Nghiên Cứu Mô Hình Dự Báo Chuỗi Thời Gian Mờ Dựa Trên Đại Số Gia Tử

Khám phá phương pháp dự báo chuỗi thời gian mờ dựa trên đại số gia tử với khoảng giải nghĩa tối ưu, nâng cao độ chính xác và hiệu quả.

• Tác giả: Bùi Đăng Khoa
• Người hướng dẫn: TS. Vũ Như Lân
• Trường học: Đại Học Công Nghệ Tin Và Truyền Thông Thái Nguyên
• Đề tài: Nghiên Cứu Mô Hình Dự Báo Chuỗi Thời Gian Mờ Dựa Trên Đại Số Gia Tử
• Loại tài liệu: luận văn

Mục lục chi tiết

• LỜI CẢM ƠN
• LỜI CAM ĐOAN
• 1. PHẦN 1: MỞ ĐẦU
• 2. PHẦN 2: NỘI DUNG
• 2. CHƯƠNG 1: LOGIC MỜ VÀ ĐẠI SỐ GIA TỬ
• 1.1. Tập mờ và các phép tính trên tập mờ
• 1.1.1. Định nghĩa tập mờ
• 1.1.2. Các phép toán trên tập mờ
• 1.2. Suy luận xấp xỉ và suy diễn mờ
• 1.3. Đại số gia tử
• 1.3.1. Định nghĩa đại số gia tử
• 1.3.2. Các định lý
• 3. CHƯƠNG 2: CÁC MÔ HÌNH DỰ BÁO CHUỖI THỜI GIAN MỜ
• 2.1. Mô hình dự báo chuỗi thời gian mờ của Song và Chissom
• 2.2. Mô hình dự báo chuỗi thời gian mờ của Chen
• 4. CHƯƠNG 3: MÔ HÌNH DỰ BÁO TỐI ƯU
• 3.1. Phép ngữ nghĩa hóa, phép giải nghĩa và khoảng giải nghĩa trong mô hình dự báo dựa trên ĐSGT
• 3.2. Mô hình dự báo chuỗi thời gian mờ dựa trên ĐSGT
• 3.3. Mô hình dự báo chuỗi thời gian mờ với khoảng giải nghĩa tối ưu
• 3.4. So sánh các mô hình dự báo
• 5. PHẦN 3: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Về Nghiên Cứu Mô Hình Dự Báo Chuỗi Thời Gian Mờ

Nghiên cứu mô hình dự báo chuỗi thời gian mờ dựa trên đại số gia tử đang trở thành một lĩnh vực quan trọng trong khoa học dữ liệu. Mô hình này không chỉ giúp cải thiện độ chính xác của dự báo mà còn mở ra nhiều ứng dụng thực tiễn trong các lĩnh vực như kinh tế, tài chính và quản lý. Việc áp dụng đại số gia tử vào mô hình dự báo chuỗi thời gian mờ giúp giải quyết các vấn đề phức tạp và không chắc chắn trong dữ liệu.

1.1. Ứng Dụng Của Mô Hình Dự Báo Chuỗi Thời Gian Mờ

Mô hình dự báo chuỗi thời gian mờ được ứng dụng rộng rãi trong nhiều lĩnh vực như tài chính, y tế và sản xuất. Các nghiên cứu đã chỉ ra rằng mô hình này có thể cải thiện đáng kể độ chính xác của dự báo so với các phương pháp truyền thống.

1.2. Lợi Ích Của Đại Số Gia Tử Trong Dự Báo

Đại số gia tử cung cấp một khung lý thuyết mạnh mẽ cho việc xử lý thông tin không chắc chắn. Việc áp dụng đại số gia tử vào mô hình dự báo chuỗi thời gian mờ giúp tối ưu hóa quá trình dự báo và giảm thiểu sai số.

II. Vấn Đề Và Thách Thức Trong Mô Hình Dự Báo Chuỗi Thời Gian Mờ

Mặc dù mô hình dự báo chuỗi thời gian mờ có nhiều ưu điểm, nhưng vẫn tồn tại một số thách thức cần được giải quyết. Độ chính xác của dự báo phụ thuộc vào chất lượng dữ liệu đầu vào và các tham số của mô hình. Ngoài ra, việc lựa chọn phương pháp mờ hóa và xác định các quan hệ mờ cũng là những vấn đề quan trọng.

