- Trang Chủ
- Công nghệ thông tin
- Đề tài khoa học và công nghệ cấp cơ sở: Nghiên cứu giải pháp tích hợp các kiểu khác nhau của tri thức để cải tiến mô hình mờ TSK trích xuất từ máy học véc-tơ hỗ trợ
Xem mẫu
- ĐẠI HỌC ĐÀ NẴNG
TRƯỜNG CĐ CÔNG NGHỆ THÔNG TIN
BÁO CÁO TỔNG KẾT
ĐỀ TÀI KHOA HỌC VÀ CÔNG NGHỆ
CẤP CƠ SỞ
NGHIÊN CỨU GIẢI PHÁP TÍCH HỢP CÁC KIỂU
KHÁC NHAU CỦA TRI THỨC ĐỂ CẢI TIẾN
MÔ HÌNH MỜ TSK TRÍCH XUẤT TỪ MÁY HỌC
VÉC-TƠ HỖ TRỢ
Mã số: T2016-07-02
Xác nhận của cơ quan chủ trì đề tài Chủ nhiệm đề tài
Nguyễn Đức Hiển
Đà Nẵng, 12/2016
- i
M C C
C C .............................................................................................................................. i
NH C H NH ....................................................................................................... iii
NH C NG I .................................................................................................. iv
NH CC C I ....................................................................................... v
HÔNG IN K Q NGHIÊN CỨ ............................................................................ vi
Ở ĐẦ ............................................................................................................................... 1
1. ổng quan ................................................................................................................... 1
2. ính cấp thiết của đề tài .............................................................................................. 2
3. ục tiêu đề tài ............................................................................................................ 3
4. Cách tiếp cận và phương pháp nghiên cứu ................................................................. 3
5. Đối tượng và phạm vi nghiên cứu .............................................................................. 4
6. Nội dung nghiên cứu .................................................................................................. 4
Chương C Ở H Ô H NH K À HỌC C- .............. 6
1.1. ô hình mờ............................................................................................................. 6
1.1.1. ô hình mờ amdani ......................................................................................... 8
1.1.2. ô hình mờ akagi-Sugeno................................................................................ 9
1.2. Cơ sở lý thuyết áy học éc-tơ hỗ trợ ................................................................ 10
1.2.1. áy học éc-tơ hỗ trợ ...................................................................................... 10
1.2.2. áy học éc-tơ hỗ trợ cho vấn đề tối ưu hóa hồi qui ...................................... 12
1.3. ự tương tự giữa máy học éc-tơ hỗ trợ và mô hình mờ ..................................... 13
1.4. rích uất luật mờ t dữ li u dựa trên sự kết hợp máy học và mô hình ..... 15
Chương 2 IỆC HỌC Ô H NH ỚI RI HỨC IÊN NGHIỆ ........................ 17
2 ai trò của tri thức tiên nghi m ................................................................................ 17
2 2 Học dựa trên sự giải thích (EBL) ............................................................................. 18
2 3 Học dựa trên sự thích hợp (R ) ............................................................................. 19
2 4 Học quy nạp dựa trên tri thức (K I ) ...................................................................... 20
Chương 3 ÍCH HỢP RI HỨC IÊN NGHIỆ ÀO Q R NH HỌC ................ 22
3 Điều ki n đảm bảo tính “có thể diễn dịch được” của mô hình mờ ........................... 22
32 ích hợp tri thức tiên nghi m trong mô hình mờ dựa trên máy học véc-tơ hỗ trợ ... 24
Chương 4 Ộ ỐK Q HỰC NGHỆ .............................................................. 27
- ii
4 í dụ hồi quy phi tuyến tính ..................................................................................... 27
4 2 Chuỗi thời gian hỗn loạn ackey-Glass .................................................................. 29
