Luận văn Thạc sĩ: Tinh chỉnh tham số mờ gia tử hệ mờ phân lớp & ứng dụng

Luận văn thạc sĩ nghiên cứu phương pháp tinh chỉnh tham số mờ gia tử của hệ mờ dạng luật phân lớp, ứng dụng trong khoa học máy tính.

Chuyên ngành

Khoa học Máy tính

Người đăng

Ẩn danh

Thể loại

Luận văn thạc sĩ

2015

75
0
0

Phí lưu trữ

30 Point

Mục lục chi tiết

LỜI CAM ĐOAN

LỜI CẢM ƠN

MỤC LỤC

DANH MỤC CÁC KÝ HIỆU, CHỮ CÁI VIẾT TẮT

DANH MỤC HÌNH VẼ

LỜI NÓI ĐẦU

1. CHƯƠNG 1: CƠ SỞ VỀ HỆ MỜ DẠNG LUẬT DỰA TRÊN ĐẠI SỐ GIA TỬ

1.1. Khái quát về lập luận mờ

1.1.1. Định nghĩa tập mờ

1.2. Phân hoạch mờ

1.3. Các phép tính trên tập mờ Zadeh

1.4. Phép kéo theo

1.5. Biến ngôn ngữ

1.6. Suy luận mờ

1.7. Đại số gia tử trong lập luận mờ

1.7.1. Đại số gia tử (ĐSGT)

1.7.2. Tính chất của đại số gia tử tuyến tính

1.7.3. Đại số 2 gia tử

1.7.4. Định lượng ngữ nghĩa trong đại số gia tử

1.7.5. Hệ khoảng tính mờ

1.8. Kết luận chương 1

2. CHƯƠNG 2: PHƯƠNG PHÁP TINH CHỈNH THAM SỐ MỜ GIA TỬ CỦA HỆ MỜ DẠNG LUẬT PHÂN LỚP

2.1. Phương pháp xây dựng hệ mờ dạng luật phân lớp

2.1.1. Bài toán phân lớp

2.1.2. Mô hình hệ mờ dạng luật giải bài toán phân lớp

2.1.3. Thuật toán sinh luật mờ dựa trên hệ khoảng tính mờ

2.2. Sự ảnh hưởng của tham số mờ gia tử đối với bài toán phân lớp

2.3. Phương pháp tinh chỉnh bằng trực quan kinh nghiệm của người dùng

2.4. Tinh chỉnh bằng phương pháp tối ưu dựa trên giải thuật di truyền

2.4.1. Giải thuật di truyền

2.4.2. Sơ đồ tổng thể của giải thuật di truyền - GA

2.4.3. Áp dụng GA tìm kiếm tham số tối ưu

2.5. Kết luận chương 2

3. CHƯƠNG 3: XÂY DỰNG CHƯƠNG TRÌNH

3.1. Xây dựng ứng dụng

3.2. Bài toán phân lớp hạt giống lúa mì (Seeds)

3.3. Bài toán phân loại người bị thoát vị đĩa đệm Vertebral Column

3.4. Kết luận chương 3

TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về tinh chỉnh tham số mờ cho hệ mờ phân lớp

Hệ mờ phân lớp là một công cụ mạnh mẽ trong lĩnh vực học máy và trí tuệ nhân tạo, cho phép giải quyết các bài toán phức tạp với dữ liệu không chắc chắn. Nền tảng của hệ thống này là logic mờ, do Lotfi A. Zadeh khởi xướng năm 1965, mô phỏng khả năng lập luận của con người dựa trên thông tin mơ hồ. Một hệ mờ dạng luật (Fuzzy Rule-Based System) bao gồm ba thành phần chính: cơ sở luật mờ, cơ chế suy diễn mờ, và bộ giải mờ. Hiệu suất của hệ thống, đặc biệt trong các bài toán phân lớp dữ liệunhận dạng mẫu, phụ thuộc trực tiếp vào việc thiết lập các tham số. Các tham số này bao gồm định nghĩa hàm thuộc (membership functions), các luật mờ (fuzzy rules), và các thông số của đại số gia tử. Việc tinh chỉnh tham số mờ hệ mờ phân lớp là quá trình tối ưu hóa các giá trị này để đạt được độ chính xác phân loại cao nhất và mô hình có khả năng diễn giải tốt. Nghiên cứu của Lê Cảnh Thơ (2015) tập trung vào phương pháp tinh chỉnh tham số mờ gia tử, một cách tiếp cận tiên tiến dựa trên ngữ nghĩa của ngôn ngữ tự nhiên, giúp mô hình trở nên trực quan và dễ hiểu hơn. Quá trình này không chỉ là một bài toán kỹ thuật mà còn là một nghệ thuật, đòi hỏi sự cân bằng giữa hiệu suất tính toán và tính phức tạp của mô hình.

