Dự báo chuỗi thời gian mờ dựa trên đại số gia tử với khoảng giải nghĩa tối ưu

i LỜI CẢM ƠN Đầu tiên xin gửi lời cảm ơn sâu sắc tới TS.Vũ Như Lân, người hướng dẫn khoa học, tận tình bảo, giúp đỡ thực luận văn Tôi xin cảm ơn thầy cô trường Đại Học Công nghệ Tin Truyền Thông Thái Nguyên giảng dạy truyền kiến thức cho Tôi xin chân thành cảm ơn bạn bè đồng nghiệp tạo điều kiện giúp đỡ hoàn thành nhiệm vụ học tập Cuối cùng, xin cảm ơn người thân bạn bè chia sẽ, gúp đỡ hoàn thành luận văn Mặc dù cố gắng hoàn thành luận văn với tất nỗ lực thân, luận văn thiếu sót Kính mong nhận ý kiến đóng góp quý Thầy, Cô bạn bè, đồng nghiệp Tôi xin chân thành cảm ơn! ii LỜI CAM ĐOAN Tôi xin cam đoan: Luận văn công trình nghiên cứu thực cá nhân, thực hướng dẫn khoa học TS Vũ Như Lân Các số liệu, kết luận nghiên cứu trình bày luận văn trung thực chưa công bố hình thức Tôi xin chịu trách nhiệm nghiên cứu Học viên Bùi Đăng Khoa iii MỤC LỤC LỜI CẢM ƠN i LỜI CAM ĐOAN ii MỤC LỤC iii DANH MỤC HÌNH ẢNH v DANH MỤC BẢNG BIỂU vi DANH MỤC TỪ VIẾT TẮT vii PHẦN 1: MỞ ĐẦU .1 PHẦN 2: NỘI DUNG CHƯƠNG 1: LOGIC MỜ VÀ ĐẠI SỐ GIA TỬ 1.1 Tập mờ phép tính tập mờ 1.1.1 Định nghĩa tập mờ .4 1.1.2 Các phép toán tập mờ 1.1.3 Suy luận xấp xỉ suy diễn mờ 1.2 Đại số gia tử 12 1.2.1 Cơ sở lý thuyết 12 1.2.2 Mô hình tính toán ĐSGT 17 KẾT LUẬN CHƯƠNG 19 CHƯƠNG 2: CÁC MÔ HÌNH DỰ BÁO CHUỖI THỜI GIAN MỜ 20 2.1 Mô hình dự báo chuỗi thời gian mờ Song Chissom 20 Bước Xác định tập 20 Bước Chia miền xác định tập thành khoảng 21 Bước Xây dựng tập mờ tập 21 Bước Mờ hóa chuỗi liệu 22 Bước Xác định quan hệ mờ 22 Bước Dự báo phương trình Ai=Ai 1* R, ký hiệu * toán tử max-min 25 Bước Giải mờ kết dự báo 26 2.2 Mô hình dự báo chuỗi thời gian mờ Chen 27 iv Bước Chia miền xác định tập thành khoảng 28 Bước Xây dựng tập mờ tập 28 Bước Mờ hóa chuỗi liệu 29 Bước Xác định quan hệ mờ 31 Bước Tạo lập nhóm quan hệ mờ 31 Bước Giải mờ đầu dự báo 31 KẾT LUẬN CHƯƠNG 36 CHƯƠNG 3: MÔ HÌNH DỰ BÁO TỐI ƯU 37 3.1 Phép ngữ nghĩa hóa, phép giải nghĩa khoảng giải nghĩa mô hình dự báo dựa ĐSGT 37 3.2 Mô hình dự báo chuỗi thời gian mờ dựa ĐSGT 39 3.3 Mô hình dự báo chuỗi thời gian mờ với khoảng giải nghĩa tối ưu 48 3.4 So sánh mô hình dự báo 50 KẾT LUẬN CHƯƠNG 51 PHẦN 3: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 52 TÀI LIỆU THAM KHẢO 53 PHỤ LỤC 56 v DANH MỤC HÌNH ẢNH Hình 1.1 Hàm liên thuộc tập mờ “x gần 1” Hình 1.2 Một số dạng hàm liên thuộc tập mờ Hình 1.3 Giao hai tập mờ Hình 1.4 Phép hợp hai tập mờ Hình 2.1: Số sinh viên nhập học thực tế số sinh viên nhập học dự báo 26 Hình 2.2 Dữ liệu tuyển sinh thực tế liệu tuyển sinh dự báo 35 vi DANH MỤC BẢNG BIỂU Bảng 1.1 : Các cặp T - chuẩn T - đối chuẩn Bảng 1.2 Một số phép kéo theo mờ thông dụng Bảng 2.1: Chuyển đổi giá trị lịch sử thành giá trị ngôn ngữ 23 Bảng 2.2: Xác địnhcác quan hệ thành viên 25 Bảng 2.3:Mờ hóa chuỗi liệu 30 Bảng 2.4: Quan hệ logic mờ liệu tuyển sinh 31 Bảng 2.5: Các nhóm quan hệ logic mờ 31 Bảng 2.6 Bảng kết dự báo 35 Bảng 3.1 Giá trị đầu giá trị cuối đoạn giải nghĩa chọn 45 Bảng 3.3: Kết tính toán dự báo tối ưu số sinh viên nhập học trường đại học Alabama từ 1971 đến 1992 theo tiếp cận ĐSGT 49 Bảng 3.4 : So sánh kết mô hình dự báo tối ưu theo tiếp cận ĐSGT kết mô hình dự báo cải tiến khác 50 vii DANH MỤC TỪ VIẾT TẮT ĐSGT Đại số gia tử NQHNN Nhóm quan hệ ngữ nghĩa PHẦN 1: MỞ ĐẦU Lý chọn đề tài Trong năm gần đây, có nhiều tác giả giới quan tâm nghiên cứu mô hình dự báo chuỗi thời gian mờ Song & Chissom [2,3,4] đưa tạp