MÔ HÌNH CƠ SỞ DỮ LIỆU MỜ TRONG HỆ THỐNG THÔNG TIN ĐỊA LÝ GIS

ĐẠI HỌC QUỐC GIA THÀNH PHỐ HỒ CHÍ MINH ĐẠI HỌC CÔNG NGHỆ THÔNG TIN  BÀI THU HOẠCH MÔN PHƯƠNG PHÁP TOÁN TRONG TIN HỌC Tên đề tài: MÔ HÌNH CƠ SỞ DỮ LIỆU MỜ TRONG HỆ THỐNG THÔNG TIN ĐỊA LÝ GIS Giáo viên HD : PGS.TS.Đỗ Văn Nhơn Họ tên học viên : Phạm Quốc Bình Giang Mã số học viên : CH1301010 Tháng 01/2014 1 LỜI CẢM ƠN Lời đầu ên, em xin gửi lời chân thành cảm ơn đến Ban Chủ nhiệm trường Đại học công nghệ thông n TP HCM đã tạo điều kiện cho em được ếp cận với môn học SPPtoán cho khoa học máy 5nh. Em xin cảm ơn thầy PGS.TS. Đỗ Văn Nhơnđã tận =nh truyền đạt kiến thức cho chúng em cũng những gì thầy đã giúp đỡ, hướng dẫn để em thực hiện bài báo cáo này. Em cũng xin gửi lời cảm ơn sâu sắc đến quý thầy cô cùng các bạn bè thân hữu đã nhiệt =nh đóng góp ý kiến, cũng như động viên để em hoàn thiện hơn đề tài của mình. Mặc dù đã rất cố gắng nhưng đề tài khó tránh khỏi những thiếu sót và sai lầm, em mong thầy cô và bạn bè cho ý kiến để đề tài ngày càng hoàn thiện hơn. Một lần nữa,em xin chân thành cảm ơn! 2 MỤC LỤC 3 CHƯƠNG I. CỞ SỞ LÝ THUYẾT 1.1. Giới Thiệu Ta xét tập hợp những người trẻ. Ta thấy rằng người dưới 26 tuổi thì rõ ràng là trẻ và người trên 60 tuổi thì rõ ràng là không trẻ. Nhưng những người có tuổi từ 26 đến 60 thì có thuộc tập hợp những người trẻ hay không? Nếu áp dụng khái niệm tập hợp cổ điển thì ta phải định ra một ranh giới rõ ràng và mang tính chất áp đặt, chẳng hạn là 45 tuổi để xác định tập hợp những người trẻ. Và trong thực tế thì có một ranh giới mờ để ngăn cách những người trẻ và những người không trẻ đó là những người trung niên. Như vậy, những người trung niên là những người có một “độ trẻ” nào đó. Nếu coi “độ trẻ” của người dưới 26 tuổi là hoàn toàn đúng tức là có giá trị là 1 và coi “độ trẻ” của người trên 60 tuổi là hoàn toàn sai tức là có giá trị là 0, thì “độ trẻ” của người trung niên sẽ có giá trị p nào đó thoả 0 < p < 1 (có nghĩa là: p ∈ [0, 1]). Như vậy nhu cầu mở rộng khái niệm tập hợp và lý thuyết tập hợp là hoàn toàn tự nhiên. Các công trình nghiên cứu về lý thuyết tập mờ và logic mờ đã được L.Zadeh công bố đầu tiên năm 1965, và sau đó liên tục phát triển mạnh mẽ. Định nghĩa: Cho không gian nền U, tập A ⊂ U được gọi là tập mờ nếu A được xác định bởi hàm: A µ :X->[0,1] • A µ được gọi là hàm thuộc, hàm liên thuộc hay hàm thành viên (membership function) • Với x ∈ X thì A µ (x) được gọi là mức độ thuộc của x vào A. 4 Như vậy ta có thể coi tập rõ là một trường hợp đặc biệt của tập mờ, trong đó hàm thuộc chỉ nhận 2 giá trị 0 và 1. Ký hiệu tập mờ, ta có các dạng ký hiệu sau: • Liệt kê phần tử: giả sử U={a,b,c,d} ta có thể xác định một tập mờ A= dcba 02.03.01.0 +++ • A = ( ){ } Uxxx A ∈|)(, µ • A = ∑ ∈Ux A x