Luận án tiến sĩ nghiên cứu đề xuất hệ học chuyển giao mờ phức dựa trên kỹ thuật lấy mẫu không gian con và cấu trúc đồ thị có hướng

Luận án tiến sĩ về hệ học chuyển giao mờ phức, ứng dụng kỹ thuật lấy mẫu không gian con và cấu trúc đồ thị có hướng. Nghiên cứu chuyên sâu ngành khoa học máy tính.

• 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 đề xuất hệ học chuyển giao mờ phức dựa trên kỹ thuật lấy mẫu không gian con và cấu trúc đồ thị có hướng
• 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 bộ 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 Nghiên Cứu Hệ Học Chuyển Giao Mờ Phức

Suy diễn đóng vai trò quan trọng trong việc đưa ra kết luận và quyết định dựa trên thông tin sẵn có. Nó ứng dụng rộng rãi trong cuộc sống hàng ngày, kinh doanh, khoa học, và trí tuệ nhân tạo (AI). Sự phát triển của khoa học công nghệ tạo ra dữ liệu phức tạp hơn với tính mơ hồ, không chắc chắn, và chu kỳ. Tập mờ phức (Complex fuzzy set - CFS), được đề xuất bởi Ramot và cộng sự, thêm thành phần pha để biểu diễn các hiện tượng thời gian và chu kỳ trong dữ liệu. Hệ suy diễn mờ phức (CFIS), phát triển từ hệ suy diễn mờ (FIS), giải quyết vấn đề ra quyết định. Các nghiên cứu mở rộng CFIS như ANCFIS, FANCFIS, và M-CFIS kết hợp hệ thống mờ phức với mạng nơ-ron. Gần đây, hệ suy luận mờ phức Mamdani (M-CFIS) đã được giới thiệu với cấu trúc suy luận dựa trên tập mờ phức và ứng dụng cho hệ hỗ trợ ra quyết định.

1.1. Ứng dụng Hệ Học Chuyển Giao trong Khoa học Dữ liệu

Học chuyển giao (Transfer Learning - TL) là quá trình sử dụng kiến thức đã có cho nhiệm vụ học tập mới, hướng tới mục tiêu tận dụng tri thức, giải quyết thiếu hụt dữ liệu, và giảm thiểu thời gian học tập. TL đã đạt được những kết quả ấn tượng trong phân loại văn bản, xử lý ảnh, chẩn đoán y tế, và dự báo thị trường chứng khoán. Tuy nhiên, thông tin không chắc chắn và mơ hồ trong các bài toán vẫn là hạn chế. Để giải quyết vấn đề này, mô hình học chuyển giao mờ (FTL) kết hợp kỹ thuật TL với logic mờ để chuyển giao thông tin không chắc chắn và mơ hồ.

1.2. Tổng quan về các phương pháp Lấy Mẫu Không Gian

Kỹ thuật lấy mẫu không gian con đóng vai trò quan trọng trong việc giảm độ phức tạp tính toán và cải thiện hiệu suất của các thuật toán học máy trên dữ liệu có chiều cao. Các phương pháp lấy mẫu khác nhau, như Principal Component Analysis (PCA) và Random Subspace, được sử dụng để chọn ra các đặc trưng quan trọng nhất trong không gian dữ liệu. Việc lựa chọn phương pháp phù hợp phụ thuộc vào đặc điểm của dữ liệu và yêu cầu của bài toán.

II. Thách Thức Hạn Chế Của Hệ Suy Diễn Mờ Phức Hiện Tại

Mặc dù có những tiến bộ trong các hệ thống suy diễn mờ phức và học chuyển giao mờ, vẫn còn một số hạn chế chưa được giải quyết. Mô hình M-CFIS, mặc dù điển hình cho xử lý dữ liệu có yếu tố không chắc chắn và chu kỳ, có nhược điểm là cơ sở luật được tạo ra trực tiếp từ toàn bộ dữ liệu mà chưa thực sự học. Điều này dẫn đến khả năng thích ứng kém và khó khăn trong xử lý thông tin phức tạp. Khả năng xử lý dữ liệu có yếu tố không chắc chắn mang tính chu kỳ và tần suất của hệ M-CFIS cũng làm hạn chế về mặt thời gian xử lý. Trong các trường hợp dữ liệu ngày càng nhiều, việc xây dựng mô hình M-CFIS theo phương án cập nhật luật truyền thống là không khả thi.

2.1. Vấn đề Thời Gian Xử Lý trong Hệ Mờ Phức

Thành phần pha sinh ra trong quá trình mô tả các yếu tố chu kỳ/định kỳ làm thời gian xử lý tăng lên. Hầu hết các hệ thống FTL hiện tại chỉ dừng lại ở việc kết hợp kỹ thuật TL với logic mờ truyền thống. Có rất ít nghiên cứu về FTL trên tập mờ mở rộng, đặc biệt là tập mờ phức. Lý thuyết và suy diễn mờ phức có ý nghĩa trong giải quyết các bài toán có tính chất mờ hồ, không chắc chắn và chu kỳ/định kỳ. Nhưng hạn chế về phạm vi ứng dụng do yếu tố thời gian.

