Hò suy diòn mò
Hò thòng suy diòn mò ó ±ÿc sÿ dÿng trong nhiòu ÿng dÿng khỏc nhau, bao gòm hò thòng iòu khiòn, hò thòng hò trÿ quy¿t ònh và xÿ lý ¿nh Trong phỏt hiòn thay òi, hò thòng suy diòn mò cú thò ±ÿc sÿ dÿng ò mụ hỡnh húa mòi quan hò giÿa cỏc ¿c iòm hỡnh ¿nh khỏc nhau và xỏc ònh nhÿng thay òi trong cỏc mòi quan hò ú theo thòi gian B¿ng cỏch sÿ dÿng logic mò, hò thòng cú thò phỏt hiòn cỏc thay òi ngay c¿ khi cú sÿ khụng ch¿c ch¿n ho¿c thi¿u chớnh xỏc trong dÿ liòu ¿u vào
Tòng quỏt, hò thòng suy diòn mò là cụng cÿ m¿nh m¿ ò xÿ lý sÿ khụng ch¿c ch¿n và thi¿u chớnh xỏc trong l¿p lu¿n Ph±Ăng phỏp này cú thò ±ÿc sÿ dÿng trong nhiòu ÿng dÿng, bao gòm phỏt hiòn thay òi, ò mụ hỡnh húa mòi quan hò phÿc t¿p giÿa cỏc bi¿n ¿u vào và ¿u ra.
Hò suy diòn mò phÿc
T±Ăng tÿ hò suy diòn mò, hò suy diòn mò phÿc cing ±ÿc xõy dÿng dÿa trờn ¿y ÿ cỏc mÿc ớch và ý ngh)a t±Ăng tÿ nh± hò suy diòn mò Tuy nhiờn khỏc vòi hò suy diòn mò thụng th±òng, hò suy diòn mò phÿc yờu c¿u sÿ dÿng thờm mòt y¿u tò phÿc cho c¿ dÿ liòu ¿u vào, ¿u ra và c¿ bò lu¿t cĂ sò nh¿m mụ t¿ quan hò giÿa cỏc bi¿n ¿u vào và ¿u ra iòu kò trờn cho th¿y hò suy diòn mò phÿc ũi hòi nhiòu yờu c¿u và cỏch xÿ lý phÿc t¿p hĂn Ngoài ra, hò suy diòn mò phÿc cing ó ±ÿc minh chÿng hiòu qu¿ cÿa mỡnh khi bò sung thờm dÿ liòu ph¿n phÿc
5 Nhÿng óng góp cÿa lu¿n vn
- Chò ra ±ÿc cỏc nghiờn cÿu liờn quan ¿n phỏt hiòn bi¿n òi ¿nh viòn thỏm vòi nhiòu ph±Ăng phỏp khỏc nhau
- Nờu ra ±ÿc mòt sò ph±Ăng phỏp hò trÿ quỏ trỡnh phỏt hiòn bi¿n òi ¿nh viòn thỏm
- ±a ra ±ÿc mòt mụ hỡnh tÿ òng phỏt hiòn bi¿n òi ¿nh viòn thỏm sÿ hò trÿ cÿa mỏy tớnh nh¿m nõng cao kh¿ nng ÿng dÿng cÿa mụ hỡnh
Cỏc khỏi niòm cĂ b¿n vò lý thuy¿t suy diòn mò
T¿p mò
C¿u trỳc cÿa mòt t¿p mò[2] phÿ thuòc chÿ y¿u vào hai y¿u tò quan tròng: khụng gian nòn và hàm thuòc liờn quan iòu ¿c biòt cÿa hàm thuòc là tớnh chÿ quan cÿa nú, cú ngh)a là vòi cựng mòt ònh ngh)a cÿa mòt khỏi niòm, hàm thuòc cú thò ±ÿc xõy dÿng theo nhiòu cỏch khỏc nhau tựy thuòc vào quan iòm cỏ nhõn
Nếu X là một không gian nón (hoặc một tập nón) và mọi phần tử của nó được biểu diễn bằng x, thì một tập hợp A trong X có thể được xác định thông qua cặp giá trị như được mô tả trong công thức (1).
�㗰 ! (�㗆) = �㗰 ! (�㗆) �㗰 "# !(#) , �㗅 = :21 (1)
Trong ú �㗰!(�㗆)là ph¿n biờn ò, �㗱!(%) là pha, c¿ hai òu cú giỏ trò thÿc vòi iòu kiòn �㗰 ! (�㗆) thuòc kho¿ng [0,1].
Hò suy diòn mò
Hò suy diòn mò[3] (FIS) gòm ba ph¿n chớnh: mòt bò mò húa, mòt cĂ sò lu¿t và mòt bò gi¿i mò ±ÿc thò hiòn nh± hỡnh 1.1 d±òi õy:
Hỡnh 1.1: Mụ hỡnh suy diòn mò
- Giao diòn mò húa: chuyòn òi cỏc lòp ¿u vào vòi cỏc biờn ò phự hÿp vòi cỏc giỏ trò ¿u vào
- CĂ sò trớ thÿc bao gòm 2 ph¿n:
" CĂ sò dÿ liòu: ònh ngh)a cỏc hàm thuòc cÿa cỏc t¿p mò ±ÿc sÿ dÿng trong cỏc lu¿t mò
" Bò lu¿t: gòm cỏc lu¿t mò IF - THEN
- Ăn vò thÿc thi: thÿc hiòn cỏc ho¿t òng suy diòn trong cỏc lu¿t
- Giao diòn gi¿i mò: chuyòn òi cỏc giỏ trò k¿t qu¿ mò cÿa hò suy diòn ra cỏc lòp ¿u ra
Cỏc b±òc suy diòn mò:
- Mò húa cỏc bi¿n ¿u vào: ta c¿n mò húa nhÿng giỏ trò rừ ò tham gia vào quỏ trỡnh suy diòn
- Áp dÿng cỏc toỏn tÿ mò (AND ho¿c OR) cho cỏc gi¿ thi¿t cÿa tÿng lu¿t
- Áp dÿng phộp kộo theo ò tớnh toỏn cỏc giỏ trò tÿ gi¿ thi¿t ¿n k¿t lu¿n cÿa tÿng lu¿t
- Áp dÿng toỏn tÿ gòp ò k¿t hÿp cỏc k¿t qu¿ trong tÿng lu¿t thành mòt k¿t qu¿ duy nh¿t cho c¿ hò
- Gi¿i mò k¿t qu¿ tỡm ±ÿc cho ta mòt sò rừ
1.1.3 Hò suy diòn mò phÿc
Hò suy diòn mò phÿc (CFIS)[4], cũn ±ÿc bi¿t ¿n nh± hò logic mò phÿc (CFLS), sÿ dÿng suy lu¿n mò làm nòn t¿ng Mòt CFIS/CFLS nh¿n mòt t¿p dÿ liòu ¿u vào rừ và bi¿n òi chỳng thành t¿p dÿ liòu ¿u ra mò Hò CFIS/CFLS th±òng bao gòm bòn thành ph¿n chớnh: cỏc lu¿t suy lu¿n mò phÿc, mòt bò mò húa phÿc, mòt cĂ ch¿ suy lu¿n phÿc, và mòt bò gi¿i mò phÿc
Quỏ trỡnh xÿ lý cÿa mòt hò CFIS/CFLS cú thò ±ÿc phõn chia thành ba giai o¿n quan tròng:
Mô hình phức: Giai đoạn này đưa các dữ liệu đầu vào riêng lẻ vào trong các tập dữ liệu đầu vào mờ Quá trình này giúp làm mờ ranh giới giữa dữ liệu đầu vào rời rạc và mờ, tạo điều kiện cho quá trình suy luận mờ tiếp theo.
