ĐẠI HỌC THÁI NGUYÊN TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG PHÙNG THỊ NGA PHÂN LỚP MIỀN XÁC ĐỊNH THUỘC TÍNH TRONG BÀI TOÁN KHAI PHÁ DỮ LIỆU MỜ LUẬN VĂN THẠC SĨ KHOA HỌC MÁY TÍNH THÁI NGUYÊN - 2015 ĐẠI HỌC THÁI NGUYÊN TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG PHÙNG THỊ NGA PHÂN LỚP MIỀN XÁC ĐỊNH THUỘC TÍNH TRONG BÀI TOÁN KHAI PHÁ DỮ LIỆU MỜ Chuyên ngành: Khoa học máy tính Mã số: 60.48.01.01 LUẬN VĂN THẠC SĨ KHOA HỌC MÁY TÍNH Người hướng dẫn khoa học: TS TRẦN THÁI SƠN THÁI NGUYÊN - 2015 i LỜI CAM ĐOAN Tôi xin cam đoan công trình nghiên cứu riêng hướng dẫn trực tiếp Ts Trần Thái Sơn Mọi trích dẫn sử dụng báo cáo ghi rõ nguồn tài liệu tham khảo theo qui định Mọi chép không hợp lệ, vi phạm quy chế đào tạo, hay gian trá, xin chịu hoàn toàn trách nhiệm Thái Nguyên, ngày … tháng … năm 2014 Tác giả Phùng Thị Nga ii LỜI CẢM ƠN Luận văn viết hướng dẫn tận tình nghiêm khắc TS Trần Thái Sơn Lời đầu tiên, tác giả xin bày tỏ lòng kính trọng biết ơn sâu sắc tới thầy Xin chân thành gửi lời cảm ơn tới thầy đóng góp quý báu trình nghiên cứu thời gian hoàn thành luận văn Tác giả xin chân thành gửi lời cảm ơn đến Phòng Đào tạo sau đại học tạo điều kiện thuận lợi trình học tập, nghiên cứu hoàn thành luận văn, đảm bảo tiến độ Cuối cùng, tác giả xin chân thành cảm ơn thành viên gia đình, người dành cho tác giả tình cảm nồng ấm sẻ chia lúc khó khăn sống, động viên giúp đỡ tác giả trình nghiên cứu iii MỤC LỤC LỜI CAM ĐOAN i LỜI CẢM ƠN ii DANH MỤC CÁC KÝ HIỆU VÀ CHỮ VIẾT TẮT iv DANH MỤC CÁC HÌNH v MỞ ĐẦU CHƯƠNG KHAI PHÁ TRI THỨC VỚI HỆ LUẬT MỜ 1.1 Khai phá tri thức từ sở liệu với hệ luật mờ 1.2 Khai phá tri thức theo cách tiếp cận lý thuyết tập mờ 1.2.1 Kiến thức sở tập mờ 1.2.2 Khai phá tri thức với thông tin mờ 1.3 Khai phá tri thức theo cách tiếp cận lý thuyết Đại số gia tử 12 1.3.1 Kiến thức sở ĐSGT 12 1.3.2 Khai phá tri thức với thông tin mờ theo cách tiếp cận ĐSGT 15 CHƯƠNG BÀI TOÁN PHÂN CHIA MIỀN XÁC ĐỊNH THUỘC TÍNH 22 2.1 Bài toán phân chia miền xác định thuộc tính 22 2.2 Các phương pháp giải toán phân chia miền xác định thuộc tính 26 2.2.1 Phương pháp tiền định 26 2.2.2 Tối ưu hóa hàm thuộc MF (Membership functions) 27 CHƯƠNG ĐẠI SỐ GIA TỬ, CÁCH TIẾP CẬN MỚI CHO BÀI TOÁN PHÂN LỚP MIỀN XÁC ĐỊNH THUỘC TÍNH 40 3.1 Giải toán phân chia miền xác định thuộc tính sử dụng khoảng tính mờ giá trị định lượng ngữ nghĩa 40 3.2 Thuật toán giải toán phân chia miền xác định thuộc tính theo cách tiếp cận ĐSGT 40 KẾT LUẬN 48 TÀI LIỆU THAM KHẢO 48 PHỤ LỤC: CHƯƠNG TRÌNH TỐI ƯU HÓA THAM SỐ TẬP MỜ 51 iv DANH MỤC CÁC KÝ HIỆU VÀ CHỮ VIẾT TẮT Các ký hiệu AX Đại số gia tử tuyến tính AX