Một số phương pháp xử lý truy vấn mới trên cơ sở dữ liệu hướng đối tượng mờ

BỘ GIÁO DỤC VÀ ĐÀO TẠO HỌC VIỆN KHOA HỌC VÀ CÔNG NGHỆ - NGUYỄN TẤN THUẬN MỘT SỐ PHƯƠNG PHÁP XỬ LÝ TRUY VẤN MỚI TRÊN CƠ SỞ DỮ LIỆU HƯỚNG ĐỐI TƯỢNG MỜ LUẬN ÁN TIẾN SĨ NGÀNH MÁY TÍNH BỘ GIÁO DỤC VÀ ĐÀO TẠO VIỆN HÀN LÂM KHOA HỌC VÀ CÔNG NGHỆ VIỆT NAM HỌC VIỆN KHOA HỌC VÀ CÔNG NGHỆ - Nguyễn Tấn Thuận MỘT SỐ PHƯƠNG PHÁP XỬ LÝ TRUY VẤN MỚI TRÊN CƠ SỞ DỮ LIỆU HƯỚNG ĐỐI TƯỢNG MỜ Chuyên ngành: Hệ thống thông tin Mã số: 48 01 04 LUẬN ÁN TIẾN SĨ NGÀNH MÁY TÍNH NGƯỜI HƯỚNG DẪN KHOA HỌC: GS.TS Đoàn Văn Ban TS Trương Ngọc Châu Hà Nội – Năm 2021 Danh mục thuật ngữ Bảng ký hiệu, từ viết tắt Danh sách bảng biểu Danh sách hình vẽ MỞ ĐẦU Chương TỔNG QUAN VỀ BÀI TOÁN XỬ LÝ TRUY VẤN TRÊN MƠ HÌNH CƠ SỞ DỮ LIỆU HƯỚNG ĐỐI TƯỢNG MỜ 1.1 Giới thiệu toán 1.2 Các nghiên cứu liên quan 1.2.1 Các mơ hình 1.2.2 Tiền xử lý d 1.2.3 Xử lý tối 1.3 Các vấn đề nghiên cứu giải pháp 1.3.1 Biểu diễn th 1.3.2 Mô hình hóa 1.3.3 Lớp mờ 1.3.4 Giá trị thuộc 1.3.5 Biểu diễn 1.3.6 Quan hệ tổng 1.3.7 Quan hệ kết 1.3.8 Quan hệ kết 1.3.9 Quan hệ phụ 1.3.10 Ánh xạ mơ hình liệu UML mờ vào mơ hình sở liệu hướng đối tượng mờ 1.3.10.1 Mơ hình sở liệu hướng đối tượng mờ (FOODB) 1.3.10.2 Chuyển đổi biểu đồ lớp UML mờ 1.3.10.3 Chuyển đổi lớp 1.3.10.4 Chuyển đổi quan hệ kết tập 1.3.10.5 Chuyển đổi quan hệ kết hợp 1.3.10.6 Chuyển đổi quan hệ phụ thuộc 1.3.11 Truy vấn mờ FOQL 1.4 Giải pháp cho toán 1.5 Kết luận chương Chương CÁC PHƯƠNG PHÁP XỬ LÝ TRUY VẤN MỜ DỰA VÀO ĐỘ ĐO TƯƠNG TỰ VÀ GOM CỤM DỮ LIỆU 2.1 Xử lý truy vấn mờ dựa vào độ đo tương tự 2.1.1 So sánh tính tương tự hai đối tượng mờ 2.1.1.1 Độ đo tương tự phi tương tự 2.1.1.2 Độ đo ngữ nghĩa liệu mờ 2.1.1.3 So sánh hai đối tượng dựa vào độ đo tương tự mờ 2.1.2 Thuật toán xử lý truy vấn dựa vào độ đo tương tự 2.2 Xử lý truy vấn mờ dựa vào kỹ thuật gom cụm liệu phân khoảng mờ 2.2.1 Phương pháp gom cụm liệu thuật tốn EM 2.2.1.1 Mơ hình Gaussian Mixture Model 2.2.1.2 Thuật toán EM 2.2.1.3 Thuật toán gom cụm cải tiến EMC sử dụng mơ hình thống kê hỗn hợp GMM 2.2.1.4 Đánh giá thuật toán EMC dựa Log Likelihood 2.2.1.5 Đánh giá thuật tốn EMC phương pháp phân tích khác biệt nhóm 2.2.2 Phân khoảng mờ 2.2.2.1 Xác định tâm 2.2.2.2 Xác định khoảng 2.2.3Xử lý truy vấn d 2.2.4Thuật toán xử lý 2.3 Xử lý truy vấn dựa vào đại số gia tử 2.4 Đánh giá thực nghiệm 2.5 Kết luận chương Chương XỬ LÝ VÀ TỐI ƯU HÓA TRUY VẤN TRONG CƠ SỞ DỮ LIỆU HƯỚNG ĐỐI TƯỢNG MỜ 3.1 Các phép toán đại số sở liệu hướng đối tượng mờ 3.1.1Đại số đối tượng 3.1.2Đại kết hợp mờ 3.1.3Mơ hình đại số 3.1.4Các phép tốn đ 3.1.4.1 Tích mờ × 3.1.4.2 Kết nối mờ ⋈ 3.1.4.3 Phép hợp mờ ∪ 3.1.4.4 Phép trừ mờ ≃ 3.1.4.5 Phép giao mờ ∩ 3.1.4.6 Phép chia mờ ÷ 3.1.5Các phép toán m 3.1.5.1 Phép chiếu mờ 3.1.5.2 Phép chọn mờ 3.2 Ngôn ngữ truy vấn mờ FOQL 3.2.1Truy vấn mờ FO 3.2.2Mơ hình lớp mờ 3.2.3Cấu trúc câu tru 3.2.4 Phương pháp xử lý truy vấn mờ 3.2.4.1 Các bước phương pháp 3.2.4.2 Quy trình xử lý truy