Suy diễn mờ: Ở giai đoạn này, một số luật mờ được sử dụng để ánh xạ các tập dữ liệu đầu vào mở thành các tập dữ liệu đầu ra mờ Các luật mờ đóng vai trò quan trọng trong việc quyết định và mô phỏng các quan hệ phức tạp giữa dữ liệu đầu vào và đầu ra.
Gi¿i mò: Giai o¿n cuòi cựng cÿa quỏ trỡnh là gi¿i mò, trong ú CFIS/CFLS thÿc hiòn ỏnh x¿ t¿p dÿ liòu ¿u ra phÿc thành dÿ liòu ¿u ra rừ
Cú mòt cỏch ti¿p c¿n khỏc trong giai o¿n gi¿i mò, là bò qua t¿t c¿ cỏc thành ph¿n pha và chò xem xột thành ph¿n biờn ò cÿa t¿p dÿ liòu ¿u ra mò, ±a ra mòt dÿ liòu ¿u ra rừ
Quỏ trỡnh xõy dÿng CFIS/CFLS ±ÿc thÿc hiòn b¿ng cỏch xõy dÿng cỏc t¿p mò phÿc và logic mò phÿc Quỏ trỡnh này bao gòm 4 b±òc:
Bước 1: Xây dựng các cụm từ phức - Trong bước này, luận văn tạo ra các cụm từ phức bằng cách chia dữ liệu thành các khoảng miền, mỗi miền chứa lớp giả thuyết phức của hàm thuộc vào đầu vào hoặc đầu ra Quá trình này giúp tạo ra một biểu diễn đặc trưng phức của dữ liệu.
B±òc 2: Sinh cỏc lu¿t mò phÿc - ị b±òc này, lu¿n vn sinh ra cỏc lu¿t mò phÿc dÿa trờn cỏc dÿ liòu d¿ng sò cú tớnh ch¿t ònh kÿ/chu kÿ Mÿc tiờu là xỏc ònh ò thuòc giỏ trò phÿc tÿ mòi c¿p dÿ liòu cú tớnh chu kÿ và t¿o ra cỏc lu¿t ¿u vào-¿u ra ò mụ phòng quan hò giÿa chỳng
B±òc 3: Gi¿n l±ÿc cĂ sò lu¿t - Tÿ cỏc lu¿t mò phÿc, lu¿n vn t¿o ra mòt cĂ sò lu¿t cú kớch th±òc t±Ăng ±Ăng vòi t¿p dÿ liòu ònh kÿ ban ¿u Mòi iòm dÿ liòu cú tớnh chu kÿ riờng t¿o ra mòt lu¿t Ăn l¿ ò qu¿n lý kớch th±òc cÿa cĂ sò lu¿t phÿc, chỳng ta ti¿n hành gi¿n l±ÿc và lo¿i bò cỏc trựng l¿p Mòi lu¿t phÿc ±ÿc gỏn mòt mÿc ò giỏ trò phÿc dÿa trờn tớch hÿp tòi a cÿa cỏc t¿p dÿ liòu ¿u vào và ¿u ra riờng l¿
B±òc 4: Ánh x¿ ¿u ra thụng qua gi¿i mò phÿc - Trong giai o¿n cuòi cựng, lu¿n vn thÿc hiòn ỏnh x¿ giÿa ¿u vào và ¿u ra b¿ng cỏch gi¿i mò phÿc cÿa cỏc dÿ liòu ¿u vào Quỏ trỡnh này giỳp t¿o ra mòt biòu diòn rừ ràng và hiòu qu¿ cÿa mòi quan hò giÿa cỏc bi¿n ¿u vào và ¿u ra.
Tòng quan cỏc nghiờn cÿu xoay quanh hò suy diòn mò phÿc
Dÿ bỏo bi¿n òi ¿nh viòn thỏm dÿa trờn suy diòn mò
Mòt trong nhÿng l)nh vÿc nghiờn cÿu phò bi¿n trong bài toỏn này liờn quan ¿n viòc ỏp dÿng cỏc hò suy diòn nh± Mamdani [5] Mamdani là mòt hò thòng suy diòn cò iòn, vòi cĂ sò lu¿t Ăn gi¿n và dò hiòu Hò suy diòn này cú kh¿ nng xÿ lý nhiòu lo¿i ¿u vào và ó ±ÿc kiòm chÿng là hiòu qu¿ thụng qua nhiòu ÿng dÿng và nghiờn cÿu a d¿ng Mòt sò nghiờn cÿu [6-12] ó chÿng minh tớnh hiòu qu¿ cÿa Mamdani trong nhiòu l)nh vÿc khỏc nhau, bao gòm ỏnh giỏ rÿi ro òi vòi mụi tr±òng sòng cÿa òng v¿t, phỏt hiòn sòm cỏc bònh nh± ung th± vỳ, mÿc ò nghiờm tròng cÿa bònh thalassemia, ỏnh giỏ hiòu su¿t nguòn nhõn lÿc, xÿ lý hỡnh ¿nh và dÿ oỏn lòi ph¿n mòm M¿c dự Mamdani mang l¿i nhiòu lÿi ớch, nh±ng cing tòn t¿i nh±ÿc iòm, vớ dÿ nh± thi¿u cĂ ch¿ hòc và c¿p nh¿t tham sò
Mòt h±òng nghiờn cÿu phò bi¿n khỏc ±ÿc ỏp dÿng ò gi¿i quy¿t thỏch thÿc hiòn t¿i là hò thòng suy diòn mò th¿n kinh thớch ÿng (ANFIS) Hò thòng này k¿t hÿp mòt m¿ng nĂ-ron nhõn t¿o (ANN) và hò thòng suy diòn mò truyòn thòng ò v±ÿt qua nhÿng h¿n ch¿ cÿa c¿ hai ph±Ăng phỏp ANFIS t¿n dÿng cĂ ch¿ hòc cÿa ANN thụng qua cỏc lu¿t IF-THEN, trong ú cỏc hàm mò húa ±ÿc ònh ngh)a ò mụ hỡnh húa quỏ trỡnh hòc tÿ dÿ liòu nhiòu Mòt iòm m¿nh quan tròng khỏc cÿa ANFIS là kh¿ nng tÿ hòc và ghi nhò cÿa m¿ng th¿n kinh, giỳp c¿i thiòn tớnh òn ònh cÿa mụ hỡnh trong quỏ trỡnh hu¿n luyòn Cỏc nghiờn cÿu [13-17] ó thành cụng ỏp dÿng ANFIS trong nhiòu l)nh vÿc, bao gòm ỏnh giỏ mÿc ò l±u l±ÿng giao thụng, l¿p b¿n ò, khÿ nhiòu hỡnh ¿nh, và nhiòu ÿng dÿng khác
Ngoài ra, ò v±ÿt qua nhÿng h¿n ch¿ cÿa hò thòng suy diòn mò thụng th±òng òi vòi bài toỏn dÿ oỏn sÿ thay òi trong ¿nh viòn thỏm, cỏc nhà nghiờn cÿu ó ò xu¿t viòc sÿ dÿng hò thòng suy diòn mò phÿc Trong hò thòng suy diòn mò thụng th±òng, th±òng khụng thò hiòn ¿y ÿ ý ngh)a cÿa ¿u vào, nh± ma tr¿n bi¿n òi theo thòi gian B¿ng cỏch tớch hÿp cỏc giỏ trò phÿc vòi dÿ liòu cÿa hò thòng suy diòn mò thụng th±òng, mụ hỡnh mò cú thò nh¿n thờm thụng tin quan tròng, giỳp nh¿n d¿ng ¿c iòm ¿nh chớnh xỏc hĂn Hiòu qu¿ cÿa ph±Ăng phỏp này ó ±ÿc chÿng minh thụng qua nhiòu nghiờn cÿu [18-22].
