Ứng Dụng Hệ Mờ - Nơ Ron trong Dự Báo Tăng Trưởng Phương Tiện Giao Thông Đường Bộ

Tìm hiểu về hệ lai mờ nơ ron, sự kết hợp giữa logic mờ và mạng nơ ron. Ứng dụng trong bài toán dự báo, giúp đưa ra quyết định chính xác.

• Người hướng dẫn: Ts. Phạm Thanh Hà
• Trường học: Trường Đại Học Công Nghệ Thông Tin Truyền Thông - Đại Học Thái Nguyên
• Chuyên ngành: Công Nghệ Thông Tin
• Đề tài: Ứng dụng Hệ Mờ-Nơ Ron trong Dự Báo Tăng Trưởng Phương Tiện Giao Thông Đường Bộ
• Loại tài liệu: luận văn
• Năm xuất bản: 2016
• Địa điểm: Thái Nguyên

Tóm tắt

I. Tổng Quan Hệ Mờ Nơ Ron Dự Báo Giao Thông Mới Nhất

Bài toán dự báo tăng trưởng phương tiện giao thông đường bộ đang trở nên cấp thiết hơn bao giờ hết trong bối cảnh đô thị hóa nhanh chóng. Các phương pháp truyền thống thường gặp khó khăn trong việc xử lý sự phức tạp và không chắc chắn của dữ liệu giao thông. Hệ mờ và mạng nơ-ron nổi lên như một giải pháp tiềm năng, kết hợp khả năng biểu diễn tri thức linh hoạt của logic mờ và khả năng học từ dữ liệu của mạng nơ-ron. Sự kết hợp này tạo ra một mô hình mạnh mẽ, có khả năng dự báo chính xác hơn trong môi trường giao thông vận tải đầy biến động. Luận văn này đi sâu vào việc nghiên cứu và ứng dụng hệ lai mờ-nơ ron trong bài toán này, với mục tiêu nâng cao hiệu quả và độ tin cậy của mô hình dự báo. Đây là hướng đi đầy hứa hẹn trong lĩnh vực hệ thống giao thông thông minh (ITS).

1.1. Vì Sao Dự Báo Tăng Trưởng Phương Tiện Giao Thông Quan Trọng

Dự báo tăng trưởng phương tiện đóng vai trò then chốt trong quy hoạch giao thông, giúp các nhà quản lý đưa ra quyết định sáng suốt về phát triển hạ tầng giao thông, điều chỉnh chính sách giao thông, và giảm thiểu tắc nghẽn giao thông. Dự báo chính xác cho phép tối ưu hóa nguồn lực, cải thiện an toàn giao thông, và giảm thiểu ô nhiễm môi trường. Các biến động về biến động dân số, GDP, thu nhập bình quân đầu người, và tỷ lệ sở hữu ô tô đều tác động đến nhu cầu giao thông đường bộ và cần được xem xét trong mô hình dự báo.

1.2. Hệ Mờ Nơ Ron Giải Pháp Tiềm Năng Cho Dự Báo Giao Thông

Hệ mờ-nơ ron kết hợp ưu điểm của cả hệ mờ và mạng nơ-ron. Hệ mờ có khả năng biểu diễn tri thức một cách linh hoạt, dựa trên các quy tắc fuzzy logic, trong khi mạng nơ-ron có khả năng học từ dữ liệu và điều chỉnh tham số để cải thiện độ chính xác. Sự kết hợp này cho phép mô hình dự báo xử lý các yếu tố không chắc chắn và phi tuyến tính trong dữ liệu giao thông đường bộ, mang lại kết quả chính xác hơn so với các phương pháp truyền thống như ARIMA hay Exponential Smoothing.

