Bài viết này trình bày một mạng nơron được cải tiến từ mô hình mạng nơron phân cụm min-max mờ FMNN của Simpson. Mô hình cải tiến được gọi là Centroid-based FMNN (CFMNN) nhằm cải thiện hiệu suất phân cụm của FMNN.
Từ 1.200 mẫu chọn, chia thành phần có kích thước xấp xỉ nhau, phần sử dụng cho tập huấn luyện phần lại tập kiểm tra Quá trình học kiểm tra thực lần, với lần tập huấn luyện tập kiểm tra hoán đổi cho Kết giá trị trung bình sau lần thực nghiệm Trong thực nghiệm Trong thực nghiệm, phương pháp đánh giá kết theo thống kê để tính trung bình bao gồm số: độ xác Acc (Test Accuracy), độ nhạy AccSe (Accuracy Sensitivity), độ đặc hiệu AccSp (Accuracy Specificity), giá trị dự đoán âm NPV (Negative predictive value), Giá trị dự đoán dương PPV (Positive Predictive Value) số hyperbox NoH (Number of Hyperboxes): Cách tính độ nhạy độ đặc hiệu sau: Acc =(a+d)/(a+b+c+d); AccSe = a/(a+c); AccSp = d/(b+d); PPV = a / (a+b ); NPV = d/ (d+c) a, b, c, d giá trị chuẩn đoán quy ước bảng Kết + Tổng cộng Bảng Các giá trị quy ước chuẩn đốn Có bệnh Khỏe mạnh Tổng cộng a b a+b c d c+d a+c b+d a+b+c+d Bảng kết so sánh số thực FMM, M-FMM CFMNN Tham số = 20, kích thước hyperbox =0.6 Tạp chí Nghiên cứu KH&CN quân sự, Số Đặc san CNTT, 12 - 2017 29 Công nghệ thông tin Bảng Thống kê kết Acc, AccSp, AccSe, PPV, NPV, NoH thực FMNN, M-FMM, CFMNN Phương pháp Acc AccSe AccSp PPV NPV FMNN 75,4 768,2 76,2 75,3 76,9 M-FMM 80,3 79,1 79,9 80,0 78,9 CFMNN 88,6 84,3 92,7 85,5 92,0 Bảng kết so sánh số thực FMM, M-FMM, CFMNN Trong thực nghiệm này, thay đổi kích thước hyperbox từ 0.05 đến 0.8 với bước thay đổi 0,05 Kết thực nghiệm Bảng Kết phân loại thực FMM, M-FMM, CFMNN thay đổi tham số FMNN M-FMM CFMNN 0,05 77,28 76,97 89,68 0,10 79,12 78,50 90,75 0,15 80,49 80,34 91,51 0,20 81,41 82,02 91,97 0,25 82,48 81,72 92,89 0,30 83,10 83,86 93,81 0,35 79,58 80,03 92,89 0,40 76,52 77,28 92,12 0,45 74,98 75,90 91,05 0,50 71,92 73,30 90,59 0,55 68,86 67,64 89,22 0,60 67,33 66,42 87,07 0,65 64,27 63,51 85,08 0,70 62,44 62,13 80,95 0,75 61,52 60,91 77,28 0,80 58,15 57,85 74,22 KẾT LUẬN Bài báo trình bày mơ hình mạng nơron phân cụm liệu min-max mờ FMNN CFMNN cải tiến từ mơ hình FMNN Simson Giá trị hàm thuộc đề xuất chúng tơi tính toán dựa khoảng cách Euclidean mẫu vào tâm hyperbox tâm cụm liệu thuộc hyperbox tương ứng Các kết thực nghiệm cho thấy CFMNN có kết tốt FMNN M-FMM thực nghiệm tập liệu PID, Wine 1.500 bệnh nhân đến khám điều trị bệnh rối loạn men gan Bệnh viện Gang thép Thái Nguyên Bệnh Viện Đa khoa Trung ương Thái Nguyên 30 V Đ Minh, N D Cường, N T L Hương, “Mạng nơron phân cụm … tâm cụm liệu.” Nghiên cứu khoa học công nghệ Tuy nhiên, để đạt kết phân cụm tốt hai mơ hình CFMNN FMNN địi hỏi thời gian kinh nghiệm việc “thử sai” nhiều lần để xác định tham số điều chỉnh Đây hạn chế thuật tốn phân cụm min-max mờ nói riêng hầu hết mơ hình mạng nơron nói chung Ngồi ra, việc xác định kích thước giới hạn chung cho tất cụm (hyperbox) ngưỡng vấn đề cần phải xem xét, thực tế kích thước mật độ liệu cụm liệu khơng gian đầu vào hồn tồn khác Đây hướng nghiên cứu cần xem xét TÀI LIỆU THAM KHẢO [1] B Alpern and L Carter, “The hyperbox,” in Proc IEEE Conf Visual., Oct 1991, pp 133–139 [12] [2] Kosko, B., & Burgess, J C (1998) “Neural networks and fuzzy systems” The Journal of the Acoustical Society of America, 103(6), 3131-3131 [5] [3] Lin, F J., & Shen, P H (2006) “Robust fuzzy neural network sliding-mode control for two-axis motion control system” IEEE Transactions on Industrial Electronics, 53(4), 1209-1225 [2] [4] Luo, C., Li, T., Chen, H., & Liu, D (2013) “Incremental approaches for updating approximations in set-valued ordered information systems” Knowledge-Based Systems, 50, 218-233 [15] [5] Martínez-Rego, D., Fontenla-Romero, O., & Alonso-Betanzos, A (2012) “Nonlinear single layer neural network training algorithm for incremental, nonstationary and distributed learning scenarios” Pattern Recognition, 