4 3 H thống orenz ....................................................................................................... 32
K ẬN À KI N NGHỊ ............................................................................................. 35
ÀI IỆ H KH O ...................................................................................................... i
- iii
DANH M C HÌNH VẼ
Hình 1. Cấu trúc của một mô hình mờ .......................................................................... 6
Hình 2. Hình ảnh phân lớp với SVM ........................................................................... 11
Hình 3. Sự tương đương giữa SVM và Mô hình mờ .................................................. 14
Hình 4. Sơ đồ khối thuật toán f-SVM .............................................................................. .16
Hình 5. Mô hình học EBL.............................................................................................. 18
Hình 6. Mô hình học RBL.............................................................................................. 19
Hình 7. Mô hình học KBIL ............................................................................................ 20
Hình 8. Thuật toán SVM-IF ......................................................................................... 25
Hình 9. Kết quả mô hình đã tối ưu hóa (RMSE = 0.0183) ...................................... 28
Hình 10. Kết quả dự đoán trên 200 mẫu dữ liệu thử nghiệm (RMSE = 0.0092) .. 31
Hình 11. (a) Kết quả mô hình đã tối ưu hóa (RMSE = 0.0043), (b)(c)(d) Các hàm thành
viên tương ứng x(t-1), y(t-1) và x(t-1)............................................................................. 33
- iv
DANH M C BẢNG BIỂU
ảng Tập luật trích xuất được từ mô hình đã tối ưu hóa – 4.1 ........................... 28
ảng 2 So sánh kết quả các mô hình qua thông số RMSE – 4.1 ............................ 28
ảng 3 Diễn dịch ngôn ngữ cho các luật ở bảng 1 .................................................. 29
ảng 4 Tập luật trích xuất được 800 mẫu dữ liệu huấn luyện – 4.2 ..................... 30
ảng 5 So sánh kết quả các mô hình qua thông số RMSE – 4.2 ............................ 31
ảng 6 Tập luật trích xuất được 500 mẫu dữ liệu huấn luyện – 4.3 ..................... 32
ảng 7 So sánh kết quả các mô hình qua thông số RMSE – 4.3 ............................ 34
- v
DANH M C CÁC TỪ VIẾT TẮT
SVM Support Vector Machine
SOM Self Organizing Map
GA Genetic Algorithm
EBL explaination-based learning
RBL relevance-based learning
KBIL Knowledge-based inductive learning
SMO Sequential Minimal Optimization
SVs Support vectors
RMSE Root Mean Squared Error
- vi
ĐẠI HỌC ĐÀ NẴNG CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM
TRƯỜNG CĐ CÔNG NGHỆ THÔNG TIN Độc lập – Tự do – Hạnh phúc
THÔNG TIN KẾT QUẢ NGHIÊN CỨU
1. Thông tin chung:
- ên đề tài: NGHIÊN CỨU GIẢI PHÁP TÍCH HỢP CÁC KIỂU KHÁC NHAU
CỦA TRI THỨC ĐỂ CẢI TIẾN MÔ HÌNH MỜ TSK TRÍCH XUẤT TỪ MÁY HỌC
VÉC-TƠ HỖ TRỢ
- ã số: T2016-07-02
- Chủ nhi m: NG ỄN ĐỨC HI N
- Thành viên tham gia: không có
- Cơ quan chủ trì: RƯ NG C O ĐẲNG CÔNG NGHỆ HÔNG IN
- hời gian thực hi n: 01/2016 – 12/2016
2. Mục tiêu:
Nghiên cứu giải pháp tích hợp các kiểu khác nhau của tri thức với mô hình mờ K
hướng dữ li u (data-driven models) trích uất t máy học véc-tơ hỗ trợ cho bài toán dự báo
hồi quy nhằm cải tiến hi u quả của mô hình
3. Tính mới và sáng tạo:
Đề uất thuật toán tích hợp tri thức tiên nghi m trong quá trình trích uất mô hình
mờ K t máy học éc-tơ hỗ trợ hồi quy; qua đó cải thi n hi u quả, cụ thể là tính diễn
dịch, của mô hình mờ trích uất được
4. Tóm tắt kết quả nghiên cứu:
Đối với lý thuyết mô hình mờ (fuzzy modelling) và máy học Véc-tơ hỗ trợ, đề tài
đã nghiên cứu những lý thuyết toán học cơ bản của mô hình mờ K, và của mô
hình máy học cho bài toán phân lớp và bài toán tối ưu hóa hồi quy
Đối với vai trò của tri thức tiên nghi m, đề tài đã nghiên cứu vai trò của tri thức tiên
nghi m trong vi c học mô hình mờ và các kịch bản tích hợp tri thức tiên nghi m
vào quá trình học mô hình mờ để cải thi n hi u quả mô hình.
