Giá trị chân lý Truth value Kết hợp mờ Fuzzy association Không gian ngữ nghĩa Semantic space Kỳ vọng Mean Lớp cha Superclass Lớp con Subclass Mối quan hệ kế thừa Inheritance relationship
BỘ GIÁO DỤC VÀ ĐÀO TẠO VIỆN HÀN LÂM KHOA HỌC VÀ CÔNG NGHỆ VIỆT NAM HỌC VIỆN KHOA HỌC VÀ CÔNG NGHỆ - NGUYỄN TẤN THUẬN ận Lu án n tiê MỘT SỐ PHƯƠNG PHÁP XỬ LÝ TRUY VẤN MỚI TRÊN CƠ SỞ DỮ LIỆU HƯỚNG ĐỐI TƯỢNG MỜ sí nh Ki LUẬN ÁN TIẾN SĨ NGÀNH MÁY TÍNH tế HÀ NỘI – 2021 BỘ GIÁO DỤC VÀ ĐÀO TẠO VIỆN HÀN LÂM KHOA HỌC VÀ CÔNG NGHỆ VIỆT NAM HỌC VIỆN KHOA HỌC VÀ CÔNG NGHỆ - Nguyễn Tấn Thuận Lu MỘT SỐ PHƯƠNG PHÁP XỬ LÝ TRUY VẤN MỚI TRÊN CƠ ận SỞ DỮ LIỆU HƯỚNG ĐỐI TƯỢNG MỜ án Chuyên ngành: Hệ thống thông tin tiê Mã số: 48 01 04 n sí Ki nh LUẬN ÁN TIẾN SĨ NGÀNH MÁY TÍNH tế NGƯỜI HƯỚNG DẪN KHOA HỌC: GS.TS Đoàn Văn Ban TS Trương Ngọc Châu Hà Nội – Năm 2021 Danh mục thuật ngữ Bảng ký hiệu, từ viết tắt Danh sách bảng biểu Danh sách hình vẽ .8 MỞ ĐẦU 10 Chương TỔNG QUAN VỀ BÀI TỐN XỬ LÝ TRUY VẤN TRÊN MƠ HÌNH CƠ SỞ DỮ LIỆU HƯỚNG ĐỐI TƯỢNG MỜ .15 1.1 Giới thiệu toán 15 1.2 Các nghiên cứu liên quan 16 Lu 1.2.1 Các mơ hình CSDL HĐT mờ 16 ận 1.2.2 Tiền xử lý liệu (đối sánh gom cụm) cho mơ hình CSDL HĐT mờ 18 án 1.2.3 Xử lý tối ưu hóa truy vấn mờ .18 tiê 1.3 Các vấn đề nghiên cứu giải pháp 19 n sí 1.3.1 Biểu diễn thơng tin khơng hồn hảo mơ hình khái niệm liệu mờ nh Ki 19 1.3.2 Mơ hình hóa UML liệu mờ 21 tế 1.3.3 Lớp mờ 22 1.3.4 Giá trị thuộc tính mờ .25 1.3.5 Biểu diễn giá trị thuộc tính mơ hồ cho đối tượng mờ .26 1.3.6 Quan hệ tổng quát hóa mờ .29 1.3.7 Quan hệ kết tập mờ 34 1.3.8 Quan hệ kết hợp mờ 37 1.3.9 Quan hệ phụ thuộc mờ 40 1.3.10 Ánh xạ mơ hình liệu UML mờ vào mơ hình sở liệu hướng đối tượng mờ 42 1.3.10.1 Mô hình sở liệu hướng đối tượng mờ (FOODB) 42 1.3.10.2 Chuyển đổi biểu đồ lớp UML mờ 43 1.3.10.3 Chuyển đổi lớp 43 1.3.10.4 Chuyển đổi quan hệ kết tập .46 1.3.10.5 Chuyển đổi quan hệ kết hợp 47 1.3.10.6 Chuyển đổi quan hệ phụ thuộc 49 1.3.11 Truy vấn mờ FOQL .50 1.4 Giải pháp cho toán 50 1.5 Kết luận chương 51 Chương CÁC PHƯƠNG PHÁP XỬ LÝ TRUY VẤN MỜ DỰA VÀO ĐỘ ĐO Lu TƯƠNG TỰ VÀ GOM CỤM DỮ LIỆU 53 ận 2.1 Xử lý truy vấn mờ dựa vào độ đo tương tự .53 án 2.1.1 So sánh tính tương tự hai đối tượng mờ 53 tiê 2.1.1.1 Độ đo tương tự phi tương tự .54 n 2.1.1.2 Độ đo ngữ nghĩa liệu mờ .55 sí 2.1.1.3 So sánh hai đối tượng dựa vào độ đo tương tự mờ 56 Ki 2.1.2 Thuật toán xử lý truy vấn dựa vào độ đo tương tự 68 nh 2.2 Xử lý truy vấn mờ dựa vào kỹ thuật gom cụm liệu phân khoảng mờ 75 tế 2.2.1 Phương pháp gom cụm liệu thuật toán EM .75 2.2.1.1 Mơ hình Gaussian Mixture Model 75 2.2.1.2 Thuật toán EM 76 2.2.1.3 Thuật toán gom cụm cải tiến EMC sử dụng mơ hình thống kê hỗn hợp GMM 79 2.2.1.4 Đánh giá thuật toán EMC dựa Log Likelihood 85 2.2.1.5 Đánh giá thuật tốn EMC phương pháp phân tích khác biệt nhóm .85 2.2.2 Phân khoảng mờ 87 2.2.2.1 Xác định tâm .87 2.2.2.2 Xác định khoảng 88 2.2.3 Xử lý truy vấn dựa khoảng mở 89 2.2.4 Thuật toán xử lý truy vấn cụm 93 2.3 Xử lý truy vấn dựa vào đại số gia tử .94 2.4 Đánh giá thực nghiệm .95 2.5 Kết luận chương 96 Chương XỬ LÝ VÀ TỐI ƯU HÓA TRUY VẤN TRONG CƠ SỞ DỮ LIỆU HƯỚNG ĐỐI TƯỢNG MỜ .98 3.1 Các phép toán đại số sở liệu hướng đối tượng mờ 99 Lu 3.1.1 Đại số đối tượng 99 ận 3.1.2 Đại kết hợp mờ 99 án 3.1.3 Mơ hình đại số kết hợp đối tượng mờ .99 tiê 3.1.4 Các phép toán đại số kết hợp mờ 100 n 3.1.4.1 Tích mờ × .102 sí 3.1.4.2 Kết nối mờ ⋈ 102 Ki nh 3.1.4.3 Phép hợp mờ ∪ 103 3.1.4.4 Phép trừ mờ ≃ 103 tế 3.1.4.5 Phép giao mờ ∩ .104 3.1.4.6 Phép chia mờ ÷ .104 3.1.5 Các phép toán mở rộng 105 3.1.5.1 Phép chiếu mờ 𝜫 .105 3.1.5.2 Phép chọn mờ 105 3.2 Ngôn ngữ truy vấn mờ FOQL .106 3.2.1 Truy vấn mờ FOQL .106 3.2.2 Mơ hình lớp mờ .106 3.2.3 Cấu trúc câu truy vấn mờ 108 3.2.4 Phương pháp xử lý truy vấn mờ 108 3.2.4.1 Các bước phương pháp .108 3.2.4.2 Quy trình xử lý truy vấn mờ 110 3.2.4.3 Cây truy vấn đồ thị truy vấn .110 3.3 Tối ưu hóa truy vấn mờ 114 3.3.1 Các phép biến đổi tương đương 114 3.3.1.1 Tối ưu hóa kế hoạch thực thi truy vấn 116 3.3.1.2 Khơng gian tìm kiếm luật chuyển đổi 117 3.3.1.3 Thuật tốn tối ưu hóa