1.1. Hiểu rõ về hệ mờ dạng luật và logic mờ

Một hệ mờ dạng luật hoạt động dựa trên một tập hợp các quy tắc IF-THEN. Ví dụ: "IF nhiệt độ RẤT NÓNG AND độ ẩm CAO THEN tốc độ quạt RẤT NHANH". Mỗi thành phần ngôn ngữ như "RẤT NÓNG" được định nghĩa bởi một hàm thuộc, ánh xạ một giá trị đầu vào (ví dụ: 35°C) tới một mức độ thuộc trong khoảng [0, 1]. Logic mờ cho phép một phần tử có thể thuộc về nhiều tập hợp với các mức độ khác nhau, khác với logic cổ điển (chỉ có 0 hoặc 1). Quá trình suy diễn mờ kết hợp các luật mờ để đưa ra một kết luận mờ. Cuối cùng, bước giải mờ (defuzzification) chuyển đổi kết luận mờ này thành một giá trị rõ ràng, có thể hành động được (ví dụ: tốc độ quạt là 2000 RPM). Chất lượng của hệ thống phụ thuộc hoàn toàn vào cách các luật và hàm thuộc này được định nghĩa, đây chính là các tham số cần được tinh chỉnh.

1.2. Vai trò của tham số mờ gia tử trong phân lớp dữ liệu

Đại số gia tử (Hedge Algebras) là một cấu trúc toán học dùng để mô hình hóa ngữ nghĩa của các biến ngôn ngữ. Các "gia tử" (hedges) là những từ bổ nghĩa như "rất", "hơi", "khá". Trong hệ thống phân lớp, tham số mờ gia tử xác định độ đo tính mờ của các hạng từ và gia tử, ví dụ fm(Nóng) hoặc μ(Rất). Các tham số này ảnh hưởng trực tiếp đến việc hình thành các "khoảng tính mờ", là cơ sở để phân hoạch không gian thuộc tính. Việc tinh chỉnh tham số mờ gia tử chính là điều chỉnh các giá trị này để tạo ra một lưới phân hoạch tối ưu, giúp các luật mờ được sinh ra có khả năng phân biệt cao nhất giữa các lớp dữ liệu. Một bộ tham số được tinh chỉnh tốt sẽ tạo ra một bộ điều khiển mờ hiệu quả, có khả năng tổng quát hóa cao trên dữ liệu mới.

II. Thách thức khi tối ưu hóa tham số cho hệ chuyên gia mờ

Việc tối ưu hóa tham số cho một hệ chuyên gia mờ là một bài toán phức tạp, đối mặt với nhiều thách thức đáng kể. Vấn đề cốt lõi nằm ở không gian tìm kiếm rộng lớn. Một hệ thống với nhiều thuộc tính, mỗi thuộc tính lại có nhiều tham số (độ đo tính mờ của phần tử sinh, độ đo tính mờ của gia tử, mức phân hoạch) sẽ tạo ra một không gian giải pháp khổng lồ. Việc tìm kiếm thủ công trong không gian này là bất khả thi. Hơn nữa, các tham số thường có sự tương tác và phụ thuộc lẫn nhau. Thay đổi một tham số có thể ảnh hưởng đến hiệu quả của các tham số khác, đòi hỏi một phương pháp tiếp cận toàn cục thay vì tối ưu hóa từng phần riêng lẻ. Luận văn của Lê Cảnh Thơ (2015) chỉ ra rằng, mục tiêu không chỉ là tối đa hóa độ chính xác phân lớp (fp(S)) mà còn phải tối thiểu hóa độ phức tạp của hệ thống, bao gồm số lượng luật (fn(S)) và độ dài trung bình của các luật (fa(S)). Hai mục tiêu này thường mâu thuẫn: một hệ thống phức tạp với nhiều luật chi tiết có thể đạt độ chính xác cao trên tập huấn luyện nhưng lại kém hiệu quả trên dữ liệu mới (overfitting), đồng thời làm giảm khả năng diễn giải của mô hình.

