Phát triển một số mô hình phân cụm mờ cộng tác

BỘ GIÁO DỤC VÀ ĐÀO TẠO BỘ QUỐC PHÒNG HỌC VIỆN KỸ THUẬT QUÂN SỰ ĐẶNG TRỌNG HỢP PHÁT TRIỂN MỘT SỐ MƠ HÌNH PHÂN CỤM MỜ CỘNG TÁC LUẬN ÁN TIẾN SĨ TOÁN HỌC HÀ NỘI –2019 BỘ GIÁO DỤC VÀ ĐÀO TẠO BỘ QUỐC PHÒNG HỌC VIỆN KỸ THUẬT QUÂN SỰ ĐẶNG TRỌNG HỢP PHÁT TRIỂN MỘT SỐ MƠ HÌNH PHÂN CỤM MỜ CỘNG TÁC LUẬN ÁN TIẾN SĨ TỐN HỌC Chun ngành: Cơ sở tốn học cho tin học Mã số: 62.46.01.10 NGƯỜI HƯỚNG DẪN KHOA HỌC PGS TS Ngô Thành Long HÀ NỘI –2019 LỜI CAM ĐOAN Tơi xin cam đoan kết trình bày luận án cơng trình nghiên cứu giám sát giảng viên hướng dẫn Các kết viết chung với tác giả khác đồng ý đồng tác giả trước đưa vào luận án Các kết luận án trung thực chưa công bố cơng trình khác Nghiên cứu sinh Đặng Trọng Hợp LỜI CẢM ƠN Luận án nghiên cứu sinh hoàn thành hướng dẫn tận tình, nghiêm khắc PGS TS Ngơ Thành Long, lời tơi xin bày tỏ lịng kính trọng biết ơn sâu sắc tới Thầy Những định hướng, nhận xét góp ý Thầy suốt q trình nghiên cứulà học vơ q giá tơi khơng việc hồn thành luận án mà hoạt động chuyên môn sau Tôi xin chân thành cảm ơn GS TSKH Phạm Thế Long, PGS TS Bùi Thu Lâm, TS Tống Minh Đức, TS Hoa Tất Thắng, TS Nguyễn Văn Giang thầy cô Bộ môn Hệ thống thông tin, Khoa Công nghệ thông tin Học viện Kỹ thuật quân có góp ý quý báu q trình nghiên cứu hội thảo chun mơn Khoa, Bộ môn Tác giả xin gửi lời cảm ơn chân thành đến Khoa Cơng nghệ thơng tin, Phịng Sau đại học,Học Viện Kỹ Thuật Quân Sự tạo điều kiện thuận lợi trình học tập, nghiên cứu hồn thành luận án Tơi xin cảm ơn Trung tâm Cơng nghệ thơng tin, Phịng Đào tạo Lãnh đạo Trường Đại học Công nghiệp, nơi công tác tạo điều kiện sở vật chất, thời gian, xếp công việc quan hợp lý thường xun động viên, nhắc nhở tơi q trình nghiên cứu Cuối cùng, tơi xin cảm ơn gia đình, bạn bè đồng nghiệp người bên cạnh động viên, chia sẻ hỗ trợ trình học tập, nghiên cứu MỤC LỤC DANH MỤC CÁC KÍ HIỆU, CÁC CHỮ VIẾT TẮT DANH MỤC CÁC BẢNG BIỂU DANH MỤC CÁC HÌNH VẼ DANH MỤC THUẬT TOÁN MỞ ĐẦU 10 Tính cấp thiết nội dung nghiên cứu 10 Mục tiêu nghiên cứu luận án 11 Đối tượng nghiên cứu 11 Phạm vi nghiên cứu 12 Phương pháp nghiên cứu 12 Cấu trúc luận án 12 CHƯƠNG TỔNG QUAN VỀ PHÂN CỤM DỮ LIỆU 14 1.1 Giới thiệu phân cụm mờ cộng tác số kiến thức sở 14 1.1.1 Phân cụm mờ 14 1.1.2 Phân cụm mờ cộng tác 16 1.1.3 Tập mờ 19 1.1.4 Khoảng cách phân cụm 23 1.1.5 Chỉ số đánh giá chất lượng phân cụm 24 1.2 Tổng quan phân cụm mờ cộng tác 28 1.2.1 Tổng quan phân cụm mờ 29 1.2.2 Tổng quan phân cụm mờ cộng tác 31 1.2.3 Phân cụm liệu lớn 33 1.2.4 Một số kỹ thuật kết hợp nâng cao chất lượng phân cụm 38 1.3 Những hạn chế nghiên cứu có mục tiêu nghiên cứu 43 1.4 Những đóng góp luận án 45 1.5 Kết luận chương 45 CHƯƠNG PHÂN CỤM MỜ LOẠI KHOẢNG CỘNG TÁC 46 2.1 Phân cụm mờ loại khoảng cộng tác 46 2.2 Phân cụm mờ loại khoảng cộng tác số cụm khác 53 2.3 Thuật toán phân cụm mờ loại khoảng cộng tác (CIVFCM) 56 2.4 Thử nghiệm đánh giá 57 2.4.1 Thử nghiệm với liệu sinh ngẫu nhiên 58 2.4.2 Thử nghiệm với liệu S1, S4 60 2.4.3 Thử nghiệm với liệu thời tiết Canada 62 2.4.4 Thử nghiệm với liệu ảnh vệ tinh 64 2.4.5 Một số đánh giá 70 2.5 Kết luận chương 71 CHƯƠNG MỘT SỐ CẢI TIẾN VÀ ỨNG DỤNG THUẬT TOÁN PHÂN CỤM MỜ CỘNG TÁC 73 3.1 Phân cụm mờ cộng tác đa nhân dựa tính tốn hạt siêu điểm ảnh 74 3.1.1 Phân cụm mờ cộng tác đa nhân 74 3.1.2 Tạo hạt siêu điểm ảnh (Super-pixel granulation) 77 3.1.3 Phân cụm mờ cộng tác đa nhân dựa tính tốn hạt siêu điểm ảnh có trọng số 78 3.1.4 Thuật toán phân mờ cụm cộng tác đa nhân 84 3.1.5 Thử nghiệm đánh giá 86 3.2 Phân cụm liệu lớn dựa thuật toán phân cụm mờ cộng tác giảm chiều liệu 96 3.2.1 Kỹ thuật giảm chiều liệu theo định lý Johnson Lindenstrauss 97 3.2.2 Phân cụm liệu lớn dựa thuật toán phân cụm cộng tác