Tóm tắt: Nghiên cứu phát triển hệ suy diện mờ phức không – thời gian và ứng dụng trong dự báo ngắn hạn chuỗi ảnh vệ tinh

Nghiên cứu phát triển hệ suy diện mờ phức không – thời gian và ứng dụng trong dự báo ngắn hạn chuỗi ảnh vệ tinh.Nghiên cứu phát triển hệ suy diện mờ phức không – thời gian và ứng dụng trong dự báo ngắn hạn chuỗi ảnh vệ tinh.Nghiên cứu phát triển hệ suy diện mờ phức không – thời gian và ứng dụng trong dự báo ngắn hạn chuỗi ảnh vệ tinh.Nghiên cứu phát triển hệ suy diện mờ phức không – thời gian và ứng dụng trong dự báo ngắn hạn chuỗi ảnh vệ tinh.Nghiên cứu phát triển hệ suy diện mờ phức không – thời gian và ứng dụng trong dự báo ngắn hạn chuỗi ảnh vệ tinh.Nghiên cứu phát triển hệ suy diện mờ phức không – thời gian và ứng dụng trong dự báo ngắn hạn chuỗi ảnh vệ tinh.Nghiên cứu phát triển hệ suy diện mờ phức không – thời gian và ứng dụng trong dự báo ngắn hạn chuỗi ảnh vệ tinh.Nghiên cứu phát triển hệ suy diện mờ phức không – thời gian và ứng dụng trong dự báo ngắn hạn chuỗi ảnh vệ tinh.Nghiên cứu phát triển hệ suy diện mờ pNghiên cứu phát triển hệ suy diện mờ phức không – thời gian và ứng dụng trong dự báo ngắn hạn chuỗi ảnh vệ tinh.Nghiên cứu phát triển hệ suy diện mờ phức không – thời gian và ứng dụng trong dự báo ngắn hạn chuỗi ảnh vệ tinh.Nghiên cứu phát triển hệ suy diện mờ phức không – thời gian và ứng dụng trong dự báo ngắn hạn chuỗi ảnh vệ tinh.Nghiên cứu phát triển hệ suy diện mờ phức không – thời gian và ứng dụng trong dự báo ngắn hạn chuỗi ảnh vệ tinh.Nghiên cứu phát triển hệ suy diện mờ phức không – thời gian và ứng dụng trong dự báo ngắn hạn chuỗi ảnh vệ tinh.Nghiên cứu phát triển hệ suy diện mờ phức không – thời gian và ứng dụng trong dự báo ngắn hạn chuỗi ảnh vệ tinh.Nghiên cứu phát triển hệ suy diện mờ phức không – thời gian và ứng dụng trong dự báo ngắn hạn chuỗi ảnh vệ tinh.Nghiên cứu phát triển hệ suy diện mờ phức không – thời gian và ứng dụng trong dự báo ngắn hạn chuỗi ảnh vệ tinh.Nghiên cứu phát triển hệ suy diện mờ phức không – thời gian và ứng dụng trong dự báo ngắn hạn chuỗi ảnh vệ tinh.hức không – thời gian và ứng dụng trong dự báo ngắn hạn chuỗi ảnh vệ tinh.

BỘ GIÁO DỤC VÀ ĐÀO TẠO VIỆN HÀN LÂM KHOA HỌC VÀ CÔNG NGHỆ VIỆT NAM HỌC VIỆN KHOA HỌC VÀ CÔNG NGHỆ LÊ TRƯỜNG GIANG NGHIÊN CỨU PHÁT TRIỂN HỆ SUY DIỄN MỜ PHỨC KHÔNG - THỜI GIAN VÀ ỨNG DỤNG TRONG DỰ BÁO NGẮN HẠN CHUỖI ẢNH VỆ TINH Chuyên ngành: Hệ thống thông tin Mã số: 48 01 04 LUẬN ÁN TIẾN SĨ NGÀNH MÁY TÍNH Hà Nội - 2023 Cơng trình hồn thành tại: Học viện Khoa học Công nghệ - Viện Hàn lâm Khoa học Công nghệ Việt Nam Người hướng dẫn khoa học: PGS TS Lê Hoàng Sơn PGS TS Nguyễn Long Giang Phản biện 1: Phản biện 2: Phản biện 3: Luận án bảo vệ trước Hội đồng chấm luận án tiến sĩ, họp Học viện Khoa học Công nghệ - Viện Hàn lâm Khoa học Công nghệ Việt Nam vào hồi ngày tháng năm 2023 Có thể tìm hiểu luận án tại: - Thư viện Học viện Khoa học Công nghệ - Thư viện Quốc gia Việt Nam MỞ ĐẦU Tính cấp thiết luận án Những thay đổi bề mặt trái đất xảy thiên tai, nạn phá rừng, thay đổi sói mịn, q trình thị hóa hay q trình biến đổi tự nhiên thời tiết, khí hậu, v.v vấn đề đặc biệt quan tâm ngày Dự báo kịp thời xác thay đổi giúp cho tương tác tự nhiên người phù hợp, giúp trình quản lý sử dụng tài nguyên tốt hơn, giúp định hướng hoạt động sản xuất kinh doanh phù hợp [1, 2] Với phát triển hệ thống ảnh viễn thám, phát thay đổi ảnh viễn thám thu hút quan tâm rộng rãi ứng dụng quan trọng lĩnh vực viễn thám Ảnh viễn thám có số loại như: Landsat, Sentinel, SPOT, v.v Trong đó, ảnh Landsat ETM+ gồm kênh: chàm, lục, đỏ, cận hồng ngoại, hồng