phần mở đầu, 4 chương nội dung, phần kết luận và danh mục các tài liệu tham khảo với các nội dung chính sau: • Mở đầu: Trình bày bối cảnh nghiên cứu; tổng quan và các hạn chế về hệ suy diễn mờ; các vấn đề nghiên cứu; mục tiêu nghiên cứu; hướng tiếp cận và phương pháp nghiên cứu; nội dung nghiên cứu; phạm vi và giới hạn của nghiên cứu; các đóng góp chính và bố cục của luận án. • Chương 1: Trình bày kiến thức cơ sở cho đề tài nghiên cứu bao gồm: Khái niệm về tập mờ, tập mờ phức, hệ suy diễn mờ, các bài toán phân cụm trên tập mờ và ứng dụng cho bài toán dự báo chuỗi ảnh vệ tinh. • Chương 2: Trình bày đề xuất xây dựng hệ suy diễn mờ phức không - thời gian ứng dụng vào dự báo chuỗi ảnh vệ tinh (Spatial CFIS), các kết quả thực nghiệm và phân tích đánh giá mô hình đề xuất. 9 • Chương 3: Trình bày đề xuất phương pháp xác định đồng thời các tham số trong hệ suy diễn mờ phức không - thời gian, các kết quả thực hiện và phân tích đánh giá phương pháp đề xuất.
• Chương 4: Trình bày đề xuất phương pháp tối ưu luật trong hệ suy diễn mờ phức không - thời gian, các kết quả thực hiện và phân tích đánh giá phương pháp đề xuất. • Kết luận và hướng phát triển: Đưa ra các kết quả thu được, hạn chế của đề tài và các hướng nghiên cứu tương lai. 10 Chương 1 TỔNG QUAN NGHIÊN CỨU VÀ CƠ SỞ LÝ THUYẾT 1.1 Giới thiệu Xuất phát từ mục tiêu nghiên cứu của luận án là "Nghiên cứu đề xuất xây dựng hệ suy diễn mờ phức không - thời gian ứng dụng trong dự đoán ngắn hạn chuỗi ảnh vệ tinh", trong chương 1 này luận án sẽ tập trung tổng hợp, phân tích những nghiên cứu liên quan đến bài toán hệ suy diễn mờ phức, dự đoán biến đổi ảnh viễn thám, các phương pháp huấn luyện tham số và tối ưu các hệ luật và các cơ sở lý thuyết liên quan đến tập mờ, tập mờ phức, hệ suy diễn mờ, hệ suy diễn mờ phức và các độ đo mờ phức. Ngoài ra, trong nội dung chương cũng giới thiệu khái quát về các bộ dữ liệu thực nghiệm, công cụ và môi trường thử nghiệm, cũng như độ đo và phương pháp phân tích được sử dụng trong luận án.2 Tổng quan các nghiên cứu liên quan Một số hướng nghiên cứu liên quan đến bài toán dự đoán biển đổi của chuỗi ảnh viễn thám tập trung theo ba hướng chính như hình 1.1 dưới đây: 11 Hình 1.1: Một số nghiên cứu liên quan đến phương pháp dự đoán biến đổi trong ảnh viễn thám 1.1 Dự đoán biến đổi ảnh viễn thám dựa trên suy diễn mờ Một trong những hướng nghiên cứu rất phổ biến ở lớp bài toán này có thể kể đến việc sử dụng các hệ suy diễn như Mamdani.