vấn mờ 3.2.4.3 Cây truy vấn đồ thị truy vấn 3.3 Tối ưu hóa truy vấn mờ 3.3.1 Các phép biến đổi tương đương 3.3.1.1 Tối ưu hóa kế hoạch thực thi truy vấn 3.3.1.2 Không gian tìm kiếm luật chuyển đổi 3.3.1.3 Thuật tốn tối ưu hóa truy vấn mờ 3.3.1.4 Đánh giá thực nghiệm 3.4 Kết luận chương KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN DANH MỤC CƠNG TRÌNH CỦA TÁC GIẢ TÀI LIỆU THAM KHẢO Danh mục thuật ngữ Đại số kết hợp mờ Fuzzy association algebra Đồ thị lược đồ mờ Fuzzy object schema Graph Độ lệch chuẩn Standard deviation Hiệp phương sai Covariance Hệ số biến thiên Coefficient Giá trị chân lý Truth value Kết hợp mờ Fuzzy association Không gian ngữ nghĩa Semantic space Kỳ vọng Mean Lớp cha Superclass Lớp Subclass Mối quan hệ kế thừa Inheritance relationship Mối quan hệ đối tượng với lớp Object and Class relationship Mối quan hệ kết hợp mờ Fuzzy association relationship Mối quan hệ kết nhập mờ Fuzzy aggregation relationship Mối quan hệ tổng quát hóa Fuzzy genralization relationship Phân cấp kế thừa mờ Fuzzy inheritance hierarchy Bảng ký hiệu, từ viết tắt EM (Expectation maximization) Thuật tốn Cực đại hóa Kì vọng EMC (Expectation maximization Thuật tốn Cực đại hóa Kì vọng dựa Coefficient) vào hệ số biến thiên FA (Fuzzy Association) Kết hợp mờ FC (Fuzzy Class) Lớp mờ GMM (Gaussian Mixture Model) Mơ hình Gaussian hỗn hợp OQL (Object Query Language) Ngôn ngữ truy vấn hướng đối tượng ODMG (Object Database Management Nhóm quản trị CSDL đối tượng, tổ Group) chức đề xuất mô hình ODMG OQL OID (Object Indentifier) Định danh đối tượng rõ OODBMS (Object-Oriented Data Base Hệ quản trị sở liệu hướng đối Management System) tượng FOID (Fuzzy Object Indentifier) Định danh đối tượng mờ FOQL (Fuzzy Object Query Language) Ngôn ngữ truy vấn đối tượng mờ FOODBMS (Fuzzy Object Oriented Hệ quản trị sở liệu hướng đối Database Management System) tượng mờ SQL (Structured Query Language) Ngơn ngữ truy vấn có cấu trúc Danh sách bảng biểu Bảng 2.1: Danh sách liệu phòng đối tượng mờ Bảng 2.2: Danh sách liệu phòng từ kết truy vân trường hợp Bảng 2.3 Danh sách liệu phòng từ kết truy vân trường hợp Bảng 2.4: Bảng liệu đối tượng "Điểm Toán" Bảng 2.5: Kết phân cụm thuật toán EMC Bảng 2.6: Bảng kết thống kê liệu Bảng 2.7: Xác định khoảng mờ thuộc tính định lượng "Điểm tốn" Bảng 2.8: Danh sách liệu từ kết truy vấn trực tiếp vùng mờ cho trường hợp Bảng 2.9: Các giá trị khoảng mờ thuộc tính Điểm Tốn Bảng 2.10: Danh sách liệu từ kết truy vấn trực tiếp vùng mờ cho trường hợp Bảng 2.11: Kết truy vấn với mức độ thỏa mãn điều kiện truy vấn "Điểm Toán cao" Bảng 2.12: Thời gia Bảng 2.13: Sử dụng Danh sách hình vẽ Hình 1.1 Biểu diễn liệu mờ tuổi Hình 1.2 Lớp mờ Hình 1.3 Quan hệ tổng quát mờ Hình 1.4.Mối quan hệ kết tập mờ Hình 1.5.Mối quan hệ kết hợp mờ Hình 1.6 Mối quan hệ phụ thuộc mờ Hình 1.7.Mơ hình liệu UML mờ Hình 1.8.Chuyển đổi lớp UML mờ sang lược đồ sở liệu hướng đối tượng mờ Hình 1.9.Chuyển đổi lớp UML mờ sang lược đồ sở liệu hướng đối tượng