Biểu diễn và xử lý các truy vấn trong cơ sở dữ liệu quan hệ mờ

3 MỤC LỤC MỤC LỤC MỞ ĐẦU CHƢƠNG KHÁI QUÁT VỀ THÔNG TIN KHÔNG CHÍNH XÁC VÀ KHÔNG CHẮC CHẮN TRONG CÁC HỆ CSDL 1.1 KHÁI NIỆM VỀ CÁC THÔNG TIN KHÔNG HOÀN HẢO 1.1.1 THÔNG TIN SAI LỆCH 1.1.2 THÔNG TIN KHÔNG CHÍNH XÁC 1.1.3 THÔNG TIN KHÔNG CHẮC CHẮN 10 1.2 BIỂU DIỄN THÔNG TIN KHÔNG HOÀN HẢO 12 1.2.1 CÁC GIÁ TRỊ NULL VÀ CÁC GIÁ TRỊ TUYỂN 12 1.2.2 CÁC CƠ SỞ DỮ LIỆU XÁC SUẤT 13 1.2.3 CSDL MỜ VÀ CSDL KHẢ NĂNG 14 1.3 CÁC THAO TÁC XỬ LÝ THÔNG TIN KHÔNG HOÀN HẢO 18 1.3.1 CÁC PHÉP BIẾN ĐỔI (CÁC CÂU HỎI) 18 1.3.2 CÁC PHÉP SỬA ĐỔI (CẬP NHẬT VÀ CẤU TRÚC LẠI) 19 1.3.3 CÁC PHƢƠNG PHÁP XỬ LÝ THÔNG TIN KHÔNG HOÀN HẢO 21 CHƢƠNG CÁC MÔ HÌNH DỮ LIỆU MỜ VÀ TRUY VẤN MỜ 24 2.1 CÁC MÔ HÌNH DỮ LIỆU MỜ 24 2.1.1 CÁCH TIẾP CẬN DỰA TRÊN QUAN HỆ MỜ 24 2.1.2 TIẾP CẬN DỰA TRÊN SỰ TƢƠNG TỰ 25 2.1.3 TIẾP CẬN TRÊN CƠ SỞ TÍNH KHẢ NĂNG 26 2.1.4 TIẾP CẬN TRÊN CƠ SỞ KHẢ NĂNG MỞ RỘNG 26 2.1.5 CÁC TIẾP CẬN TỔ HỢP 27 2.2 CÁC TRUY VẤN MỜ 29 2.3 MÔ HÌNH CSDL MỜ DỰA TRÊN QUAN HỆ TƢƠNG TỰ 31 2.4 MÔ HÌNH CSDL MỜ DỰA TRÊN LÝ THUYẾT KHẢ NĂNG 36 CHƢƠNG CSDLQH MỜ MỞ RỘNG VÀ VIỆC TÍNH TOÁN CÂU TRẢ LỜI CHO CÁC TRUY VẤN 43 3.1 MỞ RỘNG MỜ CỦA CÁC CSDL QUAN HỆ 46 3.1.1 CÁC MÔ HÌNH CSDLQH MỜ KINH ĐIỂN 46 3.1.2 CÁC PHÉP CHỌN - CHIẾU - KẾT NỐI MỜ KINH ĐIỂN 48 3.2 CẤU TRÚC LOGIC CỦA MÔ HÌNH CSDLQH MỜ 48 3.2.1 LÝ THUYẾT QUAN HỆ MỜ MỞ RỘNG 49 3.2.2 CSDLQH MỜ MỞ RỘNG 50 3.2.3 QUAN HỆ GIỐNG NHAU MỜ 53 3.2.4 CÁC RÀNG BUỘC TOÀN VẸN TRÊN CSDLQH MỜ MỞ RỘNG 54 3.3 ĐÁNH GIÁ CHẤT LƢỢNG CÁC CÂU TRẢ LỜI 56 3.3.1 ĐÁNH GIÁ ĐỘ KHÔNG CHẮC CHẮN 57 3.3.2 ĐÁNH GIÁ ĐỘ KHÔNG CHÍNH XÁC 59 3.3.3 CHẤT LƢỢNG CUỐI CÙNG CỦA CÂU TRẢ LỜI 61 3.4 CÁC PHÉP CHỌN - CHIẾU - KẾT NỐI MỞ RỘNG 63 3.4.1 PHÉP CHỌN MỜ MỞ RỘNG 63 3.4.2 PHÉP CHIẾU MỜ MỞ RỘNG 66 3.4.3 PHÉP KẾT NỐI MỜ MỞ RỘNG 68 3.5 VẤN ĐỀ DƢ THỪA 72 KẾT LUẬN CHUNG 74 TÀI LIỆU THAM KHẢO 77 MỞ ĐẦU Các hệ sở liệu (CSDL) kinh điển, phổ biến hệ CSDL quan hệ, hầu nhƣ khả biểu diễn xử lý có hiệu thông tin không xác không chắn Chẳng hạn, với câu hỏi: "Hãy cho biết họ tên nhân viên trẻ tuổi có lƣơng cao ?" hệ quản trị sở liệu kinh điển dƣờng nhƣ cách câu trả lời thoả đáng Mặt khác, phải đối mặt với thực tế hiểu biết giới thực thƣờng không hoàn hảo việc trì tính toàn vẹn CSDL thách thức Trong tình đó, để trì tính toàn vẹn sở liệu, có hai giải pháp: + Hoặc ta giới hạn mô hình phần giới thực có đƣợc thông tin hoàn hảo (đầy đủ) Điều có nghĩa, mô hình liệu quan hệ chẳng hạn, ứng với nhân viên đủ thông tin (thí dụ tuổi mức lƣơng) hoàn toàn bị loại (không có mặt sở liệu) + Hoặc phát triển mô hình liệu cho phép biểu diễn, thao tác xử lý thông tin không hoàn hảo Giả sử thông tin có đƣợc tuổi nhân viên không xác, biết khoảng từ 30 tới 40 Nếu mô hình liệu có khả đặc tả thao tác khoảng loại thông tin không hoàn hảo đƣợc nắm bắt sở liệu mà trì tính toàn vẹn Vì giải pháp thứ hai cho phép mở rộng ứng dụng sở liệu nên phần lớn hệ sở liệu gắn kết với mô hình liệu có số đặc điểm nắm bắt thông tin không hoàn hảo, đặc điểm chung khả lƣu trữ giá trị “null” Cơ sở liệu quan hệ (CSDLQH) mờ mô hình liệu tốt cho việc biểu diễn, thao tác xử lý thông tin nhƣ Mặt khác, công nghệ CSDL biểu diễn, xử lý tối ƣu hoá truy vấn/câu hỏi thành phần then chốt Thành phần có trách nhiệm xử lý câu hỏi ngƣời dùng cho suất hiệu Nói cách khác, mục tiêu việc xử lý tối ƣu hoá câu truy vấn tìm liệu ngƣời dùng mong muốn từ sở liệu thƣờng lớn cách hiệu với độ xác chấp nhận đƣợc Trong hệ CSDLQH kinh điển, liệu câu truy vấn ngƣời sử dụng đƣợc giả sử xác Trong thực tế, điều giả sử không đúng, nghĩa có không xác liệu hay câu hỏi Hãy xét dân số thành phố Sẽ biết đƣợc số xác số dân cƣ ngụ thành phố thời điểm cho trƣớc Thậm chí số dân đƣợc xác định xác thời điểm thay đổi nguyên nhân nhƣ sinh đẻ hay di cƣ… Tƣơng tự nhƣ thế, trọng lƣợng ngƣời đại lƣợng thay đổi theo thời gian Do vậy, việc xuất liệu không xác CSDL điều tự nhiên Chúng ta biết ngƣời dùng thích đƣa truy vấn không xác truy vấn xác Thí dụ, họ muốn tìm tất ngƣời bạn trẻ mà không đƣa độ tuổi xác gọi trẻ Nhìn chung, ta gặp ba dạng không xác sau: i Truy vấn không xác nhƣng liệu CSDL xác ii Truy vấn xác nhƣng liệu không xác iii Cả truy vấn liệu không xác Tóm lại, việc biểu diễn xử lý thông tin không xác không chắn đề tài thời có ý nghĩa ứng dụng rõ rệt Có nhiều cách tiếp cận khác để giải vấn đề nêu Luận văn tập trung vào cách tiếp cận sử dụng lý thuyết tập mờ với nội dung nhằm giải vấn đề chủ yếu sau: - Biểu diễn xử lý thông tin không chắn không xác sở liệu quan hệ mờ - Mở rộng đại số quan hệ để xây dựng ngôn ngữ hỏi sở liệu quan hệ mờ, tính toán đánh giá chất lƣợng câu trả lời cho truy vấn Để thực mục tiêu trên, phần mở đầu, phần kết luận danh mục tài liệu tham khảo, luận văn đƣợc bố cục nhƣ sau: Chƣơng 1, trình bày khái quát thông tin không xác không chắn hệ CSDL Nội dung cụ thể chƣơng gồm khái niệm ngắn gọn thông tin không xác, không chắn; cách biểu diễn chúng sở liệu nhƣ thao tác xử lý (các phép biến đổi - câu hỏi phép sửa đổi - cập nhật cấu trúc lại) thông tin Chƣơng giới thiệu tổng quan mô hình liệu mờ nhằm biểu diễn liệu không xác, tập trung vào việc trình bày sâu, đầy đủ CSDL mờ dựa quan hệ tƣơng tự CSDL mờ dựa lý thuyết khả năng, đồng thời nghiên cứu vấn đề xử lý câu hỏi mờ tƣơng ứng Chƣơng đề xuất cách mở rộng kiến trúc logic sở liệu quan hệ mờ nhằm đáp ứng cách chặt chẽ việc biểu diễn, xử lý thông tin không chắn không xác, cụ thể biểu diễn xử lý thông tin tuyển mờ (fuzzy disjunctive information) Trên sở đó, ta dùng thêm hai độ đo, độ "thoả" (satisfactory degree) độ "phụ trợ" (extra degree), nhằm xác định chất lƣợng câu trả lời cho câu truy vấn Chọn - Chiếu - Kết nối (Select - Project - Join: SPJ) Các độ đo xác định thông tin thoả đáng đƣợc cung cấp thông tin chân lý (truth) đòi hỏi câu truy vấn nhiều cỡ Các câu trả lời mà bao gồm câu trả lời chắn (sure answers) câu trả lời có thể/khả (maybe answers) Quá trình đánh giá chất lƣợng câu trả lời truy vấn cho thấy cách mà đại số quan hệ đƣợc mở rộng, cụ thể đƣợc trình bày chƣơng cách mở rộng phép toán SPJ nhằm biểu diễn xử lý cách hiệu câu truy vấn CSDLQH mờ * * * Luận văn đƣợc hoàn thành dƣới hƣớng dẫn khoa học, tận tình nghiêm khắc thầy PGS TS Hồ Thuần Em xin đƣợc bày tỏ niềm kính trọng lòng biết ơn sâu sắc tới thầy, cô, gia đình bạn bè, đồng nghiệp, ngƣời có nhiều giúp đỡ, đóng góp quý báu cho việc hoàn thiện luận văn thời gian qua CHƢƠNG KHÁI QUÁT VỀ THÔNG TIN KHÔNG CHÍNH XÁC VÀ KHÔNG CHẮC CHẮN TRONG CÁC HỆ CSDL 1.1 Khái niệm thông tin không hoàn hảo Có thể liệt kê nhiều loại thông tin không hoàn hảo, bao gồm thông tin mơ hồ nhập nhằng Đối với hệ sở liệu, ta quan tâm tới ba loại thông tin không hoàn hảo sau: [1] 1.1.1 Thông tin sai lệch Thông tin sai lệch (Erroneous information) loại thông tin không hoàn hảo đơn giản Thông tin sở liệu sai lệch khác với "thông tin thực"(1) (the true information) Ta theo cách tiếp cận cho sai số lớn hay nhỏ làm phƣơng hại tính toàn vẹn sở liệu không dung thứ đƣợc Một loại thông tin sai lệch quan trọng không quán Đôi khi, khía cạnh giới thực đƣợc biểu diễn nhiều lần, sở liệu hay nhiều sở liệu khác Khi biểu diễn đối lập liệt hoà hợp đƣợc, thông tin không quán Trong việc tích hợp thông tin từ nhiều sở liệu khác nhau, vấn đề không quán thông tin phải đƣợc quan tâm thích đáng 1.1.2 Thông tin không xác Thông tin sở liệu không xác ký hiệu tập giá trị có thể, giá trị thực phần tử tập (1) Còn gọi thông tin 10 Nhƣ vậy, thông tin không xác không thông tin sai lệch không làm phƣơng hại tới tính toàn vẹn sở liệu Sau số loại thông tin không xác đặc trƣng: - Thông tin tuyển, chẳng hạn, tuổi Giang 35 36 - Thông tin âm, chẳng hạn, tuổi Giang không 30 - Thông tin khoảng/miền, chẳng hạn tuổi Giang nằm 35 40, tuổi Giang lớn 35 - Thông tin với cận sai số, chẳng hạn tuổi Giang 30+1 Hai loại thông tin không xác cực biên thông tin xác (ứng với trƣờng hợp tập giá trị tập phần tử) giá trị null (đƣợc hiểu theo nghĩa thông tin không xác, tập giá trị bao gồm toàn miền giá trị hợp lệ) 1.1.3 Thông tin không chắn Đôi khi, tri thức giới thực (chính xác hay không xác) đƣợc phát biểu với niềm tin tuyệt đối, đòi hỏi ta phải xác định niềm tin thông tin đƣợc phát biểu Thông tin với độ chắn định không thông tin sai lệch không làm phƣơng hại tới tính quán sở liệu Trong phát biểu "tuổi Giang 35 36" thể tính không xác, phát biểu "tuổi Giang có khả 35" lại thể tính không chắn Đôi khi, giá trị xác kéo theo chắn, nhƣng chừng giá trị đƣợc thay giá trị dần xác độ chắn tăng dần cuối đạt cực đại với giá trị có độ "chính xác cực tiểu" (một giá trị null chẳng hạn) 