Hệ suy diễn này là một trong những hệ suy diễn cổ điển nhất, với hệ cơ sở luật dễ hiểu, chấp nhận nhiều loại đầu vào khác nhau, và đã chứng minh hiệu quả qua nhiều ứng dụng cũng như nghiên cứu khác nhau. Hàng loạt các nghiên cứu khác nhau [27–33] với kết quả rất tốt ở nhiều lĩnh vực khác nhau như đánh giá rủi ro của môi trường sống động vật, phát hiện sớm các bệnh như ung thư vú, mức độ nghiêm trọng của bệnh Thalassemia, đánh giá hiệu suất nhân lực, xử lý ảnh, dự đoán lỗi phần mềm, v.v Ngoài những ưu điểm nổi bật như kể trên, hệ suy diễn Mamdani cũng có những hạn chế như chưa có cơ chế học, cập nhật các tham số. Một hướng nghiên cứu khác thường được sử dụng để giải quyết vấn đề này đó là sử dụng hệ suy diễn mờ nơ ron thích nghi (ANFIS). Hệ ANFIS là sự kết hợp giữa ANN và hệ suy diễn mờ thông thường bằng cơ chế học của ANN thông qua các luật IF-THEN với các hàm mờ hoá xác định, điều này giúp khắc phục được hạn chế của cả hai nhóm phương pháp, không chỉ vậy ANFIS còn có khả năng học được những dữ liệu gây nhiễu từ tập hợp các luật IF-THEN này.
Một ưu điểm khác có thể kể đến đó là khả năng tự học và ghi nhớ của mạng nơ ron, điều này có ý nghĩa vô cùng quan trọng đặc biệt khi giúp mô hình huấn luyện trở nên ổn định hơn. Đối với hướng này đã có rất nhiều đề xuất với nhiều 12 ứng dụng khác nhau [34–38] như hệ thống đánh giá giám sát hiệu suất cho thiết bị trao đổi nhiệt dạng ống, đánh giá mức độ lưu lượng giao thông, lập bản đồ, khử nhiễu ảnh, giấu thông tin trong ảnh v.v Sau này, nhằm tận dụng các ưu điểm của hệ suy diễn mờ, cũng như khắc phục một số hạn chế của các phương pháp trước đó, hệ suy diễn mờ phức đã được ra đời. Đối với các hệ suy diễn mờ thông thường trong lớp bài toán dự đoán biến đổi ảnh viễn thám, các hệ mờ thường thường biểu diễn không đầy đủ các ý nghĩa của đầu vào như ma trận biến đổi cho các bài toán dự đoán biến đổi, việc sử dụng dữ liệu hệ suy diễn kết hợp với giá trị phần phức bổ sung thêm cho mô hình mờ các thông tin giúp xác định rõ hơn các đặc trưng của ảnh, yếu tố phức này đã chứng minh được hiệu quả trong rất nhiều nghiên cứu khác nhau [39–43].2 Dự đoán biến đổi ảnh viễn thám dựa trên các phương pháp học máy Một trong số những nghiên cứu nổi bật trong lĩnh vực này có thể kể đến nghiên cứu của Xinyu Chen và nhóm cộng sự trong nghiên cứu [44]. Ở nghiên cứu này đã xây dựng một bộ tenxơ bậc thấp tự động hồi quy hoàn chỉnh, phục vụ cho quá trình dự đoán các xu hướng trong tương lai.
Đóng góp chính của nghiên cứu này đến từ việc đề xuất biến đổi dữ liệu chuỗi thời gian đa chiều thành dữ liệu tenxơ bậc ba bằng cách giới thiệu một chiều dữ liệu tạm thời. Mô hình đã chứng minh được tính hiệu quả rõ ràng thông qua các bộ dữ liệu thực tế có độ tin cậy cao. Một hướng khác, trong nhóm lĩnh vực này có thể kể đến phương pháp sử dụng đường trung bình động, nhiều biến thể khác nhau của phương pháp này đã được đề xuất, một trong số đó có thể kể đến nghiên cứu của Seng [45] trong bài toán dự đoán giá chứng khoán. Trong nghiên cứu này tác giả sử dụng kết hợp tính toán hệ số trọng số của WMA(đường trung bình động có trọng số) và EMA(đường trung bình động hàm mũ) làm hệ số trọng số mới của mô hình.