2.1. Chất Lượng Dữ Liệu Đầu Vào

Chất lượng dữ liệu đầu vào ảnh hưởng trực tiếp đến độ chính xác của mô hình dự báo. Dữ liệu không đầy đủ hoặc không chính xác có thể dẫn đến kết quả dự báo sai lệch.

2.2. Lựa Chọn Phương Pháp Mờ Hóa

Việc lựa chọn phương pháp mờ hóa phù hợp là rất quan trọng. Các phương pháp khác nhau có thể cho ra các kết quả khác nhau, do đó cần phải xem xét kỹ lưỡng.

III. Phương Pháp Dự Báo Chuỗi Thời Gian Mờ Dựa Trên Đại Số Gia Tử

Phương pháp dự báo chuỗi thời gian mờ dựa trên đại số gia tử bao gồm nhiều bước quan trọng. Các bước này bao gồm xác định tập nền, mờ hóa chuỗi dữ liệu và xác định các quan hệ mờ. Mỗi bước đều có vai trò quan trọng trong việc đảm bảo độ chính xác của mô hình.

3.1. Xác Định Tập Nền

Xác định tập nền là bước đầu tiên trong quá trình dự báo. Tập nền cần phải được lựa chọn cẩn thận để đảm bảo tính đại diện cho dữ liệu thực tế.

3.2. Mờ Hóa Chuỗi Dữ Liệu

Mờ hóa chuỗi dữ liệu giúp chuyển đổi các giá trị cụ thể thành các giá trị mờ, từ đó tạo điều kiện cho việc áp dụng các phương pháp mờ trong dự báo.

IV. Kết Quả Nghiên Cứu Và Ứng Dụng Thực Tiễn

Kết quả nghiên cứu cho thấy mô hình dự báo chuỗi thời gian mờ dựa trên đại số gia tử có thể cải thiện đáng kể độ chính xác của dự báo. Các ứng dụng thực tiễn đã được triển khai trong nhiều lĩnh vực, từ tài chính đến sản xuất, cho thấy tính khả thi và hiệu quả của mô hình.

4.1. Ứng Dụng Trong Tài Chính

Mô hình dự báo chuỗi thời gian mờ đã được áp dụng thành công trong lĩnh vực tài chính, giúp các nhà đầu tư đưa ra quyết định chính xác hơn.

4.2. Ứng Dụng Trong Sản Xuất

Trong lĩnh vực sản xuất, mô hình này giúp tối ưu hóa quy trình sản xuất và giảm thiểu lãng phí, từ đó nâng cao hiệu quả kinh tế.

V. Kết Luận Và Hướng Phát Triển Tương Lai

Mô hình dự báo chuỗi thời gian mờ dựa trên đại số gia tử đã chứng minh được tính hiệu quả và khả năng ứng dụng trong thực tiễn. Hướng phát triển tương lai có thể tập trung vào việc cải tiến các phương pháp mờ hóa và mở rộng ứng dụng của mô hình trong các lĩnh vực mới.

5.1. Cải Tiến Phương Pháp Mờ Hóa

Cải tiến các phương pháp mờ hóa sẽ giúp nâng cao độ chính xác của mô hình dự báo, từ đó mở rộng khả năng ứng dụng.

5.2. Mở Rộng Ứng Dụng Trong Các Lĩnh Vực Mới

Mô hình có thể được áp dụng trong nhiều lĩnh vực mới như y tế, môi trường, và quản lý rủi ro, mở ra nhiều cơ hội nghiên cứu và phát triển.

Nội dung chính

Tổng quan nghiên cứu

Dự báo chuỗi thời gian đóng vai trò then chốt trong công tác hoạch định chiến lược và quản lý vận hành, nơi sai số dự báo có thể làm gia tăng chi phí rủi ro từ 15% đến 20% tại các tổ chức giáo dục và kinh tế. Vấn đề nghiên cứu trọng tâm của luận văn xuất phát từ hạn chế của các mô hình chuỗi thời gian mờ truyền thống do Song và Chissom khởi xướng năm 1993 cùng các cải tiến của Chen năm 1996. Các mô hình này thường đòi hỏi khối lượng tính toán ma trận lớn hoặc phụ thuộc nhiều vào việc xác định hàm liên thuộc mang tính chủ quan của chuyên gia.

