Xây dựng hệ thống quản lý chứng chỉ số sử dụng công nghệ iaik và ssl

Phân cụm mờ trọng số địa lý Nguyễn Thị Thu Hồn Trường Đại học Cơng nghệ Luận văn Thạc sĩ ngành: Hệ thống thông tin; Mã số: 60 48 01 04 Người hướng dẫn: PGS.TS Nguyễn Đình Hóa, TS Lê Hồng Sơn Năm bảo vệ: 2014 Keywords Hệ thống thơng tin; Lôgic mờ; Phân cụm mờ; Dữ liệu địa lý Content Ngày nay, cơng cụ tính tốn mềm dần trở nên phổ biến lĩnh vực khoa học tính tốn, tính hữu hiệu việc giải toán thực tế kinh tế - xã hội mà công cụ phân tích cổ điển mơ hình thống kê lớp phương pháp giải xác khơng thực [13] Một hướng quan tâm tính tốn mềm ứng dụng phương pháp vào toán thực tế có tham chiếu khơng gian phương pháp gọi lớp phương pháp tính tốn mềm ảnh hưởng đặc trưng địa lý mơ hình tương tác khơng gian Trong lớp phương pháp tính tốn mềm ảnh hưởng đặc trưng địa lý mơ hình tương tác khơng gian, phương pháp phân cụm mờ trọng số địa lý phương pháp ứng dụng cho nhiều toán quan trọng kinh tế - xã hội Phương pháp đời bắt nguồn từ nhu cầu toán phân cụm liệu địa lý, định nghĩa theo Sleight (1993) [19] phân chia liệu có đặc trưng khơng gian vào nhóm khác theo số tiêu chí định để từ đưa sách hợp lý nhằm phân phối sản phẩm dịch vụ cho vùng miền Kết phân cụm liệu địa lý thường thể dạng đồ phân bố đặc trưng Cho đến nay, thuật toán phân cụm mờ trọng số địa lý tốt cho toán thuật toán MIPFGWC [10] Thuật toán xây dựng dựa lý thuyết tập mờ trực cảm, phân cụm mờ xác suất mơ hình SIM2 kiểm chứng chất lượng phân cụm so sánh với số thuật toán khác NE [24], FGWC [12] IPFGWC [8] Mục tiêu động nghiên cứu luận văn cải tiến thuật toán MIPFGWC sử dụng ý tưởng lý thuyết hàm nhân [23] nhằm nâng cao chất lượng phân cụm thuật toán Thuật toán thu kiểm chứng so sánh đánh giá với MIPFGWC số thuật toán khác chất lượng phân cụm Bố cục luận văn bao gồm chương:  Chương 1: Trình bày kiến thức tốn phân cụm liệu địa lý, bao gồm định nghĩa, độ đo ứng dụng lĩnh vực ý tế, an ninh, xã hội, v.v đồng thời trình bày sơ lược thuật tốn phân cụm mờ trọng số địa lý FCM, NE, FGWC, CFGWC, CFGWC2, IPFGWC, MIPFGWC ưu nhược điểm chúng, từ đề xuất thuật tốn KMIPFGWC  Chương 2: Trình bày thuật tốn phân cụm mờ trọng số địa lý KMIPFGWC, với hàm mục tiêu sử dụng độ đo khoảng cách hàm nhân Gaussian thay sử dụng hàm Euclidean truyền thống sử dụng mơ hình SIM2 để nâng cao chất lượng phân cụm cho toán  Chương 3: Trình bày số kết thực nghiệm thuật toán KMIPFGWC liệu thực tế liệu địa lý kinh tế - xã hội từ tổ chức Liên Hợp Quốc – UNO so sánh với thuật tốn MIPFGWC, FGWC để đánh giá hiệu thuật toán đề xuất References Tiếng Anh: [1] Ahmed, M N., Yamany, S M., Mohamed, N., Farag, A A., Moriarty, T., 2002 A modified fuzzy c-means algorithm for bias field estimation and segmentation of MRI data IEEE Trans Med Imaging 21,193–199 [2] Atanassov, K T (1986) Intuitionistic fuzzy sets Fuzzy sets and Systems,20(1), 87-96 [3] Bezdek, J.C., R Ehrlich, et al (1984), "FCM: the fuzzy c-means clustering algorithm", Computers and Geosciences, 10, pp.191-203 [4] Chen, S C., Zhang, D Q., 2004 Robust image segmentation using FCM with spatial constrains based on new kernel-induced distance measure IEEE Trans Systems Man Cybernet Part B 34, 1907–1916 [5] Feng, Z and Flowerdew, R (1998), Fuzzy Geodemographics: a contribution from fuzzy clustering methods, In: Carver, S (Ed.) Innovations in GIS 5, Taylor & Francis, London, pp.119127 [6] Harrison, N., Hatt, S (2010), “„Disadvantaged Learners‟: Who Are We Targeting? Understanding the Targeting of Widening Participation Activity in the United Kingdom Using Geo-Demographic Data From