ngày nay hệ thống thông minh đã trở thành thông dụng trong việc giải quyết các bài toán thực tế phức tạp và nó cũng đảm bảo đáp ứng đầy đủ các yêu cầu thực tiễn của bài toán
Trang 1Chuong 4
CAC UNG DUNG THUC TE
Quay trở lại bài toán tổng quát:
Cho Q, i €{1, 2, ., z}, /=Ø; và © là một phân hoạch các ©; Bài toán phân loại mẫu tổng quát là bài toán xác định ánh xạ:
p:Q—>{12, n}: VY «Q, p(X) = ¡(nghĩa làX <Q, ) Tuy nhiên, trong thực tế có thể tổn tại hai tình huống với mẫu X
—_ Tình huống 1: Không mất mát thông tin: X đầy đủ đặc trưng © XeQ
—_ Tình huống 2: Bị mất mát thông tin: X không đầy đủ đặc trưng © X„„„£©
Với tình huống 1 chính là bài toán phân loại mẫu tổng quát đã trình bày
Với tình huống 2 phải phục hổi X„„„ về X„„¿ ;¿¡ sao cho X„„„„ ;¿;eO, rồi mới phân loại Xprucrdi VE ©„ ¿e {1, 2,„ n} (đưa về bài toán phân loại mẫu tổng quát)
Chi tiết hơn, bài toán phân loại mẫu được chia thành hai dạng bài toán: (1) Bài toán chứng thực mẫu (phân biệt THẬT/ GIẢI
Đây là một trường hợp cụ thể của bài toán trên với n=2 = Q=Q„z„©2 Quy Mục 2.1- Chương 2 đã trình bày chỉ tiết về việc ứng dụng mơ hình kết hợp D¡
truyền- Mờ để giải quyết bài toán này (2) Bài toán phân lớp mẫu
Xét đến hai trường hợp:
- Trường hợp 1: Mẫu X là một véc tơ: cho Q 1a một phân hoạch các @„,
¿e{1/2,.,n} và X=(Xị, X;, , X,)<Q Xác định ¡e (1, n}:Xe©,
Trang 2- Trường hợp 2: Mẫu X là M véc tơ: cho Q 1a mét phân hoạch các {Q, ie {1,2, n}} va miu X =|X' =(X7, Xị, Xj):X” eO, J ={ M)} Xác định ¿
sao cho XeQ,
Mục 2.2, 2.3 thuộc Chương 2 đã trình bày chỉ tiết về Tiếp cận mơ hình kết
hợp: Nơron- Mờ và Di truyền- Nơron trong Phân lớp mẫu không mất mát thông tin (Trường hợp 1: Mẫu X là một véc tơ, Trường hợp 2: Mẫu X gồm M véc tơ) Chương
3 trình bây việc ứng dụng mô hình kết hợp cả ba phương pháp: Di truyền- Nơron-
Mờ trong Phân loại mẫu bị mất mát thông tin X„„„e ©
Chương này sẽ chỉ ra tính khả thi của mơ hình kết hợp các kỹ thuật thuộc Tính
tốn thơng mỉnh trong các ứng dụng thực tế Những ứng dụng này được hình thành dựa trên nên tầng của các dạng bài toán trên
Ứng dụng 1: Chứng thực Ảnh (nền tảng là bài toán chứng thực mẫu (phân biệt
THẬT/ GIẢ ))
Ứng dụng 2: Nhận dạng chữ viết tay (nền tảng là bài toán phân lớp mẫu (tình
huống X khơng mất mát thơng tin © Xe©: trường hợp 1, trường hợp 2))
Ứng dụng 3: Phân loại mẫu vân tay bị mất mát thơng tin (ình huống X không đầy đủ đặc trưng © X„„„ £O = phục hổi X„„„ về X ,u„e_„¿¡ sao cho X„;„e ;¿¡ e©, rồi tiến hành phân loại Xpiuc_adi ))-
4.1 Chứng thực Ảnh 4.1.1 Đặt bài toán
Đầu tiên, tìm hiểu thế nào là một ảnh? Xét trên phương diện toán học, Ảnh có thể định nghĩa như sau:[8,CTNC]
Trang 3Dinh nghia 4.1 (Anh)
Cho ƒ: R? —> R có giá đỡ compact la dia don vi:
D={(x,y) € R?: x*+y’< 1}
Tf là phép biến đổi trên ƒ sao cho nếu g được tái tạo từ 7ƒ thì II ƒ- gily= 0 với lell, là một chuẩn tuyến tính
Thì Ảnh là cặp ƒ, 77) với ƒ là biến điểm ảnh của Ảnh đăng ký và 7ƒlà biến đổi của ƒ
Quá trình đăng ký và chứng thực Ảnh là quá trình hai giai đoạn
Giai đoạn 1: Đăng ký
(1) Nhận một tập tin Ảnh ƒ
(2) Thực hiện biến đổi và lưu trữ ƒ dưới dang Tf
(3) Xác định cây nhận dạng_n dựa trên ƒ và TƑ Giai đoạn 2: Chứng nhận
(4) Nhận Ảnh cần chứng nhận ø
(5) Thực hiện các phép biến đổi g dưới dang Tg
(6) Sử dụng cây nhận dạng để chứng nhan Tg= Tf khong
Nếu đúng kết luận: ø là Ảnh đã đăng ký Ngược lại kết luận ø là Ảnh giả
Như vậy, đây là một ứng dụng cụ thể của bài toán chứng thực mẫu (phân biệt THẬT/ GIẢ) đã trình bày trong mục 2.1 thuộc chương 2
Để giải quyết bài toán trên, có nhiều phương pháp giải khác nhau Trong phạm vi luận án (như đã trình bày ở (chương 2- mục 2.1)), chỉ để cập đến một kỹ thuật: kết hợp giữa Logie mờ và Thuật giải tiến hoá cho việc giải quyết bài toán trên Đầu tiên, một phép biến đổi sử dụng kỹ thuật “mờ” sẽ được dùng để biểu
Trang 4Anh cdn chitng nhan g déu dude bigu dién lai thanh hai véc to: Tf Va Tguxu[13,CTNC], [14,CTNC] Tiếp theo, cần kiểm tra đối tượng X có trùng với A không? Để làm được điều này, cần kiểm tra 7X„„w có trùng với 7A„xw? Lúc này, Thuật giải tiến hoá sẽ được sử dụng để tìm ra cây nhận dạng_n tối ưu với tiêu chí
xác định cây là:” Phát hiện GIÁ nhanh nhất” (xem mục 2.1 thuộc chương 2)
Thực chất, vấn để đặt ra là: Với 7ƒ cho trước, phải tìm cây nhận dạng_n tối ưu
theo một tiêu chí cho trước Trong trường hợp này, chúng tôi xây dựng một cây
nhận dạng chứng thực mẫu (ø, 7g) có phải là mẫu đăng ký (, 7/) hay không (7g
