Luận án tiến sĩ một số mở rộng của hệ suy diễn mờ phức cho bài toán hỗ trợ ra quyết định

BỘ GIÁO DỤC VÀ ĐÀO TẠO VIỆN HÀN LÂM KHOA HỌC VÀ CÔNG NGHỆ VIỆT NAM HỌC VIỆN KHOA HỌC VÀ CÔNG NGHỆ LƯƠNG THỊ HỒNG LAN MỘT SỐ MỞ RỘNG CỦA HỆ SUY DIỄN MỜ PHỨC CHO BÀI TOÁN HỖ TRỢ RA QUYẾT ĐỊNH LUẬN ÁN TIẾN SĨ NGÀNH MÁY TÍNH Hà Nội - 2021 BỘ GIÁO DỤC VÀ ĐÀO TẠO VIỆN HÀN LÂM KHOA HỌC VÀ CÔNG NGHỆ VIỆT NAM HỌC VIỆN KHOA HỌC VÀ CÔNG NGHỆ LƯƠNG THỊ HỒNG LAN MỘT SỐ MỞ RỘNG CỦA HỆ SUY DIỄN MỜ PHỨC CHO BÀI TOÁN HỖ TRỢ RA QUYẾT ĐỊNH Chuyên ngành: Khoa học máy tính Mã số: 9.48.01.01 LUẬN ÁN TIẾN SĨ NGÀNH MÁY TÍNH NGƯỜI HƯỚNG DẪN KHOA HỌC: PGS.TS Lê Hoàng Sơn PGS.TS Nguyễn Long Giang Hà Nội - 2021 LỜI CAM ĐOAN Tác giả xin cam đoan cơng trình nghiên cứu thân tác giả, hoàn thành hướng dẫn PGS.TS Lê Hoàng Sơn PGS.TS Nguyễn Long Giang Các kết nghiên cứu kết luận luận án trung thực, không chép từ nguồn hình thức Việc tham khảo nguồn tài liệu thực trích dẫn ghi nguồn tài liệu tham khảo quy định Hà Nội, ngày 19 tháng 06 năm 2021 Tác giả luận án Lương Thị Hồng Lan LỜI CẢM ƠN Luận án hồn thành với nỗ lực khơng ngừng tác giả giúp đỡ từ thầy giáo hướng dẫn, bạn bè người thân Đầu tiên, tác giả xin bày tỏ lòng biết ơn chân thành sâu sắc tới thầy giáo hướng dẫn PGS.TS Lê Hoàng Sơn PGS.TS Nguyễn Long Giang Sự tận tình bảo, hướng dẫn động viên thầy dành cho tác giả suốt thời gian thực luận án kể hết Tác giả xin gửi lời cảm ơn tới thầy, cô giáo cán phận quản lý nghiên cứu sinh - Học viện Khoa học Công nghệ (Viện Hàn lâm Khoa học Công nghệ Việt Nam), phận quản lý nghiên cứu sinh Viện Công nghệ thơng tin nhiệt tình giúp đỡ tạo mơi trường nghiên cứu tốt để tác giả hồn thành cơng trình Tác giả xin chân thành cảm ơn anh chị em Lab Tại Viện Công nghệ thông tin - Đại học Quốc gia Hà Nội giúp đỡ tác giả suốt trình học tập nghiên cứu Lab Tác giả xin chân thành cảm ơn tới Ban Giám hiệu trường Đại học Sư phạm, Đại học Thái Nguyên, đồng nghiệp khoa Tốn, nơi tác giả cơng tác năm đầu nghiên cứu sinh; Ban Giám hiệu trường Đại học Thủy Lợi Hà Nội, đồng nghiệp khoa Công nghệ thông tin, nơi tác giả công tác động viên, giúp đỡ tác giả cơng tác để tác giả có thời gian tập trung nghiên cứu hoàn thành luận án thời hạn Đặc biệt tác giả xin bày tỏ lòng biết ơn sâu sắc tới Bố, Mẹ, em gia đình, người ln dành cho tình cảm nồng ấm sẻ chia lúc khó khăn sống, ln động viên giúp đỡ tơi q trình nghiên cứu Cảm ơn gái ln ngoan ngỗn ủng hộ để mẹ tập trung nghiên cứu, hoàn thành luận án Luận án quà tinh thần mà trân trọng gửi tặng đến thành viên Gia đình Tơi xin trân trọng cảm ơn! Hà Nội, ngày 19 tháng 06 năm 2021 Người thực Lương Thị Hồng Lan i MỤC LỤC Danh mục bảng vi Danh mục hình vẽ, đồ thị vii MỞ ĐẦU Chương 1 TỔNG QUAN NGHIÊN CỨU VÀ CƠ SỞ LÝ THUYẾT 1.1 Giới thiệu 1.2 Vấn đề Hệ suy diễn mờ Hệ hỗ trợ định 1.3 Tổng quan nghiên cứu liên quan 10 1.3.1 Hệ suy diễn mờ 11 1.3.2 Các hệ phát triển dựa tập mờ phức 14 1.3.3 Các vấn đề tồn cần giải hệ CFIS 19 1.4 Cơ sở lý thuyết 20 1.4.1 Tập mờ 21 1.4.2 Tập mờ phức 21 1.4.3 Các phép toán tập mờ phức 24 1.4.4 Logic mờ phức 27 1.4.5 Độ đo mờ độ đo mờ phức 28 1.5 Dữ liệu thực nghiệm 30 1.5.1 Bộ liệu chuẩn 30 1.5.2 Bộ liệu thực- Bệnh gan Liver 31 1.5.3 Các độ đo đánh giá thực nghiệm 32 1.6 Kết Chương 33 ii Chương XÂY DỰNG HỆ SUY DIỄN MỜ PHỨC DẠNG MAMDANI (M-CFIS) 34 2.1 Giới thiệu 34 2.2 Đề xuất toán tử t-chuẩn t- đối chuẩn mờ phức 36 2.2.1 Toán tử t-chuẩn t-đối chuẩn 37 2.2.2 Toán tử t-chuẩn t-đối chuẩn mờ phức 38 2.2.3 Ví dụ minh họa hỗ trợ định 41 2.3 Hệ suy diễn mờ phức Mamdani (M-CFIS) 44 2.3.1 Đề xuất hệ suy diễn mờ phức Mamdani 44 2.3.2 Các lựa chọn sử dụng hệ suy diễn mờ phức Mamdani 45 2.3.3 Cấu trúc hệ suy diễn