Đang tải... (xem toàn văn)
Mục tiêu đặt ra của luận án: Thứ nhất là mở rộng ĐSGT để làm cơ sở hình thức toán học cho việc sinh lõi của các tập mờ gán cho các từ ngôn ngữ, cụ thể là lõi của tập mờ hình thang và ứng dụng giải bài toán thiết kế tự động cơ sở luật cho hệ phân lớp dựa trên luật ngôn ngữ mờ. Thứ hai là nghiên cứu thiết kế hiệu quả hệ phân lớp dựa trên luật ngôn ngữ mờ với ngữ nghĩa tính toán của từ ngôn ngữ được xác định dựa trên ĐSGT dựa trên kỹ thuật tính toán mềm.
ĐẠI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC CÔNG NGHỆ Phạm Đình Phong PHÁT TRIỂN MỘT SỐ PHƯƠNG PHÁP THIẾT KẾ HỆ PHÂN LỚP TRÊN CƠ SỞ LÝ THUYẾT TẬP MỜ VÀ ĐẠI SỐ GIA TỬ Chuyên ngành: Khoa học máy tính Mã số: 62 48 01 01 TĨM TẮT LUẬN ÁN TIẾN SĨ KHOA HỌC MÁY TÍNH Hà Nội – 2017 Cơng trình hồn thành tại: Trường Đại học Công nghệ, Đại học Quốc gia Hà Nội Người hướng dẫn khoa học: GS TS Nguyễn Thanh Thủy PGS TSKH Nguyễn Cát Hồ Phản biện: TS Nguyễn Công Điều Viện Công nghệ thông tin, Viện Hàn lâm KH&CN VN Phản biện: TS Dương Thăng Long Viện Đại học mở Hà Nội Phản biện: PGS TS Nguyễn Đình Hóa Viện Công nghệ thông tin, Đại học Quốc gia Hà Nội Luận án bảo vệ trước Hội đồng cấp Đại học Quốc gia chấm luận án tiến sĩ họp phịng 212, nhà E3, trường Đại học Cơng nghệ, Đại học Quốc gia Hà Nội, 144 Xuân Thủy, Cầu Giấy, Hà Nội vào hồi 14 00 ngày 22 tháng 09 năm 2017 Có thể tìm hiểu luận án tại: - Thư viện Quốc gia Việt Nam - Trung tâm Thông tin - Thư viện, Đại học Quốc gia Hà Nội MỞ ĐẦU Bài toán phân lớp thường gặp lĩnh vực khác đời sống xã hội bao gồm y tế, kinh tế, nhận dạng lỗi, xử lý ảnh, xử lý liệu văn bản, lọc liệu Web, loại bỏ thư rác, … Có nhiều hệ phân lớp quan trọng đề xuất hệ phân lớp thống kê, mạng nơ-ron, phân lớp dựa luật ngôn ngữ mờ, … Hầu hết kỹ thuật phân lớp thống kê dựa lý thuyết định Bayesian có hiệu huất phân lớp phụ thuộc vào mơ hình xác suất Hệ phân lớp mạng nơ-ron cần lượng lớn tham số cần phải ước lượng Mặt khác, kỹ thuật phân lớp thống kê mạng nơ-ron hộp đen nên thiếu tính dễ hiểu người sử dụng Hệ phân lớp dựa luật ngôn ngữ mờ (FLRBC) nghiên cứu rộng rãi người dùng cuối sử dụng tri thức dạng luật trích rút từ liệu có tính dễ hiểu, dễ sử dụng người tri thức họ Tiếp cận lý thuyết tập mờ không vận dụng từ ngôn ngữ nhằm truyền đạt ngữ nghĩa từ thiếu cầu nối hình thức từ với tập mờ tương ứng Đại số gia tử (ĐSGT) cung cấp chế hình thức sinh tập mờ từ ngữ nghĩa vốn có (inherent sematic) từ ngôn ngữ ứng dụng cách hiệu vào trình thiết kế tập giá trị ngơn ngữ với ngữ nghĩa tính tốn dựa tập mờ tam giác chúng cho toán xây dựng tự động sở luật cho FLRBC Trong ứng dụng lý thuyết tập mờ thường đòi hỏi lõi tập mờ khoảng ngữ nghĩa từ ngơn ngữ chứa miền có giá trị phù hợp với ngữ nghĩa từ Ngữ nghĩa dựa tập mờ từ ngôn ngữ xem dạng hạt (granule) có lõi (core) Như vậy, ngữ nghĩa từ ngơn ngữ có lõi gọi lõi ngữ nghĩa (semantics core) Trong xu nghiên cứu ĐSGT, sở hình thức tốn học cần phát triển để sinh lõi khoảng tập mờ biểu diễn ngữ nghĩa từ ngôn ngữ Luận án nghiên cứu trường hợp cụ thể sinh lõi khoảng tập mờ hình thang lõi hình thang có dạng khoảng nên chúng sử dụng để biểu diễn lõi ngữ nghĩa biểu thị tập mờ từ ngôn ngữ Mặt khác, vấn đề tối ưu tham số ngữ nghĩa, sinh luật tìm kiếm hệ luật tối ưu cần nghiên cứu cải tiến Mục tiêu đặt luận án: Thứ mở rộng ĐSGT để làm sở hình thức tốn học cho việc sinh lõi tập mờ gán cho từ ngôn ngữ, cụ thể lõi tập mờ hình thang ứng dụng giải toán thiết kế tự động sở luật cho hệ phân lớp dựa luật ngôn ngữ mờ Thứ hai nghiên cứu thiết kế hiệu hệ phân lớp dựa luật ngôn ngữ mờ với ngữ nghĩa tính tốn từ ngơn ngữ xác định dựa ĐSGT dựa kỹ thuật tính toán mềm Với mục tiêu đặt luận án, đóng góp luận án là: Đề xuất mở rộng lý thuyết đại số gia tử biểu diễn lõi ngữ nghĩa từ ngôn ngữ nhằm cung cấp sở hình thức cho việc sinh tự động ngữ nghĩa tính tốn dựa tập mờ có lõi khoảng khung nhận thức ngơn ngữ Luận án nghiên cứu trường hợp cụ thể ngữ nghĩa dựa tập mờ hình thang Ứng dụng lõi ngữ nghĩa ngữ nghĩa tính tốn dựa tập mờ hình thang khung nhận thức ngơn ngữ giải toán thiết kế tối ưu FLRBC đảm bảo tính giải nghĩa (interpretability) chúng So sánh đánh giá kết đề xuất so với số kết cơng bố trước Nghiên cứu yếu tố ảnh hưởng đến hiệu phương pháp thiết kế FLRBC với ngữ nghĩa tính tốn từ ngơn ngữ xác định dựa ĐSGT đề xuất giải pháp nâng cao hiệu thiết kế FLRBC kỹ thuật tính tốn mềm Các nội dung kết nghiên cứu trình bày luận án cơng bố cơng trình khoa học, bao gồm: báo quốc tế danh mục SCI; báo Tạp chí Tin học Điều khiển học; báo Tạp chí khoa học, Đại học Quốc gia Hà Nội; báo Tạp chí Khoa học Công nghệ, Viện Hàn Lâm Khoa học Công nghệ Việt Nam; báo cáo kỷ yếu hội nghị quốc tế có phản biện xuất IEEE báo cáo hội nghị quốc gia có phản biện Cấu trúc luận án Luận án bố cục thành phần: Mở đầu, chương, kết luận, tài liệu tham khảo phụ lục Chương giới thiệu tổng quan hệ dựa tri thức luật ngôn ngữ mờ ĐSGT khả ứng dụng ĐSGT Chương trình bày phương pháp mở rộng lý thuyết ĐSGT nhằm cung cấp sở hình thức sinh lõi ngữ nghĩa ngữ nghĩa tính tốn dựa tập mờ hình thang khung nhận thức ngôn ngữ ứng dụng thiết kế hệ dựa tri thức luật ngôn ngữ mờ cho tốn phân lớp Chương trình bày đề xuất thiết kế hiệu FLRBC với ngữ nghĩa tính tốn từ ngơn ngữ xác định dựa ĐSGT kỹ thuật tính tốn mềm CHƯƠNG TỔNG QUAN VỀ HỆ DỰA TRÊN TRI THỨC LUẬT NGÔN NGỮ MỜ 1.1 MỘT SỐ KHÁI NIỆM CƠ BẢN 1.1.1 Tập mờ 1.1.2 Biến ngôn ngữ 1.1.3 Phân hoạch mờ 1.1.4 Luật ngôn ngữ mờ hệ luật ngôn ngữ mờ Luật ngôn ngữ mờ hay luật mờ if-then, gọi tắt luật mờ, phát biểu có điều kiện dạng if A then B Phần if luật gọi giả thuyết hay tiền đề luật, phần then luật gọi phần kết luận 1.1.5 Bài toán phân lớp liệu Bài toán phân lớp liệu P phát biểu sau: cho tập liệu mẫu D = {(dp, Cp), p = 1, …, m}, m số mẫu liệu, d p = [dp,1, dp,2, , d p,n] dịng thứ p m mẫu liệu có n thuộc tính, C = {Cs | s = 1, …, M} tập gồm M nhãn lớp Quá trình xây dựng mơ hình phân lớp thường chia thành hai bước: Bước Huấn luyện: mơ hình phân lớp xây dựng dựa tập liệu mẫu gán nhãn, gọi tập liệu huấn luyện Bước Thử nghiệm