Mục tiêu cụ thể của luận văn là nghiên cứu, đề xuất và triển khai mô hình dự báo chuỗi thời gian mờ tiếp cận theo Đại số gia tử kết hợp với khoảng giải nghĩa tối ưu. Đề tài tập trung giải quyết triệt để tính chủ quan trong quá trình mờ hóa và giải mờ, đồng thời thiết lập quy trình tính toán tự động hóa hoàn toàn.

Phạm vi nghiên cứu sử dụng tập dữ liệu thực nghiệm chuẩn gồm 22 mốc thời gian từ năm 1971 đến năm 1992 về số lượng sinh viên tuyển sinh tại Trường Đại học Alabama với quy mô biến thiên từ 13.055 đến 19.337 sinh viên. Ý nghĩa thực tiễn của công trình thể hiện qua việc giảm sai số dự báo trung bình xuống mức dưới 1.5%, cung cấp thuật toán tối ưu hóa trên môi trường phần mềm MATLAB nhằm nâng cao năng lực ra quyết định quản trị cho các hệ thống giáo dục và tổ chức kinh tế.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn xây dựng trên hai nền tảng lý thuyết cốt lõi gồm Lý thuyết Logic mờ (Fuzzy Logic) và Lý thuyết Đại số gia tử (Hedge Algebras). Lý thuyết logic mờ cung cấp các khái niệm về tập mờ, hàm liên thuộc dạng tam giác, hình thang, Gauss cùng các phép toán T-chuẩn, T-đối chuẩn và luật suy diễn xấp xỉ dạng If-Then.

Đại số gia tử được phát triển từ những năm 1990 và 1992, mô hình hóa miền ngôn ngữ của các biến định tính thành một cấu trúc đại số tường minh. Thay vì gán các hàm thuộc rời rạc, Đại số gia tử sử dụng tập phần tử sinh, tập các toán tử gia tử mang tính tăng cường hoặc suy giảm ngữ nghĩa, độ đo tính mờ và hàm dấu để xác định ánh xạ ngữ nghĩa định lượng trong đoạn từ 0 đến 1.

Năm khái niệm then chốt xuyên suốt mô hình gồm:

• Ngữ nghĩa hóa (Semantization): Chuyển đổi dữ liệu định lượng sang miền ngữ nghĩa định lượng.
• Giải nghĩa (Desemantization): Ánh xạ ngược từ miền ngữ nghĩa về giá trị thực tế của bài toán.
• Khoảng giải nghĩa: Miền xác định thực tế giúp điều chỉnh độ co giãn của giá trị dự báo.
• Nhóm quan hệ ngữ nghĩa: Tập hợp các quy tắc chuyển dịch trạng thái theo thời gian.
• Hàm dấu ngữ nghĩa: Công cụ đại số xác định hướng biến thiên ngữ nghĩa của các gia tử.

Phương pháp nghiên cứu

Nghiên cứu sử dụng nguồn dữ liệu thứ cấp gồm 22 mẫu chuỗi thời gian hàng năm liên tục giai đoạn 1971–1992 của Trường Đại học Alabama. Phương pháp chọn mẫu là chọn mẫu toàn bộ theo chuỗi chuẩn mực quốc tế, tạo cơ sở đối sánh công bằng với các công trình kinh điển của Song, Chissom và Chen.

Phương pháp phân tích kết hợp giữa mô hình hóa toán học lý thuyết và kiểm nghiệm thực nghiệm thông qua lập trình tính toán trên phần mềm MATLAB. Lý do lựa chọn tiếp cận Đại số gia tử là khả năng tự động bảo toàn trật tự ngữ nghĩa tự nhiên, loại bỏ các bước tính toán ma trận hợp thành max-min phức tạp, đồng thời cho phép mở rộng các phép giải nghĩa phi tuyến với các tham số điều chỉnh linh hoạt trong khoảng từ âm 1 đến dương 1 để tối ưu hóa độ chính xác dự báo.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Thứ nhất, nghiên cứu đã chuẩn hóa tập nền dữ liệu tuyển sinh từ 13.000 đến 20.000 sinh viên, phân chia thành 7 khoảng biến thiên đều nhau từ 1.000 đơn vị mỗi khoảng và gán tương ứng 7 nhãn ngữ nghĩa từ rất nhỏ đến rất lớn. Sử dụng hai gia tử kết hợp hai phần tử sinh với tham số độ đo mờ 0.5, mô hình đã xây dựng thành công 6 nhóm quan hệ ngữ nghĩa nhất quán, mô tả chính xác quy luật chuyển dịch số liệu lịch sử.

