Luận văn mạng noron thích nghi mờ (anfis) và ứng dụng trong dự báo thời tiết khu vực lào cai

B ộ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC s PHẠM HẰ NỘI NGUYỄN NGUYÊN NGỌC MẠNG NORON THÍCH NGHI MỜ (ANFIS) VÀ ỨNG DỤNG TRONG D ự BÁO THỜI TIẾT KHU vực LÀO CAI LUẬN VĂN THẠC s ĩ MÁY TÍNH HÀ NỘI, 2015 B ộ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC s PHẠM HẰ NỘI NGUYỄN NGUYÊN NGỌC MẠNG NORON THÍCH NGHI MỜ (ANFIS) VÀ ỨNG DỤNG TRONG D ự BÁO THỜI TIẾT KHU vực LÀO CAI Chuyên ngành: Khoa học máy tính M ã số: 60 48 01 01 LUẬN VĂN THẠC s ĩ MÁY TÍNH Ngưịi hướng dẫn khoa học: PG S TS LÊ BÁ D Ũ N G HÀ NỘI, 2015 LỜI CẢM ƠN Tôi xin bày tỏ lời cảm ơn chân thành tới tập thể thầy cô giáo Viện công nghệ thông tin - Viện Hàn lâm Khoa học Công nghệ Việt Nam, thầy cô giáo Trường Đại học Sư Phạm Hà Nội tận tình giảng dạy tạo điều kiện để học tập nghiên cứu ừong năm học cao học Tôi xin chân thành cảm ơn sâu sắc tới thầy giáo PGS.TS Lê Bá Dũng cho nhiều bảo quý báu, tận tình hướng dẫn tạo điều kiện cho tơi hồn thành tốt luận văn tốt nghiệp Quá trình thực đề tài khơng tránh khỏi thiếu sót, mong tiếp tục nhận đóng góp ý kiến thầy, cô giáo, bạn đồng nghiệp đề tài nghiên cứu để đề tài hồn thiện Tơi xin trân trọng cảm ơn! Hà Nội, ngày tháng năm 2015 LỜI CAM ĐOAN m Ạ _ i Ạ • IV Tên tơi : Nguyễn Nguyên Ngọc Lớp : Cao học K17 Khóa học : 2013 - 2015 Chuyên ngành : Khoa học máy tính Mã số chuyên ngành : 60 48 01 01 Cơ sở đào tạo : Trường Đại học Sư Phạm Hà Nội Giáo viên hướng dẫn : PGS.TS Lê Bá Dũng Cơ quan công tác : Viện công nghệ thông tin - Viện Hàn lâm Khoa học Công nghệ Việt Nam Tôi xin cam đoan luận văn “Mạng noron thích nghi m (.ANFIS) ứng dụng dự báo thời tiết khu vực Lào Cai” cơng trình nghiên cứu riêng tơi Các số liệu sử dụng luận văn trung thực, kết nghiên cứu trình bày luận văn chưa cơng bố cơng trình khác Tôi xin cam đoan giúp đỡ cho việc thực luận văn cảm ơn thơng tin trích dẫn luận văn rõ nguồn gốc Hà Nội, ngày thảng năm 2015 Học viên Nguyễn Nguyên Ngọc MỤC LỤC MỞ ĐẦU 1 Lý chọn đề tài Mục đích nghiên cứu Nhiệm vụ nghiên cứu Đối tượng phạm vi nghiên cứu Phương pháp nghiên cứu CHƯƠNG TỔNG QUAN VỀ MẠNG NƠ-RON NHÂN TẠO VÀ HỆ MỜ 1.1 Tổng quan mạng nơ-ron nhân tạ o 1.1.1 Mạng nơ-ron nhân tạ o 1.1.2 Mạng thích n g h i 12 1.2 Tổng quan hệ m 15 1.2.1 Các khái niệm logic m .15 1.2.2 Suy luận m 20 1.2.3 Giải m 23 1.2.4 Cấu trúc hệ thống suy luận m 25 1.3 Kết lu ậ n 30 CHƯƠNG MƠ HÌNH MẠNG ANFIS VÀ ỨNG DỤNG 31 2.1 Giới thiệu chung 31 2.2 Hệ thống suy luận nơ-ron mờ dựa mạng thích n g h i 32 2.2.1 Cấu trúc A N FIS .32 2.2.2 Các thuật toán A N F IS 35 2.3 ứ n g dụng mạng A N FIS 43 CHƯƠNG ỨNG DỤNG MƠ HÌNH MẠNG ANFIS TRONG BÀI TỐN PHÂN TÍCH ĐÁNH GIÁ D ự BÁO THỜI TIẾT VÀ THỬ NGHIỆM 45 3.1 Bài toán dự báo thời tiết 45 3.1.1 Một sô khái quát