mô hình: sử dụng mơ hình xây dựng bước để phân lớp tập liệu gán nhãn chọn ngẫu nhiên độc lập với tập liệu huấn luyện 1.2 HỆ DỰA TRÊN TRI THỨC LUẬT NGÔN NGỮ LUẬT MỜ 1.2.1 Cấu trúc hệ dựa luật ngôn ngữ mờ Hệ dựa luật ngôn ngữ mờ bao gồm hai thành phần chính: sở tri thức hệ suy luận Cơ sở tri thức bao gồm sở liệu sở luật Cơ sở liệu bao gồm tập giá trị ngôn ngữ dùng biểu diễn sở luật hàm thuộc biểu diễn ngữ nghĩa giá trị ngôn ngữ Cơ sở luật tập hợp tri thức liên quan đến toán cần giải dạng luật mờ if-then 1.2.2 Bài toán thiết kế hệ phân lớp dựa luật ngôn ngữ mờ Hệ luật mờ phân lớp bao gồm tập luật mờ có trọng số dạng: Luật Rq: if X1 is Aq,1 and and Xn is Aq,n then Cq with CFq, với q=1 N (1.1) X = {Xj, j = 1, , n} tập n biến ngơn ngữ (thuộc tính) Aq,j (j=1, , n) giá trị ngôn ngữ điều kiện mờ tiền đề, Cq nhãn lớp kết luận Rq N số luật mờ, CFq trọng số hay độ tin cậy luật thứ q Luật Rq viết tắt dạng ⟹ with CFq, Aq tiền đề luật thứ q Ký hiệu fp(S), fn(S) fa(S) hàm đánh giá độ xác phân lớp hệ S tập liệu huấn luyện, số luật hệ S độ dài trung bình hệ S Khi đó, mục tiêu xây dựng hệ phân lớp thỏa mục tiêu: fp(S) → max, fn(S) → fa(S) → (1.2) Các mục tiêu mâu thuẫn nên phương pháp giải toán phân lớp dựa luật mờ phải cân mục tiêu Các bước toán thiết kế FLRBC theo tiếp cận lý thuyết tập mờ bao gồm: Bước Phân hoạch miền giá trị thuộc tính tập liệu thành vùng mờ sử dụng tập mờ tương ứng với từ ngôn ngữ biến ngôn ngữ Bước Trích rút luật mờ từ phân hoạch mờ tạo bước cho hệ luật mờ S thu nhỏ gọn, dễ hiểu có hiệu suất phân lớp cao Hai phương pháp phân hoạch mờ thường sử dụng phân hoạch lưới phân hoạch rời rạc Các thước đo đánh giá luật dựa độ tin cậy (confidence) độ hỗ trợ (support) làm tiêu chuẩn sàng để sàng lọc luật ứng viên: ⟹ = ⟹ = ∑ ∈ ∑ ∑ ∈ ( ) (1.3) (1.4) độ tương thích hay độ đốt cháy mẫu liệu dp điều kiện Aq luật Rq thường tính biểu thức tốn tử nhân sau: =∏ , , , (1.5) - Độ tin cậy (c), độ hỗ trợ (s) tích (c × s) dùng làm tiêu chuẩn sàng - Nhãn lớp điều kiện tiền đề Aq xác định sau: = { ( ⇒ )|ℎ = 1, … , } (1.6) - Các luật gán trọng số luật, cơng thức sau thường sử dụng: = ⟹ − , , (1.9) cq,2nd độ tin cậy lớn luật có điều kiện Aq khác kết luận khác Cq = max , ⟹ ℎ | ℎ = 1, … , ;ℎ ≠ , (1.12) Hai phương pháp lập luận phân lớp cho mẫu liệu dp = [dp,1, dp,2, , dp,n]: - Phương pháp lập luận Single Winner Rule: × = argmax × ∈ (1.14) - Phương pháp lập luận bầu cử có trọng số (weighted vote): = argmax ∑ ∈ × , ℎ = 1, … (1.15) 1.2.3 Những vấn đề tồn - Hầu hết đề xuất theo hướng tiếp cận lý thuyết tập mờ thiếu chế hình thức liên kết ngữ nghĩa vốn có từ ngôn ngữ với tập mờ tương ứng chúng; thiếu sở hình thức hóa tốn học thiết kế tự động ngữ nghĩa tính tốn dựa tập mờ từ ngữ nghĩa vốn có từ ngôn ngữ, dẫn đến hệ phân lớp thu không kết tương tác ngữ nghĩa từ ngôn ngữ với liệu - Chưa có chế hình thức đánh giá tính khái qt tính cụ thể từ ngơn ngữ toán thiết kế thể hạt (granularity) cho phân hoạch mờ miền thuộc tính đảm bảo cân tính khái quát tính cụ thể từ ngơn ngữ chưa đặt 1.3 Đại số gia tử 1.3.1 Đại số gia tử biến ngôn ngữ Định nghĩa 1.4 [50] Giả sử X biến ngơn ngữ có miền giá trị Dom(X) Một ĐSGT AX tương ứng X thành phần AX = (X, G, C, H, ≤), đó: (X, ≤) cấu trúc dựa quan hệ thứ tự, X tập giá trị ngôn ngữ X với X Dom(X) ≤ quan hệ thứ tự cảm sinh ngữ nghĩa vốn có từ ngơn ngữ X; G = {c-, c+} tập phần tử sinh có quan hệ ngữ nghĩa c- ≤ c+, c- c+ tương ứng phần tử sinh nguyên thủy âm dương; C = {0, W, 1} tập thỏa quan hệ ngữ nghĩa ≤ c- ≤ W ≤ c+ ≤ 1, tương ứng phần tử nhỏ phần tử lớn cấu trúc (X, ≤), W phần tử trung hòa; H tập gia tử biến ngôn ngữ X □ Với x X, ký hiệu H(x) tập tất giá trị ngôn ngữ u X cảm sinh từ x gia tử H biểu diễn chuỗi u = hn…h1x, với hn, …, h H Trong trường hợp x {c-, c+} chuỗi u = hn…h1c gọi biểu diễn tắc h j+1…h1c ≠ hj…h1c với j = 1, …, n - u có độ dài n + 1, ký hiệu |u| l(u) Ký hiệu sau: Xk tập tất giá trị ngôn ngữ có độ dài k X(k) tập tất giá trị ngơn ngữ có độ dài nhỏ k Trong ĐSGT AX = (X, G, C, H, ≤) X, G H tập thứ tự tuyến tính AX gọi ĐSGT tuyến tính Một số tính chất ĐSGT: - Dấu c+ sign(c+) = +1, dấu c- sign(c-) = -1 - Tập gia tử dương H+ = {hj: ≤ j ≤ p} có dấu sign(hj) = +1, tập gia tử H- = {hj: -q ≤ j ≤ -1} có dấu sign(h j) = -1 ta có H = H+ H- - Gia tử k dương gia tử h k làm tăng ngữ nghĩa h dấu sign(k, h) = +1 Ngược lại, k âm h k làm giảm ngữ nghĩa h có dấu sign(k, h) = -1 Dấu hạng từ x với x = hmhm-1…h2h 1c, c {c-, c+} hj H, tính sau: Sign(x) = sign(hm, hm-1) × … × sign(h2, h1) × sign(h1) × sign(c) (1.16) Ý nghĩa dấu từ là: sign(hx) = +1 x ≤ hx, sign(hx) = -1 hx ≤ x - Tính kế thừa cảm sinh giá trị ngôn ngữ gia tử Khi giá trị ngôn ngữ hx cảm sinh từ x việc tác động gia tử h vào x ngữ nghĩa hx thay đổi truyền đạt ngữ nghĩa gốc x Tính chất góp phần bảo tồn quan hệ thứ tự ngữ nghĩa: hx ≤ kx h’hx ≤ k’kx, hay h’ k’ bảo tồn quan hệ ngữ nghĩa hx kx cách tương ứng Hai từ ngôn ngữ x y gọi độc lập x H(y) y H(x) Một ĐSGT AX gọi tự với x H(G) hx ≠ x Nghĩa AX tự có tử phần tử bất động Định lý 1.1 [50] Cho tập H- H+ tập thứ tự tuyến tính ĐSGT AX = (X, G, C, H, ≤) Khi ta có khẳng định sau: (1) Với u X H(u) tập thứ tự tuyến tính (2) Nếu X sinh từ G gia tử G tập thứ tự tuyến tính X tập thứ tự tuyến tính Hơn u < v, u, v độc lập với nhau, tức u H(v) v H(u), H(u) H(v) □ 1.3.2 Lượng hóa đại số gia tử Xét ánh xạ υ ĐSGT AX đảm bảo tính bảo tồn cấu trúc thứ tự miền giá trị X Đẳng cấu υ đảm bảo việc cảm sinh ánh xạ mơ hình tính mờ H(x) từ ngơn ngữ x tới khoảng nằm đoạn [0, 1], gọi khoảng tính mờ x ký hiệu (x) Độ dài (x) gọi độ đo tính mờ x ký hiệu fm(x) Với ý tưởng trên, độ đo tính mờ tiên đề hóa sau: Định nghĩa 1.5 [52, 53] Một hàm fm: X [0, 1] gọi độ đo tính mờ biến ngơn ngữ X, có tính chất sau: (FM1) fm độ đo đầy đủ X, nghĩa fm(c) + fm(c+) = và, u X, fm(hu) fm(u) ; hH (FM2) Nếu H(x) = x, fm(x) = Đặc biệt ta có: fm(0) = fm(W) = fm(1) = 0; (FM3) x, y X, h H, ta có fm(hx)/x = fm(hy)/y, nghĩa tỷ số không phụ thuộc vào phần tử cụ thể X mà phụ thuộc vào h gọi độ đo tính mờ gia tử h ký hiệu (h) □ Cơng thức tính đệ quy độ đo