chí “Fuzzy Sets and Systems” năm 1993 Chen [3,5] cải tiến vào năm 1996 Nhiều nghiên cứu ứng dụng dự báo có giá trị thực tế thực sở phương pháp luận dự báo theo mô hình chuỗi thời gian mờ nêu Tuy nhiên, độ xác dự báo quan điểm xem xét chuỗi thời gian theo tiếp cận mờ Song & Chissom chưa cao phụ thuộc vào nhiều yếu tố Vì nay, mô hình dự báo chuỗi thời gian mờ nhiều chuyên gia giới Việt Nam [1] cải tiến để có kết tốt Đại số gia tử ( ĐSGT ) tiếp cận tác giả N.C.Ho W Wechler xây dựng vào năm 1990, 1992 [15] đưa mô hình tính toán hoàn toàn khác biệt so với tiếp cận mờ Những ứng dụng tiếp cận ĐSGT cho số toán cụ thể lĩnh vực công nghệ thông tin điều khiển mang lại số kết quan trọng khẳng định tính ưu việt tiếp cận so với tiếp cận mờ truyền thống [7] Đề tài luận văn tiếp tục thử nghiệm cho nghiên cứu ứng dụng ĐSGT cho lĩnh vực dự báo chuỗi thời gian Đây lĩnh vực ứng dụng hoàn toàn ĐSGT, chọn đề tài nghiên cứu để hiểu sâu ĐSGT hiệu ứng dụng mô hình dự báo chuỗi thời gian mờ 2 Đối tượng phạm vi nghiên cứu 2.1 Đối tượng Tập trung nghiên cứu mô hình dự báo chuỗi thời gian mờ Song & Chissom Chen Từ đưa mô hình dự báo chuối thời gian mờ với khoảng giải nghĩa tối ưu 2.2 Phạm vi nghiên cứu Nghiên cứu mô hình dự báo chuỗi thời gian mờ Song & Chissom Nghiên cứu mô hình dự báo cải tiến Chen Nghiên cứu tiếp cận ĐSGT: Lý thuyết mô hình tính toán ứng dụng toán dự báo chuỗi thời gian mờ Nghiên cứu đề xuất mô hình dự báo chuỗi thời gian mờ theo tiếp cận đại số gia tử với khoảng giải nghĩa tối ưu Ứng dụng mô hình dự báo theo tiếp cận ĐSGT cho chuỗi liệu sử dụng nhiều giới Việt Nam Qua so sánh kết mô hình dự báo sử dụng ĐSGT với mô hình dự báo khác để thấy rõ hiệu tiếp cận ĐSGT toán dự báo chuỗi thời gian mờ Hướng nghiên cứu đề tài Nghiên cứu lôgic mờ: phép mờ hóa, suy luận mờ phép giải mờ Nghiên cứu tiếp cận mờ vấn đề dự báo chuỗi thời gian mờ Nghiên cứu tiếp cận ĐSGT toán dự báo chuỗi thời gian mờ Nghiên cứu khoảng giải nghĩa khả tối ưu Xây dựng chương trình tính toán MATLAB cho mô hình dự báo chuỗi thời gian mờ dựa ĐSGT với khoảng giải nghĩa tối ưu Phương pháp nghiên cứu - Phương pháp nghiên cứu lý thuyết: Nghiên cứu mô hình dự báo chuỗi thời gian mờ theo tiếp cận mờ Song & Chissom, Chen tiếp cận đại số gia tử - Phương pháp nghiên cứu thực nghiệm: Nghiên cứu xây dựng chương trình tính toán ứng dụng mô hình dự báo chuỗi thời gian mờ với khoảng giải nghĩa tối ưu MATLAB theo tiếp cận ĐSGT so sánh với mô hình dự báo khác - Phương pháp trao đổi khoa học: Thảo luận, xemina, lấy ý kiến chuyên gia, công bố kết nghiên cứu tạp chí khoa học Ý nghĩa khoa học luận văn - Mở rộng ứng dụng tiếp cận ĐSGT lĩnh vực dự báo Cấu trúc luận văn Nội dung luận văn chia làm chương: + Chương 1: Logic mờ Đại số gia tử + Chương 2: Các mô hình dự báo chuỗi thời gian mờ + Chương 3: Mô hình dự báo tối ưu 50 Bảng 3.4 : So sánh kết mô hình dự báo tối ưu theo tiếp cận ĐSGT kết mô hình dự báo cải tiến khác Phương Pháp Witold Pedryczc MSE 198203 Tối ưu PSO (2015) Phương Pháp Ozdemir MSE 78073 Tối ưu độ dài khoảng kết hợp mạng nơron (2012) Bai [14] bậc (2011) 140676 Singh bậc 3(2007) 87025 Uslu tối ưu DEA (2013) 106276 Egrioglu [13] (2010) 60714 Huarng [11] độ dài khoảng 78792 Tiếp cận ĐSGT 35718 khác hiệu (2001) sp* = 0.375 dp* = 0.418 θ* = 0.317; α* =0.382 3.4 So sánh mô hình dự báo Dựa số liệu sinh viên nhập học từ 1971 đến 1992 sở bước theo tiếp cận ĐSGT đây, xây dựng mô hình dự báo xác nhiều mô hình dự báo có (Bảng 3.4) Chương trình tính toán dự báo sử dụng