vê khí hậu, mơi trường tự nhiên 45 3.1.2 Sự cần thiết việc dự báo thời tiết 46 3.2 ứng dụng mạng ANFIS cho toán dự báo thời tiết khu vực 48 3.2.1 Xây dựng mạng ANFIS cho liệu khảo sát 48 3.2.2 Thiết kế hệ suy diễn nơ-ron mờ thích nghi 49 3.2.3 Thiết kế mạng ANFIS 51 3.2.3.1 Thu thập liệu 51 3.2.3.2 Huấn luyện mạng ANFIS cho dự báo thời tiết khu vực Lào Cai 51 3.3 Đánh giá kết dự báo 59 KÉT LUẬN 62 DANH MỤC CÁC TÀI LIỆU THAM KHẢO 64 DANH MỤC CÁC TỪ VIẾT TẮT ANN ANFIS PE TSK BP LSE CPI Artificial Neural Network Mạng nơ-ron nhân tạo Adaptive Neuro Fuzzy Insference System Hệ suy luận mờ Processing Element Phần tị xử lý Takagi - Sugeno - Kang Mơ hình Takagi - Sugeno Back Propagation Lan truyền ngược Least Square Error Ước lượng sai số bình phương tối thiểu Chỉ sô giá tiêu dùng DANH MỤC CÁC BẢNG BIỂU Bảng 2.1: Hai pha thủ tục học lai cho hệ ANFIS 42 Bảng 3.1: số liệu thu thập trạm khí tượng thủy văn ừong năm 51 Bảng 3.2 Dữ liệu thực tế dự báo 60 DANH MỤC CÁC HÌNH VẼ Hình 1.1: Mơ hình nơ-ron nhân tạ o Hình 1.2: Đồ thị dạng hàm truyền Hình 1.3: Mạng truyền thẳng lớ p Hình 1.4: Mơ tả cấu trúc mạng nơ-ron truyền thẳng nhiều lớp Hình 1.5: Mạng hồi quy lớp có nối ngược Hình 1.6: Mạng hồi quy nhiều lớp có nối n gư ợ c Hình 1.7: Sơ đồ học tham số có giám sát 10 Hình 1.8: Sơ đồ học tham số khơng có giám sát 11 Hình 1.9: Sơ đồ học tăng cường 12 Hình 1.10: Mơ tả cấu trúc mạng thích nghi 13 Hình 1.11: Một số dạng hàm thuộc b ả n 16 Hình 1.12: Hàm phụ thuộc tập mờ A 17 Hình 1.13: Các tập mờ điển hình dùng để địnhnghĩa biến ngơn ngữ tốc đ ộ 18 Hình 1.14: Mơ hình suy luận mờ với luật-một tiền đ ề 21 Hình 1.15: Mơ hình suy luận mờ luật-nhiều tiền đ ề 22 Hình 1.16: Mơ hình suy luận mờ hai luật hai tiền đ ề 23 Hình 1.17: Giải mờ phương pháp cực đ i 24 Hình 1.18: Phương pháp giải mờ điểm trọng tâm 25 Hình 1.19 :Hệ thống suy luận m 25 Hình 1.20: Mơ hình suy diễn mờ M am dani 27 Hình 1.21: Mơ hình suy luận mờ T sukam oto .28 Hình 1.22: Mơ hình suy diễn mờ Takagi- Sugeno 29 Hình 2.1: Luật mờ if then 33 Hình 2.2: Kiến trúc mạng A N F IS 33 Hình 2.3: Mạng lớp lan truyền n gư ợc 35 Hình 3.1: Sơ đồ khối mạng ANFIS .50 Hình 3.2: Các phương trình minh họa cho việc thực thi m ạng 51 Hình 3.3 Dữ liệu thời tiết cho dự báo độẩm 53 Hình 3.4 : Biểu đồ liệu thu thập thực tế năm độ ẩm 54 Hình 3.5 : Dữ liệu thời tiết cho dự báo lượng mưa 54 Hình 3.6: Biểu đồ liệu thu thập thực tế năm lượng mưa 55 Hình 3.7: Dữ liệu thời tiết cho dự báo nhiệt đ ộ .55 Hình 3.8: Biểu đồ liệu thu thập thực tế năm nhiệt đ ộ 56 Hình 3.9: Kiểm tra sai số ừình huấn luyện mạng 57 Hình 3.10: Mạng ANFIS xây dựng cho huấn luyện liệuđể dự báo thời tiết khu vực Lào Cai 58 Hình 3.11 Hệ luật mờ hình thành ừong trình huấnluyện mạng ANFIS 58 Hình 3.1 la Hệ luật mờ sinh cho huấn luyện mạng 59 49 