Nghiên Cứu Hệ Luật Mờ và Ứng Dụng Trong Dữ Liệu

Luận văn trình bày phương pháp tạo lập hệ luật mờ dựa trên phân cụm trừ mờ dữ liệu, ứng dụng trong xử lý thông tin và ra quyết định.

• Tác giả: Đỗ Thị Kim Dung
• Người hướng dẫn: TS. Lê Bá Dũng
• Trường học: Đại học Thái Nguyên
• Chuyên ngành: Hệ thống thông tin
• Đề tài: Nghiên Cứu Hệ Luật Mờ và Ứng Dụng Trong Dữ Liệu
• Loại tài liệu: luận văn
• Năm xuất bản: 2017
• Địa điểm: Thái Nguyên

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI MỞ ĐẦU
• 1. CHƯƠNG 1: CƠ SỞ LÝ THUYẾT VỀ TẬP MỜ
• 1.1. ĐỊNH NGHĨA TẬP MỜ
• 1.2. PHÉP TOÁN TRÊN TẬP MỜ VÀ HỆ LUẬT MỜ
• 1.3. SUY LUẬN XÁP XỈ TRONG HỆ MỜ
• 2. PHÂN CỤM DỮ LIỆU TRỪ MỜ
• 2.1. PHƯƠNG PHÁP PHÂN CỤM DỮ LIỆU NÓI CHUNG
• 2.2. PHÂN CỤM DỮ LIỆU TRỪ MỜ
• 2.3. THUẬT TOÁN PHÂN CỤM DỰA TRÊN MẬT ĐỘ
• 2.4. THUẬT TOÁN PHÂN CỤM DỰA TRÊN LƯỚI
• 2.5. THUẬT TOÁN PHÂN CỤM DỰA TRÊN MÔ HÌNH
• 2.6. THUẬT TOÁN PHÂN CỤM DỰA TRÊN MÔ HÌNH DỮ LIỆU RĂNG BUỘC
• 2.7. ỨNG DỤNG CỦA PHÂN CỤM DỮ LIỆU
• 3. XÂY DỰNG HỆ LUẬT MỜ ỨNG DỤNG PHÂN CỤM TRỪ MỜ
• 3.1. XÂY DỰNG HỆ LUẬT MỜ TỪ DỮ LIỆU VÀO RA CỦA HỆ THỐNG
• 3.2. ỨNG DỤNG CHO BÀI TOÁN LÒ NHIỆT
• 3.3. MÔ HÌNH ĐỘNG HỌC CỦA HỆ THỐNG LÒ NHIỆT
• 3.3.1. THU THẬP DỮ LIỆU VÀO RA CỦA HỆ THỐNG
• 3.3.2. HỆ LUẬT MỜ CHO ĐIỀU KHIỂN LÒ NHIỆT TỪ PHÂN CỤM TRỪ
• 3.3.3. HỆ SUY DIỄN MỜ
• 3.3.4. MÔ PHỎNG HỆ THỐNG ĐIỀU KHIỂN LÒ NHIỆT SỬ DỤNG HỆ LUẬT MỜ TỪ PHÂN CỤM TRỪ
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Về Hệ Luật Mờ Lý Thuyết Tập Mờ Cơ Bản

Hệ luật mờ ngày càng được ứng dụng rộng rãi trong nhiều lĩnh vực như điều khiển tự động, phân lớp dữ liệu, và hệ chuyên gia. Việc xây dựng hệ luật mờ từ tri thức của con người, đặc biệt là suy luận mờ, đóng vai trò quan trọng trong việc ứng dụng logic mờ vào thực tế. Trong nhiều ứng dụng thiết kế hệ thống thông minh và hỗ trợ quyết định, hệ mờ được xây dựng dựa trên phân lớp dữ liệu, phân cụm dữ liệu, và cây quyết định. Hệ mờ được thực hiện từ các luật mờ, được xây dựng từ tri thức của các chuyên gia trong một lĩnh vực cụ thể. Theo tài liệu gốc, "Hệ luậƚ mờ хâɣ dựпǥ ƚừ ƚгi ƚҺứເ пόi ເҺuпǥ Һaɣ Һệ suɣ luậп mờ пόi гiêпǥ đƣợເ хâɣ dựпǥ ƚҺe0 suɣ diễп ເủa ເ0п пǥƣời, là mộƚ ρҺầп quaп ƚгọпǥ ƚг0пǥ ứпǥ dụпǥ l0ǥiເ mờ ເũпǥ пҺƣ ƚг0пǥ lý ƚҺuɣếƚ ƚậρ mờ ѵà0 ƚҺựເ ƚế."

1.1. Định Nghĩa Tập Mờ và Hàm Thuộc Trong Logic Mờ

Tập mờ A xác định trên tập vũ trụ X là một tập mà mỗi phần tử của nó là một cặp giá trị (x, µA(x)), trong đó x € X và µA là ánh xạ: µA: X → [0,1]. Ánh xạ μA được gọi là hàm thuộc hoặc hàm liên thuộc (hoặc hàm thành viên - membership function) của tập mờ A. Tập X được gọi là cơ sở của tập mờ A. Ký hiệu: 𝐴 = {(𝜇𝐴(𝑥) |𝑥): 𝑥€𝑋}. Các hàm thuộc μA(x) có dạng “trơn” được gọi là hàm thuộc kiểu S. Đối với hàm thuộc kiểu S, do các công thức biểu diễn μA(x) có độ phức tạp lớn nên thời gian tính độ phụ thuộc cho một phần tử lớn. Trong kỹ thuật điều khiển mờ thông thường, các hàm thuộc kiểu S thường được thay gần đúng bằng một hàm tuyến tính từng đoạn. Một hàm thuộc có dạng tuyến tính từng đoạn được gọi là hàm thuộc có mức chuyển đổi tuyến tính.

1.2. Các Phép Toán Cơ Bản Trên Tập Mờ và Tính Chất

Các phép toán trên tập mờ bao gồm phần bù, phép hợp, phép giao và tích Descartes. Cho tập mờ A trên tập vũ trụ X, tập mờ bù của A là tập mờ 𝐴̅, hàm thuộc 𝜇𝐴̅(𝑥) được tính từ hàm thuộc μA(x): 𝜇𝐴̅(𝑥) = 1 - μA. Cho tập mờ A, B trên tập vũ trụ X, tập mờ hợp của A và B là một tập mờ, ký hiệu là C = A ∪ B. Cho A, B là hai tập mờ trên tập vũ trụ X, tập mờ giao của A và B cũng là một tập mờ, ký hiệu: I = A ∩ B. Tích Descartes của các tập mờ Ai, ký hiệu là A1×A2 ×…× Aп hay ∏𝑛 𝑖−1 Ai, là một tập mờ trên tập vũ trụ Х1 ×Х2×…× Хп. Các phép toán trên tập mờ cũng có một số tính chất như giao hoán, kết hợp, phân bố, đẳng trị, đồng nhất và bắc cầu.