Đại số gia tử tuyến tính đầy đủ A X2 Đại số gia tử µ(h), fm(x) Độ đo tính mờ gia tử h hạng từ xυ Giá trị định lượng theo điểm giá trị ngôn ngữ µA(v) Hàm định lượng giá trị ngôn ngữ A (đo độ thuộc v) sm(x,y) Hàm xác định mức độ gần hai hạng từ x y Khoảng tính mờ giá trị ngôn ngữ Xk Tập hạng từ có độ dài k X(k) Tập hạng từ có độ dài không k Ik Hệ khoảng tính mờ mức k giá trị ngôn ngữ I(k) Hệ khoảng tính mờ từ mức đến mức k giá trị ngôn ngữ Tg Khoảng tương tự bậc g giá trị ngôn ngữ S(k) Hệ khoảng tương tự mức k giá trị ngôn ngữ Các chữ viết tắt CSDL Cơ sở liệu ĐSGT Đại số gia tử ĐS2GT Đại số gia tử ĐLNN Định lượng ngữ nghĩa RB Rule-Base FB Fuzzy Base HAFRG Hedge Algebras based Fuzzy Rules Generation MOGA Thuật giải di truyền đa đối tượng NST Nhiễm sắc thể v DANH MỤC CÁC HÌNH Hình 1.1 Độ đo tính mờ biến TRUTH 16 Hình 1.2 Khoảng tính mờ hạng từ biến TRUTH 19 Hình 2.1 Lưới phân hoạch mờ miền thuộc tính 24 Hình 2.2 Phương pháp phân hoạch mờ scatter-partitio 26 Hình 2.3 Tập MF thuộc tính Ij 29 Hình 2.4 Hai dạng không thích hợp MF 29 Hình 3.1 Tập hàm thuộc cho thuộc tính AGE 45 Hình 3.2 Tập hàm thuộc cho thuốc tính Hours 45 Hình 3.3 Tập hàm thuộc cho thuốc tính IncFam 46 Hình 3.4 Tập hàm thuộc cho thuốc tính IncHead 46 Hình 3.5 Tập hàm thuộc cho thuốc tính MARCHWGT 47 DANH MỤC BẢNG BIỂU Bảng 2.1: Dữ liệu mờ từ liệu bảng 35 Bảng 2.2: Cơ sở liệu 35 Bảng 3.1 Cơ sở liệu 43 MỞ ĐẦU Lý chọn đề tài Trong lĩnh vực khai phá liệu, khó khăn thường gặp hệ thống phải xử lý khối lượng thông tin lớn, đòi hỏi phải có thuật toán hữu hiệu để khai thác tri thức ngầm chứa khối thông tin to lớn Một toán đặt lĩnh vực nghiên cứu cho trước Cơ sở liệu (thường CSDL số, tức giá trị CSDL số thực), từ đó, phương pháp xử lý định, rút hệ tri thức phản ánh quy luật chứa CSDL số Các quy luật biểu diễn dạng hệ luật IF X is A and Y is B THEN Z is C, X, Y, Z biến mờ (thường biến ngôn ngữ), A, B, C giá trị biến ngôn ngữ (thường tập mờ) Thí dụ luật IF đường xa tốc độ di chuyển trung bình THEN thời gian đến đích lâu Để sinh luật vậy, ta phải chuyển hóa miền giá trị thuộc tính “khoảng cách”, “tốc độ”, “thời gian” thành miền mờ, hay nói cách khác phân chia miền giá trị thành miền mờ cho bước xử lý Chẳng hạn, chia miền giá trị thuộc tính độ dài (có giá trị min, max tương ứng chẳng hạn 0km, 200km) thành miền mờ “gần” (0km- 50km), “trung bình” (51km-100km), “xa” (100km-200km) Trong lý thuyết tập mờ, miền mờ coi tập mờ ứng với hàm thuộc (MF- membership function) nhằm xác định độ “thuộc” giá trị biến vào tập mờ cho Khi đó, giá trị thuộc tính CSDL ứng với tập giá trị hàm thuộc ứng với với tập mờ thuộc tính Và ta xây dựng hệ luật mờ dựa việc xử lý tập giá trị độ thuộc thay xử lý thân giá trị ban đầu CSDL Việc xây dựng MF phân chia miền xác định thuộc tính bước quan trọng quy trình xây dựng hệ luật mờ có sở phân chia hợp lý miền xác định thuộc tính ta có tập mờ ngôn ngữ phản ánh tương đối xác ngữ nghĩa định tính nhãn ngôn ngữ dùng hệ luật xây dựng tiếp theo.Phương pháp tiếp cận theo lý thuyết tập mờ cho ta cách xử lý liệu mềm dẻo, nhanh chóng so với phương pháp xử lý số cổ điển Tuy vậy, nhiều vấn đề đặt việc phân chia miền mờ cho hợp lý, xây dựng hàm thuộc nhanh chóng, phù hợp cách xử lý hàm thuộc để giữ ngữ nghĩa gắn với chúng Đại số gia tử (ĐSGT) đời dựa cấu trúc thứ tự tốt tập giá trị ngôn ngữ biến ngôn ngữ khắc phục phần điểm yếu Luận văn đặt mục tiêu sử dụng cách tiếp cận ĐSGT việc xác định MF tối ưu phân chia miền mờ cho thuộc tính CSDL, để xây dựng hệ luật mờ tốt bước nhằm giải toán quan tâm lĩnh vực khai phá liệu hay điều khiển mờ Được đồng ý trường Đại học Công nghệ thông tin Truyền thông với hướng dẫn Thầy giáo em xin mạnh dạn nhận đề tài: “Phân lớp miền xác định thuộc tính toán khai phá liệu mờ” làm đề tài luận văn Đối tượng phạm vi nghiên cứu Đối tượng nghiên cứu luận văn sở liệu đầu vào dùng để khai phá liệu Lý thuyết tập mờ đại số gia tử nghiên cứu công cụ để giải toán đặt Hướng nghiên cứu đề tài Luận văn nghiên cứu phương pháp giải toán phân lớp miền xác định thuộc tính tác giả nước giới, ưu, khuyết điểm phương pháp có nghiên cứu cách giải toán theo cách tiếp cận Đại số gia tử, sử dụng giá trị định lượng ngữ nghĩa giá trị biến ngôn ngữ, phân chia miền thuộc tính tiến hành khai phá liệu Phương pháp nghiên cứu Tìm hiểu lý thuyết tập mờ, dạng tập mờ, tìm hiểu cách biểu diễn tập giá trị chân lý ngôn ngữ cho tập mờ Tìm hiểu mối quan hệ dạng biểu diễn tập mờ với hàm định lượng ngữ nghĩa đại số gia tử, tìm hiểu cách thức chuyển đổi giá trị chân lý ngôn ngữ thành giá trị số Phân tích, đối sánh, liệt kê, nghiên cứu tài liệu, tổng hợp kết nhà nghiên cứu liên quan đến lĩnh vực nghiên cứu Ý nghĩa khoa học Bài toán phân chia miền xác định thuộc tính nói chung đóng vai trò quan trọng trình khai phá liệu có ý nghĩa ứng dụng rộng lớn, đặc biệt loại toán liên quan đến thông tin mờ người thường định thông qua thông tin mờ ngôn ngữ Cho đến phương pháp giải toán chủ yếu dựa tập mờ Giải toán phân chia miền xác định thuộc tính theo cách tiếp cận Đại số gia tử cho ta phương pháp tương đối đơn giản hữu hiệu cách mà Đại số gia tử nói riêng lý thuyết tập mờ nói chung sử dụng 41 Ta thấy, miền xác định thuộc tính, giá trị số nằm hai giá trị ĐLNN khoảng tính mờ liên tiếp trùng với giá trị ĐLNN khoảng tính