Nghiên cứu phát triển phương pháp phân cụm bám giám sát mờ an toàn ứng dụng cho bài toán quản lý cảng biển

ĐẠI HỌC THÁI NGUYÊN TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG Phùng Thế Huân NGHIÊN CỨU PHÁT TRIỂN PHƯƠNG PHÁP PHÂN CỤM BÁN GIÁM SÁT MỜ AN TỒN ỨNG DỤNG CHO BÀI TỐN QUẢN LÝ CẢNG BIỂN LUẬN ÁN TIẾN SĨ KHOA HỌC MÁY TÍNH THÁI NGUYÊN, 2023 ĐẠI HỌC THÁI NGUYÊN TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG Phùng Thế Huân NGHIÊN CỨU PHÁT TRIỂN PHƯƠNG PHÁP PHÂN CỤM BÁN GIÁM SÁT MỜ AN TỒN ỨNG DỤNG CHO BÀI TỐN QUẢN LÝ CẢNG BIỂN Chuyên ngành: Khoa học máy tính Mã số: 48 01 01 LUẬN ÁN TIẾN SĨ KHOA HỌC MÁY TÍNH NGƯỜI HƯỚNG DẪN KHOA HỌC: TS Vũ Đức Thái PGS.TS Lê Hoàng Sơn THÁI NGUYÊN, 2023 Lời cam đoan Tôi xin cam đoan luận án “Nghiên cứu phát triển phương pháp phân cụm bán giám sát mờ an tồn ứng dụng cho tốn quản lý cảng biển” cơng trình nghiên cứu cá nhân tơi, hoàn thành hướng dẫn TS Vũ Đức Thái PGS.TS Lê Hoàng Sơn Các kết nghiên cứu với tác giả khác trí đồng tác giả đưa vào nội dung luận án Tơi trích dẫn đầy đủ tài liệu tham khảo, cơng trình nghiên cứu liên quan nước quốc tế Tôi xin cam đoan số liệu kết trình bày luận án hồn tồn trung thực chưa công bố cơng trình khác Tác giả: NCS Phùng Thế Hn i Lời cảm ơn Lời đầu tiên, cho phép tác giả xin bày tỏ biết ơn chân thành sâu sắc đến tập thể giáo viên hướng dẫn TS Vũ Đức Thái PGS.TS Lê Hoàng Sơn Các Thầy bảo ân cần định hướng cho tác giả suốt thời gian thực luận án Các Thầy hướng dẫn kiến thức chun mơn, học thuật mà cịn bảo cho tác giả kinh nghiệm sống thường ngày Một vinh dự lớn cho tác giả có hội học tập, nghiên cứu hướng dẫn bảo tận tâm Thầy Xin trân trọng cảm ơn Ban Giám hiệu, Ban chủ nhiệm Khoa Cơng nghệ thơng tin, Phịng Đào tạo trường Đại học Công nghệ Thông tin Truyền thông - ĐHTN tạo điều kiện thuận lợi cho tác giả suốt trình thực luận án Xin bày tỏ biết ơn sâu sắc đến Thầy, Cô Lab ITI - Viện Công nghệ Thông tin - ĐHQGHN Thầy, Cô Khoa Công nghệ Thông tin - Trường Đại học Công nghệ Thông tin Truyền thông - ĐHTN quan tâm giúp đỡ tạo điều kiện nhiều mặt, bảo tận tình trình tác giả thực luận án Xin bày tỏ lịng biết ơn vơ hạn cha mẹ, anh chị em gia đình ủng hộ yêu thương cách vô điều kiện Xin chân thành cảm ơn anh chị em bạn bè cổ vũ động viên tác giả trình thực luận án Cuối cùng, xin kính chúc Thầy, Cơ đồng nghiệp, anh chị em bạn bè mạnh khoẻ, đạt nhiều thành tựu công tác, học tập nghiên cứu khoa học! Tác giả: NCS Phùng Thế Huân ii Mục lục Lời cam đoan i Lời cảm ơn ii Danh sách thuật ngữ từ viết tắt vi Mở đầu Chương Tổng quan phân cụm bán giám sát mờ ứng dụng toán quản lý cảng biển 1.1 Tổng quan phân cụm bán giám sát mờ 1.1.1 Tập mờ mở rộng 1.1.2 Phân cụm mờ 10 1.1.3 Phân cụm bán giám sát mờ 13 1.2 Một số tiếp cận phân cụm bán giám sát mờ gần 15 1.2.1 Phân cụm bán giám sát mờ an toàn 15 1.2.2 Phân cụm bán giám sát mờ tập mờ nâng cao 19 1.2.3 Phân cụm bán giám sát mờ với nhiều tham số mờ 20 1.2.4 Nhận xét nghiên cứu liên quan 22 1.3 Ứng dụng phân cụm bán giám sát mờ toán quản lý cảng biển 24 1.3.1 Giới thiệu toán quản lý cảng biển 24 1.3.2 Tổng quan phương pháp phát tàu biển ảnh 27 1.3.3 Nhận xét chung 34 1.4 Dữ liệu thực nghiệm 35 1.5 Đánh giá hiệu thuật toán phân cụm 37 iii 1.6 Kết luận chương 39 Chương Đề xuất phương pháp phân cụm bán giám sát mờ an toàn 40 2.1 Giới thiệu 40 2.2 Ý tưởng thuật toán 41 2.3 Chi tiết thuật toán TS3FCM 42 2.3.1 Bước Phân cụm mờ cho liệu gán nhãn 42 2.3.2 Bước Chuyển đổi liệu 45 2.3.3 Bước Phân cụm