2.1. Hạn chế của phương pháp tinh chỉnh thủ công trực quan

Phương pháp tinh chỉnh bằng trực quan và kinh nghiệm của người dùng là cách tiếp cận ban đầu. Chuyên gia sẽ dựa vào hiểu biết của mình về miền dữ liệu để đặt các giá trị tham số ban đầu, sau đó thử và sai để cải thiện kết quả. Tuy nhiên, phương pháp này có nhiều hạn chế. Thứ nhất, nó phụ thuộc rất nhiều vào kinh nghiệm chủ quan của chuyên gia và không đảm bảo tìm được giải pháp tối ưu. Thứ hai, quá trình này rất tốn thời gian và công sức, đặc biệt với các bài toán có số chiều dữ liệu lớn. Thứ ba, nó không có khả năng thích ứng khi dữ liệu thay đổi. Một bộ tham số hoạt động tốt trên tập dữ liệu này có thể không hiệu quả trên tập dữ liệu khác. Do đó, việc tự động hóa quá trình tối ưu hóa tham số là một yêu cầu cấp thiết.

2.2. Bài toán cân bằng giữa độ chính xác và tính phức tạp

Đây là một sự đánh đổi kinh điển trong học máy. Một mô hình phân lớp lý tưởng cần đạt cả hai mục tiêu: độ chính xác cao và mô hình đơn giản, dễ hiểu. Trong bối cảnh hệ mờ phân lớp, một mô hình có quá nhiều luật mờ hoặc các luật quá dài (nhiều điều kiện) sẽ trở nên phức tạp. Điều này không chỉ làm tăng chi phí tính toán mà còn khiến người dùng khó hiểu được logic ra quyết định của hệ thống. Ngược lại, một mô hình quá đơn giản có thể không nắm bắt được các quy luật phức tạp trong dữ liệu, dẫn đến độ chính xác thấp. Các thuật toán tối ưu hóa heuristic cần được thiết kế với một hàm mục tiêu (fitness function) có khả năng cân bằng hai yếu tố này, ví dụ bằng cách "phạt" các mô hình quá phức tạp, nhằm tìm ra một giải pháp thỏa hiệp tốt nhất.

III. Cách tinh chỉnh tham số mờ bằng giải thuật di truyền GA

Để vượt qua những hạn chế của phương pháp thủ công, các kỹ thuật tối ưu hóa heuristic đã được áp dụng, trong đó Giải thuật Di truyền (Genetic Algorithm - GA) là một trong những phương pháp nổi bật và hiệu quả nhất. GA là một thuật toán tìm kiếm lấy cảm hứng từ quá trình tiến hóa tự nhiên, hoạt động dựa trên các nguyên lý chọn lọc, lai ghép và đột biến. Trong bài toán tinh chỉnh tham số mờ hệ mờ phân lớp, mỗi "cá thể" trong quần thể của GA đại diện cho một bộ tham số mờ hoàn chỉnh cho hệ thống (ví dụ: các giá trị fm(c-), μ(L), và mức phân hoạch k cho từng thuộc tính). "Độ thích nghi" (fitness) của mỗi cá thể được đánh giá dựa trên hiệu suất của hệ mờ được tạo ra từ bộ tham số đó, thường là tỷ lệ phân lớp đúng trên một tập dữ liệu kiểm tra. Quá trình tiến hóa sẽ ưu tiên những cá thể (bộ tham số) có độ thích nghi cao, cho phép chúng "sinh sản" và tạo ra các thế hệ mới tốt hơn. Qua nhiều thế hệ, quần thể sẽ hội tụ về một hoặc một vài cá thể ưu tú, tương ứng với bộ tham số gần tối ưu cho bài toán phân lớp dữ liệu.

3.1. Nguyên lý hoạt động cơ bản của giải thuật di truyền

Giải thuật di truyền bắt đầu bằng việc khởi tạo một quần thể các cá thể một cách ngẫu nhiên. Mỗi cá thể là một chuỗi mã hóa (gen) cho một giải pháp tiềm năng. Sau đó, vòng lặp tiến hóa bắt đầu: (1) Đánh giá: Tính toán độ thích nghi cho từng cá thể. (2) Chọn lọc: Lựa chọn các cá thể tốt nhất để làm "cha mẹ" cho thế hệ tiếp theo. (3) Lai ghép (Crossover): Kết hợp gen của hai cá thể cha mẹ để tạo ra các cá thể con, thừa hưởng đặc tính từ cả hai. (4) Đột biến (Mutation): Thay đổi ngẫu nhiên một phần nhỏ gen của cá thể con để duy trì sự đa dạng trong quần thể và tránh bị mắc kẹt ở các điểm tối ưu cục bộ. Quá trình này lặp lại cho đến khi đạt được điều kiện dừng, chẳng hạn như số thế hệ tối đa hoặc độ thích nghi không còn cải thiện đáng kể.