x)( µ trong trường hợp U là không gian rời rạc • A = ∫ U A xx /)( µ trong trường hợp U là không gian liên tục Lưu ý là các ký hiệu ∑ và ∫ không phải là các phép tính tổng hay tích phân, mà chỉ là ký hiệu biểu thị tập hợp mờ. 1.2. Logic truyền thống Logic truyền thống chỉ quan tâm đến 2 giá trị tuyệt đối (đúng hoặc sai). Logic truyền thống luôn tuân theo 2 giả thuyết. Một là tính thành viên của tập hợp: Với một phần tử và một tập hợp bất kỳ, thì phần tử hoặc là thuộc tập hợp đó, hoặc thuộc phần bù của tập đó. Giả thiết thứ hai là định luật loại trừ trung gian, khẳng định một phần tử không thể vừa thuộc một tập hợp vừa thuộc phần bù của nó. Ví dụ: Nếu nhiệt độ trên 35 độ C thì nóng, ngược lại là không nóng. Hình bên dưới minh họa tập hợp “NÓNG” gồm tất cả các nhiệt độ từ 35 độ C trở lên 5 Figure 1: Biểu diễn tập nhiệt độ nóng Từ hình vẽ ta thấy logic truyền thống không thể hiện được sự khác biệt giữa các thành viên trong cùng một tập hợp. Giữa hai nhiệt độ 45 và 55 độ C, logic này không thể hiện được nhiệt độ nào nóng hơn nhiệt độ nào. Ngoài ra, logic này còn có một nhược điểm khác quan trọng hơn đó là chúng không thể biểu diễn được các dữ kiện mang tính mơ hồ, không chính xác mà trong thực tế lại có rất nhiều phát biểu bằng ngôn ngữ tự nhiên ở dạng này; chẳng hạn như: John thì khá cao => như vậy John có thuộc tập hợp những người cao hay không? Hoặc: John thì rất cao => như thế nào là rất cao? Vì vậy, logic truyền thống không thể hỗ trợ cho những suy luận trên những thông tin mang tính mơ hồ, thiếu chính xác như vậy. 1.3. Khái niệm Logic mờ Để khắc phục khuyết điểm của logic truyền thống, Lotfi Zadeh đã đưa ra lý thuyết mới về logic gọi là logic mờ (fuzzy logic). Lý thuyết của Zadeh biểu diễn tính mờ hay tính thiếu chính xác trong các phát biểu (như ở mục trên) theo cách định lượng bằng cách đưa ra một hàm tư cách thành viên tập hợp (set membership function) nhận giá trị thực giữa 0 và 1. 1.4. Khái niệm về tập mờ Cho S là một tập hợp và x là một phần tử của tập hợp đó. Một tập con mờ F của S được định 6 nghĩa bởi một hàm tư cách thành viên μF(x) đo “mức độ” mà theo đó x thuộc về tập F. Trongđó, 0 ≤ μF(x) ≤ 1. Khi μF(x) = 0 nghĩa là x hoàn toàn không thuộc tập F. Khi μF(x) = 1 nghĩa là x thuộc F hoàn toàn Ví d ụ: S là tập hợp tất cả các số nguyên dương và F là tập con mờ của S được gọi là“số nguyên nhỏ”. Trong đó: μF(1) = 1.0, μF(2) = 1.0, μF(3) = 0.9, μF(4) = 0.8, μF(50) = 0.001, v.v… được biểu diễn như sau: Figure 2: Biểu diễn tập mờ của các số nguyên nhỏ Ví d ụ: Hình bên dưới minh họa hàm thành viên cho các tập mờ thể hiện người đàn ông “Thấp”, “Cao” và “Trung bình”. Figure 3: Biểu diễn các tập mơ "Thấp", "Trung Bình" và "Cao" Ta thấy những người đàn ông cao 4’ thì hoàn toàn thuộc về tập mờ ‘Thấp’. Còn những người đàn ông có chiều cao 4’8” thì vừa thuộc tập mờ ‘Thấp’, vừa thuộc tập mờ ‘Trung bình’. Còn những người đàn ông có chiều cao 6’1” thì chỉ thuộc tập mờ ‘Cao’ với μ <1. 