11 Để nghiên cứu tác động thông tin không hoàn hảo lên hệ sở liệu, ta sử dụng mô hình đơn giản sau cho hệ sở liệu Một hệ sở liệu bao gồm thành phần khai báo, đƣợc gọi mô tả D, để mô tả giới thực, thành phần tác nghiệp để thao tác mô tả Các thao tác điển hình gồm: - Các phép sửa đổi mô tả: phép sửa đổi m thay mô tả hành mô tả (nhằm tinh chế mô hình hay theo sát thay đổi xảy giới thực) - Các phép biến đổi mô tả: phép biến đổi t tính mô tả theo mô tả D không làm thay đổi Nói riêng, hệ sở liệu quan hệ, mô tả tập quan hệ (tức CSDL); phép sửa đổi làm ảnh hƣởng tới định nghĩa nội dung quan hệ (có nghĩa cấu trúc lại hay cập nhật), phép biến đổi đƣa tập quan hệ bảng (có nghĩa việc định giá câu hỏi) Mục tiêu hệ sở liệu cung cấp cho ngƣời dùng thông tin mà họ cần, kết qủa t(D), biến đổi mô tả D với phép biến đổi t Nhƣ vậy, chất lƣợng kết t(D) ngƣời thiết kế ngƣời sử dụng sở liệu mối quan tâm lớn nhất, chất lƣợng D Tuy nhiên, kết qủa t(D) không hoàn hảo D không hoàn hảo, t không hoàn hảo, việc xử lý t D không hoàn hảo Tới lƣợt nó, không hoàn hảo D không hoàn hảo mô tả ban đầu, sửa đổi sau Sau ta bàn luận không hoàn hảo sở liệu theo ba phạm trù: mô tả, thao tác (các phép sửa đổi biến đổi) xử lý 12 1.2 Biểu diễn thông tin không hoàn hảo Việc mô tả biểu diễn thông tin không hoàn hảo phạm trù đƣợc quan tâm nhiều Sau ta điểm qua tiếp cận tới vấn đề 1.2.1 Các giá trị null giá trị tuyển Trong hầu hết mô hình liệu, đối tƣợng tƣơng tự đƣợc mô hình hoá với mô tả tƣơng tự Chẳng hạn, mô hình dùng mô tả bảng, dòng mô tả đối tƣợng khác nhau, cột ứng với thành phần khác mô tả Thƣờng số yếu tố mô tả đƣợc phát biểu xác chắn Tiếp cận tham vọng chấp nhận mô tả không hoàn hảo bỏ qua thông tin phần có phận không hoàn hảo mô tả mô hình chúng với tựa - mô tả (a pseudo - description), đƣợc gọi null, ký hiệu tồn nhƣng (với ngữ nghĩa giá trị miền giá trị hợp lệ ứng cử viên đồng khả cho giá trị đúng) Một chấp nhận đƣa giá trị null vào mô tả, mô hình phải định nghĩa hành vi phép biến đổi sửa đổi có mặt giá trị null Đó công việc không đơn giản Chẳng hạn, mở rộng phép tính quan hệ dựa logic ba trị E.F.Codd, [2] bị C.J.Date phê phán [3] Cập nhật sở liệu với thông tin không đầy đủ đƣợc thảo luận [4] Các loại giá trị null khác đƣợc đề xuất để biểu thị thông tin có thêm Chẳng hạn hai giá trị sở liệu thiếu, nhƣng biết đƣợc giống Thông tin phần đƣợc mô hình hoá cách sử dụng thể phân biệt đƣợc null 66 (A)(B) (NHAN_VIEN) ba truy vấn, (A) (Tuoi) = {30}, (B) (Kinhnghiem) = {cao}, Tuoi = 0.85, Kinhnghiem = 0.80 Tập mờ "Tuổi xoát 30", đƣợc định nghĩa {…, (27,0.7), (28,0.8), (29,0.9), (30,1), (31,0.9), (32,0.8), (33,0.7),…} Khi đó, độ phụ trợ động (t, r(t)) cho Q1 0.05, độ phụ trợ động (t, r(t)) cho Q2 0.1, độ phụ trợ động (t, r(t)) cho Q3 0.15 Bảng III Quan hệ mờ mở rộng EMPLOYEE NHAN_VIEN(Ten, Congviec, Tuoi, Luong, r) t: ((Dƣơng), (28), (cao 0.7), 0.7)  ((Dƣơng), (30), (cao), 1) rsure 3.4.2 Phép Chiếu mờ mở rộng Phép chiếu mờ mở rộng đƣợc dùng để chọn thuộc tính cần quan tâm quan hệ mờ mở rộng Ta định nghĩa phép chiếu nhƣ sau: Định nghĩa 17 Gọi r quan hệ mờ mở rộng Khi đó, A(r) = r1, r1,sure = {(t, r(t)) | (t1, r(t1))  rsure  (t, r(t)) = 'A(t1, r(t1))  length(t) = length(t1)  total(t) = total(t1)} r1,maybe = {(t, r(t)) | (t1, r(t1))  rmaybe  (t, r(t)) = 'A(t1, r(t1))  length(t) = length(t1)  ext(t) = ext(t1)} 67 A tập thuộc tính 'A phép chiếu theo quy ước Phép chiếu mờ mở rộng giống nhƣ phép chiếu thông thƣờng Trong trình chiếu, loại bỏ vài thuộc tính khỏi quan hệ mờ mở rộng ban đầu; đó, có vài bị lặp Để loại lặp chất lƣợng câu trả lời không đƣợc thay đổi sau chiếu, chất lƣợng câu trả lời đƣợc thừa kế từ ban đầu Định nghĩa 18 Gọi (t, r(t)) quan hệ mờ mở rộng r R(Ap1, …, Apk, r) Khi đó, (1) Bộ (t, r(t)) không dƣ thừa không tồn hai (t1,r(t1)), (t2,r(t2)) (t, r(t)) cho E(t1, t2) = true EQ(r(t1[Api]), r(t1[Api])) < i, i = p1,…,pk, E vị từ đẳng thức i giá trị ngƣỡng định trƣớc thuộc tính kết hợp, (2) Bộ (t, r(t)) dƣ thừa , (t1,r(t1)), (t2,r(t2)) hai (t, r(t)) Khi đó, (t1,)r(t1) ~ (t2,r(t2)) có nghĩa (t2,r(t2)) bị loại bỏ khỏi (t, r(t)) E(t1, t2) = true  r(t1)  r(t2) Định lý Phép chiếu mờ mở rộng cho câu trả lời tối tiểu không vi phạm e.f.f.d Chứng minh: Phép chiếu mờ mở rộng giống nhƣ phép chiếu thông thƣờng Tuy