ngoại trung (sóng ngắn), hồng ngoại nhiệt, hồng ngoại trung (sóng ngắn) kênh tồn sắc Ảnh SPOT gồm kênh: lục, đỏ, cận hồng ngoại, hồng ngoại trung (sóng ngắn) kênh tồn sắc [3] Dự báo ngắn hạn chuỗi ảnh vệ tinh (ảnh Landsat) dự báo mà sử dụng hữu hạn hình ảnh (từ đến 10 ảnh) thời điểm trước làm sở cho dự báo cho số hữu hạn hình ảnh thời điểm sau với liệu bao gồm yếu tố không gian thời gian Trong yếu tố khơng – thời gian xác định hỉnh ảnh địa điểm thời điểm khác [4, 5] Luận án tập trung nghiên cứu toán dự đoán biến đổi chuỗi ảnh vệ tinh dựa vào liệu khơng - thời gian tốn dự đốn hình ảnh hình thái ảnh vệ tinh nói chung hay ảnh viễn thám nói riêng Q trình dự đốn thay đổi đối tượng tượng cách quan sát ảnh viễn thám địa điểm thời điểm khác để xác định quy luật biến đổi đưa dự đoán [6, 7] Một cách trực quan, toán dự đoán biến đổi chuỗi ảnh viễn thám định nghĩa với đầu vào tập ảnh viễn thám vùng không gian thời điểm khác T (1), T (2), , T (k) Kết đầu ảnh dự báo vùng không gian thời điểm (k + 1) dựa phân tích biến đổi ảnh tập đầu vào Một hướng nghiên cứu phổ biến lớp tốn kể đến việc sử dụng hệ suy diễn Mamdani [8–14] hặc sử dụng để giải vấn đề sử dụng hệ suy diễn mờ nơ ron thích nghi [15–19] (ANFIS) hệ ANFIS kết hợp ANN hệ suy diễn mờ thông thường chế học ANN thông qua luật IF-THEN với hàm mờ hoá xác định, điều giúp khắc phục hạn chế hai nhóm phương pháp, khơng ANFIS cịn có khả học liệu gây nhiễu từ tập hợp luật IF-THEN khả ghi nhớ thông tin mạng neural Ngoài hướng nghiên cứu sử dụng mạng neural [2, 20–23] nhiều nhà nghiên cứu quan tâm với ưu điểm khả tận dụng tối đa liệu, hiệu cao, tự động xác định đặc trưng quan trọng đầu vào Ngoài hệ suy diễn mờ thông thường, gần hệ suy diễn mờ phức [24–28] dành nhiều quan tâm hơn, giá trị phần phức bổ sung thêm cho mơ hình mờ thơng tin giúp xác định rõ đặc trưng ảnh Ngoài yếu tố liên quan đến mơ hình, hệ luật đóng vai trị quan trọng [29–32], hệ luật tốt hệ luật đảm bảo chất lượng luật, cần có chế sinh luật, lựa chọn luật giảm luật phù hợp [33–35, 35–37] Ngoài yếu tố luật, hệ suy diễn, mơ hình có hiệu cao thời điểm thường có tham số lớn đa dạng, việc lựa chọn phương pháp huấn luyện [37–40] phù hợp quan trọng Với phương pháp điều chỉnh luật khác đưa hệ luật khác nhau, điều địi hỏi cần có cơng cụ để đánh gía hiệu hệ luật Dựa công bố liên quan hầu hết các phương pháp đề xuất dự đoán biến đổi chuỗi ảnh viễn thám kết hợp phương pháp khác từ mạng học sâu, học giám sát, không giám sát phương pháp phân lớp khác giai đoạn huấn luyện mẫu, xác định sai khác, v.v để thu kết dự đốn hình ảnh Tuy nhiên tồn số hạn chế sau: - Các phương pháp học máy thường cho kết tốt liệu nhỏ, nhiên mô hình thường hiệu liệu lớn thiếu thông tin - Đối với phương pháp học sâu, mơ hình có độ xác cao Tuy nhiên mơ hình thường đòi hỏi lượng liệu đầu vào lớn thời gian xử lý chậm, thường khơng phù hợp với toán dự báo ngắn hạn - Với đặc thù toán ngắn hạn chuỗi ảnh vệ tinh cần thời gian dự báo nhanh, hình ảnh có yếu tố khơng gian thời gian hướng tiếp cận xây dựng hệ suy diễn mờ phức không - thời gian phù hợp thể cơng trình Tuy nhiên số phương pháp suy diễn tập trung vào phần thực chưa để ý pha tách phần thực, phần pha riêng Chính điều làm giảm ý nghĩa hệ thống suy diễn tập mờ phức việc tách riêng phần thực phần pha giá trị đầu vào làm giảm ý nghĩa việc ứng dụng miền phức Xuất phát từ vấn đề thực tiễn nêu cho thấy, việc nghiên cứu xây dựng hệ suy diễn mờ phức không - thời gian ứng dụng dự báo ngắn hạn chuỗi ảnh vệ tinh u cầu có tính cấp thiết mặt lý thuyết (hoàn thiện nghiên cứu hệ suy diễn mờ phức không - thời gian, chế