đại số gia tử xây dựng MATLAB R2013a ( xem phần Phụ Lục ) Lưu ý nguyên tắc, độ xác phương pháp dự báo chuỗi thời gian mờ theo tiếp cận Song & Chisson, Chen nhiều tác giả khác phụ thuộc nhiều vào trình mờ hóa chuỗi thời gian giải mờ đầu dự báo đặc biệt khó tối ưu hóa đồng thời hai trình Trong đó, mô hình tính toán theo tiếp cận ĐSGT đảm bảo thứ tự ngữ nghĩa đưa cách chọn tham số θ, α , sp,dp hợp lý dễ dàng định hướng đến tối ưu để xây dựng mô hình dự báo dựa phép ngữ nghĩa hóa phép giải nghĩa phi tuyến Đây tính chất quan trọng tiếp cận ĐSGT sở khoa học cho tính hiệu cao nhiều toán ứng dụng nói chung toán dự báo chuỗi thời gian mờ nói riêng 51 KẾT LUẬN CHƯƠNG Vấn đề dự báo chuỗi thời gian mờ năm gần nhiều chuyên gia giới quan tâm nghiên cứu Nhiều nghiên cứu sử dụng mô hình chuỗi thời gian mờ bậc cao với độ dài khoảng số lượng khoảng hợp lý cho kết dự báo số sinh viên nhập học trường Đại học Alabama xác [7, 12, 13] Mô hình dự báo dựa ĐSGT mô hình mới, hoàn toàn khác biệt, có khả dự báo chuỗi thời gian mờ với độ xác cao so với số mô hình dự báo có Sự khác biệt thể phương pháp luận lần sử dụng phép ngữ nghĩa hóa phi tuyến thay cho phép mờ hóa, nhóm quan hệ ngữ nghĩa thay cho nhóm quan hệ mờ phép giải nghĩa phi tuyến thay cho phép giải mờ Mặc dù sử dụng mô hình chuỗi thời gian mờ bậc với khoảng chia liệu lịch sử mô hình dự báo Chen [5], kết ứng dụng mô hình dự báo dựa ĐSGT với tham số hóa nhãn ngữ nghĩa từ (3.10) đến (3.16) biến ngôn ngữ ( thể Bảng 3.3) cho thấy rõ hiệu dự báo tốt so với số phương pháp dự báo sử dụng khoảng có [4, 9] Đặc biệt, mô hình dự báo với tham số tối ưu ĐSGT (Bảng 3.4) tốt nhiều mô hình sử dụng nhiều kỹ thuật phức tạp khác mô hình dự báo chuỗi thời gian mờ bậc cao, số khoảng chia lớn [13, 14], số mô hình dự báo tối ưu khác [10, 12] Rõ ràng rằng: tính xác mô hình dự báo tối ưu sai số trung bình bình phương MSE sử dụng ĐSGT so với số mô hình dự báo tối ưu khác đảm bảo khả tối ưu tham số ĐSGT θ*, α* kết hợp với tham số mở rộng phép ngữ nghĩa hóa phi tuyến sp* phép giải nghĩa phi tuyến dp* với 42 tham số đoạn giải nghĩa sơ sở khai thác toàn diện có tính hệ thống thông tin ẩn chứa nhóm quan hệ ngữ nghĩa Những kết luận văn mở hướng nghiên cứu cho lĩnh vực dự báo chuỗi thời gian mờ 52 PHẦN 3: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN Luận văn đưa số thông tin chuỗi thời gian mờ mô hình xử lý chuỗi thời gian mờ Phương pháp dự báo chuỗi thời gian tác giả xây dựng từ kỷ trước áp dụng cho trường Đại học Alabama từ năm 1971 đến năm 1992 Từ mô hình tiến hành nghiên cứu xây dựng chương trình dự báo chuỗi thời gian mờ dựa đại số gia tử với khoảng giải nghĩa tối ưu Với mô hình xây dựng chương trình tính toán sở sử dụng thuật toán dựa ĐSGT dự báo liệu tuyển sinh Đại học Alabama từ năm 1971 đến năm 1992 Đây liệu nhiều tác giả giới Việt Nam sử dụng để thử nghiệm Kết tính toán cho thấy mức độ phù hợp dự báo so với số liệu thực tế Chính vậy, mô hình chuỗi thời gian mờ nhiều tác giả nghiên cứu có nhiều triển vọng ứng dụng công nghệ thông tin với liệu thực tế Tuy nhiên điều kiện thời gian trình độ hạn chế tránh khỏi thiếu sót trình xây dựng Nếu điều kiện cho phép, tiếp tục nghiên cứu mở rộng ứng dụng mô hình dự báo dựa ĐSGT cho chuỗi liệu nước nhiều nước khác giới với chuỗi liệu nhiệt độ, môi trường… để phát triển tiếp luận văn hướng đến thực tiễn 53 TÀI LIỆU THAM KHẢO Tiếng Việt [1] Nguyễn Công Điều: Một thuật toán cho mô hình chuỗi thời gian mờ Tạp chí KHOA HỌC VÀ CÔNG NGHỆ, Tâp 49, Số 4, 11-25, 2011 Tiếng Anh [2] Song Q, Chissom B.S Fuzzy time series and its models Fuzzy Sets and Syst 54 269–277, 1993 [3] Song Q, Chissom B.S, Forecasting enrollments with fuzzy time series – part Fuzzy Sets and Syst 54, 1–9, 1993 [4] Song Q, Chissom, B S, Forecasting enrollments with fuzzy time series – part Fuzzy Sets and Syst 62, 1–8, 1994 [5] Chen, S.M, Forecasting Enrollments Based on Fuzzy Time Series Fuzzy Sets and Syst 81, 311–319, 1996 [6] Chen S M and Wang N Y, Fuzzy Forecasting Based on FuzzyTrend Logical Relationship Groups IEEE TRANSACTIONS ON SYSTEMS, MAN, AND CYBERNETICS—PART B: CYBERNETICS, VOL 40, NO 5, 1343-1358, 2010 [7] Chen S.M, Chen C D, Handling forecasting problems based on high-order fuzzy logical relationships Expert Systems with Applications 38, 3857–3864, 2011 [8] Chen S M, Forecasting Enrollments based on High Order Fuzzy Time Series Cybernetics and Systems: An International Journal 33,1-16, 2002 [9] Chen S.M and Chung N.Y, Forecasting enrollments using highorder fuzzy time series and genetic algorithms, Int Journal of Intelligent Systems 21, 485-501 2006 54 [10] Lee M H, Efendi R, Ismad Z, Modified Weighted for Enrollments Forecasting Based on Fuzzy Time Series MATEMATIKA, 25(1), 67-78, 2009 [11] Huarng K, Effective lengths of intervals to improve forecasting in fuzzy time series Fuzzy Sets and Systems 123 387–394, 2001 [12] Ozdemir O, Memmedli M, Optimization of Interval Length for Neural Network Based Fuzzy Time Series IV International Conference “Problems of Cybernetics and Informatics”, September 12-14, 104-105, 2012 [13] Egrioglu E, Aladag C H, Yolcu U, Uslu V R, Basaran M A, Finding an optimal interval length in high order fuzzy time series Expert Systems with Applications 37 5052–5055, 2010 [14] Bai E, Wong W K, Chu W C, Xia M and Pan F, A heuristic time invariant model for fuzzy time series forecasting Expert Systems with Applications, 38, 2701-2707, 2011 [15] Ho N C and Wechler W, Hedge algebras: An algebraic approach to structures of sets of linguistic domains of linguistic truth variable, Fuzzy Sets and Systems, Vol 35,3, 281-293, 1990 [16] Nguyen Cat Ho, Vu Nhu Lan, Le Xuan Viet, Optimal hedgealgebras-based controller: Design and Application, Fuzzy Sets and Systems 159, 968– 989, 2008 [17] Nguyen C.H, Huynh V.N, Pedrycz W, A Construction of Sound Semantic Linguistic Scales Using 4-Tuple Representation of Term Semantics, Int J Approx Reason 55 763–786, 2014 [18] Dinko Vukadinović, Mateo Bašić, Cat Ho Nguyen, Nhu Lan Vu, Tien Duy Nguyen, Hedge-Algebra-Based Voltage Controller for a Self- 55 Excited Induction Generator, Control Engineering Practice, 30, 78–90, 2014 [19] Hai-Le Bui , Cat-Ho Nguyen, Nhu-Lan Vu, Cong-Hung Nguyen, General design method of hedge-algebras-based fuzzy controllers and an application for structural active control Applied Intelligence, Vol 43, N 2, 251-275, 2015 56 PHỤ LỤC SỬ DỤNG GA TRONG MATLAB 1/ Hàm mục tiêu biến thiết kế Giả sử xây dựng hàm cần tối ưu có tên : hammuctieu(x) 2/ Khởi động GA - Từ hình > APPS > OPTIMIZATION - Chọn “GA” hộp “Solve” 3/ Nhập tham số hàm mục tiêu nêu - @hammuctieu  Hộp Fitness function : @hammuctieu - Số biến  Number of variables - Nhập khoảng xác định biến vào “Bounds” cách “dấu cách” Cận Lower cận Upper lưu ý nhập [ ] Ví dụ [1 3] cho biến 4/ Nhập tham số giải “ Options” bên phải hình - Population Size “Population”: 50 60 Bỏ qua số hộp chưa cần đến trường hợp đơn giản - “Stopping Criteria” : nhập Generations=1000 …5000 tùy toán Nhập Function tolerance=1e-10 1e-12 tùy 5/ Hiển thị “Plot Functions” - Tích vào hộp “Best fitnees” “Best individual” 6/ Ấn nút “Start” để chạy chương trình Nếu có kết lần chạy trước nên xóa = clear results Nếu cần dừng với kết không cần chạy dùng hộp” Stop” Có thể tạm dừng chương trình Pause sau lại tiếp tục cần 7/ Lấy kết biến tối ưu Sau có kết chương trình dừng hoàn toàn lấy số liệu sau: - Click chuột trái chọn số liệu có - Control + C để copy - Đưa hình ( cửa sổ lệnh MATLAB ) gõ biến tạm thời 57 ví dụ u = [paste] (dán liệu lên dòng đó) cách click double bên hình phải  cho kết MATLAB CHƯƠNG TRÌNH TÍNH TOÁN DỰ BÁO CHUỖI THỜI GIAN MỜ SỬ DỤNG ĐẠI SỐ GIA TỬ VỚI KHOẢNG GIẢI NGHĨA TỐI ƯU function [y] = OHAP_46phituyenngan(x)% MSE=35717.78684703967 (CT ngan nhu CT du) %Optimization running %Objective function value: 35717.78684703967 %Optimization terminated: average change in the fitness value less than options.TolFun %Teta = 0.31708901882037355 Anpha = 0.38227678375194174 %sp = 0.3751254891341431 dp = 0.41799169484525656 %CAC SO LIEU BAN DAU format long %So sinh vien tu 1971 den 1992 la 22 nam SV22=[13055;13563;13867;14696;15460;15311;15603;15 861;16807;16919;16388;15433;15497;15145;15163;1598 4;16859;18150;18970;19328;19337;18876] %So sinh vien tu 1972 den 1992 la 21 nam SV21=[13563;13867;14696;15460;15311;15603;15861;16 807;16919;16388;15433;15497;15145;15163;15984;1685 9;18150;18970;19328;19337;18876] xgmin=13000 xgmax=20000% Cac gia tri nho nhat va lon nhat cua tap nen %Trong so cua cac phan tu nhom quan he mo voi ngu nghia WSA1A1=3/7 WSA2A1=1/7 WSA3A2=1 WSA3A3=9/71 WSA4A3=4/71 WSA4A4=4/20 WSA3A4=9/20 58 WSA6A4=3/20 WSA6A6=3/5 WSA7A6=2/5 WSA7A7=2/5 WSA6A7=3/5 % Toi uu theo TETA=x(1) va Anpha=x(2) SA1=x(1)*(1-x(2))*(1-x(2)) %VerySmall SA2=x(1)*(1-x(2)) %Small SA3=x(1)*(1-x(2)+x(2)^2) %LitleSmall SA4=x(1) % Midle SA5=x(1)+x(2)*(1-x(1))*(1-x(2)) %LitleLarge SA6=x(1)+(1-x(1))*x(2) % Large SA7=x(1)+x(2)*(1-x(1))*(2-x(2))% VeryLarge %DU BAO NHU SAU CHO 21 diem voi 22 du lieu theo thoi gian %Du bao ve Ngu nghia dinh luong %Day la NGU NGHIA HOA gia tri du bao co tinh trung binh so %Tu A1 den A1 cho diem du bao ngu nghia thu SP(1)=WSA1A1*SA1*2+WSA2A1*SA2% Tinh theo (1) Nhom quan he mo voi %ngu nghia co dang SA1 >SA1, SA1, SA2 co so WSA1(A1)=3/7 (2 lan) %va WSA2(A1)=1/7 %Tu A1 den A1 cho diem du bao ngu nghia(NN) thu SP(2)=SP(1) %Tu SA1 den SA2 cho diem du bao NN thu SP(3)=SP(1) %Tu SA2 den SA3 cho diem du bao NN thu % Luu y SA3 = 0.375 theo DSGT ma Le SA3P4=5/14 vi DSGT khong Theo luat % vi vay SA3 khong o giua khoang ngu nghia tu 2/7 den 3/7 de % cho Desemtization roi vao diem giua khoang 15000 den 16000 va la 59 % 15500 theo kieu luat SP(4)=WSA3A2*SA3 %Tu SA3 den SA3 cho diem du bao NN thu 5,6,7,12,13,14,15, SP(5)=WSA3A3*SA3*7+WSA4A3*SA4*2% tinh theo (3) %neu chua co dieu chinh o muc dia phuong cung khoang A3 SP(6)=SP(5) SP(7)=SP(5) SP(12)=SP(5) SP(13)=SP(5) SP(14)=SP(5) SP(15)=SP(5) %Tu A3 den A4 cho diem du bao NN thu va diem thu 16 nhu o tren SP(8)=SP(5) SP(16)=SP(5) %Tu A4 den A4 cho diem thu va thu 10 SP(9)=WSA4A4*SA4*2+WSA3A4*SA3+WSA6A4*SA6%Tinh theo (4) SP(10)=SP(9)%Tinh theo (4) %Tu A4 den A3 cho diem du bao thu 11 nhu diem du bao thu o tren SP(11)=SP(9) %SA5P khong du bao NN, do khong co (5) %Tu A4 den A6 cho diem thu 17 nhu diem du bao thu o tren SP(17)=SP(9) %Tu A6 den A6 cho diem thu 18 tinh theo (6) SP(18)=WSA6A6*SA6+WSA7A6*SA7 %Tu A6 den A7 cho diem du bao NN thu 19 nhu 18 60 