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

Nguồn tham khảo

Tài liệu tham khảo Loại Chi tiết
[2] G. Mapari and A. Naidu, “Study of fuzzy set theory and its applications,” IOSR Journal of Mathematics, vol. 12, no. 4, pp. 148–154, 2016 Sách, tạp chí
Tiêu đề: Study of fuzzy set theory and its applications,” "IOSR Journal of Mathematics
[3] T. Sooraj, R. Mohanty, and B. Tripathy, “Hesitant fuzzy soft set theory and its application in decision making,” in Artificial Intelligence and Evolutionary Computations in Engineering Systems, pp. 315–322, Springer, 2017 Sách, tạp chí
Tiêu đề: Hesitant fuzzy soft set theory and itsapplication in decision making,” in "Artificial Intelligence and EvolutionaryComputations in Engineering Systems
[4] J. C. R. Alcantud and V. Torra, “Decomposition theorems and extension principles for hesitant fuzzy sets,” Information Fusion, vol.41, pp. 48–56, 2018 Sách, tạp chí
Tiêu đề: Decomposition theorems andextension principles for hesitant fuzzy sets,” "Information Fusion
[5] M.-Q. Wu, T.-Y. Chen, and J.-P. Fan, “Divergence measure of t- spherical fuzzy sets and its applications in pattern recognition,” IEEE Access, vol. 8, pp. 10208–10221, 2019 Sách, tạp chí
Tiêu đề: Divergence measure of t-spherical fuzzy sets and its applications in pattern recognition,” "IEEEAccess
[6] B. Paik and S. K. Mondal, “A distance-similarity method to solve fuzzy sets and fuzzy soft sets based decision-making problems,” Soft Computing, vol. 24, no. 7, pp. 5217–5229, 2020 Sách, tạp chí
Tiêu đề: A distance-similarity method to solve fuzzysets and fuzzy soft sets based decision-making problems,” "SoftComputing
[7] L. Tiwari, R. Raja, V. Sharma, and R. Miri, “Fuzzy inference system for efficient lung cancer detection,” in Computer Vision and Machine Intelligence in Medical Image Analysis, pp. 33–41, Springer, 2020 Sách, tạp chí
Tiêu đề: Fuzzy inference system forefficient lung cancer detection,” in "Computer Vision and MachineIntelligence in Medical Image Analysis
[8] B. Kapadia and A. Jain, “Detection of diabetes mellitus using fuzzy inference system,” Studies in Indian Place Names, vol. 40, no. 53, pp. 104–110, 2020 Sách, tạp chí
Tiêu đề: Detection of diabetes mellitus using fuzzy inferencesystem,” "Studies in Indian Place Names
[9] A. M. Sagir and S. Sathasivam, “A novel adaptive neuro fuzzy inference system based classification model for heart disease prediction.,”Pertanika Journal of Science & Technology, vol. 25, no. 1, 2017 Sách, tạp chí
Tiêu đề: A novel adaptive neuro fuzzy inferencesystem based classification model for heart disease prediction.,”"Pertanika Journal of Science & Technology
[10] A. Bakhshipour, H. Zareiforoush, and I. Bagheri, “Application of decision trees and fuzzy inference system for quality classification and modeling of black and green tea based on visual features,” Journal of Food Measurement and Characterization, pp. 1–15, 2020 Sách, tạp chí
Tiêu đề: Application ofdecision trees and fuzzy inference system for quality classification andmodeling of black and green tea based on visual features,” "Journal ofFood Measurement and Characterization
[11] E. Pourjavad and A. Shahin, “The application of mamdani fuzzy inference system in evaluating green supply chain management performance,”International Journal of Fuzzy Systems, vol. 20, no. 3, pp. 901–912, 2018 Sách, tạp chí
Tiêu đề: The application of mamdani fuzzy inferencesystem in evaluating green supply chain management performance,”"International Journal of Fuzzy Systems
[12] N. Priyadarshi, F. Azam, A. K. Sharma, and M. Vardia, “An adaptive neuro-fuzzy inference system-based intelligent grid-connected photovoltaic power generation,” in Advances in Computational Intelligence, pp. 3–14, Springer, 2020 Sách, tạp chí
Tiêu đề: An adaptiveneuro-fuzzy inference system-based intelligent grid-connectedphotovoltaic power generation,” in "Advances in ComputationalIntelligence
[13] A. C. Adoko and S. Yagiz, “Fuzzy inference system-based for tbm field penetration index estimation in rock mass,” Geotechnical and Geological Engineering, vol. 37, no. 3, pp. 1533–1553, 2019 Sách, tạp chí
Tiêu đề: Fuzzy inference system-based for tbm fieldpenetration index estimation in rock mass,” "Geotechnical andGeological Engineering
[14] J.-S. Jang, “Anfis: adaptive-network-based fuzzy inference system,”IEEE transactions on systems, man, and cybernetics, vol. 23, no. 3, pp. 665–685, 1993 Sách, tạp chí
Tiêu đề: Anfis: adaptive-network-based fuzzy inference system,”"IEEE transactions on systems, man, and cybernetics
[15] D. Karaboga and E. Kaya, “Adaptive network based fuzzy inference system (anfis) training approaches: a comprehensive survey,” Artificial Intelligence Review, vol. 52, no. 4, pp. 2263–2293, 2019 Sách, tạp chí
Tiêu đề: Adaptive network based fuzzy inferencesystem (anfis) training approaches: a comprehensive survey,” "ArtificialIntelligence Review
[16] S. Subbulakshmi, G. Marimuthu, and N. Neelavathy, “Application of s - anfis method in coronary artery disease,” Malaya Journal of Matematik (MJM), no. 1, 2019, pp. 535–538, 2019 Sách, tạp chí
Tiêu đề: Application of s-anfis method in coronary artery disease,” "Malaya Journal ofMatematik (MJM)
[17] R. Razavi, A. Sabaghmoghadam, A. Bemani, A. Baghban, K.-w. Chau, and E. Salwana, “Application of anfis and lssvm strategies for estimating thermal conductivity enhancement of metal and metal oxide based nanofluids,” Engineering Applications of Computational Fluid Mechanics, vol. 13, no. 1, pp. 560–578, 2019 Sách, tạp chí
Tiêu đề: Application of anfis and lssvm strategies forestimating thermal conductivity enhancement of metal and metal oxidebased nanofluids,” "Engineering Applications of Computational FluidMechanics
[18] G. K. Tairidis, N. Stojanovic, D. Stamenkovic, and G. E. Stavroulakis,“Neuro-fuzzy techniques and natural risk management. applications of anfis models in floods and comparison with other models,” in Natural Risk Management and Engineering, pp. 169–189, Springer, 2020 Sách, tạp chí
Tiêu đề: Neuro-fuzzy techniques and natural risk management. applications ofanfis models in floods and comparison with other models,” in "NaturalRisk Management and Engineering
[19] P. Sihag, N. Tiwari, and S. Ranjan, “Prediction of unsaturated hydraulic conductivity using adaptive neuro-fuzzy inference system (anfis),” ISH Journal of Hydraulic Engineering, vol. 25, no. 2, pp. 132–142, 2019 Sách, tạp chí
Tiêu đề: Prediction of unsaturated hydraulicconductivity using adaptive neuro-fuzzy inference system (anfis),” "ISHJournal of Hydraulic Engineering
[20] A. Azad, M. Manoochehri, H. Kashi, S. Farzin, H. Karami, V. Nourani, and J. Shiri, “Comparative evaluation of intelligent algorithms to improve adaptive neuro-fuzzy inference system performance in precipitation modelling,” Journal of Hydrology, vol. 571, pp. 214–224, 2019 Sách, tạp chí
Tiêu đề: Comparative evaluation of intelligent algorithms to improveadaptive neuro-fuzzy inference system performance in precipitationmodelling,” "Journal of Hydrology
[21] Y. K. Semero, J. Zhang, and D. Zheng, “Emd–pso–anfis-based hybrid approach for short-term load forecasting in microgrids,” IET Generation, Transmission & Distribution, vol. 14, no. 3, pp. 470–475, 2019 Sách, tạp chí
Tiêu đề: Emd–pso–anfis-based hybridapproach for short-term load forecasting in microgrids,” "IET Generation,Transmission & Distribution

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