i LỜI CAM ĐOAN Tôi xin cam đoan luận văn công trình nghiên cứu thực cá nhân thực dìu dắt hướng dẫn nhiệt tình TS Vũ Như Lân Các số liệu, kết thân nghiên cứu tìm hiểu trình bày luận văn trung thực chưa công bố hình thức Tôi xin chịu trách nhiệm nghiên cứu Học viên Nguyễn Xuân Đăng ii LỜI CẢM ƠN Đầu tiên xin gửi lời cảm ơn sâu sắc tới TS Vũ Như Lân, người hướng dẫn khoa học, tận tình bảo, giúp đỡ thực luận văn Tôi xin cảm ơn quí thầy cô Trường Đại Học Công nghệ Thông Tin Truyền Thông Thái Nguyên giảng dạy truyền kiến thức cho Tôi xin chân thành cảm ơn bạn bè đồng nghiệp tạo điều kiện giúp đỡ hoàn thành nhiệm vụ học tập Cuối cùng, xin cảm ơn người thân, bạn bè gia đinh ủng hộ giúp đỡ hoàn thành luận văn Mặc dù cố gắng hoàn thành luận văn với tất nỗ lực thân, luận văn thiếu sót Kính mong nhận ý kiến đóng góp quý Thầy, Cô bạn bè, đồng nghiệp Tôi xin chân thành cảm ơn! iii MỤC LỤC PHẦN 1: MỞ ĐẦU Lý chọn đề tài Đối tượng phạm vi nghiên cứu 2.1 Đối tượng 2.2 Phạm vi nghiên cứu Hướng nghiên cứu đề tài Phương pháp nghiên cứu 4.1 Phương pháp nghiên cứu lý thuyết 4.2 Phương pháp nghiên cứu thực tiễn Ý nghĩa khoa học luận văn Cấu trúc luận văn PHẦN 2: NỘI DUNG CHƯƠNG 1: GIỚI THIỆU MỘT SỐ KIẾN THỨC CƠ SỞ 1.1 Những vấn đề sở lý thuyết tập mờ logic mờ 1.1.1 Lý thuyết tập mờ 1.1.2 Logic mờ 1.1.2.1 Định nghia logic mờ 1.1.2.2 Các phép toán logic mờ 1.2 Chuỗi thời gian mờ 11 1.2.1 Khái niệm: 11 1.2.2 Một số định nghĩa liên quan đến chuỗi thời gian mờ 12 1.3 Quan hệ mờ 13 1.3.1 Các quan hệ mờ 13 1.3.2 Các phép toán quan hệ mờ 13 1.3.3 Suy luận xấp xỉ suy diễn mờ 14 1.3.4 Hệ mờ 14 1.4 Lý thuyết tối ưu 17 1.5 Giới thiệu đại số gia tử số tính chất 18 1.5.1 Sơ lược đại số gia tử 18 1.5.2 Biến ngôn ngữ 20 iv 1.5.3 Đại số gia tử biến ngôn ngữ 22 1.5.4 Các tính chất ĐSGT tuyến tính 24 1.5.5 Thuật toán tính toán đại số gia tử 25 KẾT LUẬN CHƯƠNG 28 CHƯƠNG 2: DỰ BÁO CHUỖI THỜI GIAN MỜ 29 2.1 Thuật toán dự báo chuỗi thời gian mờ Song Chissom 29 2.2 Thuật toán dự báo mờ Chen 36 2.2.1 Thuật toán Chen phương pháp ứng dụng vào dự báo tuyển sinh đại học Alabama 36 2.2.2 Thuật toán bậc cao Chen 43 KẾT LUẬN CHƯƠNG 45 CHƯƠNG 3: MÔ HÌNH DỰ BÁO SỬ DỤNG ĐSGT VỚI NGỮ NGHĨA 46 3.1 Xây dựng Thuật toán dự báo chuỗi thời gian mờ với ngữ nghĩa định lượng tối ưu 46 3.2 So sánh kết Thuật toán dự báo chuỗi thời gian mờ 56 3.3 Nhận xét chung 58 PHẦN 3: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 59 TÀI LIỆU THAM KHẢO 60 PHỤ LỤC 62 v DANH MỤC VIẾT TẮT STT Ký hiệu viết tắt Ý nghĩa ĐSGT Đại số gia tử NQHNN Nhóm quan hệ ngữ nghĩa vi DANH MỤC CÁC HÌNH Hình 1.1 Cấu hình hệ mờ 14 Hình 2.1: Số sinh viên nhập học thực tế số sinh viên nhập học dự báo 36 vii DANH MỤC CÁC BẢNG Bảng 1.1 : Các cặp T - chuẩn T - đối chuẩn Bảng 1.2 Một số phép kéo theo mờ thông dụng 10 Bảng 1.3 Ví dụ tính âm dương gia tử 23 Bảng 2.1: Chuyển đổi giá trị lịch sử thành giá trị ngôn ngữ 32 Bảng 2.2: Xác định quan hệ thành viên 34 Bảng 2.3 Bảng mờ hóa liệu 39 Bảng 2.4 Mối quan hệ Logic mờ tuyển sinh 40 Bảng 2.5 Nhóm mối quan hệ logic mờ 40 Bảng 2.6 Kết dự báo Chen 42 Bảng 3.1 Số sinh viên nhập học trường đại học Alabama từ 1971 đến 1992 46 Bảng 3.2 Giá trị đầu giá trị cuối khoảng giải nghĩa chọn 54 Bảng 3.3 Kết tính toán dự báo tối ưu số sinh viên nhập học 55 Bảng 3.4: So sánh phương pháp dự báo với khoảng chia 57 PHẦN 1: MỞ ĐẦU Lý chọn đề tài Logic mờ đời cung cấp công cụ hữu hiệu để nghiên cứu xây dựng hệ thống có khả xử lý thông tin không xác Nhờ có logic mờ mà người xây dựng hệ có tính linh động cao, hệ chuyên gia có khả suy luận chuyên gia hàng đầu có khả tự hoàn thiện thông qua việc thu nhận tri thức Ngày logic mờ có phạm vi ứng dụng rộng rãi giới, từ hệ thống cao cấp phức tạp hệ dự báo, nhận dạng, robos, vệ tinh, du thuyền, máy bay,… đến đồ dùng ngày máy giặt, máy điều hoà không khí, máy chụp hình tự động,… Trong việc dự báo lấy chuỗi thời gian mờ làm sở để nghiên cứu ứng dụng mang lại nhiều kết cao có giá trị thực tiễn Thuật toán dự báo chuỗi thời gian mờ Song & Chissom nghiên cứu đưa tạp chí “Fuzzy Sets and Systems” năm 1993 [14, 15, 16] Chen cải tiến vào năm 1996 [ ] Nhiều nghiên cứu dự báo có giá trị thực tế thực sở phương pháp luận dự báo theo Thuật toán chuỗi thời gian mờ nêu Ở Việt Nam nghiên cứu lĩnh vực tác giả Nguyễn Công Điều nghiên cứu đăng tạp chí “ khoa học công nghệ ’’ Tiếp cận đại số gia tử cách tiếp cận khác biệt so với tiếp cận mờ, với kết ứng dụng có hiệu gần ĐSGT nhiều nhà khoa học Việt Nam như: N.C Ho and W Wechler, Nguyễn Cát Hồ, Vũ Như Lân, Lê Xuân Viết … nghiên cứu gần minh chứng quan trọng cho tính đắn tiếp cận có xuất phát điểm khoa học dựa hệ tiên đề chặt chẽ Các tham số ĐSGT cho phép tính toán giá trị ngữ nghĩa hợp lý Tuy nhiên để lựa chọn tham số tốt phải cần đến nhiều lớp gia tử tác động lên phần tử sinh ban đầu biến ngôn ngữ Và thực tế có nhiều lớp gia tử tác động Vì nhiều giá trị ngôn ngữ biến ngôn ngữ mô tả chưa xác, dẫn đến trình suy luận không hợp lý phép giải mờ không đưa giá trị đắn ứng dụng Chính cần thiết tạo khoảng ngữ nghĩa rộng khoảng ngữ nghĩa lớp gia tử tác động để thay nhiều lớp gia tử khác cần có, tạo khả mô tả hợp lý toàn giá trị ngôn ngữ biến ngôn ngữ Khoảng ngữ nghĩa tạo tham số hiệu chỉnh ngữ nghĩa tham số hiệu chỉnh ngữ nghĩa thay cho tác động nhiều lớp gia tử lên phần tử sinh Vì em chọn “ Dự báo chuỗi thời gian mờ dựa đại số gia tử với ngữ nghĩa định lượng tối ưu ’’ làm luận văn nghiên cứu, việc sử dụng dự báo chuỗi thời gian mờ dựa đại số gia tử với ngữ nghĩa tối ưu hướng khác ứng dụng ĐSGT Và để thấy rõ tính hiệu cần phải nghiên cứu thử nghiệm sở số liệu tác giả phát minh khái niệm chuỗi thời gian mờ ứng dụng cho toán dự báo cụ thể [14, 15, 16, 3] Đối tượng phạm vi nghiên cứu 2.1 Đối tượng Nghiên cứu Thuật toán dự báo chuỗi thời gian mờ đưa kết nghiên cứu dự báo chuỗi thời gian mờ dựa đại số gia tử với tham số hiệu chỉnh ngữ nghĩa 2.2 Phạm vi nghiên cứu - Nghiên cứu chuỗi thời gian mờ - Nghiên cứu Thuật toán dự báo Chen - Nghiên cứu đại số gia tử với khoảng ngữ nghĩa - Nghiên cứu đề xuất Thuật toán dự báo chuỗi thời gian mờ dựa đại số gia tử với ngữ nghĩa định lượng tối