bán giám sát mờ cho toàn liệu 45 2.4 Độ phức tạp tính tốn 46 2.5 Ví dụ minh hoạ 47 2.5.1 Thiết lập giá trị độ thuộc thấp cho liệu gán nhãn có độ ảnh hưởng nhỏ 50 2.5.2 Thiết lập giá trị độ thuộc không cho liệu gán nhãn có độ ảnh hưởng nhỏ 51 2.6 Kết thực nghiệm 53 2.6.1 Thiết lập giá trị độ thuộc thấp cho liệu gán nhãn có độ ảnh hưởng nhỏ 54 2.6.2 Thiết lập giá trị độ thuộc khơng cho liệu gán nhãn có độ ảnh hưởng nhỏ 59 2.7 Ứng dụng phát tàu biển ảnh vệ tinh 66 2.7.1 Môi trường thực nghiệm 66 2.7.2 Kết thực nghiệm 67 2.8 Kết luận chương 70 Chương Đề xuất phương pháp phân cụm bán giám sát mờ an toàn tập mờ viễn cảnh 71 3.1 Giới thiệu 71 3.2 Ý tưởng thuật toán 73 3.3 Chi tiết thuật toán PTS3FCM 74 3.4 Độ phức tạp tính tốn 79 3.5 Ví dụ minh hoạ 79 iv 3.6 Kết thực nghiệm 84 3.6.1 Đánh giá theo độ xác phân cụm 84 3.6.2 Đánh giá theo chất lượng cụm 90 3.6.3 Đánh giá theo thời gian chạy thuật toán 91 3.7 Kết luận chương 93 Chương Đề xuất phương pháp phân cụm bán giám sát mờ an toàn với nhiều tham số mờ 4.1 Phương pháp phân cụm bán giám sát mờ với nhiều tham số 94 mờ 95 4.1.1 Giới thiệu 95 4.1.2 Ý tưởng thuật toán 95 4.1.3 Chi tiết thuật toán MCSSFC-P 95 4.1.4 Độ phức tạp tính toán 98 4.1.5 Kết thực nghiệm 98 4.2 Phương pháp phân cụm bán giám sát mờ an toàn với nhiều tham số mờ 101 4.2.1 Giới thiệu 101 4.2.2 Ý tưởng thuật toán 101 4.2.3 Chi tiết thuật toán TS3MFCM 102 4.2.4 Độ phức tạp tính tốn 104 4.2.5 Kết thực nghiệm 105 4.3 Ứng dụng phát tàu biển ảnh vệ tinh 108 4.3.1 Môi trường thực nghiệm 108 4.3.2 Kết thực nghiệm 108 4.4 Kết luận chương 114 Kết luận 115 Danh sách cơng trình tác giả cơng bố 117 Danh sách cơng trình tác giả gửi đăng 119 Tài liệu tham khảo 120 v Danh sách thuật ngữ từ viết tắt STT Từ viết tắt Từ tiếng Anh Alternative Silhouette Diễn giải/tạm dịch ASWC CA Clustering Accuracy Độ xác phân cụm CNN Convolutional Neural Network Mạng nơ-ron tích chập Width Criterion index Confidence-weighted Safe Semi-Supervised Chỉ số Silhouette thay Thuật toán phân cụm CS3FCM CT Computation Time DB Davies-Bouldin index FCM Fuzzy C-means Clustering Method Thuật tốn phân cụm mờ FCN Fully Convolutional Mạng tích chập toàn Network phần FC-PFS Fuzzy Clustering on Picture Fuzzy Set Thuật toán phân cụm mờ viễn cảnh 10 FS Fuzzy Set Tập mờ 11 IFS Intuitionistics Fuzzy Set Tập mờ trực cảm Fuzzy Clustering Method bán giám sát mờ an tồn có trọng số tin cậy Thời gian tính tốn Chỉ số chất lượng cụm Davies–Bouldin Bảng tiếp tục trang sau vi Tiếp tục từ trang trước STT Từ viết tắt Từ tiếng Anh Multiple fuzzification 12 MC-FCM Coefficients Fuzzy C–means Clustering Diễn giải/tạm dịch Thuật toán phân cụm mờ với nhiều tham số mờ Method Multiple fuzzification 13 MCSSFC-P 14 NN 15 ODDS 16 17 PBM PFS 18 PTS3FCM 19 R-CNN 20 SAR 21 SIDS 22 SSFCM Coefficients Semi-Supervised Fuzzy Thuật toán phân cụm bán giám sát mờ với Clustering algorithm with Point nhiều tham số mờ điểm Neural Network Mạng nơ-ron nhân tạo Outlier Detection Bộ liệu phát DataSets nhiễu Pakhira, Bandyopadhyay and Chỉ số Pakhira, Bandyopadhyay Maulik index Maulik Picture Fuzzy Set Tập mờ viễn cảnh Picture Trusted Safe Thuật toán phân cụm Semi-Supervised Fuzzy Clustering Method bán giám sát mờ viễn cảnh an toàn tin cậy Regional Convolutional Mạng nơ-ron tích chập Neural Network theo vùng Synthetic Aperture Radar Satellite Image DataSets Bộ liệu ảnh vệ tinh of Ships tàu biển Semi-Supervised Fuzzy C-means Clustering Method 23 T2FS Ra đa độ tổng hợp Type Fuzzy Set