1.5. Tính chất • Hai tập mờ bằng nhau: A = B nếu ∀x ∈ X, μA (x) = μB (x) • Tập con: A ⊆ B nếu ∀x ∈ X, μA (x) ≤ μB (x) 7 • Một phần tử có thể thuộc về nhiều hơn một tập mờ. Như trong ví dụ 2 (hình 7.4), một người đàn ông cao 5’10” thuộc về cả hai tập “trung bình” và “cao”. Tổng các giá trị mờ của một phần tử khác 1: μThấp(x) + μTrungbình(x) + μCao(x) ≠ 1 Từ hàm thành viên cho trước, ta có thể suy ra được mức độ một thành viên thuộc vềmột tập hợp, hay có thể xác định được giá trị mờ của nó đối với một tập mờ. Ví dụ : Một hàm thành viên cho tập mờ thể hiện một người là “Trẻ”, “Trung niên” và “Già”. Figure 4: Biểu diễn các tập mờ "Trẻ", "Trung niên" và "Già" Từ hình trên, nếu cho biết tuổi của một người, ta có thể xác định mức độ người đó thuộc vềlớp người trẻ, trung niên và già. Chẳng hạn như: -An 28 tuổi =>μTre(An) = 0.8 và μTrung niên(An) = 0.3 -Bảo 35 tuổi =>μTre(Bảo) = 0.3 và μTrung niên(Bảo) = 0.8 -Châu 23 tuổi =>μTre(Châu) = 1.0 Ta gọi các con số 0.8, 0.2, 1.0 là các giá trị mờ (fuzzy values). Vậy từ các giá trị chính xác (số tuổi: 28, 35, 23…), ta đã suy ra các giá trị mờ tương ứng. Thao tác này gọi làmờ hóa (fuzzification) các giá trị thực. 8 1.6. Các toán tử logic trên tập mờ Logic mờ không quan tâm đến cách thức các tập mờ được tạo ra như thế nào, mà quan tâmđến các luật hỗ trợ cho việc suy luận trên các tập mờ này. Phần này sẽ trình bày các phép toán thao tác trên các tập mờ, đó là phép bù (complement) phép hợp (union), phép giao (intersection). Phép hợp hay toán tử OR Khái niệm: Hợp của hai tập mờ (A∪B) thể hiện mức độ một phần tử thuộc về một trong hai tập là bao nhiêu. Công thức: μ A∨ B(x) = max (μA(x) , μB(x)B ) Ví dụ : μTre(An) = 0.8 và μTrung niên(An) = 0.3 => μTre ∨ Trung Niên(An) = max( 0.8, 0.3) = 0.8 Phép giao hay toán tử AND Khái niệm: Hợp của hai tập mờ (A∪B) thể hiện mức độ một phần tử thuộc về một trong hai tập là bao nhiêu. Công thức: μ A∨ B(x) = max (μA(x) , μB(x)B ) Ví dụ : μTre(An) = 0.8 và μTrung niên(An) = 0.3 => μTre ∨ Trung Niên(An) = max( 0.8, 0.3) = 0.8 Phép bù hay toán tử NOT Khái niệm: Bù của một tập mờ thể hiện mức độ một phần tử không thuộc về tập đó là bao nhiêu. Công thức: μ ¬A(x) = 1 - μA(x) Ví dụ: μTrẻ(An) = 0.8 9 μ ¬Trẻ(An) = 1 – 0.8 = 0.2 Nhận xét: Logic mờ không tuân theo các luật về tính bù của logic truyền thống: μ ¬A∨ A(x) ≡ 1 và μ ¬A ∧ A(x) ≡ 0 Ví dụ: μ ¬A∨ A(x) = max (0.8, 0.2) = 0.8 μ ¬A ∧ A(x) = min( 0.8, 0.2) = 0.2 1.7. Luật mờ Một luật mờ là một biểu thức if- then được phát biểu ở dạng ngôn ngữ tự nhiên thể hiện sựphụ thuộc nhân quả giữa các biến. Ví dụ: if nhiệt độ là lạnh và giá dầu là rẻ then sưởi ấm nhiều. Trong đó: - ‘nhiệt độ’, ‘giá dầu’ và ‘sưởi ấm’ là các biến - ‘lạnh’, ‘rẻ’, ‘nhiều’ là các giá trị hay chính là các tập mờ. if một người có chiều cao là cao và cơ bắp là lực lưỡng then chơi bóng rổ Các biến ở đây sẽ là: ‘chiều cao’, ‘cơ bắp’, ‘chơi bóng rổ’ Các giá trị hay tập mờ là: ‘cao’, ‘lực lưỡng’, ‘hay’. 