nhiên, mờ lại dạng tuyển; đó, dƣ thừa xảy số sau phép chiếu Dƣ thừa phải đƣợc loại bỏ theo Định nghĩa 18 Nhắc lại là, e.f.f.d có nghĩa với hai (t,r(t)) (t',r(t')) quan hệ mờ r, t[X]  t'[X]  t'[X]  t[X], e.f.f.d(t[X]) = e.f.f.d(t'[X]) hay 68 tƣơng đƣơng phải trƣờng hợp Y Tức là, e.f.f.d quan hệ mờ tối tiểu r hai (t,r(t)) (t',r(t')) tồn r' cho (t,r(t)) ~ (t',r(t'))  (t',r(t')) ~ (t,r(t)) 3.4.3 Phép Kết nối mờ mở rộng Phép kết nối đƣợc dùng để kết hợp có liên quan từ hai quan hệ thành quan hệ Phép toán quan trọng cho CSDLQH cho phép xử lý mối quan hệ quan hệ Hầu hết, điều kiện kết nối áp dụng thao tác liên quan tới so sánh khoá khoá quan hệ Vì thế, thuộc tính kết nối liên quan phải có giá trị giống hệt Do vậy, phép kết nối đƣợc biểu diễn tích Descartes phép chọn, so sánh đƣợc mở rộng thành so sánh xấp xỉ trƣờng hợp CSDLQH mờ mở rộng Vì thuộc tính kết nối hai liên quan có giá trị giống hệt nên điều kiện kết nối, không giống nhƣ điều kiện chọn khác, đƣợc đánh giá cách độc lập mà không ảnh hƣởng tới độ phụ trợ Phép toán tích Descartes mờ mở rộng, biểu thị , nhƣ không ảnh hƣởng tới chất lƣợng câu trả lời cho truy vấn Tuy nhiên, phép toán tích Descartes mờ mở rộng tạo với thuộc tính kết hợp hai quan hệ mờ mở rộng; vậy, độ sánh hợp độ phụ trợ bị ảnh hƣởng độ dài thu đƣợc bị thay đổi Gọi (t, r(t)) có đƣợc việc thực phép toán tích Descartes mờ mở rộng hai (t1, r(t1)) (t2, r(t2)) Khi đó, thông tin liên quan đến chất lƣợng đƣợc cập nhật ext(t) = ext(t1) * length(t2) + ext(t2) * length(t1) length(t) = length(t1) * length(t2) Khi (ti, r(ti)), i = 1,2 chắn 69 chắn độ phụ trợ động không: ext(ti) = Gọi (t1, r(t1)) (t2, r(t2)) hai với (t1, r(t1)) = {(t11, r(t11)), …, (t1n, r(t1n))} (t2, r(t2)) = {(t21, r(t21)), …, (t2m, r(t2m))} Khi đó, phép toán ' đƣợc định nghĩa t1 ' t2 = {(t11t21, min(r(t11), r(t21))), …, (t11t2m, min(r(t11), r(t2m))), …, (t1nt21, min(r(t1n), r(t21))), …, (t1nt2m, min(r(t1n), r(t2m)))} Khi đó, phép toán tích Descartes mờ mở rộng đƣợc định nghĩa nhƣ sau: Định nghĩa 19 Gọi r1 r2 hai quan hệ mờ mở rộng Khi đó, r1  r2 = r, rsure = {(t, r(t)) | (t1)(t2)((t1, r(t1))  r1,sure  (t2, r(t2))  r2, sure  t = t1 ' t2  length(t) = length(t1) * length(t2))} rmaybe = {(t, r(t)) | (t1)(t2)((t1, r(t1))  r1, maybe  (t2, r(t2))  r2, maybe  t = t1 ' t2  ext(t) = ext(t1) * length(t2) + ext(t2) * length(t1)  length(t) = length(t1) * length(t2))  (t1)(t2)(ti)(t1, r(t1)  r1, sure  (t2, r(t2))  r2, maybe  (ti, r(ti)  (t1, r(t1)  t = ti ' t2  ext(t) = ext(t2) * length(t1)  length(t) = length(t1) * length(t2))  (t1)(t2)(ti)(t1, r(t1))  r1, maybe  (t2, r(t2))  r2, sure  (ti, r(ti) (t2, r(t2))  t = t1 ' ti  ext(t) = ext(t1) * length(t2)  length(t) = length(t1)*length(t2))} 70 Phép kết nối mờ mở rộng đƣợc định nghĩa thông qua phép tích Descartes phép chọn mờ mở rộng Định nghĩa 20 Gọi r1 r2 hai quan hệ mờ mở rộng B điều kiện Boolean Khi đó, r1  B r2 = r, r = {(t, r(t)) | (t1)(t2)((t1, r(t1))  r1  (t2, r(t2))  r2  t = t1  t2  B(t1)  B(t2))} Định lý Phép kết nối mờ mở rộng xác đáng đầy đủ Chứng minh: Vì r1  r2 phải theo định nghĩa phép toán tích Descartes mờ mở rộng nên tính đắn định lý đƣợc suy trực tiếp từ định nghĩa phép toán tích Descartes mờ mở rộng Thí dụ Xét quan hệ mờ mở rộng NHAN_VIEN quan hệ VI_TRI mở rộng lần lƣợt Bảng IV V Gọi câu truy vấn RESULT=Ten,Tuoi,Luong,Kinhnghiem((A)(B)(C)(NHAN_VIEN  (D)VI_TRI)) Trong đó, (A) (Tuoi) = {30}, (B) (Luong) = {cao}, (C) (Kinhnghiem) = {cao}, (D) (NHAN_VIEN, VI_TRI) = {NHAN_VIEN.Ten = VI_TRI.Vten}, Tuoi = 0.85, Luong = 0.80, Kinhnghiem = 0.80 Tập mờ "Tuổi xoát 30" đƣợc định nghĩa {…, (27,0.7), (28,0.8), (29,0.9), (30,1), (31,0.9), (32,0.8), (33,0.7),…} Hơn nữa, hàm thuộc  HE  HS tập mờ "Kinh nghiệm-cao" "Lƣơng-cao" đƣợc cho 71 (1 | x  10 | / 10) 1 ,  HE (x)   1, víi x  10 víi x  10 (1 | s  60000 | / 20000) 1 ,  HS (s)   1, víi s  60000 víi s  60000 Trong thí dụ này, giá trị thuộc tính đƣợc chọn đƣợc mờ hoá theo câu truy vấn Bảng IV cho câu trả lời với độ thoả đáng độ phụ trợ, (t'1, r(t'1)) (t'2, r(t'2)) câu trả lời chắn cho truy vấn, (t'3, r(t'3) (t'4, r(t'4) câu trả lời khả cho câu truy vấn Theo Định lý 2, (t'1, r(t'1)) câu trả lời tốt (t'3, r(t'3) câu trả lời tồi Hơn nữa, độ phụ trợ (ti, r(ti)) truy vấn (A)(B)(C)(D)(NHAN_VIEN  VI_TRI) với độ phụ trợ (t'i,r(t'i)), i = 1,…,4, (D) không điều kiện kết nối mà điều kiện rõ cho câu truy vấn Bảng IV Quan hệ mờ mở rộng NHAN_VIEN NHAN_VIEN(Ten, Congviec, Tuoi, Luong, r) rsure t1: ((Hoàng), (30), (cao)) t2: ((Minh), (30), (cao))  ((Minh), (30), (cao, 0.9), 0.9) t3: ((Dƣơng), (28), (50,000))  (Dƣơng), (30), (60,000)) t4:((Mai),(28),(50,000))((Mai),(29),(cao,0.8),0.8)((Mai),(30),(cao)) Bảng V Quan hệ mờ mở rộng VI_TRI 72 VI_TRI(Vten, Congviec, Kinhnghiem, r) rsure t1: ((Hoàng), (quản đốc), (cao)) t2: ((Minh), (kĩ sƣ), (cao))  ((Minh), (kĩ sƣ), (cao, 0.9), 0.9) t3: ((Dƣơng), (kĩ sƣ), (8)  ((Dƣơng), (kĩ sƣ), (10)) t4: ((Mai), (kĩ sƣ), (8))  ((Mai), (kĩ sƣ), (cao)) 3.5 Vấn đề dƣ thừa Chìa khoá việc bảo toàn tính chất mong muốn mô hình CSDLQH mờ kinh điển sang mô hình CSDLQH mờ mở rộng đƣợc đề xuất việc loại bỏ dƣ thừa khỏi CSDL Phép chiếu bỏ qua vài thuộc tính quan hệ mờ mở rộng, thân số bộ, dƣ thừa quan hệ mờ mở rộng thu đƣợc Trƣờng hợp xuất thực phép tính tích Descartes Do đó, lặp phải đƣợc loại bỏ nhằm đạt kết xác định Trong phần này, ta sử dụng khái niệm "chất lƣợng câu trả lời" "các câu trả lời tối tiểu" để loại bỏ dƣ thừa khỏi quan hệ mờ mở rộng Định nghĩa 21 Gọi (t1, r(t1)) chắn quan hệ mờ mở rộng r Khi đó, (t1, r(t1)) đƣợc gọi dƣ thừa tồn chắn (t2, r(t2)) khác r cho t2  t1 Khi (t1, r(t1)) không chứa thông tin dƣ thừa đƣợc gọi tối tiểu quan hệ mờ mở rộng r Hơn nữa, (t1, r(t1)) ~ (t2, r(t2)) có nghĩa (t2, r(t2)) loại bỏ đƣợc khỏi quan hệ mờ mở rộng r xảy dƣ thừa 73 Định nghĩa 22 Gọi (t1, r(t1)) khả quan hệ mờ mở rộng r Khi đó, (t1, r(t1)) đƣợc gọi dƣ thừa tồn chắn (t, r(t)) r cho t1  t tồn khả (t2, r(t2)) khác r cho t1 = t2, chất lƣợng (t1, r(t1)) tồi (t1, r(t1)) Khi (t1, r(t1)) không chứa thông tin dƣ thừa đƣợc gọi tối tiểu quan hệ mờ mở rộng r Trong Định nghĩa 21, (t1, r(t1)) không tối tiểu tồn (t2, r(t2)) khác cho t2  t1, với (ti, r(ti)) (t1, r(t1)), ti  t1 - t2 phải đƣợc biểu diễn nhƣ khả quan hệ mờ mở rộng Sau tất khả đƣợc sinh ra, (t1, r(t1)) dƣ thừa đƣợc loại khỏi quan hệ mờ mở rộng r Trong Định nghĩa 22, (t1, r(t1)) không tối tiểu, đƣợc loại khỏi quan hệ mờ mở rộng r Ta trình bày phƣơng pháp tính độ thoả độ phụ trợ trình loại bỏ dƣ thừa thành hai trƣờng hợp: Trường hợp Bộ chắn: (1) Với hai (t1, r(t1)) (t2, r(t2)), E(t1,t2) = true có chất lƣợng tốt đƣợc giữ lại, ngƣợc lại, (2) (t1, r(t1)) (t2, r(t2)), hai chắn t1  t2 với (t, r(t))  (t2, r(t2))  (t, r(t))  (t1, r(t1)), gọi Iext(t) = 1/length(t2) Thêm tất (t, r(t)) vào rmaybe, (t2, r(t2)) đƣợc loại bỏ Trường hợp Bộ khả năng: Với hai khả (t1, r(t1)) (t2, r(t2)), E(t1,t2) = true có chất lƣợng tốt đƣợc giữ lại 74 Thí dụ Xét quan hệ mờ mở rộng r sau thực phép chiếu Bảng VII Vì t3  t1, (t1, r(t1)) đƣợc rút gọn thành (m1a,r(m1a)) (m1b,r(m1b)) Tƣơng tự nhƣ thế, (t2, r(t2)) đƣợc rút gọn thành (m2,r(m2)) Bảng VIII Cho kết qủa quan hệ mờ mở rộng đƣợc loại bỏ dƣ thừa Hơn nữa, (m2,r(m2)) đƣợc loại bỏ chất lƣợng (m4,r(m4)) tốt (m2,r(m2)) Kết luận: Chƣơng đề xuất phƣơng pháp hiệu việc đánh giá chất lƣợng câu trả lời cho truy vấn CSDLQH mờ mở rộng với thông tin tuyển Độ thoả độ phụ trợ đƣợc dùng để xác định chất lƣợng câu trả lời cho truy vấn Phƣơng pháp nêu phụ thuộc vào ngữ nghĩa câu truy vấn Bên cạnh đó, không chọn đƣợc câu trả lời có khả cho truy vấn mà phân biệt đƣợc câu trả lời chắn câu trả lời khả cho truy vấn KẾT LUẬN CHUNG * Luận văn giải đƣợc vấn đề sau: - Áp dụng lý thuyết tập mờ việc biểu diễn, xử lý thông tin không xác không chắn sở liệu mờ - Tổng quan mô hình liệu mờ vấn đề biểu diễn câu hỏi mờ; Xem xét chi tiết việc biểu diễn liệu không xác lần lƣợt dựa mô hình quan hệ tƣơng tự lý thuyết khả năng, với việc xử lý câu hỏi mờ tƣơng ứng - Đề xuất cách mở rộng CSDLQH mờ sử dụng logic cấp nhằm đáp ứng chặt chẽ nhu cầu xử lý thông tin không chắn không 75 xác, cụ thể biểu diễn xử lý thông tin tuyển mờ (fuzzy disjunctive information) - Đề xuất phƣơng pháp hiệu việc đánh giá chất lƣợng câu trả lời cho truy vấn CSDLQH mờ mở rộng với thông tin tuyển: Sử dụng hai khái niệm độ thoả độ phụ trợ để xác định chất lƣợng câu trả lời cho truy vấn; Cho phép chọn đƣợc câu trả lời có khả hơn, đồng thời phân biệt đƣợc câu trả lời chắn câu trả lời khả cho truy vấn - Thông qua trình đánh giá chất lƣợng câu trả lời truy vấn thấy