mờ tính chất tạo nên phân hoạch miền xác định khoảng tính mờ Như vậy, khoảng cách giá trị xij tới giá trị ĐLNN dùng để tính độ thuộc xij vào tập mờ biểu diễn khoảng tính mờ (trường hợp trùng với giá trị ĐLNN có độ thuộc): khoảng cách nhỏ độ thuộc lớn, trùng coi đạt Cụ thể, ta xây dựng hàm thuộc từ giá trị ĐLNN, tức dựng tam giác biểu diễn hàm thuộc tập mờ với đỉnh có tọa độ (υ(xi),1), hai đỉnh lại nằm miền xác định, có tọa độ tương ứng (υ(xi1),0), (υ(xi+1),0), υ(xi-1), υ(xi), υ(xi+1) giá trị ĐLNN liên tiếp A C D B F G v(x1) v(x2) E v(x3) v(x4) Cách xây dựng hàm thuộc hay tương đương tập mờ để phân chia miền xác định thuộc tính theo cách tiếp cận ĐSGT có ưu điểm sau: a Do cách xây dựng ĐSGT có sở phù hợp với ngữ nghĩa người cảm nhận nên mặt cảm tính, thấy hàm thuộc xây dựng phản ánh tốt ngữ nghĩa tập mờ mà biểu diễn b Dễ thấy độ chồng lấn độ phủ hàm thuộc tốt (độ chồng lấn độ phủ nói chương 2) Từ ta thấy cần tối ưu độ thích hợp (suitabitity) MF, ta cần tối ưu usage_factor c Các tham số cần quản xây dựng (mỗi tam giác tham số, giá trị ĐLNN), thay đổi tham số ban đầu ĐSGT, dễ dàng có MF 42 MF giữ nguyên độ đo chồng lấn phủ cũ Phương pháp vậy, đơn giản hợp lý Với cách xác định hàm thuộc trên, ta có hàm thuộc phân chia miền xác định thuộc tính thỏa mãn phần lớn tiêu chí nêu chương trước Việc lại tối ưu hóa tham số ĐSGT tương ứng để có tập hàm thuộc có tổng độ hỗ trợ 1-thuộc tính phổ biến (usage_factor) lớn Việc tiến hành thông qua giải thuật di truyền 3.2 Thuật toán giải toán phân chia miền xác định thuộc tính theo cách tiếp cận ĐSGT Giải thuật di truyền nhằm xây dựng cho thuộc tính CSDL đầu vào tập MF nhằm phân chia tối ưu miền xác định thuộc tính, tức xây dựng CSDL mờ tối ưu từ CSDL số ban đầu Trước hết, với thuộc tính định tính CSDL đầu vào, xác định ĐSGT (bằng cách xác định tham số cần có ĐSGT) Với tham số ĐSGT có được, tính giá trị ĐLNN hạng từ ĐSGT có độ dài không lớn (là độ dài thông thường ta sử dụng) từ xây dựng MF theo cách mô tả mục Tiếp theo, kiểm tra tính tối ưu hệ tập MF xây dựng thông qua hàm tương thích (Fitness Functions), cụ thể kiểm tra tổng độ hỗ trợ tập phổ biến phần tử (1-item frequency sets), tốt giữ lại quần thể Tạo quần thể phép toán di truyền: lai ghép đột biến Lặp lại thuật toán điều kiện dừng thỏa mãn Bài toán phân chia miền xác định thuộc tính với mẫu liệu thu thập bao gồm ghi thuộc tính sở liệu số sau: Bài toán chạy thử nghiệm tập CSDL gồm sáu mươi năm nghìn ghi Dưới trình bày 10 ghi tập CSDL Bao gồm thuộc tính: Tuổi, Số làm việc tuần Mức thu nhập gia đình, mức thu nhập cá nhân mức thuế 43 Bảng 3.1 Cơ sở liệu AGE HOURE INCFAM INCHED MARCHWGP 40 40 