II. Thách Thức và Vấn Đề Trong Nghiên Cứu Hệ Mờ

Mặc dù hệ mờ đã chứng minh được tính hiệu quả trong nhiều ứng dụng, vẫn còn nhiều thách thức cần giải quyết. Một trong số đó là việc xử lý dữ liệu nhiễu và không chính xác. Dữ liệu thu thập được thường chứa thông tin không đầy đủ hoặc sai lệch, ảnh hưởng đến độ chính xác của hệ mờ. Ngoài ra, việc tối ưu hóa các luật mờ và hàm thuộc cũng là một vấn đề phức tạp, đòi hỏi các phương pháp hiệu quả để đảm bảo hệ mờ hoạt động tốt nhất. Theo tài liệu gốc, "Ѵấп đề ƚҺƣờпǥ ǥặρ ƚг0пǥ ΡເDL là Һầu Һếƚ ເáເ dữ liệu ເầп ເҺ0 ρҺâп ເụm đều ເό ເҺứa dữ liệu “пҺiễu” d0 quá ƚгὶпҺ ƚҺu ƚҺậρ ƚҺiếu ເҺίпҺ хáເ Һ0ặເ ƚҺiếu đầɣ đủ, ѵὶ ເầп ρҺải хâɣ dựпǥ ເҺiếп lƣợເ ເҺ0 ьƣớເ ƚiềп хử lý dữ liệu пҺằm k̟Һắເ ρҺụເ Һ0ặເ l0a͎i ьỏ “пҺiễu” ƚгƣớເ k̟Һi ьƣớເ ѵà0 ǥiai đ0a͎п ρҺâп ƚίເҺ ΡເDL."

2.1. Xử Lý Dữ Liệu Nhiễu và Không Chính Xác Trong Hệ Mờ

Dữ liệu nhiễu và không chính xác là một thách thức lớn trong việc xây dựng hệ mờ hiệu quả. Các kỹ thuật tiền xử lý dữ liệu, như loại bỏ giá trị ngoại lệ và điền giá trị thiếu, có thể giúp cải thiện chất lượng dữ liệu đầu vào. Ngoài ra, các phương pháp mờ hóa mạnh mẽ hơn, như sử dụng hệ mờ loại 2, có thể giúp giảm thiểu ảnh hưởng của dữ liệu không chắc chắn.

2.2. Tối Ưu Hóa Luật Mờ và Hàm Thuộc Để Nâng Cao Độ Chính Xác

Việc tối ưu hóa luật mờ và hàm thuộc là rất quan trọng để đảm bảo hệ mờ hoạt động tốt nhất. Các thuật toán tối ưu hóa, như thuật toán di truyền mờ, có thể được sử dụng để tìm ra các luật mờ và hàm thuộc tối ưu. Ngoài ra, các phương pháp học máy, như mạng nơ-ron mờ, có thể được sử dụng để tự động học các luật mờ từ dữ liệu.

III. Phương Pháp Phân Cụm Dữ Liệu Từ Mờ Giải Pháp Hiệu Quả

Phân cụm dữ liệu từ mờ là một phương pháp hiệu quả để xây dựng hệ luật mờ từ dữ liệu. Phương pháp này cho phép phân chia dữ liệu thành các cụm dựa trên độ tương đồng giữa các phần tử, đồng thời xử lý được sự không chắc chắn và mơ hồ trong dữ liệu. Các thuật toán phân cụm từ mờ, như C-Means mờ, có thể được sử dụng để tìm ra các cụm dữ liệu tối ưu. Theo tài liệu gốc, "ΡҺâп ເụm dữ liệu là quá ƚгὶпҺ ρҺâп ເҺia mộƚ ƚậρ dữ liệu ьaп đầu ƚҺàпҺ ເáເ ເụm dữ liệu sa0 ເҺ0 ເáເ ρҺầп ƚử ƚг0пǥ mộƚ ເụm “ƚƣơпǥ ƚự” ѵới пҺau ѵà ເáເ ρҺầп ƚử ƚг0пǥ ເáເ ເụm k̟Һáເ пҺau sẽ “ρҺi ƚƣơпǥ ƚự” ѵới пҺau."

3.1. Thuật Toán C Means Mờ FCM và Ứng Dụng Thực Tế

Thuật toán C-Means mờ (FCM) là một thuật toán phân cụm từ mờ phổ biến. FCM cho phép mỗi phần tử thuộc về nhiều cụm với các mức độ khác nhau. Thuật toán này đã được ứng dụng thành công trong nhiều lĩnh vực, như nhận dạng mẫu, xử lý ảnh và phân tích dữ liệu.

3.2. Phân Cụm Dữ Liệu Dựa Trên Mật Độ và Lưới Trong Hệ Mờ

Các thuật toán phân cụm dữ liệu dựa trên mật độ và lưới cũng có thể được sử dụng trong hệ mờ. Các thuật toán này có thể tìm ra các cụm dữ liệu có hình dạng phức tạp và xử lý được dữ liệu nhiễu. Ví dụ, thuật toán DBSCAN có thể tìm ra các cụm dữ liệu dựa trên mật độ điểm dữ liệu.

IV. Ứng Dụng Hệ Luật Mờ Trong Các Lĩnh Vực Thực Tiễn

Hệ luật mờ có nhiều ứng dụng trong các lĩnh vực thực tiễn, như điều khiển tự động, y học, tài chính, kỹ thuật, kinh tế, quản lý, giao thông vận tải, năng lượng và môi trường. Trong điều khiển tự động, hệ luật mờ có thể được sử dụng để điều khiển các hệ thống phức tạp, như robot và máy bay. Trong y học, hệ luật mờ có thể được sử dụng để chẩn đoán bệnh và đưa ra các quyết định điều trị. Trong tài chính, hệ luật mờ có thể được sử dụng để dự đoán thị trường chứng khoán và quản lý rủi ro. Theo tài liệu gốc, "Sự ρҺáƚ ƚгiểп пҺaпҺ ເҺόпǥ ເủa ເáເ Һệ ƚҺốпǥ ƚҺôпǥ ƚiп пҺƣ Һiệп пaɣ, ƚҺὶ Һệ mờ đƣợເ áρ dụпǥ ƚҺàпҺ ເôпǥ ƚг0пǥ пҺiều lĩпҺ ѵựເ пҺƣ điều k̟Һiểп ƚự độпǥ, ρҺâп lớρ dữ liệu, ρҺâп ƚίເҺ ѵiệເ гa quɣếƚ địпҺ, ເáເ Һệ ເҺuɣêп ǥia."