giảm chiều liệu 99 3.2.3 Thử nghiệm đánh giá 101 3.3 Kết luận chương 105 KẾT LUẬN 107 Kết luận chung 107 Những đóng góp luận án 108 Kiến nghị số hướng nghiên cứu 108 DANH MỤC CƠNG TRÌNH ĐÃ CÔNG BỐ 109 TÀI LIỆU THAM KHẢO 110 DANH MỤC CÁC KÍ HIỆU, CÁC CHỮ VIẾT TẮT Kí hiệu FL FS T2FL T2FS IT2FS IVFS FOU SCI SCIE WoS SoI FSoI SSE SSE PCI XBI DI SI CEI DBI CR CDI FMI JI MI RI FCM KFCM Thuật ngữ tiếng Anh Fuzzy Logic Fuzzy Sets Type-2 Fuzzy Logic Type-2 Fuzzy Sets Interval Type-2 Fuzzy Sets Interval-Valued Fuzzy Sets Footprint Of Uncertainty Science Citation Index Science Citation Index Expanded Web of Science Silhouette Criterion Index Fuzzy Silhouette Index Sum of Squared Error Fuzzy Sum of Squared Error Bezdek’s Partition Coefficient Index Xie and Beni Index Dunn’s Index Separation Index Classification Entropy Index Davies-Bouldin’s Index Classification Rate Czekanowski-Dice Index Folkes-Mallows Index Jaccard Index McNemar Index Rand Index Fuzzy C-Means Kernel FCM Thuật ngữ tiếng Việt Logic mờ Tập mờ Logic mờ loại Tập mờ loại Tập mờ loại khoảng Tập mờ giá trị khoảng Vùng không rõ ràng, vùng mờ Danh mục trích dẫn khoa học Danh mục trích dẫn khoa học mở rộng Kho liệu thông tin khoa học ISI Chỉ số đánh giá SoI Chỉ số đánh giá phân cụm mờ FSoI Trung bình bình phương lỗi Trung bình bình phương lỗi mờ Chỉ số đánh giá phân cụm PCI Chỉ số đánh giá phân cụm XBI Chỉ số đánh giá phân cụm DI Chỉ số đánh giá phân cụm SI Chỉ số đánh giá phân cụm CEI Chỉ số đánh giá phân cụm DBI Tỉ lệ phân loại Chỉ số đánh giá phân cụm CDI Chỉ số đánh giá phân cụm FMI Chỉ số đánh giá phân cụm JI Chỉ số đánh giá phân cụm MI Chỉ số đánh giá phân cụm RI Thuật toán Phân cụm mờ Thuật toán phân cụm mờ nhân Thuật toán phân cụm mờ đa nhân Thuật toán Phân cụm mờ cộng tác Thuật toán phân cụm mờ loại CIVFCM khoảng cộng tác Thuật toán phân cụm mờ cộng tác đa MKCFCM nhân Thuật toán phân cụm mờ cộng tác đa SMKCFCM Superpixels MKFCM nhân sử dụng siêu điểm ảnh Clustering by Fast Search Phân cụm cách tìm kiếm nhanh CFSFD and Find of Density Peaks tìm điểm mật độ cao RPFRRandom Projection Phân cụm mờ cộng tác kết hợp giảm CFCM Features Reduction CFCM chiều phép chiếu ngẫu nhiên random sampling plus Thuật toán FCM mở rộng lẫu mẫu rseFCM extension Fuzzy c-Means nhẫu nhiên spFCM Single Pass FCM Thuật toán FCM phần Random Sample and Thuật toán FCM sử dụng nhân lẫy rsekFCM Extend Kernel FCM mẫu ngẫu nhiên OF Objective Function Hàm mục tiêu GrC Granular Computing Tính tốn hạt IC Information Granules Hạt thông tin N Number of data objects Số đối tượng liệu M Number of features of data Số thuộc tính liệu X={x1, x2, , xN}RM tập liệu M chiều, xiX đối tượng X liệu thứ i Department of National DNRS Cục Viễn thám Quốc gia Remote Sensing MKFCM CFCM Multi Kernel FCM Collaborative FCM Collaborative Interval valued FCM Multi KernelCollaborative FCM DANH MỤC CÁC BẢNG BIỂU Bảng 1.1 Phân loại liệu lớn 34 Bảng 2.1 Kết phân cụm với thử nghiệm 2.1 58 Bảng 2.2 Chỉ số đánh giá với thử nghiệm 2.1 59 Bảng 2.3 Chỉ số đánh giá thuật toán với liệu S1 61 Bảng 2.4 Chỉ số đánh giá thuật toán với liệu S4 62 Bảng 2.5 Chỉ số đánh giá thuật toán với liệu thời thiết Canada 64 Bảng 2.6 Tỉ lệ % diện tích vùng Hà Nội 67 Bảng 2.7 Tỉ lệ % diện tích vùng Bảo lộc 67 Bảng 2.8 Chỉ số đánh giá chất lượng phân cụm thuật toán 69 Bảng 2.9 Độ phức tạp tính tốn thuật tốn 71 Bảng 3.1 Kết phân cụm vùng TP Thanh Hóa 90 Bảng 3.2 Chỉ số đánh giá phân cụm cho TP Thanh Hóa 91 Bảng 3.3 Kết phân cụm vùng TP Thái Nguyên 92 Bảng 3.4 Chỉ số đánh giá phân cụm cho TP Thái Nguyên 93 Bảng 3.5 Kết phân cụm vùng H Quỳ Hợp 94 Bảng 3.6 Chỉ số đánh giá phân cụm cho H Quỳ Hợp 94 Bảng 3.7 Thời gian tính thuật tốn 96 Bảng 3.8 Chỉ số đánh giá thời gian tính tốn với