Dÿ oỏn bi¿n òi ¿nh viòn thỏm dÿa trờn cỏc ph±Ăng phỏp hòc mỏy
òi vòi bài toỏn phõn tớch hỡnh ¿nh vò tinh, nhiòu nghiờn cÿu ó ±ÿc thÿc hiòn ò phỏt triòn cỏc ph±Ăng phỏp phỏt hiòn sÿ thay òi mòt cỏch hiòu qu¿ Mòt trong nhÿng nghiờn cÿu nòi b¿t là cụng trỡnh cÿa Turgay [23], ó ò xu¿t mòt ph±Ăng phỏp phỏt hiòn bi¿n òi k¿t hÿp giÿa phõn tớch thành ph¿n chớnh (PCA) và thu¿t toỏn phõn cÿm k-means Ph±Ăng phỏp này hÿa h¿n vòi kh¿ nng dÿ oỏn sÿ khỏc biòt giÿa cỏc hỡnh ¿nh ¿u vào
Mòt nghiờn cÿu khỏc ỏng chỳ ý ±ÿc thÿc hiòn bòi Kalaiselvi và Gomathi [24], cỏc tỏc gi¿ ó giòi thiòu mòt ph±Ăng phỏp lòp mò c¿m bi¿n c¿t cho m¿ng l±òi th¿n kinh sõu (FDNN) dÿa trờn bi¿n òi wavelet M¿c dự ph±Ăng phỏp này ang ò giai o¿n phỏt triòn, nh±ng ó thò hiòn tiòm nng trong viòc làm nòi b¿t thụng tin thay òi mòt cỏch chớnh xỏc, ngay c¿ khi òi m¿t vòi nhón phõn lo¿i tr±òc thụ và mĂ hò
Cỏc nghiờn cÿu sÿ dÿng mỏy vectĂ hò trÿ (SVM) cing ó ±ÿc thÿc hiòn, nh± nghiờn cÿu cÿa cỏc tỏc gi¿ trong [25], cho th¿y r¿ng ma tr¿n mÿc xỏm (GLCM), hỡnh thỏi và tớnh nng òng thòi cú thò ±ÿc ỏp dÿng ò chòn lòc òi t±ÿng vòi rÿng ng¿u nhiờn iòu này giỳp xỏc ònh vectĂ ¿c tr±ng tòi ±u ò phỏt hiòn thay òi Sÿ k¿t hÿp giÿa cỏc bò phõn lo¿i SVM, KNN, ó ±ÿc thÿc hiòn ò phõn lo¿i và g¿n nhón hỡnh ¿nh thụng qua ph±Ăng phỏp hòc t¿p vòi thụng tin khụng gian
Các nghiên cứu về nhận dạng vật thể chỉ ra rằng các phương pháp dựa trên máy học thể hiện khả năng phát hiện sự biến đổi trong hình ảnh một cách hiệu quả Tuy nhiên, những phương pháp này thường gặp khó khăn khi xử lý dữ liệu đầu vào đa dạng và phong phú Mặc dù vậy, những nghiên cứu này cung cấp hiểu biết giá trị và hỗ trợ tích cực cho sự phát triển trong lĩnh vực phân tích hình ảnh vô tình.
1.2.3 Dÿ oỏn bi¿n òi ¿nh viòn thỏm dÿa trờn cỏc ph±Ăng phỏp hòc sõu
Sÿ gia tng vò khòi l±ÿng dÿ liòu ó tng ỏng kò sÿ quan tõm òi vòi cỏc ph±Ăng phỏp sÿ dÿng m¿ng th¿n kinh, ¿c biòt là m¿ng th¿n kinh tớch ch¿p (CNN) [26-28], cú thò ±ÿc ỏp dÿng trong nhiòu ÿng dÿng, bao gòm viòc dÿ oỏn thay òi trong hỡnh ¿nh viòn thỏm Cú nhiòu h±òng ti¿p c¿n khỏc nhau trong l)nh vÿc này, và CNN nòi b¿t vòi kh¿ nng v±ÿt tròi tÿ xÿ lý dÿ liòu phong phỳ ò xỏc ònh cỏc ¿c tr±ng quan tròng tÿ ¿u vào và ¿t ±ÿc hiòu qu¿ cao Vớ dÿ, CNN cú thò phõn biòt giÿa chú và mốo thụng qua viòc tÿ òng nh¿n diòn cỏc ¿c iòm ¿i diòn cho tÿng con v¿t tÿ hỡnh ¿nh ¿u vào Ng±ÿc l¿i, m¿ng th¿n kinh nhõn t¿o (ANN) yờu c¿u dÿ liòu ¿u vào ò g¿n nhón cỏc vò trớ t±Ăng ÿng vòi cỏc òi t±ÿng quan tõm trong hỡnh ¿nh
Mòt h±òng nghiờn cÿu khỏc dÿa trờn m¿ng tớch ch¿p là sÿ dÿng ConvLSTM [29] ò dÿ oỏn sÿ thay òi cÿa hỡnh ¿nh cú ò phõn gi¿i cao Vớ dÿ, Zhuo và òng nghiòp ó chÿng minh tớnh hiòu qu¿ cÿa ConvLSTM trong viòc gi¿i quy¿t v¿n ò phỏt hiòn sÿ thay òi hỡnh ¿nh Kÿ thu¿t này cho phộp m¿ng hòc cỏch cỏc òi t±ÿng trong hỡnh ¿nh bi¿n òi theo thòi gian và cú thò ±ÿc sÿ dÿng ò dÿ oỏn cỏc khung hỡnh ti¿p theo trong video
Mạng thần kinh hồi quy (RNN) là một phương pháp tiếp cận được sử dụng trong các vấn đề dự đoán theo thời gian RNN có khả năng "ghi nhớ" thông tin và rất hữu ích trong xử lý dữ liệu thời gian, không giống như CNN, phù hợp hơn với dữ liệu không gian Ngoài ra, RNN có những đơn vị khác phức tạp hơn như đơn vị LSTM, chẳng hạn như sự biến mất dốc và nổ độ dốc, điều này giúp cải thiện hiệu suất của mô hình.