truy vấn mờ 117 Lu 3.3.1.4 Đánh giá thực nghiệm .121 ận 3.4 Kết luận chương 122 án KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 124 tiê DANH MỤC CƠNG TRÌNH CỦA TÁC GIẢ .126 n TÀI LIỆU THAM KHẢO .127 sí nh Ki tế Danh mục thuật ngữ Đại số kết hợp mờ Fuzzy association algebra Đồ thị lược đồ mờ Fuzzy object schema Graph Độ lệch chuẩn Standard deviation Hiệp phương sai Covariance Hệ số biến thiên Coefficient Giá trị chân lý Truth value Kết hợp mờ Fuzzy association Không gian ngữ nghĩa Semantic space Kỳ vọng Mean Superclass ận Lớp Lu Lớp cha án Mối quan hệ kế thừa Subclass Inheritance relationship Object and Class relationship Mối quan hệ kết hợp mờ Fuzzy association relationship Fuzzy genralization relationship Ki Fuzzy inheritance hierarchy nh Phân cấp kế thừa mờ Fuzzy aggregation relationship sí Mối quan hệ tổng qt hóa n Mối quan hệ kết nhập mờ tiê Mối quan hệ đối tượng với lớp tế Bảng ký hiệu, từ viết tắt EM (Expectation maximization) Thuật toán Cực đại hóa Kì vọng EMC (Expectation maximization Thuật tốn Cực đại hóa Kì vọng dựa Coefficient) vào hệ số biến thiên FA (Fuzzy Association) Kết hợp mờ FC (Fuzzy Class) Lớp mờ GMM (Gaussian Mixture Model) Mơ hình Gaussian hỗn hợp OQL (Object Query Language) Ngôn ngữ truy vấn hướng đối tượng ODMG (Object Database Management Nhóm quản trị CSDL đối tượng, tổ Group) chức đề xuất mơ hình ODMG OQL Lu Định danh đối tượng rõ OID (Object Indentifier) ận Hệ quản trị sở liệu hướng đối OODBMS (Object-Oriented Data Base tượng án Management System) Định danh đối tượng mờ FOQL (Fuzzy Object Query Language) Ngôn ngữ truy vấn đối tượng mờ FOODBMS (Fuzzy Object Oriented Hệ quản trị sở liệu hướng đối n tiê FOID (Fuzzy Object Indentifier) tượng mờ Ki Ngôn ngữ truy vấn có cấu trúc nh SQL (Structured Query Language) sí Database Management System) tế Danh sách bảng biểu Bảng 2.1: Danh sách liệu phòng đối tượng mờ .74 Bảng 2.2: Danh sách liệu phòng từ kết truy vân trường hợp 74 Bảng 2.3 Danh sách liệu phòng từ kết truy vân trường hợp .75 Bảng 2.4: Bảng liệu đối tượng "Điểm Toán" .83 Bảng 2.5: Kết phân cụm thuật toán EMC 84 Bảng 2.6: Bảng kết thống kê liệu 86 Bảng 2.7: Xác định khoảng mờ thuộc tính định lượng "Điểm tốn" 89 Bảng 2.8: Danh sách liệu từ kết truy vấn trực tiếp vùng mờ cho trường hợp 90 Lu Bảng 2.9: Các giá trị khoảng mờ thuộc tính Điểm Tốn 92 ận Bảng 2.10: Danh sách liệu từ kết truy vấn trực tiếp vùng mờ cho án trường hợp 92 Bảng 2.11: Kết truy vấn với mức độ thỏa mãn điều kiện truy vấn "Điểm Toán tiê cao" .93 n Bảng 2.12: Thời gian thực thi thuật toán 95 sí Bảng 2.13: Sử dụng nhớ thuật toán 96 nh Ki tế Danh sách hình vẽ Hình 1.1 Biểu diễn liệu mờ tuổi 20 Hình 1.2 Lớp mờ 25 Hình 1.3 Quan hệ tổng quát mờ .34 Hình 1.4.Mối quan hệ kết tập mờ 37 Hình 1.5.Mối quan hệ kết hợp mờ 39 Hình 1.6 Mối quan hệ phụ thuộc mờ .41 Hình 1.7.Mơ hình liệu UML mờ 41 Hình 1.8.Chuyển đổi lớp UML mờ sang lược đồ sở liệu hướng đối tượng mờ 45 Lu Hình 1.9.Chuyển đổi lớp UML mờ sang lược đồ sở liệu hướng ận đối tượng mờ .46 án Hình 1.10.Chuyển đổi tập hợp UML mờ sang lược đồ sở liệu hướng đối tượng mờ .47 tiê Hình 1.11.Chuyển đổi liên kết UML mờ sang lược đồ sở liệu hướng n đối tượng mờ 49 sí Hình 2.1.Nghiên cứu điển hình so sánh đối tượng mờ 57 Ki nh Hình 2.2 Tính tốn giống hai đối tượng mờ 𝑜1 𝑜2 .60 Hình 2.3 Trường hợp I (a) so sánh hai phịng 61 tế Hình 2.4.Trường hợp I (a) Đại diện mờ chất lượng giá hai phòng (Sử dụng hàm thành viên khác nhau) 62 Hình 2.5: Trường hợp I (b) So sánh phòng .63 Hình 2.6: Trường hợp I (a) Đại diện mờ chất lượng giá hai (Sử dụng hàm thành viên khác nhau) 64 Hình 2.7: Trường hợp II Các phịng mơ tả thuộc tính rõ mờ 64 Hình 2.8: Đồ thị biểu diễn vịng lặp thuật tốn EM .78 Hình 2.9: Các khoảng mờ 88 Hình 2.10: Thời gian thực thi thuật tốn 95 Hình 2.11: Đánh giá việc sử dụng nhớ cho liệu khác 96 Hình 3.1: Phương pháp xử lý truy vấn hướng đối tượng mờ 108 Hình 3.2: Cây truy vấn 111 122 NhanVienBanHang.FOID WITH 0.5 WHERE NhanVienBanHangTre.Tuoi = ‘rất trẻ’ WITH 0.8 Truy vấn thứ hai thực trích rút liệu sử dụng mệnh đề đơn điều kiện kết hợp phép nối tự nhiên Yêu cầu công