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

143 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

Tiêu đề Một Số Mở Rộng Của Hệ Suy Diễn Mờ Phức Cho Bài Toán Hỗ Trợ Ra Quyết Định
Tác giả Lương Thị Hồng Lan
Người hướng dẫn PGS.TS Lê Hoàng Sơn, PGS.TS Nguyễn Long Giang
Trường học Học viện Khoa học và Công nghệ
Chuyên ngành Khoa học máy tính
Thể loại Luận án tiến sĩ
Năm xuất bản 2021
Thành phố Hà Nội
Định dạng
Số trang 143
Dung lượng 3,84 MB

Nội dung

Ngày đăng: 10/07/2021, 07:50

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 19)
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 22)
Hình 1.2: Sơ đồ tổng quan của hệ 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 (Trang 23)
Hình 1.3: Hệ thống suy diễn Mamdani với hai đầu vào và hai luật - Một số mở rộng của hệ suy diễn mờ phức cho bài toán hỗ trợ ra quyết định
Hình 1.3 Hệ thống suy diễn Mamdani với hai đầu vào và hai luật (Trang 24)
Hình 1.4: Hệ suy diễn mờ Tagaki-Sugeno với hai đầu vào và hai luật - Một số mở rộng của hệ suy diễn mờ phức cho bài toán hỗ trợ ra quyết định
Hình 1.4 Hệ suy diễn mờ Tagaki-Sugeno với hai đầu vào và hai luật (Trang 25)
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 29)
Theo Ramot [36, 44] thì tập mờ phức được coi như là công cụ mô hình hóa hiệu quả đối với những vấn đề, những đối tượng có ý nghĩa thay đổi theo thời gian (ví dụ như phần pha biểu diễn ý nghĩa thay đổi theo ngữ cảnh) hay với những vấn đề có yếu tố chu kì, - Một số mở rộng của hệ suy diễn mờ phức cho bài toán hỗ trợ ra quyết định
heo Ramot [36, 44] thì tập mờ phức được coi như là công cụ mô hình hóa hiệu quả đối với những vấn đề, những đối tượng có ý nghĩa thay đổi theo thời gian (ví dụ như phần pha biểu diễn ý nghĩa thay đổi theo ngữ cảnh) hay với những vấn đề có yếu tố chu kì, (Trang 34)
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 43)
Bảng 1.2: Các thuộc tính dữ liệu đầu vào trong tập dữ liệu bệnh gan Liver - 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 (Trang 44)
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 57)
Kết quả của quá trình trên, ta thu được bộ luật cơ sở như bảng 2.7: - 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: (Trang 62)
Bảng 2.6: Bộ dữ liệu đầu vào - 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 (Trang 62)
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 64)
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 64)
Hình 2.4: Kết quả chạy thực nghiệm so sánh trên Bộ dữ liệu thực Liver - 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 (Trang 65)
Hình - Một số mở rộng của hệ suy diễn mờ phức cho bài toán hỗ trợ ra quyết định
nh (Trang 78)
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 84)
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 86)
Hình - Một số mở rộng của hệ suy diễn mờ phức cho bài toán hỗ trợ ra quyết định
nh (Trang 106)
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 107)
Bảng 4.1: Hệ cơ sở luật mờ phức - 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 (Trang 107)
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 108)
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 109)
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 112)
Bảng 4.2 là kịch bản chạy thực nghiệm được sử dụng để đánh giá mô hình M-CFIS-FKG với M-CFIS-R về độ chính xác cũng như thời gian chạy thực nghiệm với từng bộ dữ liệu - Một số mở rộng của hệ suy diễn mờ phức cho bài toán hỗ trợ ra quyết định
Bảng 4.2 là kịch bản chạy thực nghiệm được sử dụng để đánh giá mô hình M-CFIS-FKG với M-CFIS-R về độ chính xác cũng như thời gian chạy thực nghiệm với từng bộ dữ liệu (Trang 116)
Hình 4.7: Phân bố dữ liệu với từng nhãn đối với bộ dữ liệu có nhiều nhãn - 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 (Trang 117)
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 120)
Hình 4.11: So sánh mô hình M-CFIS-R và M-CFIS-FKG trên bộ dữ liệu Wine - 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 (Trang 121)
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 122)
Hình 4.13: So sánh mô hình M-CFIS-R và M-CFIS-FKG trên bộ dữ liệu Arrhythmia - 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 (Trang 123)

TỪ KHÓA LIÊN QUAN

TÀI LIỆU CÙNG NGƯỜI DÙNG

TÀI LIỆU LIÊN QUAN

w