Tinh giản các luật trong hệ suy diễn với hệ thống có thông tin mờ

ĐẠI HỌC QUỐC GIA TP. HCM TR Ư Ờ NG ĐẠI HỌC KHOA HỌC T NHIÊN HUNH MINH TR TINH GIN CC LUT TRONG H SUY DIN VỚI H THỐNG C THÔNG TIN MỜ Chuyên ngành: KHOA HỌC MÁY TÍNH Mã số chuyên ngành: 62.48.01.01 Phản biện 1: PGS.TSKH. Bùi Công Cường Phản biện 2: PGS.TS. Vũ Thanh Nguyên Phản biện 3: PGS.TS. Lê Hoàng Thái Phản biện độc lập 1: GS.TS. Phan Thị Tươi Phản biện độc lập 2: PGS.TS. Trần Đình Khang Phản biện độc lập 3: PGS.TS. Đàm Gia Mạnh NGƯỜI HƯỚNG DẪN KHOA HỌC: 1. PGS.TSKH. NGUYN XUÂN HUY 2. PGS. TS. LÊ HOI BC TP.HỒ CH MINH – 2014 3 MỤC LỤC MỤC LỤC 3 DANH MỤC CC HÌNH 8 DANH MỤC CC TỪ VIẾT TẮT 9 CAM ĐOAN 10 LỜI CM ƠN 11 M ĐU 12 Chương 1 TNG QUAN V CC KIẾN THC CƠ S 16 1.1 Gii thiệu 16 1.2 Các kin thc cơ bản v hệ suy diễn mờ 17 1.2.1. Hệ suy diễn mờ 18 1.2.2. Logic mờ và hệ thống mờ 18 1.2.3. Phân loại các hệ suy diễn mờ 20 1.2.3.1. Các hệ thống luật mờ dạng Mamdani 20 1.2.3.2. Các hệ thống luật mờ dạng Takagi-Sugeno-Kang 23 1.2.3.3. Các thành phần của hệ thống luật dạng Mamdani 24 1.3 Sơ lược v thuật giải di truyn (Genetic Algorithms, GAs) 28 1.4 Hệ thống dựa trên luật mờ di truyn 30 1.4.1. Tinh chỉnh bằng GAs 33 1.4.2. Tinh chỉnh hàm tỷ lệ 33 1.4.3. Tinh chỉnh hàm thuộc 34 1.4.4. Học Cơ sở luật bằng GAs 35 1.4.5. Học Cơ sở Tri thc bằng GAs 37 1.4.6. Tóm tắt các phương pháp tip cận cổ điển cho GRBFS 38 1.5 Động cơ nghiên cu 39 1.6 Mục tiêu và phạm vi nghiên cu 42 1.7 Cấu trúc của luận án 46 Chương 2 PHƯƠNG PHP XÂY DNG H SUY DIN MỜ TINH GIN, HIU QU 48 2.1 Gii thiệu 48 2.2 Phương pháp TMH: khởi tạo hệ suy diễn mờ ban đầu từ dữ liệu số 52 2.2.1. Khởi tạo DB ban đầu 52 2.2.2. Khởi tạo RB ban đầu: 62 4 2.2.3. Mờ hóa và Giải mờ: 63 2.3 Tinh giản, tinh chỉnh Cơ sở Tri thc (KB) ban đầu: 64 2.3.1. Hàm mục tiêu: 65 2.3.2. Mã hóa KB: 66 2.3.3. Quần thể ban đầu: 68 2.3.4. Toán tử lai ghép: 68 2.3.5. Toán tử đột bin: 69 2.4 Phương pháp tìm số nhãn ngôn ngữ tối ưu cho các bin đầu vào, đầu ra 72 2.4.1. Quần thể ban đầu: 73 2.4.2. Toán tử lai ghép: 73 2.4.3. Toán tử đột bin: 74 2.4.4. Hàm mục tiêu: 74 2.4.5. Phương pháp tìm số nhãn tối ưu 1: 74 2.4.6. Phương pháp tìm số nhãn tối ưu 2: 75 2.5 Thực nghiệm và đánh giá: 76 2.5.1. Mô hình 1: 77 2.5.2. Mô hình 2: 79 2.5.3. Mô hình 3: 79 2.5.4. Mô hình 4: 80 2.5.5. Mô hình 5: 81 2.5.6. Mô hình 6: 82 2.5.7. Thực nghiệm 1: Bài toán đánh giá hương vị gạo 84 2.5.8. Thực nghiệm 2: Bài toán nhà máy hóa chất 88 2.5.9. Thực nghiệm 3: Bài toán chuỗi thời gian hỗn loạn 94 2.6 Tổng kt ý nghĩa sáu mô hình đ xuất của luận án 98 2.7 Sự khác biệt và mối quan hệ giữa hai quá trình tinh giản và tinh chỉnh hệ suy diễn trong sáu mô hình của luận án 100 2.7.1. Quá trình tinh giản hệ suy diễn 