M¿ng th¿n kinh sõu (DNN) [33-37] là mòt ph±Ăng phỏp khỏc ±ÿc sÿ dÿng ò xÿ lý dÿ liòu ¿u vào phÿc t¿p M¿c dự DNN cú thò phÿc t¿p và tòn thòi gian, chỳng phự hÿp vòi cỏc v¿n ò dÿ oỏn thay òi vỡ cú thò t¿n dÿng l±ÿng lòn dÿ liòu ch±a ±ÿc g¿n nhón và xÿ lý cỏc lo¿i dÿ liòu a d¿ng Cỏc nghiên cÿu sÿ dÿng DNN ã ±ÿc ÿng dÿng trong các bài toán xÿ lý ¿nh, dÿ oỏn bi¿n òi ¿nh, v.v Mòt sò vớ dÿ bao gòm cỏc nghiờn cÿu sÿ dÿng MFGAN, SeriesNet và DNN x¿p chòng
Tòng còng, cỏc ph±Ăng phỏp sÿ dÿng m¿ng th¿n kinh này ó ±ÿc chÿng minh là hiòu qu¿ trong viòc dÿ oỏn thay òi trong hỡnh ¿nh và xÿ lý cỏc lo¿i dÿ liòu phÿc t¿p Chỳng ó mò ra cĂ hòi cho cỏc nhà nghiờn cÿu t¿n dÿng l±ÿng dÿ liòu khòng lò cú s¿n và xỏc ònh cỏc ¿c tr±ng quan tròng cÿa ¿u vào, bi¿n chỳng thành nhÿng cụng cÿ cú giỏ trò trong nhiòu ÿng dÿng ò cú cỏi nhỡn tòng quan hĂn vò cỏc mụ hỡnh, ±u/nh±ÿc iòm cÿa cỏc ph±Ăng phỏp dÿ bỏo thay òi trong ¿nh viòn thỏm, Jingyi Cao [38] và còng sÿ ó tòng hÿp và mụ t¿ thụng qua B¿ng 1 sau:
B¿ng 1: Túm t¿t cỏc ph±Ăng phỏp sÿ dÿng trong bài toỏn phỏt hiòn bi¿n òi ¿nh
Ph±Ăng phỏp Cỏc cụng nghò ¿i diòn Cỏc ¿c tr±ng Cỏc nh±ÿc iòm Hiòu qu¿
- T¿p trung nhiòu vào sÿ thay òi vò m¿t giỏ trò cÿa cỏc iòm ¿nh
- Các phép tính toán ¡n gi¿n, khụng tòn nhiòu thòi gian xÿ lý
- Dò bò m¿t i sÿ òn ònh vòi ngay c¿ cỏc thay òi nhò
- Cỏc giỏ trò ng±ÿng ò trong các mô hình th±òng ±ÿc lÿa chòn mòt cỏch gi¿ sÿ, thi¿u cĂ sò khoa hòc
- ò chớnh xác không quá cao
- Tớnh hiòu qu¿ ch¿p nh¿n ±ÿc nh±ng v¿n ò mÿc th¿p
- Xây dÿng ±ÿc ma tr¿n mô t¿ sÿ khác biòt và mòt sò ¿c tr±ng trên các khu vÿc khác nhau dÿa
- Không xây dÿng/xỏc ònh ±ÿc quan hò cÿa cỏc iòm ¿nh liòn kò nhau
- Dò bò qua cỏc thay òi nhò
- Tớnh hiòu qu¿ th¿p trên các k¿t qu¿ thòng kờ
- Ho¿t òng kh¿ thi vòi cỏc dÿ liòu nhiòu dÿ liòu ¿u vào th±òng ớt ±ÿc ò ý tòi
Ph±¡ng pháp chuyòn òi không gian ¿c tr±ng
PCA[43], SVD, lòc phi tuy¿n tính[44], bi¿n òi wavelet[45], lòp tÿ thò hiòn
- Xỏc ònh ±ÿc nhÿng mòi quan hò tiòm ¿n cÿa dÿ liòu ¿u vào và vòi sò l±ÿng chiòu nhò hĂn
- Các k¿t qu¿ ¿u ra s¿ có ít nhiòu
- T¿p trung nhiòu vào cỏc ¿c tr±ng t¿o nờn sÿ bi¿n òi
- Các thông tin thÿc sÿ bò bi¿n òi cú thò bò hiòu nh¿m là nhiòu và bò lo¿i bò ho¿c bò qua
- Tòc ò xÿ lý ch¿m vòi cỏc ¿nh cú ò phân gi¿i cao
Phõn lòp bi¿n òi (Change
So sánh sau phân lo¿i
- Nhÿng òi t±ÿng nh¿n diòn và các ph±¡ng pháp phân nhóm cú thò ±ÿc tòi ±u
- Phù hÿp nh¿n diòn nhÿng thay òi nhiòu lo¿i
- Phÿ thuòc quỏ nhiòu vào k¿t qu¿ nh¿n diòn tr±òc ú
- Tớnh hiòu qu¿ Trung bình
- Ánh x¿ phi tuy¿n cÿa không gian nhiòu chiòu cho hình ¿nh RS cú ò phõn gi¿i th¿p
- Hiòu qu¿ tòng quỏt hoỏ tòt
- Không nh¿y c¿m òi vòi nhÿng thay òi ngoài lò
- Giòi h¿n ò nhÿng hàm h¿t nhân phù hÿp
- Yêu c¿u không gian l±u trÿ dÿ liòu Thòi gian hu¿n luyòn lòn vòi bò dÿ liòu lòn
- Phù hÿp cho bò dÿ liòu nh¿n diòn bi¿n òi vòi vựng ròng
- Khụng òn ònh vòi nhiòu
- Yờu c¿u t±Ăng òi lòn khụng gian l±u trÿ
Phân cÿm ¿c tr±ng (Feature
K-means[48], FCM[49], FLICM[50], DBSCAN[41], Phân cÿm phân c¿p[52]
- Phù hÿp cho hu¿n luyòn không giám sát cÿa t¿p dÿ liòu không có chú thích
- Gi¿m ¿nh h±òng cÿa viòc sÿ dÿng hình ¿nh không chính xác
Khú ò xỏc ònh tõm cÿm và sò l±ÿng cÿm
Dò bò ¿nh h±òng bòi tham sò khòi t¿o K¿t qÿa phân cÿm là ng¿u nhiờn và dò bò rĂi vào b¿y là cỏc tòi ±u òa ph±Ăng
- Tớnh hiòu qu¿ Trung bình ịn ònh vòi sÿ phân tán
- C¿u trúc linh ho¿t vòi cỏc nĂ- ron a chÿc nng- Kh¿ nng hòc t¿p m¿nh m¿ và kh¿ nng khòp phi tuy¿n
- Ít tác dÿng cho nhÿng tr±òng hÿp liên quan phÿc t¿p
- Hàm tòi ±u dò bò rĂi vào b¿y là các gi¿i phỏp tòi ±u òa ph±¡ng
- Khi sò l±ÿng lòp m¿ng tng lờn, hiòn t±ÿng bi¿n m¿t gradient cú thò x¿y ra
- Xem xét ±ÿc mòi quan hò khụng-thòi gian cÿa ¿nh a chiòu
- Cú hiòu qu¿ vòi dÿ liòu nhiòu chiòu
- Có kh¿ nng chòng nhiòu m¿nh m¿ và có kh¿ nng xÿ lý lòi
- Khụng thò ho¿t òng n¿u thi¿u dÿ liòu
- Khú cú ò diòn gi¿i quỏ trỡnh suy diòn và m¿ng
- Sÿ phÿ thuòc lõu gi¿i khụng thò gi¿i quy¿t ±ÿc vòi RNN
- ỵng dÿng ròng rói cho hòc giỏm sát và bán giám sát
- Miòn là cú mòt bi¿n òi tiờu chu¿n, nú cú thò áp dÿng sÿ phân biòt cho hòc mâu thu¿n
Quỏ trỡnh hu¿n luyòn khụng òn ònh, dò rĂi vào tr±òng hÿp bi¿n m¿t gradient và ch¿ ò thu gòn
Sÿ phõn bò cÿa mụ hỡnh tòng quỏt là r¿t khò ò cú thò diòn gi¿i b¿ng biòu thÿc toỏn hòc
CH¯ĂNG 2: Ph±Ăng phỏp dÿ bỏo bi¿n òi ¿nh viòn thỏm sÿ dÿng
Giòi thiòu
Nh± ó trỡnh bày ò ch±Ăng 1, cú r¿t nhiòu ph±Ăng phỏp khỏc nhau cú thò ±ÿc sÿ dÿng ò gi¿i quy¿t bài toỏn này và mòt trong nhÿng h±òng i ang nh¿n ±ÿc nhiòu quan tõm ú là sÿ dÿng cỏc hò suy diòn ¿c biòt là hò suy diòn mò phÿc iòu này ó cho th¿y sÿ hiòu qu¿ cÿa nhúm ph±Ăng phỏp này khi cú thò ỏp ÿng ±ÿc vòi cỏc bài toỏn phÿc t¿p, dÿ liòu lòn nh± lòp bài toỏn này
Do ú trong lu¿n vn này t¿p trung trỡnh bày mòt ph±Ăng dÿ bỏo bi¿n òi ¿nh viòn thỏm sÿ dÿng hò suy diòn mò phÿc.