ưu - Ứng dụng dự báo sở chuỗi liệu Chen [3] Hướng nghiên cứu đề tài - Nghiên cứu khoảng ngữ nghĩa - Nghiên cứu cách mô tả chuỗi thời gian theo giá trị ngôn ngữ - Nghiên cứu xây dựng nhóm quan hệ ngữ nghĩa so sánh với quan hệ mờ - Đề xuất Thuật toán tính toán tiếp cân ĐSGT với khoảng ngữ nghĩa - Nghiên cứu cách mô tả giá trị ngôn ngữ theo tiếp cận ĐSGT với khoảng ngữ nghĩa - Nghiên cứu chuyển thuật toán dự báo Chen sang thuật toán dự báo dựa Thuật toán tính toán ĐSGT với khoảng ngữ nghĩa - Xây dựng chương trình tính toán MATLAB cho toán dự báo chuỗi thời gian mờ theo tiếp cận ĐSGT với ngữ nghĩa định lượng tối ưu khoảng ngữ nghĩa Phương pháp nghiên cứu 4.1 Phương pháp nghiên cứu lý thuyết Phương pháp nghiên cứu tài liệu: Phân tích tổng hợp, hệ thống hóa tài liệu có liên quan để xây dựng sở lý luận cho đề tài nghiên cứu 4.2 Phương pháp nghiên cứu thực tiễn + Phương pháp điều tra khảo sát: Thu thập, nghiên cứu thông tin dự báo, Thuật toán tính toán đại số gia tử với khoảng ngữ nghĩa vấn đề liên quan + Phương pháp chuyên gia: Kiểm tra, đưa kết dự báo chuỗi thời gian mờ dựa đại số gia tử với tham số hiệu chỉnh ngũ nghĩa 52 SA3 → SA4 (trùng lần); SA4 → SA4 (trùng lần); (3.10) SA4 → SA3; SA4 → SA6; SA6 → SA6; SA6 → SA7; SA7 → SA7 SA7 → SA6 + Bước Tạo lập nhóm quan hệ ngữ nghĩa theo nhãn ngữ nghĩa Nếu ngữ nghĩa định lượng (vế trái (3.10)) có quan hệ với nhiều ngữ nghĩa định lượng (vế phải (3.10)), vế phải chập lại thành nhóm Quan hệ lập theo nhóm gọi nhóm quan hệ ngữ nghĩa (NQHNN) Như từ (3.10) nhận NQHNN sau đây: Nhóm 1: SA1 → (SA1, SA1, SA2) Nhóm 2: SA2 → (SA3) Nhóm 3: SA3 → (SA3, SA3, SA3, SA3, SA3, SA3, SA3, SA4, SA4) Nhóm 4: SA4 → (SA4, SA4, SA3, SA6) Nhóm 5: SA6 → (SA6, SA7) Nhóm 6: SA7 → (SA7, SA6) + Bước Giải nghĩa đầu dự báo với giá trị định lượng ngữ nghĩa tối ưu nhãn ngữ nghĩa theo nghĩa MSE đạt giá trị nhỏ Giả sử số sinh viên nhập học năm (t - 1) chuỗi thời gian mờ F(t1) ngữ nghĩa hóa theo (3.9) SAj, đầu dự báo F(t) hay số sinh viên nhập học dự báo năm t xác định theo nguyên tắc (luật) sau đây: (1) Nếu tồn quan hệ 1-1 nhóm quan hệ ngữ nghĩa theo nhãn ngôn ngữ Aj sau: 53 SAj  SAk, đầu dự báo tính theo (1.2a) (1.2b): DSAj  Desemantization (SAk) khoảng giải nghĩa uk chọn cho bao khoảng uk thuộc khoảng xác định tập chuỗi thời gian mờ [Dmin D1, Dmax+D2] (2) Nếu SAk trống, SAj  , đầu dự báo tính theo (1.2a) (1.2b): DSAj  Desemantization () khoảng giải nghĩa chọn cho bao khoảng uj thuộc khoảng xác định tập chuỗi thời gian mờ [Dmin D1, Dmax+D2] (3) Nếu tồn quan hệ 1-nhiều nhóm quan hệ ngữ nghĩa (kể quan hệ trùng) theo nhãn ngôn ngữ Aj: SAj  (SAi, SAk,…, SAr), đầu dự báo xác định theo (1.2a) (1.2b) cho liệu lịch sử nhóm quan hệ ngữ nghĩa: DSAj  Desemantization (WSAiAj * SAi+ WSAkAj * SAk+…+ WSArAj * SAr) khoảng giải nghĩa chọn cho bao khoảng ui, uk… ur thuộc khoảng xác định tập chuỗi thời gian mờ [Dmin D1, Dmax+D2] Trong WSAiAj, WSAkAj…, WSArAj trọng số ngữ nghĩa thành phần NQHNN theo nhãn ngữ nghĩa Aj tính tỷ số số liệu thuộc khoảng ui tổng số liệu thuộc khoảng ui, uk,…, ur NQHNN