Thuật toán phân cụm bán giám sát mờ Tập mờ loại Bảng tiếp tục trang sau vii Tiếp tục từ trang trước STT Từ viết tắt Từ tiếng Anh Trusted Safe 24 25 TS3FCM TS3MFCM Diễn giải/tạm dịch Thuật toán phân cụm Semi-Supervised Fuzzy Clustering Method bán giám sát mờ an tồn tin cậy Trusted Safe Thuật tốn phân cụm Semi-Supervised with bán giám sát mờ an toàn Multiple fuzzifiers Fuzzy tin cậy với nhiều tham số Clustering Method mờ University of California, 26 UCI Irvine Machine Learning Kho liệu học máy UCI Repository viii 4.4 Kết luận chương Trong chương này, luận án đề xuất phương pháp phân cụm bán giám sát mờ với nhiều tham số mờ MCSSFC-P (được cải tiến từ thuật toán phân cụm mờ với nhiều tham số mờ MC-FCM) để xử lý với liệu phức tạp Đồng thời đề xuất phương pháp TS3MFCM có ý tưởng từ kết hợp TS3FCM với thuật toán MCSSFC-P để phân vùng điểm liệu khỏi liệu với hiệu cao xử lý với liệu nhiễu Các thuật toán thực nghiệm liệu UCI, ODDS ứng dụng thuật toán TS3MFCM phát tàu biển liệu ảnh vệ tinh SIDS toán cảng biển Kết thực nghiệm cho thấy, phương pháp đề xuất đem lại kết phân cụm tốt so với số phương pháp liên quan Kết chương công bố cơng trình CT5 CT6 114 Kết luận Nội dung luận án nghiên cứu phân cụm bán giám sát mờ an tồn ứng dụng tốn quản lý cảng biển Bao gồm kiến thức tập mờ mở rộng, phân cụm mờ, phân cụm bán giám sát mờ, v.v Ngoài ra, luận án nghiên cứu số tiếp cận phân cụm bán giám sát mờ gần đề xuất phát triển phương pháp phân cụm bán giám sát mờ an toàn liên quan Các phương pháp ứng dụng phát tàu biển từ ảnh vệ tinh toán quản lý cảng biển Luận án đạt số kết sau: • Đề xuất phương pháp TS3FCM phương pháp phân cụm bán giám sát mờ an toàn cho phân vùng liệu với độ tin cậy, kết thực nghiệm liệu UCI SIDS cho thấy phương pháp đề xuất có kết tốt so với phương pháp liên quan Tuy nhiên, phương pháp TS3FCM việc giảm độ thuộc liệu gán nhãn nghi ngờ khiến thuật tốn FCM bước có nhiều lần lặp Những nghiên cứu cơng bố cơng trình [CT2, CT3] • Đề xuất phương pháp PTS3FCM phương pháp phân cụm bán giám sát mờ an toàn tập mờ viễn cảnh cho phân vùng liệu với độ tin cậy liệu nhiễu, kết thực nghiệm liệu UCI ODDS cho thấy phương pháp đề xuất có kết tốt so với phương pháp liên quan Tuy nhiên, phương pháp PTS3FCM có nhiều tham số cần tính tốn, cần tài nguyên nhớ lớn Nghiên cứu cơng bố cơng trình [CT4, CT7] 115 • Đề xuất phương pháp cải tiến SSFCM, sử dụng phân cụm bán giám sát mờ với giá trị khác tham số mờ (MCSSFC-P), cách áp dụng thuật toán SSFCM trường hợp sử dụng nhiều tham số mờ điểm liệu Đồng thời đề xuất phương pháp TS3MFCM có ý tưởng từ kết hợp phương pháp TS3FCM phương pháp MCSSFC-P để phân vùng liệu với độ tin cậy liệu nhiễu Kết thực nghiệm liệu UCI, ODDS liệu SIDS cho thấy phương pháp đề xuất đạt hiệu tốt so với phương pháp liên quan Tuy nhiên, phương pháp MCSSFC-P TS3MFCM xuất phát từ ý tưởng điểm liệu có tham số mờ riêng biệt nên độ phức tạp thời gian tính tốn cao, đặc biệt với liệu lớn Các nghiên cứu cơng bố cơng trình [CT5, CT6] • Ứng dụng phương pháp phân cụm bán giám sát mờ an tồn cho tốn phát tàu biển từ ảnh vệ tinh Các thực nghiệm liệu SIDS cho thấy tính hiệu phương pháp Kết nghiên cứu công bố [CT3, CT5] Hướng phát triển nghiên cứu luận án tập trung vào số điểm sau: • Cải tiến thuật tốn có để giảm thiểu tài nguyên nhớ sử dụng, đồng thời tăng tốc độ tính tốn áp dụng tính tốn mơ hình song song, mơ hình tính tốn phân tán để đạt hiệu cao • Kết hợp thêm yếu tố tải trọng tàu, độ ưu tiên hàng hóa, v.v, cho toán quản