mờ phức Mamdani 47 2.3.4 Ví dụ số minh họa mơ hình suy diễn M-CFIS 49 2.3.5 Thử nghiệm đánh giá kết 51 2.4 Kết Chương 53 Chương TINH GIẢM HỆ LUẬT TRONG HỆ SUY DIỄN MỜ PHỨC MAMDANI (M-CFIS-R) 55 3.1 Giới thiệu 55 3.2 Đề xuất độ đo tương tự mờ phức 60 3.2.1 Độ đo tương tự mờ phức Cosine 61 3.2.2 Độ đo tương tự mờ phức Dice 62 3.2.3 Độ đo tương tự mờ phức Jaccard 63 3.3 Đề xuất mơ hình hệ suy diễn M-CFIS-R 64 3.3.1 Ý tưởng xây dựng mơ hình 64 3.3.2 Phần Training 65 3.3.3 Phần Testing 70 3.4 Thử nghiệm đánh giá kết 71 3.4.1 Kết thực nghiệm liệu UCI 71 3.4.2 Kết thực nghiệm liệu thực 73 iii 3.5 Kết Chương Chương 75 MỞ RỘNG HỆ SUY DIỄN MỜ PHỨC MAMDANI VỚI ĐỒ THỊ TRI THỨC (M-CFIS-FKG) 77 4.1 Giới thiệu 77 4.2 Một số mở rộng mơ hình M-CFIS-R 79 4.2.1 Hệ suy diễn mờ phức Sugeno Tsukamoto 79 4.2.2 Độ đo mờ phức dựa lý thuyết tập hợp 80 4.2.3 Tích phân mờ phức 86 4.3 Đề xuất mơ hình hệ suy diễn mờ phức M-CFIS-FKG 93 4.3.1 Ý tưởng xây dựng mơ hình 93 4.3.2 Xây dựng đồ thị tri thức mờ 95 4.3.3 Thuật toán suy diễn nhanh đồ thị tri thức mờ 96 4.3.4 Ví dụ minh họa hệ suy diễn mờ phức M-CFIS-FKG 98 4.4 Thực nghiệm đánh giá kết 103 4.4.1 Thực nghiệm 103 4.4.2 Kết thực nghiệm 104 4.5 Kết Chương 112 KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 114 Những kết luận án 114 Hướng phát triển luận án 116 TÀI LIỆU THAM KHẢO 119 iv Kí hiệu viết tắt STT 10 11 12 13 14 15 16 17 Từ tắt FS CFS CFL FIS Tiếng anh Fuzzy Set Complex Fuzzy Set Complex Fuzzy Logic Fuzzy Inference System Complex Fuzzy Inference CFIS System Intituition Fuzzy Inference IFIS System Adaptive Neuro Fuzzy ANFIS Inference System Complex Neuro-Fuzzy CANFIS Inference System Adaptive Neuro Complex ANCFIS Fuzzy Inference System CNS Complex Neutrosophic Set Multicriteria decision MCDM making Fast Inference Search FISA Algorithm KG Knowledge Graph FKG Fuzzy Knowledge Graph Mamdani Fuzzy Inference M-FIS System Mamdani Complex Fuzzy M-CFIS Inference System Mamdani Complex Fuzzy M-CFIS-R Inference System Reduce Rule Diễn dải Tập mờ Tập mờ phức Logic mờ phức Hệ suy diễn Hệ suy diễn mờ phức Hệ suy diễn mờ trực cảm Hệ suy diễn mờ noron thích nghi Hệ suy diễn mờ noron thích nghi phức Mạng noron giá trị mờ phức thích nghi Tập Neutrosophic phức Hệ hỗ trợ định đa tiêu chí Thuật tốn tìm kiếm suy diễn nhanh Đồ thị tri thức Đồ thị tri thức mờ Hệ suy diễn mờ Mamdani Hệ suy diễn Mamdani mờ phức Hệ suy diễn mờ Mamdani - giảm luật phức v 18 M-CFISFKG 19 20 GRC UCI 21 RANCFIS 22 FANCFIS Mamdani Complex Fuzzy Inference System FuzzyKnowledge Graph Granular Computing UC Irvine Machine Randomized AdaptiveNetwork Based Fuzzy Inference System Fast Adaptive-Network Based Fuzzy Inference System Hệ suy diễn mờ phức Mamdani - Đồ thị tri thức mờ Tính tốn hạt Kho liệu chuẩn UCI Mạng nơ ron giá trị mờ phức thích nghi ngẫu nhiên Mạng nơ ron giá trị mờ phức thích nghi nhanh vi Danh mục bảng 1.1 Các liệu thực nghiệm chuẩn Benchmark 31 1.2 Các thuộc tính liệu đầu vào tập liệu bệnh gan Liver 32 2.1 Ma trận định dựa mẫu liệu 42 2.2 Ma trận định mờ 43 2.3 Ma trận chuẩn hóa 43 2.4 Ma trận định mờ 43 2.5 Ma trận định kết 44 2.6 Bộ liệu đầu vào 50 2.7 Bộ sở luật 50 4.1 Hệ sở luật mờ phức 95 4.2 Kịch 103 4.3 Kịch 103 117 – Áp dụng, triển khai tích hợp nghiên cứu đề xuất cho hệ thống thực tiễn chăm sóc sức khỏe, dự báo bão, 118 DANH MỤC CÁC CÔNG TRÌNH CỦA LUẬN ÁN A1 Tran Thi Ngan, Luong Thi Hong Lan, Mumtaz Ali, Dan Tamir, Le Hoang Son, Tran Manh Tuan, Naphtali Rishe, Abe Kandel (2018), “Logic Connectives of Complex Fuzzy Sets”, Romanian Journal of Information Science and Technology, Vol 21, No 4, pp 344-358 (ISSN:1453-8245, SCIE, 2019 IF = 0.760), DOI = http://www.romjist.ro/ab 