SP(19)=SP(18) % Tu A7 den A7 cho diem du bao NN thu 20 nhu 18 SP(20)=WSA6A7*SA6+WSA7A7*SA7 %Cuoi cung tu A7 den A6 cho diem du bao NN thu 21 cung nhu 18 SP(21)=SP(20) %GIAI NGHIA gia tri du bao NN Cho 21 diem thu duoc DU BAO THUC TE %TOI UU HOA 21 KHOANG DESEMANTIZATION cho 21 diem du bao voi 42 bien so xmin(1)=x(3)% bien so cho khoang DESEMANTIZATION cua diem du bao thu xmax(1)=x(4)% nt xmin(2)=x(5)% cho nt xmax(2)=x(6)% cho nt xmin(3)=x(7) % nt xmax(3)=x(8) % nt xmin(4)=x(9) % nt xmax(4)=x(10) % nt xmin(5)=x(11) % nt xmax(5)=x(12) % nt xmin(6)=x(13)% nt xmax(6)=x(14)% nt xmin(7)=x(15)% nt xmax(7)=x(16)% nt xmin(8)=x(17) % nt xmax(8)=x(18) % nt xmin(9)=x(19) % nt xmax(9)=x(20) % nt xmin(10)=x(21) % nt 10 xmax(10)=x(22) % nt 10 xmin(11)=x(23) % nt 11 xmax(11)=x(24) % nt 11 xmin(12)=x(25) % nt 12 xmax(12)=x(26) % nt 12 xmin(13)=x(27) % nt 13 61 xmax(13)=x(28) % nt 13 xmin(14)=x(29) xmax(14)=x(30) xmin(15)=x(31) xmax(15)=x(32) xmin(16)=x(33) xmax(16)=x(34) xmin(17)=x(35) xmax(17)=x(36) xmin(18)=x(37) xmax(18)=x(38) xmin(19)=x(39) xmax(19)=x(40) xmin(20)=x(41) xmax(20)=x(42) xmin(21)=x(43) xmax(21)=x(44) % % % % % % % % % % % % % % % % nt nt nt nt nt nt nt nt nt nt nt nt nt nt nt nt 14 14 15 15 16 16 17 17 18 18 19 19 20 20 21 21 % Luu y rang Nhom nam khoang 13000-15000 gom diem d? bao 1,2,3 % Nhom khoang 14000-15000 gom diem d? bao ( toi uu ca luat ) % Nhom khoang 15000-17000 gom 5,6,7,8, 12,13,14,15,16 % Nhom khoang 15000-19000 gom 9,10,11,17 % Nhom khong 18000-20000 gom 18,19 % Nhom khoang 18000-20000 gom 20,21 % CAC DIEM DU BAO SE KHAC NHAU chi co o Dai So Gia Tu SPP=x(45) DPP=x(46) for i=1:21, DeSP(i)=(SPP*SP(i)*(1-SP(i))+SP(i))*(xmax(i)xmin(i))+xmin(i); DDeSP(i)=DPP*(DeSP(i)-xmin(i))*(xmax(i)DeSP(i))/(xmax(i)-xmin(i))+DeSP(i); end %SO LIEU CHAY GA 62 lb=[0.0;0.0;13000;15000;13000;15000;13000;15000;13 000;16000;13000;17000;13000;17000;13000;17000;1300 0;17000;13000;19000;13000;19000;13000;19000; 13000;17000;13000;17000;13000;17000;13000;17000;13 000;17000;13000;19000;13000;20000;13000;20000;1300 0;20000;13000;20000;-1;-1]; ub=[1.0;1.0;13000;20000;13000;20000;13000;20000;15 000;20000;15000;20000;15000;20000;15000;20000;1500 0;20000;15000;20000;15000;20000;15000;20000; 15000;20000;15000;20000;15000;20000;15000;20000;15 000;20000;15000;20000;18000;20000;18000;20000;1800 0;20000;18000;20000;1;1] %TINH TOAN SAI SO (Gia tri thuc te - gia tri du bao) %Vao cac gia tri du bao thuc te da duoc tinh toan o tren %for i=1:21; % PSV(i)=DDeSP(i); %end %PSV=[PSV(1);PSV(2);PSV(3);PSV(4);PSV(5);PSV(6);PS V(7);PSV(8);PSV(9);PSV(10); % PSV(11);PSV(12);PSV(13);PSV(14);PSV(15);PSV(16);PS V(17);PSV(18);PSV(19);PSV(20);PSV(21)] DP=[1;2;3;4;5;6;7;8;9;10;11;12;13;14;15;16;17;18;1 9;20;21];%diem du bao %Tinh sai so tuyet doi (SV21-PSV) SAISO=SV21-DDeSP'%Phep tinh tru vector cua MATLAB %Tinh sai so trung binh SAISOBINHPHUONG=[SAISO(1)^2;SAISO(2)^2;SAISO(3)^2; SAISO(4)^2;SAISO(5)^2;SAISO(6)^2; SAISO(7)^2;SAISO(8)^2;SAISO(9)^2;SAISO(10)^2;SAISO (11)^2;SAISO(12)^2; SAISO(13)^2;SAISO(14)^2;SAISO(15)^2;SAISO(16)^2;SA ISO(17)^2; 63 SAISO(18)^2;SAISO(19)^2;SAISO(20)^2;SAISO(21)^2] T=sum(SAISOBINHPHUONG) MSE=T/21 % Cuoi cung phai gan y gia tri MSE la ham can toi uu chua 44 bien y=MSE %Xay dung bang so sanh BANG=[SV21 DP DDeSP' SAISOBINHPHUONG] %MSE = (CT du) 3.571781499662641e+04) %MSE = (CT ngan) 3.571781499662641e+04 %BANG =1.0e+05 * % 0.135630000000000 0.000010000000000 0.135736393679120 0.001131961495673 % 0.138670000000000 0.000020000000000 