II. Thách Thức Mô Hình Dự Báo Giao Thông Hiện Tại Đang Gặp

Các mô hình dự báo truyền thống thường gặp khó khăn trong việc xử lý dữ liệu giao thông đường bộ phức tạp, phi tuyến tính và chịu ảnh hưởng của nhiều yếu tố khác nhau. Các phương pháp như phân tích chuỗi thời gian (ARIMA, Exponential Smoothing) có thể hiệu quả trong một số trường hợp, nhưng thường không đủ linh hoạt để thích ứng với sự thay đổi nhanh chóng của giao thông vận tải. Hơn nữa, việc thu thập và xử lý dữ liệu giao thông chất lượng cao cũng là một thách thức lớn. Dữ liệu lịch sử có thể không còn phù hợp với tình hình hiện tại, trong khi dữ liệu thời gian thực từ cảm biến giao thông và camera giao thông có thể bị nhiễu và thiếu tính đầy đủ.

2.1. Hạn Chế Của Phương Pháp Dự Báo Giao Thông Truyền Thống

Các phương pháp truyền thống như ARIMA hay Exponential Smoothing thường dựa trên giả định về tính dừng của chuỗi thời gian, điều này không phải lúc nào cũng đúng trong giao thông vận tải. Chúng cũng khó có thể tích hợp các yếu tố định tính như chính sách giao thông hay biến động dân số vào mô hình dự báo. Hơn nữa, độ chính xác của các phương pháp này thường giảm khi dự báo trong dài hạn.

2.2. Vấn Đề Thu Thập Và Xử Lý Dữ Liệu Giao Thông

Việc thu thập dữ liệu giao thông đầy đủ và chính xác là một thách thức không nhỏ. Các nguồn dữ liệu khác nhau như cảm biến giao thông, camera giao thông, GPS, và ứng dụng giao thông có thể cung cấp thông tin hữu ích, nhưng cần được tích hợp và xử lý một cách cẩn thận. Dữ liệu thường bị thiếu, nhiễu, hoặc không đồng nhất, đòi hỏi các kỹ thuật tiền xử lý phức tạp.

III. Phương Pháp Xây Dựng Mô Hình Hệ Mờ Nơ Ron Dự Báo Giao Thông

Để xây dựng một mô hình dự báo hiệu quả bằng hệ mờ-nơ ron, cần trải qua nhiều bước quan trọng. Đầu tiên, cần xác định các yếu tố ảnh hưởng đến tăng trưởng phương tiện giao thông, chẳng hạn như GDP, thu nhập bình quân đầu người, chi phí nhiên liệu, và chính sách thuế. Tiếp theo, cần thu thập và tiền xử lý dữ liệu giao thông từ các nguồn khác nhau. Sau đó, xây dựng cấu trúc hệ mờ-nơ ron, lựa chọn các hàm thành viên, và huấn luyện mạng nơ-ron bằng các thuật toán phù hợp. Cuối cùng, đánh giá hiệu quả của mô hình bằng các chỉ số như RMSE, MAE, và MAPE.

3.1. Lựa Chọn Yếu Tố Ảnh Hưởng Tới Tăng Trưởng Phương Tiện

Việc lựa chọn đúng các yếu tố đầu vào là yếu tố then chốt để xây dựng một mô hình dự báo chính xác. Các yếu tố kinh tế xã hội như GDP, thu nhập bình quân đầu người, tỷ lệ sở hữu ô tô có thể ảnh hưởng lớn đến nhu cầu giao thông đường bộ. Các yếu tố liên quan đến chi phí như chi phí nhiên liệu, phí đường bộ, và chính sách thuế cũng cần được xem xét.

3.2. Huấn Luyện Mạng Nơ Ron Tối Ưu Hóa Mô Hình

Việc huấn luyện mạng nơ-ron đòi hỏi một lượng lớn dữ liệu và các thuật toán tối ưu hóa phù hợp. Các thuật toán như backpropagation thường được sử dụng để điều chỉnh trọng số của mạng nơ-ron sao cho mô hình có thể dự báo chính xác nhất. Cần cẩn thận để tránh overfitting, tức là mô hình quá khớp với dữ liệu huấn luyện và không thể dự báo tốt trên dữ liệu mới.