Như tính chuẩn hóa trọng số đảm bảo: WSAiAj + WSAkAj +…+ WSArAj = Tóm lại, thuật toán dự báo dựa ĐSGT với 1gia tử dương gia tử âm hoạt động với giá trị ngữ nghĩa định lượng cấc nhãn ngữ nghĩa Tại bước xây dựng NQHNN, có biến số cần tối ưu theo nghĩa MSE nhỏ Trong toán dự báo số sinh viên nhập học trường đại học Alabama, chọn khoảng giải nghĩa theo (1.2a) (1.2b) với giá trị đầu, giá trị cuối Bảng 3.2 sau đây: 54 Bảng 3.2 Giá trị đầu giá trị cuối khoảng giải nghĩa chọn Khoảng giải nghĩa cho điểm dự báo Giá trị Giá trị Khoảng giải Giá trị Giá trị đầu cuối nghĩa cho đầu cuối khoảng khoảng điểm dự báo khoảng khoảng ( 1972 ) 13000 17000 12 ( 1983 ) 14000 18000 ( 1973 ) 13000 18000 13 ( 1984 ) 14000 17000 ( 1974 ) 13000 20000 14 ( 1985 ) 14000 17000 ( 1975 ) 15000 16000 15 ( 1986 ) 15000 18000 ( 1976 ) 14000 17000 16 ( 1987 ) 15000 19000 ( 1977 ) 14000 18000 17 ( 1988 ) 15000 20000 (1978 ) 15000 18000 18 ( 1989 ) 16000 20000 ( 1979 ) 15000 19000 19 ( 1990 ) 17000 20000 ( 1980 ) 15000 19000 20 ( 1991 ) 17000 20000 10 ( 1981 ) 14000 19000 21 ( 1992 ) 15000 20000 11 ( 1982 ) 13000 18000 Vấn đề dự báo tối ưu chuỗi thời gian mờ theo nghĩa cực tiểu sai số trung bình bình phương MSE thực sở phép ngữ nghĩa hóa (1.1a) (1.1b) phép giải nghĩa (1.2a) (1.2b) với khoảng giải nghĩa chọn biến số cần tối ưu Chương trình tính toán sở sử dụng phần mềm tối ưu hóa GA MATLAB R2013a Kết Thuật toán dự báo dựa ĐSGT với biến số tối ưu theo nghĩa cực tiểu hàm MSE mô tả Bảng 3.3, MSE có dạng: 55 Ở đây: MSE (Mean Square Error) sai số trung bình bình phương; SSVNHTT i số sinh viên nhập học thực tế năm i; SSVNHDB i số sinh viên nhập học dự báo năm i, i = (1972), (1973), …, 21 (1992) Bảng 3.3 Kết tính toán dự báo tối ưu số sinh viên nhập học trường đại học Alabama từ 1971 đến 1992 theo tiếp cận ĐSGT Số sinh Năm viên nhập học thực tế 1971 13055 1972 13563 1973 Số sinh viên nhập học Số sinh Năm viển nhập học dự báo Số sinh viên nhập học dự báo 1982 15433 15610 13820 1983 15497 15599 13867 14025 1084 15145 15199 1974 14696 14436 1985 15163 15199 1975 15460 15374 1986 15984 16199 1976 15311 15199 1987 16859 16599 1977 15603 15599 1988 18150 17610 1978 15861 16199 1989 18970 19069 1979 16807 16599 1990 19328 19301 1980 16919 17088 1991 19337 19301 1981 16388 16610 1992 18876 18836 Kết tính toán nhận giá trị ngữ nghĩa định lượng tối ưu ( lưu ý SA5 = 0.625 ) SA1 = 0.1815201791697217; SA2 = 0.3465991199102879; 56 SA3 = 0.37415423402091175; SA4 = 0.6009736687271362; SA6 = 0.7547775046081667; SA7 = 0.7857793203108009 với giá trị tối ưu MSE = 41874 3.2 So sánh kết Thuật toán dự báo chuỗi thời gian mờ Dựa số liệu sinh viên nhập học từ 1971 đến 1992 sở bước theo tiếp cận ĐSGT đây, xây dựng Thuật toán dự báo cho năm 1971  1972 , 1972  1973, 1973  1974,… , 1991  1992 Chương trình tính toán dự báo sử dụng đại số gia tử xây dựng MATLAB R2013a (xem phần Phụ Lục ) Kết Thuật toán dự báo sử dụng ĐSGT mô tả Bảng 3.4 để so sánh với kết số Thuật toán dự báo bậc khác có với khoảng chia Lưu ý nguyên tắc, độ xác phương pháp dự báo chuỗi thời