Thứ hai, kết quả dự báo thử nghiệm giai đoạn 1972–1992 cho thấy mô hình bám sát dữ liệu thực tế. Điển hình năm 1972, giá trị dự báo đạt 14.000 sinh viên so với thực tế 13.563 sinh viên; năm 1980 đạt 16.833 sinh viên so với thực tế 16.919 sinh viên, đạt tỷ lệ chính xác trên 99.4%.

Thứ ba, việc áp dụng khoảng giải nghĩa tối ưu và các phép toán giải nghĩa phi tuyến đã cải thiện độ chính xác tổng thể từ 12% đến 18% so với phương pháp của Song và Chissom, đồng thời giảm thời gian xử lý dữ liệu hơn 35% so với phương pháp lập nhóm của Chen.

Thảo luận kết quả

Độ chính xác vượt trội của mô hình bắt nguồn từ việc Đại số gia tử thiết lập được mối liên hệ bản chất và có thứ tự giữa các nhãn ngôn ngữ thông qua các tham số toán học đại số, khắc phục sự rời rạc của các tập mờ truyền thống. Khi kết hợp với phép giải nghĩa phi tuyến, các điểm dự báo tại các bước chuyển tiếp trạng thái được nắn chỉnh linh hoạt, triệt tiêu hiện tượng trễ pha thường gặp trong chuỗi thời gian.

Các kết quả thực nghiệm được biểu diễn trực quan qua biểu đồ đường kép, trong đó đường nét liền thể hiện chuỗi tuyển sinh thực tế và đường nét đứt thể hiện kết quả dự báo. Sự trùng khớp gần như hoàn toàn của hai đường đồ thị trên hệ trục tọa độ 22 năm khẳng định tính đúng đắn của giải thuật. Bảng so sánh sai số định lượng cũng chứng minh mô hình tối ưu theo Đại số gia tử kiểm soát phương sai sai số ở mức rất thấp, mở ra hướng ứng dụng tin cậy cho các bài toán kinh tế - xã hội phức tạp.

Đề xuất và khuyến nghị

1. Chuẩn hóa quy trình dự báo định kỳ tại các trường đại học bằng cách tích hợp thuật toán Đại số gia tử vào hệ thống quản lý tuyển sinh, hướng tới mục tiêu giảm sai số dự báo chỉ tiêu tuyển sinh xuống dưới mức 1.2% trong vòng 6 tháng tới, do Phòng Đào tạo và Trung tâm Công nghệ Thông tin phối hợp thực hiện.

2. Mở rộng ứng dụng mô hình sang các bài toán dự báo đa biến như dự báo nhu cầu thị trường lao động, chỉ số giá cả và doanh thu với tập dữ liệu trên 50 biến số kinh tế, triển khai trong khung thời gian 12 tháng, do các Viện nghiên cứu kinh tế và Ban Kế hoạch chiến lược phụ trách.

3. Nâng cấp bộ công cụ thuật toán tối ưu hóa tham số giải nghĩa phi tuyến trên môi trường lập trình mã nguồn mở như Python và R nhằm tăng tốc độ tính toán dữ liệu lớn lên 40%, hoàn thiện trong lộ trình 9 tháng, do nhóm nghiên cứu thuật toán và kỹ sư phần mềm đảm nhiệm.

4. Tổ chức các chương trình tập huấn và chuyển giao công nghệ phân tích định lượng dựa trên Đại số gia tử cho 100% cán bộ phân tích dữ liệu và chuyên viên thống kê, thực hiện trong quý 1 và quý 2 năm tới, do Hội đồng Khoa học cơ sở chủ trì.

Đối tượng nên tham khảo luận văn

• Các nhà nghiên cứu và giảng viên chuyên ngành Trí tuệ nhân tạo, Hệ thống thông tin: Tài liệu tham khảo giá trị để phát triển các cấu trúc Đại số gia tử mở rộng và tối ưu hóa hệ suy luận mờ trong tính toán mềm.

• Ban giám hiệu và nhà quản lý tại các cơ sở giáo dục đại học: Cung cấp giải pháp định lượng khoa học để xây dựng kế hoạch chỉ tiêu tuyển sinh, phân bổ ngân sách và nguồn lực cơ sở vật chất cho quy mô trên 10.000 người học mỗi năm.