việc hệ thống với dạng luật it then xây dựng tri thức chuyên gia công nghệ chuyên gia dự báo Với mơ hình mờ sugeno bậc cho phép áp dụng cách rộng rãi với việc nội suy tính toán hiệu qua kỹ thuật tối ưu thích nghi Với mơ hình mờ sugeno cho phép xây dựng hệ luật mờ từ liệu vào cách hệ thống Hơn giá trị tối ưu phần kết luận luật (các thông số hệ suy diễn noron mờ thích nghi) xác định thu nghiệm phép ừong đáng ý (phương pháp) phép bình phương cực tiểu Với thông số đầu vào biến thiên khơng gian q trình hội tụ cần nhiều thời gian cần thiết phải sử dụng kết hợp qua phép bình phương tối thiểu thuật tốn lan truyền ngược để giải thấu đáo vấn đề xác định thông số hệ suy diễn nơ-ron mờ thích nghi (ANFIS) Do q trình q trình hội tụ thực nhanh số chiếu khơng gian thuật tốn lan truyền ngược Trong q trình lọc thơng số phân đoạn luật thơng số phần kết luận xác định đáp ứng mong muốn hệ suy diễn mờ FIS xây dựng Một thuât toán học lai chứa đựng bước: - Các thông số phần kết luận hệ luật xác định qua phép bình phương cực tiểu xác thực - Các sai số lan truyền ngược đầu vào thông số đầu vào cập nhật theo lan truyền ngược 3.2.2 Thiết kế hệ suy diễn ntf-ron mờ thích nghi a Tính tốn cho mạng ANFIS ANFIS la mơ hình nơ-ron mờ kết hợp tốt hiệu cho hệ phi tuyến hệ dự báo thời tiết chẳng hạn, cho phép kết hợp tính ưu việt hệ mờ q tình hệ mờ theo tri thức chuyên gia học thích nghi theo nơ-ron cho phép mở hình hóa hệ mờ thơng qua thu nhận liệu vào/ra (dataset) 50 Một hệ suy luận mờ thể hình 3.2 ANFIS Hình 3.1: Stf đồ khối mạng ANFIS Để tính tốn cho mạng ANFIS cần phải thực thành trình tự định Q trình tính tốn chia theo bước: - Thu thập liệu Các liệu thời tiết liên quan đến dự báo thu thập đưa vào mạng nơ-ron Các liệu thu thập qua trạm khí tượng thủy văn liệu thể bảng 3.1 - Tiền xử lý số liệu Các giá trị nhiễu loại bỏ để có số liệu thích hợp cho dự báo - Xây dựng mạng nơ-ron - Huấn luyện Quá trình huấn luyện mạng sử dụng với thuật tốn lai kết hợp phương pháp bình phương cực tiểu thuật toán lan truyền ngược mạng ANFIS sử dụng hạm thuộc dạng hàm Gauus Kiểm tra q trình hoạt động Q trình kiểm tra tính toán theo liệu thực theo sơ đồ Hình 51 Bắt đầu ị Hình 3.2 Các phương trình minh họa cho việc thực thi mạng 3.2.3 Thiết kế mạng ANFIS 3.2.3.1 Thu thập liệu Để dự báo độ ẩm cho tỉnh khu vực miền núi phía Bắc, cần thu thập đầy đủ liệu nhiệt độ thấp nhất, nhiệt độ cao nhất, áp suất, lượng mưa, độ ẩm thời gian gần Trên thực tế, liệu sử dụng cho luận văn thu thập từ trung tâm khí tượng thủy văn tỉnh Lào Cai gần năm, gồm ghi liệu, ghi đại diện cho ngày ừong năm Bảng 3.1 liệt kê 48 ghi liệu Nhiệt độ (°C) 11.20 12.57 15.43 19.33 18.79 20.69 23.99 Nhiệt độ max (°C) 16.60 18.99 20.33 25.17 27.91 31.37 27.41 Số nắng 120.25 53.75 87.00 148.25 168.25 160.50 145.75 Lượng mưa (mm) 