lý cảng biển gần với thực tiễn 116 Danh sách cơng trình tác giả cơng bố [CT1] Phùng Thế Huân, Vũ Đức Thái, Trần Mạnh Tuấn, Phạm Huy Thơng, Lê Hồng Sơn (2020), “Một số hướng tiếp cận phân cụm bán giám sát mờ”, Kỷ yếu Hội nghị Khoa học Công nghệ Quốc gia lần thứ XIII Nghiên cứu ứng dụng Công Nghệ thông tin (FAIR), 334-341 [CT2] Phùng Thế Huân, Phạm Huy Thông, Trần Mạnh Tuấn, Đặng Trọng Hợp, Vũ Đức Thái, Nguyễn Hải Minh, Nguyễn Long Giang, Lê Hoàng Sơn (2022), “TS3FCM: trusted safe semi-supervised fuzzy clustering method for data partition with high confidence”, Multimedia Tools and Applications, 81, pp 12567–12598 (SCIE, 2021 IF = 2.757) http://dx.doi.org/10.1007/s11042-022-12133-6 [CT3] Phạm Huy Thông, Phùng Thế Huân, Phạm Quang Nam, Nguyễn Hải Minh, Trần Thị Ngân, Nguyễn Long Giang (2021), “Phát tàu biển từ ảnh vệ tinh dựa phương pháp phân cụm bán giám sát mờ an toàn”, Kỷ yếu Hội thảo Quốc gia lần thứ XXIV - VNICT 2021, 413-419 [CT4] Phùng Thế Huân, Hoàng Thị Cành, Phạm Huy Thông (2022), “Một phương pháp phân vùng liệu theo độ tin cậy dựa phân cụm mờ viễn cảnh", Tạp chí Khoa học & Cơng nghệ, Đại học Thái Nguyên, 226(8), 103-113 https://doi.org/10.34238/tnu-jst.5563 117 [CT5] Trần Mạnh Tuấn, Phùng Thế Huân, Phạm Huy Thông, Trần Thị Ngân, Lê Hoàng Sơn (2022), “An improvement of trusted safe semisupervised fuzzy clustering method with multiple fuzzifiers”, Tạp chí Tin học Điều khiển học, 38(1), 47-61 https://doi.org/10.15625/1813-9663/38/1/16720 [CT6] Trần Mạnh Tuấn, Mai Đình Sinh, Trần Đình Khang, Phùng Thế Huân, Trần Thị Ngân, Nguyễn Long Giang, Vũ Đức Thái (2022), “A New Approach for Semi-supervised Fuzzy Clustering with Multiple Fuzzifiers”, International Journal of Fuzzy Systems, 24, 3688–3701 (SCIE, 2021 IF = 4.085) https://doi.org/10.1007/s40815-022-01363-3 [CT7] Phạm Huy Thông, Florentin Smarandache, Phùng Thế Huân, Trần Mạnh Tuấn, Trần Thị Ngân, Vũ Đức Thái, Nguyễn Long Giang, Lê Hoàng Sơn (2023), “Picture-Neutrosophic Trusted Safe Semi-Supervised Fuzzy Clustering for Noisy Data”, Computer Systems Science and Engineering, 46(2), pp 1981-1997 (SCIE, 2021 IF = 4.397) https://doi.org/10.32604/csse.2023.035692 118 Danh sách cơng trình tác giả gửi đăng [CT8] Phạm Huy Thông, Phùng Thế Huân, Trần Mạnh Tuấn, Trần Thị Ngân, Vũ Đức Thái, Nguyễn Long Giang, Lê Hoàng Sơn (2021), “A New Safe Semi-Supervised Fuzzy Clustering Method based on Picture Fuzzy Set for Data Partition with Noises”, Cognitive Computation, Submitted (SCIE, 2021 IF = 4.890) 119 Tài liệu tham khảo [1] Abid, F (2021), “A survey of machine learning algorithms based forest fires prediction and detection systems”, Fire Technology, 57(2), 559590 [2] Abu Aisha, T., Ouhimmou, M., & Paquet, M (2020), “Optimization of container terminal layouts in the seaport-Case of Port of Montreal”, Sustainability, 12(3), 1165 [3] Agrawal S, Panda R, Dora L (2014), “A study on fuzzy clustering for magnetic resonance brain image segmentation using soft computing approaches”, Appl Soft Comput, 24:522–533 [4] Al-johania, N A., & Elrefaei, L A (2019), “Dorsal hand vein recognition by convolutional neural networks: feature learning and transfer learning approaches”, International Journal of Intelligent Engineering and Systems, 12(3), 178-91 [5] Arani, M., Abdolmaleki, S., Maleki, M., Momenitabar, M., & Liu, X (2021), “A simulation-optimization technique for service level analysis in conjunction with reorder point estimation and lead-time consideration: a case study in sea port”, In Advances in Parallel & Distributed Processing, and Applications (pp 839-858) Springer, Cham [6] Atanassov, K (1986), “Intuitionistic fuzzy sets”, Fuzzy Sets and Systems, 20, 87-96 120 [7] Awad, M (2010), “An Unsupervised Artificial Neural Network Method for Satellite Image Segmentation”, Int Arab J Inf Technol, 7(2), 199205 [8] Awad, M., Chehdi, K., & Nasri, A (2007), “Multicomponent image segmentation using a genetic algorithm and artificial neural network”, IEEE Geoscience and remote sensing letters, 4(4), 571-575 [9] B Li, X Xie, X Wei, and W Tang (March 2021), “Ship detection and classification from optical remote sensingimages: A survey”, Chinese Journal of Aeronautics, vol 34, no 3, pp 145-163 https://doi.org/10.1016/j.cja.2020.09.022 [10] Bakhshali, M A (2017), “Segmentation and enhancement of brain MR images using fuzzy clustering based on information theory”, Soft Computing, 21(22), 6633-6640 [11] Banerjee, A., & Maji, P (2019), “Segmentation of bias field induced brain MR images using rough sets and stomped-t distribution”, Information Sciences, 504, 520-545 [12] Banerjee, S., Mitra, S., & Shankar, B U (2018), “Automated 3D segmentation of brain tumor using visual saliency”, Information Sciences, 424, 337-353 [13] Bezdek, J C (2013), “Pattern recognition with fuzzy objective function algorithms”, Springer Science & Business Media [14] Bezdek, James C., Robert Ehrlich, and William Full (1984), “FCM: The fuzzy c-means clustering algorithm”, Computers & geosciences, 10.2-3 191-203 [15] Bhaumik H, Bhattacharyya S, Nath MD, Chakraborty S (2016), “Hybrid soft computing approaches to content based video retrieval: a brief review”, Appl Soft Comput, 46:1008–1029 [16] Binns, C (2018), “Aircraft Systems: Instruments, Communications, Navigation, and Control" John Wiley & Sons 121 [17] Bojic, S., Zrnic, N., Rajkovic, R., & Dragovic, B (2020) Optimization of container transport routes Prosperitas, 7(1), 31-42 [18] Bonissone, P P (1997), “Soft computing: the convergence of emerging reasoning technologies”, Soft computing, 1(1), 6-18 [19] Bose A, Mali K (2016), “Fuzzy-based artificial bee colony optimization for gray image segmentation”, Signal Image Video Process, 10:109–1096 [20] Bouchachia, A., & Pedrycz, W (2006), “Data clustering with partial supervision”, Data Mining and Knowledge Discovery, 12(1), 47-78 [21] Braga, A.M.; Marques, R.C.; Rodrigues, F.A.; Medeiros, F.N (2017), “A Median Regularized Level Set for Hierarchical Segmentation of SAR Images”, IEEE Geosci Remote Sens Lett, 14, 1171–1175 [22] Burillo, P., Bustince, H (1996), “Entropy on intuitionistic fuzzy set and on interval-valued fuzzy set”, Fuzzy Sets and Systems, 78, 305–316 [23] Cao, L., Wang, C., & Li, J (2016), “Vehicle detection from highway satellite images via transfer learning”, Information sciences, 366, 177187 [24] Caponetti, L., Castellano, G., Basile, M T., & Corsini, V (2014), “Fuzzy mathematical morphology for biological image segmentation”, Applied intelligence, 41(1), 117-127 [25] Choy SK, Lam SY, Yu KW, Lee WY, Leung KT (2017), “Fuzzy modelbased clustering and its application in image segmentation”, Pattern Recogn, 68:141–157 https://doi.org/10.1016/j.pat [26] Ciecholewski, M River (2017), “Channel Segmentation in Polarimetric SAR Images: Watershed Transform Combined with Average Contrast Maximisation”, Expert Syst Appl., 82, 196–215 122 [27] Cui, Z.; Li, Q.; Cao, Z.; Liu, N (2019), “Dense