606.html A2 Ganeshsree Selvachandran, Shio Gai Quek, Luong Thi Hong Lan, Le Hoang Son, Nguyen Long Giang, Weiping Ding, Mohamed Abdel-Basset, Victor Hugo C de Albuquerque (2021), “A New Design of Mamdani Complex Fuzzy Inference System for Multi-attribute Decision Making Problems”, IEEE Transactions on Fuzzy Systems, Vol 29, No.4, pp 716-730 (ISSN:1063-6706, SCI, 2019 IF = 9.518), DOI = http://dx.doi.org/10.1109/TFUZZ.2019.2961350 A3 Tran Manh Tuan, Luong Thi Hong Lan, Shuo-Yan Chou, Tran Thi Ngan, Le Hoang Son, Nguyen Long Giang, Mumtaz Ali (2020), “M-CFIS-R: Mamdani Complex Fuzzy Inference System with Rule Reduction Using Complex Fuzzy Measures in Granular Computing”, Mathematics, Vol 8, No 5, pp 707 – 731 (ISSN: 22277390, SCIE, 2019 IF = 1.747), DOI = https://doi.org/10.3390/math8050707 A4 Luong Thi Hong Lan, Tran Manh Tuan, Tran Thi Ngan, Le Hoang Son, Nguyen Long Giang, Vo Truong Nhu Ngoc, Pham Van Hai (2020), “A New Complex Fuzzy Inference System with Fuzzy Knowledge Graph and Extensions in Decision Making”, IEEE Access, Vol 8, pp 164899 - 164921 (ISSN: 2169-3536, SCIE, 2019 IF = 3.745), DOI = http://dx.doi.org/10.1109/ACCESS.2020.3021097 119 Chương Tài liệu tham khảo [1] L A Zadeh, “Fuzzy sets,” Information and control, vol 8, no 3, pp 338–353, 1965 [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 [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 [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 [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 [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 [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 [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 [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 120 [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 [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 [12] N Priyadarshi, F Azam, A K Sharma, and M Vardia, “An adaptive neurofuzzy inference system-based intelligent grid-connected photovoltaic power generation,” in Advances in Computational Intelligence, pp 3–14, Springer, 2020 [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 [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 [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 [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 [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 [18] G K Tairidis, N Stojanovic, D Stamenkovic, and G E Stavroulakis, “Neurofuzzy 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 121 [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 [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 [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 [22] P Hájek and V Olej, “Adaptive intuitionistic fuzzy inference systems of takagisugeno type for regression problems,” in IFIP International Conference on Artificial Intelligence Applications and Innovations, pp 206–216, Springer, 2012 [23] P Hajek and V Olej, “Defuzzification methods in intuitionistic fuzzy inference systems of takagi-sugeno type: The case of corporate bankruptcy prediction,” in 2014 11th International Conference on Fuzzy Systems and Knowledge Discovery (FSKD), pp 232–236, IEEE, 2014 [24] A Hernandez-Aguila, M Garcia-Valdez, and O Castillo, “A proposal for an intuitionistic fuzzy inference system,” in 2016 IEEE International Conference on Fuzzy Systems (FUZZ-IEEE), pp 1294–1300, IEEE, 2016 [25] E Egrioglu, E Bas, O C Yolcu, and U Yolcu, “Intuitionistic time series fuzzy inference system,” Engineering Applications of Artificial Intelligence, vol 82, pp 175–183, 2019 [26] C Luo, C Tan, X Wang, and Y Zheng, “An evolving recurrent interval type-2 intuitionistic fuzzy neural network