6.00 32.38 41.53 125.10 129.10 184.63 358.15 Độ ẩm (%) 84.75 88.25 85.00 80.00 78.75 81.50 85.50 52 18.16 16.27 14.60 14.59 12.21 9.67 13.33 17.04 14.46 19.25 21.18 22.73 19.82 21.15 16.40 13.12 14.01 8.76 15.41 16.26 19.09 21.64 20.48 20.97 21.18 22.11 17.66 12.96 10.83 12.91 13.46 20.08 24.57 27.84 25.21 25.39 23.89 19.45 21.02 18.41 17.35 29.94 29.43 29.60 23.61 15.79 14.73 22.53 21.02 24.90 26.35 30.58 27.67 34.74 24.25 24.96 18.98 17.89 15.84 17.25 18.84 24.51 24.76 28.68 28.39 27.88 25.75 26.10 20.30 16.33 18.37 20.34 22.18 28.75 29.88 33.13 31.67 33.55 33.29 29.64 25.69 19.45 122.25 148.75 87.50 163.00 87.75 45.25 142.00 112.00 108.00 155.50 180.75 96.50 140.00 126.00 84.25 134.50 79.75 82.75 17.50 91.00 115.00 134.50 110.00 130.25 105.75 154.75 70.50 122.50 90.50 78.00 104.00 103.50 124.25 220.25 120.50 167.50 99.25 144.25 114.00 103.75 69.00 458.08 129.73 70.53 51.88 8.78 21.78 46.58 14.65 148.30 221.60 291.65 224.85 271.88 316.70 123.85 52.75 7.83 36.38 68.90 60.83 163.30 184.45 263.63 332.73 563.98 222.30 128.95 11.85 7.83 22.30 31.40 76.40 220.40 404.00 241.10 241.10 311.30 314.20 115.10 66.70 4.30 87.75 85.25 89.25 82.50 86.25 88.50 80.25 83.00 84.00 80.25 82.00 86.00 86.25 85.75 87.50 84.75 87.25 86.00 90.25 88.00 84.25 83.00 86.00 85.25 87.75 86.50 88.75 86.25 86.25 84.81 82.62 77.97 76.20 76.74 82.00 83.87 81.06 85.20 83.90 85.70 83.45 Bảng 3.1: sổ liệu thu thập trạm khí tượng thủy văn năm 53 3.23.2 Huấn luyện mạng ANFIS cho dự báo thời tiết khu vực Lào Cai Trong trình huấn luyện mạng ANFIS thông số cần quan tâm là: - Số hàm thuộc cho đầu vào (số giá trị ngôn ngữ) - Đầu mạng ANFIS - Số bước huấn luyện (epoch number) - Mục tiêu cùa sai số huấn luyện - Độ lớn bước nhảy - Tốc độ bước nhảy tăng hay giảm Một số thơng số khác sử dụng liệu kiểm tra sai số trình huấn luyện Các liệu kiểm tra sử dụng để kiểm soát lỗi (sự khác biệt liệu thu thập dự báo) Toàn liệu thu thập chuẩn hóa dùng công cụ mô ANFIS matlab để huấn luyện (=] □ A n fis E d ito r: U n title d ■ File Edit V ie w T in in g D a ta ANFIS Info (oqo) 95 o 90 -2- 85 o o pi>® 80 °00 oc,® o ° o o o o 75 10 ■■O' Training C i Testing O O n o ^ Q ? 30 40 d a ta s e t in d e x From: @ Checking fite w o rl's p train data loaded Clear Plot 70 SO — Train FIS Optim Method: Test FIS h y b rid Load from worksp Error Tolerance: Grid partition q Testing data Checking data Sub clustering Clear D ata 50 Load from file C ' Demo !'LcjaeTData"'.""f| o«? ° ol ° Generate FIS Load data Type: 20 # of inputs: # of output®: i f of input mfs; 3 i f of train data pairs: 65 o o G en e te FIS -*■ Plot against: ® Epochs: Train N o w Help Hình 3.3 Dữ liệu thịi tiết cho dự báo độ ẩm Training data Test N o w 54 EJ Anfis Editor: Untitled [°] T in in g d a ta : o F IS o u u t _ ANFIS info # of inputs: # of output®: o f input mfs: 3 30 Clear Plat 40 In d e x Load data Type: Generate FIS — Train FIS O pt im M ethod: Frotn: Training «5*5 file Testing Checking worksp Load from file h y b rid Load from worksp Error Tolerance: Training data Grid partition El Testing data Epochs: Sub clustering Dem o L o ad D ata C lea r D ata Plot against: G e n e r a te FIS Checking data i;;;;;;:;t&sinow;;; Train N ow Average testing error: 0.31 422 Help Hinh 3.4 : Bieu dû lieu thu thâp thuc té cua nam vè dô âm fol A n f is Editar: ¡tied □ Un ti' File Edit V ie w T in in g D a ta (o o o ) 600 # o f Inputs: # o f outputs: if o f input mfs: 3 if o f train data pairs: 65 40 200 20 30 40 50 _ d a t a s e t in d e x _ L o ad d a ta Type: a G e n e r a te FIS From: Training @ file Testing Checking w o rk s p L o ad from file hybrid L o ad from w o r k s p E rror T o le n c e : iO>) G rid partition S u b , c lu s te rin g Demo jT o S d ]P a t " I | C lea r D ata tra in d a t a lo a d e d — T rain FIS Optim M ethod: G e n e r a te FIS -w Epochs: T e st FIS Plot against: •& < T raining d a ta T estin g d a ta C h ecking d a ta Train N ow T est N ow Help Hinh 3.5 : Dv liỗu thoi tilt cho du bỏo linyng mua 55 A n fis Editor: Untitled File Edit V ie w T raining data o ANFIS Info FIS outp u t 600 # of inputs: 400 - 200 - # of outputs: # of input mfs: 3 Structure 30 Clear Plot 40 Ind e x G en erate FIS Load data Type: From: Training Testing @ C hecking file Load from file hybrid Load from w o rks p Error Tolerance: raj Grid partition w o rk s p S ub clustering Dem o Load Data Train FIS Optlm Method: Test FIS Plot against: - o Training data Testing data 20 Checking data Epochs: Train Now Generate FIS Clear Data Average testing error: 11.5336 T e s iT lo w " Help Close | Hinh 3.6: Biêu du* lifu thu thâp thyc te cua näm ve liroTig mva H A.nfb Editor: U n title d p ■ ANFIS Info if o f inputs: if o f outputs: # o f input mfs: 3 # o f train data pairs: 66 Clear Plot 30 40 d a ta s e t in d e x Type: Load data From: i-») Training Testing Checking @ file w o rk s p G e n e r a te FIS C lear D ata — Train FIS Opt im Method: - Test FIS Load from file hybrid Plot against: Load from w o rks p Error Tolerance: ■O Training data O Grid partition S ub clustering Demo i'Loaci Data';.:'! _ G en e te FIS Testing data Epochs: Checking data Train N o w train d a ta loaded Test M o w Help C lose Hmh 3.7: Dir lieu tiét cho dir bào nhiờt dụ ã * ã ô 56 AnfTs Editor: Untitled ^ Lrfa—T g _ ANFIS Info # of # of iV of 3 Inputs: outputs: input mfs: Structure 30 Clear Plot 40 Index Type: Load data From: ■S) Training Testing o file w o rk sp 2) Checking Generate FIS Train FIS Optim Method: - Load from file hybrid Plot ag ain st: Load from worksp Error Tolerance: • Training