3.2. Áp dụng GA để tìm kiếm bộ tham số mờ tối ưu nhất

Trong khuôn khổ luận văn của Lê Cảnh Thơ (2015), giải thuật di truyền được áp dụng cụ thể để tìm kiếm bộ tham số mờ gia tử tối ưu. Mỗi cá thể trong GA mã hóa một véc-tơ các tham số PAR = { fmj(c-), μj(L), kj } cho tất cả các thuộc tính j. Hàm đánh giá độ thích nghi fp(S*) chính là tỷ lệ phần trăm số mẫu được phân lớp dữ liệu chính xác. Thuật toán GA sẽ tự động khám phá không gian tham số, tìm ra sự kết hợp mang lại hệ luật S* có hiệu quả phân lớp cao nhất. Cách tiếp cận này loại bỏ hoàn toàn sự phỏng đoán chủ quan và có khả năng tìm ra các giải pháp vượt trội so với phương pháp tinh chỉnh thủ công, giúp xây dựng một hệ chuyên gia mờ mạnh mẽ và đáng tin cậy.

IV. Phương pháp tối ưu hóa bầy đàn và mạng nơ ron mờ

Bên cạnh giải thuật di truyền, cộng đồng nghiên cứu đã phát triển nhiều phương pháp tối ưu hóa heuristic khác để giải quyết bài toán tinh chỉnh tham số. Một trong những hướng tiếp cận phổ biến là Tối ưu hóa Bầy đàn (Particle Swarm Optimization - PSO). PSO mô phỏng hành vi xã hội của các đàn chim hoặc bầy cá. Mỗi "hạt" (particle) trong bầy đại diện cho một bộ tham số và "bay" trong không gian tìm kiếm. Vị trí của mỗi hạt được cập nhật dựa trên kinh nghiệm tốt nhất của chính nó và kinh nghiệm tốt nhất của cả đàn. So với GA, PSO thường có cấu trúc đơn giản hơn và có thể hội tụ nhanh hơn trong một số bài toán. Một hướng đi mạnh mẽ khác là kết hợp logic mờ với mạng nơ-ron, tạo ra các hệ thống lai như mạng nơ-ron mờ. Các hệ thống này tận dụng khả năng học hỏi từ dữ liệu của mạng nơ-ron để tự động điều chỉnh các tham số của hệ mờ. Nổi bật trong số đó là hệ suy diễn mờ nơ-ron thích ứng (ANFIS), một kiến trúc có khả năng học các luật mờhàm thuộc trực tiếp từ các cặp dữ liệu vào-ra.

4.1. Tối ưu hóa heuristic với thuật toán bầy đàn PSO

Tối ưu hóa bầy đàn (PSO) là một thuật toán mạnh mẽ để tìm kiếm giá trị tối ưu toàn cục. Trong bối cảnh tinh chỉnh tham số mờ, mỗi hạt là một véc-tơ tham số. Vận tốc và vị trí của hạt được điều chỉnh trong mỗi vòng lặp, hướng nó về phía vị trí tốt nhất mà nó từng đạt được (pbest) và vị trí tốt nhất mà cả bầy đã tìm thấy (gbest). Cơ chế này giúp cân bằng giữa việc khám phá (exploration) các vùng mới và khai thác (exploitation) các vùng hứa hẹn, làm cho PSO trở thành một công cụ hiệu quả để tự động hóa việc tối ưu hóa tham số cho các bộ điều khiển mờ và hệ thống phân lớp.

4.2. Giới thiệu hệ suy diễn mờ nơ ron thích ứng ANFIS

ANFIS (Adaptive Neuro-Fuzzy Inference System) là một kiến trúc mạng nơ-ron mờ tiêu biểu. Nó có cấu trúc của một mạng nơ-ron nhiều lớp, trong đó mỗi lớp thực hiện một chức năng trong quá trình suy diễn mờ. Lớp đầu vào biểu diễn các biến, các lớp ẩn thực hiện việc mờ hóa, áp dụng luật, và lớp đầu ra thực hiện việc giải mờ. Điểm mạnh của ANFIS là nó sử dụng các thuật toán học (như backpropagation hoặc hybrid learning) để tự động tinh chỉnh các tham số của hàm thuộc và các hệ số trong phần kết luận của luật mờ. Điều này cho phép hệ thống học hỏi và thích nghi với dữ liệu, tạo ra một mô hình phân lớp dữ liệu có độ chính xác rất cao.