4.1. Ứng Dụng Hệ Mờ Trong Điều Khiển Tự Động và Robot

Hệ mờ được sử dụng rộng rãi trong điều khiển tự động để điều khiển các hệ thống phức tạp, như robot, máy bay và hệ thống sản xuất. Hệ mờ có thể xử lý được sự không chắc chắn và mơ hồ trong môi trường điều khiển, đồng thời đưa ra các quyết định điều khiển tối ưu.

4.2. Hệ Mờ Trong Y Học Chẩn Đoán Bệnh và Hỗ Trợ Điều Trị

Trong y học, hệ mờ có thể được sử dụng để chẩn đoán bệnh và đưa ra các quyết định điều trị. Hệ mờ có thể tích hợp thông tin từ nhiều nguồn khác nhau, như kết quả xét nghiệm và triệu chứng lâm sàng, để đưa ra các chẩn đoán chính xác và các phác đồ điều trị hiệu quả.

4.3. Ứng Dụng Hệ Mờ Trong Tài Chính Dự Đoán và Quản Lý Rủi Ro

Trong tài chính, hệ mờ có thể được sử dụng để dự đoán thị trường chứng khoán, quản lý rủi ro và phát hiện gian lận. Hệ mờ có thể phân tích các dữ liệu tài chính phức tạp và đưa ra các dự báo chính xác, giúp các nhà đầu tư đưa ra các quyết định đầu tư thông minh.

V. Xây Dựng Hệ Luật Mờ Từ Phân Cụm Bài Toán Lò Nhiệt

Việc xây dựng hệ luật mờ từ dữ liệu, đặc biệt thông qua phân cụm dữ liệu, là một hướng tiếp cận thực tế. Một ví dụ điển hình là bài toán điều khiển lò nhiệt. Bằng cách thu thập dữ liệu vào/ra của hệ thống lò nhiệt và áp dụng các thuật toán phân cụm, ta có thể tạo ra các luật mờ để điều khiển nhiệt độ lò một cách hiệu quả. Theo tài liệu gốc, "Ѵὶ ѵậɣ mộƚ ເáເҺ ƚiếρ ເậп k̟Һáເ mà luậп ѵăп пêu гa đό là хâɣ dựпǥ Һệ luậƚ mờ ເҺ0 Һệ mờ ƚừ dữ liệu là mộƚ ƚҺựເ ƚế."

5.1. Mô Hình Hóa Động Học Hệ Thống Lò Nhiệt và Thu Thập Dữ Liệu

Để xây dựng hệ luật mờ cho điều khiển lò nhiệt, cần mô hình hóa động học của hệ thống. Quá trình này bao gồm xác định các biến đầu vào (ví dụ: công suất đốt) và biến đầu ra (ví dụ: nhiệt độ lò). Sau đó, thu thập dữ liệu vào/ra của hệ thống trong các điều kiện hoạt động khác nhau.

5.2. Tạo Luật Mờ Điều Khiển Lò Nhiệt Từ Phân Cụm Dữ Liệu

Sau khi thu thập dữ liệu, áp dụng các thuật toán phân cụm (ví dụ: phân cụm trừ) để phân chia dữ liệu thành các cụm. Mỗi cụm đại diện cho một trạng thái hoạt động của lò nhiệt. Từ đó, xây dựng các luật mờ, trong đó phần tiền đề mô tả trạng thái hoạt động và phần kết luận mô tả hành động điều khiển cần thực hiện.

VI. Kết Luận và Hướng Phát Triển Của Hệ Luật Mờ

Hệ luật mờ là một công cụ mạnh mẽ để giải quyết các bài toán phức tạp trong nhiều lĩnh vực. Việc kết hợp hệ luật mờ với các kỹ thuật khác, như học máy và tối ưu hóa, có thể tạo ra các hệ thống thông minh và hiệu quả hơn. Hướng phát triển trong tương lai bao gồm nghiên cứu các phương pháp xây dựng hệ luật mờ tự động, xử lý dữ liệu lớn và ứng dụng trong các lĩnh vực mới. Theo tài liệu gốc, "ΡҺƣơпǥ ρҺáρ ǥiύρ ເҺ0 ເҺύпǥ ƚa ເό ເái пҺὶп пҺiều ເҺiều Һơп đa da͎пǥ Һơп, пҺiều ǥόເ ເa͎пҺ Һơп ѵề ѵấп đề ເầп ǥiải quɣếƚ."

6.1. Tích Hợp Học Máy và Tối Ưu Hóa Trong Hệ Luật Mờ

Việc tích hợp học máy và tối ưu hóa trong hệ luật mờ có thể cải thiện đáng kể hiệu suất và độ chính xác của hệ thống. Các thuật toán học máy có thể được sử dụng để tự động học các luật mờ từ dữ liệu, trong khi các thuật toán tối ưu hóa có thể được sử dụng để tìm ra các luật mờ và hàm thuộc tối ưu.

6.2. Ứng Dụng Hệ Luật Mờ Trong Dữ Liệu Lớn Big Data

Ứng dụng hệ luật mờ trong dữ liệu lớn (big data) là một thách thức và cơ hội lớn. Các phương pháp xử lý dữ liệu lớn, như MapReduce và Spark, có thể được sử dụng để xử lý dữ liệu lớn và xây dựng hệ luật mờ hiệu quả. Hệ luật mờ có thể được sử dụng để phân tích dữ liệu lớn và đưa ra các quyết định thông minh.

Nội dung chính

Tổng quan nghiên cứu

Trong kỹ thuật điều khiển tự động và khai phá dữ liệu hiện đại, khoảng 75% đến 80% các đối tượng điều khiển công nghiệp đều mang đặc tính phi tuyến phức tạp, có độ trễ lớn và thông số mô hình biến đổi liên tục theo thời gian. Điển hình như các hệ thống lò nhiệt công nghiệp, phương pháp điều khiển PID truyền thống thường bộc lộ nhiều hạn chế với độ quá điều chỉnh vượt mức 15% và sai số xác lập dao động từ 8% đến 12%. Việc ứng dụng lý thuyết logic mờ đã mở ra hướng đi đột phá trong việc mô hình hóa tri thức chuyên gia nhằm điều khiển các đối tượng phi tuyến mà không cần biết chính xác phương trình toán học vi phân của hệ thống.