cách mà đại số quan hệ đƣợc mở rộng, cụ thể đƣợc trình bày cách mở rộng phép toán SPJ (Select - Project - Join) nhằm biểu diễn xử lý cách hiệu câu truy vấn CSDLQH mờ * Trên sở luận văn đạt đƣợc, hƣớng nghiên cứu tiếp luận văn tập trung giải số vấn đề sau: - Nghiên cứu việc mở rộng phụ thuộc liệu (đặc biệt phụ thuộc hàm phụ thuộc đa trị) mô hình CSDL mờ, đảm bảo ràng buộc toàn vẹn thiết kế CSDL mờ - Nghiên cứu việc áp dụng ràng buộc toàn vẹn để tìm luật mờ thích đáng * Hƣớng ứng dụng: - Để tận dụng CSDL có, kết luận văn đƣợc sử dụng vấn đề "hỏi mềm dẻo CSDL" theo nghĩa truy vấn có yếu tố mờ CSDL rõ * Sản phẩm dự kiến: 76 - Xây dựng hệ mềm gồm mô-đun chƣơng trình cho phép ngƣời dùng "hỏi mềm dẻo" CSDL rõ 77 TÀI LIỆU THAM KHẢO Tiếng Anh A.Motro, Imprecision and uncertainty in database systems; In P Bose and J.Kacprzyk, editors, Fuzziness in database management systems, Physica, Verlag, 1995 E.F.Codd, Extending the database relational model to capture more meaning, ACM Transactions on database systems, 4(A), December 1979 C.J.Date, NOT is not "not"! In Relational database writings 1985 1989, Additson Wesley, Reading, Massachusetts, 1990 S.Abiteboul and G.Grahne, Update semantics for incomplete databases, In Proceedings of the 11 th International Comference on very large data bases, 1985 T.Imielinski, Incomplete information in logical databases, Data Engineering, 12(2), June 1989 D.Barbara, H.Garcia - Molina, and D.Porter, The management of probabilistic data, IEEE Transactions on Knowledge and Data Engineering, 4(5), October 1992 B.P Buckles and F.E.Petry, A fuzzy representation of data for relational databases Fuzzy sets and systems, 7(3), May 1982 D.Dubois and H.Prade, Possibility theory: An approach to computerized processing of Uncertainty, Plenum Press, New York, 1988 H Prade and C.Testemale, Generalizing database relational algebra for the treatment of incomplete information and vague queries, Information Sciences, 34(2), 1984 10 P.Bosc and H Prade, An introduction to fuzzy set and possibility theory - based approaches to the treatment of uncertainty andimprecision in database management systems, In A.Motro and P.Smets, editors, Proceeding of the Workshop on Uncertainty management in information systems: From needs to solutions, 1993 11 A.Motro, Intensional answers to database queries, IEEETransactions on Knowledge and data Engineering, 6(3), June 1994 78 12 E Kerre and G.Chen, An overview of fuzzy data models, In P.Bosc and J Kacprzyk, editors, Fuzziness in Database Management Systems, Physica - Verlag, 1995 13 A Zvieli, A fuzzy relational calculus, In: L.Kerschberg, eds, Expert Database Systems, Proceedings of 1st International conference, April 1-4, South Carolina, USA, 1986 14 J.Kacprzyk and A.Ziolkowski, Database queries with fuzzy linguistic quantifiers, IEEE Trans on Sys Man and Cybern, 16, 1986 15 L.A Zadeh, The role of fuzzy logic in the management of uncertainty in expert systems, Fuzzy sets and Systems, 11, 1983 16 P.Bose, M.Galibourg, Hamon G., Fuzzy querying with SQL extensions and implementation aspects, Fuzzy sets and systems, Vol.28, 1988 17 P.Bosc, O Pivert, About equivalents in SQLf: a relational language supporting imprecise querying, Proceeding of International Fuzzy Engineering Symposium, Yokohama (Japan), 1991 18 R.R Yager, General multiple - objective decision functions and linguistically quantified statements, Int J Man - Machine studies, Vol 2, 1984 19 Yager, On ordered weighted average aggregation operators in multicriteria decision making, IEEE Trans on Systems, Man and Cybernetics, Vol 18, No.1, 1988 20 F Petry, P.Bosc ,Fuzzy databases : Principles and Applications Kluwer, Norwell, MA, 1996 21 H.Thuan, T.T.Thanh, Fuzzy functional dependencies with linguistic Quantifiers, J.of Informatics and Cybernetics, vol.18(2), 2002 22 H.Thuan, H.C.Ha, An approach to extending the relational database model for handling incomplete information and data dependencies, J of Informatics and Cybernetiecs, vol.17(3), 2001 23 Codd EF, A relational model of data for large shared data banks Commun ACM 1970; 13: 377-387 24 Dubois D, Prade H Possibility theory: An approach to computerized processing of uncertainty New York: Plenum Press; 1986 25 Lipski W