100 2.7.2. Quá trình tinh chỉnh hệ suy diễn 101 2.7.3. Mối quan hệ giữa tinh giản và tinh chỉnh hệ suy diễn 101 2.8 Kt luận chương 2: 102 Chương 3 PHƯƠNG PHP XÂY DNG TP DỮ LIU HUẤN LUYN RÚT GỌN 104 3.1 Gii thiệu: 104 3.2 Phương pháp sử dụng phân hoạch rõ để chọn tập RTR 106 5 3.2.1. Phân hoạch rõ của tập dữ liệu huấn luyện TR 106 3.2.2. Phương pháp dùng phân hoạch rõ để chọn RTR 107 3.3 Phương pháp sử dụng phân hoạch mờ để chọn tập RTR 109 3.3.1. Phân hoạch mờ của tập dữ liệu huấn luyện TR 109 3.3.2. Phương pháp dùng phân hoạch mờ để chọn RTR 111 3.4 Thực nghiệm và đánh giá 112 3.4.1. Thực nghiệm 1: Bài toán ưc lượng chi phí bảo trì lưi điện 115 3.4.2. Thực nghiệm 2: Bài toán ưc lượng chiu dài của đường dây điện trong lưi điện hạ th ở các thành phố và nông thôn 120 3.5 Cơ sở v lý luận và ý nghĩa thực nghiệm của hai phương pháp chọn tập RTR bằng phân hoạch rõ và mờ 127 3.5.1. Cơ sở lý luận 127 3.5.2. Ý nghĩa thực nghiệm 128 3.6 Kt luận chương 3 130 Chương 4 KẾT LUN 132 4.1 Tổng kt các hưng tip cận của đ tài 132 4.1.1. Hưng tip cận th nhất: 132 4.1.2. Hưng tip cận th hai: 134 4.2 Các kt quả đạt được 134 4.2.1. Đóng góp th nhất: 135 4.2.2. Đóng góp th hai: 135 4.2.3. Đóng góp th ba: 135 4.2.4. Đóng góp th tư: 136 4.2.5. Đóng góp th năm: 137 4.3 Hưng phát triển của luận án 137 CC CÔNG TRÌNH KHOA HỌC CỦA TC GI LIÊN QUAN ĐẾN LUN N 138 TI LIU THAM KHO TIẾNG ANH 139 TIẾNG VIT 152 6 DANH MỤC CC BNG, BIỂU ĐỒ Bảng 2.1. Các gia tử ngôn ngữ và các hàm tương ng 67 Bảng 2.2. Các kt quả của các tác giả khác 85 Bảng 2.3. Các kt quả của sáu mô hình đ xuất vi hàm thuộc là hàm tam giác 85 Bảng 2.4. Các kt quả của sáu mô hình đ xuất vi hàm thuộc dạng hình chuông 86 Bảng 2.5. Các kt quả của sáu mô hình đ xuất vi hàm thuộc hình thang 86 Biểu đồ 2.1. So sánh các kt quả của các tác giả khác vi các kt quả của sáu mô hình đ xuất vi hàm thuộc là hàm tam giác 87 Biểu đồ 2.2. So sánh các kt quả của các tác giả khác vi các kt quả của sáu mô hình đ xuất vi hàm thuộc dạng hình chuông 87 Biểu đồ 2.3. So sánh các kt quả của các tác giả khác vi các kt quả của sáu mô hình đ xuất vi hàm thuộc hình thang 88 Bảng 2.6. Các kt quả thực nghiệm bài toán lò đốt bằng gas của mô hình 2 đ xuất và các phương pháp khác (Bài toán Box và Jenkins) 91 Biểu đồ 2.4. Biểu đồ so sánh các giá trị PI* của bài toán lò đốt bằng gas của mô hình 2 đ xuất vi các phương pháp khác (Bài toán Box và Jenkins) 91 Bảng 2.7. Các kt quả thực nghiệm bài toán lò đốt bằng gas của sáu mô hình đ xuất và của các phương pháp khác (Bài toán Box và Jenkins) 93 Bảng 2.8. Các kt quả bài toán chuỗi thời gian hỗn loạn của mô hình 2 đ xuất và của các phương pháp khác (Bài toán Mackey và Glass) 95 Biểu đồ 2.5. Biểu đồ so sánh các giá trị NDEI* của