tính mờ x = hm h1c với c {c-, c+} sau: fm(x) = (hm) (h1) fm(c), ( h) (1.17) hH Mệnh đề 1.1 [52, 53] Độ đo tính mờ fm khái niệm (h) gia tử thỏa: 1) fm(hx) = (h)fm(x), x X; 2) fm(c) + fm(c+) = 1; p 3) fm(h c) fm(c) , với c {c, c+}; i i q ,i fm ( h x ) 4) i fm ( x ) , x X q i p ,i 1 5) p (h ) i i q (h ) , với , > + = □ i i 1 Định nghĩa 1.6 [52, 53] Ngữ nghĩa số từ ngôn ngữ hay ánh xạ định lượng ngữ nghĩa AX ánh xạ bảo toàn thứ tự υ: X [0,1] thỏa mãn điều kiện sau: SQM1) υ bảo toàn thứ tự X, tức x < y υ(x) < υ(y) υ(0) = 0, υ(1) = 1; SQM2) υ song ánh ảnh X, υ(X), trù mật đoạn [0, 1] ; □ Mệnh đề 1.2 [52, 53] Ánh xạ định lượng ngữ nghĩa υ xác định quy nạp sau: 1) υ(W) = = fm(c), υ(c) = - fm(c), υ(c+) = +fm(c+); j 2) υ(hjx) = υ(x)+ Sign ( h j x )( i 1 fm ( hi x ) ( h j x ) fm ( h j x )) , với j p, j υ(hjx) = υ(x)+ Sign ( h j x )( i 1 fm ( hi x ) ( h j x ) fm ( h j x )) , với q j 1 Hai công thức viết thành cơng thức chung, với j [-q^p] j là: j ( h j x ) ( x ) Sign( h j x )( i sign ( j ) fm( hi x ) ( h j x ) fm( h j x )) , ( h j x ) [1 Sign ( h j x ) Sign ( h p h j x )( )] { , } □ 1.3.3 Ý nghĩa ứng dụng đại số gia tử ĐSGT ứng dụng thành công lĩnh vực điều khiển mờ, hồi quy dự báo, thiết kế FLRBC, Trong ứng dụng vậy, ngữ nghĩa từ ngôn ngữ sử dụng biểu diễn luật ngôn ngữ mờ cần biểu thị tập mờ phù hợp với ngữ nghĩa vốn có chúng Với độ đo tính mờ |H| - gia tử, độ đo tính mờ phần tử sinh (fm(c-) fm(c+)) số nguyên dương k giới hạn độ dài tối đa từ ngôn ngữ gọi tham số ngữ nghĩa, ký hiệu Л Khi cho giá trị cụ thể tham số ngữ nghĩa, giá trị định lượng từ ngôn ngữ tính tốn ngữ nghĩa tính tốn dựa tập mờ chúng xây dựng Giá trị định lượng từ ngôn ngữ điểm nằm khoảng tính mờ liên kết với độ đo tính mờ tương ứng xác định đỉnh tập mờ tam giác Như vậy, ngữ nghĩa tính tốn dựa tập mờ từ ngơn ngữ tích hợp với dựa chế hình thức hóa chặt chẽ, tham số tính mờ ĐSGT sinh tập mờ tam giác tất từ ngôn ngữ ĐSGT hay biến ngôn ngữ Nghĩa đại lượng xác định tập mờ bị ràng buộc với hiệu chỉnh thích nghi nhờ tham số tính mờ 1.3.4 Những vấn đề tồn Trong lý thuyết ĐSGT AX sử dụng giá trị định lượng ngữ nghĩa điểm, tức lõi ngữ nghĩa điểm, nên phần tử trung hòa W hai phần tử khơng có lõi Điều đồng nghĩa với độ đo tính mờ chúng quy ước ứng dụng thực tế thường xây dựng tập mờ cho chúng Do ngữ nghĩa từ ngôn ngữ chứa miền có giá trị phù hợp với ngữ nghĩa từ nên tập mờ biểu diễn ngữ nghĩa từ phải có lõi khoảng Tuy nhiên, lý thuyết ĐSGT AX với giá trị định lượng ngữ nghĩa điểm sinh tập mờ tam giác Luận án mong muốn xây dựng sở hình thức cho việc sinh tự động ngữ nghĩa dựa tập mờ hình thang từ ngữ nghĩa vốn có từ sở phát triển mở rộng ĐSGT biểu diễn lõi ngữ nghĩa từ ngôn ngữ ứng dụng giải toán thiết kế FLRBC 1.4 KẾT LUẬN CHƯƠNG Trong chương này, luận án hệ thống lại kiến thức sở liên quan đến hệ dựa luật ngôn ngữ mờ, đại số gia tử khả ứng dụng CHƯƠNG LÕI NGỮ NGHĨA VÀ NGỮ NGHĨA HÌNH THANG CỦA KHUNG NHẬN THỨC NGÔN NGỮ VÀ ỨNG DỤNG GIẢI BÀI TỐN PHÂN LỚP 2.1 MỞ RỘNG ĐSGT CHO VIỆC MƠ HÌNH HĨA LÕI NGỮ NGHĨA CỦA CÁC TỪ NGƠN NGỮ nhanh nhanh lõi 150 200 Hình 2.1 Mối quan hệ từ “nhanh” “rất nhanh” biến ngôn ngữ TOCDO giá trị tập U biểu diễn dạng tập mờ Mọi từ mang ngữ nghĩa không rõ ràng x biến ngôn ngữ với miền tham chiếu số U biểu diễn mối quan hệ x với giá trị U, tức giá trị số U phù hợp với x độ chắn định Mối quan hệ từ “nhanh” “rất nhanh” biến ngôn ngữ TOCDO giá trị U biểu diễn dạng tập mờ Hình 2.1 Ký hiệu Core(x) lõi ngữ nghĩa của x Core(x) = {u: x(u) = 1} ngữ nghĩa x tập Sem(x) = {u: x(u) (0, 1]} Lõi ngữ nghĩa hai từ ngôn ngữ x, y X ngữ nghĩa tương ứng chúng thỏa điều kiện sau: (C1) Core(x) Sem(x); (C2) Nếu x ≤ y Core(x) ≤ Core(y), Core(x) ≤ Sem(y) Sem(x) ≤ Core(y) Trong phương pháp hình thức hóa ĐSGT, lõi ngữ nghĩa từ ngôn ngữ x cần sinh từ gia tử nên gia tử nhân tạo h0 bổ sung nhằm cảm sinh lõi ngữ nghĩa x h0x Việc mở rộng ĐSGT tuyến tính AX thực sau Định nghĩa 2.1 Mở rộng ngữ cảnh ĐSGT tuyến tính tự AX = (X, C, G, H, ) ĐSGT mở rộng AX mr = (Xmr, C, G, Hmr, ), C tập tử AX mr, Hmr = HI {h 0} = H+ H {I, h 0}, H = {h-q, …, h-2, h-1}, h-q < < h-2 < h-1 H+ = {h 1, h2 , , hp}, h1 < h < < hp, nghĩa HI = H {I}, Xmr = X {h0x | x X} ≤ quan hệ thứ tự mở rộng X Xmr, thỏa tiên đề sau: (A1) Tốn tử đơn vị V H+ dương âm đối với gia tử H Chẳng hạn V dương L H- (A2) Nếu u, v X độc lập, tức u HI(v) v HI(u) x HI(u) x HI(v) (A3) Kế thừa gia tử: Với x X, h, k, h’, k’ H, ta có: (i) x ≠ hx x HI(hx) (ii) h ≠ k & hx kx h’hx k’kx (iii) hx ≠ kx hx kx độc lập (A4) u X, v HI(u) v u (v ≥ u) v hu (v ≥ hu) với h HI (A5 mr) Các tiên đề cho lõi ngữ nghĩa từ ngôn ngữ: với x, y Xmr x ≠ y, (i) hh0x = h0x với h Hmr với x X, h0x = x x hằng, ngược lại x h0x không sánh (ii) Với ∀ , ∈ , < ⟹ℎ < & < ℎ □ Các tiên đề AXmr bổ sung nhằm mục đích mô tả đặc trưng lõi ngữ nghĩa từ ngôn ngữ dạng quan hệ thứ tự Định lý 2.1 Cho AX mr = (Xmr, C, G, Hmr, ) ĐSGT mở rộng ĐSGT tuyến tính tự AX = (X, C, G, H, ) Khi đó, (i) Xmr = X {h0x: x X \ C } với x C, h0x X (ii) x, y Xmr, x ≠ y, ta có < ⟺ < ℎ ⟺ ℎ < ⟺ ℎ tập {h0x: x X} tuyến tính (iii) Tập = ∪ {ℎ : ∈ ( ) } tuyến tính □ với ≤ < với ≤ ≤ với < ≤ (2.7) Hai cấu trúc phân hoạch mờ sử dụng là: 1) Cấu trúc đơn thể hạt (Hình 2.5), phân hoạch mờ miền giá trị thuộc tính tập liệu huấn luyện tất tập mờ có mặt mức kj 2) Cấu trúc đa thể hạt (Hình 2.7) sử dụng nhiều phân hoạch mờ miền giá trị thuộc tính tập liệu huấn luyện Mỗi thể hạt cấu tạo tập mờ từ ngơn ngữ có độ dài Hình 2.5 Các tập mờ thiết kế theo cấu trúc đơn thể hạt sinh ĐSGT AXmr 12 a Ngữ nghĩa tính tốn dựa tập mờ hình thang từ có độ dài b Ngữ nghĩa tính tốn dựa tập mờ hình thang từ có độ dài Hình 2.7 Các tập mờ thiết kế theo cấu trúc đa thể hạt sinh ĐSGT AXmr 2.6.2 Sinh tập luật khởi đầu từ liệu dựa ngữ nghĩa ĐSGT mở rộng Đặt Л = { {kj} | j = 1, …, n} với AXmr Л = { {kj} | j = 1, …, n} với AXmrtp gọi chung giá trị Л tham số ngữ nghĩa Thủ tục xây dựng tập luật khởi đầu từ m t mẫu liệu D E_IFRG(Л, D, NR0, K, λ) sau: Thuật toán 2.2 E_IFRG (Thuật toán sinh tập luật khởi đầu) Input: Tập mẫu liệu D = {(d p, Cp) | p = 