data @ Grid partition Sub, clustering Demo Load Data _ Clear Data Average testing error: 0.49553 Generate FIS - Epochs: Test FIS Testing data Checking data 20 Train Now Help Tesf'Tslow" Close Hlnh 3.8: Biêu du lieu thu thâp thuc té cua näm vè nhiêt Tién hành câu hinh cho m^ng ANFIS, tông sô giâ tri dâu vào 3, môi giâ tri dâu vào cô hm thuỗc, su d\mg thu|t toõn hỗc lai l gbell, kiéu hàm thuôc linear 57 -INPUT Number of MFs MF Type: 333 To assign a different number of M Fsto each input, use spaces to separate these numbers, trim f tra p m f gbellm f gaussm f gauss2m f pimf dsigm f psigm f -OUTPUT constant MF Type: OK Cancel Quá trình huấn luyện chạy qua 20 bước lặp B3 An-fỵã Editor: Untíttled File Edit V ie w T r a in in g E r r o r ANFIS Info Kf Of intouts: # of outputs: # of input mfs; 3 Clear Plot E chs — G-enerate FIS Load data Type: Training Testing Checking ijHhj file w o rk sp Demo C lea r D ata Epoefi 20:error= SS.20S1 Test FIS o L o ad from file hybrid Plot against: Load from worksp Error Tolerance: lậi Training data G rid partition T estin g d a ta 20 Checking data Sub clustering L o ad D ata - — Train FIS Opt inn Method: From: G e n e r a te FIS Epochs: ''Train 'ỹợỗjw; Te s t N o w Help Hình 3.9: Kiểm a sai số trình huấn luyện mạng 58 AnfisModelstructure rJ input B E I® ciutc utm f in p u tm f o u u t L o g ic a l O p eration s 4H • and sr riot Click o n e a c h n o d e t o s e e d e ta ile d inform ation U pd ate J [ Help ] [ C lose Hình 3.10: Mang ANFIS đươc xây dưng cho hun luờn d liờu d ô O ã l/ ằ O J ã ô ã bỏo thM tt khu vưc Lào Cai Các luật sinh từ tập liệu đầu vào Có tất 27 luật R u le V ie w e r ; U n t it le d r / File Edit View Options in p u ll = 11 s inpu ts = 2S4 in p u tz = s : □utp lit = 32.3 L E E E s E 1C It 12 1134 111& 15 20 22 ,51 23 24 :2& 2e Input: [11 3 28 4.1] Plot points; Q,| Opened system Untitled, 27 rules left right down up Help Hình 3.11 Hệ luật mờ hỉnh thành q trình huấn luyện mạng ANFIS 59 Trên hỵnh 3.11 l hỗ luĐt ma duỗrc hinh thnh cho huõn luyỗn m^ng ANFIS hïnh 3.9 Hê luât vcti dâu vào v dõu Cỏc gi tri ngur nghia duỗrc ma hụa l NB, ZO, PB Hỗ lu |t vụi 27 lu|t duỗrc su d\ing qu trợnh huõn luyờn mang Các giá tri ngu nghïa sir dung hàm thuôc bellmenbeship, Hinh 3.11,3.11a ễ dõy gỗi lhỗ lu|t ma hay nhu trờn Hinh 3.2 lhỗ ca saluõt A Rule Editar; U ntitled File Edit Vie-Ai Options If (input! is in lm f l) and (inputs is in tn fl) and (input3 is in3mfi Jthen (output is outi m f!) (1 If (input! is i n l m f l ) and (inputs Is in m fl) and (inputs is in m f2 }th e n (output is outi rrif2) If (input! is in lm f l) and (inputs is in tn fl) and (input3 is In m f3 jth e n (output is outi m f3) If (input! is i n l m f l ) and (input2 is in2m f2) and (inputs is in3mf1 ) t h e n (output is outi