Học Chuyển Giao Mờ Phức Giới Thiệu Vai Trò

Học chuyển giao (TL) là một kỹ thuật quan trọng trong học máy và trí tuệ nhân tạo. Nó cho phép sử dụng tri thức đã học được từ một nhiệm vụ (miền nguồn) để cải thiện hiệu suất học tập trong một nhiệm vụ khác (miền mục tiêu). Điều này đặc biệt hữu ích khi miền mục tiêu có ít dữ liệu hoặc tài nguyên. Hệ học chuyển giao mờ phức (CFTL) kết hợp TL với lý thuyết mờ phức để xử lý dữ liệu không chắc chắn và mơ hồ. Việc này giúp hệ thống suy diễn chính xác hơn trong môi trường phức tạp. Sự kết hợp này mở ra nhiều cơ hội trong việc xây dựng các hệ thống thông minh, đặc biệt là trong các bài toán có yếu tố chu kỳ và tần suất trong dữ liệu. Các nghiên cứu gần đây đã chứng minh hiệu quả của CFTL trong nhiều lĩnh vực, nhưng vẫn còn nhiều thách thức cần giải quyết. Các nghiên cứu về hệ suy diễn mờ phức điển hình nhất xử lý dữ liệu có yếu tố chu kỳ trong các hệ thống tri thức.

1.1. Ứng dụng của học chuyển giao trong thực tế

Học chuyển giao đã đạt được nhiều thành công ấn tượng trong các lĩnh vực như phân loại văn bản, xử lý ảnh, chẩn đoán y tế, phát hiện đối tượng và nhận diện hành vi. Ví dụ, trong chẩn đoán y tế, TL có thể giúp cải thiện độ chính xác của việc phát hiện bệnh dựa trên dữ liệu hình ảnh y tế. Trong lĩnh vực tài chính, TL có thể được sử dụng để dự báo thị trường chứng khoán. Việc áp dụng TL không chỉ giúp cải thiện hiệu suất mà còn giảm thiểu thời gian và chi phí cần thiết để xây dựng các mô hình học máy mới. Kỹ thuật học chuyển giao được áp dụng trong học máy và trí tuệ nhân tạo đã mang lại hiệu suất tốt hơn trong những tình huống thiếu hụt về dữ liệu và tri thức [8]–[11].

1.2. Giới thiệu về hệ suy diễn mờ phức CFIS

Hệ suy diễn mờ phức (CFIS) là một mở rộng của hệ suy diễn mờ (FIS) truyền thống, được thiết kế để xử lý dữ liệu có tính chất không chắc chắn, mơ hồ, chu kỳ và tần suất. CFIS sử dụng tập mờ phức (CFS) để biểu diễn thông tin, cho phép mô hình hóa các hiện tượng có tính thời gian và chu kỳ. Các nghiên cứu như mô hình ANCFIS (Hệ thống suy luận mờ phức thần kinh thích nghi) [2] và các đề xuất mở rộng ANCFIS-ELM, FANCFIS [3], [4] là sự kết hợp của hệ thống mờ phức với mạng nơ-ron. Hệ suy diễn mờ phức Mamdani (M-CFIS) [5] là một ví dụ điển hình, với cấu trúc suy luận dựa trên tập mờ phức, ứng dụng cho hệ hỗ trợ ra quyết định.

II. Thách Thức Của Hệ Học Chuyển Giao Mờ Phức Hiện Tại

Mặc dù đã có nhiều tiến bộ, nhưng vẫn còn nhiều thách thức trong việc áp dụng hệ học chuyển giao mờ phức. Một trong những vấn đề chính là khả năng thích ứng kém của các mô hình hiện tại khi xử lý thông tin phức tạp và mối quan hệ dữ liệu thay đổi theo thời gian. Mô hình M-CFIS, mặc dù mạnh mẽ trong xử lý dữ liệu không chắc chắn và chu kỳ, nhưng lại gặp hạn chế về thời gian xử lý do thành phần pha sinh ra khi mô tả các yếu tố chu kỳ. Hơn nữa, việc xây dựng mô hình M-CFIS theo phương pháp cập nhật luật truyền thống trở nên không khả thi khi dữ liệu ngày càng nhiều và được cập nhật liên tục. Chính vì sự gia tăng về độ phức tạp của dữ liệu nên tác động khá nhiều tới chất lượng của quá trình suy diễn.