1, …, m t}, M lớp kết luận, n thuộc tính, tham số ngữ nghĩa Л, NR0 số luật khởi đầu, K giới hạn độ dài từ ngôn ngữ, λ giới hạn độ dài tối đa luật Output: Tập luật khởi đầu S0 Begin Bước 1: Xây dựng tập hạng từ, tập khoảng tính mờ, tập ánh xạ định lượng khoảng tập mờ hình thang từ thuộc tính tập liệu huấn luyện Bước 2: Sinh tập luật ứng viên từ tập liệu huấn luyện Tập khoảng tính mờ ℑ ( , ( )) chứa thành phần liệu dl,j xác định khối hộp Hl chứa mẫu liệu dl Khối hộp Hl với lớp kết luận Cl p l xác định luật mờ sở độ dài n có dạng sau: IF X1 is x1,i(1) AND … AND Xn is xn,i(n) THEN Cl (Rb) Phần kết luận luật lớp Cq chọn từ nhãn lớp có độ tin cậy luật lớn Từ luật sở có độ dài n, luật ứng viên có độ dài nhỏ n xây dựng cách bỏ số điều kiện tiền đề Al,j luật sở Bước Chọn lọc tập luật khởi đầu S0 từ tập luật ứng viên sử dụng tiêu chuẩn sàng Sắp xếp luật giảm dần nhóm theo tiêu chuẩn sàng chọn NB0 luật nhóm từ xuống Trả lại tập luật khởi đầu S0 End 13 Sau Bước ta thu hệ luật khởi đầu S0 có NR0 = NB0 * M luật Các luật gán trọng số tính công thức (1.7), (1.8), (1.9), (1.10) Độ phức tạp thủ tục E_IFRG đa thức kích thước số thuộc tính tập liệu mẫu D 2.6.3 Tối ưu tham số ngữ nghĩa tìm kiếm hệ luật tối ưu Để hiệu chỉnh thích nghi tham số ngữ nghĩa nêu cho phù hợp với tập liệu huấn luyện, tốn tiến hóa tối ưu hóa đa mục tiêu thiết kế từ ngôn ngữ tối ưu cho toán phân lớp P đặt với E_IFRG(Л, D, NR0, K, λ) thủ tục xây dựng hệ luật khởi đầu với ràng buộc tham số ngữ nghĩa nêu Khi đó, mục tiêu tốn tìm kiếm giá trị tối ưu tham số ngữ nghĩa với sở luật S0 sinh thủ tục E_IFRG là: fp(S0) → max fa(S0) → (2.9) đó, fp(S0) tỷ lệ phân lớp hệ S0 tập huấn luyện, fa(S0) độ dài trung bình hệ S0 Số luật hệ S0 cố định theo tập liệu huấn luyện cụ thể Sau trình tối ưu ta thu tập tham số ngữ nghĩa gần tối ưu Лopt Sinh tập luật khởi đầu S0 với NR0 luật sử dụng tham số ngữ nghĩa Лopt Bài toán đặt phải chọn tập luật S0 cho FLRBC cho đạt mục tiêu sau: fp(S) → max, fn(S) → fa(S) → (2.10) với ràng buộc S S0, NR(S) Nmax đó, fn(S) số luật hệ S Nmax số luật tối đa chọn xác định trước Mỗi cá thể ứng với lời giải tập luật S chọn từ S0 biểu diễn chuỗi số thực ri = (p1, , pNmax), pj [0, 1] Giá trị p j xác định số luật S0 chọn cho S có giá trị p j × |S0|, ta có pj × |S0| |S0| S = {Ri S0 | i = pj × |S0|, i ≥ 0} (2.11) • phép lấy phần ngun 2.6.4 Đánh giá kết ứng dụng lõi ngữ nghĩa ngữ nghĩa hình thang thiết kế hệ phân lớp dựa luật ngôn ngữ mờ 2.6.4.1 Dữ liệu phương pháp thực nghiệm Các thực nghiệm tiến hành 23 tập liệu mẫu UCI cộng đồng nghiên cứu thừa nhận bao gồm: Appendicitis, Australian, Bands, Bupa, Cleveland, Dermatology, Glass, Haberman, Hayes-roth, Heart, Hepatitis, Ionosphere, Iris, Mammographic, Newthyroid, Pima, Saheart, Sonar, Tae, Vehicle, Wdbc, Wine, Wisconsin Phương pháp kiểm tra chéo 10 nhóm (10-fold cross-validation) sử dụng lặp lại lần tập liệu thử nghiệm Kết cuối lần thử nghiệm sau lựa chọn hệ luật tối ưu tính trung bình số luật #R, độ phức tạp hệ luật #C, tỷ lệ phân lớp tập huấn luyện Ptr tập kiểm tra Pte Độ phức tạp hệ luật tính theo cơng thức #C = #R × Avg, Avg độ dài trung bình hệ luật 14 Số hệ tối ưu tham số ngữ nghĩa MOPSO_SPO 250, tìm kiếm hệ luật tối ưu MOPSO_RBO 1000 Số cá thể hệ 600 Các ràng buộc tham số ngữ nghĩa sau: số gia tử âm gia tử dương lấy Giới hạn độ dài từ ngôn ngữ < kj ≤ Giá trị độ đo tính mờ: Với ĐSGT AXmr: 0,2 ≤ ( ), (Lj) ≤ 0,7; 0,0001 ≤ fm(Wj) ≤ 0,2; + = 1; 0,0001 ≤ (h0,j) ≤ 0,5 Với ĐSGT AXmrtp: 0,00001 ≤ fm(0), fm(1) ( )+ ( ), (Lj) ≤ 0,7; 0,0001 ≤ fm(Wj) ≤ 0,2; + + ≤ 0,01; 0,15 ≤ + + ( ) = 1; 0,0001 ≤ (h0,j) ≤ 0,5 Trừ trường hợp đề cập cụ thể, phương pháp lập luận phân lớp sử dụng Single winner rule, cơng thức tính trọng số luật CFIII, tiêu chuẩn sàng luật tích độ tin cậy độ hỗ trợ (c × s) Bảng 2.8 Các kết thực nghiệm so sánh hệ phân lớp FRBC_AXmrtp, FRBC_AXmr, FRBC_AX, All Granularities Product-1-ALL TUN FRBC_AXmrtp FRBC_AXmr Tập liệu #C Ptr Pte #C Ptr Pte #C Ptr App Aus Ban Bup Cle Der Gla Hab Hay Hea Hep Ion Iri Mam New Pim Sah Son Tae Veh Wdb Win Wis 16,77 46,50 58,20 181,19 468,13 182,84 474,29 10,80 114,66 123,29 25,53 88,03 30,37 73,84 39,82 56,12 59,28 49,31 210,70 195,07 25,04 40,39 69,81 92,38 88,56 78,19 79,78 66,64 96,37 78,78 77,60 89,40 89,19 93,68 94,69 98,25 85,49 96,76 78,69 75,51 87,59 68,97 70,74 97,08 99,60 97,78 88,15 87,15 73,46 72,38 62,39 94,40 72,24 77,40 84,17 84,57 89,28 91,56 97,33 84,20 95,67 77,01 70,05 78,61 61,00 68,20 96,78 98,49 96,95 16,91 41,85 78,19 170,70 640,19 189,46 488,38 20,00 139,42 120,69 25,75 83,71 34,59 82,08 30,93 50,33 58,41 53,91 163,61 216,19 23,08 42,09 59,81 91,30 87,72 76,28 77,54 69,86 96,88 80,26 77,67 89,98 88,07 94,44 94,67 98,35 85,31 96,30 78,53 74,55 86,84 68,36 71,64 97,16 100,0 97,20 88,09 86,86 72,10 69,41 63,40 95,52 72,78 77,43 83,33 84,57 89,17 90,98 96,67 84,46 95,03 76,66 70,27 77,29 59,46 68,12 95,96 98,52 96,51 21,32 36,20 52,20 187,20 657,43 198,05 343,60 10,20 122,27 122,72 26,16 90,33 26,29 92,25 45,18 60,89 86,75 79,76 261,00 242,79 37,35 35,82 74,36 92,28 88,06 76,17 78,13 72,44 98,03 80,45 76,91 90,11 89,63 95,83 95,35 98,40 86,05 97,02 78,28 76,35 88,39 72,11 70,30 97,62 99,88 97,81 TB 114,78 86,16 82,67 123,05 86,04 82,29 126,53 86,77 81,92 FRBC_AX All Granularities Pte #C Ptr Product/1-ALL TUN Pte #C Ptr Pte 87,55 8,84 91,86 87,91 20,89 93,47 87,30 86,38 4,00 85,51 85,51 62,43 89,18 85,65 72,80 57,18 71,36 68,73 104,09 71,18 65,80 68,09 112,59 69,50 63,99 210,91 78,59 67,19 62,19 1132,14 73,11 55,11 1020,66 77,21 58,80 96,07 220,36 99,07 94,12 185,28 99,28 94,48 72,09 408,83 78,65 60,48 534,88 83,68 71,28 75,76 90,55 79,46 71,89 21,13 76,82 71,88 84,17 140,03 90,88 78,03 158,52 90,99 78,88 84,44 109,45 90,19 83,46 164,61 91,87 82,84 88,44 35,34 96,10 90,44 20,29 97,88 88,53 90,22 141,33 95,64 88,62 86,75 96,25 90,79 96,00 27,40 99,11 95,11 18,54 98,30 97,33 84,20 102,46 83,07 81,04 106,74 83,90 80,49 94,42 49,40 96,19 91,78 56,47 98,02 94,60 76,18 95,01 77,80 74,92 57,20 79,06 77,05 69,33 76,24 76,70 71,14 110,84 77,73 70,13 