45(12), 4536-4546 [14] [6] Quteishat, A M., & Lim, C P (2007) “A modified fuzzy min-max neural network and its application to fault classification” In Soft computing in industrial applications (pp 179-188) Springer, Berlin, Heidelberg [9] [7] Quteishat, A., & Lim, C P (2008) “A modified fuzzy min–max neural network with rule extraction and its application to fault detection and classification” Applied Soft Computing, 8(2), 985-995 [16] [8] Seera, M., Lim, C P., Loo, C K., & Jain, L C (2016) “Data Clustering Using a Modified Fuzzy Min-Max Neural Network” In Soft Computing Applications(pp 413-422) Springer, Cham [17] [9] Seera, M., Lim, C P., Loo, C K., & Singh, H (2015) “A modified fuzzy min– max neural network for data clustering and its application to power quality monitoring” Applied Soft Computing, 28, 19-29 [13] [10].Simpson, P K (1992) “Fuzzy min-max neural networks” I Classification IEEE transactions on Neural Networks, 3(5), 776-786 [10] [11].Simpson, P K (1993) “Fuzzy min-max neural network—Part II: Clustering” IEEE Trans Fuzzy Syst, 1(1), 32-45 [12] Wai, R J., & Lee, J D (2008) “Adaptive fuzzy-neural-network control for maglev transportation system” IEEE Transactions on Neural Networks,19(1), 54-70 Tạp chí Nghiên cứu KH&CN quân sự, Số Đặc san CNTT, 12 - 2017 31 Công nghệ thông tin [13] Wang, Z., Zhang, H., & Yu, W (2009) “Robust stability of Cohen– Grossberg neural networks via state transmission matrix” IEEE Transactions on Neural Networks, 20(1), 169-174 [14] Yilmaz, S., & Oysal, Y (2010) “Fuzzy wavelet neural network models for prediction and identification of dynamical systems” IEEE transactions on neural networks, 21(10), 1599-1609 [15] Zadeh, L A (1965) “Fuzzy sets” Information and control, 8(3), 338-353 [16] Zhang, H., Luo, Y., & Liu, D (2009) “Neural-network-based near-optimal control for a class of discrete-time affine nonlinear systems with control constraints” IEEE Transactions on Neural Networks, 20(9), 1490-1503 [17] Zhang, H., Wang, Z., & Liu, D (2008) “Global asymptotic stability of recurrent neural networks with multiple time-varying delays” IEEE Transactions on Neural Networks, 19(5), 855-873 ABSTRACT FUZZY MIN-MAX NEURAL NETWORK CLUSTERING BASED ON THE DATA CORE The Fuzzy Min-max Neural Network (FMNN) is a neural network based on the form of hyperboxes for classifier and prediction An impoved fuzzy min-max neural network FMNN of Simpson is presented in this paper The improved model is called centroid-based fuzzy min-max neural network (CFMNN) CFMNN is used to improve its clustering performance by using the distance between the pattern and the data core of the existing hyperbox to adjust hyperbox The experiments were conducted on data sets PID, Wine and a real data including 1.500 samples of patients to compare CFMNN and FMNN which have been published previously The experimental outcome positively indicates the potential of M-FMM in undertaking data clustering tasks Keywords: Fuzzy min-max, Fuzzy min-max neural network, Clustering, data core, Hyperbox center Nhận ngày 16 tháng năm 2017 Hoàn thiện ngày 26 tháng 11 năm 2017 Chấp nhận đăng ngày 28 tháng 11 năm 2017 Địa chỉ: Trường Cao đẳng Công nghiệp Thái Nguyên; Viện Khoa học Công nghệ quân * Email: cuongvncntt@yahoo.com 32 V Đ Minh, N D Cường, N T L Hương, “Mạng nơron phân cụm … tâm cụm liệu.” ... bày mơ hình mạng nơron phân cụm liệu min-max mờ FMNN CFMNN cải tiến từ mơ hình FMNN Simson Giá trị hàm thuộc đề xuất tính tốn dựa khoảng cách Euclidean mẫu vào tâm hyperbox tâm cụm liệu thuộc... Nguyên 30 V Đ Minh, N D Cường, N T L Hương, ? ?Mạng nơron phân cụm … tâm cụm liệu. ” Nghiên cứu khoa học công nghệ Tuy nhiên, để đạt kết phân cụm tốt hai mơ hình CFMNN FMNN địi hỏi thời gian kinh... điều chỉnh Đây hạn chế thuật tốn phân cụm min-max mờ nói riêng hầu hết mơ hình mạng nơron nói chung Ngồi ra, việc xác định kích thước giới hạn chung cho tất cụm (hyperbox) ngưỡng vấn đề cần