2.1. Hạn chế về thời gian xử lý trong CFIS

Việc sử dụng thành phần pha để biểu diễn các yếu tố chu kỳ và tần suất trong dữ liệu làm tăng đáng kể thời gian xử lý của CFIS. Điều này đặc biệt đúng khi kích thước dữ liệu lớn. Các thuật toán suy diễn mờ phức cần phải xử lý nhiều phép toán phức tạp, bao gồm tính toán độ thuộc và kết hợp các luật mờ. Do đó, việc tối ưu hóa thời gian xử lý là một vấn đề quan trọng cần được giải quyết. Khả năng xử lý dữ liệu có yếu tố không chắc chắn mang tính chu kỳ và tần suất của hệ M-CFIS đã làm cho nó bị hạn chế về mặt thời gian xử lý.

2.2. Thiếu các nghiên cứu về FTL trên tập mờ phức

Hầu hết các hệ thống học chuyển giao mờ (FTL) hiện tại chỉ tập trung vào việc kết hợp kỹ thuật TL với logic mờ truyền thống. Rất ít nghiên cứu về FTL trên tập mờ mở rộng, đặc biệt là tập mờ phức. Điều này hạn chế khả năng khai thác tối đa tiềm năng của TL trong việc giải quyết các bài toán có tính chất mờ hồ, không chắc chắn và chu kỳ. Trong các nghiên cứu gần đây, có rất ít và thậm chí không có nghiên cứu về FTL trên tập mờ mở rộng, đặc biệt là tập mờ phức.

III. Đề Xuất Mô Hình Học Chuyển Giao Dựa Trên M CFIS

Để giải quyết những thách thức trên, cần thiết kế một mô hình học chuyển giao dựa trên hệ suy diễn mờ phức Mamdani (M-CFIS) nhằm tận dụng tri thức đã có từ miền nguồn và giảm thiểu thời gian xây dựng hệ suy diễn cho miền mục tiêu. Mô hình này cần có khả năng thích ứng nhanh chóng với dữ liệu mới và xử lý hiệu quả các yếu tố không chắc chắn và chu kỳ. Việc tái sử dụng tri thức từ miền nguồn, thông qua kỹ thuật học chuyển giao và cơ chế suy diễn của CFIS, hứa hẹn giảm thời gian xây dựng hệ CFIS cho miền đích. Mô hình đề xuất bao gồm các giai đoạn 1) lựa chọn dữ liệu thích nghi của miền đích, 2) hiệu chỉnh miền đầu vào, 3) thích nghi luật và 4) tổng hợp luật.

3.1. Lựa chọn dữ liệu thích nghi từ miền đích

Giai đoạn đầu tiên của mô hình là lựa chọn dữ liệu thích nghi từ miền đích. Dữ liệu này được sử dụng để điều chỉnh mô hình đã học từ miền nguồn sao cho phù hợp với đặc điểm của miền đích. Quá trình lựa chọn cần đảm bảo rằng dữ liệu được chọn có tính đại diện cao và phản ánh đúng phân phối của miền đích. Việc lựa chọn dữ liệu thích nghi của miền đích được thực hiện.

3.2. Hiệu chỉnh miền đầu vào cho M CFIS

Sau khi chọn được dữ liệu thích nghi, bước tiếp theo là hiệu chỉnh miền đầu vào của M-CFIS. Điều này bao gồm việc điều chỉnh các hàm thuộc và các tham số khác của hệ thống mờ để phù hợp với dữ liệu mới. Mục tiêu là đảm bảo rằng hệ thống mờ có thể biểu diễn chính xác thông tin trong miền đích. Mô hình học chuyển giao được đề xuất thực hiện tái sử dụng các tri thức thu được từ CFIS của một miền có liên quan (gọi miền nguồn).

IV. Cấu Trúc CFRG Biểu Diễn Tri Thức Hiệu Quả Trong CFTL

Để cải thiện hiệu suất suy diễn và hỗ trợ chuyển giao kiến thức nhanh chóng, luận án đề xuất sử dụng cấu trúc CFRG (Complex Fuzzy Rule Graph) để biểu diễn tri thức (luật mờ phức). CFRG là một cấu trúc đồ thị cho phép biểu diễn các luật mờ phức và mối quan hệ giữa chúng một cách hiệu quả. Cấu trúc này hỗ trợ các thuật toán suy diễn nhanh chóng và linh hoạt, đồng thời cho phép hợp nhất và chuyển giao các luật mờ một cách dễ dàng. Kỹ thuật học chuyển giao lại có khả năng giảm thiểu thời gian học tập.