0.138669893721172 0.000000001129519 % 0.146960000000000 0.000030000000000 0.146437615676438 0.027288538150310 % 0.154600000000000 0.000040000000000 0.154600032085375 0.000000000102947 % 0.153110000000000 0.000050000000000 0.153109980124077 0.000000000039505 % 0.156030000000000 0.000060000000000 0.156029721930562 0.000000007732261 % 0.158610000000000 0.000070000000000 0.158610064743832 0.000000000419176 % 0.168070000000000 0.000080000000000 0.168069835558964 0.000000002704085 % 0.169190000000000 0.000090000000000 0.169189991531224 0.000000000007172 % 0.163880000000000 0.000100000000000 0.163880014927477 0.000000000022283 % 0.154330000000000 0.000110000000000 0.160312643072708 3.579201813542294 % 0.154970000000000 0.000120000000000 0.154970117326083 0.000000001376541 % 0.151450000000000 0.000130000000000 0.151450072211078 0.000000000521444 64 % 0.151630000000000 0.000140000000000 0.151630114875633 0.000000001319641 % 0.159840000000000 0.000150000000000 0.159839930268707 0.000000000486245 % 0.168590000000000 0.000160000000000 0.168589996716242 0.000000000001078 % 0.181500000000000 0.000170000000000 0.175260515876309 3.893116212979204 % 0.189700000000000 0.000180000000000 0.189700046802299 0.000000000219046 % 0.193280000000000 0.000190000000000 0.193285095765933 0.000002596683044 % 0.193370000000000 0.000200000000000 0.193370143246088 0.000000002051944 % 0.188760000000000 0.000210000000000 0.188760288238279 0.000000008308131 % 46 BIEN TOI UU %0.31708901882037355 0.38227678375194174 13000.0 15442.857328342965 %13000.0 16692.09552158331 13000.0 19999.99898225792 13736.015166176343 %18039.094938223057 13239.809192112003 18264.204944165307 14188.22133887576 %17620.258805283294 13270.399695403876 19554.826092455598 14660.359056104202 %19867.750536939857 14102.072662343931 19677.822178358245 13445.418438624494 %19269.889220368288 13000.003103469282 19000.00008402022 13753.48711418045 %17983.018289990207 13175.869838058801 17952.698379928686 13502.997421317285 %17529.94442927034 14540.59743471893 18042.091521267466 14915.171417610749 %19630.609395299438 14999.999869616988 19999.999582158645 14538.19441832438 %20000.0 16439.255526497796 20000.0 16484.35406169523 20000.0 14039.86413741196 %20000.0 0.3751254891341431 0.41799169484525656 [...]... HÌNH DỰ BÁO CHUỖI THỜI GIAN MỜ 2.1 Mô hình dự báo chuỗi thời gian mờ của Song và Chissom Trong phần này, sử dụng khái niệm và phương pháp dự báo của chuỗi thời gian mờ được Song et al và Chissom đưa ra để xây dựng thuật toán dự báo cho chuỗi thời gian Từ đó ứng dụng trực tiếp cho chuỗi dữ liệu sinh viên nhập học từ 1971 đến 1990 [2,3,4,8] Giả sử U là không gian nền: U = u1,u2, ,un  Tập A là mờ trên. .. kết quả dự báo Hình 2.1: Số sinh viên nhập học thực tế và số sinh viên nhập học dự báo 27 2.2 Mô hình dự báo chuỗi thời gian mờ của Chen Luật dự báo chuỗi thời gian mờ: Giả sử dữ liệu của chuỗi thời gian F(t-1) được mờ hoá bằng Aj, khi đó, đầu ra dự báo của F(t) được xác định theo những nguyên tắc sau đây: 1 Nếu tồn tại quan hệ một-một, kí hiệu là Aj Ak, và mức độ thuộc cao nhất của Ak tại khoảng uk,... phần tử sinh âm ký hiệu là f và ta có f < t (Trong ví dụ trên, t tương ứng với true là dương, còn f tương ứng với false là âm) Định nghĩa đại số gia tử: Một cấu trúc đại số AT = (T, G, H, ≤) với H được phân hoặch thành H+ và H- các gia tử ngược nhau được gọi là một đại số gia tử nếu nó thỏa mãn các tiên đề sau: (1) Mỗi gia tử hoặc là dương hoặc là âm đối với bất kỳ một