for online learning and time series prediction,” Applied Soft Computing, vol 78, pp 150–163, 2019 [27] E Bas, U Yolcu, and E Egrioglu, “Intuitionistic fuzzy time series functions approach for time series forecasting,” Granular Computing, pp 1–11, 2020 122 [28] P H Thong et al., “Some novel hybrid forecast methods based on picture fuzzy clustering for weather nowcasting from satellite image sequences,” Applied Intelligence, vol 46, no 1, pp 1–15, 2017 [29] P Van Viet, P Van Hai, et al., “Picture inference system: a new fuzzy inference system on picture fuzzy set,” Applied Intelligence, vol 46, no 3, pp 652–669, 2017 [30] L H Son, “Measuring analogousness in picture fuzzy sets: from picture distance measures to picture association measures,” Fuzzy Optimization and Decision Making, vol 16, pp 359–378, 2017 [31] L H Son, “Generalized picture distance measure and applications to picture fuzzy clustering,” Applied Soft Computing, vol 46, no C, pp 284–295, 2016 [32] P H Thong et al., “A novel automatic picture fuzzy clustering method based on particle swarm optimization and picture composite cardinality,” KnowledgeBased Systems, vol 109, pp 48–60, 2016 [33] P H Thong et al., “Picture fuzzy clustering for complex data,” Engineering Applications of Artificial Intelligence, vol 56, pp 121–130, 2016 [34] L H Son, “A novel kernel fuzzy clustering algorithm for geo-demographic analysis,” Information Sciences—Informatics and Computer Science, Intelligent Systems, Applications: An International Journal, vol 317, no C, pp 202–223, 2015 [35] P Van Viet, H T M Chau, P Van Hai, et al., “Some extensions of membership graphs for picture inference systems,” in 2015 seventh international conference on knowledge and systems engineering (KSE), pp 192–197, IEEE, 2015 [36] D Ramot, R Milo, M Friedman, and A Kandel, “Complex fuzzy sets,” IEEE Transactions on Fuzzy Systems, vol 10, no 2, pp 171–186, 2002 [37] H Garg and D Rani, “Some results on information measures for complex intuitionistic fuzzy sets,” International Journal of Intelligent Systems, vol 34, no 10, pp 2319–2363, 2019 [38] J.-P Fan, R Cheng, and M.-Q Wu, “Extended edas methods for multicriteria group decision-making based on iv-cfswaa and iv-cfswga operators 123 with interval-valued complex fuzzy soft information,” IEEE Access, vol 7, pp 105546–105561, 2019 [39] S Faizi, Multi-Criteria Decision Making Techniques Based on Some Extensions of Fuzzy Set PhD thesis, University of Management and Technology, Lahore, 2019 [40] H Garg and D Rani, “Robust averaging–geometric aggregation operators for complex intuitionistic fuzzy sets and their applications to mcdm process,” Arabian Journal for Science and Engineering, vol 45, no 3, pp 2017–2033, 2020 [41] K Ullah, T Mahmood, Z Ali, and N Jan, “On some distance measures of complex pythagorean fuzzy sets and their applications in pattern recognition,” Complex & Intelligent Systems, vol 6, no 1, pp 15–27, 2020 [42] Y Al-Qudah and N Hassan, “Complex multi-fuzzy soft expert set and its application,” Int J Math Comput Sci, vol 14, pp 149–176, 2019 [43] P K Singh, “Bipolar δ -equal complex fuzzy concept lattice with its application,” Neural Computing and Applications, pp 1–18, 2019 [44] D Ramot, M Friedman, G Langholz, and A Kandel, “Complex fuzzy logic,” IEEE Transactions on Fuzzy Systems, vol 11, no 4, pp 450–461, 2003 [45] J Man, Z Chen, and S Dick, “Towards inductive learning of complex fuzzy inference systems,” in NAFIPS 2007-2007 Annual Meeting of the North American Fuzzy Information Processing Society, pp 415–420, IEEE, 2007 [46] Z Chen, S Aghakhani, J Man, and S Dick, “Ancfis: A neurofuzzy architecture