3.3. Đánh Giá Độ Chính Xác Của Mô Hình Dự Báo Giao Thông

Sau khi xây dựng và huấn luyện mô hình, việc đánh giá độ chính xác của nó là vô cùng quan trọng. Sử dụng các chỉ số như RMSE (Root Mean Squared Error), MAE (Mean Absolute Error), và MAPE (Mean Absolute Percentage Error) để định lượng sai số giữa dự báo và thực tế. So sánh kết quả với các mô hình khác để xác định tính ưu việt của hệ mờ-nơ ron.

IV. Hướng Dẫn Ứng Dụng ANFIS Trong MATLAB Để Dự Báo Giao Thông

MATLAB cung cấp công cụ ANFIS (Adaptive Neuro-Fuzzy Inference System) mạnh mẽ để xây dựng hệ mờ-nơ ron. Đầu tiên, cần chuẩn bị dữ liệu huấn luyện và kiểm tra. Sau đó, sử dụng giao diện ANFIS Editor để thiết kế cấu trúc hệ mờ, lựa chọn các hàm thành viên, và huấn luyện mạng nơ-ron. Cuối cùng, kiểm tra mô hình với dữ liệu kiểm tra và đánh giá hiệu quả. Việc sử dụng ANFIS giúp đơn giản hóa quá trình xây dựng và huấn luyện mô hình dự báo.

4.1. Chuẩn Bị Dữ Liệu Thiết Kế Cấu Trúc Hệ Mờ Trong ANFIS

Việc chuẩn bị dữ liệu bao gồm làm sạch, chuẩn hóa, và chia dữ liệu thành tập huấn luyện và tập kiểm tra. Thiết kế cấu trúc hệ mờ bao gồm lựa chọn số lượng hàm thành viên cho mỗi biến đầu vào, loại hàm thành viên (ví dụ: Gaussian, trapezoidal), và các quy tắc fuzzy logic.

4.2. Huấn Luyện Kiểm Tra Mô Hình ANFIS Để Dự Báo Chính Xác

Sau khi thiết kế cấu trúc hệ mờ, sử dụng các thuật toán như backpropagation hoặc hybrid learning để huấn luyện mạng nơ-ron trong ANFIS. Sau đó, sử dụng dữ liệu kiểm tra để đánh giá hiệu quả của mô hình và điều chỉnh các tham số nếu cần thiết. Đảm bảo rằng mô hình có thể khái quát hóa tốt trên dữ liệu mới.

V. Nghiên Cứu Kết Quả Triển Vọng Dự Báo Giao Thông Bằng Hệ Mờ

Các nghiên cứu gần đây cho thấy hệ mờ-nơ ron có tiềm năng lớn trong việc cải thiện độ chính xác của dự báo tăng trưởng phương tiện giao thông. So với các phương pháp truyền thống, hệ mờ-nơ ron có thể xử lý tốt hơn các yếu tố phi tuyến tính và không chắc chắn trong dữ liệu giao thông. Tuy nhiên, cần tiếp tục nghiên cứu và phát triển để tối ưu hóa cấu trúc và thuật toán huấn luyện của mô hình. Triển vọng trong tương lai bao gồm việc tích hợp hệ mờ-nơ ron với các nguồn dữ liệu lớn (big data) và hệ thống giao thông thông minh (ITS) để tạo ra các mô hình dự báo thời gian thực và chính xác hơn.

5.1. So Sánh Ưu Điểm Hệ Mờ Nơ Ron Với Các Phương Pháp Khác

Điểm mạnh của hệ mờ-nơ ron nằm ở khả năng kết hợp tri thức chuyên gia và học từ dữ liệu. Trong khi các phương pháp truyền thống chỉ dựa trên dữ liệu lịch sử, hệ mờ-nơ ron có thể tích hợp các quy tắc fuzzy logic để mô tả hành vi của người lái xe và các yếu tố kinh tế xã hội. Điều này giúp mô hình dự báo chính xác hơn trong các tình huống phức tạp.