V. Kết quả ứng dụng tinh chỉnh tham số mờ vào thực tiễn

Hiệu quả của các phương pháp tinh chỉnh tham số mờ hệ mờ phân lớp đã được kiểm chứng qua nhiều ứng dụng thực tiễn. Luận văn của Lê Cảnh Thơ (2015) đã trình bày các kết quả thử nghiệm trên các bộ dữ liệu chuẩn từ kho lưu trữ của UCI Machine Learning. Các thử nghiệm này so sánh trực tiếp hiệu suất phân lớp giữa hệ thống sử dụng tham số được tinh chỉnh bằng trực quan và hệ thống sử dụng tham số được tối ưu hóa tự động bằng giải thuật di truyền (GA). Kết quả cho thấy một sự cải thiện rõ rệt và nhất quán khi áp dụng GA. Phương pháp tối ưu hóa tự động không chỉ giúp giảm đáng kể số lỗi phân lớp mà còn tìm ra được những bộ tham số mà con người khó có thể nhận biết bằng kinh nghiệm. Điều này khẳng định vai trò không thể thiếu của các thuật toán tối ưu hóa heuristic trong việc xây dựng các hệ chuyên gia mờ hiệu suất cao cho các bài toán nhận dạng mẫu và phân loại trong thế giới thực.

5.1. Phân lớp dữ liệu trên bộ dữ liệu hạt giống lúa mì Seeds

Bài toán Seeds yêu cầu phân loại ba loại hạt giống lúa mì khác nhau (Kama, Rosa, và Canadian) dựa trên 7 thuộc tính hình học. Trong nghiên cứu, phương pháp tinh chỉnh bằng trực quan đạt tỷ lệ phân lớp đúng là 92.86% với 15 lỗi. Trong khi đó, sau khi áp dụng giải thuật di truyền để tối ưu hóa tham số mờ gia tử, hệ thống đã đạt được tỷ lệ phân lớp đúng lên tới 96.19% với chỉ 8 lỗi. Kết quả này cho thấy GA đã tìm ra một cấu trúc phân hoạch không gian thuộc tính hiệu quả hơn nhiều, giúp các luật mờ được sinh ra có khả năng phân biệt tốt hơn giữa các lớp.

5.2. Nhận dạng mẫu trong bài toán thoát vị đĩa đệm Vertebral

Bộ dữ liệu Vertebral Column chứa các thông số sinh trắc học của cột sống để phân loại bệnh nhân thành hai nhóm: Bình thường (Normal) và Bất thường (Abnormal). Đây là một bài toán nhận dạng mẫu y khoa quan trọng. Kết quả thử nghiệm cho thấy, bộ tham số tinh chỉnh trực quan cho tỷ lệ phân lớp đúng là 80.97% (59 lỗi). Ngược lại, bộ tham số được tìm kiếm bởi GA đã nâng cao đáng kể hiệu suất, đạt tỷ lệ phân lớp chính xác 85.16% (chỉ còn 46 lỗi). Sự cải thiện này chứng minh rằng việc tinh chỉnh tham số mờ một cách tự động và có hệ thống là yếu tố then chốt để khai thác tối đa tiềm năng của logic mờ trong các ứng dụng đòi hỏi độ tin cậy cao.

02/10/2025

Trích đoạn nội dung tài liệu

Chương 1: Cơ sở về hệ mờ dạng luật dựa trên đại số gia tử Chương 2: Phương pháp tinh chỉnh tham số mờ gia tử của hệ mờ dạng luật phân lớp Chương 3: Xây dựng chương trình và ứng dụng thử nghiệm Luận văn nghiên cứu những ứng dụng của đại số gia tử vào hệ mờ dạng luật phân lớp, đồng thời tìm hiểu những ảnh hưởng của tham số mờ gia tử để từ đó tinh chỉnh tham số trong hệ mờ dạng luật phân lớp để đạt đươc kết quả tối ưu cho bài toán ứng dụng. Đây là một vấn đề mới và khá phức tạp, mặt khác do trình độ và thời gian có hạn nên luận văn không tránh khỏi những thiếu sót. Rất mong được sự đóng góp ý kiến của các thầy, cô để luận văn được hoàn thiện hơn tạo tiền đề cho các nghiên cứu tiếp theo. 2 download by : skknchat@gmail.com CHƢƠNG 1: CƠ SỞ VỀ HỆ MỜ DẠNG LUẬT DỰA TRÊN ĐẠI SỐ GIA TỬ 1.1 Khái quát về lập luận mờ Lý thuyết tập mờ được L.