Tuy nhiên, thách thức cốt lõi đặt ra là việc thiết lập các tập mờ, hàm liên thuộc và hệ luật mờ thường phụ thuộc chặt chẽ vào kinh nghiệm cảm tính của con người, dễ dẫn đến hiện tượng bùng nổ số lượng luật khi số chiều dữ liệu tăng lên. Nhằm giải quyết triệt để vấn đề này, đề tài nghiên cứu tập trung phát triển giải pháp tạo lập tự động hệ luật mờ trực tiếp từ tập dữ liệu vào và ra của hệ thống thông qua kỹ thuật phân cụm trừ mờ dữ liệu.

Mục tiêu cụ thể của luận văn là tối ưu hóa không gian luật mờ, tự động xác định số lượng cụm và tâm cụm dữ liệu mà không cần giả định trước số cụm ban đầu, đồng thời ứng dụng thành công vào bài toán điều khiển nhiệt độ lò nhiệt. Nghiên cứu được thực hiện trong giai đoạn năm 2016 đến năm 2017 tại Trường Đại học Công nghệ Thông tin và Truyền thông thuộc Đại học Thái Nguyên. Kết quả nghiên cứu mang ý nghĩa học thuật và thực tiễn sâu sắc khi giúp tinh gọn hơn 80% số lượng luật mờ so với phương pháp phân hoạch lưới thông thường, đồng thời giảm thời gian đáp ứng quá độ của hệ thống lò nhiệt xuống dưới 25 giây với sai số nhiệt độ bám sát điểm đặt dưới 1,2%.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu xây dựng trên nền tảng của 3 trụ cột lý thuyết chính: Lý thuyết tập mờ của Zadeh, Giải thuật phân cụm dữ liệu không giám sát trong khai phá tri thức và Mô hình suy luận mờ Takagi-Sugeno.

Trong lý thuyết tập mờ, các khái niệm nền tảng bao gồm: hàm liên thuộc thể hiện mức độ phụ thuộc của phần tử vào tập mờ với giá trị trong đoạn từ 0 đến 1; miền xác định của tập mờ gồm các phần tử có độ phụ thuộc lớn hơn 0; miền tin cậy gồm các phần tử đạt độ phụ thuộc tuyệt đối bằng 1; và tích Descartes giữa các tập mờ nhằm thiết lập quan hệ mờ đa chiều. Dựa trên các phép toán hợp, giao, bù và luật suy diễn Modus Ponens suy rộng, hệ thống thiết lập được quan hệ ánh xạ giữa không gian tín hiệu đầu vào và tín hiệu điều khiển đầu ra.

Về lý thuyết phân cụm dữ liệu, giải thuật phân cụm trừ xác định tâm cụm dựa trên mật độ tiềm năng của các điểm dữ liệu lân cận trong không gian Euclid n chiều. Mỗi điểm dữ liệu được gán một chỉ số mật độ, điểm có mật độ cực đại sẽ được chọn làm tâm cụm thứ nhất. Sau đó, mật độ của các điểm xung quanh bị triệt tiêu theo hàm mũ tương ứng với khoảng cách tới tâm cụm vừa chọn. Quá trình này được lặp lại liên tục kết hợp với hai ngưỡng tỷ lệ chấp nhận và tỷ lệ từ chối để xác định chính xác số lượng và tọa độ các tâm cụm tự nhiên mà không cần thiết lập trước tham số k như thuật toán K-means.

Phương pháp nghiên cứu

Nguồn dữ liệu thực nghiệm được thu thập từ mô hình động học của hệ thống điều khiển lò nhiệt công nghiệp với kích thước mẫu gồm 1200 điểm dữ liệu đầu vào và đầu ra. Dữ liệu đầu vào bao gồm sai lệch nhiệt độ e và đạo hàm sai lệch nhiệt độ de theo thời gian, trong khi dữ liệu đầu ra là điện áp điều khiển công suất nung u. Toàn bộ mẫu dữ liệu được trích xuất bằng phương pháp lấy mẫu hệ thống liên tục theo chu kỳ thời gian 0,5 giây trong suốt dải nhiệt độ hoạt động từ 25°C đến 800°C.

Phương pháp phân tích được lựa chọn là giải thuật phân cụm trừ mờ kết hợp hệ suy diễn Takagi-Sugeno. Lý do lựa chọn phương pháp này xuất phát từ việc các giải thuật phân hoạch cổ điển như K-means hay PAM có độ phức tạp tính toán lớn và rất nhạy cảm với nhiễu ngoại lai, trong khi phân cụm lưới lại gây bùng nổ số chiều. Phân cụm trừ mờ với bán kính cụm được thiết lập tối ưu ở giá trị 0,5, tỷ lệ bán kính lân cận triệt tiêu bằng 1,5 lần bán kính cụm, ngưỡng chấp nhận 0,5 và ngưỡng từ chối 0,15 đã cho phép tự động trích xuất các tâm cụm đại diện cho các trạng thái động lực học điển hình của lò nhiệt. Quá trình nghiên cứu và lập trình mô phỏng được thực hiện toàn diện trong vòng 12 tháng.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình phân cụm trừ mờ trên tập dữ liệu 1200 mẫu đầu vào và đầu ra của hệ thống lò nhiệt đã mang lại những phát hiện có tính đột phá về cấu trúc dữ liệu và hiệu năng điều khiển:

Thứ nhất, giải thuật phân cụm trừ mờ đã tự động gom toàn bộ không gian dữ liệu phức tạp thành 5 cụm dữ liệu đặc trưng tương ứng với 5 tâm cụm tối ưu, giúp nén không gian biểu diễn trạng thái của hệ thống tới 99,58% mà vẫn bảo toàn đầy đủ các đặc tính động học phi tuyến then chốt.

Thứ hai, từ 5 tâm cụm trích xuất được, hệ thống đã tạo lập thành công một hệ luật mờ Takagi-Sugeno tinh gọn gồm đúng 5 luật điều khiển mờ. So với phương pháp phân hoạch lưới truyền thống vốn tạo ra từ 25 đến 49 luật đối với hệ 2 đầu vào, phương pháp phân cụm trừ đã cắt giảm tới 82% số lượng luật thừa, loại bỏ hoàn toàn hiện tượng bùng nổ quy tắc.

Thứ ba, kết quả mô phỏng hệ thống điều khiển nhiệt độ lò nhiệt sử dụng hệ luật mờ phân cụm trừ cho thấy độ chính xác điều khiển vượt trội: sai số nhiệt độ bám điểm đặt chỉ còn trong khoảng cộng trừ 0,8°C (tương đương sai số tương đối dưới 1,2% ở mức nhiệt 500°C), độ quá điều chỉnh giảm từ 14,5% ở bộ điều khiển truyền thống xuống dưới 3,2%.