rrif4) If (input! is i n l m f l ) and (input2 is in2m f2) and (input3 is in 3im f2}then (output is outi m fS) If (input! is i n l m f l) and (inputs is in2rrif2) and (inputs is in m f3 )th e n (output is outi m f6) If (in pu tl is i n l m f l ) and (input2 is in2m f3) and (input3 is in3mf1 Jth en (output is outi m f7) If (input! is in lm fl and (input2 is in2m f3) and (inputs is in m f2 )th e n (output is outi m f3) S If (in pu tl is in l m f l ) and (input2 is in2m f3) and (input3 is in m f3 }th e n (output is outi m f9) ! If (in pu tl is in im f2 ) and (input2 is in2nrf1 ) and (input3 is in S m fl) th en (output is o u tlm fl 11 If (in pu tl is in lm f2 ) and (input2 is in2m fl ) and (input3 is in 3m f2) th en (output is o u tlm fl and if inputl is and ■ ini m f3 none in m f1 in n r f in m f Then input3 is input2 Is in1 m i l linl m f ■A Min3mf1 Iin3mf2 non* V 1 not □ — Connection — Weight: output is ■A- o u ti mf! m f2 rrif3 m f4 rrifS V o u ti o u ti o u ti o u ti o u ti in3m f3 none V (1 (1 (1 (1 (1 (1 (1 (1 0) (1 ) ) (1 } not □ 1 not mf6 riot O or and | D elete rule FIS N am e: Untitled ~] Add rule Change rule | Help Closs Hinh 3.11a Hỗ luõt mụr dugc sinh cho huan luyỗn mang Trong qua trinh huõn luyờn mang ANFIS chi sai sơ cua q trỵnh hn luyỗn, diốu dụ cho thõy viỗc xõp xi hm d\r bào dam bào u mơ hinh ANFIS thé hiờn duỗrc cỏc hnh vi vố du lieu huõn luyờn cüng nhu du lieu kiém txa Trên hinh 3.9 biéu diên kiém tra sai so vái 20 buác ljp cho huân luyên mang Hinh 3.9 biéu diên sai sô q trỵnh hn lun 3.3 Dánh giá két q du bào hai tiêu chí khác dugc sü dyng dé dỏnh giỏ hiỗu qu cua mụi mang v kh nõng cua minh dé làm cho d\r dốn xàc hai thông sô MBE 60 RMSE sử dụng để đánh giá độ xác mơ hình dự báo liệu thực tế - Mean Bias Error (MBE) thơng số sai lệch trung bình giá trị dự đoán từ liệu đo tương ứng với giá trị thực tế thơng tin hiệu suất dài hạn mơ hình dự báo - Root Mean Square Error (RMSE) cung cấp thông tin việc thực ngắn hạn, thể số đo biến động giá trị dự báo xung quanh liệu đo So Giá trị Giá trị So Giá trị Giá trị So Giá trị Giá trị TT thực dự báo TT thực dự báo TT thực dự báo 86.25 86.239 23 89.25 89.2676 45 83.25 83.2431 24 82.5 82.4983 46 85.25 85.2485 85 85.0001 25 86.25 86.3806 47 87.75 87.7501 85.25 85.2505 26 84.56 84.4878 48 86.5 86.5013 78.5 27 88.5 88.5023 49 86 86.0021 28 80.25 80.2408 50 86 86.0038 29 90.75 90.7456 30 84 84.0598 52 87 86.9937 31 80.25 80.2421 53 84.81 84.7707 10 87 87.0193 32 82 81.9998 64 82.62 82.6075 78.5 83 82.986 51 86 88.75 86.003 88.736 86.25 86.2595 86.25 86.1512 86.52 86.496 11 89.25 89.028 33 86 86.0039 55 77.97 78.0999 12 87.75 87.7285 34 86.25 86.2561 56 76.2 76.1928 35 85.75 85.7513 57 76.74 76.7406 13 86 86.001 14 84.75 84.749 36 87.5 87.5517 58 82 82.0021 15 88.25 88.2738 37 