employing complex fuzzy sets,” IEEE Transactions on Fuzzy Systems, vol 19, no 2, pp 305–322, 2010 [47] Y Liu and F Liu, “An adaptive neuro-complex-fuzzy-inferential modeling mechanism for generating higher-order tsk models,” Neurocomputing, vol 365, pp 94–101, 2019 [48] O Yazdanbakhsh and S Dick, “Fancfis: Fast adaptive neuro-complex fuzzy inference system,” International Journal of Approximate Reasoning, vol 105, pp 417–430, 2019 124 [49] E H Mamdani, “Application of fuzzy algorithms for control of simple dynamic plant,” in Proceedings of the institution of electrical engineers, vol 121, pp 1585–1588, IET, 1974 [50] T Takagi and M Sugeno, “Fuzzy identification of systems and its applications to modeling and control,” IEEE transactions on systems, man, and cybernetics, no 1, pp 116–132, 1985 [51] Y Li and Y.-T Jang, “Complex adaptive fuzzy inference systems,” in Soft Computing in Intelligent Systems and Information Processing Proceedings of the 1996 Asian Fuzzy Systems Symposium, pp 551–556, IEEE, 1996 [52] A Deshmukh, A Bavaskar, P Bajaj, and A Keskar, “Implementation of complex fuzzy logic modules with vlsi approach,” International Journal on Computer Science and Network Security, vol 8, pp 172–178, 2008 [53] O Yazdanbakhsh and S Dick, “Forecasting of multivariate time series via complex fuzzy logic,” IEEE Transactions on Systems, Man, and Cybernetics: Systems, vol 47, no 8, pp 2160–2171, 2017 [54] M Yeganejou and S Dick, “Inductive learning of classifiers via complex fuzzy sets and logic,” in 2017 IEEE International Conference on Fuzzy Systems (FUZZ-IEEE), pp 1–6, IEEE, 2017 [55] O Yazdanbakhsh and S Dick, “A systematic review of complex fuzzy sets and logic,” Fuzzy Sets and Systems, vol 338, pp 1–22, 2018 [56] C Li and T.-W Chiang, “Complex neurofuzzy arima forecasting—a new approach using complex fuzzy sets,” IEEE Transactions on Fuzzy Systems, vol 21, no 3, pp 567–584, 2012 [57] H Bustince, E Barrenechea, M Pagola, J Fernandez, Z Xu, B Bedregal, J Montero, H Hagras, F Herrera, and B De Baets, “A historical account of types of fuzzy sets and their relationships,” IEEE Transactions on Fuzzy Systems, vol 24, no 1, pp 179–194, 2015 [58] J Buckley and Y Qu, “Fuzzy complex analysis i: differentiation,” Fuzzy Sets and Systems, vol 41, no 3, pp 269–284, 1991 [59] J J Buckley, “Fuzzy complex analysis ii: integration,” Fuzzy Sets and Systems, vol 49, no 2, pp 171–179, 1992 125 [60] Z Guang-Quan, “Fuzzy limit theory of fuzzy complex numbers,” Fuzzy Sets and Systems, vol 46, no 2, pp 227–235, 1992 [61] Z Guangquan, “Fuzzy distance and limit of fuzzy numbers [j],” Fuzzy Systems and Mathematics, vol 1, 1992 [62] A Azam, B Fisher, and M Khan, “Common fixed point theorems in complex valued metric spaces,” Numerical Functional Analysis and Optimization, vol 32, no 3, pp 243–253, 2011 [63] G Zhang, T S Dillon, K.-Y Cai, J Ma, and J Lu, “Operation properties and δ -equalities of complex fuzzy sets,” International journal of approximate reasoning, vol 50, no 8, pp 1227–1249, 2009 [64] A U M Alkouri and A R Salleh, “Linguistic variable, hedges and several distances on complex fuzzy sets,” Journal of Intelligent & Fuzzy Systems, vol 26, no 5, pp 2527–2535, 2014 [65] M Guido, A Mangia, G Faa, et al., “Chronic viral hepatitis: the histology report,” Digestive and Liver Disease, vol 43, pp S331–S343, 2011 [66] F Camastra, A Ciaramella, V Giovannelli, M Lener, V Rastelli, A Staiano, G Staiano, and A Starace, “A fuzzy decision system for genetically modified plant environmental risk assessment using mamdani inference,” Expert Systems with Applications, vol 42, no 3, pp 1710–1716, 2015 [67] B Gayathri and