Ứng dụng mạng nơron mờ đa tác động trong tư vấn học sinh trung học phổ thông dựa trên quá trình học tập

Việc tư vấn việc chọn ban thi khi thi tốt nghiệp trung học phổ thông và chọn khối trong xét tuyển đại học có ý nghĩa rất quan trọng với học sinh trung học. Bài viết trình bày việc ứng dụng mạng nơron mờ đa tác động trong việc tư vấn học sinh trung học phổ thông khi lựa chọn ban thi và khối xét tuyển dựa trên quá trình học tập của mình.

TNU Journal of Science and Technology 227(08): 284 - 290 AN APPLICATION OF MUTIL-IMPACT FUZZY NEURAL NETWORK IN RECOMMENDING HIGH SCHOOL STUDENTS BASED ON STUDYING RESULTS Tran Thi Ngan1*, Nguyen Thanh Huong2, Nguyen Thi Dung3, Tran Manh Tuan1 1Thuyloi 3TNU University, 2Co Loa High School - Hanoi - University of Information and Communication Technology ARTICLE INFO ABSTRACT Received: 19/3/2022 Counseling on the selection of exam boards when taking the high school graduation exam and choosing the subjects to apply to the university are very important to high school students The decision on this period affects directly to the results of exams This counseling supports students in defining the exam subjects early in order to focus to the carefully preparation and get high results Moreover, the recommendation of selecting the subjects in graduation exam based on studying results will help students determine the most suitable exam block and major to apply to a university Variuos soft computing methods have been used in this problem In this paper, the application of fuzzy neural network in recommending high school students the suitable subjects in graduation exam based on studying results is introduced The proposed method is implemented on data set collected from Co Loa high school, Dong Anh, Hanoi Revised: 12/5/2022 Published: 19/5/2022 KEYWORDS Fuzzy Neural Network Mutil-impact fuzzy neural network Recommending Performance Rating measure ỨNG DỤNG MẠNG NƠRON MỜ ĐA TÁC ĐỘNG TRONG TƯ VẤN HỌC SINH TRUNG HỌC PHỔ THÔNG DỰA TRÊN QUÁ TRÌNH HỌC TẬP Trần Thị Ngân1*, Nguyễn Thanh Hương2, Nguyễn Thị Dung3, Trần Mạnh Tuấn1 1Trường 3Trường Đại học Thủy lợi, 2Trường Trung học phổ thông Cổ Loa – Hà Nội Đại học Công nghệ Thông tin Truyền thơng - ĐH Thái Ngun THƠNG TIN BÀI BÁO Ngày nhận bài: 19/3/2022 Ngày hoàn thiện: 12/5/2022 Ngày đăng: 19/5/2022 TỪ KHÓA Mạng nơron mờ Mạng nơron mờ đa tác động Tư vấn Hiệu Độ đo đánh giá TÓM TẮT Việc tư vấn việc chọn ban thi thi tốt nghiệp trung học phổ thông chọn khối xét tuyển đại học có ý nghĩa quan trọng với học sinh trung học Định hướng có ảnh hưởng trực tiếp đến kết thi em học sinh Việc tư vấn giúp học sinh sớm xác định môn thi để tập trung vào ôn thi đạt kết tốt Đồng thời, tư vấn khối xét tuyển dựa kết học tập giúp cho học sinh lựa chọn khối thi ngành thi phù hợp để xét tuyển vào đại học Một số phương pháp tính tốn mềm nhà nghiên cứu áp dụng cho tư vấn hiệu Trong báo này, tập trung vào ứng dụng mạng nơron mờ đa tác động việc tư vấn học sinh trung