2.2. Sự Thiếu Hụt Nghiên Cứu về Học Chuyển Giao Mờ Phức

Trong khi đó, kỹ thuật học chuyển giao lại có khả năng giảm thiểu thời gian học tập. Luận án này đặt ra nhiệm vụ nghiên cứu giải quyết hạn chế của hệ suy diễn mờ phức về mặt thời gian dựa trên kỹ thuật học chuyển giao. Cụ thể là cải thiện hiệu suất về mặt thời gian cho việc xây dựng các mô hình suy diễn mờ phức cho miền mục tiêu/miền đích và thời gian suy diễn của hệ suy diễn mờ phức.

III. Giải Pháp Mô Hình Học Chuyển Giao Mờ Phức Đề Xuất

Luận án đề xuất một mô hình học chuyển giao trên hệ suy diễn mờ phức nhằm tận dụng tri thức đã có trong những mô hình trước và giảm thiểu thời gian xây dựng hệ suy diễn mờ phức cho miền mục tiêu. Mục tiêu cụ thể là đề xuất mô hình học chuyển giao dựa trên hệ suy diễn mờ phức Mamdani (M-CFIS), ứng dụng xây dựng hệ suy diễn mờ phức cho miền mục tiêu. Đồng thời, đề xuất cách biểu diễn tri thức (luật mờ phức) trên cấu trúc dữ liệu mới nhằm mục đích cải tiến hoạt động suy diễn về mặt thời gian và hỗ trợ hoạt động chuyển giao kiến thức nhanh chóng và hiệu quả.

3.1. Tận dụng Tri Thức Từ Miền Nguồn để xây dựng mô hình CFIS

Nội dung nghiên cứu tập trung vào việc nghiên cứu phát triển hệ suy diễn mờ phức dựa trên kỹ thuật học chuyển giao và 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. Đối tượng nghiên cứu là các hệ suy diễn theo tiếp cận tập mờ phức và kỹ thuật học chuyển giao.

3.2. Nghiên cứu cấu trúc đồ thị biểu diễn luật mờ phức

Phạm vi nghiên cứu bao gồm: Lý thuyết về mô hình học chuyển giao trên hệ suy diễn mờ phức trong ngữ cảnh nhiệm vụ nguồn và nhiệm vụ đích giống nhau, nhiệm vụ nguồn và nhiệm vụ đích cùng phân phối, cùng số lượng thuộc tính nhưng khác nhau về khoảng miền giá trị của các thuộc tính. Thực nghiệm học chuyển giao trên hệ suy diễn mờ phức trong trường hợp nhiệm vụ nguồn và nhiệm vụ đích giống nhau, nhiệm vụ nguồn và nhiệm vụ đích cùng phân phối, cùng số lượng thuộc tính nhưng khác nhau về khoảng miền giá trị của các thuộc tính.

IV. Kỹ Thuật Cấu Trúc Đồ Thị CFRG Cho Hệ Học Chuyển Giao Mờ

Luận án nghiên cứu phát triển hệ học chuyển giao trên mô hình suy diễn mờ phức, sử dụng kỹ thuật lấy mẫu không gian con và cấu trúc đồ thị. Phương pháp nghiên cứu bao gồm nghiên cứu lý thuyết và nghiên cứu thực nghiệm. Nghiên cứu lý thuyết tập trung vào tổng quan lý thuyết tập mờ phức, hệ suy diễn mờ phức, kỹ thuật và mô hình học chuyển giao, phân tích ưu nhược điểm và các vấn đề còn tồn tại của các nghiên cứu liên quan.

4.1. Biểu diễn Luật Mờ Phức với Cấu Trúc CFRG

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 và tập dữ liệu thực tế tại Bệnh viện Gang thép Thái Nguyên nhằm minh chứng về tính hiệu quả của các nghiên cứu về lý thuyết. Một trong những đóng góp chính là đề xuất được mô hình học chuyển giao trên hệ suy diễn mờ phức.

4.2. Cải Tiến Suy Diễn bằng Cấu Trúc Đồ Thị

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). Bằng cách kết hợp kỹ thuật học chuyển giao và cơ chế suy diễn của hệ CFIS nhằm làm giảm thời gian xây dựng hệ CFIS cho một miền khác (gọi là 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.