liệu NIPS 102 Bảng 3.9 Chỉ số đánh giá thời gian tính tốn với liệu EEG 103 Bảng 3.10 Chỉ số đánh giá thời gian tính tốn với liệu MNIST 104 DANH MỤC CÁC HÌNH VẼ Hình 1.1 Kết phân cụm (a) trước cộng tác, (b) sau cộng tác 17 Hình 1.2 Mơ hình phân cụm mờ cộng tác 18 Hình 1.3 Hàm thuộc: (a) loại (b) loại 21 Hình 1.4 Mối liên hệ loại tập mờ 23 Hình 2.1 Kết thử nghiệm 2.2 với thuật toán CIVFCM2 59 Hình 2.2 Kết phân cụm liệu S1 61 Hình 2.3 Kết phân cụm liệu S4 61 Hình 2.4 Biểu đồ hiển thị giá trị số theo tham số mờ hóa m1, m2 64 Hình 2.5 Kết phân cụm Hà Nội Bảo Lộc theo thuật tốn 66 Hình 2.6 Biểu đồ so sánh tỉ lệ % diện tích Hà Nội 67 Hình 2.7 Biểu đồ so sánh tỉ lệ % diện tích Bảo lộc 68 Hình 2.8 Đồ thị kết số với nhiều tham số m1 m2 69 Hình 3.1: Ảnh vệ tinh kênh TP Thanh Hóa 87 Hình 3.2: Ảnh vệ tinh kênh TP Thái Nguyên 87 Hình 3.3: Ảnh vệ tinh kênh H Quỳ Hợp 88 Hình 3.4 Sơ đồ tính tốn thử nghiệm 89 Hình 3.5 Kết phân cụm TP Thanh Hóa 90 Hình 3.6 So sánh % diện tích cụm TP Thanh Hóa 91 Hình 3.7 Kết phân cụm TP Thái Nguyên 92 Hình 3.8 So sánh % diện tích cụm TP Thái Nguyên 93 Hình 3.9 Kết phân cụm H Quỳ Hợp 94 Hình 3.10 So sánh % diện tích cụm H Quỳ Hợp 94 Hình 3.11 Mơ hình phân cụm liệu lớn 100 106 ảnh có trọng số thử nghiệm khác công bố [VI] Mơ hình phân cụm liệu lớn dựa thuật toán phân cụm cộng tác giảm chiều liệu ngẫu nhiên đề xuất công bố [I], chương luận án tiến hành thêm thử nghiệm với nhiều số đánh giá so sánh với thuật toán phân cụm liệu lớn phổ biến 107 KẾT LUẬN Kết luận chung Luận án đạt số kết nghiên cứu sau: Luận án đề xuất hai thuật toán phân cụm cộng tác mờ giá trị khoảng để giải vấn đề nhiễu không chắn liệu Bằng cách áp dụng tập mờ giá trị khoảng, kỹ thuật để giải vấn đề không chắn, nhiễu liệu vào mơ hình tốn phân cụm cộng tác giá trị tối ưu phân hoạch trọng tâm cụm theo hàm mục tiêu đề xuất cho thuật toán chứng minh đầy đủ Định lý 2.1 Định lý 2.2 Các thử nghiệm, đặc biệt với liệu thực tế có nhiễu khơng chắn điều kiện khách quan liệu thời tiết liệu ảnh vệ tinh cho thấy đề xuất cho chất lượng phân cụm tốt thuật toán so sánh Chương luận án đưa số cải tiến để nâng cao hiệu ứng dụng thực tế phân cụm mờ cộng tác Một đề xuất thuật toán phân cụm cộng tác mờ sử dụng kỹ thuật đa nhân để giải vấn đề liệu có cấu trúc cụm phức tạp, chia cách khơng tuyến tính cách sử dụng chuyển đổi khơng gian liệu qua hàm nhân không gian mà chia tách cụm tốt Mở rộng thuật toán phân cụm mờ cộng tác đa nhân cho toán phân cụm ảnh cách áp dụng thuật toán SLIC để tạo hạt thông tin thực phân cụm mờ cộng tác đa nhân siêu điểm ảnh có trọng số để giảm độ phức tạp tính toán Chương đưa Framework ứng dụng thuật toán phân cụm cộng tác cho phân cụm liệu lớn kết hợp giảm chiều phép chiếu ngẫu nhiên sử dụng định lýJohnson- Lindenstrauss Có nhiều cách tiếp cận giảm chiều liệu định lý Johnson- Lindenstrauss cho phép giảm chiều mà không thay đổi đáng kể khoảng cách phần tử, khơng thay đổi chất lượng phân cụm mà giảm liệu tính tốn Bằng cách chia tập liệu thành nhiều tập nhỏ tiến hành phân cụm cộng tác, 108 Framework đề xuất cho phép phân cụm tồn liệu mà khối lượng tính tốn giảm so với phân cụm tập chung đồng thời tồn liệu Những đóng góp luận án Đề xuất thuật toán phân cụm mờ loại khoảng cộng tác 2.1 để nâng cao chất lượng phân cụm liệu có tính khơng rõ ràng, chắn thực tế công bố [II] [V] Đề xuất thuật toán phân cụm mờ đa nhân mở rộng đa nhân dựa tính toán hạt siêu điểm ảnh 3.1 để nâng cao chất lượng phân cụm với liệu có cấu trúc phức tạp, chia tách khơng tuyến tính, kết công bố [III], [IV] [VI] Đề xuất framework thuật toán 3.3 ứng dụng kỹ thuật giảm chiều liệu phân cụm mờ cộng tác để giải toán phân cụm liệu lớn [I] Kiến nghị số hướng nghiên cứu Trong thời gian tới, nội dung nghiên