1. Trang chủ
  2. Giáo Dục - Đào Tạo

Một số mở rộng của hệ suy diễn mờ phức cho bài toán hỗ trợ ra quyết định

165 8 0
Một số mở rộng của hệ suy diễn mờ phức cho bài toán hỗ trợ ra quyết định

Đang tải... (xem toàn văn)

Tài liệu hạn chế xem trước, để xem đầy đủ mời bạn chọn Tải xuống

Thông tin tài liệu

Ngày đăng: 10/07/2021, 07:49

Xem thêm: Một số mở rộng của hệ suy diễn mờ phức cho bài toán hỗ trợ ra quyết định

Hình ảnh liên quan

Hình 1: Cấu trúc luận án - Một số mở rộng của hệ suy diễn mờ phức cho bài toán hỗ trợ ra quyết định

Hình 1.

Cấu trúc luận án Xem tại trang 20 của tài liệu.
Hình 1.1: Hệ suy diễn mờ trong Hệ hỗ trợ ra quyết định - Một số mở rộng của hệ suy diễn mờ phức cho bài toán hỗ trợ ra quyết định

Hình 1.1.

Hệ suy diễn mờ trong Hệ hỗ trợ ra quyết định Xem tại trang 23 của tài liệu.
Hình 1.2: Sơ đồ tổng quan của hệ suy diễn mờ Các bước suy diễn mờ: - Một số mở rộng của hệ suy diễn mờ phức cho bài toán hỗ trợ ra quyết định

Hình 1.2.

Sơ đồ tổng quan của hệ suy diễn mờ Các bước suy diễn mờ: Xem tại trang 24 của tài liệu.
Trong hệ suy diễn Tsukamoto (hình 1.5), luật if – then được biểu diễn có dạng như sau: - Một số mở rộng của hệ suy diễn mờ phức cho bài toán hỗ trợ ra quyết định

rong.

hệ suy diễn Tsukamoto (hình 1.5), luật if – then được biểu diễn có dạng như sau: Xem tại trang 27 của tài liệu.
Hình 1.7 minh họa cụ thể ví dụ về hệ thống CANFIS với ba biến đầu vào. - Một số mở rộng của hệ suy diễn mờ phức cho bài toán hỗ trợ ra quyết định

Hình 1.7.

minh họa cụ thể ví dụ về hệ thống CANFIS với ba biến đầu vào Xem tại trang 30 của tài liệu.
Tóm tắt về các bộ dữ liệuchuẩn BenchMark được mô tả trong Bảng 1.1, cụ thể như sau: - Một số mở rộng của hệ suy diễn mờ phức cho bài toán hỗ trợ ra quyết định

m.

tắt về các bộ dữ liệuchuẩn BenchMark được mô tả trong Bảng 1.1, cụ thể như sau: Xem tại trang 45 của tài liệu.
Bảng 1.2: Các thuộc tính dữ liệu đầu vào trong tập dữ liệu bệnh gan Liver Số thứ tự - Một số mở rộng của hệ suy diễn mờ phức cho bài toán hỗ trợ ra quyết định

Bảng 1.2.

Các thuộc tính dữ liệu đầu vào trong tập dữ liệu bệnh gan Liver Số thứ tự Xem tại trang 47 của tài liệu.
Hình 2.1: Mô hình hệ suy diễn mờ phức Mamdani - Một số mở rộng của hệ suy diễn mờ phức cho bài toán hỗ trợ ra quyết định

Hình 2.1.

Mô hình hệ suy diễn mờ phức Mamdani Xem tại trang 60 của tài liệu.
Bảng 2.6: Bộ dữ liệu đầu vào ST T - Một số mở rộng của hệ suy diễn mờ phức cho bài toán hỗ trợ ra quyết định

Bảng 2.6.

Bộ dữ liệu đầu vào ST T Xem tại trang 66 của tài liệu.
Kết quả của quá trình trên, ta thu được bộ luật cơ sở như bảng 2.7: Bảng 2.7: Bộ cơ sở luật - Một số mở rộng của hệ suy diễn mờ phức cho bài toán hỗ trợ ra quyết định

t.

quả của quá trình trên, ta thu được bộ luật cơ sở như bảng 2.7: Bảng 2.7: Bộ cơ sở luật Xem tại trang 66 của tài liệu.
Hình 2.3: Kết quả chạy thực nghiệm so sánh trên Bộ dữ liệu Diebetes - Một số mở rộng của hệ suy diễn mờ phức cho bài toán hỗ trợ ra quyết định

Hình 2.3.