C Sumathi, “Mamdani fuzzy inference system for breast cancer risk detection,” in 2015 IEEE International Conference on Computational Intelligence and Computing Research (ICCIC), pp 1–6, IEEE, 2015 [68] S Thakur, S Raw, R Sharma, and P Mishra, “Detection of type of thalassemia disease in patients: A fuzzy logic approach,” International Journal of Applied Pharmaceutical Sciences and Research, vol 1, no 02, pp 88–95, 2016 [69] P Mamoria and D Raj, “Comparison of mamdani fuzzy inference system for multiple membership functions,” International Journal of Image, Graphics and Signal Processing, vol 8, no 9, p 26, 2016 126 ´ J Skenderovi´c, and K T LESIC, ´ “Application of the mamdani ˇ C, [70] M D RUZI fuzzy inference system to measuring hrm performance in hotel companies–a pilot study,” 2016 [71] P K Borkar, M Jha, M Qureshi, and G Agrawal, “Performance assessment of heat exchanger using mamdani based adaptive neuro-fuzzy inference system (m-anfis) and dynamic fuzzy reliability modeling 2014,” International Journal of Innovative Research in Science, Engineering and Technology (An ISO 3297: 2007 Certified Organization), vol 3, no 9, 2014 [72] Y Chai, L Jia, and Z Zhang, “Mamdani model based adaptive neural fuzzy inference system and its application,” International Journal of Computational Intelligence, vol 5, no 1, pp 22–29, 2009 [73] E P Klement and R Mesiar, Logical, algebraic, analytic and probabilistic aspects of triangular norms Elsevier, 2005 [74] H T Nguyen, C L Walker, and E A Walker, A first course in fuzzy logic CRC press, 2018 [75] R R Yager and D P Filev, “Unified structure and parameter identification of fuzzy models,” IEEE Transactions on Systems, Man, and Cybernetics, vol 23, no 4, pp 1198–1205, 1993 [76] H Ishibuchi, K Nozaki, N Yamamoto, and H Tanaka, “Selecting fuzzy if-then rules for classification problems using genetic algorithms,” IEEE Transactions on fuzzy systems, vol 3, no 3, pp 260–270, 1995 [77] J Yen and L Wang, “Simplifying fuzzy rule-based models using orthogonal transformation methods,” IEEE Transactions on Systems, Man, and Cybernetics, Part B (Cybernetics), vol 29, no 1, pp 13–24, 1999 [78] L Wang and R Langari, “Building sugeno-type models using fuzzy discretization and orthogonal parameter estimation techniques,” IEEE Transactions on Fuzzy Systems, vol 3, no 4, pp 454–458, 1995 [79] G E Tsekouras, “Fuzzy rule base simplification using multidimensional scaling and constrained optimization,” Fuzzy sets and systems, vol 297, pp 46– 72, 2016 127 [80] W Pedrycz, “From fuzzy rule-based systems to granular fuzzy rule-based systems: a study in granular computing,” in Combining Experimentation and Theory, pp 151–162, Springer, 2012 [81] H Bellaaj, R Ketata, and M Chtourou, “A new method for fuzzy rule base reduction,” Journal of Intelligent & Fuzzy Systems, vol 25, no 3, pp 605–613, 2013 [82] J L S L P Heim, S Hellmann and T Stegemann, “Multitask tsk fuzzy system modeling by jointly reducing rules and consequent parameters,” Transactions on Systems, vol 25, no 3, pp 605–613, 2019 [83] G Wang and X Li, “Generalized lebesgue integrals of fuzzy complex valued functions,” Fuzzy Sets and Systems, vol 127, no 3, pp 363–370, 2002 [84] L.-C Jang and H.-M Kim, “On choquet integrals with respect to a fuzzy complex valued fuzzy measure of fuzzy complex valued functions,” International Journal of Fuzzy Logic and Intelligent Systems, vol 10, no 3, pp 224–229, 2010 [85] L.-C Jang and H.-M Kim, “Some properties of choquet integrals with respect to a fuzzy complex valued fuzzy measure.,” Int J Fuzzy Logic and Intelligent Systems, vol 11, no 2, pp 113–117, 2011 [86] S.-q Ma, D.