V. Ứng Dụng Kết Quả Nghiên Cứu Về Hiệu Quả Của Mô Hình

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. Điều này có ý nghĩa lớn trong việc ứng dụng mô hình vào các bài toán thực tế, nơi thời gian là yếu tố quan trọng. Các thuật toán và cấu trúc dữ liệu đề xuất giúp giảm độ phức tạp tính toán và tăng tốc quá trình suy diễn.

5.1. So sánh hiệu năng với phương pháp truyền thống trên tập dữ liệu mẫu

Kết quả thực nghiệm cho thấy mô hình học chuyển giao đề xuất có thể giảm đáng kể thời gian xây dựng mô hình so với phương pháp truyền thống, đặc biệt là khi dữ liệu miền đích có sự khác biệt so với dữ liệu miền nguồn. Việc sử dụng cấu trúc đồ thị CFRG giúp tăng tốc quá trình suy diễn và cải thiện độ chính xác của mô hình.

5.2. Kết quả thực nghiệm trên dữ liệu thực tế tại Bệnh viện Gang thép Thái Nguyên

Việc triển khai mô hình học chuyển giao trên dữ liệu thực tế tại Bệnh viện Gang thép Thái Nguyên đã mang lại những kết quả khả quan. Mô hình có thể được sử dụng để hỗ trợ các bác sĩ trong việc chẩn đoán bệnh và đưa ra quyết định điều trị một cách nhanh chóng và chính xác.

VI. Tương Lai Hướng Phát Triển Cho Nghiên Cứu Hệ Học Chuyển Giao

Nghiên cứu về hệ học chuyển giao mờ phức vẫn còn nhiều tiềm năng phát triển. Các hướng nghiên cứu tiếp theo có thể tập trung vào việc mở rộng mô hình cho các bài toán phức tạp hơn, nghiên cứu các phương pháp lấy mẫu không gian con hiệu quả hơn, và phát triển các thuật toán tối ưu hóa cho cấu trúc đồ thị CFRG. Việc kết hợp mô hình với các kỹ thuật học sâu cũng là một hướng đi đầy hứa hẹn.

6.1. Mở rộng mô hình cho các bài toán phức tạp hơn

Các bài toán như dự báo chuỗi thời gian, phân tích mạng xã hội, và điều khiển hệ thống phức tạp có thể được giải quyết hiệu quả hơn bằng cách sử dụng mô hình học chuyển giao mờ phức. Việc nghiên cứu các biến thể của tập mờ phức và hệ suy diễn mờ phức cũng có thể mang lại những cải tiến đáng kể.

6.2. Nghiên cứu các phương pháp lấy mẫu không gian con hiệu quả hơn

Việc lựa chọn phương pháp lấy mẫu không gian con phù hợp có thể ảnh hưởng lớn đến hiệu suất của mô hình. Các nghiên cứu tiếp theo có thể tập trung vào việc phát triển các phương pháp lấy mẫu thích nghi, có thể tự động điều chỉnh theo đặc điểm của dữ liệu.

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 ược 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 oạn) và các kết quả thực nghiệm trên các bộ dữ liệu UCI và bộ dữ liệu thực cùng với những phân tích ánh giá mô hình ã ề xuất. • Chương 3: Trình bày ề xuất cấu trúc CFRG ứng dụng cho suy diễn mờ phức và thích nghi luật trong mô hình học chuyển giao ã ề xuất ở chương 2, các kết quả thực nghiệm cùng với những phân tích ánh giá hiệu suất.

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

Suy diễn và hệ suy diễn mờ phức Suy diễn ược 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 ã biết hoặc các nguyên tắc logic. Qua suy diễn, ta có thể kết nối các sự kiện, quy tắc và thông tin ể 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.

ặc biệt trong trí tuệ nhân tạo và học máy, suy diễn là trọng tâm. Máy tính và hệ thống thông minh ược lập trình ể suy luận từ dữ liệu nhằm mục ích thực hiện các dự báo và phân tích xu hướng, hiểu và tự ộng hóa quyết ịnh, hỗ trợ ra quyết ịnh 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 ầu vào ể tạo ra kết luận mới. Suy diễn giúp chúng ta i từ thông tin có sẵn ến 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 (ưa 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 ể dự oán kết quả) [33]; và suy diễn trong xử lý ngôn ngữ tự nhiên (ánh giá và phân tích văn bản ngôn 9 ngữ tự nhiên ể rút ra thông tin) [34]. Hệ suy diễn óng 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 ịnh dựa trên luật suy diễn. Hệ suy diễn ược sử dụng rộng rãi trong hệ thống gợi ý ể ề 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 chß vậy, hệ suy diễn là một thành phần quan trọng trong các hệ thống hỗ trợ ra quyết ịnh, giúp người ra quyết ịnh xử lý thông tin phức tạp và ưa ra quyết ịnh dựa trên các quy tắc ược xác ịnh 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 ược sử dụng ể tổng hợp, tổ chức và truy cập tri thức từ nhiều nguồn khác nhau [39]. Hệ suy diễn có thể ược sử dụng ể xây dựng mô hình AI dựa trên quy tắc và luật suy diễn.

iều 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 ối tượng và dự oán sự kiện dựa trên dữ liệu ầu vào [26], [40], [41]. iều này có ứng dụng trong nhận dạng văn bản, hình ảnh và âm thanh, cũng như trong dự oán xu hướng và biến ổi trong dữ liệu. Trong lĩnh vực y tế, hệ suy diễn ược sử dụng ể chẩn oán bệnh lý dựa trên triệu chứng và dữ liệu xét nghiệm.