Các kết quả thử nghiệm và ứng dụng bước đầu cho thấy những kết quả rất hứa hẹn. Bên cạnh các phương pháp kể trên, không thể không đề cập đến nhóm phương pháp ARIMA, trong nghiên cứu của Paulo [46] và nhóm cộng sự trong bài toán dự đoán các chỉ số thụ trường chứng khoán, trong nghiên cứu này nhóm tác giả sử dụng mô hình toán học theo phương pháp Box-Jenkins 13 và đánh giá các kết quả so sánh dựa trên độ đo MAPE(tỷ lệ phần trăm sai số trung bình tuyệt đối) bước đầu cho thấy những kết quả tốt. Bên cạnh đó một phương pháp cũng nhận được nhiều sự quan tâm khác có thể kể đến sử dụng dựa trên cơ sở máy véctơ hỗ trợ hồi quy như của nhóm tác giả trong [47] sử dụng ma trận mức xám đồng thời (GLCM), hình thái học và đặc trưng, và việc lựa chọn các đối tượng với rừng ngẫu nhiên để xác định vectơ đặc trưng tối ưu để dự đoán thay đổi. Sự kết hợp của các bộ phân loại SVM, KNN và ExT được thực hiện để phân loại trong đó các hình ảnh được gắn nhãn bằng cách sử dụng phương pháp học tập với thông tin không gian.
Các phương pháp dự đoán sử dụng học máy nói chung đều có khả năng dự đoán biến đổi ảnh tốt, tuy nhiên các phương pháp này thường gặp khó khăn trong trường hợp dữ liệu đầu vào đa dạng, lớn.3 Dự đoán biến đổi ảnh viễn thám dựa trên các phương pháp học sâu Với sự bùng nổ của dữ liệu, các phương pháp sử dụng mạng nơ ron cũng thường xuyên được các nhà nghiên cứu quan tâm đến. Có rất nhiều hướng tiếp cận khác nhau trong nhóm phương pháp này có thể kể đến như mạng nơ ron tích chập [2, 48, 49] với ứng dụng rất đa dạng trong các bài toán dự đoán thay đổi trong ảnh viễn thám. Ưu điểm của nhóm phương pháp này đó là khả năng tận dụng tối đa dữ liệu, hiệu quả cao, tự động xác định các đặc trưng quan trọng của đầu vào. Trong thực tế điều này có ý nghĩa rất quan trọng, ví dụ như để xác định đâu là chó, đâu là mèo, CNN có khả năng tự xác định các đặc trưng của ảnh thể hiện đâu là chó/mèo chỉ cần thông qua đầu vào là ảnh, trong khi đó ANN yêu cầu dữ liệu đầu vào cần gán nhãn các vị trí tương ứng với các nội dung cần quan tâm của ảnh.
Một hướng nghiên cứu khác được xây dựng dựa trên cơ sở mạng tích chập có thể đề cập đến là nghiên cứu Zhuo và cộng sự [50] sử dụng ConvLSTM làm công cụ dự đoán thay đổi trong vấn đề dự đoán thay đổi hình ảnh với hình ảnh có độ phân giải cao. Một hướng tiếp cận khác đối với lớp phương pháp sử dụng mạng nơ ron đó là sử dụng mạng nơ ron hồi quy, rất nhiều nghiên cứu khác nhau đã chỉ ra ứng dụng của RNN trong các bài toán dự đoán biến đổi [51–53]. Khác với CNN, 14 khi dữ liệu đầu vào của CNN thường là dữ liệu dạng không gian, RNN với mô hình hồi quy có khả năng “nhớ” các thông tin, cho thấy những kết quả tích cực hơn đối với các dữ liệu dạng thời gian, ngoài ra RNN được xây dựng dựa trên cơ sở khắc phục hạn chế lớn nhất của mô hình LSTM là biến mất đạo hàm, giúp cho hiệu quả của mô hình càng được khẳng định hơn. Trong trường hợp dữ liệu đầu vào phức tạp, một hướng nghiên cứu khác cũng nhận được nhiều sự quan tâm đó là việc sử dụng mạng nơ ron sâu.
Các mạng này thường khá phức tạp, yêu cầu thời gian xử lý lớn, hạ tầng xử lý phù hợp, v.v Tuy nhiên phương pháp này lại rất phù hợp đối với các bài toán dự đoán biến đổi do tận dụng được dữ liệu đầu vào lớn, không tốn thời gian gán nhãn dữ liệu, phù hợp với những dạng dữ liệu đa dạng, và hiệu quả của các nghiên cứu sử dụng phương pháp này cũng vô cùng hiệu quả.