On database with incomplete information J ACM 1981; 28: 41-70 79 26 Lipski W On semantic issues connected with incomplete information databases ACM Trans Database Syst 1981; 3: 262-296 27 Reiter R Towards a logical reconstruction of relational database theory In: Brodie ML, Mylopoulos J, Schmidt JW, editors On conceptual modeling: Perspectives from artificial intelligence, databases, and programming languages Berlin: Springer Verlag; 1984 pp 191-223 28 Imielinski T, Lipski W Incomlete information in relational databases J ACM 1984; 31: 761-791 29 Liu KC, Sunderraman R Indefinite and maybe information in relational databases ACM Trans Database Syst 1990; 15: 1-39 30 Zadeh LA Fuzzy sets and as a basis for theory of posibility Fuzzy set Syst 1978; 1: 3-28 31 Zadeh LA PRUF - A meaning representation language for natural language Int J Man Mach Stud 1978; 10: 395-460 32 Buckles BP, Petry FE A fuzzy representation of data for relational databases Fuzzy Set Syst 1982; 7: 213-226 33 Buckles BP, Petry FE Information-theoretical characterization of fuzzy relational databases IEEE Trans Syst Man Cybern 1983; 13: 72-77 34 Ma ZM, Mili F Handling fuzzy information in extended posibility-based fuzzy relational databases Int J Intell Syst 2002; 17: 925-942 35 Prade H, Testemale C Generalizing database relational algebra for treatment of incomplete or uncertain information and vague queries Inform Sci 1984; 34: 115-143 36 Raiju KVSVN, Majumdar AK Fuzzy functional dependencies and lossless join decomposition on fuzzy relational database systems ACM Trans Database Syst 1988; 13: 129-166 37 Shenoi S, Melton A An extended version of the fuzzy relational database model Inform Sci 1990; 52: 35-52 38 Hsieh NC, Chiang DA, Chiang RCT Measuring the quality of queries in the fuzzy relational databases Int J Intell Syst 2001; 16: 191-208 39 Vila MA, Cubero JC, Medina JM, Pons O On the use of logical definition of fuzzy relational database In: Proc 2nd IEEE Int Conf on Fuzzy Systems, San Francisco; 1993 40 Yang JD Implicit predicates for handling disjunctive fuzzy information in fuzzy database Int J Intell Syst 2002; 17: 1085-1100 80 41 Dubois D, Prade H The treatment of uncertainty in knowledge-based systems using fuzzy set and possibility theory Int J Intell Syst 1988; 3: 141-165 42 Medina JM et al Toward the implimentation of a generalized fuzzy relational database model Fuzzy Set Syst 1995; 75: 273-289 43 Prade H Lipski's approach to incomplete information database restated and generalized in the setting of Zadeh's possibility theory Inform Syst 1984; 9: 27-42 44 Hsieh NC Handling indefinite and maybe information in logical fuzzy relational databases Int J Intell Syst 2004; 19: 257-276 45 Zemankova M, Kandel A Implementing impricise in information systems Inform Sci 1985; 37: 107-141 46 De Luca D, Termini S A definition of a non-probabilistic entropy in the setting of fuzzy set theory Inform Contr 1972; 20: 301-312 47 Yager R On the measure of fuzzyness and negation part I: Memebership in the unit interval Int J Gen Syst 1979; 5: 221-229 48 Morrissey JM Imprecise information and uncertainty in information systems ACM Trans Inform Syst 1990; 8: 159-180 49 Zadeh LA Fuzzy sets In: Belzer J, Holzman A, Kenit A, editors Encyclopedia of computer science and technology New York: Marcel Dekker; 1877, pp 325-351 50 Keller AM, Winslett MW On the use of an extended relational model to handle changing incomplete information IEEE Trans Softw Eng 1985; 11: 620-633 51 Saxena PC, Tyagi BK Fuzzy functional dependencies and independencies in extended fuzzy relational database model Fuzzy Set Syst 1995; 69: 65-89 52 Yazici A, Gocmen E, Buckles BP, George R, Petry FE An integrity constraint for a fuzzy relational database In: Proc IEEE Int Conf on Fuzzy Systems, San Francisco; 1993 [...]... quản lý loại thông tin này không thể đƣợc thực hiện bởi các kỹ thuật CSDL truy n thống và đòi hỏi sử dụng các kỹ thuật có liên quan chặt chẽ với sự không chắc chắn 24 CHƢƠNG 2 CÁC MÔ HÌNH DỮ LIỆU MỜ VÀ TRUY VẤN MỜ 2.1 Các mô hình dữ liệu mờ Nhƣ sẽ thấy, các cơ sở dữ liệu mờ cho các phƣơng tiện biểu diễn, lƣu trữ và xử lý thông tin không chính xác và không chắc chắn Trong mục này ta sẽ xem xét các mở... hình dữ liệu quan hệ, tập trung vào hiện trạng của các CSDL mờ trên các phƣơng diện mô hình hoá khái niệm, biểu diễn dữ liệu, và ngôn ngữ hỏi Trƣớc hết ta nói về 5 cách tiếp cận cho vấn đề biểu diễn dữ liệu mờ [12]: 2.1.1 Cách tiếp cận dựa trên quan hệ mờ Tiếp cận dựa trên quan hệ mờ xem xét tình huống trong đó một bộ có thể thuộc một quan hệ với một độ thuộc lấy giá trị trong [0, 1] Cụ thể, một quan hệ. .. 