Zadeh đưa ra năm 1965, từ đó lý thuyết tập mờ, logic mờ được nhiều tác giả quan tâm nghiên cứu bằng các cách tiếp cận khác nhau và ứng dụng vào trong các lĩnh vực như lý thuyết điều khiển, hệ thống xã hội, trí tuệ nhân tạo… 1.1 Định nghĩa tập mờ Định nghĩa 1.1[1]: Cho tập vũ trụ U với các phần tử ký hiệu bởi x, U={x}. Một tập mờ A trên U là tập được đặc trưng bở một hàm 𝜇𝐴 (x) mà nó liên kết mỗi phần tử x∈U với một số thực trong đoạn [0,1]. Giá trị hàm 𝜇𝐴 (x) biểu diễn mức độ thuộc của x trong A. Hay A được gọi là tập mờ khi và chỉ khi: A = {(x,𝜇𝐴 (x) x∈U, 𝜇𝐴 (x): U→ [0,1]} (1.1) Trong đó 𝜇𝐴 (x) được gọi là hàm thuộc của tập mờ A.

Giá trị hàm 𝜇𝐴 (x) càng gần tới 1 thì mức độ thuộc của x trong A càng cao. Tập mờ là sự mở rộng của khái niệm tập hợp kinh điển. Khi A là tập hợp kinh điển thì A có thể được biểu diễn như sau A = {(x,𝜇𝐴 (x) x ∈ U, 𝜇𝐴 (x): U→ {0,1}} (1.2) Khi đó hàm thuộc𝜇𝐴 (x) chỉ nhận hai giá trị 0 và 1.2 Số mờ Định nghĩa 1.2[1]: Tập mờ A trên đường thẳng số thực R là một số mờ, nếu: 1/ A chuẩn hóa, tức là có điểm x’ sao cho 𝜇𝐴 (x’) = 1 2/ Ứng với mỗi 𝛼 ∈ R, tập mức {x: 𝜇𝐴 (x) ≥ 𝛼 } là đoạn đóng trên R 3/ 𝜇𝐴 (x) là hàm liên tục. 3 download by : skknchat@gmail.com Một số dạng số mờ thường được sử dụng là số mờ dạng tam giác, hình thang và dạng hàm Gauss a.Số mờ dạng tam giác được xác định bởi 3 tham số.