Southwest England”, Higher Education Quarterly, Vol 64, No 1, pp 65-88 [7] Keogh, E., Ratanamahatana, C A., 2005 Exact indexing of dynamic time warping Knowledge and information systems 7(3), 358-386 [8] Le Hoang Son, Bui Cong Cuong, Pier Luca Lanzi, Nguyen Tho Thong (2012), “A Novel Intuitionistic Fuzzy Clustering Method for Geo-Demographic Analysis”, Expert Systems with Applications, Vol 39, No 10, pp 9848–9859 [9] Le Hoang Son, Bui Cong Cuong, Pier Luca Lanzi, Hoang Anh Hung (2012), "Data Mining in GIS: A Novel Context-Based Fuzzy Geographically Weighted Clustering Algorithm", International Journal of Machine Learning and Computing, 2(3), 235-238 [10] Le Hoang Son, Bui Cong Cuong, Hoang Viet Long (2013), “Spatial interaction – modification model and applications to geo-demographic analysis”, Knowledge-Based Systems, Vol 49, pp 152–170 [11] Le Hoang Son (2014), “Enhancing Clustering Quality of Geo-Demographic Analysis Using Context Fuzzy Clustering Type-2 and Particle Swarm Optimization”, Applied Soft Computing, Vol 22, pp 566 - 584 [12] Mason, G A and Jacobson, R D., 2007 Fuzzy Geographically Weighted Clustering Proceedings of the 9th International Conference on GeoComputation, Maynooth, Eire, Ireland, (electronic proceedings on CD-ROM) [13] Masoud, N., Zadeh, L A., and Aminzadeh, F (2003), Soft computing and intelligent data analysis in oil exploration, Vol 51, Elsevier Science, Amsterdam [14] Mendel, J M (2007) Type-2 fuzzy sets and systems: an overview.Computational Intelligence Magazine, IEEE, 2(1), 20-29 [15] Morris, P., Thrall, G (2010), “Using Geospatial Techniques to Address Institutional Objectives: St Petersburg College Geo-Demographic Analysis”, IR Applications, Vol 27, Association for Institutional Research [16] Páez, A., M Trépanier, C Morency (2011), “Geodemographic analysis and the identification of potential business partnerships enabled by transit smart cards”, Transportation Research Part A, Vol 45, pp 640–652 [17] Pedrycz, W (1996), "Conditional fuzzy C-mean", Pattern Recognition Letter, 17, pp.625632 [18] Shelton, N., Birkin, M and Dorling, D (2006), “Where not to live: a geo-demographic classification of mortality for England and Wales, 1981- 2000”, Health and Place, Vol 12, No 4, pp 557-569 [19] Sleight, P (1993), Targeting Customers: How to use geodemographics and lifestyle data in your business, NTC Publication, Henley-on-Thames [20] Thakur, P., Lingam, C., 2013 Generalized Spatial Kernel based Fuzzy C-Means Clustering Algorithm for Image Segmentation International Journal of Science and Research 2(5), 165 169 [21] UNSD Statistical Databases, 2011 Demographic Yearbook http://unstats.un.org/unsd/databases.htm, [accessed 14 July 2012] [22] Wu Z., Xie, W X., Yu J P., 2003 Fuzzy C-means Clustering Algorithm Based on Kernel Method Proceedings of Fifth International Conference on Computational Intelligence and Multimedia Applications, pp 49-56 [23] Yang, M S., Tsai, H S (2008), “A Gaussian kernel-based fuzzy c-means algorithm with a spatial bias correction”, Pattern Recognition Letters, Vol 29, No 12, pp 1713-1725 [24] Zadeh, L A (1965) Fuzzy sets Information and control, 8(3), 338-353  ... Trình bày thuật tốn phân cụm mờ trọng số địa lý KMIPFGWC, với hàm mục tiêu sử dụng độ đo khoảng cách hàm nhân Gaussian thay sử dụng hàm Euclidean truyền thống sử dụng mơ hình SIM2 để nâng cao chất... SIM2 để nâng cao chất lượng phân cụm cho tốn  Chương 3: Trình bày số kết thực nghiệm thuật toán KMIPFGWC liệu thực tế liệu địa lý kinh tế - xã hội từ tổ chức Liên Hợp Quốc – UNO so sánh với thuật