76,80 70,67 86,54 78,88 47,59 87,91 78,90 59,47 147,09 66,55 54,57 215,92 71,21 60,78 67,62 492,55 69,34 62,81 382,12 71,11 66,16 96,96 55,74 97,12 94,90 44,27 97,33 94,90 98,30 32,10 100,0 96,08 58,99 99,92 93,03 96,74 77,41 98,22 96,07 69,11 98,33 96,35 160,29 85,74 79,37 163,0 87,36 80,57 Số có chữ đậm thể kết tốt phương pháp (trên dòng) 2.6.4.2 So sánh đánh giá hai cấu trúc phân hoạch mờ đơn đa thể hạt Dựa kết thực nghiệm so sánh 23 tập liệu thực nghiệm sử dụng phương pháp kiểm định thống kê Wilcoxon Signed Rank (WSR) hiệu suất phân lớp độ phức tạp hệ luật, ta kết luận tiếp cận thiết kế hệ phân lớp dựa 15 phương pháp luận ĐSGT áp dụng phương pháp thiết kế đa thể hạt cho hiệu suất phân lớp tốt phương pháp thiết kế đơn thể hạt 2.6.4.3 So sánh hai phương pháp lập luận single winner rule weigted vote Phân tích kết thực nghiệm 23 tập liệu mẫu kết kiểm định giả thuyết thống kê WSR hiệu suất phân lớp độ phức tạp hệ luật, ta kết luận rằng, tiếp cận thiết kế hệ phân lớp dựa phương pháp luận ĐSGT AX, AXmr, AXmrtp sử dụng phương pháp lập luận single winner rule cho hiệu suất phân lớp tốt so với phương pháp lập luận weighted vote tương ứng 2.6.4.4 So sánh phương pháp thiết kế hệ phân lớp theo tiếp cận ĐSGT Ký hiệu phương pháp thiết kế FLRBC với ngữ nghĩa tính tốn từ xác định dựa ĐSGT AX, ĐSGT AXmr ĐSGT AXmrtp tương ứng FRBC_AX, FRBC_AXmr FRBC_AXmrtp Theo kết thực nghiệm Bảng 2.8, hệ phân lớp FRBC_AXmrtp cho kết phân lớp tập kiểm tra cao so với hệ phân lớp FRBC_AX 19 tập liệu cao so với hệ phân lớp FRBC_AXmr 15 tập liệu số 23 tập liệu mẫu thực nghiệm Với kết kiểm định thống kê WSR, ta khẳng định rằng, việc ứng dụng ĐSGT AXmrtp thiết kế FLRBC cho hiệu suất phân lớp tốt so với việc ứng dụng ĐSGT AXmr ĐSGT AX, ĐSGT AXmr cho hiệu suất phân lớp tốt ĐSGT AX 2.6.4.5 So sánh với số phương pháp theo tiếp cận lý thuyết tập mờ Các kết thực nghiệm hai hệ phân lớp FRBC_AXmr FRBC_AXmrtp so sánh với số kết theo tiếp cận lý thuyết tập mờ công bố gần R Alcalá, 2011 M Antonelli, 2014 Trong R Alcalá, 2011, đề xuất kỹ thuật lựa chọn phân hoạch đơn thể hạt từ phân hoạch đa thể hạt Theo kết thực nghiệm, có hai kỹ thuật cho kết tốt All Granularities Product/1-ALL TUN Các kết thực nghiệm, so sánh tương ứng thể Bảng 2.8 Cả hai hệ phân lớp FRBC_AXmr FRBC_AXmrtp cho hiệu suất phân lớp trung bình tập kiểm tra 23 tập liệu thử nghiệm cao so có độ phức tạp hệ phân lớp thấp so với hai hệ phân lớp All Granularities Product/1-ALL TUN Theo kết kiểm định giả thuyết thống kê WSR, ta khẳng định hai hệ phân lớp FRBC_AXmr FRBC_AXmrtp tốt so với phương pháp đề xuất R Alcalá, 2011 hiệu suất phân lớp không tăng độ phức tạp hệ phân lớp Hai hệ phân lớp đề xuất luận án so sánh với kết đề xuất M Antonelli, 2014 có tên PAES-RCS, tiếp cận khai thác tiến hóa đa mục tiêu để học đồng thời sở luật tham số hàm thuộc FLRBC Các kết thực nghiệm so sánh hệ phân lớp PAES-RCS hệ phân lớp FRBC_AXmrtp FRBC_AXmr thể Bảng 2.13 Hai hệ phân lớp FRBC_AXmrtp FRBC_AXmr có 21 19 số 23 tập liệu thực nghiệm có độ xác tập kiểm tra cao so với hệ phân lớp PAES-RCS Theo kết kiểm định 16 thống kê WSR, hai hệ phân lớp FRBC_AXmrtp FRBC_AXmr cho kết tốt hệ phân lớp PAES-RCS hiệu suất phân lớp độ phức tạp hệ phân lớp Bảng 2.13 Các kết thực nghiệm so sánh hệ phân lớp FRBC_AX mrtp, FRBC_AXmr, PAES-RCS, FURIA C4.5 Tập liệu FRBC_AX mrtp #C Pte FRBC_AX mr #C Pte App Aus Ban Bup Cle Der Gla Hab Hay Hea Hep Ion Iri Mam New Pim Sah Son Tae Veh Wdb Win Wis 16,77 46,50 58,20 181,19 468,13 182,84 474,29 10,80 114,66 123,29 25,53 88,03 30,37 73,84 39,82 56,12 59,28 49,31 210,70 195,07 25,04 40,39 69,81 88,15 87,15 73,46 72,38 62,39 94,40 72,24 77,40 84,17 84,57 89,28 91,56 97,33 84,20 95,67 77,01 70,05 78,61 61,00 68,20 96,78 98,49 96,95 16,91 41,85 78,19 170,70 640,19 189,46 488,38 20,00 139,42 120,69 25,75 83,71 34,59 82,08 30,93 50,33 58,41 53,91 163,61 216,19 23,08 42,09 59,81 TB 114,78 82,67 123,05 82,29 PAES-RCS #C Pte FURIA #C 88,09 35,28 85,09 19,00 86,86 329,64 85,80 89,60 72,10 756,00 67,56 535,15 69,41 256,20 68,67 324,12 63,40 1140,00 59,06 134,67 95,52 389,40 95,43 303,88 72,78 487,90 72,13 474,81 22,04 77,43 202,41 72,65 83,33 120,00 84,03 188,10 84,57 300,30 83,21 193,64 89,17 300,30 83,21 52,38 90,98 670,63 90,40 372,68 96,67 69,84 95,33 31,95 84,46 132,54 83,37 16,83 95,03 97,75 95,35 100,82 76,66 270,64 74,66 127,50 70,27 525,21 70,92 50,88 77,29 524,60 77,00 309,96 59,46 323,14 60,81 43,00 68,12 555,77 64,89 2125,97 95,96 183,70 95,14 356,12 80,00 98,52 170,94 93,98 96,51 328,02 96,46 521,10 355,23 80,66 281,49 Pte C4.5 #C Pte 85,18 15,00 85,84 85,22 5859,00 84,05 64,65 10608,00 63,28 69,02 3692,00 67,82 56,20 13938,00 48,48 95,24 280,00 95,25 72,41 5610,00 69,15 75,44 15,00 71,56 83,13 780,00 83,12 80,00 2080,00 77,40 84,52 216,00 86,25 91,75 1870,00 90,59 94,66 45,76 95,20 83,89 70,00 83,97 342,00 92,09 96,30 74,62 2220,00 74,67 69,69 1110,00 70,77 82,14 1805,00 72,11 43,08 7820,00 59,60 71,52 89964,00 75,57 96,31 588,00 94,02 96,60 60,00 93,82 96,35 462,00 95,60 80,34 6497,82 79,57 Số có chữ đậm thể kết tốt phương pháp (trên dòng) 2.6.4.6 So sánh đánh giá với số tiếp cận khác Các kết đề xuất luận án so sánh với kết hai phương pháp thiết kế hệ phân lớp khơng dựa vào chế tiến hóa FURIA (Fuzzy Unordered Rules Induction Algorithm) C4.5 FURIA mở rộng giải thuật RIPPER với tập luật không cần thiết phải xếp Hệ phân lớp C4.5 hệ phân lớp dựa định khai thác khái niệm entropy thông tin Các kết thực nghiệm so sánh hai hệ phân lớp FRBC_AXmrtp FRBC_AXmr so với hai hệ phân lớp FURIA C4.5 thể Bảng 2.13 Cụ thể, hai hệ phân lớp FRBC_AXmrtp FRBC_AXmr có 17 18 tập liệu, số 23 tập liệu thực nghiệm, có độ xác tập kiểm tra cao so với hệ phân lớp FURIA Cả hai hệ phân lớp FRBC_AXmrtp FRBC_AXmr có độ xác tập kiểm tra cao so với hệ phân lớp C4.5 20 số 23 tập liệu thực nghiệm Các kết kiểm định giả thuyết thống 17 kê, ta kết luận hai hệ phân lớp FRBC_AXmr FRBC_AXmrtp thực tốt FURIA C4.5 hiệu suất phân lớp lẫn độ phức tạp hệ phân lớp 2.6.5 Biểu diễn ngữ nghĩa tính tốn dựa tập mờ hình thang đảm bảo