trùng 7ƒ)? Cây nhận dạng_n trong trường hợp này được gọi là cây chứng thực n và
tiêu chí xác định cây là:”Phá: hiện GIÁ nhanh nhất” Với giả định tiêu chí được biết trước và được số hóa thành hàm lượng giá f(A), Thuật giải tiến hoá (một biến thể của Thuật giải di truyền) trong mục 2.1.3 sẽ được dùng để tìm cây chứng thực_n tối ưu nhất
Nguyên lý và các bước tổng quát của Thuật giải sử dụng lại nội dung ở mục : 2.1.3 thuộc chương 2 Dưới đây, chúng tôi giới hạn lại các toán tử di truyền dành
riêng cho bài toán, đề xuất hàm lượng giá ƒ{A) riêng Đồng thời, cũng trình bày các
bước chỉ tiết áp dụng Thuật giải trong bài toán chứng thực Ảnh ø cụ thể này
41⁄2EA tìm cây chứng thực n tối wu [8,CTNC], [13,CTNC], [14,CTNC],
(15,CTNC], [16,CTNC]
(a) Ti Anh đăng ký f qua phép biến đổi mờ (mục 2.1.2, chương 2) cho ra véc tơ đăng ký Tf ={0, ,c}"" Tx Tf tao lập ra véc tơ nhiễu
TP/ ={0, c,V}""" [13,CTNC], [14,CTNC]
Trang 5(b) Dùng Thuật giải tiến hóa để tìm cây chứng thực tối ưu theo tiêu chí của
bài tốn:” Phát hiện GIÁ nhanh nhất”
Cụ thể, bước (a) được thực hiện như sau:
Trong thực tế, mỗi Ảnh bất kỳ đều có thể bị nhiễu do một số lý do nào đó Ở
đây, chúng tơi cho phép chứng thực những Ảnh bị nhiễu tối đa là np%
Các vị trí nhiễu sẽ được phân bố ngẫu nhiên một lần tại những vùng cho phép trên véc to đăng ký Tƒ tùy vào bài toán cụ thể
Tại những vị trí nhiễu, giá trị của các phần tử được biểu diễn bởi đặc tả V
(V= {0, e}) Vì nhiễu cho phép = np% => sé c6 (np x Mx N) /100 đặc tả V => TPf ={0, c,V}"" ứng với tập đỉnh (y0 ;as 9y sen}:
Mỗi Ảnh ø biểu diễn bởi véc :ơ chứng nhận Tạ sẽ được chứng thực nếu giá trị các phan ti trong Tg = giá trị các phần tử trong véc tơ đăng ký TPf (cho phép # tại
những vị trí có đặc tả V)
Như vậy, chúng ta chỉ cần kiểm tra 4x W -(npx 4x N)/100 giá trị trong TP/ Và số đỉnh tối đa để chứng thực một Ảnh g (nhiếu np%) sé
=MxN-(npx M x N)/100
Sau khi, tạo véc tơ đăng ký TPƒ, chúng ta chuyển sang bước (b) : Dang EA dé tim cây chứng thực tối ưu
Các bước:
(1) Xác định miền các cây chứng thực
Để giới hạn miễn biểu diễn các cây chứng thực, chúng ta phải loại bổ các đỉnh nhiễu
Trang 6Mỗi cây được cấu thành từ hoán vị của MxN dinh (9s,v, vw„„,) Do cho phép nhiễu mp%, nên có thể loại bỏ (không cần kiểm tra) (npxMxN)/100 dinh nhiéu (tại vị trí những đỉnh này, giá trị tương ứng của các phần tử trong TPƒ =V)
Như vậy, sau khi loại bổ chúng ta còn lại Ax N-(npx Mx N)/100 dinh
Sau khi rút gọn được số đỉnh, mỗi cây được cấu thành từ hoán vị của MxN~(npx Mx N)/100 đỉnh cồn lại
Như vậy mién biểu diễn cây gồm tất cỉ các hoán vị của MxW~(ipx Mx N)/100 đỉnh cồn lại và = (M x N =(npx M x N)/100)! cây
(2) Ứng dụng EA để tìm cây chứng thực - n tối tu
Xuất phát từ cây chứng thực 4 = (V,E,e, ồ) có độ rộng n với véc tơ đăng ký TPF
đã xác định ở bước (4)
Giả định có ø mẫu để thử nghiệm Khởi tạo quần thể ban đầu
Chọn ngẫu nhiên s/w hoán vi trong tập hợp các hoán vị
của (M x X ~(n#px M x N)/100) đỉnh thuộc miễn biểu diễn của cây (Kích thước quần thé =slhv)
Ứng với từng hoán vị, thực hiện:
+ Duyệt lần lượt các Ảnh ứ (k=0—> n-1)
Với mỗi đối tượng thực hiện:
e Tinh &v;) ;(v; 1a cdc đỉnh của hốn vị đang xét) © So sdnh &v;) véi fpƒ[v;) tương ứng, /ƒffv¡) e TPƒ
Trang 7- Nếu ấu)“ tpftv) và số đỉnh đã duyệt nhỏ hon (Mx N-(npxMxN)/100) thì Kết luận: Ảnh giả, nhay sang
bước sau
- Néu duyét hét (MxN-(npxMxN)/100) đỉnh của hốn vị thì Kết luận: Ảnh thật, nhảy sang bước sau
¢ Tính hàm phí tổn E(/,) của từng Ảnh (tổng số các đỉnh đã duyệt để
chứng thực Ảnh tò
+ Sau khi duyệt hết n Ảnh Chúng ta tính hàm lượng giá của hoán vị đang xét:
nel J(A) = E(A) = 2 Flt):
f(A) chính là hàm phí tổn của cây, do vậy nếu ƒŸ4) càng nhỏ thì cây càng tối ưu
Biến hóa, tạo lập quần thể mới
Trên cơ sở hàm lượng giá ƒ{A), chúng ta sẽ chọn lọc ra những cá thể (cây
chứng thực) tốt nhất có f(A) nhé trong quần thể hiện tại, và ứng dụng các toán tử di truyền của EA để tạo ra quần thể mới
Ở đây, chúng tôi sử dụng các toán tử di truyền sau:
s_ Toán tử /ái /ao với xác suất p=1-ƒ{A)/Ss« Af(B)
e_ Toán tử Lzi với xác suất p„øs;
e_ Toán tử rasiocation với xác suat Diras
Sau khi tạo lập được quân thể mới, quay lại B2 để thực hiện Thuật giải kết thúc sau s/vỉ vòng lặp
Trang 8Cá thể có /{A) nhỏ nhất thu được trong quần thể cuối cùng sẽ được chọn làm cây chứng thực tối ưu
Sau khi đã tìm được cây chứng thực_n tối ưu, chúng tôi sử dụng cây chứng thực để chứng thực 7z z 7ƒ khơng? Từ đó kết luận: g là THẬT hay GIẢ?