Khi đó hàm thuộc của sô mờ tam giác A(a, b, c) cho bởi: 0 nếu𝑥 ≤ 𝑎 𝑥 − 𝑎 𝑏 − 𝑎 nếu𝑎 ≤ 𝑥 ≤ 𝑏 𝜇𝐴 𝑥 = 1 nếu𝑥 = 𝑏 𝑥 − 𝑏 𝑐 − 𝑏 nếu𝑏 ≤ 𝑥 ≤ 𝑐 0 nếu𝑥 = 𝑐 1  0 a z b c z b.Số mờ hình thang A(a, b, c, d) được sác định bởi 4 tham số và hàm thuộc cho bởi: 0 nếu𝑥 ≤ 𝑎 𝑥 − 𝑎 𝑏 − 𝑎 nếu𝑎 ≤ 𝑥 ≤ 𝑏 𝜇𝐴 𝑥 = 1 nếu𝑏 ≤ 𝑥 ≤ 𝑐 𝑥 − 𝑐 𝑑 − 𝑐 nếu𝑐 ≤ 𝑥 ≤ 𝑑 0 nếu𝑥 = 𝑑 1 0 z a b c d 4 download by : skknchat@gmail.Số mờ dạng hàm Gauss có hàm thuộc cho bởi: (𝑥−𝑐)2 (2σ)2 𝜇𝐴 𝑥 = 𝑒 nếu x − c ≤ 𝑑𝛼 0 nếu x − c ≥ 𝑑𝛼 Trong đó 𝑑𝛼 là số dương được chọn thích hợp. 1  0 z Khái niệm về phân hoạch mờ (fuzzy partition) cũng là một trong khái niệm quan trọng trong việc tiếp cận giải quyết bài toán phân lớp.3 Phân hoạch mờ Định nghĩa 1. Khi đó tập gồm p tập mờ A1, A2,…, Ap(với 𝜇𝐴1 , 𝜇𝐴2 , …, 𝜇𝐴𝑝 là các hàm thuộc tương ứng) định nghĩa trên U được gọi là một phân hoạch mờ của U nếu các điều kiện sau thỏa mãn, ∀k=1,…,p: 1) 𝜇𝐴𝑘 (mk) = 1 (mk được gọi là một điểm trong nhân của Ak); 2) Nếu x∉ [mk-1, mk+1], 𝜇𝐴𝑘 = 0 (trong đó m0 = m1 = a và mp+1 = mp =b); 3) 𝜇𝐴𝑘 (x) liên tục 4) 𝜇𝐴𝑘 (x) đơn điệu tăng trên [mk-1, mk] và đơn điệu giảm trên [mk,mk+1]; 5) ∀𝑥 ∈ U, ∃𝑘, sao cho 𝜇𝐴𝑘 (x) > 0 (tất cả mọi điểm trong U đều thuộc một lớp của phân hoạch này với độ thuộc nào đó khác không). 5 download by : skknchat@gmail.4 Các phép tính trên tập mờ Zadeh 1.1 Các phép toán tập hợp Cho A, B là 2 tập mờ trên cùng tập nền U: Phép giao (Intersection): Phép giao của tập A và B là tập mờ C được định nghĩa như sau: C = A∩ B = {(x, 𝜇𝐶 (x))| x ∈ U, 𝜇𝐶 (x) = min{𝜇𝐴 (x), 𝜇𝐵 (x)}} Ví dụ: Cho U = {1, 2, 3, 4, 5, 6, 7} và hai tập mờ A, B như sau: A = {(1,0), (2,0.1 Phép giao của hai tập mờ Phép hợp (Union): Hợp của hai tập mờ A và B là tập mờ C được định nghĩa như sau: C = A∪B = {{(x, 𝜇𝐶 (x))| x ∈ U, 𝜇𝐶 (x) = max{𝜇𝐴 (x), 𝜇𝐵 (x)}} Ví dụ: Cho U = {1, 2, 3, 4, 5} và hai tập mờ A, B như sau: 6 download by : skknchat@gmail.2 Phép hợp của hai tập mờ Phép bù (Complement): Bù của hai tập mờ A được định nghĩa như sau: AC = {(x, 𝜇𝐴𝐶 (x)) x ∈ U, 𝜇𝐴𝐶 (x) = 1 - 𝜇𝐴 (x)} Lưu ý: 1/ A∪AC≠U 2/ A∩AC≠ 0 3/ (AC)C = A 1.2 Phép phủ định Phủ định (negation) là một trong những phép toán logic cơ bản.

Để suy rộng chúng ta cần tới toán tử v(Not P) xác định giá trị chân lý của Not P đối với mệnh đề P.4 [4]: Hàm n: [0, 1]  [0, 1] không tăng thoả mãn các điều kiện n(0) = 1, n(1) =0 gọi là hàm phủ định. Hàm n là phép phủ định mạnh, nếu n giảm chặt và n(n(x)) = x với mỗi x 7 download by : skknchat@gmail.3 Phép hội Phép hội (vẫn quen gọi là phép AND – conjunction) là một trong những phép toán cơ bản nhất. Nó cũng là cơ sở để định nghĩa phép giao của hai tập mờ.4 Phép tuyển Giống như phép hội, phép tuyển hay toán tử logic OR thông thường cần thoả mãn các tính chất sau: Định nghĩa 1.5 Phép kéo theo Phép kéo theo là một hàm số I: [0,1]2  [0,1] thoả các điều kiện sau: 8 download by : skknchat@gmail.5 Biến ngôn ngữ Biến ngôn ngữ là một loại biến mà giá trị của nó không phải là số mà là từ hay mệnh đề dưới dạng ngôn ngữ tự nhiên. Biến ngôn ngữ được định nghĩa như sau: Định nghĩa 1.6[1] : Biến ngôn ngữ được xác định bởi một bộ 5 thành phần (X, T(X), U, R, M) trong đó: X – là tên biến T(X) – là tập các giá trị ngôn ngữ của biến X U – là không gian tham chiếu hay còn gọi là miền cơ sở của biến X R – là một số quy tắc cú pháp sinh các giá trị ngôn ngữ trong T(X) 9 download by : skknchat@gmail.com M – là quy tắc gán ngữ nghĩa biểu thị bằng tập mờ trên U cho các từ ngôn ngữ trong T(X) Ví dụ: Cho biến ngôn ngữ: Nhiệt độ X = Nhiệt độ T(X) = {Rất lạnh, Lạnh, Hơi lạnh, Bình thường, Hơi nóng, Nóng, Rất nóng} U = [0,100] – miền đánh giá nhiệt độ R = Nếu nhiệt độ u là X thì nhiệt độ có giá trị như sau: Rất lạnh với hàm thuộc 𝜇𝑅ấ𝑡𝑙ạ𝑛𝑕 (u) Lạnh với hàm thuộc 𝜇𝐿ạ𝑛𝑕 (u) Hơi Lạnh với hàm thuộc 𝜇𝐻ơ𝑖𝑙ạ𝑛𝑕 (u) Bình thường với hàm thuộc 𝜇𝐵ì𝑛𝑕𝑡𝑕ườ𝑛𝑔 (u) Hơi nóng với hàm thuộc 𝜇𝐻ơ𝑖𝑛 ó𝑛𝑔 (u) Rất nóng với hàm thuộc 𝜇𝑅ấ𝑡𝑛 ó𝑛𝑔 (u) M(*)(u) = {u, 𝜇(∗) (u)| u∈U = [1,100], 𝜇(∗) (u): U→ [0,1] } Với (*) = Rất lạnh (hoặc Lạnh, Hơi Lạnh,Bình thường, Hơi nóng, Nóng, Rất nóng).