bài toán lò đốt bằng gas của mô hình 2 đ xuất và các phương pháp khác (Bài toán Box và Jenkins) 96 Bảng 2.9. Các kt quả bài toán chuỗi thời gian hỗn loạn của sáu mô hình đ xuất và của các phương pháp khác (Bài toán Mackey và Glass) 97 Bảng 3.1. Các kt quả của bài toán ưc lượng chi phí bảo trì mạng lưi điện của các tác giả khác so vi mô hình 2 của luận án 116 Biểu đồ 3.1. Biểu đồ so sánh các giá trị MSEtra, MSEtst của bài toán ưc lượng chi phí bảo trì mạng lưi điện của các tác giả khác và mô hình 2 của luận án vi tập huấn luyện RTR được tạo bởi phân hoạch rõ có p=0.3 117 Biểu đồ 3.2. Biểu đồ so sánh số luật (#R) của bài toán ưc lượng chi phí bảo trì mạng lưi điện của các tác giả khác và mô hình 2 của luận án 117 Bảng 3.2. Các kt quả của bài toán ưc lượng chi phí bảo trì mạng lưi điện của các tác giả khác [123], [93], [86] 118 Bảng 3.3. Các kt quả của bài toán ưc lượng chi phí bảo trì mạng lưi điện của 118 sáu mô hình đ xuất vi tập huấn luyện RTR được tạo bởi phân hoạch rõ có p=0.3 118 Bảng 3.4. Các kt quả của bài toán ưc lượng chi phí bảo trì mạng lưi điện của sáu mô hình đ xuất vi tập huấn luyện RTR được tạo bởi phân hoạch mờ có q=0.3 119 Biểu đồ 3.3. Biểu đồ so sánh số luật (#R) của bài toán ưc lượng chi phí bảo trì mạng lưi điện của các tác giả khác và các mô hình của luận án 119 7 Biểu đồ 3.4. Biểu đồ so sánh các giá trị MSEtra, MSEtst của bài toán ưc lượng chi phí bảo trì mạng lưi điện của các tác giả khác và các mô hình của luận án vi tập huấn luyện RTR được tạo bởi phân hoạch rõ có p=0.3 và phân hoạch mờ có q=0.3 120 Bảng 3.5. Các kt quả của bài toán ưc lượng chiu dài của đường dây điện trong lưi điện hạ th ở các thành phố và thị trấn của các tác giả khác và mô hình 2 của luận án vi tập huấn luyện RTR được tạo bởi phân hoạch rõ có p=0.3. 122 Biểu đồ 3.5. Biểu đồ so sánh các giá trị trung bình của MSEtra và MSEtst của bài toán ưc lượng chiu dài của đường dây điện trong lưi điện hạ th ở các thành phố và thị trấn nông thôn của các tác giả khác vi mô hình 2 của luận án vi tập huấn luyện RTR được tạo bởi phân hoạch rõ có p=0.3. 123 Biểu đồ 3.5. Biểu đồ so sánh các kt quả #R (số luật) của bài toán ưc lượng chiu dài của đường dây điện trong lưi điện hạ th ở các thành phố và thị trấn nông thôn của các tác giả khác vi mô hình 2 của luận án vi tập huấn luyện RTR được tạo bởi phân hoạch rõ có p=0.3. 124 Bảng 3.6. Các kt quả của bài toán ưc lượng chiu dài của đường dây điện trong lưi điện hạ th ở các thành phố và thị trấn của các tác giả khác 124 Bảng 3.7. Các kt quả của bài toán ưc lượng chiu dài của đường dây điện trong lưi điện hạ th ở các thành phố và nông thôn của các tác giả khác 125 Bảng 3.8. Các kt quả của bài toán ưc lượng chiu dài của đường dây điện trong lưi điện hạ th ở các thành phố và nông thôn của các tác giả khác 125 Bảng 3.9. Các kt quả của bài toán ưc lượng chiu dài của đường dây điện trong lưi điện hạ th ở các thành phố và nông thôn của sáu mô hình đ xuất vi tập huấn luyện RTR được tạo bởi phân hoạch rõ có p=0.3. 