học phổ thông lựa chọn ban thi khối xét tuyển dựa trình học tập Chúng thử nghiệm dựa số liệu thu thập trường trung học phổ thông Cổ Loa, Đông Anh, Hà Nội DOI: https://doi.org/10.34238/tnu-jst.5723 * Corresponding author Email: ngantt@tlu.edu.vn http://jst.tnu.edu.vn 284 Email: jst@tnu.edu.vn TNU Journal of Science and Technology 227(08): 284 - 290 Giới thiệu Lý thuyết tập mờ giáo sư Lotfi Zadeh trường Đại học California, Mỹ xây dựng vào năm 1965 [1], nghiên cứu, phát triển, ứng dụng nhiều lĩnh vực điều khiển hệ thống, xử lý ảnh, nhận dạng mẫu, phân cụm, hỗ trợ định, dự báo,… Hệ suy diễn mờ thành tố quan trọng tập mờ Hệ suy diễn mờ có loại là: hệ suy diễn mờ Mamdani, hệ suy diễn mờ Takagi - Sugeno, hệ suy diễn mờ Tsukamoto [2] Hệ suy diễn mờ đánh giá, định lượng suy diễn giống suy diễn người có cách xử lý biến ngơn ngữ người Tuy nhiên, hệ suy diễn mờ, tham số cố định nên q trình suy diễn khơng mềm dẻo xác, hệ suy diễn mờ khơng có tập trung vào q trình học Một phương pháp để khắc phục nhược điểm kết hợp mạng Nơron hệ suy diễn mờ mạng Nơron mờ Mạng Nơron mờ đề xuất Jang vào năm 1993 [3] Trong đó, mạng Nơron làm nhiệm vụ hỗ trợ tính tốn tham số cho hệ suy diễn mờ, ví dụ hàm thuộc, hệ luật, độ mạnh luật… Bằng cách đó, ta khai thác khả suy luận hệ suy diễn mờ cơng cụ tính tốn, khả học mạng Nơron Cấu trúc mạng Nơron mờ bao gồm lớp sau: lớp đầu vào, lớp mờ hóa, lớp giải mờ, lớp đầu Hiện nay, có số mạng Nơron mờ tiêu biểu như: ANFIS, CANFIS, HANFIS, MANFIS, NEFCON, FUN… Nhóm tác giả Rusli cộng [4] so sánh hiệu suất ba mơ hình dự báo Hồi quy logistic, mạng Nơron nhân tạo mạng Nơron mờ mạng Nơron mờ cho hiệu tốt phương pháp khác toán dự báo kết học tập sinh viên Nhóm Do Chen [5] tiếp tục so sánh mạng Nơron mờ phương pháp phân loại khác máy vector hỗ trợ, mạng Bayes ngây thơ mạng Nơron cổ điển kết tương tự Trong nhóm mạng Nơron mờ, mạng ANFIS mạng kinh điển sử dụng rộng rãi cho toán dự báo kết học tập [6], [7] Một số cải tiến ANFIS HANFIS (ANFIS phân cấp) MANFIS (ANFIS đa tác động) quan tâm nghiên cứu [5], [8] Một số nghiên cứu liên quan xem [5], [7], [9]-[11] Một ứng dụng quan trọng mạng Nơron mờ dự báo Dự báo hiểu việc tiên đoán việc xảy tương lai, sở phân tích khoa học liệu quan sát thu thập Đây khâu quan trọng nhiều ngành, nhiều lĩnh vực, có cơng tác quản lý học tập sinh viên trường cao đẳng, đại học Người quản lý vào để có tư vấn hỗ trợ để sinh viên đạt kết tốt Bên cạnh đó, dự báo kết học tập học sinh trung học phổ thông nhằm đánh giá lực học sinh thông qua kết thi đầu vào, trình học tập, kết cuối kỳ, cuối năm, cuối cấp,… Ngoài ra, vào kết dự báo, nhà trường có biện pháp phù hợp giảng dạy, bổ trợ nâng cao kiến thức, dạy tăng thời lượng cho học sinh đảm bảo đạt kết cao kỳ thi đại học định hướng nghề nghiệp cho em tương lai Mạng Nơron mờ công cụ hiệu toán dự báo với tham số hàm thuộc, hệ luật, độ mạnh luật… Bằng cách đó, ta khai thác khả suy luận hệ suy diễn mờ công cụ tính tốn, khả học mạng nơron nâng cao