Hò lu¿t suy diòn mò phÿc d¿ng tam giỏc
Hò suy diòn mò phÿc Mamdani(M-CFIS)
Trong bài bỏo [59] hò suy diòn M-CFIS l¿n ¿u ±ÿc giòi thiòu nh± mòt cụng cÿ m¿nh m¿ ò gi¿i cỏc bài toỏn liờn quan ¿n cỏc y¿u tò mang tớnh chu kÿ trong mòt kho¿ng thòi gian nh¿t ònh, bờn c¿nh cỏc giỏ trò t¿i mòt thòi iòm nh¿t ònh Hò thòng này k¿t hÿp hò suy diòn Mamdani FIS cò iòn vòi hò suy diòn mò phÿc (CFIS), c¿u trỳc cÿ thò cÿa mụ hỡnh này cú thò ±ÿc minh ho¿ cÿ thò vòi hỡnh sau:
Hỡnh 2.1: Mụ hỡnh hò suy diòn mò phÿc d¿ng Mamdani (M-CFIS)
Hò suy diòn này ±ÿc mụ t¿ gòm 6 b±òc nh± sau:
B±òc 1: Xỏc ònh t¿p cỏc lu¿t mò phÿc
Tuÿ theo tÿng bài toỏn khỏc nhau t¿p lu¿t mò phÿc cÿa mụ hỡnh s¿ cú d¿ng nh± sau:
�㗃�㗆¿�㗆 �㗅ò �㗅/ÿ�㗅 1: �㗄ắ�㗄 �㗆 '((,() �㗅à �㗃 (,( �㗄 (,( , �㗆 '((,*) �㗅à �㗃 (,* �㗄 (,* , & , �㗆 '((,+ % )
�㗅à �㗃 (,+ % �㗄 (,+ % �㗆/ì �㗆 �㗅à �㗃 (
�㗃�㗆¿�㗆 �㗅ò �㗅/ÿ�㗅 2: �㗄ắ�㗄 �㗆 '(*,() �㗅à �㗃 *,( �㗄 *,( , �㗆 '(*,*) �㗅à �㗃 *,* �㗄 *,* , & , �㗆 '(*,+ % )
�㗅à �㗃 *,+ % �㗄 *,+ % �㗆/ì �㗆 �㗅à �㗃 *
�㗃�㗆¿�㗆 �㗅ò �㗅/ÿ�㗅 �㗅: �㗄ắ�㗄 �㗆 '(-,() �㗅à �㗃 -,( �㗄 -,( , �㗆 '(-,*) �㗅à �㗃 -,* �㗄 -,* , & , �㗆 '(-,+ % )
�㗅à �㗃 -,+ % �㗄 -,+ % �㗆/ì �㗆 �㗅à �㗃 -
Vòi t¿t c¿ t¿p (p, q) tho¿ món: ôơ ô ơĐ�㗅(�㗅, �㗅) * {1, 2, & , �㗅} �㗆ò�㗅 1 f �㗅(�㗅, 1) < �㗅(�㗅, 2) < ù < �㗅W�㗅, �㗅 X f �㗅
�㗰 / &,( W�㗆 '(.,0) X = �㗰 / &,( W�㗆 '(.,0) X�㗅 1#/ &,( 2% )(&,() 3 ,
�㗆ò�㗅 �㗰 / &,( : # ³ [0, 1]�㗆à �㗱�㗃 ,0 : # ³ (0, 2�㗰]
�㗰 4 & (�㗆) = �㗰 4 & (�㗆)�㗅 1#4 & (5) , �㗆ò�㗅 �㗰 4 & : # ³ [0, 1]�㗆à �㗱�㗃 : # ³ (0, 2�㗰]
B±òc 2: Mò hoỏ dÿ liòu ¿u vào
B±òc 3: Xỏc ònh ò m¿nh cÿa lu¿t
B±òc 4: Tớnh toỏn cỏc k¿t qu¿ ¿u ra cÿa lu¿t mò phÿc
B±òc 5: Tòng hÿp cỏc k¿t qu¿ ¿u ra cÿa lu¿t mò phÿc
B±òc 6: Gi¿i mò k¿t qu¿ ¿u ra
Hò lu¿t suy diòn mò phÿc d¿ng tam giỏc
Hò lu¿t suy diòn mò phÿc d¿ng tam giỏc[60] là mòt hò lu¿t ±ÿc xõy dÿng dÿa trờn cĂ sò hò lu¿t cÿa hò suy diòn mò phÿc M-CFIS k¿t hÿp vòi y¿u tò khụng gian ±ÿc ò xu¿t l¿n ¿u trong nghiờn cÿu cÿa &
Dữ liệu trong lưới được mô hình hóa bởi một luật mờ dạng tam giác được xây dựng dựa trên 6 tham số liên ứng (a1, a2, a3, a6, a7, a9) với (a1, a2, a3) biểu diễn cho dữ liệu phân thức và (a6, a7, a9) biểu diễn cho dữ liệu phân pha.