cụ xử lý truy vấn trả kết cho tất tuổi nhân viên trẻ Câu truy vấn viết sau: FOQL2: SELECT Hoten FROM NhanVienBanHang, NhanVienBanHangTre WITH 0.5 WHERE NhanVienBanHangTre.FIOD = NhanVienBanHang.FOID And NhanVienBanHangTre.Tuoi = ‘rất trẻ’ WITH 0.8 Câu truy vấn thứ yêu cầu công cụ xử lý truy vấn kết trả tất tuổi nhân viên cịn trẻ có dạng sau: Lu FOQL3: SELECT * FROM NhanVienBanHang, NhanVienBanHangTre ận WITH 0.5 WHERE NhanVienBanHangTre.FIOD = NhanVienBanHang.FOID And NhanVienBanHangTre.Tuoi = ‘rất trẻ’ án WITH 0.8 n tiê sí nh Ki tế Hình 3.8: Kết đánh gia thực nghiệm tối ưu hóa truy vấn mờ Đánh giá hiệu câu truy vấn thực thi máy tính intel có cấu hình (R) Core (TM) i3 370 M Từ thí nghiệm trên, kết đạt xác nhận hiệu suất phương pháp hiệu Cụ thể, thông qua số liệu từ biểu đồ hình 3.8, tác giả phân tích đánh giá hiệu cho câu truy vấn tương ứng với thời gian gian thực thi Câu truy vấn thứ ba FOQL3 sau tơi ưu có thời gian thực thi so với hai câu truy vấn FOQL1 FOQL2 liệu 3.4 Kết luận chương Nhằm tăng tính hiệu trình xử lý truy vấn, hệ quản trị sở liệu thực bước tiền xử lý câu truy vấn, gọi tối ưu hóa truy vấn thực 123 trước thực thi trả kết cho người dùng Trong sở liệu hướng đối tượng mờ mô hình phải thực bước tiền xử lý Trong phần mục này, tác giả đề xuất số tiếp cận sau: Đề xuất đại số kết hợp mờ Trong tác giả định nghĩa phép toán kết hợp mờ (Phép chọn mờ, phép nối mờ, phép chiếu mờ, phép chia mờ, phép trừ mờ, phép hợp mờ phép giao mờ làm sở cho việc xây dựng đại số truy vấn mờ cho mơ hình sở liệu hướng đối tượng mờ [CT2] Đề xuất mơ hình kiến trúc tiền xử lý truy vấn nhằm đảm bảo hệ thống hoạt động hiệu cho trình phân tích, kiểm tra, chuyển đổi câu truy vấn sang biểu thức đại số đối tượng mờ viết lại câu truy vấn [CT4] Phát triển thuật toán heuristic nhằm tối ưu hóa truy vấn đại số đối tượng mờ Lu dựa quy tắc phép biến đổi tương đương Phân tích số thử ận nghiệm sử dụng thuật toán đề xuất cho thấy hiệu suất xử lý truy vấn tốt hơn, điều chứng tỏ nâng cao hiệu phương pháp đề xuất [CT5] án n tiê sí nh Ki tế 124 KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN Mục đích luận án nghiên cứu số phương pháp xử lý truy vấn sở liệu hướng đối tượng mờ Nghiên cứu mơ hình sở liệu hướng đối tượng mờ dựa kết hợp tốn học mờ mơ hình sở liệu hướng đối tượng đề xuất Tuy nhiên, mơ hình q trình phát triển, việc đề xuất giải pháp nhằm hồn thiện cho mơ hình cần thiết Vì vậy, luận án đề xuất hướng tiếp cận hiệu cho mơ hình này, xây dựng cơng cụ xử lý trích rút liệu Các kết luận án đạt là: Nhằm tăng tính hiệu cho q trình lưu trữ xử lý liệu, luận án đề xuất Lu phương pháp gom cụm so sánh tính tương tự hai đối tượng cách ận tổng quát dựa vào đại lượng tính tốn SIM SEM thông qua hai án đại lượng luận án đề xuất ba thuật toán xử lý truy vấn FQSIMSC (Fuzzy Query Sim Single Condition) , FQSIMMC (Fuzzy Query Sim Multi-Condition) tiê FQSEM (Fuzzy Query SEM) n Bên cạnh đó, luận án đề xuất thuật tốn phân cụm EMC cải tiến dựa sí thuật toán Expectation Maximization (EM) cách bổ sung bước (C) vào Ki thuật toán để tăng độ mềm dẻo giảm tối ưu hóa cục tăng tối ưu hóa nh tồn cục q trình phân cụm Luận án đánh giá tính hiệu tế thuật toán phân cụm EMC phương pháp đánh giá khác biệt nhóm đề xuất Dựa vào kết phân cụm thuật toán EMC, luận án đề xuất phương pháp phân khoảng mờ đề xuất thuật toán xử lý truy vấn khoảng mờ FQINTERVAL (Fuzzy Query Interval) Đề xuất đại số kết hợp mờ Trong luận án định nghĩa phép toán kết hợp mờ (Phép chọn mờ, phép nối mờ, phép chiếu mờ, phép chia mờ, phép trừ mờ, phép hợp mờ phép giao mờ làm sở cho việc xây dựng đại số truy vấn mờ cho mơ hình sở liệu hướng đối tượng mờ Luận án đề xuất phương pháp xử lý tối ưu hóa truy vấn mờ Cụ thể, luận án phát triển thuật toán heuristic tối ưu hóa đại số đối tượng mờ dựa quy tắc phép biến đổi tương đương Phân tích số thử nghiệm sử dụng 125 thuật toán đề xuất cho thấy hiệu suất xử lý truy vấn tốt hơn, điều chứng tỏ nâng cao hiệu phương pháp đề xuất Những vấn đề đặt từ kết nghiên cứu luận án: Nghiên cứu mơ hình liên kết khối mờ (Link Data Fuzzy Cube) nhằm tăng cường khả truy vấn hỗ trợ báo cáo thống kê mô hình sở liệu mờ Nghiên cứu phương pháp xử lý truy vấn mờ dựa lý thuyết dàn dao Nghiên cứu thuật toán xứ lý song song cho truy vấn mờ Nghiên cứu mô hình xử lý truy vấn mờ mức cao có khả tương tác mơ hình sở liệu mờ đề xuất ận Lu án n tiê sí nh Ki tế 126 DANH MỤC CƠNG TRÌNH CỦA TÁC GIẢ STT TÊN BÀI BÁO Nguyễn Tấn Thuận, Đoàn Văn Ban, Trương Ngọc Châu, Trần Thị Thúy Trinh (2015), “Phương pháp xử lý truy vấn đa điều kiện sở liệu [CT1] hướng đối tượng mờ dựa đại số Gia Tử”, Tạp chí Khoa học Đại học Sư phạm Hà Nội 1, 7, 2015, 157-168 Nguyễn Tấn Thuận, Trần Thị Thúy Trinh, Đoàn Văn Ban, Trương Ngọc Châu, “Analysis of fuzzy query processing and optimization in fuzzy object [CT2] oriented database”, Fair - Hội nghị khoa học Quốc Gia lần thứ IX nghiên Lu cứu ứng dụng CNTT, Trường Đại học Cần Thơ , 2016, pp 24-31 ận Nguyễn Tấn Thuận, Trần Thị Thúy Trinh, Đoàn Văn Ban, Trương Ngọc Châu, “Statistics-theoretical approach for evaluating the similarity of fuzzy án [CT3] objects in fuzzyobject-oriented databases”, Hội thảo quốc gia lần thứ XIX: tiê Một số vấn đề chọn lọc Công nghệ thông tin truyền thông – Hà Nội, n Trường Đại học Sư Phạm Hà Nội 1-2/10/2016, 306-312 sí Thuan T.Nguyen , Ban D.Van, Chau N.Truong, “Qurey Processing and Ki [CT4] Optimazation in Fuzzy Object Oriented Database”, LAP LAMBERT nh Academic Publishing, ISBN 978-620-2-05295-5, 2017, 52 papers tế Nguyen, T T., Doan, B V., Truong, C N.,& Tran, T T, “A New Approach for Query Processing and Optimization Base on the Fuzzy Object Algebra [CT5] and Equivalent Transformation Rules” Transactions on Machine Learning and Artificial Intelligence, 2017, 5(2), 18 (scopus) Nguyen, T T., Van Doan, B., Truong, C N., & Tran, T T T “Clustering [CT6] and Query Optimization in Fuzzy Object-Oriented Database” International Journal of Natural Computing Research (IJNCR), 8(1),2019, 1-17 (DBLP) 127 TÀI LIỆU THAM KHẢO [1] Đ V Thắng, Nghiên cứu mơ hình CSDL hướng đối tượng với thông tin mờ không chắn Luận án TS chuyên ngành Bảo đảm toán học cho máy tính hệ thống tính tốn, Viện Cơng nghệ Thông tin, Viện Hàn lâm KH&CN, 2015 [2] J Sheng, L Yan, and Z Ma, “Modeling Probabilistic Data with Fuzzy Probability Measures in UML Class Diagrams,” in International Fuzzy Systems Association World Congress, 2019, pp 589–600 [3] Z M Ma, L Yan, and F Zhang, “Modeling fuzzy information in UML class diagrams and object-oriented database models,” Fuzzy Sets Syst., vol 186, no Lu 1, pp 26–46, 2012 Y Bashon, D Neagu, and M J Ridley, “Fuzzy set-theoretical approach for ận [4] án comparing objects with fuzzy attributes,” in 2011 11th International Conference on Intelligent Systems Design and Applications, 2011, pp 754– n [5] tiê 759 L A Zadeh, “Fuzzy sets as a basis for a theory of possibility,” Fuzzy sets Syst., Ki A Zvieli and P P Chen, “Entity�Relationship modeling and fuzzy nh [6] sí vol 100, pp 9–34, 1999 databases,” in 1986 IEEE Second International Conference on Data [7] tế Engineering, 1986, pp 320–327 Y Fujiwara, M Nakatsuji, H Shiokawa, Y Ida, and M Toyoda, “Adaptive message update for fast affinity propagation,” in Proceedings of the 21th ACM SIGKDD international conference on knowledge discovery and data mining, 2015, pp 309–318 [8] T.-P Hong, C.-W Lin, and T.-C Lin, “THE MFFP-TREE FUZZY MINING ALGORITHM TO DISCOVER COMPLETE LINGUISTIC FREQUENT ITEMSETS,” Comput Intell., vol 30, no 1, pp 145–166, 2014 [9] T T T Tran, G L Nguyen, C N Truong, and T T Nguyen, “Mining Frequent Fuzzy Itemsets Using Node-List,” in Information Systems Design and Intelligent Applications, Springer, 2018, pp 37–48 [10] T.-P Hong, C.-S Kuo, and S.