4.1. Thuật toán suy diễn nhanh trên CFRG

Cấu trúc CFRG cho phép triển khai các thuật toán suy diễn nhanh chóng bằng cách tận dụng mối quan hệ giữa các luật mờ. Thay vì phải duyệt qua toàn bộ tập luật, thuật toán suy diễn có thể tập trung vào các luật liên quan trực tiếp đến đầu vào hiện tại. Điều này giúp giảm đáng kể thời gian suy diễn, đặc biệt là trong các hệ thống lớn và phức tạp. Cấu trúc đồ thị biểu diễn luật mờ phức cho việc hợp nhất, suy diễn trong quá trình thích nghi luật trên hệ học chuyển giao mờ phức.

4.2. Hợp nhất và chuyển giao luật trên CFRG

Cấu trúc CFRG cũng hỗ trợ hợp nhất và chuyển giao các luật mờ một cách hiệu quả. Các luật mờ từ miền nguồn có thể được thêm vào CFRG của miền đích một cách dễ dàng, và các luật không phù hợp có thể được loại bỏ hoặc điều chỉnh. Điều này cho phép tận dụng tối đa tri thức đã có và giảm thiểu thời gian cần thiết để xây dựng hệ suy diễn cho miền đích. Nghiên cứu cấu trúc đồ thị biểu diễn luật mờ phức cho việc hợp nhất, suy diễn trong quá trình thích nghi luật trên hệ học chuyển giao mờ phức.

V. Ứng Dụng Kết Quả Nghiên Cứu Thực Nghiệm CFRGTL

Để chứng minh tính hiệu quả của mô hình CFRGTL (Complex Fuzzy Rule Graph Transfer Learning), các thử nghiệm thực nghiệm đã được thực hiện trên các bộ dữ liệu chuẩn từ kho UCI và dữ liệu thực tế. Kết quả cho thấy mô hình đề xuất cải thiện đáng kể thời gian xây dựng hệ suy diễn mờ phức và thời gian suy diễn. Các kết quả thực nghiệm cho thấy khả năng cải thiện về mặt thời gian khi xây dựng hệ suy diễn mờ phức cho miền đích.

5.1. Cải thiện thời gian xây dựng hệ suy diễn

Kết quả thực nghiệm cho thấy mô hình CFRGTL giảm đáng kể thời gian cần thiết để xây dựng hệ suy diễn mờ phức cho miền đích. Điều này là do mô hình tận dụng tri thức đã có từ miền nguồn và giảm thiểu số lượng luật cần phải học từ đầu. Các mô hình và thuật toán đề xuất được cài đặt, chạy thử nghiệm, so sánh, đánh giá với mô hình tương ứng theo phương pháp truyền thống trên tập dữ liệu mẫu từ kho dữ liệu UCI.

5.2. Kết quả suy diễn nhanh chóng và chính xác

Mô hình CFRGTL cũng cho thấy hiệu suất suy diễn nhanh chóng và chính xác. Cấu trúc CFRG cho phép tìm kiếm và kết hợp các luật mờ một cách hiệu quả, giúp giảm thời gian suy diễn mà vẫn đảm bảo độ chính xác cao. Các kết quả lý thuyết và thực nghiệm cho thấy khả năng cải thiện về mặt thời gian khi xây dựng hệ suy diễn mờ phức cho miền đích.

VI. Kết Luận Hướng Phát Triển Cho Nghiên Cứu Tương Lai

Luận án đã đề xuất một mô hình học chuyển giao dựa trên hệ suy diễn mờ phức Mamdani (M-CFIS) và cấu trúc CFRG để giải quyết vấn đề thời gian xử lý trong các hệ thống suy diễn mờ phức. Kết quả thực nghiệm chứng minh tính hiệu quả của mô hình trong việc giảm thời gian xây dựng hệ suy diễn và thời gian suy diễn. Trong tương lai, có thể nghiên cứu mở rộng mô hình CFRGTL để xử lý các bài toán phức tạp hơn, với số lượng thuộc tính lớn và dữ liệu không chắc chắn cao.Luận án này đặt ra nhiệm vụ Nghiên cứu là giải quyết hạn chế của hệ suy diễn mờ phức về mặt thời gian (hoàn thiện các nghiên cứu về hệ suy diễn mờ phức) dựa trên kỹ thuật học chuyển giao.