Cỏc tham sò này ±ÿc xỏc ònh bòi cỏc cụng thÿc (2 3 7) l¿n l±ÿt nh± sau:
: là giỏ trò ph¿n pha cÿa dÿ liòu ¿u vào thÿ k cÿa ¿nh hu¿n luyòn X i
: là giỏ trò ph¿n thÿc cÿa dÿ liòu ¿u vào thÿ k cÿa ¿nh hu¿n luyòn
V j : là dÿ liòu tõm cÿm cÿa cÿm thÿ j
U i,j : là ò thuòc t±Ăng ÿng cÿa ¿nh hu¿n luyòn thÿ i và cÿm thÿ j
Hỡnh 2.2: Minh ho¿ mòt lu¿t mò phÿc d¿ng tam giỏc
2.2.3 Ph±Ăng phỏp dÿ bỏo bi¿n òi ¿nh viòn thỏm sÿ dÿng hò suy diòn mò phÿc
Ph±Ăng phỏp này t¿p trung vào viòc xÿ lý chuòi hỡnh ¿nh ¿u vào ò thu ±ÿc bò dÿ liòu gòm hai ph¿n chớnh: thÿc và pha Ban ¿u, quỏ trỡnh tiòn xÿ lý ±ÿc ỏp dÿng ò t¿o ra ph¿n thÿc và pha, trong ú ph¿n pha ±ÿc ònh ngh)a là sai khỏc giÿa hai ¿nh liờn ti¿p t¿i cựng mòt vò trớ Dÿ liòu sau khi tiòn xÿ lý ±ÿc chia thành các cÿm t±¡ng ÿng sÿ dÿng thu¿t toán FCM[61] Tÿ k¿t qu¿ phõn cÿm, hò lu¿t mò phÿc d¿ng tam giỏc ±ÿc t¿o ra Trong b±òc gi¿i mò, cỏc tham sò cho hàm gi¿i mò ±ÿc tòi ±u húa b¿ng thu¿t toỏn ADAM[62], nh¿m xỏc ònh cỏc tham sò phự hÿp Lu¿t gi¿i mò phÿc d¿ng tam giỏc sau ú ±ÿc ỏp dÿng ò gi¿i mò dÿ liòu khụng gian Cỏc iòm ¿nh dÿ oỏn cÿa ph¿n thÿc và ph¿n pha ti¿p tÿc ±ÿc ±a vào thu¿t toỏn ADAM ò hu¿n luyòn và tòi ±u húa hò sò phÿ thuòc, tÿ ú c¿i thiòn k¿t qu¿ dÿ oỏn hỡnh ¿nh
Mụ hỡnh tòng quan cÿa ph±Ăng phỏp cú thò ±ÿc mụ t¿ nh± sau:
Hỡnh 2.3: Chi ti¿t mụ hỡnh ò xu¿t
Chi ti¿t ph±Ăng phỏp cú thò ±ÿc mụ t¿ bòi cỏc b±òc nh± sau:
B±òc 1: Tiòn xÿ lý dÿ liòu ¿u vào
B±òc 1.1: Chuyòn òi dÿ liòu tÿ ¿nh màu vò ¿nh xỏm
Ph±Ăng phỏp này sÿ dÿng ph±Ăng phỏp bi¿n òi ¿nh tÿ ¿nh màu vò ¿nh xám theo công thÿc (8) nh± sau:
R: là giỏ trò kờnh màu ò cÿa ¿nh ¿u vào G: là giỏ trò kờnh màu xanh lỏ cõy cÿa ¿nh ¿u vào B: là giỏ trò kờnh màu xanh d±Ăng cÿa ¿nh ¿u vào
B±òc 1.2: Xỏc ònh giỏ trò ph¿n pha
Ph¿n pha ±ÿc ònh ngh)a là sÿ thay òi giÿa hai ¿nh liờn ti¿p t¿i cỏc vò trớ t±Ăng ÿng do ú, ph¿n pha s¿ ±ÿc xỏc ònh bòi cụng thÿc (9) sau:
B±òc 2: Phõn cÿm dÿ liòu ¿u vào Áp dÿng thu¿t toỏn FCM, ti¿n hành phõn cÿm òng thòi dÿ liòu ph¿n thÿc và pha nh¿m ¿m b¿o tớnh liờn k¿t cÿa dÿ liòu ¿u vào K¿t qu¿ cÿa quỏ trỡnh này là vộc tĂ tõm cÿm và cỏc ma tr¿n ò thuòc cÿa cỏc iòm ¿nh vào cỏc tõm cÿm t±Ăng ÿng Quy trỡnh phõn cÿm cú thò ±ÿc mụ t¿ bòi hỡnh sau:
Hỡnh 2.4: Quy trỡnh phõn cÿm dÿ liòu
Sau khi thu ±ÿc các k¿t qu¿ phân cÿm, mô hình s¿ ti¿n hành sinh lu¿t tÿ thụng tin cÿm và cỏc hàm thuòc t±Ăng ÿng theo mụ hỡnh hò lu¿t suy diòn mò phÿc d¿ng tam giác
Hỡnh 2.5: Lu¿t mò phÿc d¿ng tam giỏc
B±òc 4: Nòi suy giỏ trò ¿u ra
T¿i b±òc này, cỏc dÿ liòu ph¿n thÿc và pha s¿ ±ÿc xỏc ònh giỏ trò nòi suy t±Ăng ÿng thụng qua tÿng lu¿t ó ±ÿc xỏc ònh ò b±òc tr±òc ú Tuy nhiờn, khụng gian lu¿t th±òng s¿ khụng mụ t¿ ±ÿc toàn bò t¿t c¿ cỏc dÿ liòu iòm ¿nh, do ú tr±òc khi ti¿n hành nòi suy ¿u ra c¿n dòch chuyòn cỏc iòm ¿nh này vò vựng khụng gian lu¿t
B±òc 4.1: Dòch chuyòn cỏc iòm ¿nh vò vựng khụng gian hò lu¿t mò phÿc ò thÿc hiòn ±ÿc iòu này, mụ hỡnh s¿ xỏc ònh mòt hò sò alpha Hò sò alpha này ¿m b¿o t¿t c¿ cỏc giỏ trò iòm ¿nh n¿m ngoài khụng gian lu¿t sau khi chia t±Ăng ÿng cỏc to¿ ò vòi hò sò alpha này thu ±ÿc to¿ ò mòi n¿m trong không gian lu¿t
Cỏc giỏ trò nòi suy ¿u ra ±ÿc xỏc ònh l¿n l±ÿt bòi các công thÿc (10), (11) nh± sau:
: là giỏ trò iòm ¿nh dÿ oỏn ra
:là giỏ trò ò lòch giÿa ¿nh dÿ oỏn và ¿nh ¿u vào là ò thuòc cÿa ¿nh vào lu¿t thÿ j
: là giỏ trò gi¿i mò ph¿n thÿc cÿa ¿nh
: là giỏ trò gi¿i mò ph¿n pha cÿa ¿nh B±òc 5: Hu¿n luyòn hò sò gi¿i mò
Cỏc hàm gi¿i mò ±ÿc xỏc ònh bòi cỏc cụng thÿc sau:
�㗃�㗃�㗃(�㗄 1 ) = �㗰 ( �㗰 ( + �㗰 * �㗰 * + �㗰 6 �㗰 6
�㗃�㗃�㗃(�㗃�㗄�㗃1) = �㗰 ( B �㗰 ( B + �㗰 * B �㗰 * B + �㗰 6 B �㗰 6 B
Trong ú h1, h2, h3, h19, h29, h39 là cỏc tròng sò gi¿i mò
Với khả năng giải mã tròng mắt phức hợp, mô hình sử dụng phương pháp tối ưu ADAM với hàm mục tiêu RMSE xác định là 12.