Đối với pháp tích hợp tri thức tiên nghi m vào mô hình mờ K trích uát t máy
học véc-tơ hỗ trợ hồi quy, đề tài đã phân tích và đề uất thuật toán mới -IF. Đề
tài cũng đã tiến hành thực nghi m thuật toán đề uất trên một số bài toán ví dụ và
phân tích, đánh giá kết quả kết hợp so sánh với một số mô hình có trước khác
- vii
5. Tên sản phẩm:
ài báo khoa học đăng trên kỷ yếu Hội thảo nghiên cứu khoa học: CÔNG NGHỆ
HÔNG IN À ỨNG NG CÔNG NGHỆ HÔNG IN RONG C C ĨNH
ỰC - ẦN HỨ 5 – CI ’20 6 Tên bài báo: Cải thiện mô hình mờ với tri thức
tiên nghệm
Thuật toán trích uất luật mờ t máy học éc-tơ hỗ trợ ( -IF) và một số kết quả
thực nghi m với mô hình mờ trích uất được
ột báo cáo tổng kết đề tài nghiên cứu khoa học
6. Hiệu quả, phương thức chuyển giao kết quả nghiên cứu và khả năng áp dụng:
Hi u quả về mặt giáo dục - đào tạo: Kỹ thuật trích uất luật mờ t dữ li u dựa trên
máy học véc-tơ hỗ trợ với thuật toán -IF là một hướng để sinh viên ngành
CN có thể phát triển các ứng dụng kha phá dữ li u, h chuyên gia, .
Hi u quả về mặt khoa học: đóng góp của đề tài là đề uất một thuật toán (SVM-IF)
cho phép trích uất mô hình mờ K t máy học véc-tơ hỗ trợ hồi qui có tích hợp
tri thức tiên nghi m để cải thi n hi u quả của mô hình
ề sản phẩm ứng dụng: huật toán đề uất là cơ sở để ây dựng mô hình mờ dạng
luật, ây dựng h thống hỗ trợ phân tích dữ li u, h chuyên gia dự đoán, dự báo.
7. Hình ảnh, sơ đồ minh họa chính
- viii
Hình 3. Sự tương đương giữa SVM và Mô hình mờ
Begin
Khởi tạo các tham số của SVMs
Centers : 𝑐𝑖 , 𝑖 = 1. . 𝑚
Variances : 𝜎𝑖 , 𝑖 = 1. . 𝑚
Trích xuất luật mờ t SVMs
IF x is Gaussmf(𝑐𝑖 , 𝜎𝑖 ) THEN y is B
Tối ưu hóa
𝑥−𝑐 2 𝑥−𝑐 2
𝜎𝑖 𝑡 + 1 = 𝜎𝑖 𝑡 + 𝛿𝜀1,𝑖 𝑒𝑥𝑝 −
𝜎3 2𝜎2
− 𝑥−𝑐 𝑥−𝑐 2
𝑐𝑖 𝑡 + 1 = 𝑐𝑖 𝑡 + 𝛿𝜀1,𝑖 𝑒𝑥𝑝 −
𝜎2 2𝜎2
End
Hình. 4. ơ đồ khối thuật toán f-SVM.