gian mờ theo tiếp cận Song & Chisson, Chen nhiều tác giả khác phụ thuộc nhiều vào trình mờ hóa chuỗi thời gian giải mờ đầu dự báo đặc biệt khó tối ưu hóa đồng thời hai trình Trong đó, Thuật toán tính toán theo tiếp cận ĐSGT đảm bảo thứ tự ngữ nghĩa đưa cách chọn tham số θ, α hợp lý dễ dàng định hướng đến tối ưu để xây dựng dự báo dựa phép ngữ nghĩa hóa phép giải nghĩa tuyến tính Đây tính chất quan trọng tiếp cận ĐSGT sở khoa học cho tính hiệu cao nhiều toán ứng dụng nói chung toán dự báo chuỗi thời gian mờ nói riêng Trong Bảng 3.4 So sánh kết dự báo theo tiếp cận ĐSGT với Thuật toán dự báo Chen [3] , Huarng [5] sử dụng chuỗi thời gian mờ với khoảng chia 57 Bảng 3.4: So sánh phương pháp dự báo với khoảng chia Năm Số sinh Phương Phương Phương viên pháp pháp pháp nhập học Chen [4] Huarng [15] ĐSGT 1971 13055 1972 13563 14000 14000 13820 1973 13867 14000 14000 14025 1974 14696 14000 14000 14436 1975 15460 15500 15500 15374 1976 15311 16000 15500 15199 1977 15603 16000 16000 15599 1978 15861 16000 16000 16199 1979 16807 16000 16000 16599 1980 16919 16833 17500 17088 1981 16388 16833 16000 16610 1982 15433 16833 16000 15610 1983 15497 16000 16000 15599 1984 15145 16000 15500 15199 1985 15163 16000 16000 15199 1986 15984 16000 16000 16199 1987 16859 16000 16000 16599 58 1988 18150 16833 17500 17610 1989 18970 19000 19000 19069 1990 19328 19000 19000 19301 1991 19337 19000 19500 19301 1992 18876 19000 19000 18836 407507 226611 41874 MSE 3.3 Nhận xét chung Qua so sánh thuật toán dự báo ứng dụng cho chuỗi liệu lịch sử số sinh viên nhập học trường Đại học Alabama mà nhiều tác giả giới nghiên cứu so sánh nay, thuật toán dự báo dựa ĐSGT thuật toán mới, hoàn toàn khác biệt, có khả dự báo chuỗi thời gian mờ với độ xác cao so với số thuật toán dự báo bậc có khoảng phân hoạch mờ Sự khác biệt thể phương pháp luận lần sử dụng phép ngữ nghĩa hóa thay cho phép mờ hóa, nhóm quan hệ ngữ nghĩa thay cho nhóm quan hệ mờ, phép giải nghĩa thay cho phép giải mờ đặc biệt ĐSGT xây dựng giá trị ngữ nghĩa định lượng tối ưu dựa khả thay đổi ngữ nghĩa định lượng nhãn ngữ nghĩa cho MSE nhỏ Các giá trị ngữ nghĩa tối ưu cho kết dự báo tốt nhiều so với thuật toán Chen [3] thuật toán cải biên khác sử dụng khoảng có [ 5] 59 PHẦN 3: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN Luận văn đưa số thông tin chuỗi thời gian mờ thuật toán xử lý chuỗi thời gian mờ Phương pháp dự báo chuỗi thời gian tác giả xây dựng từ kỷ trước áp dụng cho trường Đại học Alabama từ năm 1971 đến năm 1992 Từ thuật toán tiến hành nghiên cứu xây dựng chương trình dự báo chuỗi thời gian mờ dựa đại số gia tử với ngữ nghĩa định lượng tối ưu Với thuật toán xây dựng chương trình tính toán sở sử dụng thuật toán dựa ĐSGT dự báo liệu tuyển sinh Đại học Alabama từ năm 1971 đến năm 1992 Đây liệu nhiều tác giả giới Việt Nam sử dụng để thử nghiệm Kết tính toán cho thấy mức độ phù hợp dự báo so với số liệu thực tế Chính vậy, thuật toán sử dụng chuỗi thời gian mờ nhiều tác giả nghiên cứu có nhiều triển vọng ứng dụng công nghệ thông tin với liệu thực tế