-C Chi, “Mining association rules from 128 quantitative data,” Intell data Anal., vol 3, no 5, pp 363–376, 1999 [11] A Kapoor and A Singhal, “A comparative study of K-Means, K-Means++ and Fuzzy C-Means clustering algorithms,” in 2017 3rd international conference on computational intelligence \& communication technology (CICT), 2017, pp 1–6 [12] R Bakalash, G Shaked, and J Caspi, “Relational database management system (RDBMS) employing multi-dimensional database (MDDB) for servicing query statements through one or more client machines.” Google Patents, 2013 [13] R Alhajj and M E Arkun, “An object algebra for object-oriented database systems,” ACM SIGMIS Database DATABASE Adv Inf Syst., vol 24, no 3, Lu pp 13–22, 1993 ận [14] J Kandiri, “Advanced Database Systems,” 2018 [15] R G G Cattell et al., The object data standard: ODMG 3.0 Morgan án Kaufmann, 2000 tiê [16] G Bordogna, D Lucarella, and G Pasi, “A fuzzy object oriented data model,” n in Proceedings of 1994 IEEE 3rd International Fuzzy Systems Conference, sí 1994, pp 313–318 Ki [17] N Kumar, S N Satpathy, and J Mohapatra, “AN ALGEBRAIC nh OPERATION IN FUZZY OBJECT-ORIENTED DATABASES (FOODBS),” tế J Glob Res Comput Sci., vol 4, no 12, pp 23–30, 2013 [18] N B Ozgur, M Koyuncu, and A Yazici, “An intelligent fuzzy object-oriented database framework for video database applications,” Fuzzy Sets Syst., vol 160, no 15, pp 2253–2274, 2009 [19] P K Panigrahi and A Goswami, “Algebra for fuzzy object oriented database language,” Int J Comput Appl., vol 26, no 1, pp 1–9, 2004 [20] P Israni and D Israni, “An indexing technique for fuzzy object oriented database using R tree index,” in 2017 International Conference on Soft Computing and its Engineering Applications (icSoftComp), 2017, pp 1–5 [21] G Bordogna, G Pasi, and D Lucarella, “A fuzzy object-oriented data model for managing vague and uncertain information,” Int J Intell Syst., vol 14, no 7, pp 623–651, 1999 129 [22] M Umano, T Imada, I Hatono, and H Tamura, “Fuzzy object-oriented databases and implementation of its SQL-type data manipulation language,” in 1998 IEEE International Conference on Fuzzy Systems Proceedings IEEE World Congress on Computational Intelligence (Cat No 98CH36228), 1998, vol 2, pp 1344–1349 [23] N Van Gyseghem and R De Caluwe, “Imprecision and uncertainty in the UFO database model,” J Am Soc Inf Sci., vol 49, no 3, pp 236–252, 1998 [24] M M Gupta and T Yamakawa, Fuzzy logic in knowledge-based systems, decision and control Elsevier Science Inc., 1988 [25] D McNeill and P Freiberger, Fuzzy logic: The revolutionary computer technology that is changing our world Simon and Schuster, 1994 Lu [26] Z Ma, Advances in Fuzzy Object-Oriented Databases: Modeling and ận Applications: Modeling and Applications IGI Global, 2004 [27] Y Kornatzky and S E Shimony, “A probabilistic object-oriented data model,” án Data \& Knowl Eng., vol 12, no 2, pp 143–166, 1994 n Tin,” 2008 tiê [28] N Hịa, “Mơ hình sở đối tượng xác suất mờ Luận ántiễn sĩ hệ thống Thông sí [29] W Wedashwara, S Mabu, M Obayashi, and T Kuremoto, “Evolutionary rule Ki based clustering for making fuzzy object oriented database models,” in 2015 nh IIAI 4th International Congress on Advanced Applied Informatics, 2015, pp tế 517–522 [30] L Yan and Z M Ma, “Comparison of entity with fuzzy data types in fuzzy object-oriented databases,” Integr Comput Aided Eng., vol 19, no 2, pp 199–212, 2012 [31] Y Bashon, D Neagu, and M J Ridley, “A new approach for comparing fuzzy objects,” in International Conference on Information Processing and Management of Uncertainty in Knowledge-Based Systems, 2010, pp 115–125 [32] S Na and S Park, “A process of fuzzy query on new fuzzy object oriented data model,” in International Conference on Database and Expert Systems Applications, 1996, pp 500–509 [33] T N Châu, Tối ưu hóa truy vấn sở liệu hướng đối tượng Luận án TS ngành toán học, Viện Công nghệ Thông tin, Viện Hàn lâm KH&CN, 2011 130 [34] M Ogrinz and H Linn, “Hybrid graph and relational database architecture.” Google Patents, 2020 [35] U E de Santa Catarina, “Grid-Based Clustering of Waze Data on a Relational Database,” in ADBIS, TPDL and EDA 2020 Common Workshops and Doctoral Consortium: International Workshops: DOING, MADEISD, SKG, BBIGAP, SIMPDA, AIMinScience 2020 and Doctoral Consortium, Lyon, France, August 25-27, 2020, Proceedings, 2020, vol 1260, p 249 [36] P Escobar, G Candela, J Trujillo, M Marco-Such, and J Peral, “Adding value to Linked Open Data using a multidimensional model approach based on