- ix
1. Procedure ModelExtraction(ℋ, k, tol)
2. Khởi tạo các giá trị tham số: , , ,
3. while error>tol do
4. =∑ 1 − , +
5. ={ − − , { , , }}
6. InterpretabilityTest(SV, n, σ, k)
−
7. Điều chỉnh ma trận kernel: = ,
−
〈 , ( )〉
=
∑〈 , ( )〉
8. = [‖ − ℋ ‖2 ]
9. = +
10. end while
− 2 − 2
11. +1 = + 1, 3
−
2 2
− − − 2
12. +1 = + 1, 2
−
2 2
∑ ( − ) ,
13. return = ∑ ( − )
14. end procedure
15. Procedure InterpretabilityTest(SV, n, σ, k)
16. repeat
2
2
17. Tính độ sự tương tự giữa các cặp tập mờ: ( , )= 2
2 − 2
18. Lựa chọn môt cặp tập mờ và sao cho
( , )= , { ( , )}
19. if ( , ) then
20. Gộp cặp tập mờ và thành một tập mờ mới
21. end if
22. until không còn căp tập mờ nào có độ đo sự tương tự ( , )
23. end procedure
Hình 4. huật toán -IF
- x
Bảng 1. ập luật trích uất được t mô hình đã tối ưu hóa – 4.1
Hình 5. Kết quả mô hình đã tối ưu hóa (RMSE = 0.0183)
(a) (b)
Hình 6. Kết quả dự đoán trên 200 mẫu dữ li u thử nghi m (RMSE = 0.0092)
Bảng 5. o sánh kết quả các mô hình qua thông số R E – 4.2
ố luật ô hình áp dụng
mờ ANFIS RBF SVM ô hình đề uất
- xi
SVM-IF
170
- xii
Bảng 7. o sánh kết quả các mô hình qua thông số R E – 4.3
ố luật ô hình áp dụng
mờ ANFIS RBF SVM ô hình đề uất
SVM-IF
216 8*10-4 --- --- ---
150 --- 4.62*10-8 0.0110
- 1
MỞ ĐẦU
1. Tổng quan
ô hình mờ được biết đến như là một mô hình khá hi u quả trong vi c ử lý
những thông tin mơ hồ và không chắc đó chắn, đồng thời nó cũng thể hi n những
lợi thế rõ ràng trong vi c biểu diễn và ử lý tri thức Hoạt động của mô hình mờ phụ
thuộc chủ yếu vào h thống các luật mờ và quá trình suy diễn trên tập luật mờ đó
Đã có nhiều tác giả nghiên cứu và đề uất các phương thức để ây dựng các mô
hình mờ hướng dữ li u Nhìn chung các giải pháp này chủ yếu dựa trên kỹ thuật
khai phá dữ li u, các mô hình máy học thống kê như: Neural Network [ 2][ 3][ 4],
Support Vector Machine (SVM) [7][10][11][20][22], Self Organizing Map (SOM)
[ 4], Cây quyết định [25][28], Đại số gia tử [27], và các thuật toán Phân cụm, Phân
lớp, Hồi quy,… [9][ 2]
ý thuyết máy học éc-tơ hỗ trợ ( s) được giới thi u ban đầu là một kỹ
thuật để giải quyết bài toán phân lớp [6] uy nhiên, sau đó đã có rất nhiều nghiên
cứu phát triển và đề uất máy học éc-tơ hỗ trợ giải quyết bài toán tối ưu hóa hồi
quy, gọi là máy học éc-tơ hỗ trợ hồi quy ( upport vector regression)
[ ][2][3][ 5][ 9] rong nhiều ứng dụng, đã thể hi n hi u năng cao hơn so
với các mô hình máy học truyền thống [3]
ấn đề trích uất mô hình mờ t máy học Véc-tơ hỗ trợ được nhóm tác giả J -H
Chiang và P.- Hao nghiên cứu và công bố lần đầu tiên trong [ 0] heo hướng tiếp
cận này, nhiều tác giả đã nghiên cứu đề uất và ứng dụng các kỹ thuật rút trích các
luật mờ t cho vi c phát triển các mô hình mờ hướng dữ li u cho các bài toán
phân lớp [7][ ][20], dự báo hồi quy [7][20][22] Có ý kiến cho rằng sự khác bi t
chủ yếu giữa h thống mờ dựa trên máy học éc-tơ hỗ trợ và mô hình máy học
Véc-tơ hỗ trợ chính nguyên thủy chính là đặc tính “có thể diễn dịch được” [ ][20];
đặc tính này cho phép h thống mờ dễ hiểu hơn so với mô hình máy học éc-tơ hỗ
trợ Hay nói theo một cách khác là mô hình mờ dựa trên máy học éc-tơ hỗ trợ đã
khắc phục được đặc tính “hộp đen” (black bo ) của mô hình máy học éc-tơ hỗ trợ