hiệu dự báo Cấu trúc báo bao gồm: phần trình bày lý thuyết liên quan đến nghiên cứu Phần nội dung liên quan đến toán đặt chi tiết mơ hình sử dụng để giải tốn Phần kết thực nghiệm liệu cụ thể thu thập trường trung học phổ thông (THPT) Cổ Loa, Đông Anh, Hà Nội Phần cuối báo số kết luận định hướng nghiên cứu thời gian tới Nghiên cứu liên quan 2.1 Mạng nơron mờ Mạng nơron mờ (Fuzzy Neural Network- FNN) hay hệ thần kinh mờ (Neural Fuzzy SystemsNFS) kết hợp mạng nơron nhân tạo (Artificial Neural network- ANN) logic mờ http://jst.tnu.edu.vn 285 Email: jst@tnu.edu.vn TNU Journal of Science and Technology 227(08): 284 - 290 (Fuzzy Logic- FL) Mạng nơron nhân tạo logic mờ có ưu nhược điểm riêng thấy việc tích hợp mạng nơron logic mờ ta kế thừa ưu điểm hai loại bỏ nhược điểm Các đặc trưng mạng nơron mờ [8] Một mạng nơron mờ dựa hệ mờ đào tạo thuật toán học tập dựa liệu có nguồn gốc từ lý thuyết mạng nơron Quy trình học tập (heuristical) hoạt động dựa thơng tin cục gây thay đổi cục hệ thống mờ Cấu trúc mạng nơron mờ bao gồm lớp sau: lớp đầu vào, lớp mờ hóa, lớp giải mờ, lớp đầu Một mạng nơron mờ biểu diễn dạng tập hợp quy tắc mờ thời điểm trình học Cũng tạo hệ thống từ liệu huấn luyện ban đầu, hệ thống khởi tạo dựa kiến thức có khơng có kiến thức trước quy tắc mờ Quá trình huấn luyện mạng nơron mờ bị hạn chế để đảm bảo tính chất ngữ nghĩa hệ mờ Một mạng nơron mờ xấp xỉ hàm chưa biết n chiều biểu diễn phần liệu huấn luyện Các quy tắc mờ mã hóa mạng đại diện cho mẫu mơ hồ xem nguyên mẫu liệu huấn luyện Mạng nơron mờ biểu diễn dạng mạng nơron truyền thẳng ba lớp đặc biệt Lớp tương ứng với biến đầu vào, lớp thứ hai tượng trưng cho quy tắc mờ, lớp thứ ba đại diện cho biến đầu ra, tập mờ chuyển đổi thành trọng số kết nối (mờ) Nhiều thuật tốn học từ lĩnh vực mơ hình cục kỹ thuật đặc biệt phát triển cho số mạng nơron mở rộng để tinh chỉnh tự động luật mờ dựa liệu hợp lý Những kỹ thuật xem hệ mờ kiến trúc đặt lớp, tương tự mạng nơron thông minh Bằng cách thế, hệ mờ trở thành hệ nơron mờ, kiến trúc mạng nơron đặc biệt Mạng nơron mờ lần đề xuất việc thực thi mơ hình mờ Mamdani dùng kiến trúc truyền thẳng [3] Vì thế, ví dụ tiếng mạng nơron mờ hệ suy luận mờ dựa mạng thích nghi (Adaptive Network-based Fuzzy Inference System (ANFIS)) [8] Nhóm Do Chen [5] tiếp tục so sánh mạng nơron mờ phương pháp phân loại khác máy vector hỗ trợ, mạng Naive Bayes, mạng nơron cổ điển kết tương tự Trong nhóm mạng nơron mờ, mạng ANFIS mạng kinh điển sử dụng rộng rãi cho toán dự báo kết học tập Một số cải tiến ANFIS HANFIS (ANFIS phân cấp) MANFIS (ANFIS đa tác động) quan tâm nghiên cứu Hình Mạng Nơron mờ ANFIS hệ suy diễn mờ dựa mạng thích nghi Nó sử dụng tập liệu đầu vào đầu định Mạng ANFIS xây dựng nên hệ thống suy luận mờ (FIS), thông số hàm liên thuộc tinh chỉnh (điều chỉnh) cách sử dụng thuật toán huấn luyện mạng nơron thuật toán lan truyền ngược kết hợp lan truyền với phương pháp bình phương http://jst.tnu.edu.vn 286 Email: jst@tnu.edu.vn TNU