the RDF Data Cube vocabulary,” Comput Stand \& Interfaces, vol 68, p 103378, 2020 Lu [37] L Zhu, N Li, and L Bai, “Algebraic Operations on Spatiotemporal Data Based ận on RDF,” ISPRS Int J Geo-Information, vol 9, no 2, p 80, 2020 [38] R Bakalash, G Shaked, and J Caspi, “Relational database management án system (RDBMS) employing a relational datastore and a multi-dimensional n Patents, 2012 tiê database (MDDB) for serving query statements from client machines.” Google sí [39] K Rabuzin and M Šestak, “Towards inheritance in graph databases,” in 2018 Ki International Conference on Information Management and Processing nh (ICIMP), 2018, pp 115–119 tế [40] W Deng, “Object-Oriented Database and O/R Mapping Technology,” in International conference on Big Data Analytics for Cyber-Physical-Systems, 2020, pp 800–806 [41] L Yan, Z M Ma, and F Zhang, “Algebraic operations in fuzzy object-oriented databases,” Inf Syst Front., vol 16, no 4, pp 543–556, 2014 [42] M Guo, S Y W Su, and H Lam, “An association algebra for processing object-oriented databases,” in [1991] Proceedings Seventh International Conference on Data Engineering, 1991, pp 23–32 [43] J Prince, “Fuzzy database retrieval.” Google Patents, 2015 [44] D Van Thang and D C Quoc, “Defining membership functions in fuzzy object-oriented database model,” in International Conference on Future Data and Security Engineering, 2015, pp 314–322 131 [45] L Yan, Z M Ma, and J Liu, “Fuzzy data modeling based on XML schema,” in Proceedings of the 2009 ACM symposium on Applied Computing, 2009, pp 1563–1567 [46] L Yan and Z M Ma, “Modeling fuzzy information in fuzzy extended entityrelationship model and fuzzy relational databases,” J Intell \& Fuzzy Syst., vol 27, no 4, pp 1881–1896, 2014 [47] W Li, L Yan, F Zhang, and X Chen, “A formal approach of construction fuzzy XML data model based on OWL ontologies,” IEEE Access, vol 6, pp 22025–22033, 2018 [48] L Yan and Z Ma, “A formal approach for graphically building fuzzy XML model,” Int J Intell Syst., vol 34, no 11, pp 3058–3076, 2019 Lu [49] Z Ma and L Yan, “Modeling fuzzy data with XML: A survey,” Fuzzy Sets ận Syst., vol 301, pp 146–159, 2016 [50] F Zhang and J Cheng, “Verification of fuzzy UML models with fuzzy án Description Logic,” Appl Soft Comput., vol 73, pp 134–152, 2018 tiê [51] Y Wang and L Bai, “Fuzzy spatiotemporal data modeling based on UML,” n IEEE Access, vol 7, pp 45405–45416, 2019 sí [52] P K Shukla, M Darbari, V K Singh, and S P Tripathi, “A survey of fuzzy Ki techniques in object oriented databases,” Int J Sci Eng Res., vol 2, no 11, nh pp 1–11, 2011 tế [53] L G Yu and J R Smiley, “System-wide query optimization.” Google Patents, 2016 [54] A Lee, M Zait, and Y Zhu, “Method and system for performing query optimization using a hybrid execution plan.” Google Patents, 2014 [55] W C Eidson and J Collins, “Methods and systems for joining indexes for query optimization in a multi-tenant database.” Google Patents, 2016 [56] J Y Sun, Q Zhou, and M Singamshetty, “Method for two-stage query optimization in massively parallel processing database clusters.” Google Patents, 2016 [57] T.-J Cheng, “Systems and methods for query optimization.” Google Patents, 2015 [58] C Weyerhaeuser, T Mindnich, D Baeumges, and G S Kazmaier, “Rule- 132 based extendable query optimizer.” Google Patents, 2016 [59] M Sharma, G Singh, and R Singh, “Clinical decision support system query optimizer using hybrid Firefly and controlled Genetic Algorithm,” J King Saud Univ Inf Sci., 2018 [60] F Kerschbaum et al., “Local versus remote optimization in encrypted query processing.” Google Patents, 2018 [61] C Yang, Q Wang, Q Yang, H Zhang, J Zhang, and Y Zhou, “Optimization Factor Analysis of Large-Scale Join Queries on Different Platforms,” in International Conference on Database Systems for Advanced Applications, 2017, pp 35–46 [62] B Ding, S Chaudhuri, and V Narasayya, “Bitvector-aware Query Lu Optimization for Decision Support Queries,” in Proceedings of the 2020 ACM 2026 ận SIGMOD International Conference on Management of Data, 2020, pp 2011– án [63] G Li et al., “CDB: optimizing queries with crowd-based selections and joins,” tiê in Proceedings of the 2017 ACM International Conference on Management of n Data, 2017, pp 1463–1478 sí [64] M C Mouna, L Bellatreche, and N Boustia, “HYRAQ: optimizing large- Ki scale analytical queries through dynamic hypergraphs,” in Proceedings of the nh 24th Symposium on International Database Engineering \& Applications, tế 2020, pp 1–10 [65] A Mhedhbi and S Salihoglu, “Optimizing subgraph queries by combining binary and worst-case optimal joins,” arXiv Prepr arXiv1903.02076, 2019 [66] X.