5.2. Tích Hợp Dữ Liệu Lớn Big Data Hệ Thống ITS Trong Tương Lai

Trong tương lai, việc tích hợp hệ mờ-nơ ron với các nguồn dữ liệu lớn và hệ thống giao thông thông minh (ITS) có thể tạo ra các mô hình dự báo thời gian thực và chính xác hơn. Dữ liệu từ cảm biến giao thông, camera giao thông, GPS, và ứng dụng giao thông có thể được sử dụng để cập nhật và cải thiện mô hình liên tục. Điều này giúp các nhà quản lý giao thông đưa ra quyết định nhanh chóng và hiệu quả hơn.

VI. Kết Luận Ứng Dụng Hệ Mờ Nơ Ron Tối Ưu Cho Giao Thông

Ứng dụng hệ mờ-nơ ron trong dự báo tăng trưởng phương tiện giao thông đường bộ mang lại nhiều tiềm năng to lớn. Sự kết hợp giữa khả năng biểu diễn tri thức linh hoạt của hệ mờ và khả năng học từ dữ liệu của mạng nơ-ron tạo ra một mô hình dự báo mạnh mẽ và chính xác. Tuy nhiên, cần tiếp tục nghiên cứu và phát triển để tối ưu hóa cấu trúc và thuật toán huấn luyện của mô hình, cũng như tích hợp hệ mờ-nơ ron với các nguồn dữ liệu lớn và hệ thống giao thông thông minh (ITS). Điều này hứa hẹn sẽ giúp các nhà quản lý giao thông đưa ra quyết định sáng suốt hơn, cải thiện an toàn giao thông, và giảm thiểu ô nhiễm môi trường.

6.1. Tóm Tắt Các Ưu Điểm Chính Của Hệ Mờ Nơ Ron Trong Dự Báo

Hệ mờ-nơ ron có khả năng xử lý dữ liệu phi tuyến tính, không chắc chắn, và tích hợp tri thức chuyên gia. Mô hình có thể tự động điều chỉnh tham số để cải thiện độ chính xác và thích ứng với sự thay đổi của giao thông vận tải. Hệ mờ-nơ ron cũng cung cấp khả năng giải thích kết quả dự báo, giúp các nhà quản lý hiểu rõ hơn về các yếu tố ảnh hưởng đến tăng trưởng phương tiện.

6.2. Hướng Nghiên Cứu Phát Triển Tiếp Theo Trong Lĩnh Vực Này

Các hướng nghiên cứu tiếp theo bao gồm việc phát triển các thuật toán huấn luyện hiệu quả hơn, tích hợp các yếu tố định tính vào mô hình dự báo, và xây dựng các mô hình thời gian thực dựa trên dữ liệu lớn và hệ thống ITS. Ngoài ra, cần nghiên cứu các ứng dụng khác của hệ mờ-nơ ron trong lĩnh vực giao thông vận tải, chẳng hạn như điều khiển giao thông và tối ưu hóa lộ trình.

Trích đoạn nội dung tài liệu

MỞ ĐẦU 1. Đặt vấn để Lý thuyết tập mở và logic mở là cơ sở toán học cho việc nghiên cứu, phát triển các phương pháp lập luận khác nhau, được gọi là phương pháp lập luận xấp xi (approximate reasoning method), 48 mé phing céch thie con người lập luận. Trên thực tế lý thuyết tập mờ và logic mờ là công cụ hữu hiệu giúp chúng ta giải quyết nhiều bài toán có thông tin mờ không diy đủ Mạng ne ron bao gồm các nơ ron được liên kết với nhau bằng các trọng số theo một câu rác xác định. Mạng nơ ron ¢6 thể được huấn luy để thực hiện các nhiệm vụ khác nhau.