• Chuyên viên phân tích dữ liệu và chuyên gia kinh tế tại các doanh nghiệp: Vận dụng mô hình chuỗi thời gian mờ tối ưu để dự báo biến động thị trường, doanh số bán hàng và rủi ro tài chính theo chu kỳ quý hoặc năm với độ tin cậy trên 98%.

• Học viên cao học và sinh viên các ngành Công nghệ thông tin, Toán ứng dụng: Nguồn tham khảo chuẩn mực về phương pháp nghiên cứu, cách thức mô hình hóa toán học từ dữ liệu thực nghiệm 22 năm và kỹ năng lập trình giải thuật trên MATLAB.

Câu hỏi thường gặp

Điểm khác biệt cốt lõi giữa tiếp cận Đại số gia tử và Logic mờ truyền thống trong bài toán dự báo là gì?
Logic mờ truyền thống gán các tập mờ và hàm liên thuộc rời rạc, độc lập và phụ thuộc vào cảm tính của chuyên gia. Đại số gia tử xem tập giá trị ngôn ngữ là một cấu trúc đại số có quan hệ thứ tự tự nhiên chặt chẽ, sử dụng các phép toán ngữ nghĩa định lượng giúp quá trình tính toán hoàn toàn khách quan và chính xác.

Tại sao luận văn lại sử dụng bộ dữ liệu tuyển sinh của Đại học Alabama giai đoạn 1971–1992?
Chuỗi số liệu 22 năm của Đại học Alabama là bộ dữ liệu chuẩn mực được các nhà khoa học hàng đầu như Song, Chissom và Chen sử dụng trong các công trình nền tảng. Việc sử dụng cùng một nguồn dữ liệu giúp kết quả đối sánh hiệu năng giữa các mô hình đạt tính khách quan và khoa học cao nhất.

Khoảng giải nghĩa tối ưu đóng vai trò gì trong việc nâng cao độ chính xác dự báo?
Khoảng giải nghĩa xác định không gian tham chiếu thực tế cho dữ liệu đầu ra. Khi kết hợp các tham số giải nghĩa phi tuyến từ âm 1 đến dương 1, mô hình có khả năng co giãn linh hoạt các khoảng giá trị, loại bỏ sai số biên và nắn chỉnh kết quả dự báo tiệm cận tối đa với dữ liệu thực tế.

Mô hình có thể áp dụng cho các dữ liệu biến động mạnh như chứng khoán hay thời tiết không?
Mô hình hoàn toàn có khả năng thích ứng cao với các chuỗi thời gian có độ biến động lớn. Cấu trúc Đại số gia tử xử lý rất tốt tính bất định của dữ liệu thông qua các gia tử tăng cường hoặc suy giảm, giúp phản ánh kịp thời các xu hướng đảo chiều đột ngột của thị trường.

Cần chuẩn bị công cụ và kiến thức nền tảng nào để triển khai mô hình này trong thực tế?
Người thực hiện cần nắm vững kiến thức toán rời rạc, lý thuyết tập mờ và cấu trúc đại số. Về công cụ phần mềm, chỉ cần môi trường tính toán cơ bản như MATLAB, Python hoặc R để cài đặt các công thức ngữ nghĩa hóa, thiết lập nhóm quan hệ và thực thi giải thuật giải nghĩa tự động.

Kết luận

• Luận văn đã hệ thống hóa toàn diện cơ sở lý thuyết về Logic mờ và Đại số gia tử, làm rõ ưu thế vượt trội của tiếp cận đại số trong xử lý ngôn ngữ tự nhiên.
• Đề xuất thành công mô hình dự báo chuỗi thời gian mờ mới dựa trên 3 giai đoạn: ngữ nghĩa hóa, nhóm quan hệ ngữ nghĩa và giải nghĩa tối ưu.
• Kiểm chứng thực nghiệm thành công trên chuỗi dữ liệu 22 năm của Đại học Alabama, đạt mức cải thiện độ chính xác dự báo từ 12% đến 18%.
• Tối ưu hóa thuật toán tính toán trên MATLAB, loại bỏ hoàn toàn các phép toán ma trận max-min phức tạp, giúp tiết kiệm hơn 35% tài nguyên tính toán.
• Đóng góp hướng nghiên cứu mới đầy tiềm năng cho việc ứng dụng Đại số gia tử vào các bài toán phân tích chuỗi thời gian kinh tế - xã hội.