1.8. Thủ tục ra quyết định mờ (fuzzy decision making procedure) Để hệ thống mờ có thể suy luận bằng các luật mờ và đưa ra kết luận từ các số liệu chính xácở đầu vào, hệ thống thực hiện 3 bước: Mờ hóa: Tính toán các giá trị mờ từ các giá trị chính xác ở đầu vào. Suy luận mờ: Áp dụng tất cả các luật mờ có thể áp dụng để tính ra giá trị mờ cho kết luận, sau đó kết hợp các kết quả đầu ra. 10 [...]... dạng mô hình cơsởd liệu mờ( fuzzy database) nhằm biểu diễn các đối tượng không gian trong h thống thông tin địa lý bằng lý thuyết tập mờvà biến ngôn ngữ Nội dung bài viết đề cập hai vấn đề chính: phương pháp biểu diễn tập mờ theo mô hình dữ liệu vector – topology và mô hình cơ sở dữ liệu mờ trong GIS cùng với một số bước phân tích hiển thị dữ liệu mờ 2.2 Một số khái niệm 2.2.1 Dữ liệu GIS Dữ liệu GIS. .. các đặc điểm không chắc chắn của đối tượng vào các hệ thống thông tin địa lý cần quan tâm đến hệ thống cơ sở dữ liệu hiện có và những dị thường khi cập nhật dữ liệu (đặc biệt là dữ liệu không gian) Mô hình cơ sở dữ liệu mờ để biểu diễn và quản lý dữ liệu không chắc chắn được tổ chức như sau: Figure 11: Mô hình cơ sở dữ liệu trong GIS 2.3.2 Mô hình dữ liệu biểu diễn các đối tượng Với giả thuyết, tọa độ... tính sẽ hình thành các đối tượng không gian Theo mô hình dữ liệu vector, các đối tượng không gian được xác định bằng các giá trị toạ độ địa lý và được biểu diễn dưới các dạng hình học: điểm, đường, vùng Dữ liệu thuộc tính trong hệ thống thôngtin địa lý phát triển dựa trên những thành quả và khái niệm của lý thuyết cơ sở dữ liệu Hiện tại, dữ liệu thuộc tính được phát triển theo mô hình quan hệ với mỗi... ra (tập mờ) giải mờ mờ Bộ Figure 6: Mô hình biểu diễn hệ mờ 12 Thành phần trung tâm của hệ mờ là cơ sở luật mờ (fuzzy rule base) Cơ sở luật mờ bao gồm các luật mờ if-then biểu diễn tri thức của chuyên gia trong lĩnh vực nào đó Trong trường hợp một hệ điều khiển mờ cụ thể thì cơ sở luật mờ chính là tri thức và kinh nghiệm của các chuyên gia trong việc điều khiển khi chưa áp dụng hệ điều khiển mờ Thành... gian trong GIS Mô hình dữ liệu biến ngôn ngữ phải lưu trữ được các đặc trưng của hàm thuộc thông qua các tập mờ và giao giữa các tập mờ (biên mờ) , do đó lựa chọn mô hình dữ liệu không gian với cấu trúc vector - topology sử dụng kiểu đối tượng dạng vùng (polygon) để lưu trữ dữ liệu biến ngôn ngữ là phù hợp 30 Mô hình dữ liệu không