126 Biểu đồ 3.6. Biểu đồ so sánh các kt quả số luật #R và số nhãn #Label của bài toán ưc lượng chiu dài của đường dây điện trong lưi điện hạ th ở các thành phố và thị trấn nông thôn của các tác giả khác vi sáu mô hình của luận án vi tập huấn luyện RTR được tạo bởi phân hoạch rõ có p=0.3 126 Biểu đồ 3.7. Biểu đồ so sánh các kt quả số luật #R và số nhãn #Label của bài toán ưc lượng chiu dài của đường dây điện trong lưi điện hạ th ở các thành phố và thị trấn nông thôn của các tác giả khác vi sáu mô hình của luận án vi tập huấn luyện RTR được tạo bởi phân hoạch rõ có p=0.3 127 8 DANH MỤC CC HÌNH Hình 1.1. Cấu trúc cơ bản của FRBSs dạng Mamdani 20 Hình 1.2. Cấu trúc cơ bản của FRBSs dạng TSK 24 Hình 1.3 Minh họa một thuật giải GA căn bản 29 Hình 1.4. Học theo phương pháp tip cận Pittsburgh. 32 Hình 1.5. Sơ đồ quy trình tinh chỉnh DB 32 Hình 1.6. Học theo phương pháp tip cận Michigan. 33 Hình 1.7. Sơ đồ quy trình học RB. 36 Hình 1.8. Biểu diễn một luật vi mã có chiu dài cố định hoặc thay đổi. 36 Hình 1.9. Quy trình học RB, sau đó học DB. 36 Hình 1.10. Sơ đồ quy trình học KB. 37 Hình 1.11. Các giai đoạn thit k các hệ thống mờ. 40 Hình 1.12. Minh họa phạm vi nghiên cu của đ tài. 44 Hình 2.1. Đồ thị minh họa của một hàm thuộc Gauss vi  l   r 54 Hình 2.2. Đồ thị minh họa của ba hàm thuộc khi dùng hàm Gauss 55 Hình 2.3. Đồ thị minh họa của một hàm thuộc tam giác vi  l   r 56 Hình 2.4. Đồ thị minh họa của ba hàm thuộc khi dùng hàm tam giác. 57 Hình 2.5. Đồ thị minh họa của một hàm thuộc hình thang vi  l   r 57 Hình 2.6. Đồ thị minh họa của ba hàm thuộc khi dùng hàm hình thang 59 Hình 2.7. Đồ thị minh họa của một hàm thuộc dạng hình chuông tổng quát vi  l   r 60 Hình 2.8. Đồ thị minh họa của ba hàm thuộc khi dùng hàm dạng hình chuông vi b=1 61 Hình 2.9. Sơ đồ minh họa việc khởi tạo DB ban đầu. 61 Hình 2.10. Sơ đồ minh họa việc khởi tạo RB ban đầu. 63 Hình 2.11. Các thành phần của một nhiễm sắc thể 68 Hình 2.12. Toán tử lai ghép 69 Hình 2.13. Hình minh họa đồ thị các hàm thuộc có min xác định rời nhau hay giao nhau 70 Hình 2.14. Hình minh họa đồ thị min bin thiên của các đỉnh của các hàm thuộc 71 Hình 2.15. Biểu diễn mã hóa của phần T 73 Hình 2.16. Đường lin nét biểu diễn dữ liệu đầu ra là số thực và đường chấm-chấm biểu diễn dữ liệu dự đoán bởi mô hình 3 92 Hình 2.17. Kt quả học và dự đoán vi P=6. (a) Đường lin nét biểu diễn dữ liệu đầu ra mong muốn và đường chấm-chấm biểu diễn dữ liệu học và dự đoán bởi mô hình 3. (b) Đồ thị biểu diễn sai số học và dự đoán. 97 Hình 3.1. Minh họa phương pháp chọn tập huấn luyện đại diện RTR từ tập huấn luyện ban đầu TR. 107 Hình 3.2. Minh họa việc chọn tập RTR i từ tập L i . 