cứu luận án mở rộng theo hướng: - Thuật toán phân cụm cộng tác thực phân cụm cục sau trao đổi thơng tin tâm cụm ma trận phân hoạch để điều chỉnh kết quả, hướng nghiên cứu tiềm sử dụng xử lý song song, phân tán để tăng tốc độ tính tốn - Hai phát triển mơ hình tính tốn liệu lớn, kết hợp với tính tốn hạt siêu điểm ảnh để phân cụm ảnh vệ tinh siêu phổ 109 DANH MỤC CƠNG TRÌNH ĐÃ CƠNG BỐ I Trong Hop Dang, Pham The Long, Long Thanh Ngo, Fadugba Feremiah; Big data clustering with the use of the random projection features reduction and collaborative Fuzzy C-Means; Hội thảo quốc gia lần thứ XX: Một số vấn đề chọn lọc Công nghệ thông tin truyền thông; Trang 24-29; 2017 II Trong Hop Dang, Long Thanh Ngo; Phương pháp phân cụm mờ cộng tác đa nhân ứng dụng vào tốn xếp loại sinh viên; Tạp chí Khoa học Công nghệ Đại học Thái Nguyên; Số 02, trang 73-78; 2018 III Trong Hop Dang, Long Thanh Ngo, Wiltold Pedrycz; Interval Type-2 Fuzzy C-Means Approach to Collaborative Clustering; IEEE International Conference on Fuzzy Systems (FUZZ-IEEE); 2015 (DOI: 10.1109/FUZZ-IEEE.2015.7337932) IV Trong Hop Dang, Long Thanh Ngo, Wiltold Pedrycz; Multiple Kernel Based Collaborative Fuzzy Clustering Algorithm; Intelligent Information and Database Systems – ACIIDS 2016, Springer Lecture Notes in Artificial Intelligence; pp 285-295; 2016 (DOI: 10.1007/978-3-662-49381-6_56) V Long Thanh Ngo, Trong Hop Dang, Wiltold Pedrycz; Towards intervalvalued fuzzy set-based collaborative fuzzy clustering algorithms; Pattern Recognition; pp 404-416; 2018(DOI: 10.1016/j.patcog.2018.04.006 – SCI, Q1, IF: 4.582) VI Trong Hop Dang, Dinh Sinh Mai, Long Thanh Ngo; Multiple Kernel Collaborative Fuzzy Clustering Algorithm with Weighted Superpixels for Satellite Image Land-cover Classification; Engineering Applications of Artificial Intelligence; 2019 (DOI: 10.1016/j.engappai.2019.05.004 – SCI, Q1, IF: 2.819) 110 TÀI LIỆU THAM KHẢO [1] W Pedrycz and P Rai, “Collaborative clustering with the use of Fuzzy C-Means and its quantification,” Fuzzy Sets and Systems, vol 159, pp 2399–2427, 2008 [2] P Taylor and J Dunn, “A fuzzy relative of the isodata process and its use in detecting compact well-separated clusters.,” Journal of cybernetics, pp 32–57, 1973 [3] W Peizhuang, “Pattern recognition with fuzzy objective function algorithms,” SIAM Review, 1983 [4] W Pedrycz, “Collaborative fuzzy clustering,” Pattern Recognition Letters, vol 23, pp 1675–1686, 2002 [5] H Bustince Sola, J Fernandez, H Hagras, F Herrera, M Pagola, and E Barrenechea, “Interval Type-2 Fuzzy Sets are Generalization of IntervalValued Fuzzy Sets: Toward a Wider View on Their Relationship,” IEEE Transactions on Fuzzy Systems, vol 23, no 5, pp 1876–1882, 2015 [6] C Wu, C Ouyang, L Chen, and L Lu, “A New Fuzzy Clustering Validity Index With a Median Factor for Centroid-Based Clustering,” Transactions on Fuzzy Systems, vol 23, no 3, pp 701–718, 2015 [7] M R Niakan and M H F Zarandi, “Interval type-2 credibilistic clustering for pattern recognition,” Pattern Recognition, pp 1–21, 2015 [8] Y Lei et al., “Extending Information-Theoretic Validity Indices for Fuzzy Clustering,” Transactions on Fuzzy Systems, vol 6706, pp 1–6, 2016 [9] J C Bezdek, L Fellow, M Moshtaghi, and T Runkler, “The Generalized C Index for Internal Fuzzy Cluster Validity,” Transactions on Fuzzy Systems, vol 646, pp 1–15, 2016 [10] B Desgraupes, “Clustering Indices,” University of Paris, pp 1–33, 2013 111 [11] J C Bezdek and N R Pal, “Some new indexes of cluster validity,” IEEE Transactions on Systems, Man, and Cybernetics, Part B: Cybernetics, vol 28, no 3, pp 301–315, 1998 [12] R J G B Campello and E R Hruschka, “A fuzzy extension of the silhouette width criterion for cluster