Attention Pyramid Networks for Multi-Scale Ship Detection in SAR Images”, IEEE Trans Geosci Remote Sens., 57, 8983–8997 [28] Cuong, B.C (2014), “Picture fuzzy sets”, Journal of Computer Science and Cybernetics, 30(4), 409-420 [29] Curiskis, S A., Drake, B., Osborn, T R., & Kennedy, P J (2020), “An evaluation of document clustering and topic modelling in two online social networks: Twitter and Reddit”, Information Processing & Management, 57(2), 102034 [30] D Cheng, G Meng, S Xiang, and C Pan, (Dec 2017), “FusionNet: Edge aware deep convolutional networks for semantic segmentation of remote sensing harbor images”, IEEE J Sel Topics Appl Earth Observ Remote Sens., vol 10, no 12, pp 5769–5783 [31] Das, S K., Kumar, A., Das, B., & Burnwal, A P (2013), “On soft computing techniques in various areas”, Comput Sci Inf Technol, 3(59), 166 [32] Dass, R., & Devi, S (2012), “Image segmentation techniques 1” [33] Davis L S, Rosenfeld A, Weszka J S (1975), “Region extraction by averaging and thresholding”, IEEE Transactions on Systems, Man, and Cybernetics, 383-388 [34] Deng W-Q, Li X-M, Gao X, Zhang C-M (2016), “A modified fuzzy Cmeans algorithm for brain MR image segmentation and bias field correction”, Journal of computer science and technology, 31(3) 501–511 [35] Elkind, K., Sankey, T T., Munson, S M., & Aslan, C E (2019), “Invasive buffelgrass detection using high-resolution satellite and UAV imagery on Google Earth Engine”, Remote Sensing in Ecology and Conservation, 5(4), 318-331 [36] Gan, H (2019), “Safe Semi-Supervised Fuzzy C-Means Clustering”, IEEE Access, 7, 95659-95664 123 [37] Gan, H., Fan, Y., Luo, Z., & Zhang, Q (2018), “Local homogeneous consistent safe semi-supervised clustering”, Expert Systems with Applications, 97, 384-393 [38] Gan, H., Fan, Y., Luo, Z., Huang, R., & Yang, Z (2019), “Confidenceweighted safe semi-supervised clustering”, Engineering Applications of Artificial Intelligence, 81, 107-116 [39] Girshick, R.J.C.S 2015,“Fast R-CNN”, arXiv, arXiv:1504.08083 [40] Grira, N., Crucianu, M., & Boujemaa, N (2008), “Active semisupervised fuzzy clustering”, Pattern Recognition, 41(5), 1834-1844 [41] Guo, L., Gan, H., Xia, S., Xu, X., & Zhou, T (2021), “Joint exploring of risky labeled and unlabeled samples for safe semi-supervised clustering”, Expert Systems with Applications, 176, 114796 [42] Hata Y, Kobashi S (2009), “Fuzzy segmentation of endorrhachis in magnetic resonance images and its fuzzy maximum intensity projection”, Appl Soft Comput, 9:1156–1169 [43] Huang Y et al (2010), “Development of soft computing and applications in agricultural and biological engineering”, Comput Electron Agric, 71(2):107–127 [44] J Jiao, Y Zhang, H Sun, X Yang, X Gao, W Hong, K Fu, and X Sun (2018), “A densely connected end-to-end neural network for multiscale and multiscene SAR ship detection”, IEEE Access, vol 6, pp 20881–20892 [45] J Li, C Qu, and J Shao (Nov 2017), “Ship detection in SAR images based on an improved faster R-CNN”, in Proc SAR Big Data Era, Models, Methods Appl (BIGSARDATA) [46] Jahn, C., & Scheidweiler, T (2018, February), “Port call optimization by estimating ships time of arrival”, In International Conference on Dynamics in Logistics (pp 172-177) Springer, Cham 124 [47] Jain, A K (2010), “Data clustering: 50 years beyond K-means”, Pattern recognition letters, 31(8), 651-666 [48] Jin, R.; Yin, J.; Zhou, W.; Yang, J (2017), “Level Set Segmentation Algorithm for High-resolution