Trong lộ trình 12 tháng tiếp theo, nghiên cứu cần mở rộng thử nghiệm trên các chuỗi dữ liệu đa biến quy mô lớn và phát triển thành các gói thư viện mã nguồn mở. Hãy tải toàn văn luận văn để tiếp cận chi tiết thuật toán và ứng dụng giải pháp đột phá này vào các dự án phân tích dữ liệu thực tế của bạn ngay hôm nay.

Trích đoạn nội dung tài liệu

CHƯƠNG 1: LOGIC MỜ VÀ ĐẠI SỐ GIA TỬ 1.1 Tập mờ và các phép tính trên tập mờ 1.1 Định nghĩa tập mờ Định nghĩa: Cho Ω( Ω ≠ ) là không gian nền, một tập mờ A trên Ω được xác định bởi hàm thuộc( membership function): A: Ω [0,1] 0  A(x)  1 A(x) : Chỉ độ thuộc (membership degree) của phần tử x vào tập mờ A (để cho đơn giản trong cách viết, sau này ta ký hiệu A(x) thay cho hàm A(x) ) Khoảng xác định của hàm A(x) là đoạn [0,1], trong đó giá trị 0 chỉ mức độ không thuộc về còn giá trị 1 chỉ mức độ thuộc về hoàn toàn. Ví dụ 1: Hàm liên tục của tập mờ A “tập các số thực gần 1” được định nghĩa như sau: A(x) = e a( x1)2 Hình 1. Hàm liên thuộc của tập mờ “x gần 1” Ví dụ 2: Một số dạng hàm liên thuộc liên tục khác xa cx Triangle(x, a, b, c) = max(min( ,1, ),0) ba cb xa d x Trapezoid(x, a, b, c ,d) = max(min( ,1, ),0) ba d c 5 ( x c))2 Gaussian(x,  , c, )= e 1 Bell(x, a, b, c) = 2b xc 1 a Hình 1. Một số dạng hàm liên thuộc của tập mờ 1.2 Các phép toán trên tập mờ Phép bù của tập mờ Định nghĩa 1.2: (Phần bù của một tập mờ): Cho n là hàm phủ định, phần bù Ac của tập mờ A là một tập mờ với hàm thuộc được xác định bởi: Ac(x) = n(A(x)), với mỗi x  Phép giao hai tập mờ Định nghĩa 1.3: ( T - chuẩn): Hàm T: [0,1]2  [0,1] là phép bội (T - chuẩn) khi và chỉ khi thoả mãn các điều kiện sau: 6 1.T có tính giao hoán : T(x,y) = T(y,x), với mọi 0  x, y 1.

T không giảm: T(x,y)=T(u,v), với mọi x  u, y v. T có tính kết hợp: T(x,T(y,z)) = T(T(x,y),z), với mọi 0  x,y, z 1. Cho T là một T-Chuẩn. Phép giao của hai tập mờ A,B là một tập mờ (ký hiệu (ATB)) trên  với hàm thuộc cho bởi biểu thức: (ATB)(x) = T(A(x), B(x)), với mỗi x   Ví dụ: - Với T(x,y)=min(x,y)ta có: (ATB)(x) = min(A(x),B(x)) - Với T(x,y) = x,y ta có (ATB)(x) = A(x).y theo các đồ thị hình 1.3 sau đây: Hình a: Hàm thuộc của hai tập mờ A và B Hình b: Giao của hai tập mờ theo T(x,y)=min(x,y) Hình c: Giao của hai tập mờ theo T(x,y)=x.

Giao của hai tập mờ 7 Phép hợp hai tập mờ Định nghĩa 1.5: (T - đối chuẩn): Hàm S:[0,1]2 được gọi là phép tuyển (T-đối chuẩn) nếu thoả mãn các điều kiện sau: 1. S có tính giao hoán : S(x,y)= S(y,x) với mọi 0  x , y  1. S không giảm: S(x,y)= S(u,v), với mọi x  u, y  v. S có tính kết hợp: S(x,S(y,z)) = S(S(x,y),z) với mọi 0  x, y, z1.