analysis,” Fuzzy Sets and Systems, vol 157, pp 2858–2875, 2006 [13] J Zubin, “A technique for measuring like-mindedness,” Journal of Abnormal and Social Psychology, vol 33, pp 508–516, 1938 [14] R C Tryon, “Cluster analysis; correlation profile and orthometric (factor) analysis for the isolation of unities in mind and personality,” Edwards brother, 1939 [15] L Zadeh, “Fuzzy sets,” Information and Control, pp 338–353, 1965 [16] J C Bezdek, Pattern Recognition with Fuzzy Objective Function Algoritms Plenum Press, 1981 [17] O Linda, S Member, M Manic, and S Member, “General Type-2 Fuzzy C-Means Algorithm for Uncertain Fuzzy Clustering,” Transactions on Fuzzy Systems, vol 20, no 5, pp 883–897, 2012 [18] P Melin and O Castillo, “A review on type-2 fuzzy logic applications in clustering , classification and pattern recognition,” Applied Soft Computing Journal, vol 21, pp 568–577, 2014 [19] E Rubio, O Castillo, and P Melin, “Interval Type-2 Fuzzy System Design Based on the Interval Type-2 Fuzzy C-Means Algorithm,” Studies in Fuzziness and Soft Computing, vol 335, pp 133–146, 2016 [20] Q Liang and J M Mendel, “Interval Type-2 Fuzzy Logic Systems : Theory and Design,” Transactions on Fuzzy Systems, vol 8, no 5, pp 535–550, 2000 [21] S Mitra, S Member, H Banka, and W Pedrycz, “Rough – Fuzzy 112 Collaborative Clustering,” Transactions on Systems, MAN, and Cybernetics, vol 36, no 4, pp 795–805, 2006 [22] M Prasad, L Siana, “A Preprocessed Induced Partition Matrix Based Collaborative Fuzzy Clustering For Data Analysis,” International Conference on Fuzzy Systems, pp 1–6, 2014 [23] F Yu, J Tang, and R Cai, “A Necessary Preprocessing in Horizontal Collaborative Fuzzy Clustering,” International Conference on Granular Computing, pp 399–403, 2007 [24] F Yu, “Prototypes-based Horizontal Collaborative Fuzzy Clustering,” Web Mining and Web-based Application, pp 1–4, 2009 [25] F Yu, J Tang, and R Cai, “Partially Horizontal Collaborative Fuzzy CMeans,” International Journal of Fuzzy Systems, vol 9, no 4, pp 198– 204, 2007 [26] J Subline, N Grozavu, Y Bernard, and A Cornuejols, “Vertical Collaborative Clustering using Generative Topographic Maps,” International Conference of Soft Computing and Pattern Recognition, pp 199–204, 2015 [27] P Rastin, G Cabanes, N Grozavu, and Y Bennani, “Collaborative Clustering : How to select the optimal Collaborators ?,” Symposium Series on Computational Intelligence Collaborative, pp 787–794, 2015 [28] J Zhou, C L P Chen, L Chen, and H X Li, “Collaborative Fuzzy Clustering Algorithm in Distributed Network Environments,” Transactions on Fuzzy Systems, 2014 [29] Y Jiang et al., “Collaborative Fuzzy Clustering From Multiple Weighted Views,” Transaction on Cybernetics, pp 1–14, 2014 [30] Z Han, J Zhao, Q Liu, and W Wang, “Granular-computing based hybrid collaborative fuzzy clustering for long-term prediction of multiple 113 gas holders levels,” Information Sciences, vol 330, pp 175–185, 2016 [31] Y Liu and F Yu, “Collaborative Fuzzy Clustering Method for Large Scale Interval Data,” Control and Decision Conference, pp 3906–3911, 2016 [32] P Rathore, J C Bezdek, S M Erfani, S Rajasegarar, and M Palaniswami, “Ensemble Fuzzy Clustering using Cumulative Aggregation on Random Projections.” Transactions on Fuzzy Systems, pp 1–15, 2017 [33] J Wu, Z Wu, J Cao, H Liu, G Chen, and Y Zhang, “Fuzzy Consensus ClusteringWith Applications on Big Data.” IEEE TRANSACTIONS ON FUZZY SYSTEMS, pp 1430–1444, 2017 [34] Z Deng, S Member, Y Jiang, and F Chung, “Transfer Prototype-Based Fuzzy Clustering,” Transactions on Fuzzy Systems, vol 24, no 5, pp 1210–1232, 2016 [35] Y Shen and W Pedrycz, “Collaborative fuzzy clustering algorithm: Some refinements,” International