Tuy nhiên điều kiện thời gian trình độ hạn chế tránh khỏi thiếu sót trình xây dựng Nếu điều kiện cho phép, tiếp tục nghiên cứu mở rộng ứng dụng thuật toán dự báo dựa ĐSGT cho chuỗi liệu nước nhiều nước khác giới với chuỗi liệu nhiệt độ, môi trường… để luận văn hoàn thiện mang giá trị thực tiễn 60 TÀI LIỆU THAM KHẢO Tiếng việt [1] Nguyễn Công Điều: Một thuật toán cho Thuật toán chuỗi thời gian mờ Tạp chí KHOA HỌC VÀ CÔNG NGHỆ, Tâp 49, Số 4, 2011, 11-25 [2] Nguyễn Duy Minh - Điều chỉnh ngữ nghĩa định lượng giá trị ngôn ngữ đại số gia tử ứng dụng, Tạp chí Khoa học Công nghệ 49 (4) (2011) 27-40 Tiếng anh [3] Chen S.M.: Forecasting Enrollments Based on Fuzzy Time Series Fuzzy Sets and Syst 81, 311–319, 1996 [4] Dinko Vukadinović, Mateo Bašić, Cat Ho Nguyen, Nhu Lan Vu, Tien Duy Nguyen Hedge-Algebra-Based Voltage Controller for a SelfExcited Induction Generator, Control Engineering Practice, 30, 78–90, 2014 [5] Huarng, K Heuristic Models of Fuzzy Time Series for Forecasting Fuzzy Sets and Syst 123, 369–386, 2001 [6] Hwang J.R Chen, S.M, Lee, C.H, Handling Forecasting Problems using fuzzy time series Fuzzy Sets and Systems 100, 217 -228, 1988 [7] N.C Ho and W Wechler, Hedge algebras: An algebraic approach to structures of sets of linguistic domains of linguistic truth variable, Fuzzy Sets and Systems, 35, 281-293, 1990 [8] N.C Ho and W Wechler, Extended hedge algebras and their application to Fuzzy logic, Fuzzy Sets and Systems, 52, 259-281, 1992 [9] C.H Nguyen, V.N Huynh, W Pedrycz, A Construction of Sound Semantic Linguistic Scales Using 4-Tuple Representation of Term Semantics, Int J Approx Reason., DOI: 10.1016/j.ijar.2013.10.012 61 [10] Nguyen Cat Ho, Vu Nhu Lan, Le Xuan Viet, Optimal hedgealgebras-based controller: Design and Application, Fuzzy Sets and Systems 159 (2008) 968– 989 [11] Ho N C., Lan V N - Hedge Algebras – An order – based structure of terms – domains: - An algebraic approach to human reasoning, Journal of Science and Technology 45 (6) (2009) 77-108 [12] Cat Ho, N and H Van Nam: An algebraic approach to linguistic hedges in Zadeh's fuzzy logic, Fuzzy Set and System, 129, 229-254, 2002 [13] Cong Nguyen Huu, Duy Nguyen Tien, Trung Ngo Kien, Ha Le Thi Thu, A Research on Parabolic Trough Solar Collector System Control based on Hedge Algebra, 11th International Conference on Control, Automation, Robotics and Vision, December, 715-720, 2010, Singapore [14] Song Q, Chissom B.S Fuzzy time series and its models Fuzzy Sets and Syst 54, 269–277, 1993 [15] Song Q, Chissom B.S: Forecasting enrollments with fuzzy time series – part Fuzzy Sets and Syst 54, 1–9, 1993 [16] Song Q, Chissom B.S.: Forecasting enrollments with fuzzy time series – part Fuzzy Sets and Syst 62, 1–8, 1994 62 PHỤ LỤC CHƯƠNG TRÌNH TÍNH TOÁN DỰ BÁO CHUỖI THỜI GIAN MỜ SỬ DỤNG ĐẠI SỐ GIA TỬ VỚI NGỮ NGHĨA TỐI ƯU function [y] = OHAP_6tuyentinhNNDLNGANsuaKXD(x) format long SV22=[13055;13563;13867;14696;15460;15311;15603;1586 1;16807;16919;16388;15433;15497;15145;15163;15984;16 