xác định tham số tốt mô hình, phương pháp tối ưu luật hệ suy diễn) ứng dụng mơ hình đề xuất vào thực tế q trình dự đốn Mục tiêu nghiên cứu luận án 2.1 Mục tiêu chung luận án Mục tiêu chung luận án, nghiên cứu phát triển hệ suy diễn mờ phức không - thời gian ứng dụng dự báo ngắn hạn chuỗi ảnh vệ tinh Sau tiến hành cài đặt so sánh, đánh giá tính hiệu phương pháp đề xuất so với phương pháp khác độ đo nhằm chứng minh tính hiệu phương pháp đề xuất 2.2 Mục tiêu cụ thể Xuất phát từ tồn hạn chế công bố tập mờ phức, hệ suy diễn dựa tập mờ phức phương pháp dự báo ngắn hạn ảnh vệ tinh mục tiêu tổng quát, luận án tập trung nghiên cứu đề xuất xây dựng hệ suy diễn mờ phức không - thời gian ứng dụng dự báo ngắn hạn chuỗi ảnh vệ tinh cụ thể sau: • Mục tiêu : Đề xuất hệ suy diễn mờ phức không – thời gian ứng dụng dự báo ngắn hạn chuỗi ảnh vệ tinh • Mục tiêu : Đề xuất phương pháp xác định đồng thời tham số hệ suy diễn mờ phức khơng - thời gian • Mục tiêu : Đề xuất phương pháp tối ưu luật hệ suy diễn mờ phức không - thời gian • Mục tiêu : Đề xuất mơ hình ứng dụng hệ suy diễn mờ phức không - thời gian dự báo ngắn hạn chuỗi ảnh vệ tinh Đối tượng phạm vi nghiên cứu luận án 3.1 Đối tượng nghiên cứu Đối tượng nghiên cứu luận án hệ suy diễn theo tiếp cận tập mờ phức, phương pháp xác định đồng thời tham số hệ luật mờ phức cách thức cải tiến hệ luật 3.2 Phạm vi nghiên cứu Từ mục tiêu nội dung nghiên cứu, phạm vi nghiên cứu luận án đề xuất sau: • Lý thuyết: Nghiên cứu lý thuyết tập mờ phức, hệ suy diễn dựa tập mờ phức, phương pháp xác định đồng thời tham số hệ luật phương pháp tối ưu luật • Thực nghiệm: Luận án tập trung nghiên cứu thử nghiệm toán dự báo ngắn hạn chuỗi ảnh viễn thám có yếu tố khơng - thời gian • Dữ liệu: Nghiên cứu ảnh viễn thám Landsat Hải quân Hoa kỳ liệu PRISMA Phương pháp nội dung nghiên cứu 4.1 Phương pháp nghiên cứu Phương pháp nghiên cứu đề tài bao gồm phương pháp lý thuyết phương pháp thực nghiệm 4.2 Nội dung nghiên cứu Với mục tiêu nghiên cứu luận án tập trung vào nghiên cứu số nội dung sau: • Nghiên cứu sở liệu ảnh vệ tinh mơ hình, phương pháp dự báo ngắn hạn chuỗi ảnh vệ tinh • Nghiên cứu cơng bố liên quan đến tập mờ phức, hệ suy diễn mờ phức, ứng dụng dự báo ngắn hạn chuỗi ảnh vệ tinh Nắm ưu điểm hạn chế phương pháp đề xuất phương pháp cải tiến • Nghiên cứu phát triển, cải tiến đề xuất hệ suy diễn mờ phức không – thời gian, phát triển độ đo tính luật khơng - thời gian phương pháp xác định đồng thời tham số cho hệ suy diễn mờ phức không – thời gian Đóng góp luận án Các đóng góp luận án bao gồm nội dung sau: • Đề xuất hệ suy diễn mờ phức không – thời gian ứng dụng dự báo ngắn hạn chuỗi ảnh vệ tinh - Mơ hình đề xuất thực xử lý để thu liệu đầu vào gồm phần thực phần pha (phần sai khác điểm ảnh hai ảnh liên tiếp) - Dữ liệu đầu vào sau tiến hành tiền xử lý phân thành cụm phù hợp thuật toán FCM [41] - Từ kết phân cụm tiến hành sinh hệ luật mờ phức không gian dạng tam giác - Các tham số cho hàm giải mờ huấn luyện thuật toán ADAM [42] để tìm tham số phù hợp Các luật mờ phức không gian dạng tam giác sau giải mờ tham số từ kết huấn luyện - Kết dự đoán phần thực phần pha tiếp tục đưa vào thuật tốn ADAM [42] huấn luyện tìm hệ số phụ thuộc để tổng hợp hình ảnh dự đốn tốt • Đề xuất phương pháp xác định đồng thời tham số hệ suy diễn mờ phức khơng - thời gian - Mở rộng mơ hình hệ suy diễn mờ phức không - thời gian ứng dụng dự báo ngắn hạn chuỗi ảnh vệ tinh chương cách bổ sung thêm bốn tham số mơ hình - Đề xuất phương pháp xác định đồng thời tham số thuật tốn FWADAM+ • Đề xuất phương pháp tối ưu luật hệ suy diễn mờ phức