84.75 84.7547 59 83.87 83.8695 15 85 85.1906 38 87.25 87.2127 60 81.06 81.0589 61 17 80 80.0065 39 84.63 84.5948 61 85.2 85.1931 18 78.75 78.7471 40 86 86.0242 62 83.9 83.9042 19 81.5 81.5012 41 90.25 90.2504 63 85.7 85.6106 20 85.5 85.4997 42 88 88.0202 64 83.45 83.4513 21 87.75 87.7499 43 84.25 84.2655 65 22 85.25 85.247 44 84.81 84.786 83 83.0321 Bảng 3.2 Dữ liệu thực te dự báo o • • • Mean Bias Error " MBE = - Y O C i - x J (3.1) n ¡'=1 Rest Mean Square Error RMBE — ỊĨÃ - > cX i - X Y i= i (3.2) Trong đó: xt liệu quan sát x0 liệu tính tốn n số lượng liệu thu thập Từ bảng 3.1 cơng thức (3.1), (3.2) ta có: MBE =-0.0000784 RMBE=0.0495 Với việc sử dụng hàm thuộc dạng gbell cho thấy hệ ANFIS dự báo độ ẩm, nhiệt độ, lượng mưa tỉnh Lào cai Quá trình dự báo thể hình từ 3.3 đến hình 3.7 giá trị thể màu xanh giá trị liệu thu thập, giá ừị màu đỏ thể giá trị dự báo Các kết dự báo tiệm cận gần đứng với giá trị thu thập thời gian khảo sát Với phần đánh giá theo MBE âm lượng mưa dự báo thấp Giá trị RMBE nhỏ cho thấy mơ hình dự báo chấp nhận 62 KẾT LUẬN Trong luận văn đề cập đến vấn đề nghiên cứu rộng rãi, hệ suy diễn mờ ừên sở mạng thích nghi (ANFIS), hệ ứng dụng nhiều ừong thực tế, đặc biệt ừong lĩnh vực dự đốn, phân lớp, Dự đốn trước tình hình thời tiết như: sạt lở đất, thời tiết khắc nghiệt, ảnh hưởng sơng ngịi, mưa nhiều dẫn đến lũ lụt, hạn hán vấn đề ngưòi dân nước nói chung người Lào Cai nói riêng quan tâm nhiên để tìm định xác ln nhiệm vụ khó khăn có nhiều yếu tố ảnh hưởng Trong q trình tìm hiểu nghiên cứu, giúp đỡ nhiệt tình PGS TS Lê Bá Dũng với cố gắng thân luận văn đạt kết sau: + Nghiên cứu lý thuyết mạng Nơron bao gồm loại mạng, kiến trúc chứng, thuật tốn luyện mạng, phân tích khả hoạt động chúng Nghiên cứu lý thuyết lôgic mờ, hệ mờ thường gặp nhằm làm sáng tỏ trình suy luận hệ mờ ừong thực tế để áp dụng xây dựng hệ mờ cho dự báo thời tiết + Nêu rõ cấu trúc mạng ANFIS, thuật toán huấn luyện ứng dụng rộng lớn ừong thực tế đặc biệt toán dự báo thời tiết + Khái quát kiến thức dự báo, toán dự báo thời tiết khu vực lào Cai + Xây dựng mơ hình mạng ANFIS cho tốn dự báo thời tiết khu vực Lào Cai + Thu thập liệu, tiền xử lý liệu phục vụ việc huần luyện kiểm tra + Cài đặt mơ hình mạng ANFIS ừên mơi trường matlab Chương trình thực nghiệm chạy cho kết dự đốn xác Để có kết dự báo xác hướng nghiên cứu là: 63 + Thời gian tới tiếp tục nghiên cứu xây dựng hệ ANFIS có nhiều đầu + Phân tích liệu loại bỏ mẫu liệu cực đoan để có tập liệu tốt phục vụ huấn luyện Do thòi gian lực cịn hạn chế, kính mong bảo đóng góp ý kiến Thầy, Cơ Bạn để luận văn đạt kết tốt Cuối cùng, em xin chân thành cảm ơn Thầy giáo PGS.TS Lê Bá Dũng, người tận tình hướng dẫn em suốt thời gian thực đề tài, cảm ơn giúp đỡ đồng nghiệp bạn bè gia đình dành cho ừong thịi gian qua!