mờ Hình 1.10.Chuyển đổi tập hợp UML mờ sang lược đồ sở liệu hướng đối tượng mờ Hình 1.11.Chuyển đổi liên kết UML mờ sang lược đồ sở liệu hướng đối tượng mờ Hình 2.1.Nghiên cứu điển hình so sánh đối tượng mờ Hình 2.2 Tính tốn giống hai đối tượng mờ Hình 2.3 Trường hợp I (a) so sánh hai phịng Hình 2.4.Trường hợp I (a) Đại diện mờ chất lượng giá hai phòng (Sử dụng hàm thành viên khác nhau) Hình 2.5: Trường hợp I (b) So sánh phòng Hình 2.6: Trường hợp I (a) Đại diện mờ chất lượng giá hai (Sử dụng hàm thành viên khác nhau) Hình 2.7: Trường hợp II Các phịng mơ tả thuộc tính rõ mờ Hình 2.8: Đồ thị biểu diễn vịng lặp thuật tốn EM Hình 2.9: Các khoảng mờ Hình 2.10: Thời gian thực thi thuật toán Hình 2.11: Hình 3.1: Phương pháp xử lý truy vấn hướng đối tượng mờ Hình 3.2: Cây truy vấn Đánh giá vi 129 [22] M Umano, T Imada, I Hatono, and H Tamura, “Fuzzy object- oriented databases and implementation of its SQL-type data manipulation language,” in 1998 IEEE International Conference on Fuzzy Systems Proceedings IEEE World Congress on Computational Intelligence (Cat No 98CH36228), 1998, vol 2, pp 1344–1349 [23] N Van Gyseghem and R De Caluwe, “Imprecision and uncertainty in the UFO database model,” J Am Soc Inf Sci., vol 49, no 3, pp 236–252, 1998 [24] M M Gupta and T Yamakawa, Fuzzy logic in knowledge-based systems, decision and control Elsevier Science Inc., 1988 [25] D McNeill and P Freiberger, Fuzzy logic: The revolutionary computer technology that is changing our world Simon and Schuster, 1994 [26] Z Ma, Advances in Fuzzy Object-Oriented Databases: Modeling and Applications: Modeling and Applications IGI Global, 2004 [27] Y Kornatzky and S E Shimony, “A probabilistic object-oriented data model,” Data \& Knowl Eng., vol 12, no 2, pp 143–166, 1994 [28] N Hòa, “Mơ hình sở đối tượng xác suất mờ Luận ántiễn sĩ hệ thống Thông Tin,” 2008 [29] W Wedashwara, S Mabu, M Obayashi, and T Kuremoto, “Evolutionary rule based clustering for making fuzzy object oriented database models,” in 2015 IIAI 4th International Congress on Advanced Applied Informatics, 2015, pp 517–522 [30] L Yan and Z M Ma, “Comparison of entity with fuzzy data types in fuzzy object-oriented databases,” Integr Comput Aided Eng., vol 19, no 2, pp 199–212, 2012 [31] Y Bashon, D Neagu, and M J Ridley, “A new approach for comparing fuzzy objects,” in International Conference on Information Processing and Management of Uncertainty in Knowledge-Based Systems, 2010, pp 115–125 [32] S Na and S Park, “A process of fuzzy query on new fuzzy object oriented data model,” in International Conference on Database and Expert Systems Applications, 1996, pp 500–509 [33] T N Châu, Tối ưu hóa truy vấn sở liệu hướng đối tượng Luận án TS ngành tốn học, Viện Cơng nghệ Thơng tin, Viện Hàn lâm KH&CN, 2011 130 [34] M Ogrinz and H Linn, “Hybrid graph and relational database architecture.” Google Patents, 2020 [35] U E de Santa Catarina, “Grid-Based Clustering of Waze Data on a Relational