1. Trang chủ
  2. Luận Văn - Báo Cáo

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

143 5 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, 07:50

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 19 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 22 của tài liệu.
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 Xem tại trang 23 của tài liệu.
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 Xem tại trang 24 của tài liệu.
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 Xem tại trang 25 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 29 của tài liệu.
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, Xem tại trang 34 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 43 của tài liệu.
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 Xem tại trang 44 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 57 của tài liệu.
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: Xem tại trang 62 của tài liệu.
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 Xem tại trang 62 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 64 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 64 của tài liệu.
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 Xem tại trang 65 của tài liệu.
Hình - Một số mở rộng của hệ suy diễn mờ phức cho bài toán hỗ trợ ra quyết định

nh.

Xem tại trang 78 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 84 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 86 của tài liệu.
Hình - Một số mở rộng của hệ suy diễn mờ phức cho bài toán hỗ trợ ra quyết định

nh.

Xem tại trang 106 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 107 của tài liệu.
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 Xem tại trang 107 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 108 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 109 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 112 của tài liệu.
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 Xem tại trang 116 của tài liệu.
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 Xem tại trang 117 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 120 của tài liệu.
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 Xem tại trang 121 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 122 của tài liệu.
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 Xem tại trang 123 của tài liệu.

Tài liệu cùng người dùng

Tài liệu liên quan