tính giải nghĩa khung nhận thức ngôn ngữ Đảm bảo tính giải nghĩa khung nhận thức ngơn ngữ (LFoC) đảm bảo ngữ nghĩa tính tốn (tập mờ) từ ngôn ngữ phải xây dựng từ ngữ nghĩa vốn có chúng phải bảo tồn đặc trưng riêng ngữ nghĩa định tínhcủa chúng (khái quát cụ thể) N C Hồ cộng đưa ràng buộc ngữ nghĩa tính tốn từ ngơn ngữ nhằm đảm bảo tính giải khung nhận thức ngơn ngữ Ràng buộc thứ [58] Ngữ nghĩa vốn có từ ngôn ngữ biến ngôn ngữ xuất sở luật nguyên tắc sử dụng để tạo sở hình thức hóa cho việc xác định ngữ nghĩa định lượng từ ngôn ngữ, bao gồm ngữ nghĩa dựa tập mờ, cho biểu diễn ngữ nghĩa sở luật Ràng buộc thứ hai [58] Ngữ nghĩa tính tốn từ ngôn ngữ, bao gồm ngữ nghĩa dựa tập mờ, phải sinh dựa chế hình thức hóa đầy đủ miền giá trị biến ngôn ngữ Ràng buộc thứ ba [58] Với tập từ cụ thể biến ngôn ngữ X, phép gán : ⟶ với Intv tập khoảng miền giá trị số chuẩn hóa X biểu thị ngữ nghĩa khoảng từ phải bảo tồn tính khái qt tính cụ thể từ Cụ thể, hai từ x hx ∈ với h gia tử, quan hệ (ℎ ) ⊆ ( ) phải thỏa Ràng buộc thứ tư [58] Để bảo toàn ngữ nghĩa luật ngôn ngữ, phép gán ngữ nghĩa tính tốn từ ngơn ngữ biến X xuất luật phải bảo toàn thứ tự ngữ nghĩa từ X Cấu trúc phân hoạch mờ đơn thể hạt không thỏa Ràng buộc thứ ba, tức (ℎ ) ⊈ ( ), độ hỗ trợ tập mờ ứng với từ ngôn ngữ x không chứa độ hỗ trợ từ ngôn ngữ hx cảm sinh từ x nhờ gia tử h Với cấu trúc phân hoạch mờ đa thể hạt dựa độ dài từ, độ hỗ trợ từ x không chứa độ hỗ trợ từ hx, phân hoạch tạo khơng thỏa Ràng buộc thứ ba nêu Để thỏa Ràng buộc thứ ba, N C Hồ cộng đề xuất tách từ ngơn ngữ có độ dài mức k = thành hai mức: mức k = bao gồm từ ngôn ngữ 00, W 0, mức k = bao gồm từ ngôn ngữ 01, c-, c+ 11 Với cách biểu diễn này, độ hỗ trợ tập mờ ứng với từ ngơn ngữ x hồn tồn chứa độ hỗ trợ từ ngôn ngữ hx Ràng buộc thứ ba, tức (ℎ ) ⊆ ( ) kết thỏa bốn ràng buộc nêu Các kết thực nghiệm cho thấy, hệ phân lớp với cấu trúc đa thể hạt có độ xác tập kiểm tra cao so với hệ phân lớp với cấu trúc đa thể hạt cũ 18 tập liệu mẫu số 23 tập liệu thử nghiệm So sánh dựa kết trung bình độ xác tập kiểm tra 23 tập liệu, hệ phân lớp FRBC_AXmrtp_k0 có độ xác trung bình 82,94%, cao so với hệ phân lớp FRBC_AXmrtp có độ xác trung bình 82,67%, có độ phức tạp trung bình cao khơng nhiều (122,61 so với 114,78) Các kết kiểm định giả thuyết thống kê WSR cho ta kết luận, 18 phương pháp thiết kế đa thể hạt với mức k = tách thành hai mức có ngữ nghĩa dựa tập mờ hình thang từ ngơn ngữ thỏa Ràng buộc thứ ba đảm bảo tính giải nghĩa khung ngôn nhận thức ngôn ngữ cho độ xác phân lớp cao so với phương pháp thiết kế đa thể hạt không tách mức k = 2.7 KẾT LUẬN CHƯƠNG Chương trình bày nghiên cứu phát triển mở rộng lý thuyết ĐSGT biểu diễn lõi ngữ nghĩa ngữ nghĩa tính tốn dựa tập mờ hình thang ứng dụng thiết kế tự động FLRBC trình bày thực nghiệm, đánh giá so sánh CHƯƠNG THIẾT KẾ HIỆU QUẢ HỆ PHÂN LỚP DỰA TRÊN LUẬT NGƠN NGỮ MỜ SỬ DỤNG KỸ THUẬT TÍNH TỐN MỀM Chương trình bày thiết kế hiệu hệ phân lớp dựa luật ngôn ngữ mờ sở đại số gia tử dựa kỹ thuật tính tốn mềm 3.1 THIẾT KẾ HIỆU QUẢ HỆ PHÂN LỚP DỰA TRÊN LUẬT NGÔN NGỮ MỜ SỬ DỤNG CÁC THUẬT TỐN TỐI ƯU 3.1.1 Đánh giá tính hiệu thuật toán MOPSO so với thuật toán GSA 3.1.1.1 Giải thuật tối ưu bầy đàn đa mục tiêu - Chia sẻ thích nghi (fitness sharing): Khi cá thể i chia sẻ nguồn tài nguyên thích nghi fi bị giảm bớt tỷ lệ với số cá thể xung quanh - Tiêu chuẩn tính trội (dominance criterion): Một phương án u gọi trội phương án v phương án u không tồi phương án v tất mục tiêu phương án u thực tốt phương án v mục tiêu Giải thuật PSO đa mục tiêu (MOPSO) dựa tiêu chuẩn tính trội khái niệm chia sẻ thích nghi Lechuga M S đề xuất năm 2006 sau: Thuật toán 3.1 MOPSO //[83] Giải thuật tối ưu đa mục tiêu PSO Đầu vào: ω, c1, c2, Npop, Gmax //ω: hệ số inertia, c1, c2: hệ số tăng tốc, Npop: số particle hệ, Gmax: số hệ Đầu ra: Tập phương án tối ưu Лopt kết trình huấn luyện Begin Bước 1: Các biến popi, pbesti, gbesti, fSharei khởi tạo Biến fSharei tính sau: fSharei = x / nCounti (3.4) 1 (di j / share ) đó, x = 10, nCounti sharingi trường hợp lại j 0 0 n j (3.5) n số particle nhớ lưu trữ, σshare khoảng cách cá thể mà muốn trì d i j khoảng cách cá thể i j Bước 2: Tốc độ particlei tính tốn sau: veli = ω × veli + c1 × r1 × (pbesti − popi) + c2 × r2 × (Лh − popi) (3.6) 19 đó, ω hệ số inertia, c1 c2 hệ số tăng tốc, veli giá trị tốc độ liền trước đó, r1 r2 giá trị ngẫu nhiên 1, pbesti vị trí tốt tìm thấy particle, Лh particle theo popi vị trí particle khơng gian biến Bước 3: Vị trí particlei tính sau: pop i = pop i + veli (3.7) Bước 4: Các vị trí bầy đánh giá Bước 5: Bộ nhớ lưu trữ Лopt cập nhật theo tiêu chuẩn tính trội chia sẻ thích nghi Bước 6: Bộ nhớ particle cập nhật sử dụng tiêu chuẩn tính trội Bước 7: Chấm dứt trả Лopt đạt số hệ Gmax, ngược lại trở Bước End 3.1.1.2 Ứng dụng thuật toán MOPSO tối ưu tham số ngữ nghĩa tìm kiếm hệ luật tối ưu Tối ưu tham số ngữ nghĩa sử dụng giải thuật MOPSO MOPSO_SPO Thuật toán 3.2 MOPSO_SPO //[CT2] Tối ưu tham số ngữ nghĩa Đầu vào: tập liệu mẫu D = {(dp, Cp) | p = 1, …, m}; Các ràng buộc tham số tính mờ; Các tham số: NR0, Npop, Gmax, K, λ; //Npop kích thước bầy, Gmax số hệ Đầu ra: Tập tham số ngữ nghĩa tối ưu Лopt; Begin Cụ thể hóa Giải thuật 3.1 với vị trí cá thể tham số ngữ nghĩa cần tối ưu; Trả lại tập giá trị tốt tập tham số ngữ nghĩa (gần) tối ưu Лopt; End 3.1.1.3 Thực nghiệm so sánh thuật toán MOPSO so với thuật toán GSA Theo kết thực nghiệm, việc sử dụng giải thuật tối ưu MOPSO thiết kế FLRBC với ngữ nghĩa dựa ĐSGT AX cho độ xác tập kiểm tra cao so với sử dụng giải thuật tối ưu GSA 13 số 17 tập liệu thực nghiệm Xét theo độ xác trung bình tập kiểm tra, việc sử dụng giải thuật tối ưu MOPSO cho độ xác trung bình cao (80,83% so với 80,50%) có độ phức tạp trung bình hệ luật thấp (141,64 so với 177,49) so với sử dụng giải thuật tối ưu GSA Theo kết kiểm định thống kê, ta kết luận tiếp cận thiết kế FLRBC dựa ĐSGT AX sử dụng MOPSO cho kết tốt so với sử dụng GSA hai tiêu chí so sánh độ xác độ phức tạp hệ phân lớp 3.1.2 Đánh giá tính hiệu thuật tốn MOPSO-SA so với