: ±ÿc xỏc ònh bòi cụng thÿc (10), (11) t¿i b±òc 4.2 B±òc 6: Dÿ oỏn k¿t qu¿ ¿u ra
Tÿ cỏc k¿t qu¿ hu¿n luyòn s¿ xỏc ònh ±ÿc cỏc bò tham sò phự hÿp Cỏc bò tham sò này s¿ giỳp mụ hỡnh xỏc ònh ±ÿc k¿t qu¿ dÿ bỏo t±Ăng ÿng vòi ph¿n thÿc và pha Trong ú, k¿t qu¿ dÿ bỏo ph¿n thÿc s¿ ±ÿc xỏc ònh bòi cụng thÿc (10) Cũn òi vòi k¿t qu¿ dÿ bỏo ph¿n pha s¿ ±ÿc xỏc ònh bòi cụng thÿc (15) sau ây:
Và cuòi cựng, ò tòng hÿp cỏc k¿t qu¿ dÿ bỏo này lu¿n vn sÿ dÿng cụng thÿc sau ò tòng hÿp hai k¿t qu¿ dÿ bỏo:
CH¯ĂNG 3: THỵC NGHIịM Mễ HèNH VÀ ÁNH GIÁ KắT QUắ
Dÿ liòu thÿ nghiòm
Lu¿n vn chòn h±òng ti¿p c¿n dÿa trờn hò suy diòn mò phÿc ò nghiờn cÿu ¿nh viòn thỏm Do ú, viòc thi¿t l¿p dÿ liòu thÿc nghiòm ũi hòi sÿ dÿng ¿nh viòn thỏm và ph¿i ¿m b¿o tớnh chu kÿ và tớnh liờn tÿc cÿa dÿ liòu ò ph¿n ỏnh ỳng bài toán nghiên cÿu ò ỏp ÿng yờu c¿u vò dÿ liòu, lu¿n vn lÿa chòn sÿ dÿng bò dÿ liòu thÿc nghiòm là ¿nh vò tinh Geo Color tÿ H¿i Quõn Mÿ[63] Bò dÿ liòu này cung c¿p
25 d¿i kờnh dÿ liòu, bao gòm c¿ hỡnh ¿nh tÿ mòt kờnh và hỡnh ¿nh tòng hÿp tÿ cỏc kờnh khỏc nhau òi vòi nguòn dÿ liòu này, lu¿n vn ti¿n hành thu th¿p ba t¿p dÿ liòu, mòi t¿p chÿa hĂn 10.000 hỡnh ¿nh t¿i kờnh GeoColor ò 3 khu vÿc khỏc nhau Mòi ¿nh ±ÿc thu th¿p liờn tÿc sau mòi 30 phỳt t¿i cỏc khu vÿc bao gòm Hawaii, Bò biòn ¿i Tõy D±Ăng và Vònh Mexico Cỏc hỡnh ¿nh ±ÿc chia thành hai lo¿i kớch th±òc khỏc nhau, mòt bò cú kớch th±òc (100x100 iòm ¿nh) và mòt bò cú kớch th±òc (500x500 iòm ¿nh)
Hỡnh 3.1: ắnh GeoColor chÿp t¿i bò biòn ¿i Tõy D±Ăng, Hoa Kÿ
Cụng cÿ và mụi tr±òng thÿ nghiòm
Cỏc mụ hỡnh, ±ÿc cài ¿t b¿ng ngụn ngÿ Python trờn thi¿t bò macbook cú c¿u hỡnh CPU M1, Ram 16Gb, ò cÿng 512 Gb.
Ph±¡ng pháp ánh giá
ò ỏnh giỏ ò hiòu qu¿ cÿa cỏc ph±Ăng phỏp ò xu¿t, lu¿n vn sÿ dÿng hai ò o R2 [64] và trung bỡnh ph±Ăng sai (RMSE)[65] ò o R2 là ò o ±ÿc sÿ dÿng ròng rói nh¿t ò ỏnh giỏ mÿc ò phự hÿp cÿa cỏc mụ hỡnh hòi quy và ỏnh giỏ ò t±Ăng quan ±ÿc thò hiòn nh± cụng thÿc d±òi õy:
RSS: là tòng bỡnh ph±Ăng ph¿n d±
TSS: là ò lòch bỡnh ph±Ăng cÿa toàn bò m¿u ò o trung bỡnh ph±Ăng sai (RMSE) là cn b¿c hai cÿa giỏ trò trung bỡnh bỡnh ph±Ăng cÿa t¿t c¿ cỏc lòi Viòc sÿ dÿng RMSE r¿t phò bi¿n và nú ±ÿc coi là th±òc o sai sò cho cỏc mụ hỡnh dÿ oỏn và ±ÿc thò hiòn nh± cụng thÿc d±òi õy:
X (t+1) là giỏ trò cÿa ¿nh thÿc t¿ t¿i thòi iòm t + 1
X db là giỏ trò ¿nh dÿ bỏo t±Ăng ÿng
K¿t qu¿ thÿc nghiòm
B¿ng 3.1: K¿t qu¿ dÿ bỏo RMSE trung bỡnh cÿa ph±Ăng phỏp ò xu¿t và cỏc nghiờn cÿu liờn quan vòi ¿nh kớch th±òc 100x100
Ph±Ăng phỏp ò xu¿t PFC-PFR DSFA ắnh dÿ báo
1 ắnh dÿ báo 2 ắnh dÿ báo 3 ắnh dÿ báo 1 ắnh dÿ báo 2 ắnh dÿ bỏo
3 ắnh dÿ báo 1 ắnh dÿ báo 2 ắnh dÿ bỏo
B¿ng 3.2 K¿t qu¿ dÿ bỏo RMSE trung bỡnh cÿa ph±Ăng phỏp ò xu¿t và cỏc nghiờn cÿu liờn quan vòi ¿nh kớch th±òc 500x500
Ph±Ăng phỏp ò xu¿t PFC-PFR DSFA ắnh dÿ báo
1 ắnh dÿ báo 2 ắnh dÿ báo 3 ắnh dÿ báo 1 ắnh dÿ báo 2 ắnh dÿ bỏo
3 ắnh dÿ báo 1 ắnh dÿ báo 2 ắnh dÿ bỏo
Tÿ b¿ng 3.1 và 3.2, lu¿n vn ±a ra các k¿t lu¿n sau ây:
Phương pháp đề xuất thể hiện hiệu quả vượt trội so với cả phương pháp PFC-PFR và DSFA khi sử dụng hình ảnh 500x500 từ bộ dữ liệu của Hải quân Hoa Kỳ Trong đánh giá đầu tiên, phương pháp đề xuất hoạt động tốt hơn cả PFC-PFR và DSFA, với kết quả lỗi RMSE lần lượt là 3,823, 7,913 và 7,151 trên ba tập dữ liệu tương ứng Trong các so sánh sau đó, phương pháp PFC-PFR đạt được kết quả RMSE lần lượt là 7,913, 12,923 và 15,013, trong khi đó DSFA đạt kết quả RMSE là 7,151, 7,182 và 7,945.