Nó có khả năng kết hợp thông tin từ nhiều nguồn ể ưa ra chẩn oán và iều trị v. Hiệu quả của suy diễn là dựa vào các thông tin, dữ liệu lịch sử. Trong khi ó, thông tin, dữ liệu biến ổi không ngừng và ngày càng chứa nhiều các ặc tính mới. Những ặc tính mới trong dữ liệu như tính mơ hồ, tần suất/chu kỳ ã 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] i kèm với tính chu kỳ/ịnh kỳ. 10 Các phương pháp suy diễn khác nhau ược sử dụng phụ thuộc vào từng bài toán khác nhau. Hệ suy diễn mờ phức [43], còn ược gọi là hệ logic mờ phức (CFLS), dựa trên cơ sở là hệ suy diễn mờ và ược biết ến với khả năng xử lý các khái niệm ngôn ngữ liên quan ến 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 ến 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 ã và luôn ược ề cập như là một công cụ ể mô tả những thông tin không chắc chắn, mơ hồ. Nó ược áp dụng phổ biến trong việc giải quyết các vấn ề liên quan ến dự báo, iều khiển, phát hiện mẫu và các hệ hỗ trợ ra quyết ịnh với thông tin không chắc chắn. Nó cũng ược coi là mô hình tính toán mà có khả năng xử lý ồng 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 ịnh ối với các tri thức mờ hồ, không chắc chắn. Lý thuyết logic mờ ã tạo ra một loạt các hệ thống suy diễn mờ [2], [3], [5], [44], [45] v. Mỗi hệ suy diễn mờ ược mô tả như là một ánh xạ phi tuyến ể ưa 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 ã có một cách logic và khoa học ể 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. ược xây dựng trên cơ sở lý thuyết mờ, FIS là một mô hình suy diễn dựa trên tri thức ược mờ hóa, thường ược áp dụng trong quá trình hỗ trợ ra quyết ịnh. FIS tỏ ra hiệu quả trong trường hợp tri thức không ầy ủ, bất ịnh hoặc không chính xác. FIS dựa trên lý thuyết tập mờ ã và ang ược sử dụng thành công trong nhiều lĩnh 11 vực y tế, kinh tế, xử lý ảnh, xử lý ngôn ngữ tự nhiên v.

FIS ược thiết kế ể xử lý và giải quyết các vấn ề có sự không chắc chắn, không rõ ràng hoặc không chính xác trong thông tin hoặc dữ liệu ầu vào. Nó thường ược ứng dụng trong các tình huống thực tế, nơi mà các hệ thống dựa trên logic truyền thống không thể áp ứng ầy ủ do sự mơ hồ và bất ịnh trong thông tin [46]. Một trong những iểm mạnh của FIS là khả năng xử lý tri thức mơ hồ thay vì dựa vào giá trị nhị phân (úng/sai) như các hệ thống logic truyền thống. iều này cho phép FIS biểu diễn ược các dữ liệu có tính chất không rõ ràng và không chắc chắn hiệu quả hơn và FIS thường em ến 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 ổi các giá trị ầu vào rõ thành các biên ộ phù hợp với các giá trị ngôn ngữ; - Cơ sở dữ liệu với ịnh nghĩa các hàm thuộc của các tập mờ ược sử dụng trong các luật mờ; - Bộ cơ sở luật gồm các luật mờ IF - THEN; - ơn vị thực thi quyết ịnh trong ó thực hiện các hoạt ộng suy diễn của các luật (cơ chế suy diễn); 12 - Giao diện giải mờ chuyển ổi các giá trị kết quả suy diễn mờ ra các lớp ầu 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 ầu vào có tính chất rõ ràng và có thể o lường cụ thể, ể tham gia vào quá trình suy diễn mờ, thường cần phải thực hiện một quá trình gọi là mờ hoá. Mờ hoá có thể ược ịnh nghĩa là một phép ánh xạ từ không gian các giá trị quan sát ược (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 - ối chuẩn).

- Thực hiện phép toán kép ể tính toán các giá trị từ giả thiết ến 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 oán ịnh sử dụng hàm thuộc của giá trị mờ ầu ra.