- 2
nguyên thủy ên cạnh đó, do tập luật trích uất tự động t dữ li u thông qua học
máy sẽ có nhiều khiếm khuyết do dữ li u ngẫu nhiên có thể bị lỗi (nhiễu), thiếu tính
đặc trưng, thiếu tính bao phủ ì vậy, vi c hiểu được tập luật để hi u chỉnh, bổ
sung, tối ưu hóa là thật sự cần thiết Các nghiên cứu nhằm tích hợp tri thức chuyên
gia với mô hình mờ hướng dữ li u có thể tìm thấy trong [8][ 7][22][23] Tuy nhiên
với một tập luật có số lượng lớn thì vi c hiểu và diễn dịch được chúng, đồng thời có
thể phân tích và tích hợp chúng với các tri thức có tính chất tinh túy của chuyên gia,
quả thật rất khó khăn Phân cụm tập luật đã đề uất trong [28] là một trong những
giải pháp cho vấn đề đơn giản hóa tập luật của các mô hình mờ hướng dữ li u
ột đặc điểm đáng lưu ý của máy học éc-tơ hỗ trợ là tính chính ác của mô
hình thu được tỷ l thuận với số lượng upport-vector sinh ra [7][11][20]. Nói cách
khác là khi tăng hi u suất của mô hình thì đồng nghĩa với vi c làm giảm tính “có thể
hiểu được” (“có thể diễn dịch được” - interpretability) của mô hình Như vậy vấn đề
đặt ra là làm thế nào có thể trích uất được h thống mờ đảm bảo tính chính ác
trong dự đoán, đồng thời đảm bảo được đặc tính “có thể diễn dịch được”
Theo lý thuyết học máy dựa trên tri thức thì tùy thuộc vào vai trò của tri thức,
vi c học dựa trên tri thức có thể phân thành các kịch bản như sau: học dựa trên giải
thích (explaination-based learning) hay còn gọi là E , học dựa trên sự phù hợp
(relevance-based learning) hay còn gọi là R , và học qui nạp dựa trên tri thức
(knowledge-based inductive learning) hay còn gọi là K I Cho dù theo kịch bản
nào, thì các kiểu khác nhau của tri thức cũng có thể sử dụng để cải thi n hi u quả
của mô hình máy học nói chung và mô hình mờ nói riêng [24].
2. Tính cấp thiết của đề tài
i c tối ưu hóa những mô hình mờ hướng dữ li u, đặc bi t là mô hình mờ trích
uất t máy học éc-tơ hỗ trợ, làm sáng tỏ tập quy tắc mờ của mô hình để các
chuyên gia con người có thể hiểu và diễn dịch được các quy tắc đó, qua đó có thể
lựa chọn, hi u chỉnh, bổ sung để làm tăng hi u quả sử dụng của các mô hình mờ
hướng dữ li u, là thách thức mới của những nhà nghiên cứu ây dựng mô hình mờ
ới vai trò của tri thức tiên nghi m trong mô hình máy học thì vi c nghiên cứu giải
- 3
pháp tích hợp các kiểu khác nhau của chúng vào mô hình mờ trích uất t máy học
Véc-tơ hỗ trợ có thể cải thi n được hi u quả của mô hình mờ, đặc bi t là làm tăng
tính diễn dịch của mô hình mờ
3. Mục tiêu đề tài
Nghiên cứu giải pháp tích hợp các kiểu khác nhau của tri thức với mô hình mờ
K hướng dữ li u (data-driven models), trích uất t máy học véc-tơ hỗ trợ cho
bài toán dự báo hồi quy, nhằm cải tiến hi u quả của mô hình
Các mục tiêu cụ thể:
Nghiên cứu kỹ thuật trích uất mô hình mờ K t máy học éc-tơ hỗ
trợ hồi quy ;
Nghiên cứu vai trò của tri thức tiên nghi m đối với quá trình học một mô
hình mờ;
Giải pháp tích hợp tri thức tiên nghi m vào mô hình mờ TSK hướng dữ
li u trích uất t máy học éc-tơ hỗ trợ;
ột số kết quả thực nghi m trên thuật toán đề uất, trong đó có kết hợp
so sánh với kết quả của một số mô hình khác
4. Cách tiếp cận và phương pháp nghiên cứu