Polarimetric SAR Images Based on a Heterogeneous Clutter Model”, IEEE J Sel Top Appl Earth Obs Remote Sens, 10, 4565–4579 [49] Kemme, N (2012), “Design and operation of automated container storage systems”, Springer Science & Business Media [50] Khang, T D., Vuong, N D., Tran, M K., & Fowler, M (2020), “Fuzzy c-means clustering algorithm with multiple fuzzification coefficients”, Algorithms, 13.7 158 [51] Knorr, W., Pytharoulis, I., Petropoulos, G P., & Gobron, N (2011), “Combined use of weather forecasting and satellite remote sensing information for fire risk, fire and fire impact monitoring”, Computational Ecology and Software, 1(2), 112 [52] Kumar, A., Bhadauria, H S., & Singh, A (2020), “Semi-supervised OTSU based hyperbolic tangent Gaussian kernel fuzzy C-mean clustering for dental radiographs segmentation”, Multimedia Tools and Applications, 79(3), 2745-2768 [53] L.A Zadeh, (1965), “Fuzzy Sets”, Information and Control, vol 8, pp 338-353, [54] Lang, F.; Yang, J.; Yan, S.; Qin, F (2018), “Superpixel Segmentation of Polarimetric Synthetic Aperture Radar (SAR) Images Based on Generalized Mean Shift”, Remote Sens, 10, 1592 [55] Li Y-l, Shen Y (2014), “An automatic fuzzy c-means algorithm for image segmentation”, Soft Comput, 14:123–128 [56] Li, B., Xie, X., Wei, X., & Tang, W (2020), “Ship detection and classification from optical remote sensing images: A survey”, Chinese Journal of Aeronautics 125 [57] Li, Z., Li, Y., Lu, W., & Huang, J (2020), “Crowdsourcing logistics pricing optimization model based on DBSCAN clustering algorithm”, IEEE Access, 8, 92615-92626 [58] Lin, Z.; Ji, K.; Leng, X.; Kuang, G (2019), “Squeeze and Excitation Rank Faster R-CNN for Ship Detection in SAR Images”, IEEE Geosci Remote Sens Lett, 16, 751–755 [59] Liu, S T., Wang, H N., & Wang, Z (2018, August), “Image target segmentation method based on fuzzy entropy and salient region extraction”, In Tenth International Conference on Digital Image Processing (ICDIP 2018) (Vol 10806, p 108062W) International Society for Optics and Photonics [60] Lovász, L., & Plummer, M D (2009), “Matching theory”, American Mathematical Soc, (Vol 367) [61] Lu, Y., Chen, Y., Zhao, D., & Chen, J (2019, July), “Graph-FCN for image semantic segmentation”, In International Symposium on Neural Networks (pp 97-105) Springer, Cham [62] M Kang, X Leng, Z Lin, and K Ji ( May 2017), “A modified faster R-CNN based on CFAR algorithm for SAR ship detection”, in Proc Int Workshop Remote Sens Intell Process (RSIP) [63] Manikandan T, Bharathi N (2016), “Lung cancer detection using fuzzy auto-seed cluster means morphological segmentation and SVM classifier”, J Med Syst 40(7):1–9 [64] Mendel, J.M., John, R.B (2002), “Type-2 fuzzy sets made simple”, IEEE Transactions on Fuzzy Systems, 10(2), 117-127 [65] Milletari, F., Navab, N., & Ahmadi, S A (2016, October), “V-net: Fully convolutional neural networks for volumetric medical image segmentation”, In 2016 fourth international conference on 3D vision (3DV) (pp 565-571) IEEE 126 [66] Narayana, G S., & Kolli, K (2021), “Fuzzy K-means clustering with fast density peak clustering on multivariate kernel estimator with evolutionary multimodal optimization clusters on a large dataset”, Multimedia Tools and Applications, 80(3), 4769-4787 [67] Narkhede, H P (2013), “Review of image segmentation techniques”, Int J Sci Mod Eng, 1(8), 54-61 [68] Nayak, J., Naik, B., & Behera, H S (2015), “Fuzzy C-Means (FCM) Clustering