-X Hu, J.-Q Xi, and D.-Y Tang, “Optimization for Multi-Join Queries on the GPU,” IEEE Access, vol 8, pp 118380–118395, 2020 [67] D Bilidas and M Koubarakis, “In-memory parallelization of join queries over large ontological hierarchies,” Distrib Parallel Databases, pp 1–38, 2020 [68] Q Zhang et al., “Optimizing Declarative Graph Queries at Large Scale,” in Proceedings of the 2019 International Conference on Management of Data, 2019, pp 1411–1428 [69] L A Zadeh, “Fuzzy sets,” Inf Control, vol 8, no 3, pp 338–353, 1965 [70] L A Zadeh, “Toward a generalized theory of uncertainty (GTU) an 133 outline,” Inf Sci (Ny)., vol 172, no 1–2, pp 1–40, 2005 [71] L A Zadeh, “Is there a need for fuzzy logic?,” Inf Sci (Ny)., vol 178, no 13, pp 2751–2779, 2008 [72] N Marin, O Pons, and M A Vila, “Fuzzy types: A new concept of type for managing vague structures,” Int J Intell Syst., vol 15, no 11, pp 1061–1085, 2000 [73] Z M Ma, W.-J Zhang, and W Y Ma, “Assessment of data redundancy in fuzzy relational databases based on semantic inclusion degree,” Inf Process Lett., vol 72, no 1–2, pp 25–29, 1999 [74] A Bahri, R Bouaziz, S Chakhar, and Y Na\"\ija, “Implementing imperfect information in fuzzy databases,” in The 2nd International Symposium on Lu Computational Intelligence and Intelligent Informatics, 2005, pp 290–294 ận [75] B P Buckles and F E Petry, “A fuzzy representation of data for relational databases,” Fuzzy sets Syst., vol 7, no 3, pp 213–226, 1982 án [76] M A Vila, J C Cubero, J M Medina, and O Pons, “A conceptual approach tiê for dealing with imprecision and uncertainty in object-based data models,” Int n J Intell Syst., vol 11, no 10, pp 791–806, 1996 sí [77] C.-M Vladarean and S C Waters, “Extending object-oriented databases for Ki fuzzy information modeling,” SC WATERS Rom SRL, Romai J, vol 2, no 1, nh pp 225–237, 2006 tế [78] R S Millman and G D Parker, Geometry: a metric approach with models Springer Science \& Business Media, 1993 [79] R K Chandrawat, R Kumar, V Makkar, M Yadav, and P Kumari, “A Comparative Fuzzy Cluster Analysis of the Binder�s Performance Grades Using Fuzzy Equivalence Relation via Different Distance Measures,” in International Conference on Advanced Informatics for Computing Research, 2018, pp 108–118 [80] Z Ma, Fuzzy database modeling with XML, vol 29 Springer Science \& Business Media, 2006 [81] F Lourenỗo, V Lobo, and F Bacao, “Binary-based similarity measures for categorical data and their application in Self-Organizing Maps,” 2004 [82] S Boriah, V Chandola, and V Kumar, “Similarity measures for categorical 134 data: A comparative evaluation,” in Proceedings of the 2008 SIAM international conference on data mining, 2008, pp 243–254 [83] F Berzal, J C Cubero, N Mar\’\in, M A Vila, J Kacprzyk, and S Zadrożny, “A general framework for computing with words in object-oriented programming,” Int J Uncertainty, Fuzziness Knowledge-Based Syst., vol 15, no supp01, pp 111–131, 2007 [84] L A Zadeh, “Knowledge representation in fuzzy logic,” in An introduction to fuzzy logic applications in intelligent systems, Springer, 1992, pp 1–25 [85] K Rahman, S Abdullah, A Ali, and F Amin, “Interval-valued Pythagorean fuzzy Einstein hybrid weighted averaging aggregation operator and their application to group decision making,” Complex \& Intell Syst., vol 5, no 1, Lu pp 41–52, 2019 ận [86] N D Singpurwalla and J M Booker, “Membership functions and probability measures of fuzzy sets,” J Am Stat Assoc., vol 99, no 467, pp 867–877, án 