4.1. Cách tiếp cận:
iếp cận theo hướng hàn lâm: dựa vào tài li u và các công bố khoa học
iếp cận theo hướng mục tiêu: dựa vào mục tiêu đề tài
Đề tài sẽ được thực hi n theo 4 giai đoạn:
Giai đoạn : Nghiên cứu trích uất mô hình mờ TSK hướng dữ li u t
máy học éc-tơ hỗ trợ
Giai đoạn 2: Nghiên cứu vai trò của tri thức tiên nghi m đối với quá trình
học một mô hình mờ
Giai đoạn 3: Giải pháp tích hợp tri thức tiên nghi m vào mô hình mờ
hướng dữ li u trích uất t máy học éc-tơ hỗ trợ
- 4
Giai đoạn 4: hực nghi m, đánh giá kết quả và viết báo cáo tổng kết đề
tài
4 2 Phương pháp nghiên cứu:
Đề tài sử dụng phương pháp nghiên cứu lý thuyết, cơ sở toán học, kết hợp với
thực nghi m Cụ thể là: trên cơ sở nghiên cứu các tài li u và công bố khoa học mới
nhất về vấn đề trích uất mô hình mờ t máy học , kết hợp với vi c phân tích
lựa chọn các kiểu của tri thức tiên nghi m để t đó ây dựng thuật toán cho phép
tích hợp tri thức tiên nghi m vào vi c học mô hình mờ TSK t máy học hồi
quy; cuối cùng là thực nghi m mô hình và đánh giá kết quả
5. Đối tượng và phạm vi nghiên cứu
5. Đối tượng nghiên cứu:
Đề tài tập trung vào các đối tượng nghiên cứu cơ bản sau:
áy học éc- tơ hỗ trợ
ô hình mờ K
huật toán trích uất mô hình mờ t máy học éc-tơ hỗ trợ
ri thức tiên nghi m (a priori knowledge)
ột số bài toán dự báo hồi quy
5.2 Phạm vi nghiên cứu:
Cải tiến hi u quả, cụ thể là tính diễn dịch, của mô hình mờ K trích uất t
máy học éc-tơ hỗ trợ cho bài toán dự báo hồi quy
6. Nội dung nghiên cứu
Đề tài được tiến hành thực hi n theo các nội dung và tiến độ cụ thể như sau:
ST Các nội dung, công vi c ản phẩm hời gian
(bắt đầu-kết Người thực hi n
T thực hi n
thúc)
ìm hiểu về lý thuyết áy học Báo cáo 02/16 - Nguyễn Đức Hiển
1
Véc- tơ hỗ trợ 03/16
- 5
ìm hiểu về mô hình mờ K Báo cáo 03/16 - Nguyễn Đức Hiển
2
04/16
Nghiên cứu thuật toán trích uất huật toán 05/16 - Nguyễn Đức Hiển
3
mô hình mờ t máy học éc-tơ và số li u 06/16
hỗ trợ thực
nghi m
Nghiên cứu về vai trò ri thức Báo cáo 04/16 - Nguyễn Đức Hiển
4
tiên nghi m (a priori knowledge) 05/16
trong mô hình máy học
Giải pháp tích hợp ri thức tiên huật toán 06/16 - Nguyễn Đức Hiển
5
nghi m với mô hình mờ trích và số li u 09/16
uất t máy học éc-tơ hỗ trợ thực
nghi m
Nghiên cứu thực nghi m cho ố li u 10/16 – Nguyễn Đức Hiển
6
một số bài toán dựu báo hồi quy thực 12/16
nghi m
rong các chương tiếp theo sau đây của báo cáo, chúng tôi sẽ trình bày những
kết quả nghiên cứu chính về lý thuyết và thực nghi m đã thực hi n được Chương
sẽ giới thi u tóm lược cơ sở lý thuyết về mô hình mờ K và mô hình máy học
Véc-tơ hõ trợ hồi quy, chương 2 sẽ trình bày những kết quả nghiên cứu về vai trò
của tri thức tiên nghi m trong vi c học mô hình mờ, chương 3 sẽ trình bày về giải
pháp tích hợp tri thức tiên nghi m vào vi c học mô hình mờ K dựa trên máy học
véc-tơ hỗ trợ hồi quy, chương 4 trình bày một số kết quả thực nghi m, và cuối cùng
là kết luận và một số kiến nghị rút ra t kết quả của đề tài
- 6
Chương . CƠ SỞ THUYẾT MÔ HÌNH MỜ TSK VÀ MÁY
HỌC V C-TƠ HỖ TRỢ
1.1. Mô hình mờ
ô hình mờ (fuzzy models) hay cụ thể là mô hình dựa treen các luật mờ
(fuzzy rule-based models) là cơ cấu tính toán dựa trên các khái ni m của lý thuyết