4.1.3 Phân tích kết quả thử nghiệm Các tham số chọn lựa cho Thuật giải
Với bộ mẫu thử nghiệm gồm 20 ảnh chữ ký (w=20) Cùng các tham số:
Ma trận đăng ky kich thudc MxN = 100x100;
Mật độ nhiễu cho phép np%=20%;
Ung dung EA nêu trên với:
° Kích thước quần thể s/hv=100; ° Các toán tử di truyền
- Táitạo
- Lai v6i xác suất p„„=50%
- Translocation véi xdc suat prrans=35%
Chu trình xử lý tiến hoá ditng lai khi gid tri ham phi tén f(A) hdi tu (khong nhéd
hơn sau những bước lặp tiếp theo) khoảng 600 bước lặp Hình 4.1 chỉ ra những thay
đổi của giá trị hàm phí tổn f4) nhỏ nhất trong các lần tạo sinh ứng với các tham số đã trình bày ở trên Hình 4.2 chỉ ra những thay đổi của giá trị hàm phí tổn f(A) trung bình trong các lần tạo sinh Hình 4.3 chỉ ra những thay đổi của giá trị hàm phí tổn #A) nhỏ nhất và trung bình trong các lần tạo sinh Phụ lục H sẽ trình bày chỉ tiết các
số liệu có liên quan đến kết quả của bài toán
Trang 9(Git ej bam pbs tin LA) 2s00|= 4400) 1200| 3000| SO ida mo sin W080 120 T80 200 240 250 320 260 400 240 180 520 580 S00 80 Hình 4.1 Giá trị hàm phí tổn ƒ{A) nhỏ nhất ứng với các lần tạo sinh
Gis rj bam pit sda FA)
2600 2400 2200 2000} 1800| 4800| 1400 4200 1000) 400 Sd ida to sinb W080 T20 Ted 200 240 250 220 580 200 240 380 520 580 SUU 840 2
Hình 4.2 Giá trị hàm phí tổn ƒ{A) trung bình ứng với các lần tạo sinh
Trang 10Gig tr bam ph wa FLA) 2600;-
2400| 2200[—
c “Giá trị bèmm phí tổi trung bình
pcos ‘phi ta PUA) tung
Gis tr bam pt od PY) abd abst 1800Ƒ— 1eoo— 1400 1200| 1000 800 569 soo= co sit oO gs 566 NS đáo 40o[ˆ 46 200 |— AL DL St 26 720-460" 200 240 280 220 380 400 240 Â80 520 Z8 S00 Gad ae eh
Hình 4.3 Giá trị hàm phí tổn ƒ[A) nhỏ nhất và trung bình sau số lần tạo sinh
Như vậy, chúng tơi sẽ tìm được một cây chứng thực_n tối ưu
Sau khi đã xây dựng được cây chứng thực_n tối ưu, chúng tôi sử dụng cây chứng thực để chứng thực g =ƒ không?
Kết quả thử nghiêm
Ứng dụng cây chứng thực_n tối wu được xây dựng tìm được thử nghiệm với 500
mẫu ảnh chữ ký bắt chước Hệ thống xây dựng từ Thuật giải trên cho phép phân
biệt chuẩn xác 100% các ảnh chữ ký là THẬT hay GIẢ với thời gian rất ngắn
4.1.4 Độ phức tạp của Thuật giải tiến hoá trong tìm cây chứng thực tối ưu Ước lượng hàm hôi qui bằng phương pháp bình phương tối thiểu 3,TLTK],[2.CTNC]
Áp dụng phương pháp trung bình bình phương bé nhất [3,TLTK]để xấp xỉ hàm hổi qui với mục tiêu tìm ra hàm quan hệ giữa giá trị phí tổn trung bình của quần thể với lần tạo sinh tương ứng
Trang 11Từ đồ thị các số liệu thực nghiệm trong hình 4.3 (có bảng số liệu thực nghiệm kèm theo ở phụ lục H), nhận định được dạng hàm biểu diễn mối quan hệ giữa giá trị phí tổn trung bình của quần thể và lần tạo sinh tương ứng[3,TLTK]:
eee
Tư” Ti (4.1)
Ƒ là giá trị ham phí tổn trung bình của quần thể tại lần tạo sinh thứ G
a, blà các tham số của hàm
Trong trường hợp này, hàm #„ là hàm hồi qui phi tuyến Các bước xác định
tham số của hàm như sau:
Đặt X= mi ea và Y=Fụ, biểu thức (4.1) trở thành:
Y=a+ bxX (4.2)
Khi đó, tổng trung bình bình phương như sau[3,TLTK]:
$=
1
we
ze ~a-bxX,Ÿ
Muốn có ø và b để Š là bé nhất, áp dụng phương pháp tìm cực trị của hàm hai biến ø và b, tức là a và b phải thoả mãn hệ phương trình:
5S =0, —=0 8S 8a 8b hay na+b xXx, =LY, 2 (4.3) a>X, +bEX; =X,
Với số liệu đồ thị thực nghiệm(hình 4.3), áp dụng hệ phương trình (4.3) được:
60z+11.45801xb=39816 (4.4)
11.45801xa+2.321798x b =8350.699 :
Trang 12Giải hệ phương trình (4.4), thu được hai giá tri a, b nhu sau:
az5400
bx-375
Như vậy, từ thực nghiệm, qua phương pháp xấp xỉ bình phương bé nhất, ta có mối quan hệ giữa giá trị hàm phí tổn trung bình #„ của quần thể và lần tạo sinh thứ
G tương đương với hàm:
5400
ib TnG) (4.5)
Sau nhiều lần thực nghiệm, biểu thức (4.5) được tổng quát hoá như sau:
P P_ xP
F = Trans _~ cross“ Trans (4.6)
® |p xInG) - (-np)
hay
Mxp x (1-np)
Pp [F x(l-np)+p xp x|
Gee 9L tb cross” Trang (4.7)
trong đó,
3M là kích thước của quần thể (chính là số lượng hoán vị (s/hv) trong mục 4.1.3) Xác suất lai p„„;„, xác suất chuyển dịch pr„„; và mật độ nhiễu cho phép np
(tinh theo %)
Xác định đô phức tạp của Thuật giải tiến hoá cho tìm cây chứng thực mẫu
Cho trước ngưỡng giá trị hàm phí tổn trung bình 7ø Điều kiện dừng của Thuật giải là: Fạ„ <7g (tạm đặt tên là sccss) Độ phức tạp của Thuật giải có thể được
tính qua số biểu thức cá thể được xử lý cho đến khi succss thoả Để đơn giản cho tính tốn, ta giả thiết rằng các phép toán di truyền và thủ tục tính hàm phí tổn cho