không - thời gian - Luận án giới thiệu mơ hình hệ suy diễn mờ phức khơng - thời gian thích ứng dựa độ đo mờ phức để phát biến đổi chuỗi ảnh viễn thám (RSI) - Mơ hình đề xuất phương pháp sinh luật trực tiếp từ ảnh thu tập kiểm tra đề xuất độ đo mờ phức nhằm mục đích so sánh hai hệ luật: hệ luật cũ sinh dựa Spatial CFIS hệ luật lập trực tiếp từ ảnh Hệ thống định thêm, bớt hay tổng hợp luật thông qua kết so sánh - Cuối cùng, luật thu để điều chỉnh phù hợp với hình ảnh mới, cải thiện độ xác thời gian mơ hình Tính luận án - So với nghiên cứu suy diễn mờ phức Lan cộng ([25]) luận án đóng góp thêm hệ suy diễn mờ phức không - thời gian (Spatial CFIS) cải tiến liên quan đến học đồng thời tham số - So với nghiên cứu sử dụng hệ suy diễn mờ kinh điển Mamdani, TakagiSugeno, Tsukamoto luận án cung cấp hệ suy diễn mờ phức cho phép xử lý liệu có yếu tố không gian thời gian mà hệ suy diễn mờ kinh điển khơng có - So với nghiên cứu sử dụng mơ hình học máy học sâu giải pháp luận án cho phép xử lý liệu ngắn hạn với độ chỉnh xác cao yêu cầu liệu đầu vào nhỏ Bố cục luận án Luận án “Nghiên cứu xây dựng hệ suy diễn mờ phức không - thời gian ứng dụng dự báo ngắn hạn chuỗi ảnh vệ tinh” gồm có phần mở đầu, chương nội dung, phần kết luận danh mục tài liệu tham khảo với nội dung sau: • Mở đầu • Chương 1: Trình bày kiến thức sở cho đề tài nghiên cứu • Chương 2: Trình bày đề xuất xây dựng hệ suy diễn mờ phức không - thời gian ứng dụng vào dự báo chuỗi ảnh vệ tinh (Spatial CFIS), kết thực nghiệm phân tích đánh giá mơ hình đề xuất • Chương 3: Trình bày đề xuất phương pháp xác định đồng thời tham số hệ suy diễn mờ phức không - thời gian, kết thực phân tích đánh giá phương pháp đề xuất • Chương 4: Trình bày đề xuất phương pháp tối ưu luật hệ suy diễn mờ phức không - thời gian, kết thực phân tích đánh giá phương pháp đề xuất • Kết luận hướng phát triển Chương TỔNG QUAN NGHIÊN CỨU VÀ CƠ SỞ LÝ THUYẾT 1.1 1.1.1 Cơ sở lý thuyết Tập mờ Zadel định nghĩa tập mờ (FS) vào năm 1965 [43] coi phần mở rộng tập kinh điển sau: Định nghĩa 1.1 [43] Nếu X không gian (một tập nền) phần tử biểu thị x, tập mờ A X xác định cặp giá trị công thức (1.1) sau: A = {(x, µA (x))|x ∈ X} (1.1) Trong µA (x) gọi hàm thuộc x tập mờ A-viết tắt MF (Membership Function) Tức là, hàm liên thuộc ánh xạ phần tử X tới giá trị liên thuộc khoảng [0, 1] 1.1.2 Tập mờ phức Theo Ramot [44, 45] tập mờ phức coi cơng cụ mơ hình hóa hiệu vấn đề, đối tượng có ý nghĩa thay đổi theo thời gian hay với vấn đề có yếu tố chu kì, định kì Định nghĩa [44] Một tập mờ phức đặc trưng hàm thuộc giá trị phức µS (x) mà phạm vi giá trị đường trịn đơn vị khơng gian phức, biểu diễn có dạng cơng thức 1.2 đây: √ µS (x) = rS (x) ejωS (x) , j = −1 (1.2) Trong đó, rS (x) biên độ, ωS (x) pha hàm có giá trị thực với điều kiện rS (x) ∈ [0, 1] 1.1.3 Hệ suy diễn mờ Hệ suy diễn mờ [46] gồm ba phần chính: mờ hóa, sở luật giải mờ sau: - Giao diện mờ hóa: chuyển đổi lớp đầu vào vào biên độ phù hợp với giá trị ngôn ngữ - Cơ sở trí thức bao gồm phần: • Cơ sở liệu: định nghĩa hàm thuộc tập mờ sử dụng luật mờ • Bộ luật: gồm luật mờ IF - THEN - Đơn vị thực thi: thực hoạt động suy diễn luật - Giao diện giải mờ: chuyển đổi giá trị kết mờ hệ suy diễn lớp đầu 1.1.4 Hệ suy diễn mờ phức Hệ suy diễn mờ phức (CFIS) [45] biết đến hệ logic mờ phức (CFLS) sử dụng hệ suy diễn mờ làm sở Một CFIS/ CFLS nhận tập đầu vào rõ ánh xạ chúng thành tập đầu rõ Một CFIS/ CFLS chủ yếu gồm thành phần sau:Các luật mờ phức; Một mờ hóa phức; Một chế suy diễn phức; Một giải mờ phức Đầu hệ CFIS/CFLS xác định thơng qua giai đoạn: Giai đoạn mờ hóa phức, dùng để