859;18150;18970;19328;19337;18876] SV21=[13563;13867;14696;15460;15311;15603;15861;1680 7;16919;16388; 15433;15497;15145;15163;15984;16859;18150;18970;1932 8;19337;18876] xgmin=13000 xgmax=20000 WSA1A1=3/7 WSA2A1=1/7 WSA3A2=1 WSA3A3=9/71 WSA4A3=4/71 WSA4A4=4/20 WSA3A4=9/20 WSA6A4=3/20 WSA6A6=3/5 WSA7A6=2/5 WSA7A7=2/5 63 WSA6A7=3/5 SA1=x(1) SA2=x(2) SA3=x(3) SA4=x(4) SA5=0.625 SA6=x(5) SA7=x(6) SP(1)=WSA1A1*SA1*2+WSA2A1*SA2 SP(2)=SP(1) SP(3)=SP(1) SP(4)=WSA3A2*SA3 SP(5)=WSA3A3*SA3*7+WSA4A3*SA4*2 SP(6)=SP(5) SP(7)=SP(5) SP(12)=SP(5) SP(13)=SP(5) SP(14)=SP(5) SP(15)=SP(5) SP(8)=SP(5) SP(16)=SP(5) SP(9)=WSA4A4*SA4*2+WSA3A4*SA3+WSA6A4*SA6 SP(11)=SP(9) SP(17)=SP(9) SP(18)=WSA6A6*SA6+WSA7A6*SA7 64 SP(19)=SP(18) SP(20)=WSA6A7*SA6+WSA7A7*SA7 SP(21)=SP(20) xmin(1)=13000 xmax(1)=17000 xmin(2)=13000 xmax(2)=18000 xmin(3)=13000 xmax(3)=20000 xmin(4)=15000 xmax(4)=16000 xmin(5)=14000 xmax(5)=17000 xmin(6)=14000 xmax(6)=18000 xmin(7)=15000 xmax(7)=18000 xmin(8)=15000 xmax(8)=19000 xmin(9)=15000 xmax(9)=19000 xmin(10)=14000 xmax(10)=19000 xmin(11)=13000 xmax(11)=18000 xmin(12)=14000 65 xmax(12)=18000 xmin(13)=14000 xmax(13)=17000 xmin(14)=14000 xmax(14)=17000 xmin(15)=15000 xmax(15)=18000 xmin(16)=15000 xmax(16)=19000 xmin(17)=15000 xmax(17)=20000 xmin(18)=16000 xmax(18)=20000 xmin(19)=17000 xmax(19)=20000 xmin(20)=17000 xmax(20)=20000 xmin(21)=15000 xmax(21)=20000 SPP=0 DPP=0 for i=1:21, DeSP(i)=(SPP*SP(i)*(1-SP(i))+SP(i))*(xmax(i)xmin(i))+xmin(i); DDeSP(i)=DPP*(DeSP(i)-xmin(i))*(xmax(i)DeSP(i))/(xmax(i)-xmin(i))+DeSP(i); 66 end lb=[0/7;1/7;2/7;3/7;5/7;11/14]; ub=[3/14;5/14;7/14;9/14;13/14;14/14]; DP=[1;2;3;4;5;6;7;8;9;10;11;12;13;14;15;16;17;18;19; 20;21]; SAISO=SV21-DDeSP' SAISOBINHPHUONG=[SAISO(1)^2;SAISO(2)^2;SAISO(3)^2;SA ISO(4)^2;SAISO(5)^2;SAISO(6)^2;SAISO(7)^2;SAISO(8)^2 ;SAISO(9)^2;SAISO(10)^2;SAISO(11)^2;SAISO(12)^2;SAIS O(13)^2;SAISO(14)^2;SAISO(15)^2;SAISO(16)^2;SAISO(17 )^2; SAISO(18)^2;SAISO(19)^2;SAISO(20)^2;SAISO(21)^2] T=sum(SAISOBINHPHUONG) MSE=T/21 y=MSE BANG=[SV21 DP DDeSP' SAISOBINHPHUONG] [...]... thành công Dự báo chuỗi thời gian mờ dựa trên đại số gia tử là cách tiếp cận khác biệt so với tiếp cận mờ truyền thống Với những lý luận và cơ sở về lý thuyết mờ cũng như đại số gia tử được nêu ở trên sẽ mở ra hướng mới cho bài toán dự báo chuỗi thời gian mờ Với những dữ liệu thực tế thu được theo thời gian thường chịu những ảnh hường của những yếu tố khác nhau nền việc dự báo chuỗi thời gian theo hướng... DỰ BÁO CHUỖI THỜI GIAN MỜ 2.1 Thuật toán dự báo chuỗi thời gian mờ của Song và Chissom Trong phần này, sử dụng khái niệm và phương pháp dự báo của chuỗi thời gian mờ được Song et al và Chissom đưa ra để xây dựng thuật toán dự báo cho chuỗi thời gian Từ đó ứng dụng trực tiếp cho chuỗi dữ liệu sinh viên nhập học từ 1971 đến 1990 [15, 16, 3] Giả sử U là không gian nền: U = u1,u2, ,un  Tập A là mờ trên. .. ngẫu nhiên / mờ, đại số gia tử 18 1.5 Giới thiệu về đại số gia tử và một số tính chất 1.5.1 Sơ lược về đại số gia tử Đại số gia tử một cấu trúc đại số định lượng ngữ nghĩa của miền giá trị ngôn ngữ của biến ngôn