6.1. Mở rộng CFRGTL cho bài toán phức tạp

Có thể nghiên cứu mở rộng mô hình CFRGTL để xử lý các bài toán phức tạp hơn, với số lượng thuộc tính lớn và dữ liệu không chắc chắn cao. Điều này có thể bao gồm việc phát triển các thuật toán học sâu để tự động trích xuất các đặc trưng quan trọng từ dữ liệu, và việc sử dụng các kỹ thuật tối ưu hóa để cải thiện hiệu suất suy diễn. Trong tương lai, có thể nghiên cứu mở rộng mô hình CFRGTL để xử lý các bài toán phức tạp hơn, với số lượng thuộc tính lớn và dữ liệu không chắc chắn cao.

6.2. Nghiên cứu ứng dụng CFRGTL trong các lĩnh vực khác

Mô hình CFRGTL có thể được áp dụng trong nhiều lĩnh vực khác nhau, chẳng hạn như chẩn đoán y tế, điều khiển tự động, và dự báo tài chính. Việc nghiên cứu các ứng dụng cụ thể sẽ giúp khám phá thêm tiềm năng của mô hình và cải thiện hiệu quả của nó trong các tình huống thực tế.Luận án cũng là món quà tinh thần mà tác giả trân trọng gửi đến tất cả thành viên trong gia đình.

Trích đoạn nội dung tài liệu

Chương 1: Trình bày kiến thức cơ sở cho luận án nghiên cứu bao gồm: Khái niệm về tập mờ, tập mờ phức, hệ suy diễn mờ phức, mô hình học chuyển giao, học chuyển giao mờ. Bài toán nghiên cứu, dữ liệu và môi trường thực nghiệm cũng được giới thiệu tại chương này. • Chương 2: Trình bày chi tiết quá trình xây dựng mô hình học chuyển giao trên hệ suy diễn mờ phức (gồm 4 giai đoạn) và các kết quả thực nghiệm trên các bộ dữ liệu UCI và bộ dữ liệu thực cùng với những phân tích đánh giá mô hình đã đề xuất. • Chương 3: Trình bày đề xuất cấu trúc CFRG ứng dụng cho suy diễn mờ phức và thích nghi luật trong mô hình học chuyển giao đã đề xuất ở chương 2, các kết quả thực nghiệm cùng với những phân tích đánh giá hiệu suất.

• Kết luận và hướng phát triển: Trình bày các kết quả thực hiện được của luận án, những điểm hạn chế và các hướng phát triển. TỔNG QUAN NGHIÊN CỨU VÀ CƠ SỞ LÝ THUYẾT Trong chương đầu tiên này, luận án trình bày lý thuyết tổng quan về hệ suy diễn, hệ suy diễn mờ và hệ suy diễn mờ phức - đối tượng nghiên cứu của luận án. Tiếp đó, luận án trình bày kỹ thuật học chuyển giao sẽ được sử dụng trong quá trình nghiên cứu giải quyết hạn chế của hệ suy diễn mờ phức. Đồng thời, tại chương này cũng giới thiệu khái quát về các bộ dữ liệu, môi trường, kịch bản thực nghiệm và thước đo đánh giá trong thực nghiệm.

Suy diễn và hệ suy diễn mờ phức Suy diễn được coi là một trong những công cụ, kỹ thuật quan trọng của khoa học cũng như cuộc sống. Suy diễn là quá trình rút ra thông tin mới, kết luận từ thông tin đã biết hoặc các nguyên tắc logic. Qua suy diễn, ta có thể kết nối các sự kiện, quy tắc và thông tin để tạo ra một cái nhìn toàn diện và chi tiết hơn về sự vật và hiện tượng. Suy diễn cũng là cơ sở cho việc tạo ra các lập luận logic và hợp lý.

Đặc biệt trong trí tuệ nhân tạo và học máy, suy diễn là trọng tâm. Máy tính và hệ thống thông minh được lập trình để suy luận từ dữ liệu nhằm mục đích thực hiện các dự báo và phân tích xu hướng, hiểu và tự động hóa quyết định, hỗ trợ ra quyết định v. Trong ngữ cảnh của trí tuệ nhân tạo và logic, suy diễn là quá trình sử dụng các quy tắc logic, kiến thức, hoặc thông tin đầu vào để tạo ra kết luận mới. Suy diễn giúp chúng ta đi từ thông tin có sẵn đến thông tin mới mà có ý nghĩa hoặc hữu ích.