các cá thể trong quần thể là như nhau
Trang 13Rõ ràng từ công thức (4.7), nhận thấy: các giá trị tiên nghiệm như xác suất lai
ghép, xác suất chuyển dịch, mật độ nhiễu, kích thước quần thể và đặc biệt là ngưỡng giá trị hàm phí tổn 7g đều ảnh hưởng đến tốc độ hội tụ của Thuật giải tiến hoá Nên số cá thể cần thiết phải xử lý (M) để thu được lời giải là:
Mxp x(—np)
Tgx(l-np)+p xp xm |
Pal
N=MxG=Mxe °* Trans (4.8)
4.1.5 Kết luận và đề xuất ứng dụng thực tế
Tóm lại, chúng tơi đã trình bày một tiếp cận mới của Thuật giải di truyén:
Thuật giải tiến hố(PhụLục A) để tìm cây nhận dạng_n tối ưu Phương pháp này dựa
trên cơ sở tiếp cận di truyền để tìm kiếm cây nhận dạng_n thích nghỉ nhất trong
khơng gian rất lớn các cây nhận dạng _nm (các hàm rời rạc)
Với phương pháp này, cho phép tìm được cây nhận dạng_n tối ưu mà khơng cần vét cạn tồn bộ không gian các cây nhận dạng_n Do đó, phương pháp này giúp giảm bớt thời gian, cũng như độ phức tạp tính tốn so với những phương pháp vét
cạn truyền thống khác
Mơ hình thuật giải của phương pháp đã được ứng dụng cho bài toán chứng
thực ảnh chữ ký (THẬT hay GIẢ ) với tiêu chí lượng giá : “Phát hiện GIÁ nhanh
nhất”
Bài toán này gắn liền với ứng dụng thực tế sau: sở đụng thé tin dụng với ảnh chữ ký để rút tiền ngân hàng Đầu tiên, khách hàng phải đăng ký ảnh chữ ký của mình với ngân hàng Bên ngân hàng sẽ sao chép ảnh chữ ký thành hai phiên bản Một phiên bản được cất giữ trong cơ sở dữ liệu của ngân hàng, phiên bản còn lại sẽ được in vào thẻ tín dụng của khách hàng Khi truy cập tài khoản, hệ thống phần
Trang 14mềm của ngân hàng sẽ so khớp ảnh chữ ky trên thé tin dụng của khách hàng với ảnh chữ ký lưu trong cơ sở dữ liệu, rồi mới cho thực hiện truy cập Trong trường hợp mất thể tín dụng, khách hàng phải làm các thủ tục đăng ký lại ảnh chữ ký, ngân hàng sẽ cấp thé tin dụng mới với phiên bản của ảnh chữ ký vừa đăng ký tới khách
hàng
Một ứng dụng thực tế khác của chứng thực Ảnh là: Xác thực hợp đồng kinh tế Các đơn vị kinh doanh đều phải đăng ký ảnh con dấu riêng của mình với phịng
cơng chứng Trong quá trình giao dịch kinh doanh, hai đơn vị kinh doanh A và B
thoả thuận với nhau sẽ đi đến thống nhất các điều khoản và lập thành hợp đồng kinh tế Lúc này, các đơn vị sẽ để xuất để lấy con dấu đã đăng ký xác nhận giá trị của hợp đồng, dưới sự chứng kiến của công chứng viên Nếu có tranh chấp, kiện cáo giữa hai bên, trong trường hợp xuất hiện các hợp đồng giả thì cơng chứng viên sẽ kiểm chứng lại hợp đồng bằng cách chứng nhận các ảnh con dấu đã ký nhận trong hợp đồng so với Ảnh đã đăng ký của mỗi bên cũng như của người làm chứng
Lúc này, phương pháp chứng thực Ảnh đã trình bày ở trên được ứng dụng Các kết
quả thử nghiệm cho thấy tính khả thi của phương pháp trong các ứng dụng thực tế
4.2 Nhận dạng chữ viết tay [12,CTNC]
4.2.1 Hệ Thống Nhận Dạng Từ Tiếng Anh Viết Tay
1 Đối tương của hệ thống
Hệ thống cần phải nhận biết một chuỗi ký tự biểu diễn từ tiếng Anh tương ứng được nhập bởi người sử dụng Trong luận án, việc nghiên cứu sẽ giới hạn việc nhập chuỗi ký tự viết tay ở mức: rời rạc (giữa mỗi tập các nét viết được phân biệt bởi khoảng trống xung quanh sẽ thuộc về một ký tự)
Trang 15Vi du:
G ĐÌN ơn,
Nhìn chung, cơng việc này sẽ đơn giản ở giai đoạn tách ký tự Tuy nhiên, nhận dạng những ký tự cô lập cũng gặp nhiều khó khăn Đặc biệt, mỗi người viết khác
nhau sẽ viết theo cách riêng của mình Thậm chí, một người có thể có nhiều cách
viết khác nhau đối với cùng một ký tự Các mơ hình kết hợp những kỹ thuật tính
tốn mềm: GA, FL và NN trình bầy trong các mục dưới sẽ khắc phục các nhược điểm này
2 Phân đoạn dữ liêu và lọc nhiễu[12 CTNC] [15 TUTK
Mỗi người dùng sẽ viết một từ tiếng Anh tương ứng bằng BÚT ĐIỆN TỬ ở mức rời rạc Vấn để đặt ra là: cần phân đoạn dữ liệu đối với từng ký tự trong cùng
một từ Qui định mỗi ký tự sẽ có tối đa 4 nét và dưới đây là Thuật giải nhằm phân đoạn dữ liệu theo không gian Thuật giải qui định các nét thuộc về cùng một ký tự khi bao đóng (hình chữ nhật tạo bởi tọa độ cực trái trên; cực phải dưới của một nét)
của chúng thỏa một trong hai điều kiện sau:
- _ Bao đóng của chúng chồng/ cắt lên nhau
- Khoảng cách từ cạnh phẩi của bao đóng bên trái đến cạnh trái của bao đóng bên phải <ồ (50< ồ < 100)
Trang 16Thuét gidi:[12,CTNC]
'While (Vùng đệm chứa tập các nét con chưa hết) {Lấy ra bốn nét;