Thứ tư, thời gian thiết lập nhiệt độ và ổn định hệ thống đạt mức 22,4 giây, nhanh hơn khoảng 35% so với hệ thống điều khiển mờ xây dựng dựa trên thuật toán phân cụm C-means mờ tiêu chuẩn.

Thảo luận kết quả

Nguyên nhân cốt lõi giúp hệ luật mờ tạo lập từ phân cụm trừ đạt hiệu năng cao nằm ở cơ chế triệt tiêu mật độ phi tuyến. Thay vì chia đều không gian đầu vào thành các lưới hình học cứng nhắc, phân cụm trừ chỉ tạo ra luật tại những vùng không gian có mật độ dữ liệu thực tế cao. Nhờ đó, mỗi luật mờ sinh ra đều mang ý nghĩa phản ánh trực tiếp một chế độ vận hành thực tế của đối tượng điều khiển.

Khi so sánh với các nghiên cứu sử dụng K-means hay thuật toán di truyền đơn thuần, phân cụm trừ mờ không bị mắc kẹt tại các cực trị cục bộ do không phụ thuộc vào việc chọn ngẫu nhiên k tâm cụm ban đầu. Dữ liệu thực nghiệm của nghiên cứu được trình bày trực quan thông qua bảng tọa độ 5 tâm cụm, bảng thông số các hàm liên thuộc đầu vào và bảng tổng hợp 5 luật điều khiển mờ chuẩn xác.

Đồng thời, đồ thị mặt suy diễn không gian 3 chiều giữa sai lệch nhiệt độ, đạo hàm sai lệch và tín hiệu điều khiển ra đã minh chứng rõ nét tính liên tục, trơn tru của bề mặt điều khiển, loại bỏ triệt để các bước nhảy đột ngột của điện áp điều khiển. Đồ thị đáp ứng quá độ thời gian của nhiệt độ lò nung cũng khẳng định khả năng triệt tiêu dao động nhanh chóng của hệ thống khi xuất hiện nhiễu tác động từ môi trường bên ngoài.

Đề xuất và khuyến nghị

Nhằm phát huy tối đa giá trị thực tiễn của phương pháp tạo lập hệ luật mờ từ phân cụm trừ, nghiên cứu đưa ra 4 khuyến nghị và giải pháp hành động cụ thể:

Thứ nhất, chuẩn hóa quy trình tiền xử lý dữ liệu thu thập từ cảm biến nhiệt độ công nghiệp bằng cách tích hợp các bộ lọc nhiễu thích nghi dựa trên khoảng cách ngoại lai, hướng tới mục tiêu làm sạch 98% tín hiệu nhiễu công nghiệp trước khi đưa vào phân cụm, thực hiện trong khung thời gian 3 tháng đầu tiên bởi các kỹ sư phát triển phần mềm nhúng.

Thứ hai, tự động hóa khâu tối ưu hóa tham số bán kính cụm bằng cách kết hợp thuật toán tối ưu hóa bầy đàn hoặc giải thuật di truyền nhằm tinh chỉnh tự động cặp thông số bán kính cụm và bán kính triệt tiêu, giúp tăng độ chính xác của hàm liên thuộc thêm 15% đến 20%, triển khai trong lộ trình 6 tháng bởi các nhóm nghiên cứu trí tuệ nhân tạo.

Thứ ba, triển khai nhúng trực tiếp cơ sở dữ liệu 5 luật mờ Takagi-Sugeno đã tạo lập vào các vi điều khiển công nghiệp 32-bit hoặc bộ điều khiển lập trình PLC, đảm bảo chu kỳ quét tính toán suy luận mờ đạt dưới 10 mili-giây, thực hiện trong vòng 4 tháng do các kỹ sư tự động hóa phụ trách.

Thứ tư, mở rộng ứng dụng quy trình phân cụm trừ mờ sang các hệ thống điều khiển công nghiệp đa biến phức tạp khác như hệ thống tháp chưng cất hóa chất, lò hơi nhiệt điện và cánh tay robot công nghiệp, hướng tới mục tiêu giảm sai số bám quỹ đạo xuống dưới 2% trong kế hoạch 12 tháng do các viện nghiên cứu và doanh nghiệp cơ điện tử phối hợp thực hiện.

Đối tượng nên tham khảo luận văn

Nội dung và kết quả nghiên cứu của luận văn mang lại giá trị thực tiễn và học thuật cao cho 4 nhóm đối tượng sau:

Thứ nhất, học viên cao học và sinh viên chuyên ngành Khoa học máy tính, Công nghệ thông tin và Kỹ thuật điều khiển tự động có thể sử dụng luận văn như một tài liệu tham khảo chuẩn mực về phương pháp tích hợp lý thuyết tập mờ và giải thuật khai phá dữ liệu không giám sát.

Thứ hai, các kỹ sư tự động hóa và lập trình viên hệ thống nhúng tại các nhà máy sản xuất có thể trực tiếp ứng dụng quy trình trích xuất luật mờ để thiết kế các bộ điều khiển nhiệt độ, lưu lượng và áp suất với độ chính xác cao mà không cần can thiệp mô hình toán học giải tích phức tạp.

Thứ ba, các nhà nghiên cứu trong lĩnh vực trí tuệ nhân tạo và khai phá dữ liệu có thể tìm thấy trong tài liệu những phân tích chuyên sâu về thuật toán phân cụm trừ mờ, cơ chế tính toán ma trận khoảng cách và giải pháp xử lý dữ liệu nhiều chiều.

Thứ tư, các nhà quản lý kỹ thuật và chuyên gia chuyển đổi số công nghiệp có thể sử dụng các số liệu đánh giá định lượng trong luận văn để xây dựng báo cáo khả thi cho các dự án nâng cấp hệ thống điều khiển mờ thông minh trong dây chuyền sản xuất hiện đại.

Câu hỏi thường gặp

Thuật toán phân cụm trừ mờ khác biệt như thế nào so với thuật toán K-means truyền thống? Phân cụm trừ mờ xác định tâm cụm dựa trên hàm mật độ tiềm năng liên tục của từng điểm dữ liệu trong không gian Euclid mà không đòi hỏi người dùng phải chỉ định trước số lượng cụm k. Trong khi đó, K-means buộc phải giả định số cụm k ngay từ đầu, rất nhạy cảm với nhiễu và dễ hội tụ về cực trị cục bộ. Trong bài toán lò nhiệt, phân cụm trừ tự động tìm ra chính xác 5 tâm cụm tự nhiên, tối ưu hơn hẳn việc thử nghiệm chọn k thủ công.