Journal of Science and Technology 227(08): 284 - 290 cực tiểu Điều cho phép hệ mờ học hỏi từ tập liệu cho trước xây dựng mô hình (Hình 1) 2.2 Mạng nơron mờ đa tác động MANFIS - mạng nơron mờ thích nghi đa tác động [8] mạng với nhiều mạng ANFIS kết nối với cho nhiều đầu MANFIS thiết kế, huấn luyện để giải vấn đề phi tuyến tính phức tạp khơng mơ hình hóa cách xác mặt tốn học MANFIS loại bỏ hạn chế phương pháp tiếp cận cổ điển dựa trích xuất thơng tin mong muốn cách sử dụng liệu đầu vào Việc áp dụng MANFIS cho hệ thống cần có đủ liệu đầu vào đầu thay phương trình tốn học MANFIS huấn luyện cách sử dụng liệu đầu vào đầu để thích ứng với hệ thống Ngồi ra, MANFIS sử dụng để giải vấn đề với liệu đầu vào không đầy đủ khơng xác Mạng nơron mờ đa tác động MANFIS mở rộng ANFIS MANFIS hoạt động giống nhiều ANFIS kết nối với xếp cách song song để tạo mô hình cấu trúc cung cấp nhiều đầu thay đầu Cấu trúc mạng MANFIS tổng quát trình bày hình Chi tiết thành phần mạng Manfis thể hình Hình Mạng Manfis tổng thể Hình Mạng Manfis chi tiết MANFIS có cấu trúc tương tự hệ thống ANFIS cổ điển, ngoại trừ khác biệt lớp thứ tư Sự khác biệt gia tăng số lượng trọng số hệ MANFIS cho phép cải thiện độ xác gần Cấu trúc hệ MANFIS cho nhiều đầu nút lớp tương ứng biểu diễn Ui, i nút thứ i lớp tương ứng Chi tiết thuật toán MANFIS: Input: Tập liệu đầu vào, ngưỡng  Output: Các biến đầu uj , 𝑗 = ̅̅̅̅̅ 1, 𝑛 Begin Bước 1: Khởi tạo ngẫu nhiên vector, v = (C11, C21, C12, C22, …., C1n, C2n ), Cij ̅̅̅̅̅ (j=1, 𝑛,i = ̅̅̅̅ 1,2) Cij ∈0,1; Bước 2: t=t+1 Tính độ phụ thuộc biến đầu vào theo công thức (1): 𝑂𝑖1 = 𝑔𝑖 (𝑥) = 𝜇𝑖 (𝑥) (1) Trong đó, g(x) hàm gauss: 𝑥−𝑐 ) ] 𝑠 𝜇𝑔𝑎𝑢𝑠𝑠(𝐴) (𝑥, 𝑐, 𝑠) = 𝑒𝑥𝑝 [− ( (2) Bước 3: Tính tích tất tín hiệu đầu vào, giá trị đại diện cho cường độ kích hoạt quy tắc: http://jst.tnu.edu.vn 287 Email: jst@tnu.edu.vn TNU Journal of Science and Technology 227(08): 284 - 290 𝑜𝑖2 = 𝑤𝑖 = ∏𝑚 𝑗=1 𝑔𝑖 (𝑥𝑗 ) Bước 4: Chuẩn hóa cường độ kích hoạt quy tắc theo công thức sau: 𝑤𝑖 𝑜𝑖3 = ̅̅̅ 𝑤𝑖 = 𝑤 +𝑤 + +𝑤 𝑛 (3) (4) Bước 5: Mỗi nút lớp nút thích ứng xác định với tham số xác định đầu lớp ̅̅̅̅̅̅ 𝑜𝑖𝑗 = ̅̅̅𝑓 𝑤𝑖 𝑖𝑗 = ̅̅̅(𝑝 𝑤𝑖 𝑖𝑗 𝑥 + 𝑞𝑖𝑗 𝑥 + 𝑟𝑖𝑗 ) Với j=1, 𝑚 , m số nút lớp Bước 6: Đầu tính theo cơng thức sau: 𝑜𝑖5 = 𝑦𝑖 = ∑𝑖 ̅̅̅𝑓 𝑤𝑖 𝑖𝑗 (5) Mô hình mạng nơron mờ đa tác động tư vấn học sinh THPT Với toán dự báo kết học tập học sinh trung học phổ thông, liệu sử dụng kết học tập môn học lớp 11 học kỳ lớp 12 để giải hai toán nhỏ sau: Bài toán thứ Sử dụng kết học tập môn học lớp 11 học kỳ lớp 12 để dự đoán ban thi tốt nghiệp học sinh THPT (tự nhiên xã hội) Ở tốn ta có: Đầu vào: Điểm trung bình mơn học Tốn, Lý, Hóa, Sinh, Văn, Sử, Địa, Anh lớp 11 học kỳ lớp 12 Đầu ra: Ban thi tốt nghiệp (tự nhiên xã hội) Bài toán thứ hai Dự báo khối thi (có mơn chun) cho học sinh dựa vào kết học tập môn học lớp 11 học kỳ lớp 12 Kết dự báo khối thi THPT quốc gia, khối A00, A01, B00, B08, C00, D00 Ở tốn ta có: Đầu vào: Điểm trung bình mơn học Tốn, Lý, Hóa, Sinh, Văn, Sử, Địa, Anh lớp 