Qua trinh buẩn luyện sẽ thit lập bộ trọng số cho các liên kết giữa các nơ ron trong mang Mạng nơ ren nhân tạo được chia ra làm nhiễu loại, trong đồ người ta quan tâm, nhiều đến cấu trúc mạng nơ ron và giải thuật huấn luyện, về cầu trúc có thể chỉa ra các loại mạng như mạng nơ ron một lớp, nhiều lớp, mang nơ ron hồi quy, mạng nơ ron truyén thing, Trong những nim gần đây xu hướng kết hợp mang no ron nhin tgo véi logic tờ đang được quan tâm, với ự kết hợp này người te hỉ vọng kàa thác vã ích hợp được những khả năng tềm tầng của 2 nh vực. HH mờ nơ ron là một sự kết hợp giữa logic mờ và và khả nãng học của mang no ron, Mot trong những sự kết hợp đó mà hệ mờ no ron thich nghỉ (ANFIS - ‘Adaptive neuro fazy inference system). Hé thống này có khả năng tỗi tu hóa hệ Thờ đựa tên các mẫu cósẫn Bài toấn dự báo là một rong những vấn đề được giới chuyên môn quan tim, Vi dự báo thông thường được tiến hình dợa trên các số iu thống kê và kh nghiệm của chuyên gia 2] Chứng ta iết rằng lãnh nghiệm của chuyên gia cổ thể được xác định thông qua các lật mở, đề lên thing kẽ o6 thé duge ding để huẫn luyện mạng no ron Việc kết hợp 2 khả năng nấy sẽ ạo ra một ệ thống có thể dự báo chính xác XVà đó công là Ý do để luận văn chọn đề tất Hệ lai md no ron và ứng dung trong dự báo ©) SOLID CONVERTER PDF> vncrie 2.Đối trợng và phạmví nhiên cáu ~ Các khá iệm cơ bản liên quan đến tập mở, logic mở, hệ mờ - Các khái niệm cơ bản liên quan đến mạng nơ ron. - Nghiên cứu bài toán dự báo một số chỉ ên kinh tế xã hội - Xây dựng hệ mờ - nơ ron rợ dự báo mộtsố chỉ tiêu kinh tế xã hội.

3kHuống nghiên cứu của - Nghiên cứu lý huyếttập mé, logic mo, hi me. - Nghiễn cứu mạng nơ on, hệ mỡ nơ ren - Xây dựng hệ mờnơ ron hỗ trợ dự báo một số chỉtiêu kính tế ã hội. 4, Phương pháp nghiên cứu - Nghiên cứu lý huyết kết hợp với cài đặt thực nghiệm. Ý nghĩa khoa học cña để Hệ thống được các kiến thức về tập mổ, logic mở, mạng nơ ron, các nh ‘vung ting dụng, (Cai dt thi nghiém gi quyết bi toan hue td: Nay dug Hé mé- no ron bd trợ dự báo một số chỉ tiêu kinh tế xã hội.

©) SOLID CONVERTER PDF> vncrie LOGIC MỜ VÀ MẠNG NƠ RON LL.11 Biến ngôn ngữ ‘et mot bién nhận gid ri trọng một miễn giáịnâo đổ, chẳng hạn "thiệt độ" cổ tễ nhận gi sốà 1C, 2C, .l ác giá mì chữ xác, Khi đó với nột gi cath gn io biến gp ching ta nc di được th chất, guy mô củ biến Ngoài ra chứng ta côn bất được những thông tín khác liên quan đến biến đó Xí dã chứng tạ hiễu là không nên chạm tay trần ào vật có "nhiệt độ” là 80 *C trở lên Nhang trong thực t ủi chủng ta thường nỗi *khêng nên chạm vào vật có nhiệt đồ cao” chứ khi nồi "không nên chạm vào vật cổ nhiệt độ 80 *C tr lên” Thực ổ l lời khuyên đầu ti có í hom bai vỉ nếu nhận đư ge Toi khuyên sau thì ta đỸ bị ngô nhận là có thể chạm ty vào vật có nhiệt độ là 79*C trong khi đỏ vật có nhiệtđộ 30°C tở ln thì không "Những vấn để đặt ra là nếu nghe theo lời khuyên đu tỉ tacó thế sắc định rõ là hiệ độ bằng bao nhiề thì cổ thể chạm tay vio? Cau tr liltu vo ý kiếncũa từng người. Với nhiệt độ là 60*C tỉ có người cho là cao trong khi người khác tỉ Thông Tuy các ý kiến là khác nhau nhưng có một điều chắc chấn là kải gi 9ị của iến nhiệt độ công tăng thì cảng dễ dăng được chấp nhận là "cao". Như vậy nếu xét hầm /,„ nhận biến nhiệt độ và trả về tỷ ÿ kiến đồng ÿlà cao" thì „„„ sẽR "hàm thuộc của tập mờ "nhiệt độ cao” trên vũ trụ "nhiệtđộ" Biển nhiệt độ có thể nhận giá trị “cao” là một giá trị của ngôn ngữ tự nhiên "nên nó được gọi là một biển ngôn ngữ (inguistie variabe). ©) SOLID CONVERTER PDF> vncrie "hệt độ 5 88 18 130 Tình L1.