Suy diễn có nhiều dạng khác nhau, bao gồm suy diễn logic (dựa trên quy tắc logic) [30], [31]; suy diễn thống kê (đưa ra các kết luận dựa trên dữ liệu thống kê và xác suất) [32]; suy diễn trong học máy (sử dụng mô hình máy tính để dự đoán kết quả) [33]; và suy diễn trong xử lý ngôn ngữ tự nhiên (đánh giá và phân tích văn bản ngôn 9 ngữ tự nhiên để rút ra thông tin) [34]. Hệ suy diễn đóng một vai trò quan trọng trong hệ thống thông minh và lĩnh vực học máy và trí tuệ nhân tạo (AI) bởi khả năng xử lý thông tin và thực hiện quyết định dựa trên luật suy diễn. Hệ suy diễn được sử dụng rộng rãi trong hệ thống gợi ý để đề xuất sản phẩm, dịch vụ hoặc nội dung dựa trên lịch sử và hành vi của người dùng [35], [36]. Hệ suy diễn có khả năng xử lý thông tin mờ và không rõ ràng, giúp cải thiện trải nghiệm người dùng và tăng khả năng tương tác.

Không chỉ vậy, hệ suy diễn là một thành phần quan trọng trong các hệ thống hỗ trợ ra quyết định, giúp người ra quyết định xử lý thông tin phức tạp và đưa ra quyết định dựa trên các quy tắc được xác định trước [5], [37], [38]. Trong lĩnh vực quản lý tri thức, hệ suy diễn giúp quản lý tri thức trong các tổ chức và hệ thống thông tin. Nó có thể được sử dụng để tổng hợp, tổ chức và truy cập tri thức từ nhiều nguồn khác nhau [39]. Hệ suy diễn có thể được sử dụng để xây dựng mô hình AI dựa trên quy tắc và luật suy diễn.

Điều này có ứng dụng trong việc phát triển hệ thống học máy dựa trên luật (Rule-Based Machine Learning) và hệ thống dựa trên tri thức (Knowledge-Based Systems). Hệ suy diễn cũng có khả năng phân loại đối tượng và dự đoán sự kiện dựa trên dữ liệu đầu vào [26], [40], [41]. Điều này có ứng dụng trong nhận dạng văn bản, hình ảnh và âm thanh, cũng như trong dự đoán xu hướng và biến đổi trong dữ liệu. Trong lĩnh vực y tế, hệ suy diễn được sử dụng để chẩn đoán bệnh lý dựa trên triệu chứng và dữ liệu xét nghiệm.

Nó có khả năng kết hợp thông tin từ nhiều nguồn để đưa ra chẩn đoán và điều trị v. Hiệu quả của suy diễn là dựa vào các thông tin, dữ liệu lịch sử. Trong khi đó, thông tin, dữ liệu biến đổi không ngừng và ngày càng chứa nhiều các đặc tính mới. Những đặc tính mới trong dữ liệu như tính mơ hồ, tần suất/chu kỳ đã làm cho logic truyền thống gặp phải khó khăn hay không hiệu quả trong quá trình suy luận.

Các nghiên cứu dựa trên suy diễn mờ [42] có khả năng giải quyết các tình huống mà thông tin, dữ liệu có tính mơ hồ, không chắc chắn; hệ suy diễn mờ phức [1], [43] đi kèm với tính chu kỳ/định kỳ. 10 Các phương pháp suy diễn khác nhau được sử dụng phụ thuộc vào từng bài toán khác nhau. Hệ suy diễn mờ phức [43], còn được gọi là hệ logic mờ phức (CFLS), dựa trên cơ sở là hệ suy diễn mờ và được biết đến với khả năng xử lý các khái niệm ngôn ngữ liên quan đến các tri thức có tính chất tần suất và chu kỳ. Tức là hệ suy diễn mờ phức phù hợp với các các bài toán liên quan đến các dữ liệu không chắc chắn, mơ hồ, lại có tính tần suất và chu kỳ [5], [7].

Tổng quan các nghiên cứu liên quan 1. Các mô hình suy diễn mờ Logic mờ đã và luôn được đề cập như là một công cụ để mô tả những thông tin không chắc chắn, mơ hồ. Nó được áp dụng phổ biến trong việc giải quyết các vấn đề liên quan đến dự báo, điều khiển, phát hiện mẫu và các hệ hỗ trợ ra quyết định với thông tin không chắc chắn. Nó cũng được coi là mô hình tính toán mà có khả năng xử lý đồng thời cả tri thức ngôn ngữ và dữ liệu số.