11 học kỳ lớp 12 Đầu ra: Khối xét tuyển đại học từ kết THPT quốc gia (A00, A01, B00, B08, C00, D00) Việc giải toán dự báo kết học tập học sinh trung học phổ thông bao gồm việc giải chuỗi toán nhỏ Chuỗi toán nhỏ gọi pipeline mơ hình học máy Hình Các bước thực mơ hình dự báo Trong mơ hình (Hình 4), từ liệu thu thập tiền xử lý liệu chia liệu thành phần, phần Train để huấn luyện mơ hình dựa mạng MANFIS, phần Test để kiểm chứng mô hình vừa xây dựng http://jst.tnu.edu.vn 288 Email: jst@tnu.edu.vn TNU Journal of Science and Technology 227(08): 284 - 290 Khi đó, đầu vào mạng mơ hình MANFIS Điểm trung bình mơn học Tốn, Lý, Hóa, Sinh, Văn, Sử, Địa, Anh lớp 11 học kỳ lớp 12, sử dụng kiến trúc mạng MANFIS trình bày mục 2.2 thơng qua lớp ẩn mơ hình ta thu kết đầu tương ứng với toán ban thi tốt nghiệp, với toán khối xét tuyển đại học từ kết thi THPT quốc gia Kết thực nghiệm Dựa vào liệu đầu vào kết học tập mơn Tốn, Lý, Hóa, Sinh, Văn, Sử, Địa, Tiếng Anh 283 học sinh trường THPT Cổ Loa, Đông Anh, Hà nội năm lớp 11 học kỳ lớp 12 Từ tập liệu với 283 mẫu, chia tập liệu training 198 mẫu (70%); tập liệu testing 85 mẫu (30%) Bài toán dự báo kết học tập học sinh chia thành toán nhỏ ➢ Bài toán dự báo ban thi THPT quốc gia Đầu vào: Là kết học tập mơn Tốn, Lý, Hóa, Sinh, Văn, Sử, Địa, Anh học sinh năm lớp 11 học kỳ lớp 12 Mỗi mẫu liệu đầu vào vecto 16 chiều: 𝑖 𝑖 𝑖 𝑖 𝑖 𝑖 𝑖 Xi =(𝑥1𝑖 , 𝑥2𝑖 , 𝑥3𝑖 ,𝑥4𝑖 ,𝑥5𝑖 , 𝑥6𝑖 , 𝑥7𝑖 ,𝑥8𝑖 ,𝑥9𝑖 , 𝑥10 , 𝑥11 ,𝑥12 ,𝑥13 , 𝑥14 , 𝑥15 ,𝑥16 ) (i = 1, …, 283) Đầu ra: Ban thi tốt nghiệp tự nhiên (TN) hay xã hội (XH): Y=’XH’ hoặc’TN’ Mạng MANFIS với 16 đầu vào đầu sử dụng Đánh giá mơ hình cho tốn phân lớp với hai đầu MANFIS thông qua số (hàm thuộc tiêu đề 23, số lớp ẩn 6) Đánh giá với độ xác (Accuracy) Recall Kết thực nghiệm áp dụng mơ hình FIS, ANFIS, MANFIS tính tốn tổng hợp bảng Bảng Giá trị số đánh giá cho toán Accuracy FIS ANFIS MANFIS 80,16 83,62 85,88 Recall 81,27 84,37 85,18 Trong toán dự báo ban thi tốt nghiệp (với nhãn đầu ra) cho học sinh trung học phổ thơng, kết từ bảng cho thấy mơ hình MANFIS có độ xác cao so với mơ hình ANFIS, FIS ➢ Bài tốn Dự đốn khối thi cho học sinh THPT Đầu vào: Tương tự toán kết học tập mơn Tốn, Lý, Hóa, Sinh, Văn, Sử, Địa, Anh 283 học sinh năm lớp 11 học kỳ lớp 12 Mỗi mẫu liệu đầu vào vecto 16 chiều: 𝑖 𝑖 𝑖 𝑖 𝑖 𝑖 𝑖 Xi=(𝑥1𝑖 , 𝑥2𝑖 , 𝑥3𝑖 ,𝑥4𝑖 ,𝑥5𝑖 , 𝑥6𝑖 , 𝑥7𝑖 ,𝑥8𝑖 ,𝑥9𝑖 , 𝑥10 , 𝑥11 ,𝑥12 ,𝑥13 , 𝑥14 , 𝑥15 ,𝑥16 ) (i = 1, …, 283) Đầu ra: Khối xét tuyển đại học từ kết thi THPT quốc gia khối sau: Y= A00, A01, B00, B08, C00, D00 Sử dụng tiêu chí đánh tốn 1, mơ hình cài đặt cho kết bảng đây: FIS ANFIS MANFIS Bảng Giá trị số đánh giá cho toán Accuracy 62,73 50,27 64,63 51,02 68,24 51,13 Recall Từ bảng ta thấy mơ hình MANFIS dự báo khối thi cho học sinh THPT với nhãn A00, A01, B00, B08, C00, D00 cho kết chưa tốt Tính ứng dụng thực tế chưa cao Kết luận http://jst.tnu.edu.vn 289 Email: jst@tnu.edu.vn TNU Journal of Science and Technology 227(08): 284 - 290 Bài báo giới thiệu mơ hình mạng