Hàm thuộc củ tập mờ "nhiệt độ cao” Thái niệm biển ngôn ngữ đã được Zad‹h đưa ra năm 1973 hư sa "Một tiến ngôn ngữ được xác định bởi bộ T, U, M) tong 8ó: x là tên bn, T tập các từl các iá tị ngôn ngỡ tr nhiễn mà x cổ thể nhận, là miễn các gid ng, ứng mỗi trong T Với một tập mời `Vi áp x là “ốc độ”, T ~ (châm, trung bình, nhanh) và các “chim, rang binh”, “hanh” được sác định bởi các tập mở trong hình 1. Từ địh nghĩa tên, chúng ta có ể nỗi ng biến ngôn ngỡ là biến có thé sin gi tr ede ập mở tên một miễn não đồ, Chim Trung bình. Nhanh 3Ð 50 T0 10 Tình L2, Các tập mờ "Chân", “hank, Trung bin” 112 Mệnh để mờ Trong logïc cổ điễn (gi vị từ cấp mộ0, một mệnh đề phân tử ZÓQ là một phát biểu có dạng: x làP. ay ©) SOLID CONVERTER PDF> vncrie ° trong dé x là ký hiệu một đối trợng nằm trong một tập các đối trơng nào đồ (hay nối cách khác, x là một giátỉ trên miễn 7), còn là mộ th chất nào đ của các đội tượng trong miễn 7 Chẳng hạn, cc mệnh đề “ảnlà số nguyên tố", *xà người Ấn đột Treng các mệnh để (.13) cỉalogïe kinh điễn tính chit P cho phép ta xe dah "một tập con rổ 4 của Ủ sao cho x E 4.

ấu và chỉ nếu x thoš mãn tinh chit P. Ching ban, th chất "là số nguyễn tố” xắc đính một tập con rổ của tập tt cả các số nguyên đồ l tập ấtcš các số nguyêntố Nếu chúng ta kí hiệu Trưb(Z0))lã giá tị chân ý của mệnh đề th TrahŒP0)) =2,6) 42) trong đồ, 2,(2) là hàm đặc trưng của tập rỗ 4, tập 4 được xác định bởi một tính chất "Mật mệnh đề mờ phântừ căng cổ dạng trong ty hư (1.13), chỉcó điều ở đây -P không phải là một tíh chất cính ắc, mã là một th chất không rổ rồng, mở, Ching hạn, các mệnh đề “tốc độ là nhanh”, “áp suất là cao” “nhiệt độ là thấp”,.là các mệnh để mờ. Chẳng ta có định nghĩa sau. Một mệnh đề mờ phân tổ cổ dạng :x làt as) Trong đó, x là biến ngônmị cồn ¡là một giátrị ngônnụ Theo đinh nghĩa biến ngôn ngữ, từ vương (L.3) được xác định bởi một tập mờ Atrén vũ trụ U.Do 46, ching ta côn có thể định nghĩa mệnh để mờ phn từ là phát tiếucó đựng :x là, as) Trong đó, x là biển ngôn ngỡ, còn 4 1a mét tp mio trén min ce gi tei vat Welax Chứng ta ký biểu 2g) là mệnh đề mở (13), hoặc (1.