Kết quả chạy thực nghiệm so sánh trên Bộ dữ liệu Diebetes Xem tại trang 69 của tài liệu.
Hình 2.2: Kết quả chạy thực nghiệm so sánh trên Bộ dữ liệu WBCD - Một số mở rộng của hệ suy diễn mờ phức cho bài toán hỗ trợ ra quyết định

Hình 2.2.

Kết quả chạy thực nghiệm so sánh trên Bộ dữ liệu WBCD Xem tại trang 69 của tài liệu.
Hình 2.4: Kết quả chạy thực nghiệm so sánh trên Bộ dữ liệu thực Liver đo được mà giữa các thông số giá trị thuộc tính bệnh đó còn có sự gắn kết lẫn nhau, tác động lẫn nhau (được mô tả trong phần pha của tập mờ phức) - Một số mở rộng của hệ suy diễn mờ phức cho bài toán hỗ trợ ra quyết định

Hình 2.4.

Kết quả chạy thực nghiệm so sánh trên Bộ dữ liệu thực Liver đo được mà giữa các thông số giá trị thuộc tính bệnh đó còn có sự gắn kết lẫn nhau, tác động lẫn nhau (được mô tả trong phần pha của tập mờ phức) Xem tại trang 70 của tài liệu.
Hình 3.1: Giai đoạn Training của mô hình đề xuất - Một số mở rộng của hệ suy diễn mờ phức cho bài toán hỗ trợ ra quyết định

Hình 3.1.

Giai đoạn Training của mô hình đề xuất Xem tại trang 86 của tài liệu.
Traning (quá trình suy diễn được mô tả rõ trong Hình 3.2). Cụ thể, từ dữ liệu Testing, chúng tôi xây dựng dữ liệu cho phần thực và phần ảo - Một số mở rộng của hệ suy diễn mờ phức cho bài toán hỗ trợ ra quyết định

raning.

(quá trình suy diễn được mô tả rõ trong Hình 3.2). Cụ thể, từ dữ liệu Testing, chúng tôi xây dựng dữ liệu cho phần thực và phần ảo Xem tại trang 95 của tài liệu.
M-CFIS-R trong cả dữ liệu Training và Testing đều cao hơn mô hình M-CFIS và với độ lệch chuẩn nhỏ hơn 0.02 - Một số mở rộng của hệ suy diễn mờ phức cho bài toán hỗ trợ ra quyết định

trong.

cả dữ liệu Training và Testing đều cao hơn mô hình M-CFIS và với độ lệch chuẩn nhỏ hơn 0.02 Xem tại trang 96 của tài liệu.
Hình 3.4: Kết quả thực nghiệm trên bộ dữ liệu Diebetes - Một số mở rộng của hệ suy diễn mờ phức cho bài toán hỗ trợ ra quyết định

Hình 3.4.

Kết quả thực nghiệm trên bộ dữ liệu Diebetes Xem tại trang 97 của tài liệu.
trong hình 5(d)). Độ lệch chuẩn của các chỉ số độ đo này cũng khá thấp trên cả hai bộ dữ liệu Training và Testing. - Một số mở rộng của hệ suy diễn mờ phức cho bài toán hỗ trợ ra quyết định

trong.

hình 5(d)). Độ lệch chuẩn của các chỉ số độ đo này cũng khá thấp trên cả hai bộ dữ liệu Training và Testing Xem tại trang 98 của tài liệu.
Hình 4.1: Quá trình Training - Một số mở rộng của hệ suy diễn mờ phức cho bài toán hỗ trợ ra quyết định

Hình 4.1.

Quá trình Training Xem tại trang 126 của tài liệu.
Hình 4.2: Quá trình Testing - Một số mở rộng của hệ suy diễn mờ phức cho bài toán hỗ trợ ra quyết định

Hình 4.2.

Quá trình Testing Xem tại trang 127 của tài liệu.
Bảng 4.1: Hệ cơ sở luật mờ phức Rule - Một số mở rộng của hệ suy diễn mờ phức cho bài toán hỗ trợ ra quyết định

Bảng 4.1.