ánh xạ liệu đầu vào rõ thành tập liệu đầu vào mờ Giai đoạn thứ 2, bước suy diễn mờ, sử dụng sở luật mờ phức để ánh xạ tập liệu đầu vào mờ thành tập liệu đầu mờ Giai đoạn cuối giải mờ việc thực ánh xạ CFIS/CFLS Trong giai đoạn này, giải mờ tập liệu đầu phức đưa liệu đầu rõ Quá trình xây dựng CFIS/CFLS [47] thực cách xây dựng tập mờ phức logic mờ phức Quá trình bao gồm bước: • Bước 1: Xây dựng vùng mờ phức • Bước Sinh luật mờ phức • Bước Giản lược sở luật • Bước Ánh xạ đầu thông qua giải mờ phức 1.1.5 Hệ suy diễn mờ phức Mandani (M-CFIS)[48] Về hệ diễn mờ phức Mamdani bao gồm bước: Bước 1: Xác định tập luật mờ phức Bước 2: Mờ hóa liệu đầu vào Bước 3: Xác định độ mạnh luật Bước 4: Tính tốn kết đầu y luật mờ phức Bước 5: Tổng hợp kết đầu luật mờ phức Bước 6: Giải mờ kết đầu 1.1.6 Các phép toán tập mờ phức Phần bù tập mờ phức Cho A tập mờ phức với hàm thuộc mờ phức tương ứng là: µA (x) = rA (x)ejωA (x) Định nghĩa 1.2 ([44]) Phần bù tập mờ phức A ( kí hiệu A) xác định sau: o n jωA (x) A = {(x, µA (x))|x ∈ U } = (x, rA (x)e )|x ∈ U (1.3) Với rA (x) = − rA (x) ωA (x) = 2π − ωA (x) Theo [44], phép toán phần bù mờ phức có dạng sau: A = (1 − rA (x)) ej(−ωA (x)) (1.4) A = (1 − rA (x)) ej(ωA (x)) (1.5) A = (1 − rA (x)) ej(ωA (x)+π) (1.6) Phép hợp phép giao hai tập mờ phức Ramot [44] trình bày phép hợp phép giao tập mờ phức với toán tử áp dụng thành phần pha cấp độ thuộc mờ phức Cho A B hai tập mờ phức với hàm thuộc mờ phức tương ứng là: µA (x) = rA (x)ejωA (x) µB (x) = rB (x)ejωB (x) , đó, phép tốn tập mờ phức định nghĩa sau: Định nghĩa 1.3 ([44]) Phép hợp hai tập mờ phức A B (kí hiệu A ∪ B ) định nghĩa sau: A ∪ B = {(x, µA∪B (x))|x ∈ U } n o jωA∪B (x) = (x, rA∪B (x)e )|x ∈ U n o jωA∪B (x) = (x, [rA (x) ⊕ rB (x)] e )|x ∈ U (1.7) Với phép ⊕ phép t-đối chuẩn, ví dụ rA∪B (x) = max {rA (x), rB (x)} Định nghĩa 1.4 ([44]) Phép giao hai tập mờ phức A B (kí hiệu A ∩ B ) xác định A ∩ B = {(x, µA∩B (x))|x ∈ U } n o jωA∩B (x) = (x, rA∩B (x)e )|x ∈ U n o jωA∩B (x) = (x, [rA (x) ⊗ rB (x)] e )|x ∈ U (1.8) Với rA∩B (x) = {rA (x), rB (x)} ωA∩B (x) = (ωA (x), ωB (x)) Trong đó, phép ⊗ biểu diễn hàm T-chuẩn, ví dụ tốn tử Min phép nhân đại số Khi rA rB giá trị thực, tốn tử max sử dụng 1.1.7 Độ đo mờ độ đo mờ phức Định nghĩa Một độ đo mờ phức [49] kí hiệu ρ : (F ∗ (U ) × F ∗ (U )) → [0, 1] A, B C ∈ F ∗ (U ) thỏa mãn tính chất sau: ρ (A, B) ≥ 0, ρ (A, B) = A = B ρ (A, B) = ρ (B, A) ρ (A, B) ≤ ρ (A, C) + ρ (C, B) Với F ∗ (U ) tập tập mờ phức U 1.2.6.1 Độ đo tương tự mờ phức Cosine [50] Định nghĩa Cho hai tập mờ phức S1 = rS1 (x) ejωS1 (x) S2 = rS2 (x) ejωS2 (x) S với x ∈ X ; thành phần biên độ thành phần pha hai tập mờ phức ∈ [0, 1] Độ đo tương tự mờ phức Cosine (kí hiệu CFCSM) hai tập mờ phức S1 S2 định nghĩa theo công thức sau: n a1 a2 + b1 b2 1X q q (1.9) CCF S = n k=1 (a )2 + (b )2 (a )2 + (b )2 2


Với a1 = Re rS1 (x) ejωS1 (x) ; b1 = Im rS1 (x) ejωS1 (x) ; a2 = Re rS2 (x) ejωS2 (x) ;
b2 = Im rS2 (x) ejωS2 (x) 1.2.6.2 Độ đo tương tự mờ phức Dice [50] Định nghĩa Cho hai tập mờ phức S1 = rS1 (x) ejωS1 (x) S2 = rS2 (x) ejωS2 (x) S với x ∈ X ; thành phần biên độ thành phần pha hai tập mờ phức ∈ [0, 1] Độ đo tương tự mờ phức Dice (kí hiệu CFDSM) hai tập mờ phức S1 S2 định nghĩa theo công thức sau: √ n X a1 b1 a2 b2 (1.10) DCF S = n k=1 a1 b1 + a2 b2


Với a1 = Re rS1 (x) ejωS1 (x) ; b1 = Im rS1 (x) ejωS1 (x) ; a2 = Re rS2 (x) ejωS2 (x) ;