thuật toán MOPSO 3.1.2.1 Giải thuật tối ưu đa mục tiêu lai MOPSO-SA Giải thuật mô luyện (simulated annealing - SA) sử dụng nhằm giúp particle MOPSO thoát khỏi vùng tối ưu địa phương để tiếp tục trình tìm kiếm giải thuật SA sử dụng luật chấp thuận Metropolis (metropolis acceptance rule) Giải thuật mơ tơi luyện SA Thuật tốn 3.3 SA //Thuật tốn mơ tơi luyện Đầu vào: tham số: E, T0, α, điều kiện kết thúc Đầu ra: Phương án tối ưu kết trình huấn luyện Begin Bước 1: Khởi tạo cấu hình ban đầu = 0 lượng E, tỷ suất làm lạnh α [0, 1], T = T0 20 Bước 2: Chọn ngẫu nghiên new lân cận tính thay đổi lượng ∆E Bước 3: Nếu giá trị ∆E âm = new (cấu hình chấp nhận) Ngược lại, cấu hình chấp nhận với xác suất P e( E / kBT ) , kB số Boltzman Bước 4: Nếu đạt điều kiện kết thúc trả lại q trình tơi luyện kết thúc Ngược lại, giảm nhiệt độ T = α×T nhảy tới Bước End Giải thuật tối ưu đa mục tiêu lai MOPSO-SA Thuật toán 3.4 MOPSO-SA //[CT6] giải thuật tối ưu bầy đàn mô luyện Đầu vào: tham số: Gmax, Tmax, α, Npop, D Đầu ra: Tập phương án tối ưu Лopt kết trình huấn luyện Begin Bước 1: Khởi tạo t = 0, sinh ngẫu nhiên n particle hệ ban đầu Nhiệt độ ban đầu T0 = Tmax, tỷ suất làm lạnh α, số hệ Gmax Các giá trị hàm mục tiêu particle đánh giá Giá trị chia sẻ thích nghi each particle tính theo cơng thức (3.4) Bước 2: Với i bầy đàn Bước 2.1: Tính tốc độ velit 1 particle i theo cơng thức (3.6) Bước 2.2: Tính vị trí popit 1 particle i theo công thức (3.7) Bước 2.3: Đánh giá giá trị mục tiêu particle thứ i Bước 2.4: Kiểm tra tiêu chuẩn tính trội vị trí popit 1 particle i vị trí cũ hệ trước popit Nếu vị trí pop it 1 trội vị trí pop it , nghĩa vị trí tốt hơn, vị trí pop it 1 chấp nhận vị trí particle i Ngược lại, tính giá trị RMSR: RMSR = D D t 1 i, j ( fitness fitnessit, j ) (3.8) j 1 đó, D số mục tiêu Sinh ngẫu nhiên số δ [0, 1] Vị trí chấp nhận δ > e( RMSR/Tt ) số lần di chuyển thất bại lớn 100 Nếu vị trí chấp nhận nhảy tới Bước Ngược lại, nhảy tới Bước 2.1 Bước 3: Cập nhật nhớ lưu trữ Лopt theo tiêu chuẩn tính trội chia sẻ thích nghi Bước 4: Cập nhật nhớ particle dựa tiêu chuẩn tính trội Bước 5: Nếu đạt số thệ hệ Gmax trả tập phương án tốt lưu nhớ lưu trữ Лopt giải thuật chấm dứt Ngược lại, thay đổi nhiệt độ luyện Tt 1 Tt , tăng t = t + 1, nhảy tới Bước End 3.1.2.2 Ứng dụng giải thuật MOPSO-SA thiết kế tối ưu từ ngôn ngữ lựa chọn hệ luật tối ưu Với mục tiêu tối ưu (2.8), giải thuật tối ưu tham số ngữ nghĩa cấu trúc hóa giải thuật MOPSO-SA đặt tên MOPSOSA_SPO Thuật toán 3.5 MOPSOSA_SPO //[CT6] Tối ưu tham số ngữ nghĩa Đầu vào: tập liệu mẫu D = {(dp, Cp) | p = 1, …, m}, tham số: a, b, NR0, Npop, Gmax, K, λ, Tmax, α; //Npop kích thước bầy, Gmax số hệ Đầu ra: Tập tham số ngữ nghĩa tối ưu Лopt; Begin 21 Giải thuật cụ thể hóa Giải thuật 3.4 với vị trí cá thể tham số ngữ nghĩa; Trả lại tập giá trị tốt tập tham số ngữ nghĩa (gần) tối ưu Лopt; End 3.1.2.3 Thực nghiệm so sánh giải thuật MOPSO-SA so với giải thuật MOPSO Theo kết thực nghiệm 23 tập liệu, hệ phân lớp MOPSO-SAAX có độ xác tập kiểm tra cao so với hệ phân lớp MOPSOAX 16 số 23 tập liệu thực nghiệm có độ xác tập liệu Hệ phân lớp MOPSO-SAAXmrtp có độ xác tập kiểm tra cao so với hệ phân lớp MOPSOAXmrtp 17 tập liệu số 23 tập liệu thực nghiệm có độ xác tập liệu Qua kết kiểm định WSR, ta kết luận rằng, việc sử dụng giải thuật tối ưu MOPSO-SA thiết kế FLRBC với ngữ nghĩa dựa ĐSGT AX cho độ xác phân lớp tốt so với việc sử dụng giải thuật MOPSO (82,48% so với 81,92%) không làm tăng độ phức tạp hệ phân lớp Việc sử dụng giải thuật tối ưu MOPSO-SA thiết kế FLRBC với ngữ nghĩa dựa ĐSGT AXmrtp cho độ xác phân lớp tốt (82,94% so với 82,67%) mà cịn cho độ phức tạp trung bình thấp (107,52 so với 114,78) so với việc sử dụng giải thuật tối ưu MOPSO 3.2 NÂNG CAO HIỆU QUẢ SINH LUẬT MỜ VỚI NGỮ NGHĨA DỰA TRÊN ĐẠI SỐ GIA TỬ BẰNG KỸ THUẬT LỰA CHỌN ĐẶC TRƯNG Với mục tiêu làm giảm số chiều tập liệu có số chiều lớn trước thực sinh luật sử dụng ĐSGT, luận án đề xuất ứng dụng kỹ thuật lựa chọn đặc trưng với trọng số động Sun X đề xuất năm 2013 bước tiền xử lý bổ sung cho phương pháp hai bước thiết kế FLRBC sở ĐSGT 3.2.1 Một số khái niệm lý thuyết thông tin 3.2.2 Kỹ thuật lựa chọn đặc trưng sử dụng trọng số động ( ; ) Cơng thức phân tích tính hợp lý: ( , ) = × ( ) ( ) (0 ≤ ( , ) ≤ 1) (3.15) Một thuộc tính fi bị dư thừa với thuộc tính fj thỏa bất đẳng thức sau: ; ≤ ( ; Tỷ lệ dư thừa tương đối hai thuộc tính: ) ; ( , )= 2× Hai thuộc tính fi fj phụ thuộc lẫn nếu: Tỷ lệ phụ thuộc lẫn fi fj: (3.16) ( ) ; ( , )=2× ( ; ( ) ≥ ( ; ; ( ; ( ) ( ) ) ) ) (3.17) (3.18) (3.19) Tỷ lệ phụ thuộc lẫn fi fj biểu thị tỷ lệ tăng giảm tính hợp lý fi nhãn lớp có tham gia thuộc tính định nghĩa sau: (, )= ( , ), ( , ), ; > ( ; ; ≤ ( ; ) ) ( , ) ≤ Ta thấy −1 ≤ Giải thuật lựa chọn đặc trưng DWFS đề xuất Sun X dạng mã giả: 22 (3.20) Thuật tốn 3.6 DWFS //mơ thuật toán [116] Đầu vào: Tập liệu huấn luyện D với khơng gian thuộc tính F lớp C Đầu ra: Tập S lựa chọn có thuộc tính Begin Khởi tạo biến: k = 1, = ∅; Khởi tạo trọng số w(f) cho thuộc tính f F 1; Tính giá trị U(f, class) cho thuộc tính f F; While ≤ For thuộc tính ứng viên ∈ Tính ( ) = ( , ) × ( ); End; Chọn thuộc tính ứng viên fj có J(f) lớn nhất; = ∪ { }; F = F \ {fj}; For thuộc tính ứng viên ∈ Tính tỷ lệ phụ thuộc lẫn CR(i, j); ( ) = ( ) × (1 + ( , )); End; k = k + 1; End Độ phức tạp giải thuật DWFS ( × ) chứng minh Sun X., đó, n số thuộc tính gốc số thuộc tính lựa chọn 3.2.3 Ứng dụng giải thuật DWFS thiết kế FLRBC sở ĐSGT Phương pháp hai giai đoạn thiết kế FLRBC theo tiếp cận ĐSGT bổ sung thêm giai đoạn tiền xử lý áp dụng giải thuật DWFS Bước tiền xử lý sau: Với tập liệu cụ thể, thuộc tính có giá trị liên tục phân hoạch thành cụm việc áp dụng kỹ thuật phân cụm mờ c-means với hàm số hợp lệ cụm (cluster validity index function) PBMF để rời rạc hóa liệu sau áp dụng giải thuật DWFS để lựa chọn tập thuộc tính có tính phân biệt 3.2.4 Kết thực nghiệm thảo luận Sau áp dụng kỹ thuật lựa chọn đặc trưng, thời gian sinh luật giảm nhiều Chẳng hạn, thời gian sinh tập luật khởi đầu từ tập liệu Dermatology