Một số đặc trưng cơ bản của biến ngôn ngữ [1]: 1/ Tính phổ quát: các biến ngôn ngữ khác nhau về các giá trị nguyên thủy nhưng ý nghĩa về mặt cấu trúc miền giá trị của chúng vẫn được giữ. Nói cách khác, cấu trúc miền giá trị của hai biếnngôn ngữ cho trước tồn tại một “đẳng cấu” sai khác nhau bởi giá trị sinh nguyên thủy 2/ Tính độc lập ngữ cảnh của gia tử và liên từ như AND, OR…: ngữ nghĩa của các gia tử và liên từ như AND, OR,… hoàn toàn độc lập với ngữ cảnh, khác với giá trị nguyên thủy của các biến ngôn ngữ phụ thuộc vào ngữ cảnh. Do đó, khi tìm kiếm các mô hình cho các gia tử và liên từ như AND, 10 download by : skknchat@gmail.com OR… chúng ta không phải quan tâm đến giá trị nguyên thủy của biến ngôn ngữ đang xét. Các đặc trưng này cho phép chúng ta sử dụng cùng một tập gia tử và xây dựng một cấu trúc toán học duy nhất cho miền giá trị của các biến ngôn ngữ khác nhau.6 Suy luận mờ Suy luận mờ hay còn gọi là suy luận xấp xỉ là quá trình suy ra những kết luận dưới dạng các mệnh đề mờ trong điều kiện các quy tắc, các luật, các dữ liệu đầu vào cho trước cũng không hoàn toàn xác định rõ ràng.

Mỗi luật mờ được biểu diễn bởi một biểu thức “if – then”, được phát biểu dưới dạng ngôn ngữ tự nhiên thể hiện sự phụ thuộc nhân quả giữa các biến. Ví dụ: If chuồn chuồn bay thấp then trời mưa Trong suy luận mờ, đầu ra thường phụ thuộc vào nhiều yếu tố đầu vào. Lúc đó ta có thể biểu diễn luật này dưới dạng luật mờ tổng hợp Gọi x1, x2, …, xn là các biến đầu vào và y là biến đầu ra (thường là các biến ngôn ngữ). Aki là các tập mờ ứng với các luật Rk trên không gian nền Ui có hàm thuộc ký hiệu là Aki(xi) hoặc Aki(xi).

Bk là tập mờ trên không gian nền V có hàm thuộc Bk(y) hoặcBk(y). Luật mờ có dạng (theo chỉ số k): IF (x1 is Ak1) (x2 is Ak2)  … (xi is Aki)  …  (xn is Akn) THEN y is Bk Ví dụ: IF (Ngoại ngữ giỏi)  (Tin học giỏi)  (Chuyên môn cao) THEN (trúng tuyển việc làm rất cao) Trong đó: - x1 là Ngoại ngữ; Ak1 là giỏi; - x2 là Tin học; Ak2 là giỏi - x3 là Chuyên môn; - Ak3 là cao 11 download by : skknchat@gmail.com - y là trúng tuyển việc làm - Bk là rất cao 1.

Nội dung được bảo vệ bản quyền — Tải xuống đầy đủ