Khi ỏp dÿng cho t¿p dÿ liòu hỡnh ¿nh cho khu vÿc Hawaii, RMSE cÿa hỡnh ¿nh dÿ oỏn 100x100 ¿u tiờn sÿ dÿng ph±Ăng phỏp ò xu¿t cÿa lu¿n vn cao hĂn so vòi ph±Ăng phỏp PFC-PFR, vòi k¿t qu¿ l¿n l±ÿt là 4,203, 6,413 và 7,135 Tuy nhiờn, nú v¿n tòt hĂn ph±Ăng phỏp DSFA vòi k¿t qu¿ là là 7,967, 7,682 và 7,283
Cỏc k¿t qu¿ này cú ±ÿc nhò viòc xÿ lý tÿng iòm ¿nh thay vỡ nhúm cỏc iòm ¿nh l¿i vòi nhau, tÿ ú gi¿m sai sò trung bỡnh giÿa cỏc iòm ¿nh Ph±Ăng phỏp ò xu¿t cing sÿ dÿng c¿ ph¿n thÿc và ph¿n pha cÿa hỡnh ¿nh hiòn t¿i ò t¿o ra cỏc bò lu¿t giỳp hò trÿ quỏ trỡnh dÿ oỏn cÿa mụ hỡnh, mang l¿i ò chớnh xỏc dÿ oỏn tòt hĂn Trong khi ph±Ăng phỏp PFC-PFR chò sÿ dÿng sÿ trÿc ti¿p cỏc ¿nh ò xõy dÿng bò lu¿t và suy diòn hỡnh ¿nh ¿u ra Ng±ÿc l¿i, ph±Ăng phỏp DSFA sÿ dÿng cỏc dÿ liòu ±ÿc lÿa chòn ng¿u nhiờn cho dÿ liòu hu¿n luyòn, iòu này cú thò khụng bao gòm t¿t c¿ cỏc ¿nh ¿u vào và cú thò d¿n ¿n k¿t qu¿ kém h¡n
B¿ng 3.3: K¿t qu¿ dÿ bỏo R2 trung bỡnh cÿa ph±Ăng phỏp ò xu¿t và cỏc nghiờn cÿu liờn quan vòi ¿nh kớch th±òc 100x100
Ph±Ăng phỏp ò xu¿t PFC-PFR DSFA ắnh dÿ báo
1 ắnh dÿ báo 2 ắnh dÿ báo 3 ắnh dÿ báo 1 ắnh dÿ báo 2 ắnh dÿ bỏo
3 ắnh dÿ báo 1 ắnh dÿ báo 2 ắnh dÿ bỏo
B¿ng 3.4: K¿t qu¿ dÿ bỏo R2 trung bỡnh cÿa ph±Ăng phỏp ò xu¿t và cỏc nghiờn cÿu liờn quan vòi ¿nh kớch th±òc 500x500
Ph±Ăng phỏp ò xu¿t PFC-PFR DSFA ắnh dÿ báo
1 ắnh dÿ báo 2 ắnh dÿ báo 3 ắnh dÿ báo 1 ắnh dÿ báo 2 ắnh dÿ bỏo
3 ắnh dÿ báo 1 ắnh dÿ báo 2 ắnh dÿ bỏo
Tÿ cỏc b¿ng 3.3 và 3.4, cú thò nh¿n th¿y r¿ng ph±Ăng phỏp ±ÿc ò xu¿t ¿t ò chớnh xỏc cao hĂn PFC-PFR và tòt hĂn mòt chỳt so vòi DSFA, ¿c biòt là òi vòi ò o R2 K¿t qu¿ R2 cÿa mụ hỡnh ò xu¿t òi vòi cỏc hỡnh ¿nh dÿ oỏn t¿i hai khu vÿc Hawaii và Bò biòn Thỏi Bỡnh D±Ăng cÿa Hoa Kÿ (¿c biòt là ò kớch th±òc 100x100 iòm ¿nh) cú xu h±òng v±ÿt tròi so vòi cỏc ph±Ăng phỏp khỏc Tuy nhiờn, ò Vònh Mexico, k¿t qu¿ cÿa ph±Ăng phỏp ò xu¿t l¿i kộm hĂn so vòi DSFA
Khi kích thước hình ảnh tăng lên 500x500 pixel, phương pháp đề xuất cho thấy kết quả R2 cao hơn so với các phương pháp khác Tuy nhiên, sử dụng một số lượng lớn tham số có thể dẫn đến quá mức trong trường hợp dữ liệu biến động mạnh, nhưng nó giúp cải thiện lỗi tích lũy so với phương pháp đề xuất Do đó, kết quả R2 của DSFA cho hiệu quả tốt hơn trong trường hợp này Hơn nữa, sự ổn định của các phương pháp sử dụng học máy so với các nhóm phương pháp khác trở nên rõ ràng từ kết quả so sánh.
- Chò ra ±ÿc cỏc nghiờn cÿu liờn quan ¿n phỏt hiòn bi¿n òi ¿nh viòn thỏm vòi nhiòu ph±Ăng phỏp khỏc nhau
- Nờu ra ±ÿc mòt sò ph±Ăng phỏp hò trÿ quỏ trỡnh phỏt hiòn bi¿n òi ¿nh viòn thám
- ±a ra ±ÿc mòt mụ hỡnh tÿ òng phỏt hiòn bi¿n òi ¿nh viòn thỏm sÿ hò trÿ cÿa máy tính nh¿m nâng cao kh¿ nng ÿng dÿng cÿa mô hình
- Phõn tớch ỏnh giỏ iòm manh, iòm y¿u cÿa mụ hỡnh ò xu¿t
+ Mụ hỡnh ò xu¿t m¿c dự cho k¿t qu¿ tòt hĂn so vòi cỏc ph±Ăng phỏp ò xu¿t tuy nhiờn cỏc k¿t qu¿ này mòi chò thÿc hiòn òi vòi bò dÿ liòu t¿i mòt sò ớt khu vÿc
+ Hò lu¿t mò phÿc thi¿u kh¿ nng thớch nghi vòi cỏc bò dÿ liòu mòi do cỏc lu¿t khụng cú cĂ ch¿ hu¿n luyòn cÿ thò
+ Mụ hỡnh cú sai sò tớch luÿ lòn theo thòi gian do ú khú cú thò sÿ dÿng ò dÿ bỏo t¿i cỏc thòi iòm xa sau này
2 H±òng nghiờn cÿu ti¿p theo
Trong t±Ăng lai, lu¿n vn cú thò thÿc hiòn theo cỏc h±òng nghiờn cÿu sau: + ò xu¿t mòt hò lu¿t mòi cú kh¿ nng c¿p nh¿t th±òng xuyờn
+ Nâng cao ch¿t l±ÿng dÿ báo cÿa mô hình
+ Thÿc hành so sỏnh vòi nhiòu bò dÿ liòu khỏc nhau khỏc
+ Áp dÿng, triòn khai cỏc k¿t qu¿ vào thÿc tiòn sÿ dÿng
DANH MỵC CễNG TRèNH CỵA TÁC GIắ
Là tác gi¿ ho¿c là òng tỏc gi¿ công trình
(tên t¿p chí ã ng công trình)
Dÿ oán l±u l±ÿng m±a hàng thỏng vòi mụ hỡnh suy diòn mò phÿc k¿t hÿp tòi ±u
L±Ăng Thò Hòng Lan, Lờ Tr±òng Giang, Nguyòn
Vn L±¡ng, Ph¿m Bá Tu¿n Chung, Nguyòn Long Giang, Triòu Thu H±¡ng
Kÿ y¿u hòi th¿o "Mòt sò v¿n ò chòn lòc cÿa Cụng nghò thụng tin và Truyòn thông" l¿n thÿ XXIV chÿ ò "Trớ tuò nhân t¿o trong chuyòn òi sò"
A new co- learning method in spatial complex fuzzy inference systems for change detection from satellite images
Lờ Tr±òng Giang, Lờ Hoàng SĂn, Nguyòn Long Giang, Tr¿n M¿nh Tu¿n, Nguyòn Vn L±Ăng, Mai ình Sinh, Ganeshsree Selvachandran, Vassilis C Gerogiannis
[1] Singh, A Review Article Digital change detection techniques using remotely - sensed data Int J Remote Sens 1989, 10, 98931003
[2] L A Zadeh,