gốc trường hợp độ dài luật tối đa hết 07:41:03 hay 27.663 giây, lớn 5.532 lần so với sau áp dụng kỹ thuật lựa chọn đặc trưng lựa chọn thuộc tính Kết thực nghiệm độ xác phân lớp FLRBC sở ĐSGT AX ĐSGT AXmrtp tập liệu gốc tập liệu áp dụng kỹ thuật lựa chọn đặc trưng kết trung bình tập liệu thử nghiệm, độ xác độ phức tạp trung bình hệ phân lớp khơng có nhiều khác biệt Các kết kiểm định giả thuyết thống kê cho ta kết luận, việc áp dụng phương pháp lựa chọn đặc trưng bước tiền xử lý phương pháp thiết kế FLRBC sở ĐSGT không làm giảm chất lượng hệ phân lớp Để giảm thời gian sinh luật từ tập liệu có số chiều lớn, kỹ thuật lựa chọn đặc trưng nên áp dụng kỹ thuật tiền xử lý liệu 3.3 Kết luận chương Chương trình bày giải pháp nâng cao chất lượng FLRBC thiết kế sở ĐSGT sử dụng hai thuật toán tối ưu bầy đàn đa mục tiêu MOPSO thuật toán lai 23 MOPSO-SA để tối ưu tham số ngữ nghĩa tìm kiếm hệ luật tối ưu Áp dụng kỹ thuật lựa chọn đặc trưng để làm giảm số chiều liệu nhằm giảm thời gian sinh luật KẾT LUẬN CỦA LUẬN ÁN Luận án đạt số kết sau: 1) Đề xuất mở rộng lý thuyết đại số gia tử biểu diễn lõi ngữ nghĩa từ ngôn ngữ nhằm cung cấp sở hình thức cho việc sinh tự động ngữ nghĩa tính tốn dựa tập mờ có lõi khoảng khung nhận thức ngôn ngữ Luận án nghiên cứu trường hợp cụ thể ngữ nghĩa dựa tập mờ hình thang 2) Ứng dụng lõi ngữ nghĩa ngữ nghĩa tính tốn dựa tập mờ hình thang khung nhận thức ngơn ngữ giải tốn thiết kế tự động FLRBC Các kết thực nghiệm luận án thực cho thấy tính hiệu tính khả dụng ĐSGT mở rộng luận án đề xuất 3) Nghiên cứu yếu tố ảnh hưởng đến hiệu phương pháp thiết kế FLRBC với ngữ nghĩa tính tốn từ ngơn ngữ xác định dựa ĐSGT đề xuất giải pháp nâng cao hiệu thiết kế FLRBC dựa kỹ thuật tính tốn mềm Trong tiếp cận thiết kế hệ phân lớp dựa ĐSGT tồn hạn chế cần có nghiên cứu mở rộng ứng dụng ĐSGT sau: - Các phương pháp thiết kế FLRBC với ngữ nghĩa tính tốn từ ngôn ngữ xác định dựa ĐSGT đề xuất từ trước đến thực dựa hai giai đoạn thiết kế tối ưu từ ngơn ngữ tìm kiếm hệ luật tối ưu Việc chia giai đoạn chưa đảm bảo tìm tham số ngữ nghĩa hệ luật tốt Giải pháp cải tiến nghiên cứu áp dụng kỹ thuật đồng tối ưu tham số ngữ nghĩa tìm kiếm hệ luật tối ưu - Tiếp cận thiết kế FLRBC luận án sử dụng ĐSGT để trích rút hệ luật ngôn ngữ mờ cho hệ phân lớp với ngữ nghĩa từ ngôn ngữ sở luật ngữ nghĩa dựa tập mờ Do đó, lập luận phân lớp sử dụng phương pháp lập luận Single winner rule hay Weighted vote phải sử dụng phép toán tập mờ kết phụ thuộc vào việc lựa chọn phép toán Với ĐSGT, ta xây dựng phương pháp lập luận riêng mà không cần sử dụng tập mờ Một hướng nghiên cứu xây dựng phương pháp lập luận cho FLRBC hoàn toàn sử dụng ĐSGT - Trong thực tế tồn nhiều dạng toán phân lớp khác nhà nghiên cứu quan tâm giải FLRBC như: Bài toán phân lớp tập liệu lớn, toán phân lớp tập liệu thiếu thông tin, toán phân lớp tập liệu có số mẫu liệu khơng cân nhãn lớp, toán học nửa giám sát, toán học trực tuyến, … Đây toán cần kỹ thuật xử lý khác giải hiệu kết hợp với phương pháp luận ĐSGT Luận án chứng tỏ khả ứng dụng hiệu ĐSGT mở rộng thiết kế tự động FLRBC ĐSGT mở rộng cần ứng dụng việc giải toán ứng dụng khác toán điều khiển, thao tác sở liệu mờ nhận dạng hệ mờ nhằm tăng tính hiệu tính linh hoạt biểu diễn ngữ nghĩa 24 DANH MỤC CƠNG TRÌNH KHOA HỌC CỦA TÁC GIẢ LIÊN QUAN ĐẾN LUẬN ÁN [CT1] Nguyễn Cát Hồ, Trần Thái Sơn, Phạm Đình Phong (2012), “Định lượng ngữ nghĩa khoảng đại số gia tử với việc bổ sung gia tử đặc biệt”, Tạp chí Tin học Điều khiển học Tập 28 (4), tr 346 – 358 [CT2] Phong Pham Dinh, Ho Nguyen Cat, Thuy Nguyen Thanh (2013), “Multiobjective Particle Swarm Optimization Algorithm and its Application to the Fuzzy Rule Based Classifier Design Problem with the Order Based Semantics of Linguistic Terms”, In proceeding of The 10th IEEE RIVF International Conference on Computing and Communication Technologies (RIVF-2013), Hanoi, Vietnam, pp 12 – 17 [CT3] Phạm Đình Phong, Nguyễn Cát Hồ, Nguyễn Thanh Thủy (2013), “Nghiên cứu phương pháp xây dựng thể hạt với ngữ nghĩa tập mờ tam giác từ ngôn ngữ cho toán phân lớp”, Kỷ yếu Hội nghị Quốc gia lần thứ VI Nghiên cứu ứng dụng Công nghệ thông tin, Thừa Thiên – Huế, tr 385 – 393 [CT4] Phạm Đình Phong, Nguyễn Cát Hồ, Trần Thái Sơn, Nguyễn Thanh Thủy (2013), “Một phương pháp thiết kế hệ phân lớp mờ dựa việc mở rộng lượng hóa Đại số gia tử”, Tạp chí Tin học Điều khiển học Tập 29 (4), tr 325 – 337 [CT5] Cat Ho Nguyen, Thai Son Tran, Dinh Phong Pham (2014), “Modeling of a semantics core of linguistic terms based on an extension of hedge algebra semantics and its application”, Knowledge-Based Systems 67, pp 244 – 262 (SCI indexed) [CT6] Phong Pham Dinh, Thuy Nguyen Thanh, Thanh Tran Xuan (2014), “A Hybrid Multi-objective PSO-SA Algorithm for the Fuzzy Rule Based Classifier Design Problem with the Order Based Semantics of Linguistic Terms”, VNU Journal of Science: Computer Science and Communication Engineering 30 (4), pp 44–56 [CT7] Pham Dinh Phong (2015), “An application of feature selection for the fuzzy rule based classifier design with the order based semantics of linguistic terms for highdimensional datasets”, Journal of Computer Science and Cybernetics 31 (2), pp 171 – 184 [CT8] Pham Dinh Phong (2015), An application of feature selection for the fuzzy rule based classifier design based on an enlarged hedge algebras for high-dimensional datasets, Journal of Science and Technology, VAST, ISSN: 0866-708X 53 (5), pp 583–597 ... suất phân lớp độ phức tạp hệ luật, ta kết luận tiếp cận thiết kế hệ phân lớp dựa 15 phương pháp luận ĐSGT áp dụng phương pháp thiết kế đa thể hạt cho hiệu suất phân lớp tốt phương pháp thiết kế. .. 79,57 Số có chữ đậm thể kết tốt phương pháp (trên dòng) 2.6.4.6 So sánh đánh giá với số tiếp cận khác Các kết đề xuất luận án so sánh với kết hai phương pháp thiết kế hệ phân lớp không dựa vào... ĐSGT AX 2.6.4.5 So sánh với số phương pháp theo tiếp cận lý thuyết tập mờ Các kết thực nghiệm hai hệ phân lớp FRBC_AXmr FRBC_AXmrtp so sánh với số kết theo tiếp cận lý thuyết tập mờ công bố gần R