109 Hình 4.1. Hình minh họa hưng tip cận th 1 của đ tài 133 Hình 4.2. Hình minh họa quá trình tinh giản/tinh chỉnh FRBS của hưng tip cận th 1 133 Hình 4.3. Hình minh họa hưng tip cận th 2 của đ tài 134 9 DANH MỤC CC TỪ VIẾT TẮT STT Từ viết tắt Diễn giải tiếng Anh Diễn giải tiếng Việt 1 ANNs Artificial Neural Networks Mạng nơron nhân tạo 2 CRI Compositional Rule of Inference Quy tắc suy diễn CRI 3 DB Data Base Cơ sở Dữ Liệu 4 DNF Disjunctive Normal Form Dạng nối rời chính tắc 5 FL Fuzzy Logic logic mờ 6 FRBS Fuzzy Rule Based System Hệ thống dựa trên luật mờ 7 FSs Fuzzy Systems Hệ thống mờ 8 Gas Genetic Algorithms Thuật giải di truyn 9 GFRBSs Genetic Fuzzy Rule-Based Systems Hệ thống dựa trên luật mờ di truyn 10 GFS Genetic Fuzzy System Hệ thống mờ di truyn 11 IRL Iterative Rule Learning Phương pháp IRL, PP Học Luật tương tác 12 KB Knowlelege Base Cơ sở Tri thc 13 MISO FRBS Multi-Input, Single Output Fuzzy Rule Based System Hệ dựa trên luật mờ nhiu vào, một đầu ra 14 MSE Mean Squared Error Hàm trung bình sai số bình phương 15 NDEI Non-dimensional Error Index Chỉ số sai số không phụ thuộc chiu 16 PI Performance Index Chỉ số thực thi 17 RB Rule Base Cơ sở Luật 18 RTR The Representative Training Data Set Tập dữ liệu huấn luyện đại diện 19 SUS Baker‘s stochastic universal sampling Phương pháp chọn lọc mẫu ngẫu nhiên cua Baker 20 TMH TMH method Phương pháp khởi tạo FRBS do tác giả đ xuất 21 TSK Takagi-Sugeno-Kang Các tác giả Takagi- Sugeno-Kang 22 CV T (R p ,e r ) The Covering Value of the rule R p over e p with T being a t-norm Hàm xác định giá trị phủ của luật R p dựa trên e r 23 RVF(R p ) The Rule Valuation Function of R p Hàm giá trị của luật R p 12 M ĐU Từ khi Mamdani đưa ra khái niệm v hệ thống mờ vào năm 1974, việc nghiên cu áp dụng lý thuyt điu khiển mờ được xem là lãnh vực sôi động nhất trong logic mờ vào các năm vừa qua. Kể từ thập kỷ 80, logic mờ đã góp phần quan trọng trong việc tìm ra các giải pháp đơn giản và thực t cho các ng dụng ht sc đa dạng và phong phú trong các ngành khoa học và k thuật [146]-[150]. Do tầm quan trọng của logic mờ trong điu khiển hệ thống, kiểm soát chuyn bay, kiểm soát tốc độ của vệ tinh, và các vấn đ tương tự nên nó đã trở một phần quan trọng không thể thiu được trong các quá trình sản xuất công nghiệp. Vào thập niên 1970-80, hệ thống mờ thường được thit k bởi các chuyên gia. Các hệ thống này chủ yu là các hệ thống dựa trên luật mờ, còn gọi là các hệ suy diễn mờ (Fuzzy Rule-Based Systems, FRBSs), là việc mô phỏng các quy