Xác định bao đóng của mỗi nét trên;
T (Nét 1 và nét 2 thỏa một trong hai điểu kiện)
{ Xây dựng bao đóng mới và hợp hai bao đóng 1 và 2;
'While (Chưa duyệt hết bốn nét)
If(Bao dong nét kế tiếp và Bao đóng hợp thỏa điều kiện)
{Xây dựng bao đóng mới;
Chấp nhận nét kế tiếp thuộc về cùng một ký tự}
Else break;
}
else {// Nét 1 và nét 2 không thỏa điểu kiện
Tf (Bao đóng nét 3 và Bao đóng nét 1 thỏa điều kiện ) && (Bao đóng nét 3 và Bao đóng nét 2 thỏa điều kiện))
Xây dựng Bao đóng mới;
T (Bao đóng nét 4 và Bao đóng hợp thỏa điều kiện)
{ Xây dựng Bao đóng mới; Cả bốn nét thuộc về một ký tự;}
else
{Chấp nhận bao đóng hiện hành; Ba nét đầu thuộc về một ký tự;} } else Ký tự chỉ có một nét;
}
Như vậy, để phân đoạn đạt kết quả tốt, người dùng cần thiết viết các ký tự tách rời nhau và các nét trong cùng một ký tự cắt nhau hoặc gần sát nhau (<8) Sau
khi phân tách được từng ký tự cô lập, bước tiếp theo sẽ là làm nhắn nét viết và lọc
nhiễu Các ký tự cô lập được phân tách qua giai đoạn này sẽ là đầu vào cho bước:
Trích chọn đặc trưng
Trang 173 Trích chọn đặc trung[6,CTNC], [7,CTNC], [10,CTNC], [11,CTNC], [12,CTNC Các ký tự tiếng Anh cô lập viết tay được hình thành từ việc vẽ những đường kẻ căn bản thông qua giai đoạn trích chọn đặc trưng (xem chỉ tiết trong mục 2.2.3)
sẽ thu được ba véc tơ đặc trưng: véc fơ 4 đặc trưng địa phương 4x4, véc tơ một đặc trưng toàn cục: ảnh chuẩn 8x8, và véc tơ các đặc trưng có cấu trúc được trích chọn
từ đường biên của từng ký tự tiếng Anh viết tay
4 Nhân dạng ký tư
Bảng 4.1 so sánh tỷ lệ nhận dạng (%) giữa các phương pháp nhận dạng ký tự
được để xuất trong luận án và một số phương pháp truyền thống và mới nhất Các phương pháp này được thực hệin trên 26 chữ cái thường Số ký tự thử nghiệm là: 7800 chữ Trong đó, 5460 chữ dùng cho huấn luyện và 2340 chữ được kiểm tra (xem chỉ tiết trong chương 2 (mục 2.2.3, 2.3.5))
Víd: ab<de€ahijklmnerpar5S2uWx*xyz
Các mơ hình nhân dạng đề xuất trong Luân án
Với mạng Nơron truyền thẳng ba tầng(NN) (phụ lục D) và mạng Nơron mờ bốn
tang(FNN) (muc 2.2.2) thì NN1, FNN1 ding cho véc to 4 ddc trung dia phuong 4x4; NN2, FNN2 dùng cho véc tơ một đặc trưng toàn cục: ảnh chuẩn 8x8; NN3, FNN3 dùng cho véc ứơ các đặc trưng có cấu trác được trích chọn từ đường biên và NN„,
ENN,¡ dùng cho cả ba bộ véc tơ đặc trưng Luận án cũng đề xuất hai sơ đổ kết hợp
mạng: GA kết hợp ba mạng Nơron (GA_NN) (chương 2- mục 2.3); GA kết hợp ba
mạng Nơron mờ (GA_FNN) (chương 3- mục 3.1.6)
Trang 18Bảng 4.1 So sánh kết quả của tỷ lệ nhận dạng(%) giữa phương pháp để xuất; phương pháp truyền thống và một số phương pháp mới (với 2340 chữ kiểm tra)
Mơ hình đề xuất Số chữ đúng [ Số chữ sai | Tỷ lệ đúng Tỷ lệ lỗi Phương pháp đơn lẻ NN1 2054 286 87.78% 12.22% NN2 2068 272 88.38% 11.62% NN3 2041 299 87.22% 12.78% FNN1 2076 264 88.71% 9.32% FNN2 2122 218 90.68% 9.32% FNN3 2051 289 87.65% 12.35% NNat 2070 270 88.46% 11.54% FNNan 2125 215 90.81% 9.19% Phương pháp kết hợp GA kết hợp 3 NN 2183 157 93.29% 6.71% GA kết hợp 3 FNN 2258 82 96.50% 3.50% Mơ hình truyền thống Phương pháp đơn lẻ Krzyzak et al [22,TLTK] 1969 371 84.15% 15.85% Martin et al[25,TLTK] 2013 327 86.03% 13.97% Phương pháp kết hợp Trung bình[34,TLTK] 2148 192 91.79% §.21% ĐếmBorda[17,TLTK] 2131 209 91.07% 8.93% Mơ hình mới Park et al[31,TLTK] 2181 159 93.21% 6.79% Cai et al[15,TLTK] 2166 174 92.57% 7.43% Arica et al[10,TLTK] 2184 156 93.33% 6.67% Các mơ hình nhận dạng truyền thống
- _ Mạng Nơron truyền thẳng của Krzyzak et al [22,TLTK] - _ Mạng lan truyền ngược của Martin et al[25,TLTK]
Trang 19
Với hai sơ đổ kết hợp mạng:
- _ Phương pháp trung bình [34,TLTK]
-_ Phương pháp tuyển chọn: đếm Borda[17,TLTK]
Các mơ hình nhân dạng mới nhất
- Hee-Seon Park et al[31,TLTK](mé hinh 2-D HMM: m6 hinh Markov 4n) - Jinhai Cai et al[{15,TLTK](dua vao Logic md)
- Nafiz Arica et al[10, TLTK](mé hinh Markov 4n )
Từ những kết quả so sánh trong bảng 4.1, nhận thấy phương pháp sử dụng GA để kết hợp 3 #A là hiệu quả hơn cả Trên thực tế phương pháp này đã tận dụng được những lợi thế về tỷ lệ nhận dạng đạt được từ các phương pháp thông thường Có thể kết luận: việc ứng dụng phương pháp dùng GA để kết hợp cdc FNN vao bai
toán nhận dạng là khả thi và thu được tỷ lệ nhận dạng khá cao Phụ lục I sẽ trình
bày chỉ tiết các số liệu thử nghiệm của hệ thống
5 Hợp nhất các ký tự đã nhân dang để tạo thành từ tiếng Anh tương ứng