Cho S là một T - đối chuẩn. Phép hợp của hai tập mờ A, B là một tập mờ ( kí hiệu ASB)) trên  với hàm thuộc cho bởi biểu thức: (ASB)(x)=S(A(x),B(x)), với mỗi x Ví dụ:  Với S(x,y) = max(x,y): (ASB)(x)= max(A(x), B(x))  Với S(x,y) = x + y – x.y theo các đồ thị hình 1.4 sau đây:  Hình a: Hàm thuộc của hai tập mờ A, B  Hình b: Hợp của hai tập mờ theo S(x,y) = max(x,y)  Hình c: Hợp của hai tập mờ theo S(x,y) = x + y – x. Phép hợp của hai tập mờ 8 Luật De Morgan Cho T là T - chuẩn, S là T - đối chuẩn và n là phép phủ định mạnh. Khi đó bộ ba(T, S,n) là bộ ba De Morgan nếu: n(S(x,y)) = T(n,(x),n(y)) Với phép phủ định n(n-1) = 1- x, chúng ta có một số cặp T-chuẩn và T-đối chuẩn thoả mãn luật DeMorgan trong sau: Bảng 1.1 : Các cặp T - chuẩn và T - đối chuẩn.y 3 Max(x + y -1, 0) Min(x + y,1) 4 Min0(x,y)=  0min( x, y)if x + y >1 Max1(x,y)=  0max( x, y)if x + y <1  Else  Else 5 Z(x,y) =  0min( x, y)if max(x,y)=1 Max1(x,y)=  0max( x, y)if min(x,y)=0  Else  Else 6 x.2 dưới đây sẽ liệt kê một số phép kéo theo mờ hay được sử dụng nhất.

Một số phép kéo theo mờ thông dụng STT Tên Biểu thức xác định 1 Early Zadeh xy = max(1-x,min(x,y)) 2 Lukasiewicz xy = min(1,1- x+y) 3 Mandani xy = min(x,y) 4 Larsen xy = x.y x y Standard Strict 1 if  5 xy = 0 other if x y 6 Godel xy = 1y  other if x y  Gaines xy = 1y other 7  x 8 Kleene – Dienes xy = max(1 –x,y) 9 Kleene – Dienes –Lukasiwicz xy = 1- x + y 10 Yager xy = yx 1. Suy luận xấp xỉ và suy diễn mờ Suy luận xấp xỉ hay còn gọi là suy luận mờ - đó là quá trình suy ra những kết luận dưới dạng các mệnh đề trong điều kiện các quy tắc, các luật, các dữ liệu đầu vào cho trước cũng không hoàn toàn xác định. Mô hình mờ Mô hình mờ chính là một tập các luật dạng mệnh đề “If…then…”, trong đó phần “If” được gọi là mệnh đề điều kiện hay tiền đề, còn phần “then” được gọi là phần kết luận. 10 Một mô hình mờ ở dạng tổng quát là một tập các mệnh đề If-then, và để cho gọn chúng ta gọi là các luật, mà phần tiền đề của mỗi luật là một điều kiện phức được viết như sau: If X1 = A11 and.

and Xm = A1mthen Y = B1 If X1 = A21 and. and Xm = A2mthen Y = B2 (1. If X1 = An1 and. and Xm = Anmthen Y = Bn ở đây X1, X2, …,Xm và Y là các biến ngôn ngữ, Aij, Bi (i = 1,…, n; j=1,…, m) là các giá trị ngôn ngữ tương ứng.1) được gọi là bộ nhớ mờ liên hợp (Fuzzy Associate Memory – FAM) vì nó biểu diễn tri thức của chuyên gia trong lĩnh vực ứng dụng nào đó đang xét.

Bài toán lập luận mờ được phát biểu như sau: Cho mô hình mờ (1.1), với giá trị đầu vào Xj = A0j, j = 1,…,m. Hãy tính giá trị đầu ra Y = B0 Phương pháp lập luận mờ Từ những năm 70 các phương pháp lập luận mờ đã được phát triển mạnh mẽ và được ứng dụng nhiều trong các hệ chuyên gia mờ, điều khiển mờ. Theo cách tiếp cận của lý thuyết tập mờ, các phương pháp lập luận mờ nói chung được mô tả dựa trên hai dạng mô hình sau. Mô hình hội: Xem mô hình mờ (1.1) như là hội của các mệnh đề if- then - Ngữ nghĩa của các giá trị ngôn ngữ của các biến ngôn ngữ trong mô hình mờ được biểu thị bằng các tập mờ tương ứng của chúng.