tập mờ, các tập luật “IF- HEN” mờ, cùng với cơ chế suy diễn mờ [9][12]. Lý
thuyết tập mờ lần đầu tiên được otfi Zadeh, một giáo sư thuộc trường Đại học
Caliornia, erkley, giới thi u trong một công trình nghiên cứu vào năm 965 ý
thuyết tâp mờ bao gồm: logic mờ, số học mờ, quy họach toán học mờ, hình học tô-
pô mờ, lý thuyết đồ thị mờ, và phân tích dữ li u mờ, mặc dù thuật ngữ logic mờ
thường được dùng chung cho tất cả ý thuyết tập mờ chính là công cụ toán học và
logic để thiết lập nên các khâu cơ bản trong hoạtt động của một mô hình mờ
ề tổng thể, mỗi mô hình mờ nói chung đều bao gồm các đầu vào (inputs),
đầu ra (output) cùng với một bộ ử lý ộ ử lý thực chất là một ánh ạ phản ánh sự
phụ thuộc của biến đầu ra h thống đối với các biến đầu vào Các biến đầu vào nhận
giá trị rõ, đầu ra có thể là một tập mờ hoặc một giá trị rõ Quan h ánh ạ của đầu ra
đối với các đầu vào mô hình mờ được mô tả bằng một tập luật mờ, thay vì một hàm
số tường minh Cụ thể hơn, cấu trúc cơ bản của một mô hình mờ bao gồm năm
thành phần chủ yếu (Hình ):
Hình 1. Cấu trúc cơ bản của một mô hình mờ
- 7
- Cơ sở luật (rule base) nơi chứa đựng tập các luật mờ “IF- HEN”, thực chất
là tập các quy tắc biểu diễn mối quan h giữa các biến đầu vào và đầu ra sử
dụng giá trị ngôn ngữ (linguistic terms).
- Bộ tham số mô hình quy định hình dạng hàm thuộc của giá trị ngôn ngữ
được dùng để biểu diễn biến mờ và các luật mờ.
- Cơ chế suy diễn (reasoning mechanism) có nhi m vụ thực hi n thủ tục suy
diễn mờ dựa trên cơ sở tri thức và các giá trị đầu vào để đưa ra một giá trị
dự đoán ở đầu ra.
- Giao di n mờ hóa (fuzzification interface) thực hi n chuyển đổi các đầu vào
rõ thành mức độ trực thuộc các giá trị ngôn ngữ.
- Giao di n khử mờ (defuzzification interface) thưc hi n chuyển đổi kết quả
suy diễn mờ thành giá trị đầu ra rõ.
Nhìn chung cốt lõi cơ bản của một mô hình mờ vẫn là cơ sở tri thức của mô
hình đó, mà cụ thể đó là h luật mà và lập luận (hay suy diễn) ề cơ bản có hai
cách ây dựng cơ sở tri thức của mô hình mờ: hứ nhất, thu thập tri thức dựa trên
kinh nghi m của các chuyên gia, được phát biểu dưới dạng các luật, các quy tắc, gọi
chung là tri thức chuyên gia (E pert knowledge); hứ hai là tích lũy, tổng hợp và
hoàn thi n cơ sở tri thức dựa trên vi c khám phá tri thức t dữ li u thực tế, gọi là tri
thức dữ li u ( ata knowledge)
heo hướng tiếp cận đầu tiên, chất lượng hoạt động của mô hình phụ thuộc
vào chất lượng tri thức mà chuyên gia lĩnh vực cung cấp Nếu người lập mô hình
khai thác tri thức t một chuyên gia có kinh nghi m, hiểu rõ lĩnh vực thì mô hình
thu được sẽ có độ tin cậy cao uy nhiên, tiêu chuẩn thế nào là một chuyên gia vẫn
là chủ đề đang bàn cãi, và do đó, giữa những chuyên gia có thể có những đánh giá
khác nhau về cùng một vấn đề Nghĩa là tính thống nhất trong các quy tắc, các luật
t kinh nghi m con người là hạn chế, chưa kể tới tính đúng sai hêm vào đó, bản
thân người chuyên gia đôi khi gặp khó khăn khi diễn đạt tường minh tri thức của
mình thành các luật, các quy tắc Những điều trên khiến cho quá trình thu thập tri
thức t kinh nghi m con người trở nên rất phức tạp mà bản thân người lập mô hình
phải gánh vác
nguon tai.lieu . vn