Algorithm: A Decade Review from 2000 to 2014”, In Computational Intelligence in Data Mining, 2, 133-149, Springer India [69] Nie, X., Duan, M., Ding, H., Hu, B., & Wong, E K (2020), “Attention mask R-CNN for ship detection and segmentation from remote sensing images”, IEEE Access, 8, 9325-9334 [70] Otsu, Nobuyuki (1979) “A threshold selection method from gray-level histograms”, IEEE transactions on systems, man, and cybernetics, 9.1: 62-66 [71] Outlier Detection DataSets http://odds.cs.stonybrook.edu (ODDS) (2021) Data Online: [72] P.H Thong, L.H Son (2016), “Picture fuzzy clustering: a new computational intelligence method”, Soft Comput, 20 (9) 3549–3562 [73] Pal N R, Pal S K (1993), “A review on image segmentation techniques”, Pattern recognition, 26(9): 1277- 1294 [74] Pare, S., Bhandari, A K., Kumar, A., & Singh, G K (2017), “An optimal color image multilevel thresholding technique using grey-level co-occurrence matrix”, Expert Systems with Applications, 87, 335-362 [75] Pedrycz, W., & Waletzky, J (1997), “Fuzzy clustering with partial supervision”, IEEE Transactions on Systems, Man, and Cybernetics, Part B (Cybernetics), 27(5), 787-795 127 [76] Q Li, L Mou, Q Liu, Y Wang, and X X Zhu (2018), "HSF-Net: Multiscale deep feature embedding for ship detection in optical remote sensing imagery", IEEE Trans Geosci Remote Sens, vol 56, no 12, pp 7147–7161, Dec [77] Rad A E., Mohd Rahim M S., Rehman A., Altameem A and Saba T (2013), “Evaluation of current dental radiographs segmentation approaches in computeraided applications”, IETE Technical Review, 30(3), 210-222 [78] Rad, A E, Rahim, M S M, & Norouzi, A (2014), “Level Set and morphological Operation Techniques in Application of Dental Image Segmentation”, International Scholarly and Scientific Research & Innovation, 8(4), 177-180 [79] Razmjooy, N., Estrela, V V., & Loschi, H J (2019), “A study on metaheuristic-based neural networks for image segmentation purposes”, In Data science, (pp 25-49) CRC Press [80] S Ren, K He, R Girshick, and J Sun (2015), “Faster R-CNN: Towards real-time object detection with region proposal networks”, IAdvances in neural information processing systems, 28 [81] Satellite Image DataSets of Ships (2018) Data Online: https://www.kaggle.com/c/airbus-ship-detection/ [82] Shang R et al (2016), “A spatial fuzzy clustering algorithm with kernel metric based on immune clone for SAR image segmentation”, IEEE J Sel Top Appl Earth Obs Remote Sens, 9(4):1640–1652 [83] Shi, Z., & He, L (2010, April), “Application of neural networks in medical image processing”, In Proceedings of the second international symposium on networking and network security (pp 2-4) [84] Singh, K K., & Singh, A (2010), “A study of image segmentation algorithms for different types of images”, International Journal of Computer Science Issues (IJCSI), 7(5), 414 128 ... phương pháp phân cụm bán giám sát mờ an toàn ứng dụng phát tàu biển từ ảnh vệ tinh toán quản lý cảng biển 2.2 Mục tiêu cụ thể • Mục tiêu : Nghiên cứu đề xuất phương pháp phân cụm bán giám sát mờ cho. .. rộng, phân cụm mờ, phân cụm bán giám sát mờ Ngồi ra, chương trình bày số tiếp cận phân cụm bán giám sát mờ gần như: phân cụm bán giám sát mờ an toàn, phân cụm bán giám sát mờ tập mờ nâng cao, phân. .. tưởng từ phương pháp phân cụm 23 1.3 Ứng dụng phân cụm bán giám sát mờ toán quản lý cảng biển 1.3.1 Giới thiệu toán quản lý cảng biển Trên giới Việt Nam nay, vấn đề giải toán quản lý cảng biển nhận