2014 tiê [87] S Na and S Park, “A fuzzy association algebra based on a fuzzy object n oriented data model,” in Proceedings of 20th International Computer Software sí and Applications Conference: COMPSAC’96, 1996, pp 276–281 Ki [88] Y Anzai, Pattern recognition and machine learning Elsevier, 2012 nh [89] J P Vila and P Schniter, “Expectation-maximization Gaussian-mixture tế approximate message passing,” IEEE Trans Signal Process., vol 61, no 19, pp 4658–4672, 2013 [90] M Hao, W Shi, H Zhang, and C Li, “Unsupervised change detection with expectation-maximization-based level set,” IEEE Geosci Remote Sens Lett., vol 11, no 1, pp 210–214, 2013 [91] T Long, W Jiao, G He, and W Wang, “Automatic line segment registration using Gaussian mixture model and expectation-maximization algorithm,” IEEE J Sel Top Appl Earth Obs Remote Sens., vol 7, no 5, pp 1688–1699, 2013 [92] D Dwibedy, L Sahoo, and S Dutta, “A New Approach to Object Based Fuzzy Database Modeling,” Int J Soft Comput Eng., vol 3, no 1, pp 182–186, 2013 135 [93] L Yan and Z M Ma, “Conceptual design of object-oriented databases for fuzzy engineering information modeling,” Integr Comput Aided Eng., vol 20, no 2, pp 183–197, 2013 [94] A Yazici, R George, and D Aksoy, “Design and implementation issues in the fuzzy object-oriented data model,” Inf Sci (Ny)., vol 108, no 1–4, pp 241– 260, 1998 [95] J C Bezdek, “A convergence theorem for the fuzzy ISODATA clustering algorithms,” IEEE Trans Pattern Anal Mach Intell., no 1, pp 1–8, 1980 [96] A Sozer, A Yazici, and H Oguztuzun, “Indexing fuzzy spatiotemporal data for efficient querying: A meteorological application,” IEEE Trans Fuzzy Syst., vol 23, no 5, pp 1399–1413, 2014 Lu [97] D Van Thang and D Van Ban, “Query data with fuzzy information in objectdatabases ận oriented an approach interval values,” arXiv Prepr arXiv1611.04977, 2016 án [98] Z M Ma, W.-J Zhang, and W Y Ma, “Extending object-oriented databases tiê for fuzzy information modeling,” Inf Syst., vol 29, no 5, pp 421–435, 2004 n [99] L A Zadeh, “The concept of a linguistic variable and its application to sí approximate reasoningII,” Inf Sci (Ny)., vol 8, no 4, pp 301–357, 1975 Ki [100] T Neumann and B Radke, “Adaptive optimization of very large join queries,” nh in Proceedings of the 2018 International Conference on Management of Data, tế 2018, pp 677–692 [101] Y E Ioannidis and E Wong, “Query optimization by simulated annealing,” in Proceedings of the 1987 ACM SIGMOD international conference on Management of data, 1987, pp 9–22 [102] Russwurm, S "Industrie 4.0–from vision to reality." SIEMENS Industry Sector–Background (2014) [103] Caggiano, A "Cloud-based manufacturing process monitoring for smart diagnosis services" International Journal of Computer Integrated Manufacturing 31(7), 612–623 (2018) doi:10.1080/0951192X.2018.142555 [104] Q.Wang and J Jiang, “Comparative examination on architecture and protocol of industrial wireless sensor network standards,” IEEE Communications Surveys Tutorials, vol 18, no 3, pp 2197–2219, thirdquarter 2016 136 [105] D D Guglielmo, S Brienza, and G Anastasi, “Ieee 802.15.4e: A survey,” Computer Communications, vol 88, pp – 24, 2016 [Online] Available: http://www.sciencedirect.com/science/article/pii/ S0140366416301980 [106] Simon, Jean Paul "Artificial intelligence: scope, players, markets and geography." Digital Policy, Regulation and Governance (2019) [107] Expósito Solis, Antonio "Implementation of a Telegram chatbox and webplatform for hypertension." (2020) [108] Liu, Chunfang, et al "Robot recognizing humans intention and interacting with humans based on a multi-task model combining ST-GCN-LSTM model and YOLO model." Neurocomputing 430 (2021): 174-184 [109] Medina, J M., et al "Towards the implementation of a generalized fuzzy Lu relational database model." Fuzzy Sets and Systems 75.3 (1995): 273-289 ận [110] A Bahri, R Bouaziz, S Chakhar, Y Naıja and A (2005) “Imple-menting the fuzzy semantic model through a fuzzy relational objectdatabase model.” IEEE án Transactions on Fuzzy Systems,Submitted n tiê sí nh Ki tế