Journal of Approximate Reasoning, vol 86, pp 41–61, 2017 [36] T C Havens et al., “Fuzzy c -Means Algorithms for Very Large Data,” TRANSACTIONS ON FUZZY SYSTEMS, vol 20, no 6, pp 1130–1146, 2012 [37] A Gandomi and M Haider., “Beyond the hype: Big data concepts, methods, and analytics,” International Journal of Information Management, vol 35, pp 137–144, 2015 [38] N Bharill, A Tiwari, and A Malviya, “Fuzzy Based Scalable Clustering Algorithms for Handling Big data using Apache Spark,” International Conference on Big Data Computing Service and Applications vol 7790, pp 1–14, 2016 114 [39] N Bharill and A Tiwari, “Handling big data with fuzzy based classification approach,” Advance Trends in Soft Computing, pp 219– 227, 2014 [40] Q Zhangab, L T.Yangab, Z Chenc, and P Lic, “High-order possibilistic c-means algorithms based on tensor decompositions for big data in IoT,” Information Fusion, vol 39, pp 72–80, 2018 [41] P Hore, L O Hall, and D B Goldgof, “Single Pass Fuzzy C Means,” 2007 IEEE International Fuzzy Systems Conference, pp 1–7, 2007 [42] D Graves and W Pedrycz, “Kernel-based fuzzy clustering and fuzzy clustering : A comparative experimental study,” Fuzzy Sets and Systems, vol 161, no 4, pp 522–543, 2010 [43] Z Chen, X Shixiong, and L Bing, “A Robust Fuzzy Kernel Clustering Algorithm,” Applied Mathematics & Information Sciences, vol 1012, no 3, pp 1005–1012, 2013 [44] Z Liu, S Xu, Y Zhang, C Lung, and P Chen, “A Multiple-Feature and Multiple-Kernel Scene Segmentation Algorithm for Humanoid Robot,” Transactions on Cybernetics, vol 44, no 11, pp 2232–2240, 2014 [45] D Graves and W Pedrycz, “Performance of kernel-based fuzzy clustering,” vol 43, no 25, 2007 [46] P Kaur, “Review and Comparison of Kernel Based Fuzzy Image Segmentation Techniques,” I.J Intelligent Systems and Applications, pp 50–60, 2012 [47] G Camps-valls and L Bruzzone, “Kernel-Based Methods for Hyperspectral Image Classification,” Transactions on Geoscience and Remote Sensing, vol 43, no 6, pp 1351–1362, 2005 [48] J Shawe-taylor, “Kernel Methods for Pattern Analysis,” Cambridge University Press, 2014 115 [49] D D Nguyen, L T Ngo, and L T Pham, “GMKIT2-FCM : A Geneticbased Improved Multiple Kernel Interval Type-2 Fuzzy C-Means Clustering,”,International Conference on Cybernetics, pp 104–109, 2013 [50] J Fan, J Wang, M Han, and S Member, “Cooperative Coevolution for Large-Scale Optimization Based on Kernel Fuzzy Clustering and Variable Trust Region Methods,”, Transactions on Fuzzy Systems vol 22, no 4, pp 829–839, 2014 [51] T C Havens, R Chitta, A K Jain, and R Jin, “Speedup of Fuzzy and Possibilistic Kernel c -Means for Large-Scale Clustering,” ,International Conference on Fuzzy Systems, pp 1–8, 2011 [52] H Huang, Y Chuang, and C Chen, “Multiple Kernel Fuzzy Clustering,” Transactions on Fuzzy Systems, pp 1–15, 2011 [53] D Dinh, L Thanh, L The, and W Pedrycz, “Towards hybrid clustering approach to data classification : Multiple kernels based interval-valued Fuzzy C-Means algorithms,” Fuzzy Sets and Systems, vol 279, pp 17– 39, 2015 [54] J Mercer, “Functions of positive and negative type and their connection with the theory of integral equations,” Philosophical Transactions of the Royal Society, pp 415–446, 1909 [55] X Ren and J Malik, “Learning a Classification Model for Segmentation,” International Conference on Computer Vision (ICCV’03), pp 1–8, 2003 [56] E Batı, A Koz, and A A Alatan, “Superpixel based Hyperspectral Target Detection,” Geoscience and Remote Sensing Symposium, pp 7010–7013, 2016 [57] J Cao, Z Chen, and B Wang, “Deep Convolutional Networks with 116 Superpixel Segmentation for Hyperspectral Image Classification,” Geoscience and Remote Sensing