Các từ viết tay được viết bằng BÚT ĐIỆN TỬ trên bang điện tử sẽ trải qua giai đoạn tiền xử lý: phân đoạn dữ liệu để tách thành các ký tự cô lập Các ký tự này sẽ được nhận dạng bằng phương pháp dùng GA kết hợp các #WX (chương 3-
mục 3.1.6) Sau khi nhận dạng xong các ký tự cơ lập, thì những ký tự đã được nhận
dạng này sẽ được ghép lại tạo thành từ tiếng Anh tương ứng ban đầu
Trang 204.2.2 Ung dụng Hệ thống cho việc thiết kế Từ Điển Anh-Việt Viết Tay Đặt bài tốn
Đã có nhiều phần mềm tra cứu :ừ điển Anh- Việt dùng cho máy tính để bàn, máy tính xách tay, hay máy tính bỏ túi (kim từ điển)vv với những ưu thế riêng ln có chỗ đứng vững chắc trên thị trường Tuy nhiên, các phần mềm này để sử
dụng được đều phải dùng các thiết bị nhập dữ liệu quen thuộc: bàn phím, con chuột Bên cạnh các thiết bị quen thuộc này, chúng ta còn biết đến cái tên BÚT ĐIỆN TỬ xuất hiện nhiều trong loạt máy xách tay hay máy bỏ túi hiện nay Ngồi tính năng của chuột, BÚT ĐIỆN TỬ còn là một thiết bị nhập dữ liệu tốt, nếu đi kèm theo nó là một phần mềm nhận dạng chữ viết tay đủ mạnh
Trong không gian nhỏ hẹp, năng lượng có hạn, trọng lượng máy tính bị hạn
chế (máy tính xách tay, máy tính bỏ túi) và nhu cầu soạn thảo không quá nhiều: những từ tiếng Anh cần tra nghĩa, thì nếu hệ thống nhận dạng chữ viết tay tốt, một cây- BÚT nhỏ gọn sẽ tiện lợi hơn nhiều so với một bàn phím vừa quá chiếm chỗ mà
mật độ phím lại quá dày Hơn nữa, với số lượng người dùng không chuyên đông
đảo như hiện nay thì đứng trước một bàn phím với 101 phím lần đầu gặp và một cây BÚT với hệ phần mềm nhận dạng đủ tin cậy vốn đã quen dùng từ bao năm hẳn sẽ khơng ít người chọn thiết bị nhập bằng BÚT hoặc chấp nhận đồng thời cả hai
Nghiên cứu này sẽ trình bày việc ứng dụng mơ hình kết hợp các kỹ thuật tính
tốn mềm (GA, FL, NN) để xây dựng một phân mềm /ừ điển Anh- Việt viết tay Định nghĩa 4.2 (Tờ điển Anh - Việt viết tay)
Từ điển Anh - Việt viết tay là một phần mềm máy tính tra từ điển Anh- Việt được thiết kế: cho phép người dùng viết bằng BÚT ĐIỆN TỬ từ tiếng
Trang 21Anh cần tra trên một giao diện định trước, nghĩa tiếng Việt tương ứng sẽ hiển
thị trên màn hình máy vi tính
2 ot
Để giải quyết bài tốn, có thể chia ra thành hai giai đoạn:
Giai đoạn 1: Nhận dạng từ tiếng Anh viết tay (Xem mục 4.2.1)
Giai đoạn 2: Tra cứu nghĩa tiếng Việt của từ tiếng Anh đã được nhận dạng
Giai đoạn 2 đã được thực hiện bởi nhiều chương trình tra cứu từ điển trên máy tính ngồi thị trường
Hệ thống nhận dạng từ tiếng Anh viết tay được trình bày trong mục 4.2.1 đã
được ghép nối với một chương trình tra cứu ứ điển Anh- Việt thông dụng trên thị
trường để tạo thành một phân mềm tra cứu ¿ừ điển Anh- Việt viết tay rất hữu ích Với phần mềm này, người dùng chỉ cần viết bằng BÚT ĐIỆN TỬ ở mức rời rạc (xem mục 1 của 4.2.1 ) từ tiếng Anh cần tra tương ứng Các ký tự nhận dạng được
của từ đã viết sẽ là đầu vào cho chương trình tra cứu ứ điển Anh- Việt thông dụng
trên thị trường Kế tiếp, với những thao tác đơn giản, nghĩa tiếng Việt tương ứng của từ tiếng Anh cần tra sẽ được hiển thị trên màn hình máy vi tính Qua các thử nghiệm ban đầu thì phần mềm tra cứu tỏ ra rất hữu dụng khi người dùng viết các ký tự trong một từ tương đối tách rời nhau
4.2.3 Kết Luận
Mục 4.2 đã trình bày các phương pháp ứng dụng mơ hình kết hợp những kỹ
thuật tính tốn mềm dẻo: GA, ƑL, NN cho việc giải quyết bài toán nhận dạng từ tiếng Anh viết tay, từ đó chọn ra mơ hình thích hợp nhất cho ứng dụng: GA kết hợp các FNN Hệ thống nhận dạng từ tiếng Anh này cũng được ghép với chương trình tra
cứu từ điển hiện hành trên thị trường để hình thành nên một phần mềm tra cứu từ
điển Anh- Việt viết tay rất hữu ích Đóng góp chính của mục này là: chỉ ra tiểm
Trang 22năng của công nghệ tính tốn lai ứng dụng trong bai toán phân loại mẫu Hơn nữa, nó cũng mở ra một hướng mới trong việc thiết kế các phần mềm tra cứu ừ điển
Anh- Việt cho máy tính đặc biệt đối với máy tính bỏ túi với mục tiêu mang đến
nhiều tiện lợi, mềm dẻo hơn cho các khách hàng khi muốn tra cứu từ điển
43 Phân loại mẫu vân tay bị mất mát thông tin [3,CTNC], [5,CTNC], [9,CTNC]
4.3.1 Đặt bài toán
Trong công tác điều tra tội phạm, cán bộ điều tra thường thu thập được nhiều
dấu vân tay để lại tại hiện trường gây án Tuy nhiên, những dấu vân tay này thường
bị mất mát thông tin, không rõ ràng, mất nét vv Vấn để đặt ra là: Bằng cách nào
phân loại được các mẫu vân tay đã thu nhận để giới hạn các đối tượng bị tình nghỉ?