tắc v hành vi ng xử của con người dưi dạng các luật mờ. Các hệ thống này thường là các hệ thống dựa trên luật mờ, sử dụng các bin ngôn ngữ. Chúng đã tạo nên sự bùng nổ các ng dụng trong công nghệ như máy điu hòa mờ, máy làm sạch không khí mờ, máy ảnh mờ, máy giặt mờ, nồi cơm điện mờ v.v Các hệ thống mờ này thường nhỏ và sử dụng luật mờ dạng ngôn ngữ tự nhiên nên có tính diễn giải được cao, nghĩa là dễ hiểu, có thể giải thích dễ dàng cho người sử dụng nhưng lại có độ chính xác không cao. Tính diễn giải được cao của hệ thống mờ phụ thuộc một số yu tố như cấu trúc của mô hình của hệ thống, số luật là nhỏ, số điu kiện trong phần tin đ luật là ít, số nhãn ngôn ngữ cho mỗi bin là tối ưu, dạng của hàm thuộc v.v [1, 2]. Ngoài ra, không phải lúc nào cũng tìm được chuyên gia để thit k FRBSs cho một ng dụng cụ thể nào đó và cũng cần nhiu thời gian để chuyên gia có thể thit k thủ công các hệ thống này. Do đó nảy sinh yêu cầu thit k FRBSs một cách tự động từ dữ liệu số của một ng dụng cụ thể [130, 131]. Vào đầu những năm 1990, các hệ thống mờ phc tạp có độ chính xác cao đã được thit k bằng các giải thuật mạng nơron nhân tạo và di truyn [132]-[136], [148]-[150]. Những hệ thống này lại có tính diễn giải được thấp, nghĩa là hệ thống tương đối phc tạp vi Cơ sở luật ln mặc dù có tính chính xác cao. 13 Vào giữa những năm 1990, các nhà nghiên cu đã đ cập việc tìm kim một ranh gii tối ưu giữa tính diễn giải và tính chính xác cho một hệ thống. Hai tính chất này thường tỷ lệ nghịch vi nhau trong cùng một hệ thống mờ. Ý tưởng chính là kt hợp giá trị sai số (biểu thị cho tính chính xác) và số luật trong Cơ sở luật (biểu thị cho tính diễn giải được, cũng liên quan đn độ phc tạp) của hệ thống vào cùng một hàm vô hưng như sau: f (S) = w 1 ⋅ f Error (S) + w 2 ⋅ f Complexity (S) trong đó w 1 , w 2 là các giá trị trọng số, f Error (S) và f Complexity (S) lần lượt biểu thị giá trị sai số và độ phc tạp của hệ thống. Vấn đ là tìm một hệ thống các luật mờ S 0 sao cho f (S o ) = min f (S). Tuy nhiên việc tìm S o phụ thuộc vào việc chọn các trọng số w 1 , w 2 . Nu chọn w 1 ln thi có xu hưng chọn được các S o có độ chính xác cao (sai số thấp) nhưng có độ phc tạp cao (tính diễn giải được thấp). Nu chọn w 2 ln thi có xu hưng chọn được các S o có độ phc tạp thấp (tính diễn giải được cao) nhưng có độ chính xác thấp (sai số cao) [137]-[140]. Đó chính là các khó khăn khi tìm kim một hệ thống vừa có tính diễn giải cao, vừa có độ chính xác cao khi dùng một hàm duy nhất f như trên. Do đó, vào cuối những năm 1990 cho đn hiện nay, các nhà nghiên cu đã đ cập đn việc thit k các hệ thống mờ đa mục tiêu. Các hệ thống này phải thỏa mãn hai mục tiêu chính là tính diễn giải cao và độ chính xác cao [141]-[145]. Cách