Giá tí chân lý Truth(P@)) cia nó được xác định như sau: Truth(P(x)) = (x) (5) Điều đó có nghĩalà giá tị chân lý của mệnh đề mở P0) “x là 4” là mứcđộ thuộc của x vào tập mờ 4 ©) SOLID CONVERTER PDF> vncrie 10 `Ví dụ: Giả sử PQ) là mệnh đề mở “tii là bể”. Giá sẽ tập mỡ À = “tabi ta” được cho trong hình 2. Khi đó mệnh đề mỡ “tuỗi 45 là tr có giá tí chânlý là073 4 tre Trung niện Gia 30 45 10 Hình L3. Tập mo “tai tre” 1.

Các mệnh đề hợp thành Cũng như trong logic kinh đến, từ các mệnh đề mở phân tử, bằng cách sử dụng các kết nỗi logic: A (and), V (er), Ì (not) chúng ta sẽ tạo ra các mệnh đề mờ hợp thành, Giả sử mệnh 48 16 P(x) được mình hoạ như tập con rõ A trong vũ trụ L7 (cần lưu ý rằng,điều đó có ngi ala Truth(P(a)) = 1 x € 4), và mệnh đề rõ Ø(0) được ‘minh hoe như tập con 1õ Z trong Ï' Từ bảng chân lý của các phép toán A (an4), V (ox), | (aot) trong logic cổ điễn chúng ta suy ra: -> Mệnh đề ÌP&) được mình hoạ như tập rõ 21 + Mệnh để Ƒ0)A10) đuợc mình hoạ như quan bệ rổ 4. Ztuên ~> Mệnh để Pá)vØ0) được mình hoa như quan bệ rổ (4 - 7U(U 8). Chuyển sang logic mờ, giá sử rằng ZG) là mệnh đề mờ được mình hoạ nh tập mờ4 trên Ù và Ø0) là mệnh đề được mình ho như tập mờ Z trên V. Tổng chất hoá từ các mệnhđề rổ, chúng ta xắ đnh như sam' -+ Mạnh đề mờ ÌP(x) được mình hoạ như phủ định mờ Z của tập mờ 4: 2sG=€06)) a6 Trong đó, là hàm phần bà.

Khi là hàm phi bi chai t 05 ©) SOLID CONVERTER PDF> vncrie " G0 =1~,G) an + Mệnh đề PQ) A OG) doe mình hoạ như quan hệ mổ 4 A 5, trong đó 4 A Z được xác định là tích để các mờ của 4 và 8. Từ định nghĩa tích đề các mb, tac: “,2(Œ3)=70,69/0)) as Trong đó, T là một T — nerm nào đồ. Với Tã phếplấy min, ta có /uaz(,3) = min(/⁄,(3)./6;(3)) ay Mệnh đề FC)VỢQ) được mình hoạ như quan hé me 4 v B, trong a6 4 vB được xác định là tích đề các mờ của4 va Z. Từ định nghĩa tích đẻ các mờ, ta có: HausI) = Stee.) (19) “Trong đó, S là một S — norm nao 46.

Với S là phép lầy max, ta có: aa(. Kéo theo mở (Luật if- then ma) Troớc hết, chứngta xế phép kéo theo trong logic o điển. Giá sử Zạ) và đồ) là các mệnh đề được mình hoạ nhr các tập rổ 4 và Z trên L/và Ï"trơng ứng Tử bảng chân lý của phép kéo theo trong logic cỗ điền, chứ tạ sy ràng suệnh đề Pa) = Ø0) được mình hoạ như quan bệ rổ trên 7.13) Treng logic mở, một bé theo mờ có dạng “Mệnh đề mờ> = <Mệnh đề mờc.