b2 = Im rS2 (x) ejωS2 (x) 1.2.6.3 Độ đo tương tự mờ phức Jaccard [50] Định nghĩa Cho hai tập mờ phức S1 = rS1 (x) ejωS1 (x) S2 = rS2 (x) ejωS2 (x) S với x ∈ X ; thành phần biên độ thành phần pha hai tập mờ phức ∈ [0, 1] 11 Sau xác định giá trị phần pha, ta thu tập liệu đầu vào cho bước gồm phần thực phần pha sau: Xk (X (t) , HoD(t) ) Bước 2: Phân cụm liệu đầu vào Sử dụng thuật toán phân cụm mờ (Fuzzy C-means FCM)[41] để phân cụm đồng thời phần thực phần pha Trong đó, độ thuộc liệu Xk (X (t) , HoD(t) ) tới cụm thứ j biểu điễn Ukj thêm vào hàm mục tiêu theo công thức 2.3 XN XC m Ukj ∥Xk − Vj ∥2 → (2.3) J= k=1 j=1 Bước 3: Sinh luật theo hệ luật mờ phức không gian dạng tam giác Các luật mờ tam giác tạo cụm mốc luật (a, b, c, a′ , b′ , c′ ) đỉnh tam giác tính theo dạng số mờ tam giác công thức sau: bkj = Vj (2.4) b′ kj = Vj P (k) akj = i=1,2, n and Ii (2.5) (k) Ui,j × Ii ≤ bkj P (k) ≤ bkj i=1,2, n and Ii (k) P Ui,j × HODi (k) ′ a kj = i=1,2, n and Ii ≤ bkj P (k) ≤ bkj (k) P Ui,j ∗ Ii (k) i=1,2, n and Ii ≥ bkj P (k) ≥ bkj (k) P Ui,j × HODi (k) c kj = (2.8) Ui,j i=1,2, n and Ii ′ (2.7) Ui,j i=1,2, n and Ii ckj = (2.6) Ui,j i=1,2, n and Ii ≥ bkj P Ui,j (k) i=1,2, n and Ii (2.9) ≥ bkj Bước 4: Nội suy đầu Bước 4.1 Dịch chuyển điểm ảnh vùng không gian mờ phức luật tam giác Dịch chuyển điểm ảnh ngồi khơng gian luật vào khơng gian luật cách xác định hệ số α, cho sau chia giá trị điểm nằm ngồi vùng khơng gian mờ phức tam giác cho α ta thu tất điểm xét nằm vùng không gian luật 12 Bước 4.2 Nội suy giá trị Sau tổng hợp giá trị hàm thuộc ảnh tính O∗i = (Oi.∗ Re l , Oi.∗ Im g ) đầu theo công thức (2.10), (2.11) dưới: q P Oi.∗ Re l = j=1 (k) min1≤k≤d UAkj (Xi ) ∗ DEF (Xi ) q P j=1 q P Oi.∗ Im g = j=1 (2.10) (k) min1≤k≤d UAkj (Xi ) (k) min1≤k≤d UAkj (Xi ) ∗ DEF (HODi ) q P j=1 (2.11) (k) min1≤k≤d UAkj (Xi ) Bước 5: Huấn luyện trọng số giải mờ Giá trị hàm giải mờ tính theo cơng thức (2.12), (2.13) sau: h1 a + h2 b + h3 c P hi DEF (Xi ) = (2.12) i=1 DEF (HODi ) = h′ a′ + h′ b′ + h′ c′ P h′ i (2.13) i=1 Trong h1 , h2 , h3 , h′1 , h′2 , h′3 trọng số giải mờ Để có dự đốn hình ảnh tốt, cần xác định trọng số giải mờ h1 , h2 , h3 , h′1 , h′2 , h′3 thích hợp Sử dụng thuật toán Adam [42] để xác định tham số giải mờ tối ưu sử dụng độ đo trung bình phương sai (RMSE - 2.14) hàm mục tiêu v u n  2 uX (t) (t) t ˆ RM SE = Xi − X (2.14) i i=1 ˆ (t) giá trị dự đoán xác định cơng thức (2.10, 2.11) Trong X i Bước 6: Dự đoán ảnh đầu Tổng hợp kết dự báo cuối theo công thức (2.15) sau: ′ Oi∗ = α × Oi.∗ Re l + (1 − α) × Oi.∗ Im g (2.15) Để có kết dự báo tốt, luận án tiếp tục sử dụng thuật toán Adam [42] để huấn luyện xác định giá trị hệ số phụ thuộc phần thực phần pha cho RMSE công thức số (2.14) ảnh dự đoán nhỏ 13 2.4 Kết thực nghiệm mơ hình đề xuất Biểu đồ trình bày kết phân tích RMSE Spatial CFIS liệu Hải quân Hoa kỳ với hình ảnh có kích thước 100x100 500x500 Pixels đưa hình Biểu đồ trình bày kết phân tích R2 Spatial CFIS liệu Hải quân Hoa kỳ với hình ảnh có kích thước 100x100 500x500 Pixels đưa hình Biểu đồ trình bày kết phân tích RMSE, R2 Spatial CFIS liệu Prisma đưa hình đây: 14 Chương PHƯƠNG PHÁP XÁC ĐỊNH ĐỒNG THỜI CÁC THAM SỐ TRONG HỆ SUY DIỄN MỜ PHỨC KHÔNG - THỜI GIAN 3.1 Giới thiệu Trong chương này, luận án đề xuất phương pháp giảm chiều điểm ảnh bổ sung số tham số hệ số mốc luật, hệ số luật, hệ số giải mờ, hệ số phụ thuộc phần thực với phần pha nhằm giảm thời gian xử lý tăng khả mềm dẻo mơ hình Ngồi ra, luận án cịn đề xuất thuật toán FWADAM+ giúp xác định đồng thời tham số 3.2 Mơ hình đề xuất Hình 3.1: Sơ đồ chi tiết mơ hình đề xuất 15 3.3 Chi tiết thuật tốn • Bước 1: Tiền xử lý liệu đầu vào - Chuyển đổi ảnh vệ tinh từ ảnh màu sang ảnh xám - Giảm kích thước ảnh theo điểm ảnh đại diện, ảnh đầu vào gốc chia thành ảnh có kích thước nhỏ c × c , theo cơng thức (3.1) sau: Im ¯ = c X κi Imi (3.1) i=1 Trong đó, κi Imi tính theo cơng thức (3.2) sau:  c2  P   κij = κi thỏa mãn κi = ∥Imtb −Imi ∥×di i=1     Im = tb c P (3.2) Imi i=1 c2 - Xác định ma trận sai khác (phần pha) xác định cách trừ trực tiếp phần chênh lệch vùng tương ứng ảnh đại diện ảnh viễn thám tương ứng theo công thức (3.3) sau: (t) (t−1) HOD = Imtb − Imtb (3.3) Thu kết đầu vào tương ứng: X(Imttb , HoD) - Dữ liệu đầu vào chia thành số lượng mẫu theo công thức (3.4) sau: M = N −Z +1 Z (1 − dr) (3.4) • Bước 2: Phân cụm liệu Sau tiền xử lý liệu, áp dụng Fuzzy C-means [41] để phân cụm liệu đầu vào đồng thời phần thực phần pha hình ảnh mẫu liệu • Bước 3: Tạo tổng hợp luật Spatial CFIS+ từ kết phân cụm Đầu tiên xác định giá trị vùng biên a, b, c, a′ , b′ , c′ liệu đầu vào X t tập hệ số mốc luật αj luật Sử dụng véctơ tâm cụm Vj đại diện cho b b′ , Trong đó: bij = αjb × Vjrel (3.5) ′ b′ ij = αbj × Vjimg   P (k) Ui,j × Xi  i=1,2, n and X (k) ≤ b  ij   i a P aij = αj ×     Ui,j (k) i=1,2, n and Xi ≤ bij (3.6) (3.7) 16  ′ a ij P Ui,j ×  i=1,2, n and HOD(k) ≤ b ij  i a′ P = αj ×   (k) cij = αjc Ui,j × Xi  i=1,2, n and X (k) ≥ b ij  i P ×  (k) i=1,2, n and Xi  ′ c ij P      Ui,j (3.9) ≥ bij Ui,j ×  i=1,2, n and HOD(k) ≥ b ij  i c′ P = αj ×   (3.8) ≤ bij (k) P      Ui,j i=1,2, n and HODi  (k) HODi (k) HODi     Ui,j (k) i=1,2, n and HODi  (3.10) ≥ bij • Bước 4: Tính tốn giá trị nội suy dự đốn hình ảnh Xác định hệ số luật βi theo cơng thức (3.11) sau: Wi = βi1 × wi1 + βi2 × wi2 + + βiR × wiR + βiR+1 βi1 + βi2 + + βiR+1 (3.11) Tiếp theo, tính tốn hệ số giải mờ h1j , h2j , h3j , h′ ij , h′ 2j , h′ 3j công thức (3.12-3.13), sau: DEFj (X (t) ) = h1j a + h2j b + h3j c h1j + h2j + h3j (3.12) h′ 1j a′ + h′ 2j b′ + h′ 3j c′ DEFj (HOD ) = h′ 1j + h′ 2j + h′ 3j (t) (3.13) Sau đó, xác định hệ số phụ thuộc γ ∈ [0, 1], gía trị giúp cân kết dự đoán phần thực phần pha xác định công thức 3.14 sau: ′ Oi∗ = γ × Oi.∗ Re l + (1 − γ) × Oi.∗ Im g (3.14) ∗ (*) Kết dự đốn hình phần thực Oi.Rel tính theo công thức 3.15 sau: R P (k) Wi (Xi ) × DEFj (X (t) ) Oi.∗ Re l = j=1 (3.15) R ′ ∗ (**) Kết dự đốn hình ảnh phần pha Oi.Img tính theo cơng thức (3.16) sau: ′ Oi.∗ Im g = Xi (t) × (1 + Oi.∗ Im g ) R P Oi.∗ Im g = j=1 (3.16) (k) Wi (Xi ) × DEFj (HOD(t) ) R (3.17) 17 Ảnh dự đoán X db kết suy diễn tất điểm ảnh từ ảnh trung tâm O∗   − O⌈∗ i (3.18) Xidb = abs i ì di c2 ã Bước 5: Huấn luyện đồng thời tham số mơ hình (Co – Learning) Từ tập tham số αj , βi , hi γ nêu Luận án đề xuất phương pháp để huấn luyện đồng thời tham số phương pháp tối ưu hóa FWADM+ để hàm mục tiêu RMSE đạt giá trị nhỏ nhất: Bảng 3.1: Thuật toán FWADAM+ 3.4 Kết thực nghiệm mơ hình đề xuất Kết trung bình RMSE R2 áp dụng SeriesNet, DSFA, PFC-PFR phương pháp đề xuất trình bày đây: 18 Kết cho thấy phương pháp đề xuất tốt so với ba phương pháp lại Cụ thể, thời gian chạy phương pháp đề xuất tương đương khoảng 90,6%, 93,4% 38,1% thời gian chạy phương pháp SeriesNet, DSFA PFC-PFR tương ứng Chương PHƯƠNG PHÁP TỐI ƯU HỆ LUẬT SUY DIỄN MỜ PHỨC KHÔNG - THỜI GIAN 4.1 Giới thiệu Trong Chương Chương luận án đề xuật mơ hình hệ suy diễn mờ phức khơng - thời gian (Spatial CFIS) phương pháp xác định đồng thời tham số hệ suy diễn mờ phức không - thời gian (Co-Spatial CFIS+) Mơ hình đề xuất xây dựng sở sinh luật huấn luyện hệ luật thời điểm t sau tiến hành dự báo hình ảnh tương lai (t + 1, t + 2, ) Tuy nhiên áp dụng thực tế trình dự báo hình ảnh t + 1, t + 2, có sai số sai số tích lũy theo thời gian (do phải gánh chịu sai số tích luỹ trình dự báo trước đó) làm cho mơ hình ngày hiệu Để