tip cận là đa mục tiêu, tc là Cực tiểu {f Error (S), f Complexity (S)} Thông thường, các hệ thống mờ gồm nhiu bin s được xem là các hệ thống phc tạp. Đối vi các hệ thống như th, kích thưc của cơ sở luật s bùng nổ theo cấp số nhân. Ví dụ: một hệ thống điu khiển gồm m thuộc tính và n bin đầu vào, số luật đầy đủ của hệ thống s là m n luật. Do đó nảy sinh yêu cầu là phải tối ưu cơ sở luật, nghĩa là tối ưu số luật (giảm số luật), tối ưu số điu kiện (giảm số điu kiện) trong phần tin đ của luật mà hệ thống vẫn còn hiệu quả cao trong ng dụng. Điu này cũng có nghĩa là hệ thống phải thỏa mãn hai mục tiêu là có tính diễn giải được cao đồng thời vẫn có tính chính xác cao [1]-[6], [i]-[ii]. Có nhiu phương pháp giải quyt vấn đ này như phương pháp phân cấp, phương pháp nhập bin, phương pháp kt hợp [...]... mờ vào các hệ thống dựa trên các luật truyền thống đã dẫn đến các hệ thống dựa trên luật mờ (FRBSs) Những hệ thống này xem xét các luật dạng “IF-THEN” với phần tiền đề và phần kết luật là các phát biểu mờ, đã cho thấy có hai ưu thế so hệ thống dựa trên các luật cổ điển như:  Các tập mờ biểu diễn Cơ sở Tri thức, liên quan đến việc xử lý các thông tin không chắc chắn  Các phương pháp suy diễn. .. là hệ thống dựa trên luật mờ (Fuzzy Rule Based Systems, FRBSs) Các hệ thống này là sự mở rộng của các hệ thống dựa trên luật cổ điển, do chúng sử dụng các luật mờ thay vì các luật logic cổ điển Nhờ các hệ thống mờ này mà người ta đã giải quyết một cách thành công một lớp lớn các bài toán liên quan đến các hệ thống có thông tin không chắc chắn và không chính xác [41]-[44], [146]-[150] Các hệ thống. .. khởi tạo hệ suy diễn mờ ban đầu, cũng như tạo thuận lợi việc tinh giản, tinh chỉnh hệ thống đó sau này Trong luận án, việc tinh giản hệ thống được hiểu như là tối ưu Cơ sở luật, bao gồm việc rút gọn số luật và số điều kiện trong phần tiền đề của luật một cách tối ưu bằng giải thuật di truyền (Genetic Algorithms, GAs) Việc tinh chỉnh hệ thống được hiểu như là hiệu chỉnh các tham số của các hàm thuộc... đến loại luật được xem xét trong KB và do đó liên quan đến cấu trúc của các luật Trong trường hợp này, các luật không sử dụng biến ngôn ngữ mà sử dụng trực tiếp các biến mờ Do đó, cấu trúc của các luật mờ trong các hệ thống xấp xỉ như sau: IF X1 is A1 and and Xn is An THEN Y is B, trong đó Ai và B là các tập mờ mà không cần diễn giải ra các nhãn ngôn ngữ 23 Vì vậy, trong các hệ thống này, trong. .. xuất học KB bao gồm các FRBSs theo mô hình Mamdani-xấp xỉ với phân hoạch phân tán [15, 97, 98, 102], các FRBSs theo mô hình Mamdani dùng ngôn ngữ (các hàm tỷ lệ và các luật [100] hoặc các hàm thuộc và các luật [101], và hệ thống mờ dạng TSK [16, 87, 103] Cách mã hóa KB trong các hệ thống có các