41344 49158 58387 35 31700 36960 58387 62 27648 27648 53353 59 40 24691 24691 51338 56 40 31025 50050 55785 71 7549 14869 54960 40 46 14052 38044 110540 69 15874 15874 102395 34 48 27507 27507 117408 38 40 23025 36410 112468 Trong toán thực nghiệm này, từ sở liệu số tiến hành phân chia năm thuộc tính (phân chia miền xác định thuộc tính thành miền mờ) mục đích đưa hàm thuộc tối ưu Xây dựng hàm thuộc tối ưu Mỗi thuộc tính tìm cá thể có độ thuộc tối ưu Sử dụng phương pháp ĐSGT xây dựng hàm thuộc cách tối ưu sau: Mỗi thuộc tính xác định ĐSGT Khi biết tham số ĐSGT, ta biết giá trị ĐLNN 3.Xây dựng tam giác MF dựa giá trị ĐLNN sau: đỉnh tam giác có giá trị trục tung chân đường cao hạ từ đỉnh giá trị ĐLNN, chân tam giác giá trị ĐLNN hai phía liền kề 44 Bài toán được áp dụng thuật giải khai phá gen mờ đa mục tiêu Thực công việc lựa chọn cá thể, chọn lọc giá trị thích nghi, lai tạo đột biến Cụ thể thể qua bước thuật toán Bước 1: Cá thể P tạo ngẫu nhiên từ tổng thể ban đầu Tập hợp không thống trị NDS thiết lập ban đầu rỗng Trong toán này, P thiết lập đến 10 Mỗi cá thể hàm liên thuộc cho phần tử Bước 2: Các giá trị phù hơp tổng số lượng tập hợp phần tử tập hợp xác định giá trị hỗ trợ tối thiểu NST tính Bước 3: Các bước xếp hạng thực thi để xếp hạng 10 NST dựa tiêu chí, suitability(Cq) and totalNumL1, sau: Bước 4: Các giá trị tương ứng NST tính dựa giá trị thứ hạng Bước 5: giá trị tương ứng trung bình NST với thứ hạng tương đương tính toán Bước 6: Các NST với giá trị thứ hạng chép vào tập hợp không thống trị NDS Đó là, NDS = {C2, C3, C5, C7, C10 } Bước đến 10: Các hoạt động xuyên chéo đột biến thực thi tổng thể hoạt động xuyên chéo MMa hoạt động đột biến onepoint sử dụng để tạo hệ Giá trị tương ứng NST tính bước đến Các hoạt động chọn dùng tập hợp không thống trị NDS để chọn cá thể thích hợp cho hệ Bước 10 đến 14: Nếu tiêu chí chấm dứt không phù hợp, trở bước 6, ngược lại, NST tập hợp không thống trị output tập hợp hàm liên thuộc cho việc suy luật liên kết mờ cho tập hợp hàm liên thuộc 45 Hình 3.1 Tập hàm thuộc cho thuộc tính AGE Hình 3.2 Tập hàm thuộc cho thuốc tính Hours 46 Hình 3.3 Tập hàm thuộc cho thuốc tính IncFam Hình 3.4 Tập hàm thuộc cho thuốc tính IncHead 47 Hình 3.5 Tập hàm thuộc cho thuốc tính MARCHWGT 48 KẾT LUẬN Luận văn đạt số kết sau: 1) Giải toán phân chia miền xác định thuộc tính theo cách tiếp cận ĐSGT Chia miền xác định thuộc tính thành miền mờ có nhiều ưu điểm tính đơn giản, gắn chặt ngữ nghĩa so với cách tiếp cận theo lý thuyết tập mờ cổ điển L.Zadeh 2) Tối ưu hàm thuộc dựa phương pháp phân chia hàm thuộc có dạng thống phương pháp phân chia ràng buộc động từ tập sở liệu số chuẩn Hệ tối ưu đa mục tiêu 3) Xây dựng CSDL mờ theo chu trình lặp để có hệ luật mờ tối ưu Từ CSDL số, xây dựng CSDL mờ, Xây dựng hệ luật mờ lại quay lại bước xây dựng CSDL mới, xây dựng luật mờ tối ưu Quá trình lặp lặp lại dựa thuật toán di truyền 4) Cài đặt chương trình CSDL số mẫu đưa tập hàm thuộc cho thuộc tính tối ưu tham số mờ 49 TÀI LIỆU THAM KHẢO Tiếng Việt [1] Nguyễn Cát Hồ, Nguyễn Văn Long, "Đại số gia tử tuyến tính", Tạp chí Tin học Điều khiển học, T.19(3)(2003), 274-280 [2] Nguyễn Cát Hồ, Trần Thái Sơn, Dương Thăng Long, “Tiếp cận đại số gia tử cho phân lớp mờ”, Tạp chí Tin học Điều khiển học, Tập 25(1), 2009, 53-68 [3] Nguyễn Cát Hồ, Trần Thái Sơn, Dương Thăng Long, Trần Duy Hùng, “Phương pháp tối ưu Pareto hệ luật mờ dựa đại số gia tử sử dụng giải thuật di truyền ứng dụng vào toán phân lớp”, Tạp chí Tin học Điều khiển học, Tập 26(2), (2010), 103-117 [4] Dương Thăng Long (2010), Phương pháp xây dựng hệ mờ dạng luật với ngữ nghĩa dựa đại số gia tử ứng dụng toán phân lớp, Luận án Tiến sĩ Toán học, Viện công nghệ thông tin [5] Trần Thái Sơn, Đỗ Nam Tiến, Phạm Đình Phong, “Luật kết hợp theo cách tiếp cận Đại số gia tử”, Tạp chí Tin học Điều khiển học, 27(4), 2011 [6] Trần Thái Sơn, “Lập luận xấp xỉ với giá trị biến ngôn ngữ”, Tạp chí Tin học Điều điều khiển, 15(2) 1999-6-10 Tiếng Anh [7] C Chen, T Hong, Vincent S T and L Chen, Multi-objective geneticfuzzy data mining International Journal of Innovative Computing, Information and Control Volume 8, Number 10(A), October 2012 [8] Nguyen Cat Ho, Tran Thai Son, Tran Dinh Khang, Le Xuan Viet, Fuzziness Measure, Quantified Semantic Mapping And Interpolative Method of Approximate Reasoning in Medical Expert Systems, J.of Computer Science and Cybernetic, T.18(3)(2002), 237-252 50 [9] L.A.Zadeh, The concept of linguistic variable and its application to approximate reasoning Inform Sci (I) (1975) 199-249; (II) (1975) 310 -357; (III) (1975) 43-80 [10] Kevin L and Olivier S (2006), “Fuzzy Histograms and Density Estimation” advances in Soft Computing, Springer Berlin, ISSN 16153871, pp.45-52 51 PHỤ LỤC: CHƯƠNG TRÌNH TỐI ƯU HÓA THAM SỐ TẬP MỜ clear all global alpha_Array global w_Array global minsupp minsupp=0.2; start_time = cputime; loop_time = start_time; generation=200; popsize=100; nst=10; bit=10; vlb=0.2; % kich thuoc cua mot nhiem sac the % GTNN cua nst vub=1-vlb; Pc=0.8; Pm=0.002; % GTLN cua nst % xac suat lai % xac suat dot bien % Read data from file dataBase = dlmread('data\data_Full.txt',','); = [0,0,-20000,-40000,0]; max = [100,100,350000,1300000,1300000]; dataBase = ConvertTo01(dataBase, min, max); % -% Tinh