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

Đang tải... (xem toàn văn)

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

THÔNG TIN TÀI LIỆU

Thông tin cơ bản

Định dạng
Số trang 165
Dung lượng 1,81 MB

Nội dung

Ngày đăng: 10/07/2021, 07:49

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 (Trang 20)
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 (Trang 23)
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: (Trang 24)
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: (Trang 27)
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 (Trang 30)
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: (Trang 45)
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 (Trang 47)
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 (Trang 60)
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 (Trang 66)
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 (Trang 66)
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 (Trang 69)
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 (Trang 69)
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) (Trang 70)
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 (Trang 86)
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 (Trang 95)
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 (Trang 96)
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 (Trang 97)
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 (Trang 98)
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 (Trang 126)
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 (Trang 127)
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 (Trang 127)
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 (Trang 129)
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 (Trang 130)
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 (Trang 133)
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 (Trang 139)
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) (Trang 140)
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 (Trang 142)
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 (Trang 143)
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 (Trang 144)
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 (Trang 145)

TÀI LIỆU CÙNG NGƯỜI DÙNG

TÀI LIỆU LIÊN QUAN

w