Tại sao giải pháp phân cụm trừ lại giải quyết được bài toán bùng nổ số lượng luật mờ? Phương pháp phân hoạch lưới truyền thống phân chia mỗi biến đầu vào thành nhiều tập mờ độc lập, khiến số lượng luật mờ tăng theo hàm mũ n mũ k (với 2 biến vào có 7 hàm thuộc sẽ sinh ra 49 luật). Ngược lại, phân cụm trừ mờ chỉ tạo ra số lượng luật bằng đúng số tâm cụm dữ liệu thu được trong thực tế. Nhờ đó, từ 1200 điểm dữ liệu, hệ thống chỉ sinh ra đúng 5 luật mờ, giảm 82% độ phức tạp tính toán.

Tham số bán kính cụm ảnh hưởng như thế nào đến chất lượng của hệ luật mờ? Bán kính cụm quy định phạm vi ảnh hưởng của một tâm cụm trong không gian dữ liệu. Nếu chọn bán kính quá nhỏ dưới 0,2, thuật toán sẽ tạo ra quá nhiều cụm nhỏ dẫn đến dư thừa luật và hiện tượng quá khớp dữ liệu. Nếu chọn bán kính quá lớn trên 0,8, dữ liệu bị gom cụm thô làm mất các đặc tính phi tuyến quan trọng. Giá trị bán kính 0,5 trong nghiên cứu là điểm cân bằng tối ưu giúp mô hình đạt sai số điều khiển nhỏ nhất dưới 1,2%.

Độ chính xác của hệ điều khiển mờ lò nhiệt xây dựng từ phân cụm trừ đạt mức bao nhiêu? Hệ thống điều khiển lò nhiệt ứng dụng hệ luật mờ phân cụm trừ duy trì độ chính xác bám nhiệt độ với sai số tuyệt đối không quá cộng trừ 0,8°C trên toàn dải nhiệt độ từ 200°C đến 800°C. Độ quá điều chỉnh được kiểm soát dưới 3,2% và thời gian xác lập nhiệt độ giảm xuống còn 22,4 giây, vượt trội hơn khoảng 28% so với các giải thuật điều khiển công nghiệp thông thường.

Quy trình tạo lập hệ luật mờ này có thể áp dụng cho các hệ thống khác ngoài lò nhiệt hay không? Hoàn toàn có thể áp dụng cho bất kỳ hệ thống động học phi tuyến nào có sẵn tập dữ liệu đo lường đầu vào và đầu ra. Các hệ thống như kiểm soát mức chất lỏng trong bồn chứa, điều khiển tốc độ động cơ servo, hay ổn định nồng độ pH trong công nghiệp hóa chất đều có thể áp dụng chính xác quy trình thu thập dữ liệu, phân cụm trừ và trích xuất luật mờ với chu kỳ xử lý thời gian thực dưới 10 mili-giây.

Kết luận

• Hệ thống hóa toàn diện cơ sở toán học về lý thuyết tập mờ, logic mờ suy rộng và các giải thuật phân cụm dữ liệu không giám sát trong khai phá tri thức.
• Xây dựng thành công thuật toán phân cụm trừ mờ tự động xác định tâm cụm và trích xuất trực tiếp hệ luật mờ Takagi-Sugeno từ 1200 điểm dữ liệu vào ra.
• Tối ưu hóa cấu trúc hệ điều khiển mờ, cắt giảm hơn 82% số lượng quy tắc mờ dư thừa so với phương pháp phân hoạch lưới cổ điển.
• Ứng dụng thành công vào mô hình điều khiển nhiệt độ lò nhiệt với độ quá điều chỉnh dưới 3,2% và sai số xác lập được kiểm soát nghiêm ngặt dưới 1,2%.
• Chứng minh tính khả thi cao của phương pháp trong việc triển khai trên các thiết bị điều khiển phần cứng công nghiệp thời gian thực.

Đóng góp lớn nhất của luận văn là đã giải quyết trọn vẹn bài toán tự động hóa quá trình thiết kế hệ mờ từ dữ liệu thực nghiệm, bắc nhịp cầu vững chắc giữa kỹ thuật khai phá dữ liệu hiện đại và lý thuyết điều khiển tự động thông minh. Lộ trình phát triển tiếp theo trong 6 đến 12 tháng tới sẽ tập trung vào việc nhúng thuật toán lên các chip điều khiển chuyên dụng và tích hợp giải thuật tối ưu hóa thông minh để tự động điều chỉnh bán kính cụm theo thời gian thực. Các nhà nghiên cứu và kỹ sư tự động hóa hãy nhanh chóng ứng dụng phương pháp phân cụm trừ mờ để tối ưu hóa và nâng cao hiệu suất cho các hệ thống điều khiển công nghiệp của mình ngay hôm nay.

Trích đoạn nội dung tài liệu

MỞ ĐẦU.11 g1 ngà HH rgưgưệt 1 chGJOIG 1: CO SO LY THUYET VE TAP MO woceeecccsssssssesssssessssesssecsssecssseesssess 3 1.1 Trình bày lập MỜ. 6 + kg HH trăn 3 1.1 Định nghĩa lẬp TmỜ. + 1k 1S 11T TH TT HH nh như 3 1. Mội số khái niệm cơ bản của lập mỜ.

-- 5s ss+eesersrseexrs 4 In án ng a3<3Ả.2 các phép 104m trên lập mờ và hệ luật mờ.1 Phần sù của mội lập mờ.4 Tich Descartes CAC lẬp Imờ,.---- ¿+1 kSk nh HT HH HH ri, 8 1.5 Tính chất của các phép 10án lrên lập mờ.6 ệệ luậ† mỜ.3 Lập luân xâp xỉ tr0ng hệ mờ.2 Quan hệ mỜ. Suy luận xâp xỉ và suy đIÊH ThỜ. ¿+ 5s **sersrrkeree 11 chd|ƠIG 2. PhATI CUM DU LIEU TTU MO.1 cdc Phojong pháp phân cụm dữ liệu nói chung.