biến ngôn ngữ liên quan đến việc mã hóa các luật và các hàm tỷ lệ /các hàm thuộc thành các bộ phận độc lập... tắt các khái niệm đã giới thiệu, một FRBS dạng Mamdani gồm các thành phần sau: Cơ sở Tri thức: chứa các luật ngôn ngữ hướng dẫn các hoạt động của hệ thống Bộ Mờ hóa: chịu trách nhiệm biến đổi dữ liệu đầu vào rõ thành các giá trị có thể được xử lý trong quá trình lập luận mờ, nghĩa là tập mờ nào đó Bộ Suy diễn: sử dụng các giá trị trên và các thông tin chứa trong KB để thực hiện quá trình suy diễn. .. PHÂN LỚP MỜ Cơ chế tạo luật HỆ THỐNG DỰA TRÊN LUẬT MỜ Hệ thống phân phối độ tin cậy Luật Base Bộ suy diễn Engine Đầu vào Các sự kiện Đầu ra Interface Tri thức Interface Môi Trường Hành động Thưởng phạt Hình 1.6 Học theo phương pháp tiếp cận Michigan 1.4.1 Tinh chỉnh bằng GAs Tinh chỉnh các hàm tỷ lệ và hàm thuộc mờ là một nhiệm vụ quan trọng trong thiết kế FRBSs Hàm tỷ lệ và hàm thuộc được tinh chỉnh... đầu ra, và pi là các tham số thực Các Ai có thể là các nhãn ngôn ngữ với ngữ nghĩa được xác định bởi các tập mờ, hoặc chính là các tập mờ Các luật loại này thường được gọi là luật mờ TSK, đặt theo tên các tác giả đã đề xuất Trong một hệ thống FRBS dạng TSK có KB gồm m luật thì đầu ra của hệ thống được tính bằng cách sử dụng trung bình trọng số của các đầu ra của mỗi luật thứ i là Yi, i = 1, , m, như... trong quần thể Theo hướng tiếp cận này, có ba phương pháp đã được đề xuất :  Phương pháp Michigan: trong đó mỗi cá thể được mã hóa thành một luật duy nhất Các hệ thống thuộc loại này thường được gọi là các hệ thống học phân lớp Các hệ thống này là các hệ thống dựa trên luật, có sử dụng học tăng cường và sử dụng GAs để học các luật chi phối các hoạt động trong một môi trường nhất định [12]  Phương... lớn Quần thể các cơ sở luật Hệ thống phát sinh các RB HỆ THỐNG DỰA TRÊN LUẬT MỜ Cơ sở luật Cơ sở luật Cơ sở luật RB cần đánh giá Cơ sở Luật Bộ suy diễn Đánh giá RB Sự kiện Tri thức Đầu ra Môi trường Đầu vào Hành động Phản hồi Hệ thống đánh giá Hình 1.4 Học theo phương pháp tiếp cận Pittsburgh Quy trình tinh chỉnh RB (đã xác định trước) Mô-đun đánh giá (DB) DB Hình 1.5 Sơ đồ quy trình tinh chỉnh DB . thiệu 16 1.2 Các kin thc cơ bản v hệ suy diễn mờ 17 1.2.1. Hệ suy diễn mờ 18 1.2.2. Logic mờ và hệ thống mờ 18 1.2.3. Phân loại các hệ suy diễn mờ 20 1.2.3.1. Các hệ thống luật mờ dạng Mamdani. mối quan hệ giữa hai quá trình tinh giản và tinh chỉnh hệ suy diễn trong sáu mô hình của luận án 100 2.7.1. Quá trình tinh giản hệ suy diễn 100 2.7.2. Quá trình tinh chỉnh hệ suy diễn 101. việc khởi tạo hệ suy diễn mờ ban đầu, cũng như tạo thuận lợi việc tinh giản, tinh chỉnh hệ thống đó sau này. Trong luận án, việc tinh giản hệ thống được hiểu như là tối ưu Cơ sở luật, bao gồm