Logic mờ giúp máy tính hiểu và bắt chước suy nghĩ của con người, với mục tiêu làm tăng hiệu quả của quá trình ra quyết định đối với các tri thức mờ hồ, không chắc chắn. Lý thuyết logic mờ đã tạo ra một loạt các hệ thống suy diễn mờ [2], [3], [5], [44], [45] v. Mỗi hệ suy diễn mờ được mô tả như là một ánh xạ phi tuyến để đưa ra kết quả dựa trên các lập luận mờ và một tập các luật mờ dạng IF-THEN. Hệ suy diễn mờ Quá trình suy diễn thực hiện liên kết các tri thức đã có một cách logic và khoa học để suy dẫn ra các tri thức mới.

Cơ chế suy diễn thường phụ thuộc nhiều vào cách thức biễu diễn tri thức và không có một phương pháp suy diễn duy nhất cho mọi loại tri thức. Được xây dựng trên cơ sở lý thuyết mờ, FIS là một mô hình suy diễn dựa trên tri thức được mờ hóa, thường được áp dụng trong quá trình hỗ trợ ra quyết định. FIS tỏ ra hiệu quả trong trường hợp tri thức không đầy đủ, bất định hoặc không chính xác. FIS dựa trên lý thuyết tập mờ đã và đang được sử dụng thành công trong nhiều lĩnh 11 vực y tế, kinh tế, xử lý ảnh, xử lý ngôn ngữ tự nhiên v.

FIS được thiết kế để xử lý và giải quyết các vấn đề có sự không chắc chắn, không rõ ràng hoặc không chính xác trong thông tin hoặc dữ liệu đầu vào. Nó thường được ứng dụng trong các tình huống thực tế, nơi mà các hệ thống dựa trên logic truyền thống không thể đáp ứng đầy đủ do sự mơ hồ và bất định trong thông tin [46]. Một trong những điểm mạnh của FIS là khả năng xử lý tri thức mơ hồ thay vì dựa vào giá trị nhị phân (đúng/sai) như các hệ thống logic truyền thống. Điều này cho phép FIS biểu diễn được các dữ liệu có tính chất không rõ ràng và không chắc chắn hiệu quả hơn và FIS thường đem đến kết quả tốt hơn trong các tình huống thực tế.1: Mô hình hệ suy diễn mờ tổng quát [47] Cấu trúc của một hệ suy diễn mờ cơ bản gồm 5 thành phần : - Giao diện mờ hóa giúp chuyển đổi các giá trị đầu vào rõ thành các biên độ phù hợp với các giá trị ngôn ngữ; - Cơ sở dữ liệu với định nghĩa các hàm thuộc của các tập mờ được sử dụng trong các luật mờ; - Bộ cơ sở luật gồm các luật mờ IF - THEN; - Đơn vị thực thi quyết định trong đó thực hiện các hoạt động suy diễn của các luật (cơ chế suy diễn); 12 - Giao diện giải mờ chuyển đổi các giá trị kết quả suy diễn mờ ra các lớp đầu ra.

Thông thường, bộ cơ sở luật và cơ sở dữ liệu liên kết như là một bộ cơ sở tri thức của hệ suy diễn. Chi tiết các bước suy diễn mờ - Mờ hoá các biến vào: Với đầu vào có tính chất rõ ràng và có thể đo lường cụ thể, để tham gia vào quá trình suy diễn mờ, thường cần phải thực hiện một quá trình gọi là mờ hoá. Mờ hoá có thể được định nghĩa là một phép ánh xạ từ không gian các giá trị quan sát được (rõ ràng) sang không gian của các từ (tập hợp mờ) trên không gian nền của các biến ngôn ngữ. - Sử dụng các phép toán mờ (ví dụ: AND hoặc OR) cho các giả thiết trong từng luật (với việc sử dụng các phép toán t - chuẩn hoặc t - đối chuẩn).

- Thực hiện phép toán kép để tính toán các giá trị từ giả thiết đến kết luận trong từng luật. - Kết hợp kết quả từng luật thành một kết quả duy nhất cho toàn bộ hệ thống qua việc sử dụng toán tử gộp. - Trích xuất giá trị rõ từ kết quả suy diễn mờ cho ta một số kết quả đoán định sử dụng hàm thuộc của giá trị mờ đầu ra.