2.2 Các truy vấn mờ Việc nghiên cứu về các câu hỏi mờ đƣợc tiến hành cho các CSDL mờ và cho cả các CSDL thông thƣờng (không mờ) Với một trong năm tiếp cận cho biểu diễn dữ liệu đƣợc trình bày trong 2.1, ngôn ngữ thao tác dữ liệu mờ có thể đƣợc định nghĩa trên cơ sở các mở rộng mờ của đại số quan hệ hay phép tính quan hệ Chẳng hạn, theo tiếp cận dựa trên quan hệ mờ, Zvieli [13] đã mô tả một phép tính quan. .. i 1 i i Trong đó yi là giá trị lớn thứ i trong số các xi Tiếp theo ta sẽ xem xét một cách chi tiết, đầy đủ hơn hai mở rộng quan trọng của mô hình dữ liệu quan hệ là mô hình CSDL mờ dựa trên quan hệ tƣơng tự và mô hình CSDL mờ dựa trên lý thuyết khả năng cùng với vấn đề biểu diễn và xử lý các truy vấn trên các CSDL đó 2.3 Mô hình CSDL mờ dựa trên quan hệ tƣơng tự Từ những năm 1982, Buckles và Petry... một tập các giá trị, có chứa giá trị đúng Nhƣ vậy, các giá trị tuyển nhiều thông tin hơn các giá trị null và một giá trị null là một loại giá trị tuyển đặc biệt, trong đó tập các khả năng là toàn bộ miền Cơ sở dữ liệu tuyển đƣợc thảo luận trong [5] Rõ ràng các giá trị null và các giá trị tuyển đều biểu thị sự không chính xác 1.2.2 Các cơ sở dữ liệu xác suất Các cơ sở dữ liệu xác suất biểu diễn thông... suất biểu thị cả sự không chắc chắn và sự không chính xác Điều đó cũng đúng cả với thông tin khả năng Để thao tác các CSDL mờ, đại số quan hệ phải đƣợc mở rộng cho các quan hệ mờ Với tiếp cận thứ nhất, trong đó các quan hệ là các tập mờ nhƣng các phần tử của miền là "rõ", chỉ đòi hỏi những mở rộng đơn giản cho các toán tử của đại số quan hệ Với tiếp cận thứ hai, trong đó có các quan hệ là rõ, nhƣng các. .. định nghĩa thông qua các cặp tập mờ Các toán tử mờ này cho khả năng biểu thị các truy vấn tìm kiếm mờ (mơ hồ) Tuy là có sự khác nhau trong các tiền đề cơ sở thậm chí với ngữ nghĩa rất khác nhau, lý thuyết xác suất, lý thuyết khả năng và các nhân tố niềm tin đều có chung một khái niệm trực quan là tất cả những lý thuyết này đều thể hiện các giá trị trong cơ sở dữ liệu bằng các số, cố gắng mô tả khả năng... 34 Định lý 1: Cho một quan hệ mờ r không chứa các bộ dƣ thừa với các quan hệ tƣơng tự trên miền đều có tính bắc cầu max-min Khi đó Ti  Tj =  ij Trong đó Ti , Tj theo thứ tự là tập các thể hiện có thể có đối với các bộ ti và tj Định lý 2: Một quan hệ mờ có đƣợc từ việc trộn/hợp nhất các bộ dƣ thừa là duy nhất nếu nhƣ mỗi quan hệ tƣơng tự đều có tính bắc cầu maxmin Hai định lý 1 và 2 là cơ sở để chứng... năng cho phép biểu diễn đƣợc nhiều loại dữ liệu khác nhau: dữ liệu rõ, chính xác, dữ liệu không áp dụng đƣợc, dữ liệu tồn tại nhƣng chƣa biết, dữ liệu hoàn toàn không có thông tin, dữ liệu tuyển rời rạc, dữ liệu không chắc chắn Lấy một thí dụ cụ thể về lƣơng S của một ngƣời tƣơng ứng với bộ t của quan hệ mờ r Thuộc tính S có miền trị là D, để thấy đƣợc một số khả năng biểu diễn dữ liệu mờ của phân bố... hoá của cách biểu diễn theo tiếp cận dựa trên sự tƣơng tự vì các phân bố khả năng là sự tổng quát hoá của các tập con thông thƣờng, còn quan hệ gần nhau là sự tổng quát hoá của các quan hệ tƣơng tự 2.1.5 Các tiếp cận tổ hợp Các tiếp cận tổ hợp biểu diễn tính mờ liên quan tới độ thuộc của các bộ cũng nhƣ tính mờ trong các giá trị thuộc tính hay giữa các phần tử thuộc miền Theo tiếp cận này các giá trị ... nhm ln cỏc lý gii khỏc ny v nh ngha cỏc phộp toỏn thao tỏc trờn cỏc quan h m thỡ cn phi tớnh ti iu ú Lý thuyt kh nng [8] c xõy dng trờn c s ca lý thuyt m Trong khuụn kh ca mụ hỡnh quan h, giỏ... mụ hỡnh d liu quan h l mụ hỡnh CSDL m da trờn quan h tng t v mụ hỡnh CSDL m da trờn lý thuyt kh nng cựng vi biu din v x lý cỏc truy trờn cỏc CSDL ú 2.3 Mụ hỡnh CSDL m da trờn quan h tng t T... toỏn ny thng c gi l cỏc truy Chn- Chiu - Kt ni (SPJ) [23] CSDL Trong chng ny, chỳng ta s xem xột ngn gn v ng ngha ca SPJ v xut mt c ch ỏnh giỏ truy liờn quan ti cỏc truy SPJ Quan h m m rng cn c