Symposium, pp 3310–3313, 2016 [58] E Akyilmaz and U M Leloglu, “Segmentation of SAR using similarity ratios for generating and clustering superpixels,” The Institution of Engineering and Technology, pp 1–2, 2016 [59] P Felzenszwalb and D Huttenlocher, “Efficient Graph-Based Image Segmentation,” Int’l J Computer Vision, vol 59, pp 167–181, 2004 [60] J Shi and J Malik, “Normalized Cuts and Image Segmentation,” IEEE Trans Pattern Analysis and Machine Intelligence, vol 22, pp 888–905, 2000 [61] F Perbet and A Maki, “Homogeneous super-pixels from random walks,” IEICE Transactions on Information and Systems, pp 2–11, 2011 [62] M.-Y Liu, O Tuzel, and R C S Ramalingam, “Entropy rate super-pixel segmentation,” Computer Vision and Pattern Recognition, pp 2097– 2104, 2011 [63] R Achanta, A Shaji, K Smith, and A Lucchi, “SLIC Superpixels Compared to State-of-the-Art Superpixel Methods,” Transactions on pattern analysis and machine intelligence, vol 34, no 11, pp 2274– 2281, 2012 [64] L A Zadeh, “Toward a theory of fuzzy information granulation and its centrality in human reasoning and fuzzy logic,” Fuzzy Sets and Systems, vol 90, pp 111–127, 1997 [65] W Pedrycz, “Granular computing: an introduction,” Proceedings Joint 9th IFSA World Congress and 20th NAFIPS International Conference (Cat No 01TH8569), vol 3, no C, pp 1349–1354, 2001 [66] Y Y Yao, “Granular Computing: Basic Issues and Possible Solutions,” Proceedings of the 5th Joint Conference on Information Sciences, pp 117 186–189, 2000 [67] Y Yao, “Granular Computing : Past , Present and Future,” International Conference on Rough Sets and Knowledge Technology, pp 1–6, 2008 [68] X Hu, W Pedrycz, G Wu, and X Wang, “Data reconstruction with information granules: An augmented method of fuzzy clustering,” Applied Soft Computing Journal, vol 55, pp 523–532, 2017 [69] W Pedrycz, A Gacek, and X Wang, “Clustering in augmented space of granular constraints: A study in knowledge-based clustering,” Pattern Recognition Letters, vol 67, pp 122–129, 2015 [70] W Pedrycz, R Al-Hmouz, A Morfeq, and A S Balamash, “Distributed proximity-based granular clustering: towards a development of global structural relationships in data,” Soft Computing, vol 19, no 10, pp 2751–2767, 2015 [71] A Balamash, W Pedrycz, R Al-Hmouz, and A Morfeq, “Granular classifiers and their design through refinement of information granules,” Soft Computing, vol 21, no 10, pp 2745–2759, 2017 [72] X Wang, W Pedrycz, A Gacek, and X Liu, “From numeric data to information granules: A design through clustering and the principle of justifiable granularity,” Knowledge-Based Systems, vol 101, pp 100– 113, 2016 [73] A Gacek and W Pedrycz, “Clustering Granular Data and Their Characterization With Information Granules of Higher Type,” Transactions on Fuzzy Systems, vol 23, no 4, pp 850–860, 2015 [74] N R Pal and K Sarkar, “What and When Can We Gain From the Kernel Versions of C-Means Algorithm ?,” Transactions on Fuzzy Systems, vol 22, no 2, pp 363–379, 2014 [75] M Girolami, “Mercer Kernel Based Clustering in Feature Space,” IEEE 118 Transaction on Neural Networks, pp 1–13, 2001 [76] D Kumar et al., “A Hybrid Approach to Clustering in Big Data,” TRANSACTIONS ON CYBERNETICS, pp 1–14, 2015 [77] A Fahad et al., “A Survey of Clustering Algorithms for Big Data : Taxonomy & Empirical Analysis,” Transactions on Emerging Topics in Computing, 2014 [78] H Huang, Y Chuang, and C Chen, “Multiple Kernel Fuzzy Clustering,” Transactions on Fuzzy Systems, vol 20, no 1, pp 120–134, 2012 [79] O F Reyes-Galaviz and W Pedrycz, “Granular fuzzy models: Analysis, design, and evaluation,” International Journal of Approximate Reasoning, vol 64, pp 1–19, 2015 [80] Z Li and J Chen, “Super-pixel