gia tử nào khác, kể cả với chính... một số lĩnh vực ứng dụng có hiệu quả như điều khiển và công nghệ thông tin Bên cạnh đó, ĐSGT cũng cần được nghiên cứu cho một lĩnh vực ứng dụng mới, đó là bài toán dự báo chuỗi thời gian mờ Dự báo chuỗi thời gian mờ là một hướng nghiên cứu hoàn toàn mới Trên thực tế, những dữ liệu thu được theo thời gian thường chịu ảnh hưởng của các yếu tố khách quan và chủ quan Chính vì vậy xem xét chuỗi thời gian trên. .. ≥ hv) đối với mọi gia tử h Định nghĩa trên mới chỉ dựa vào các tính chất ngữ nghĩa và di truyền ngữ nghĩa của ngôn ngữ nhưng đã tạo ra cấu trúc đủ mạnh làm cơ sở logic cho lập luận xấp xỉ Xét đại số gia tử AT có đúng 3 phần tử sinh: dương, âm và một phần tử trung hòa w nằm giữa hai phần tử sinh kia và có tính chất hw = w, với mọi hH Một phần tử y được gọi là phần tử đối nghịch của phần tử x nếu có... đòi hỏi một số lượng tính toán lớn để lấy được quan hệ R mờ và các phép toán max-min sẽ mất rất nhiều thời gian tính toán khi quan hệ R mờ là rất lớn Như vậy, ta phải phát triển một phương pháp mới để dự báo kết quả tuyển sinh của các trường đại học một cách hiệu quả hơn Trong phần này, chúng tôi trình bày một phương pháp mới của Chen để dự báo tuyển sinh đại học dựa trên chuỗi thời gian mờ Các dữ liệu... Phương trình dự báo có dạng: (m1+m2+ +mn)/n Phương pháp của Song và Chissom [3] sử dụng mô hình sau đây để dự báo kết quả tuyển sinh đại học: Ai = Ai-1 * R trong đó Ai-1 là số sinh viên nhập học của năm i - 1 và Ai là số sinh viên dự báo nhập học của năm i trong tập mờ và ' ' là phép toán 'max-min "; và R là quan hệ mờ cho thấy mối quan hệ mờ giữa các chuỗi thời gian mờ Tuy nhiên, các dự báo trong phương... thể có nhiều phần tử đối nghịch Nếu mỗi phần tử của T chỉ có duy nhất một phần tử đối nghịch thì AT được gọi là đại số gia tử đối xứng Khi đó ta có đặc trưng sau đây: 1.2.1.2 Các định lý Định lý 1: Một đại số gia tử AT là đối xứng nếu với mọi x, x là điểm dừng khi và chỉ khi –x cũng là điểm dừng Định lý trên chứng tỏ rằng đại số gia tử đối xứng, dù chỉ dựa trên các tính chất tự nhiên của khái niệm ngôn... x=0 hoặc y=1 Các kết quả mở rộng đối với các toán tử sup, inf, gọi là đại số gia tử mở rộng đối xứng, đồng thời mịn hoá đại số gia tử, đưa thêm các toán tử hoặc, và liên kết các gia tử tạo thành các gia tử mới Nhưng vấn đề tiếp tục này được quan tâm ở đây là trong các ví dụ trên thường đề cập đến biến 17 chân lý, có miền giá trị được sắp xếp thứ tự khá rõ, trong khi với các khái niệm ngôn ngữ mà con người... CHƯƠNG 1: LOGIC MỜ VÀ ĐẠI SỐ GIA TỬ 1.1 Tập mờ và các phép tính trên tập mờ 1.1.1 Định nghĩa tập mờ Định nghĩa: Cho Ω( Ω ≠ ) là không gian nền, một tập mờ A trên Ω được xác định bởi hàm thuộc( membership function): A: Ω [0,1] 0  A(x)  1 A(x) : Chỉ độ thuộc (membership degree) của phần tử x vào tập mờ A (để cho đơn giản trong cách viết, sau này ta ký hiệu A(x) thay cho hàm A(x) ) Khoảng xác định ... ĐSGT toán dự báo chuỗi thời gian mờ Nghiên cứu khoảng giải nghĩa khả tối ưu Xây dựng chương trình tính toán MATLAB cho mô hình dự báo chuỗi thời gian mờ dựa ĐSGT với khoảng giải nghĩa tối ưu 3 Phương... hình dự báo chuỗi thời gian mờ Song & Chissom Chen Từ đưa mô hình dự báo chuối thời gian mờ với khoảng giải nghĩa tối ưu 2.2 Phạm vi nghiên cứu Nghiên cứu mô hình dự báo chuỗi thời gian mờ Song... hình dự báo dựa ĐSGT 37 3.2 Mô hình dự báo chuỗi thời gian mờ dựa ĐSGT 39 3.3 Mô hình dự báo chuỗi thời gian mờ với khoảng giải nghĩa tối ưu 48 3.4 So sánh mô hình dự báo