Hệ cơ sở luật mờ phức Rule Xem tại trang 127 của tài liệu.
Hình 4.3: Biểu diễn của luật mờ phức - Một số mở rộng của hệ suy diễn mờ phức cho bài toán hỗ trợ ra quyết định

Hình 4.3.

Biểu diễn của luật mờ phức Xem tại trang 129 của tài liệu.
Hình 4.4: Đồ thị tri thức mờ - Một số mở rộng của hệ suy diễn mờ phức cho bài toán hỗ trợ ra quyết định

Hình 4.4.

Đồ thị tri thức mờ Xem tại trang 130 của tài liệu.
Hình 4.5: Đồ thị FKG cho sáu luật - Một số mở rộng của hệ suy diễn mờ phức cho bài toán hỗ trợ ra quyết định

Hình 4.5.

Đồ thị FKG cho sáu luật Xem tại trang 133 của tài liệu.
Hình 4.7: Phân bố dữ liệu với từng nhãn đối với bộ dữ liệu có nhiều nhãn giá gồm thời gian thực hiện và độ chính xác - Một số mở rộng của hệ suy diễn mờ phức cho bài toán hỗ trợ ra quyết định

Hình 4.7.

Phân bố dữ liệu với từng nhãn đối với bộ dữ liệu có nhiều nhãn giá gồm thời gian thực hiện và độ chính xác Xem tại trang 139 của tài liệu.
hình M-CFIS-R trên cả hai kịch bản thực nghiệm (trung bình giảm gần 97% tổng thời gian thực hiện) - Một số mở rộng của hệ suy diễn mờ phức cho bài toán hỗ trợ ra quyết định

h.

ình M-CFIS-R trên cả hai kịch bản thực nghiệm (trung bình giảm gần 97% tổng thời gian thực hiện) Xem tại trang 140 của tài liệu.
Hình 4.10: So sánh mô hình M-CFIS-R và M-CFIS-FKG trên bộ dữ liệu Liver - Một số mở rộng của hệ suy diễn mờ phức cho bài toán hỗ trợ ra quyết định

Hình 4.10.

So sánh mô hình M-CFIS-R và M-CFIS-FKG trên bộ dữ liệu Liver Xem tại trang 142 của tài liệu.
Hình 4.11: So sánh mô hình M-CFIS-R và M-CFIS-FKG trên bộ dữ liệu Wine nghiệm đối với các bộ dữ liệu khác thì thời gian tính toán của mô hình M-CFIS-FKG thấp hơn nhiều so với thời gian chạy mô hình M-CFIS-R - Một số mở rộng của hệ suy diễn mờ phức cho bài toán hỗ trợ ra quyết định

Hình 4.11.

So sánh mô hình M-CFIS-R và M-CFIS-FKG trên bộ dữ liệu Wine nghiệm đối với các bộ dữ liệu khác thì thời gian tính toán của mô hình M-CFIS-FKG thấp hơn nhiều so với thời gian chạy mô hình M-CFIS-R Xem tại trang 143 của tài liệu.
Hình 4.12: So sánh mô hình M-CFIS-R và M-CFIS-FKG trên bộ dữ liệu CTG - Một số mở rộng của hệ suy diễn mờ phức cho bài toán hỗ trợ ra quyết định

Hình 4.12.

So sánh mô hình M-CFIS-R và M-CFIS-FKG trên bộ dữ liệu CTG Xem tại trang 144 của tài liệu.
Hình 4.13: So sánh mô hình M-CFIS-R và M-CFIS-FKG trên bộ dữ liệu Arrhythmia hiệu quả của mô hình đề xuất M-CFIS-FKG đối với các bộ dữ liệu có nhiều nhãn đầu ra. - Một số mở rộng của hệ suy diễn mờ phức cho bài toán hỗ trợ ra quyết định

Hình 4.13.

So sánh mô hình M-CFIS-R và M-CFIS-FKG trên bộ dữ liệu Arrhythmia hiệu quả của mô hình đề xuất M-CFIS-FKG đối với các bộ dữ liệu có nhiều nhãn đầu ra Xem tại trang 145 của tài liệu.

Tài liệu cùng người dùng

Tài liệu liên quan