xem chay dc bao nhieu vong lap repeat_num = 0; % Tong so vong lap repeat_num_sum = generation*popsize+popsize; 52 %% Khoi tao quan the for i=1:popsize for j=1:nst CaThe(i).gen(j).gen=round(rand(1,bit)); end end %% Giai thuat di truyen for i=1:generation %% Chon loc % Gia tri thich nghi (dtn) for j=1:popsize loop_time = cputime; repeat_num = repeat_num+1; fprintf(' So lan lap = %d \n', repeat_num); fprintf(' Tien trinh = %f %% \n', (repeat_num/repeat_num_sum)*100); % -for k=1:nst if(k[...]... hành phân chia miền xác định của các thuộc tính thành các miền mờ Việc này tương đương với việc xây dựng các hàm thuộc (MF) cho thuộc tính vì mỗi miền mờ của thuộc tính được xác định thông qua hàm thuộc MF Khi xác định được xong tất cả các MF, mỗi giá trị số của CSDL sẽ nhận một tập các giá trị là độ thuộc của giá trị đó vào các miền mờ đã xây dựng của thuộc tính Cụ thể, thuộc tính Ai có thể được phân. .. dụng trong mọi quá trình thực Từ những kết quả trên cho thấy giá trị định lượng ngữ nghĩa υ(x) của một hạng từ x cũng như khoảng tính mờ (x), x ∈ X, phụ thuộc đầy đủ vào các tham số mờ gia tử fm (c-), fm (c+), µ(h) h ∈ H 22 CHƯƠNG 2 BÀI TOÁN PHÂN CHIA MIỀN XÁC ĐỊNH THUỘC TÍNH 2.1 Bài toán phân chia miền xác định thuộc tính Trong quá trình giải quyết các bài toán có liên quan đến xây dựng hệ luật mờ. .. phương pháp chính trong việc xây dựng các hệ luật mờ, phương pháp tiền định - xây dựng CSDL mờ và hệ luật mờ tách biệt và phương pháp tối ưu hóa các hàm thuộc - xây dựng hệ luật mờ đồng thời với việc tối ưu hóa các hàm thuộc 2.2.1 Phương pháp tiền định Trong nhóm phương pháp này, miền xác định thuộc tính được phân chia trước, độc lập với bước xây dựng hệ luật mờ tối ưu sau đó a Phương pháp phân chia... thuộc vào các yếu tố như chọn tập mờ cho các giá trị ngôn ngữ để phân hoạch trên miền của các thuộc tính cũng như số lượng các giá trị ngôn ngữ, phương pháp lựa chọn, xác định các luật mờ từ không gian các siêu hộp HS để đạt các mục tiêu trong (1.4) Hình 2.2 Phương pháp phân hoạch mờ scatter-partitio 2.2 Các phương pháp giải bài toán phân chia miền xác định thuộc tính Trong mục này, luận văn sẽ đi sâu... phương pháp điều chỉnh tham số mờ cho hệ mờ Hình vẽ 1.6 minh họa phương pháp scatter-partition Trong đó, trên miền của mỗi thuộc tính sẽ chọn các giá trị ngôn ngữ cùng với hàm thuộc tương ứng dựa trên sự phân tán của dữ liệu Chẳng hạn hình chữ nhật tô màu chứa các dữ liệu với phân hoạch bởi các hàm thuộc dạng tam giác có màu tương ứng trên x1x2 26 Rõ ràng phương pháp giải bài toán phân lớp mờ phụ thuộc. .. phân thành k miền mờ (thông thường, để đơn giản, người ta hay giới hạn k