gian của biến ngôn ngữ sử dụng hệ toạ độ phẳng, hai chiều để quản lý dữ liệu, ... Áp dụng lý thuyết tập mờ và biến ngôn ngữ để mô hình hóa việc biểu diễn và quản lý d liệu không gian có thểchắt lọc thêm được các d liệu trước kia thường bị bỏ qua vì chưa đủ công cụ phản ánh ngữ nghĩa của chúng ở dạng chi tiết Lý thuyết tập mờ và biến ngôn ngữ còn cho phép người khai thác các hệ thống thông tin địa lý thực hiện truy nhập và cập nhật các thông tin chưa chắc chắn vào cơ sở dữ liệu Bài... mỗi giá trị t∈T vào một tập mờ trên X 2.3 Mô hình biểu diễn đối tượng không gian dựa trên lý thuyết tập Mờ và biến Ngôn ngữ 2.3.1 Mô hình cơ sở dữ liệu mờ trong GIS Các thông tin liên quan đến việc tổ chức, thiết kế cơ sở dữ liệu mờ bao gồm: • Mã đối tượng: mã của đối tượng không gian • Thuộc tính xi của đối tượng trên X: thuộc tính cần mờ hóa • Độ thuộc ai của xi vào tập mờ tương ứng với giá trị của... thiệu trong bài viết gồm 3 nhóm: dữ liệu không gian dạng raster với độ phân giải phù hợp, dữ liệu lưu trữ các thông tin mờ và dữ liệu quản lý các biến ngôn ngữ Việc phân tích và hiển thị dữ liệu mờ có thể thực hiện thông qua tiến trình xử lý phân tích hiển thị dữ liệu của các hệ thống thông tin địa lý hiện hữu Mô hình được xây dựng theo hướng mở rộng các thuộc tính nên có khả năng áp dụng để biểu diễn... nước trong hồ là 1m và giếng là 3m thì cần bơm 16.845=16 phút 51 giây CHƯƠNG II MÔ HÌNH CƠ SỞ DỮLIỆU MỜ TRONG HỆ THỐNG THÔNG TIN ĐỊA LÝ (GIS) 2.1 Giới Thiệu Trong thực tế, khi biểu diễn các đối tượng không gian của thế giới thực thường xuất hiện các thông tin không chắc chắn Các thông tin này có thể là thuộc tính của các đối tượng (như: ít ô nhiễm, ô nhiễm, ô nhiễm trung bình, ô nhiễm nặng) hoặc quan hệ. .. ngữ (R3) Bảng mô tả các phụ thuộc dữ liệu: 28 FID => VALUE, MEMBERSHIP VALUE, MEMBERSHIP => ID, LINGUISTIC Dữ liệu trong mô hình được thiết kế thành ba nhóm: nhóm dữ liệu quản lý các đối tượng không gian để lưu trữ vị trí và mã đối tượng, nhóm dữ liệu lưu trữ các đặc điểm không chắc chắn và nhóm dữ liệu quản lý các biến ngôn ngữ Trong mô hình này, sử dụng thuộc tính “shape” để lưu trữ dữ liệu không gian . PHỐ HỒ CHÍ MINH ĐẠI HỌC CÔNG NGHỆ THÔNG TIN  BÀI THU HOẠCH MÔN PHƯƠNG PHÁP TOÁN TRONG TIN HỌC Tên đề tài: MÔ HÌNH CƠ SỞ DỮ LIỆU MỜ TRONG HỆ THỐNG THÔNG TIN ĐỊA LÝ GIS Giáo viên HD : PGS.TS.Đỗ. nhân. 1.9. H Mờ 1.9.1. Kiến trúc của hệ mờ tổng quát Một hệ mờ tiêu biểu có kiến trúc sau: 12 Figure 6: Mô hình biểu diễn hệ mờ Thành phần trung tâm của hệ mờ là cơ sở luật mờ (fuzzy rule base). Cơ sở. hiệu: RVRUU n n i i ⊂⊂= ∏ = , 1 , trong đó i U là miền xác định của các biến vào i, i=1 n và V là miền giá trị của biến ra y, ta có mô hình hệ mờ nhiều đầu vào – một đầu ra như hình 5.a.2 sau: 1.9.2. Cơ sở luật mờ Cơ sở