giảm sai số tích lũy mơ hình thực dự báo, luận án đề xuất hệ suy diễn mờ phức khơng gian thích ứng độ đo mờ phức gọi Spatial CFIS++ với tính chính: - Giới thiệu mơ hình hệ diễn mờ phức khơng - thời gian thích ứng dựa độ đo mờ phức để phát thay đổi chuỗi ảnh viễn thám (RSI) Mô hình liên quan đến đặc điểm khơng gian thời gian hình ảnh RSI thơng qua lý thuyết CFS - Đề xuất phương pháp sinh luật trực tiếp từ ảnh thu tập kiểm tra - Đề xuất độ đo mờ phức nhằm mục đích so sánh hai hệ luật để định thêm, bớt hay tổng hợp luật thông qua kết so sánh Cuối cùng, luật thu để điều chỉnh phù hợp với hình ảnh mới, cải thiện độ xác thời gian mơ hình 19 4.2 Mơ hình đề xuất Hình 4.1: Mơ hình phát triển độ đo tính luật không - thời gian với lát cắt thời gian 4.3 Chi tiết thuật tốn • Bước Tiền xử lý liệu đầu vào • Bước 1.1: Tiến hành biến đổi ảnh màu thu ảnh xám • Bước 1.2: Xác định giá trị phần pha Giá trị phần pha (HoD) giá trị sai khác ảnh tập dự báo (ảnh thu nhận) ảnh cuối tập huấn luyện sinh luật trước cơng thức 4.1 HoDi = (Ii − I(i−1) ) (4.1) • Bước 1.3: Biến đổi ảnh xám thu phần thực phần pha từ khơng gian thường dạng [0,1] • Bước Mờ hóa Sử dụng hàm mờ hóa Gaussian [57] công thức (4.2) để tiến hành mờ hóa phần thực phần pha ảnh đầu vào µgaussian (x; m, σ) = e− ( x−m σ ) (4.2) 20 • Bước 3: Xác định không gian nghiệm Định nghĩa Theo [58], không gian nghiệm (Ω) giới hạn công thức 4.3 sau: Ω = {(x, y, z) |xmin ≤ x ≤ xmax , ymin ≤ y ≤ ymax , zmin ≤ z ≤ zmax } (4.3) • Bước Sinh luật Bước 4.1 Xác định vùng (nhóm điểm ảnh) Với ảnh viễn thám số lượng điểm ảnh lớn, xử lý với điểm ảnh tốn nhiều thời gian xử lý tài nguyên hệ thống Luận án đề xuất sử dụng biểu đồ Histogram [59] để phân nhóm điểm ảnh Bước 4.2 Xác định mốc luật (a, b, c, a′ , b′ , c′ ) Luận án sử dụng hệ luật mờ phức không gian dạng tam giác CoSpatial CFIS+ [60] để sinh luật, cần xác định giá trị mốc luật (a, b, c, a′ , b′ , c′ ) sau: Bước 4.2.1 Xác định mốc luật (b, b′ ) - Giá trị mốc luật b, b′ điểm tâm vùng, xác định cách sử dụng thuật toán Ternary search [61] Bước 4.2.2 Xác định mốc luật (a, a′ , c, c′ ) Các giá trị mốc luật (a, a′ , c, c′ ) điểm biên, xác định theo Co-Spatial CFIS+ [60] sau: P (k) Ui,j × Xi,j (k) aj = i=1,2, ,|N Pj | and Xij ≤ bij P (4.4) Ui,j (k) i=1,2, ,|N Pj | and Xij ≤ bij (k) P Ui,j × HODi,j (k) ′ aj = i=1,2, ,|N Pj | and HODij ≤ bij P (4.5) Ui,j (k) i=1,2, ,|N Pj | and HODij ≤ bij (k) P Ui,j × Xi,j (k) cj = i=1,2, ,|N Pj | and Xij ≥bij P (4.6) Ui,j (k) i=1,2, ,|N Pj | and Xij ≥ bij (k) P Ui,j × HODi,j (k) ′ cj = i=1,2, ,|N Pj | and HODij ≥ bij P Ui,j (4.7) (k) i=1,2, ,|N Pj | and HODij ≥ bij • Bước Đánh giá luật Miền khơng gian luật V D xác định theo công thức (4.8) sau: ZZZ V = dV (4.8) D 21 ⇔V = Z bZ g2 (x) Z f2 (x,y) Z bZ g2 (x) Z f2 (x,y) dz dydx dzdydx = a g1 (x) ! f1 (x,y) a (4.9) f1 (x,y) g1 (x) Bước 5.1: Xác định thể tích giao vùng nghiệm tạo hai luật p, q Vùng không gian nghiệm luật p, q xác định tương ứng công thức (4.10 - 4.11) sau: Z bp Z g2p (x) Z f2p (x,y) ! dz dydx (4.10) Vp = Z bq Vq = aq f2p (x,y) g2p (x) ap Z g2q (x) g2q (x) Z f2q (x,y) f2q (x,y) ! dz dydx (4.11) Luận án xác định độ đo hai luật mờ phức không gian dạng tạm giác giá trị miền giao vùng không gian hai luật p, q công thức 4.12 sau: Vpq = Vp ∩ Vq (4.12) Để xác định giá trị miền giao hai luật Vpq , tiến hành chia không gian nghiệm Ω thành khối vuông theo công thức 4.13 sau: Ωijk = [xi−1 , xi ] × [yj−1 , yj ] × [zk−1 , zk ] (4.13) Miền không gian nghiệm Ω sau chia thành khối vng kích thước θ cần thỏa mãn biểu thức (4.14) sau: ( Vactual = Sbase area × h (4.14) ≤ ε