Hỗ trợ cho vấn đề này, từ xưa đến nay, đã xuất hiện nhiều phần mềm tin học ứng dụng cho phân loại các mẫu vân tay Tuy nhiên, các phần mềm này không để cập đến trường hợp mẫu vân tay thu nhận bị mất mát thông tin, mất nét Do vậy, chúng chỉ ứng dụng hữu ích đối với trường hợp ảnh vân tay thu nhận từ hiện trường
là đầy đủ
Trong phạm vi luận án, chúng tôi để xuất một phương pháp mới cho việc phân loại các mẫu vân tay bị mất mát thơng tin: Tiếp cận tính tốn thơng mình trong phân loại mẫu vân tay mất mát thông tin
Thực ra, đây là bài toán xây dựng các mơ hình kết hợp: ghép cặp những kỹ
thuật tính toán mềm: GA, FL và NN Tiến tới, chọn lựa mơ hình kế: hợp tối ưu nhất,
ứng dụng cho bài toán phân loại mẫu vân tay bị mất mát thông tin (tỷ lệ mất mát thông tin lên tới 30%)
Trang 23Bài toán được viết lại như sau:
Cho trước một không gian ảnh vân tay O, trong đó, các ảnh vân tay sẽ được
phân chia thành 4 lớp: Q,-Vòng trái, O;-Vòng phải, O;-Vòng tròn, Q„- Vòng cung Cần xác định một ảnh vân tay mất mát thông tin bất kỳ thuộc lớp nào trong 4
lớp trên?
Quá trình giải quyết bài toán là quá trình hai giai đoạn: Giai đoạn 1: Biểu diễn lại hình dạng ảnh vân tay
š (1) Nhận vào không gian ảnh vân tay (O = LJO,)
mí
(2) Biến đổi, biểu diễn lại các ảnh vân tay nhận vào về dạng véc tơ = © là
không gian tập hợp các véc tơ
(3) Nhận ảnh vân tay mất mát thông tin XX (4) Biến đổi và lưu trữ XX về dạng véc tơ X„„;
Giai đoạn 2: Phân loại mẫu vân tay mất mát thông tin
Giai đoạn này là một trường hợp cụ thể của bài toán phân loại mẫu mất mát thông tin tổng quát đã trình bày ở chương 3, với ø=4 (@ =| J@,)
at
(5) Phục hồi véc tơ mất mát thông tin X„„„ về trạng thái ban đầu X„„„„ „¿; trên cơ sở tập hợp các véc tơ biến đổi từ khơng gian ©
(6) Phan loai Xpiuc_adi VE Q,, = I,4 tương ứng
Trang 244.3.2 Phương pháp biểu diễn hình dạng của vân tay
1 Một số khái niệm cơ bản [3,CTNC], [5,CTNC], [9,CTNC], [15,CTNC] Định nghĩa 4.3 (ma trận định hướng)
—_ Cho trước một ảnh vân tay con Œ Hướng của các đoạn gợn L trong Œ được đặt bằng 0 (, 1 (2), 2 (-) hoặc 3 (I) và hướng của G, D(G) là hướng của đoạn
gợn có tần suất xuất hiện nhiều nhất
— Ảnh vân tay được chia thành 6x5 ảnh con G;(¡=0 5, j=0 4), và được biểu diễn bằng ma trận định hướng As„s sao cho:
Ali/]=D(G,)
Định nghĩa 4.4 (véc tơ đặc trưng)
Vác tơ đặc trưng của một ảnh vân tay cho trước là véc tơ Ƒ:
F= (fy fas)
Sao cho:
Ff =Ali div 5, i mod 5); i=0, , 29
2 Cách biểu diễn ảnh vân tay
Đầu tiên, áp dụng thuật giải tìm biên dựa trên độ hỗn loạn [3,CTNC], [5,CTNC], tiếp theo, ảnh vân tay được nhị phân nhờ thuật giải phân ngưỡng cục bộ Cuối cùng, trích rút đặc trưng để tạo ra ma trận định hướng trực tiếp từ ảnh đã nhị
phân
Tao ma trận định hướng [3.CTNC] [5.CTNC
Ảnh sau khi đã tìm biên và nhị phân, được chia thành 6x5 ving con Hướng chính của gợn vân tay trên mỗi vùng con được trích chọn và nạp vào ma trận định
hướng kích thước 6x5 Tất cả hướng của các gợn phân định theo 4 hướng và biểu
Trang 25diễn bởi các biểu tượng “\”, “-”, “/”, “|” Mỗi ma trận định hướng sẽ mơ tả hình
dạng của vân tay gốc
Trích chọn ma trận định hướng:
Bước l:
—_ Tìm hai đường biên dọc đi qua mép trái và mép phải của vân tay bằng thuật giải tìm biên dựa trên độ hỗn loạn
— Nhị phân hóa bằng thuật giải phân ngưỡng cục bộ
Bước 2:
Chèn 5 đường kẻ dọc với khoảng cách bằng nhau giữa hai đường biên trên Bước 3:
Với mỗi đường kẻ dọc, tìm ra tất cả các “đoạn gợn” trên nó Với mỗi “đoạn gợn”, xác định hướng của nó, rồi phân định về các hướng nêu trên Để xác định hướng của mỗi “đoạn gợn” phải căn cứ vào góc nghiêng giữa “đoạn gợn” và đường kể dọc (Chú ý: Với các góc ngiêng giữa “đoạn gợn” và đường kẻ dọc từ 1-> 15°
cho ta hướng “|”)
Bước 4:
Chia các “đoạn gợn” trên mỗi đường thành 5 phần, mỗi phần có cùng số lượng “đoạn gợn”, rồi chia phần thứ 6 thành hai phần con
Trong mỗi phần xác định số lần xuất hiện của mỗi hướng và chọn hướng có số lần xuất hiện nhiều nhất, đồng thời giữ lại số lượng “đoạn gợn” của mỗi phần
Sau khi hướng chính của mỗi phần được trích chọn, thiết lập ma trận định hướng 6x5 biểu diễn các hướng chính này