segmentation using linear spectral clustering,” Computer Vision and Pattern Recognition, pp 1356–1363, 2015 [81] L F S Coletta, L Vendramin, E R Hruschka, and R J G B Campello, “Collaborative Fuzzy Clustering Algorithms : Some Refinements and Design Guidelines,” Transactions on Fuzzy Systems, vol 20, no 3, pp 444–462, 2012 [82] R Mehmood and H Ahmad, “Fuzzy clustering by fast search and find of density peaks,” International Conference on Identification, Information, and Knowledge in the Internet of Things, no 1, pp 258–261, 2015 [83] S D Mai and L T Ngo, “Interval Type-2 Fuzzy C-Means Clustering with Spatial Information for Land-Cover Classification,” ACIIDS 2015, Part I, LNAI 9011, pp 387–397, 2015 [84] J.C.Bezdek, R.Ehrlich, and W.Full, “The Fuzzy c-Means Clustering Algorithm,” Computers & Geosciences, vol 10, pp 191–203, 1984 [85] IBMBigData, “The Four V’s of Big Data,” 119 www.ibmbigdatahub.com/infographic/four-vs-big-data [86] W B Johnson, “Extensions of Lipschitz maps into a Hilbert space,” Contempoary Mathematics, pp 189–206, 1984 [87] I Guyon and A Elisseeff, “An Introduction to Variable and Feature Selection,” Journal of Machine Learning Research, pp 1157–1182, 2003 [88] A Dimitris, “Database-friendly random projections: Johnson- Lindenstrauss with binary coins,” Journal of Computer and System Sciences, pp 271–678, 2003 [89] F Krahmer and R Ward, “A Unified Framework for Linear Dimensionality Reduction in L1,” Results in Mathematics, vol 70, no 1– 2, pp 209–231, 2016 [90] Dang Thanh Hai, Le Hoang Son, Le Trong Vinh, "Novel Fuzzy Clustering Scheme for 3D Wireless Sensor Networks", Applied Soft Computing, pp141 - 149, 2017 [91] Nguyen Thi Tam, Dang Thanh Hai, Le Hoang Son, Le Trong Vinh, “Improving lifetime and network connections of 3D Wireless Sensor Networks based on fuzzy clustering and particle swarm optimization”, Wireless Networks, pp1477 - 1490, 2018 [92] Pham Huy Thong, Le Hoang Son, "Picture Fuzzy Clustering: A New Computational Intelligence Method",Soft Computing, pp3549-3562, 2016 [93] Bui Cong Son, Le Hoang Son, Pier Luca Lanzi, Nguyen Tho Thong, "A novel intuitionistic fuzzy clustering method for geo-demographic analysis", Expert Systems with applications, pp9848-9859, 2012 [94] Cat Ho Nguyen, Van Nam Huynh, Towards an Algebraic Foundation for a Zadeh Fuzzy Logic, Fuzzy Sets and Systems, pp229-254, 2002 120 [[95] Le Thai Hung, Khang Dinh Tran, Hung Van Le, "Fuzzy clustering using linguistic-valued exponent",FAIR, 2015 [96] Cat Ho Nguyen, Tran Thai Son, Khang Dinh Tran, Viet Le Xuan, "Fuzziness Measure, Quantified Sematic Mapping and Interpolative Method of Approximate Reasoning in Medical Expert Systems", JOURNAL OF COMPUTER SCIENCE AND CYBERNETICS, pp237252, 2002 [97] R Sambuc, Fonctions φ-floues Application l’aide au diagnostic en pathologie thyroidienne, Ph D Thesis Univ Marseille, France, 1975 [98] M.B Gorzalczany, “A method of inference in approximate reasoning based on interval-valued fuzzy sets”,Fuzzy Sets and Systems 21, pp1–17 , 1987 [99] I B Turksen, Interval valued fuzzy sets based on ă normal forms, Fuzzy Sets and Systems 20(2), pp 191– 210,1986 ... CHƯƠNG PHÂN CỤM MỜ LOẠI KHOẢNG CỘNG TÁC 46 2.1 Phân cụm mờ loại khoảng cộng tác 46 2.2 Phân cụm mờ loại khoảng cộng tác số cụm khác 53 2.3 Thuật toán phân cụm mờ loại khoảng cộng tác. .. đến toán phân cụm cộng tác, nhiên vấn đề chưa có 11 nghiên cứu giải pháp cách triệt để Đề tài ? ?Phát triển số mô hình phân cụm mờ cộng tác? ?? nghiên cứu mơ hình phân cụm cộng tác đề xuất số cải... DANH MỤC CÁC HÌNH VẼ Hình 1.1 Kết phân cụm (a) trước cộng tác, (b) sau cộng tác 17 Hình 1.2 Mơ hình phân cụm mờ cộng tác 18 Hình 1.3 Hàm thuộc: (a) loại (b) loại 21 Hình 1.4 Mối