-j Peng, and D.-y Li, “Fuzzy complex value measure and fuzzy complex value measurable function,” in Fuzzy Information and Engineering, pp 187–192, Springer, 2009 [87] S.-q Ma, F.-c Chen, and Z.-q Zhao, “Choquet type fuzzy complex-valued integral and its application in classification,” in Fuzzy Engineering and Operations Research, pp 229–237, Springer, 2012 [88] S.-q Ma, M.-q Chen, and Z.-q Zhao, “The complex fuzzy measure,” in Fuzzy Information & Engineering and Operations Research & Management, pp 137– 145, Springer, 2014 [89] S Ma and S Li, “Complex fuzzy set-valued complex fuzzy measures and their properties,” The Scientific World Journal, vol 2014, 2014 128 [90] S.-q Ma and S.-g Li, “Complex fuzzy set-valued complex fuzzy integral and its convergence theorem,” in Fuzzy Systems & Operations Research and Management, pp 143–155, Springer, 2016 [91] S Ma, D Peng, and Z Zhao, “Generalized complex fuzzy set-valued integrals and their properties,” in 2016 12th International Conference on Natural Computation, Fuzzy Systems and Knowledge Discovery (ICNC-FSKD), pp 906–910, IEEE, 2016 [92] R T Ngan, M Ali, D E Tamir, N D Rishe, A Kandel, et al., “Representing complex intuitionistic fuzzy set by quaternion numbers and applications to decision making,” Applied Soft Computing, vol 87, p 105961, 2020 [93] S Dai, L Bi, and B Hu, “Distance measures between the interval-valued complex fuzzy sets,” Mathematics, vol 7, no 6, p 549, 2019 [94] K Mondal, S Pramanik, and B C Giri, “Some similarity measures for madm under a complex neutrosophic set environment,” in Optimization Theory Based on Neutrosophic and Plithogenic Sets, pp 87–116, Elsevier, 2020 [95] A Z LOTFI, “The key roles of information granulation and fuzzy logic in human reasoning, concept formulation and computing with words,” in FUZZIEEE’96—Fifth IEEE International Conference on Fuzzy Systems, pp 8–11 [96] T Lin, “Granular computing, announcement of the bisc special interest group on granular computing [z] 1997.” [97] Y Yao and N Zhong, “Granular computing using information tables,” in Data mining, rough sets and granular computing, pp 102–124, Springer, 2002 [98] J T Yao, A V Vasilakos, and W Pedrycz, “Granular computing: perspectives and challenges,” IEEE Transactions on Cybernetics, vol 43, no 6, pp 1977– 1989, 2013 [99] J T Yao, A V Vasilakos, and W Pedrycz, “Granular computing: perspectives and challenges,” IEEE Transactions on Cybernetics, vol 43, no 6, pp 1977– 1989, 2013 [100] P Artiemjew, “Natural versus granular computing: Classifiers from granular structures,” in International Conference on Rough Sets and Current Trends in Computing, pp 150–159, Springer, 2008 129 [101] S Butenkov, A Zhukov, A Nagorov, and N Krivsha, “Granular computing models and methods based on the spatial granulation,” Procedia Computer Science, vol 103, no C, pp 295–302, 2017 [102] F M Bianchi, S Scardapane, A Rizzi, A Uncini, and A Sadeghian, “Granular computing techniques for classification and semantic characterization of structured data,” Cognitive Computation, vol 8, no 3, pp 442–461, 2016 [103] N Krivsha, V Krivsha, Z Beslaneev, and S Butenkov, “Greedy algorithms for granular computing problems in spatial granulation technique,” Procedia Computer Science, vol 103, pp 303–307, 2017 [104] W Zhang, G Wang, W Liu, and J Fang, “An introduction to fuzzy mathematics,” Xi’an Jiaotong University Press, Xi’an, 1991 [105] H Q Truong, L T Ngo, and W Pedrycz, “Granular fuzzy possibilistic c-means clustering approach to dna microarray problem,” Knowledge-Based Systems, vol 133, pp 53–65, 2017 [106] P Heim, S Hellmann, J Lehmann, S Lohmann, and T Stegemann, “Relfinder: Revealing relationships in rdf knowledge bases,” in International Conference on Semantic and Digital Media Technologies, pp 182–187, Springer, 2009 [107] T Yu, J Li, Q Yu, Y Tian, X Shun, L Xu, L Zhu, and H Gao, “Knowledge graph for tcm health preservation: design, construction, and applications,” Artificial Intelligence in Medicine, vol 77, pp 48–52, 2017 [108] L Shao, Y Duan, X Sun, Q Zou, R Jing, and J Lin, “Bidirectional value driven design between economical planning and technical implementation based on data graph, information graph and knowledge graph,” in 2017 IEEE 15th International Conference on Software Engineering Research, Management and Applications (SERA), pp 339–344, IEEE, 2017 [109] Z Wang, J Zhang, J Feng, and Z Chen, “Knowledge graph embedding by translating on hyperplanes.,” in Aaai, vol 14, pp 1112–1119, Citeseer, 2014 [110] J Qiu, Q Du, K Yin, S.-L Zhang, and C Qian, “A causality mining and knowledge graph based method of root cause diagnosis for performance anomaly in cloud applications,” Applied Sciences, vol 10, no 6, p 2166, 2020 130 [111] L He and P Jiang, “Manufacturing knowledge graph: a connectivism to answer production problems query with knowledge reuse,” IEEE Access, vol 7, pp 101231–101244, 2019 [112] R Lijuan, L Jun, and G Wei, “Multi-source knowledge embedding research of knowledge graph,” in 2019 IEEE 3rd International Conference on Circuits, Systems and Devices (ICCSD), pp 163–166, IEEE, 2019 [113] J Long, Z Chen, W He, T Wu, and J Ren, “An integrated framework of deep learning and knowledge graph for prediction of stock price trend: An application in chinese stock exchange market,” Applied Soft Computing, p 106205, 2020 [114] X Chen, S Jia, and Y Xiang, “A review: Knowledge reasoning over knowledge graph,” Expert Systems with Applications, vol 141, p 112948, 2020 [115] S Yoo and O Jeong, “Automating the expansion of a knowledge graph,” Expert Systems with Applications, vol 141, p 112965, 2020 [116] H Liu, Y Li, R Hong, Z Li, M Li, W Pan, A Glowacz, and H He, “Knowledge graph analysis and visualization of research trends on driver behavior,” Journal of Intelligent & Fuzzy Systems, vol 38, no 1, pp 495–511, 2020 [117] H Wang, C Shah, P Sathaye, A Nahata, and S Katariya, “Service application knowledge graph and dependency system,” in 2019 34th IEEE/ACM International Conference on Automated Software Engineering Workshop (ASEW), pp 134–136, IEEE, 2019 [118] E Petrova, P Pauwels, K Svidt, and R L Jensen, “Towards data-driven sustainable design: decision support based on knowledge discovery in disparate building data,” Architectural Engineering and Design Management, vol 15, no 5, pp 334–356, 2019 [119] L Shi, S Li, X Yang, J Qi, G Pan, and B Zhou, “Semantic health knowledge graph: Semantic integration of heterogeneous medical knowledge and services,” BioMed research international, vol 2017, 2017 131 [120] X Tao, T Pham, J Zhang, J Yong, W P Goh, W Zhang, and Y Cai, “Mining health knowledge graph for health risk prediction,” World Wide Web, pp 1–22, 2020 ... Tập mờ Tập mờ phức Logic mờ phức Hệ suy diễn Hệ suy diễn mờ phức Hệ suy diễn mờ trực cảm Hệ suy diễn mờ noron thích nghi Hệ suy diễn mờ noron thích nghi phức Mạng noron giá trị mờ phức thích... NGHỆ VIỆT NAM HỌC VIỆN KHOA HỌC VÀ CÔNG NGHỆ LƯƠNG THỊ HỒNG LAN MỘT SỐ MỞ RỘNG CỦA HỆ SUY DIỄN MỜ PHỨC CHO BÀI TOÁN HỖ TRỢ RA QUYẾT ĐỊNH Chuyên ngành: Khoa học máy tính Mã số: 9.48.01.01 LUẬN ÁN. .. Neutrosophic phức Hệ hỗ trợ định đa tiêu chí Thuật tốn tìm kiếm suy diễn nhanh Đồ thị tri thức Đồ thị tri thức mờ Hệ suy diễn mờ Mamdani Hệ suy diễn Mamdani mờ phức Hệ suy diễn mờ Mamdani - giảm luật phức