Trang 26Ma trận định hướng 6x5 nêu trên được mã hóa thành ma trận 6x5 với các phần tử là những giá trị số (0 ứng với “\”,1 ứng với “/”,2 ứng với ”-”, 3 ứng với “!”) (áp dụng định nghĩa 4.3) Z‡ Œ¿‡ 8 SỊ & a ae SẼ sg Z2 c3 =m a St = = | | cñ—-=t = a & GF =z a) b) 11000 12200 11000 10000 c) 30111 02111
d) Ma tran sau khi mã hóa
Hinh 4.4 Minh hoa cdc buéc tao ma trận định hướng (đối với van tay dang tron) Cách biểu diễn và phân biệt hình dạng từng vân tay
Từ ma trận định hướng được trích chọn theo phương pháp trên, chúng tôi sẽ chuyển về véc to ddc trưng biểu diễn ảnh vân tay theo định nghĩa 4.4
Như vậy, mỗi ảnh vân tay sẽ gồm 30 tham số tương ứng với các phần tử của ma trận định hướng Giá trị của mỗi phần tử nằm trong khoảng {0, 3} Vì thế, chúng tơi đã dùng một miễn 2 bit để biểu diễn từng phần tử
Vậy miền các ảnh vân tay có thể khởi tạo gồm 2”°=25° ảnh vân tay cá thể
Véc tơ đặc trưng tương đương với ma trận định hướng trong ví dụ trên:
11000122001100010000301110211]
Trang 27Vác tơ nhị phân tương ứng là:
010100000001101000000101000000010000000011000101010010010101
4.3.3 Phân loại mẫu vân tay bị mất mát thông tin
Tới đây, mỗi ảnh vân tay được biểu diễn dưới dạng véc 0ø đặc trưng hay véc to
nhị phân tương ứng Lúc này, áp dụng mmơ hình kết hợp các kỹ thuật tính tốn mễm: ứng dụng cho phân loại mẫu đã trình bày chỉ tiết trong chương 3, chúng tôi sẽ phân
loại được véc :ơ nhị phân biểu diễn mẫu mất mát thông tin về một trong 4 lớp ©,,¡ =1,4 tương ứng
Các tham số dành riêng cho bài toán:
Bước 1: Phục hồi ảnh vân tay mất mát thông tin A Thuật giải di truyền
-_ Chiểu dài Véc tơ đặc trưng biểu diễn ảnh vân tay L=30
Chiều dài Véc tơ nhị phân biểu diễn ảnh vân tay Lup=30x2=60 Số lượng các Véc tơ đồng dạng với mẫu đại diện M= 15
4 Số không gian con (n=4) (Q=(JQ,)
m
- _ Chọn 50 ảnh vân tay đại diện cho 1 lớp - Pcross = 0.5, Pmutation = 0.05
-_ Ngưỡng trị số thích nghỉ e= 0.1
B Mang hoc cạnh tranh không giám sát Kohonen
— Bộ Véc tơ luật chuẩn huấn luyện cho mạng Kohonen (gồm 27 véc tơ luật) :
Trang 28b= (Uh Wh obi) 22127
ới LL i
ve i ,= 0 i
“”
— Hằng số học không thay đổi qua mỗi bước: Ø® = 0.5; V& eN
Trang 291 a<20 Đu¿ (a)= a 3 ý 20 <a <50
0 50<a 0 a<20 > -= 20 <a<50 Emua )“4T, ng —a+—— 50 <a <110 60 60 0 110 <a 0 a<50 1 50
Hig (a) = a 50 <a<110
1 110 <a — Vòng lap (g) 1 <15 Hye (g) = 415 Sát 0 l5<g = THỊ 8 si -1 Hemera (8)=}F>s+2 15<g<30 0 30<g 0 g<15 Mun (@)= foes -1 15 <g 530 1 30<g D.Mé hinh bé nhé két hợp (AM)
Trang 30Bước 2 : phân loại mẫu Huấn luyện
Thuật giải lan truyền ngược cho NN
- DK két thúc: Bình phương trung bình lỗi < 0.9 hoặc số vòng lap = 1000 Hệ số học r¡ = 0.1
Thuật giải học tự tổ chức cho FNN TƑ = 0.3,œ = 2.0; = 0.3 Phân loại
Dàng hai mơ hình để phân loại vân tay mất mát thông tin:
- Mơ hình (a): Dùng mạng Nơron truyền thẳng (NN) để phân
loại véc tơ phục hồi về không gian ©,;¡ = 1,4
- M6 hinh (b): Ding mang Noron mờ truyền thẳng (FNN) để
phân loại véc tơ phục hồi về khơng gian ©,;¡ = I,4
4.3.4 Phân tích kết quả thử nghiệm
Hệ thống được xây dựng và thử nghiệm với bộ dữ liệu huấn luyện = 50x16x4
= 3200 mẫu vân tay Kiểm tra thử 50 ảnh vân tay mất mát thông tỉn (tỷ lệ mất mát thông tin từ 10 cho đến 30%)
Bảng 4.2 So sánh kết quả của tỷ lệ nhận dạng(%) giữa NN và FNN (với 50 ảnh vân tay mất mát thông tin (tỷ lệ mất mát thông tin từ 10 cho đến 30%))
Phương pháp | Số mẫu đúng Số mẫu sai Tỷ lệ đúng Tỷ lệ lỗi
NN 46 4 92% §%
FNN 48 2 96% 4%
Như vậy, nhận thấy: nên lựa chọn FNN để giải quyết bài toán này Phu luc J mô phỏng chỉ tiết các bước của hệ thống
Trang 314.3.5 Kết luận
Mục 4.3 chứng minh tính khả thi của kỹ thuật tính toán lai: ứng dụng hệ /hống
kết hợp GA, NN, FL cho bài toán phân loại mẫu vân tay bị mất mát thông tin
4.4 Kết luận chương 4
Chương 4 chỉ ra được tiểm năng của cơng nghệ tính tốn lai trong các ứng
dụng thực tế: chứng thực Ảnh, xây dựng từ điển Anh- Việt viết tay và phân loại mẫu vân tay bị mất mát thông tin trong công tác hỗ trợ điều tra tội phạm Các kết quả đạt được chứng minh tính khả thi của mơ hình kết hợp ba kỹ thuật: GA, NN và FL khi áp dụng một số vấn để ngoài thực tế Từ những kết quả ban đầu đạt được
này, hy vọng rằng trong tương lai có thể áp dụng rộng rãi công nghệ tính tốn lai mà nền tẳng là tính tốn thơng minh trong nhiều lĩnh vực khoa học kỹ thuật ngoài
thực tế