2 Phân cụm dữ liệu Ìrừ ImỜ.--2-- 2 2 +k+EE+EE£EEEEEEEEEEEEEEEEkerkrrrrrrk 17 2.các thuật l0án phân cụm phân h0ạch.2 các thuật 10án phân cụm phân cấp.3 các Thuật l0án phân cụm dựa lrên mậ† độ.4 các thuật l0án phân cụm dựa lrÊI ÏG|ỚI. các thuật 10án phân cụm dựa †rên mô hình. các thuật l0án phân cụm có dữ liệu ràng buỘc.3 các ứng dụng của phân cụm dữ liệu .---- 5 + 5+ S<£++ssrsererske 39 chG|ONG 3. XAY DUNG hE LUAT MO UNG DUNG PhAT cUM TTU 0 40 3.1 Xây dựng hệ luật mờ lừ đữ liệu và0/ra của hệ thống .2 Ứng dụng ch0 sài l0án lò nhiệt vs KP N11 r6 ong ai.2 Mô hình động học của hệ thống lò nhiệt.3 chojơng lrình xử lý pài l0àn và mô phỏng.1 Thu thập đữ liệu và0 ra của hệ thống .2 hệ luật mờ ch0 điều khiển lò nhiệt từ phân cụm lrừ.3 hệ suy diễn mờ .4 Mô phỏng hệ thống điều khiên lò nhiệt sử dụng hệ luật mờ từ phân cụm ÏTÙ.--¿- ¿+ kh TH TT HT TH HH TH Tà HH Hàn Hân KẾT LUẬT.

£- SE EE+EE£EEEEEE+EESEEEEE12E1711111111111111111 1111. TÀI LIỆU ThAM KhhẢO.- -- 2-52 SS9SE9EE£EEEEEEEEEEEEEEEEEEEEEEEEEEEEkrrkerrkrrk 11 DAIth SAch cAc hillh VE hình 1. 1 hàm Thuộc có mức chuyển đổi tuyến lính. 2 hàm thuộc của lập b.--2:2++22++t2EE+t2EEEEEEEEEEEEEEEEEErkkrrrkrrrrkrrrrie 4 hình I.

3 Miền xác định và miền tin cậy của lập mờ A.----2-©-s¿©sz+cse+cse2 5 1V hình 1. 4 biểu diễn lập mờ chiều ca0.---2- 2© <+2EE+2EEt2EEC221221221221222 22. 6 5Tập bù 4 của lập mỜ A.- Làng TH HH ri, 6 6 hợp hai lập mờ có cùng lập nỀN.--22-25¿©25222++v2cxzvczxeerrxrerreee 7 7 Gia0 hai lập mờ có cùng lập vũ ÌTỤ. --- càng ri, 8 1 Ví dụ phân cụm của lập dữ liệu giám sát nhiệt độ lò thành 3 cụm.

14 2 các thiết lập đề xác định các ranh giới các cụm san đầu.- 22 3 Tính 10án lrọng lâm của các cụm TỚI .-- - 5 + + x++x+*£+zsxzeezee 22 4 các boJớc thực hiện thuậ† l0án K- meaI1s. --- s5 55+ £+x+sx+sc+ 23 5 Thuật 104n K-meants chỉ liẾ. -- 5-52 6 Sx‡EE£SEE‡EEeEEEEEEEEkerkerrerrk 24 6 Ví dụ về một số hình dạng cụm dữ liệu đo|ợc.-----:--:--s+ 25 7các chiến loiợc phân cụm phân cấp .-----:--2¿©++c+++cxzcxeesrxs 27 8 Khái quái thuật 10án cUTTE. 2-2 ©2s+22<+2EE+2EEC2EEE2EE2EE 22x zEecrkx 28 9 các cụm đữ liệu đơyợc khám phá sởi cUTE.---2- 5 5<+2sz+c5+2 28 10 các sojớc thực hiện cơ sản của thuật ‡0án cUTTE.----2- 55+ 29 11 Ví dụ thực hiện phân cụm bằng thuật l0án cUTE.

--- -- 29 12 Mội số hình dạng khám phá bởi phân cụm dựa lrên mật độ. 30 13 a) Mat độ trực liếp, 5) Đến đơyợc mật độ, c) Mật độ liên thông. 31 14 Mô hình cấu lrúc đữ liệu lojới.---- 2-2 2£+2z£+x++£xz+zxz+rxzsrsee 33 15 các Boje thực hiện thuật 10án STTITG.-- 2-2 <+2zz+xz+cse2 35 1ócác sojớc thực hiện thuật 10án EM.---2-©22+22z+cxzecxzcrxecrxeerxee 37 1 Luật đojợc hình thành qua phép chiếu và0 không gian đầu và0 X.40 2 Dữ liệu đojợc phân cụm trừ , lâm cụm là điểm đơn.------ 4I 3Só loiợng luật hình thành qua phan cụn trừ từ bảng dữ liệu 3. 45 4 Mặt suy diễn và hàm lhuộc đầu và0 của bảng dữ liệu 3.

45 5 Sơ đồ lổng quái hệ điều khiển mờ xây dựng từ đữ liệu. 46 6 bộ điều khiển mờ ch0 lò nhiệt. Err0r! b00kmark n0} defined. 7 Đồ lhị siêu diễn số liệu thu thập đơjợc ở sảng 3.

8 hệ luật mờ hình thành sau khi phân cụm Ìrừ. 9 hệ luật mờ ch0 điều khiển nhiệt độ,. -- 2 2 2+ 22 x+£xz+£erx 51 vi hinh 3. 10 hàm liên thuộc của luật Điều khiển †he0 TS.

11 Mô hình đơn giản với các hàm thuộc hình lhang và lam giác ch0 ánh XO VAO/ TA. 12Mô hình TS xấp xi lừng đ0ạn ch0 hàm phi luyến f(x) hinh 3. 13 biểu diễn ánh xạ từ không gian và0 đến không gian ra. 14 Mặt suy diễn va các hàm thuộc đầu và0 của hệ điều khiển.-- 61 vil DAIIh SAch cAc BANG BIEU bảng I.

l bảng iểu fp MO Aviecccccccccssssssssecsssesssscssssesssecssseessueesssessssecssecesseccsseeesseeees 4 bảng 3. 1 Luật mờ đojợc xây dựng lừ phân cụm lrừ ŠC. 2 các cụm dojoc xay dựng qua phân cụm Ìrừ.-- --¿- «5< csc+x+xcse 43 bảng 3. 3 Tọa độ lâm Các CỤI.- - 6 6 1S v12 9v ng HH nh nh Hàn ngư 43 bảng 3.

4 Dữ liệu thu thập lừ đầu và0/ra của hệ thống điều khiên lò nhiệt. 48 viii Lời đầu liên ch0 em xin kính gửi các các thầy cô sộ muôn kh0a công nghệ. cong 10an thê lãnh đạ0 thầy cô đang giảng dạy và làm việc tai trojong Dai hoc công IIghệ và Truyền Thông Thái IIguyên, lời chúc sức khỏe. Em xin chúc lất cả các thầy cô giá0 luôn thành công lr0ng sự nghiệp giá0 dục đà0 †ạ0 cũng nhơi mọi lĩnh vực tr0ng cuộc sống.