ngữ, đã được thiết lập, nghiên cứu và phát triển từ hơn hai chục năm nay [7, 8, 12] Một tính chất tự nhiên của ngữ nghĩa các giá trị ngôn ngữ là ngữ nghĩa có tính so sánh được, nghĩa là giữa... t thì F(t) được gọi là chuỗi thời gian mờ dừng, còn ngược lại ta có chuỗi thời gian mờ không dừng 13 Định nghĩa 5: Giả sử F(t) suy đồng thời từ F(t-1), F(t-2),…, F(t-m) m>0 và là chuỗi thời gian mờ dừng Khi mối quan hệ mờ có thể viết được F(t-1), F(t-2), …, F(t-m) F(t) và gọi đó là Thuật toán dự báo bậc m của chuỗi thời gian mờ 1.3 Quan hệ mờ 1.3.1 Các quan hệ mờ Các quan hệ mờ là cơ sở dùng để tính... Chương 1: Giới thiệu một số kiến thức cơ sở + Chương 2: Dự báo chuỗi thời gian mờ + Chương 3: Dự báo chuỗi thời gian mờ sử dụng ĐSGT với ngữ nghĩa định lượng tối ưu 5 PHẦN 2: NỘI DUNG CHƯƠNG 1: GIỚI THIỆU MỘT SỐ KIẾN THỨC CƠ SỞ 1.1 Những vấn đề cơ sở của lý thuyết tập mờ và logic mờ 1.1.1 Lý thuyết tập mờ Lý thuyết tập mờ lần đầu tiên được Lofti A.Zadeh, một giáo sư thuộc trường Đại học Caliornia, Berkley... trị của các biến ngôn ngữ 1.5.3 Đại số gia tử của biến ngôn ngữ Giả sử X là một biến ngôn ngữ và miền giá trị của X là Dom(X) Định nghĩa: Một đại số gia tử AX tương ứng của X là một bộ 4 thành phần AX=(Dom(X), C, H, ) trong đó C là tập các phần tử sinh, H là tập các gia tử và quan hệ “” là quan hệ cảm sinh ngữ nghĩa trên X i) Hai phần tử sinh của biến ngôn ngữ có khuynh hướng ngữ nghĩa trái ngược nhau:... khi ngữ nghĩa ngôn ngữ dựa trên tập mờ bỏ qua quan hệ thức tự này, ĐSGT cố gắng phát hiện các tính chất của ngữ nghĩa các giá trị ngôn ngữ dựa trên các mối quan hệ thứ tự đó [13] Như vậy, ĐSGT Thuật toán hóa ngữ nghĩa các giá trị ngôn ngữ, nó cố gắng phát hiện các tính chất tự nhiên của các giá trị ngôn ngữ vốn tồn tại trong cấu trúc thứ tự đó Mô hình tính toán của ĐSGT với 1 gia tử dương và 1 gia tử. .. con rời nhau sao cho một tập chứa các gia tử làm tăng ngữ nghĩa của x và tập còn lại chứa các gia tử làm giảm ngữ ngĩa của x Hơn nữa trong mỗi tập con đó của H, các gia tử cũng được sắp thứ tự theo mức độ nhấn ngữ nghĩa của chúng, ví dụ như mức độ nhấn ngữ nghĩa của gia tử very được xem là mạnh hơn gia tử more Đồng thời các tác giả giới thiệu khái niệm đại số gia tử như là một cấu trúc toán học để Thuật... trong cuộc sống hàng ngày, con người sử dụng ngữ nghĩa này để xác định quan hệ thứ tự giữa các giá trị ngôn ngữ của cùng một biến 22 - Các gia tử ngôn ngữ được con người sử dụng để nhấn mạnh về mặt ngữ nghĩa của giá trị ngôn ngữ, tức là mỗi gia tử có thể làm mạnh lên hoặc yếu đi ngữ nghĩa tự nhiên của giá trị ngôn ngữ được tác động Với mỗi giá trị ngôn ngữ x trong T(X) và tập H các gia tử ngôn ngữ, khi...4 hỏi ý kiến các chuyên gia về tính cấp thiết, khả thi và tìm kiếm những thông tin có liên quan + Phương pháp thử nghiệm: Xây dựng chương trình tính toán trên MATLAB và chạy thử chương trình 5 Ý nghĩa khoa học của luận văn Định hướng ứng dụng mới của tiếp cận đại số gia tử với ngữ nghĩa định lượng tối ưu trong bài toán dự báo chuỗi thời gian mờ 6 Cấu trúc luận văn Ngoài phần mở đầu