nơron mờ đa tác động MANFIS việc giải tốn dự báo Một mơ hình xây dựng cài đặt liệu thu thập từ trường THPT Cổ Loa, Đơng Anh, Hà Nội Nhóm tác giả thực thu thập liệu, tiền xử lý liệu kết học tập 283 học sinh với điểm môn năm lớp 11 học kỳ lớp 12 Mơ hình cài đặt ngôn ngữ Python đánh giá, so sánh với mơ hình mờ khác (FIS ANFIS) qua độ xác độ đo Recal Kết bảng 1, mơ hình MANFIS có hiệu mơ hình so sánh áp dụng cho toán Trong nghiên cứu tiếp theo, nhóm tác giả xây dựng mơ hình cải tiến để tăng độ xác cho lời giải toán Đồng thời, khai thác nhiều thông tin liên quan đến ý thức học tập lớp hạnh kiểm học sinh để có kết dự báo tốt TÀI LIỆU THAM KHẢO/ REFERENCES [1] L A Zadeh, “Fuzzy sets,” Information and control, vol 8, pp 338-353, 1965 [2] N Siddique and H Adeli, Computational Intelligence: Synergies of Fuzzy Logic, Neural Networks and Evolutionary Computing Wiley, 2013 [3] S Kar, S Das, and P K Ghosh, "Applications of neuro fuzzy systems: A brief review and future outline,” Applied Soft Computing, vol 15, pp 243-259, 2014 [4] N M Rusli, Z Ibrahim, and R M Janor, “Predicting students’ academic achievement: Comparison between logistic regression, artificial neural network, and Neuro-fuzzy,” Proceedings of IEEE International Symposium on Information Technology, 2008, pp 1-6 [5] J F Chen and Q H Do, "A cooperative Cuckoo Search–hierarchical adaptive neuro-fuzzy inference system approach for predicting student academic performance," Journal of Intelligent & Fuzzy Systems: Applications in Engineering and Technology, vol 27, no 5, pp 2551-2561, 2014 [6] B Abidin and R M Dom, “Prediction of Preclinical Academic Performance using ANFIS Model,” International Proceedings of Economics Development & Research, 2012, p 41 [7] I Hidayah, A E Permanasari, and N Ratwastuti, “Student classification for academic performance prediction using neuro fuzzy in a conventional classroom,” Proceedings of the 2013 IEEE International Conference on Information Technology and Electrical Engineering, 2013, pp 221-225 [8] H S Le, D L Nguyen, and V L Hoang, “A lossless DEM compression for fast retrieval method using fuzzy clustering and MANFIS neural network,” Engineering Applications of Artificial Intelligence, vol 29, pp 33-42, 2014 [9] S G Milan, A Roozbahani, N A Azar, and S Javadi, “Development of adaptive neuro fuzzy inference system–Evolutionary algorithms hybrid models (ANFIS-EA) for prediction of optimal groundwater exploitation,” Journal of Hydrology, vol 598, p 126258, 2021 [10] K Siminski, “An outlier–robust neuro–fuzzy system for classification and regression,” International Journal of Applied Mathematics and Computer Science, vol 31, no 2, pp 303-319, 2021 [11] M M Savrun and M İnci, “Adaptive neuro-fuzzy inference system combined with genetic algorithm to improve power extraction capability in fuel cell applications,” Journal of Cleaner Production, vol 299, p 126944, 2021 http://jst.tnu.edu.vn 290 Email: jst@tnu.edu.vn ... ̅̅̅