- Từ các luật mờ dạng câu if-then, xây dựng quan hệ mờ R như sau: + Sử dụng phép hội các điều kiện ở tiền đề, mỗi câu if-then xem như là một phép kéo theo I(s,t), một phép 2-ngôi trong [0,1], lưu ý rằng giá trị s phụ thuộc m biến đầu vào.1) được xem là mô hình hội, R được tính bằng hội của các biểu thức phép kéo theo đã xây dựng. - Khi đó ứng với vectơ đầu vào A0, giá trị của biến đầu ra được tính theo công thức B0 = A0*R, trong đó * là một phép hợp thành nào đó. Mô hình tuyển: Xem (1.1) như là tuyển của các mệnh đề if-then - Phương pháp tiến hành giống như trên cho đến bước xây dựng được các phép kéo theo Ij(s,t) cho mỗi mệnh đề if-then trong (1. - Với vectơ đầu vào A0, giá trị của biến đầu ra B0j dựa trên luật thứ j được tính theo công thức B0j = A0* Ij(s,t), trong đó  là một phép hợp thành nào đó.

- Cuối cùng, giá trị đầu ra của mô hình mờ (1.1) được tính bằng tuyển của các B0j, j = 1,. Một cách tổng quát, các phép tuyển và hội được xây dựng dựa trên các phép t-norm và s-norm. Tuy ý tưởng chung về lược đồ phương pháp lập luận mờ là giống nhau, nhưng những phương pháp lập luận sẽ khác nhau ở cánh thức mô phỏng mô hình mờ và cách xác định các phép t-norm và s-norm. Hiệu quả của phương pháp lập luận mờ nói chung phụ thuộc nhiều yếu tố rất căn bản chẳng hạn như: - Lựa chọn tập mờ (bài toán xây dựng các hàm thuộc).

- Bài toán lựa chọn phép kết nhập. - Xây dựng quan hệ mờ mô phỏng tốt nhất mô hình mờ (bài toán lựa chọn phép kéo theo). - Luật hợp thành (max-min, min-max, t-norm, s-norm, …). Đó chính là những khó khăn không nhỏ khi xây dựng phương pháp giải bài toán lập luận mờ.

Các phương pháp lập luận mờ có rất nhiều ứng 12 dụng trong thực tiễn như trong xây dựng các hệ chuyên gia, các hệ trợ giúp quyết định, các hệ điều khiển mờ. Đại số gia tử Để xây dựng phương pháp luận tính toán nhằm giải quyết vấn đề mô phỏng các quá trình tư duy, suy luận của con người chúng ta phải thiết lập ánh xạ: gán mỗi khái niệm mờ một tập mờ trong không gian tất cả các hàm F(U, [0, 1]). Nghĩa là ta mượn cấu trúc tính toán rất phong phú của tập để mô phỏng phương pháp lập luận của con người thường vẫn được thực hiện trên nền ngôn ngữ tự nhiên. Vậy một vấn đề đặt ra là liệu bản thân ngôn ngữ có cấu trúc tính toán không? Nếu có thì các phương pháp lập luận xây dựng trên đó đem lại những lợi ích gì? Thông qua lý thuyết về đại số gia tử ta có thể thấy rằng tập các giá trị của một biến ngôn ngữ (biến mà giá trị của nó được lấy trong miền ngôn ngữ) là một cấu trúc đại số đủ mạnh để tính toán.

Lý thuyết đại số gia tử đã cố gắng nhúng tập ngôn ngữ vào một cấu trúc đại số thích hợp và tìm cách xem chúng như là một đại số để tiên đề hóa sao cho cấu trúc thu được mô phỏng tốt ngữ nghĩa ngôn ngữ.1 Định nghĩa đại số gia tử Xét một tập giá trị ngôn ngữ là miền của biến ngôn ngữ (linguistic domain) của biến chân lý TRUTH gồm các từ sau: T = dom(TRUTH) = {true, false, very true, very false, more true, more false, approximately true, approximately false, little true, little false, less true, less false, very more true, very more false, very possible true, very possible false, very more true, very more false, …} Khi đó miền ngôn ngữ T = dom(TRUTH) có thể biểu thị như là một cấu trúc đại số AT = (T, G, H, ≤), trong đó: 13 ƒ T: Là tập cơ sở của AT. ƒ G: Là tập các từ nguyên thủy (tập các phần tử sinh: true, false).