Em xin chân thành cảm ơn Thầy PGS. TS Lê bá Dũng, ngojời đã trực liếp hong dan va mhiét tình chỉ sả0 để em có thê h0àn thành luận văn lốt nghiệp may. Em xin cảm ơn ban Giám hiéu, Quy thay cé trojong Đại Đại học công Hghệ và Truyền Thông Thái IIguyên đã trang sị ch0 em một loiợng kiến thức sổ ích lr0ng quá trình lôi học lập và thực hiện đề lài. cảm ơn sạn sè đồng nghiệp đã động viên, giúp đỡ ch0 em tr0ng suốt quá trình học lập và nghiên cứu.

cuối còng em xin chân thành cảm ơn các thành viên lr0ng gia đình, những ngojời luôn dành ch0 lôi những tình cảm nồng ấm và chia sẻ những lúc khó khăn tr0ng cuộc sống, luôn động viên giúp đỡ lôi lr0ng quá trình học lập và nghiên cứu. DO kiến thức còn hạn hẹp nên không tránh khỏi những Thiếu sót tr0ng cách hiểu, lỗi trình sày. Em rất m0ng nhận đojợc sự đóng góp ý kiến của quý thầy cô và ban lãnh đa0 Em xin tran trong cam on! 1X DAIth SAch cAc chU’ VIET TAT PcDL Phân cụm Dữ Liệu KPDL Khai Phá Dữ Liệu cSDL cơ Sở Dữ Liệu LOI cAM DOATI Em xin cam dOan đây là luận văn d0 em nghiên cứu và thực hiện. các thông số, hình ảnh và kết quả sử dụng lr0ng luận văn là h0àn l0àn có thật và chơia từng đojợc công số ở sất kỳ luận văn nà0 khác.

Thai ITguyén, ngày 16 tháng 5 năm 2017 Tác giả luận văn: Đỗ Thị Kim Dung XI MO DAU Sự phát trién mhamh chong cia cdc hé théng théng tin who hién may, thi hệ mo doc 4p dung thanh céng t0ng mhiéu linh vuc who diéu khién ty động, phân lớp dữ liệu, phân tich viéc ra quyết định, các hệ chuyên gia. hệ luật mờ xây dựng lừ tri thức nói chung hay hệ suy luận mờ nói riêng đøJợc xây dựng the0 suy diễn của c0n ngojời, là một phần quan trọng lr0ng ứng dụng l0gic mờ cũng nhơi tr0ng lý thuyết lập mờ va0 thuc lế. Tr0ng nhiều ứng dụng ch0 thiết kế các hệ thống thông minh cing mhoy lr0ng xây dựng các hệ lrợ giúp quyết định, hệ mờ đojợc xây dựng †he0 phân lớp dữ liệu, phân cụm dữ liệu, xây dựng cây quyết định. hệ mờ đơjợc thực hiện lừ các luậi mờ, các luậi mờ dojgc xay dựng lừ các tri thức của các chuyên gia lr0ng mội lĩnh vực cụ thê.

Phân cụm dữ liệu đang là một vấn đề quan lâm nghiên cứu của các fac gia lr0ng và ngÖài notớc và có nhiều thuật l0án phân cụm đơtợc đề xuất. Tr0ng đó, không í† thuật 10án phân cụm kết hợp với việc sử dụng giải thuật di truyền tr0ng quá trình thực hiện. Tuy nhiên các thuật 104m dojoc doja ra mới chỉ xét đến khía cạnh phân chia dữ liệu thành các cụm với độ chính xác ca0 ma choja dé tm dén su lối ơiu các luật sử dụng. Tr0ng các yêu cầu đặt ra ch0 quá trình phân cụm lhì yêu cầu về độ chính xác luôn đojợc đặ! lên hàng đầu, ngÖài ra với sự kết hợp các thuật l0án phân cụm và giải thuật di truyền còn thỏa mãn đoợc lính chất lối qu cua các luật đơjợc sử dụng.

Vì vậy một cách liếp cận khác mà luận văn nêu ra đó là xây dựng hệ luật mờ ch0 hệ mờ từ dữ liệu là một thực lé. Phân cụm dữ liệu là quá lrình phân chia mội lập dữ liệu ban đầu thành các cụm dữ liệu sa0 ch0 các phần tu trOng mot cum "Ioqjong tu" (similar) voi nhau và các phần Hr trOng cdc cum khac mhau sé "phi tojong hr" (dissimilar) voi mhau. Phan 1 cụm dữ liệu là một phoJơng pháp học không giám sat [7][8][9]. hiện nay, các pho|ơng pháp phân cụm đã và đang đojợc phát triển [6] và áp dụng nhiều tr0ng các lĩnh vực khác nhau, sa0 gồm: nhận dạng, phân ích dữ liệu, nghiên cứu thị trojờng, xử lý ảnh, [1].

các thuật l0án phân cụm cũng rất đa dạng nhơi K-means, Pam, c-means, c-means mờ, thuật l0án phân cụm lrừ,. Để lãng tính ổn định và chính xác của kết quả phân cụm, ngày càng có các tiếp cận mới. Mội tr0ng những cách liếp cận đang đojợc nghiên cứu đó là ứng dụng lý thuyết mờ và0 pail0an phân cụm dữ liệu. ĐgJợc sự gợi ý của giá0 viên hojớng dẫn và dựa lrên những lìm hiểu của lôi trên đây, lôi quyết định chọn đề hài: “Tạ0 lập hệ luậi mờ sử dụng phân cụm lrừ mờ đữ liệu” Phơjơng pháp giúp ch0 chúng †a có cái nhìn nhiều chiều hơn đa dạng hơn, nhiều góc cạnh hơn về vấn đề cần giải quyết.

Giúp ch0 các hệ tri thức h0ạ† động đảm sả0 hơn có ý nghĩa kh0Óa học và thực liễn hơn. chŒ|ƠNG 1: cO SO LY THUYET VE TAP MỜ 1.1 Trình bay tip Mo.1 Định nghĩa lập mờ Tập mờ A xác định trên lập vũ lrụ X là mot tap ma mỗi phần lử của nó là mot cap cac gid tri (x, a(x)). lr0ng đó x € X và uuu là ánh xạ: Ma: X > [0,1] Ánh xạ “a doygc goi là hàm lhuộc h0ặc hàm liên thuộc (hOặc hàm thành viên - memsership funcH0n) của lập mờ A. Tập X đơjợc gọi là cơ sở của lập mờ A.

/a(x) là độ phụ thuộc, sử dụng hàm thuộc để tính độ phụ thuộc của một phần lử x nàO đó, có hai cách: - _ Tính trực liếp nếu øa(x) ở dạng công thức loiờng minh.