Database,” in ADBIS, TPDL and EDA 2020 Common Workshops and Doctoral Consortium: International Workshops: DOING, MADEISD, SKG, BBIGAP, SIMPDA, AIMinScience 2020 and Doctoral Consortium, Lyon, France, August 25-27, 2020, Proceedings, 2020, vol 1260, p 249 [36] P Escobar, G Candela, J Trujillo, M Marco-Such, and J Peral, “Adding value to Linked Open Data using a multidimensional model approach based on the RDF Data Cube vocabulary,” Comput Stand \& Interfaces, vol 68, p 103378, 2020 [37] L Zhu, N Li, and L Bai, “Algebraic Operations on Spatiotemporal Data Based on RDF,” ISPRS Int J Geo-Information, vol 9, no 2, p 80, 2020 [38] R Bakalash, G Shaked, and J Caspi, “Relational database management system (RDBMS) employing a relational datastore and a multidimensional database (MDDB) for serving query statements from client machines.” Google Patents, 2012 [39] K Rabuzin and M Šestak, “Towards inheritance in graph databases,” in 2018 International Conference on Information Management and Processing (ICIMP), 2018, pp 115–119 [40] W Deng, “Object-Oriented Database and O/R Mapping Technology,” in International conference on Big Data Analytics for Cyber-Physical-Systems, 2020, pp 800–806 [41] L Yan, Z M Ma, and F Zhang, “Algebraic operations in fuzzy object-oriented databases,” Inf Syst Front., vol 16, no 4, pp 543–556, 2014 [42] M Guo, S Y W Su, and H Lam, “An association algebra for processing object-oriented databases,” in [1991] Proceedings Seventh International Conference on Data Engineering, 1991, pp 23–32 [43] J Prince, “Fuzzy database retrieval.” Google Patents, 2015 [44] D Van Thang and D C Quoc, “Defining membership functions in fuzzy object-oriented database model,” in International Conference on Future Data and Security Engineering, 2015, pp 314–322 131 [45] L Yan, Z M Ma, and J Liu, “Fuzzy data modeling based on XML schema,” in Proceedings of the 2009 ACM symposium on Applied Computing, 2009, pp 1563–1567 [46] L Yan and Z M Ma, “Modeling fuzzy information in fuzzy extended entity-relationship model and fuzzy relational databases,” J Intell \& Fuzzy Syst., vol 27, no 4, pp 1881–1896, 2014 [47] W Li, L Yan, F Zhang, and X Chen, “A formal approach of construction fuzzy XML data model based on OWL ontologies,” IEEE Access, vol 6, pp 22025–22033, 2018 [48] L Yan and Z Ma, “A formal approach for graphically building fuzzy XML model,” Int J Intell Syst., vol 34, no 11, pp 3058–3076, 2019 [49] Z Ma and L Yan, “Modeling fuzzy data with XML: A survey,” Fuzzy Sets Syst., vol 301, pp 146–159, 2016 [50] F Zhang and J Cheng, “Verification of fuzzy UML models with fuzzy Description Logic,” Appl Soft Comput., vol 73, pp 134–152, 2018 [51] Y Wang and L Bai, “Fuzzy spatiotemporal data modeling based on UML,” IEEE Access, vol 7, pp 45405–45416, 2019 [52] P K Shukla, M Darbari, V K Singh, and S P Tripathi, “A survey of fuzzy techniques in object oriented databases,” Int J Sci Eng Res., vol 2, no 11, pp 1–11, 2011 [53] L G Yu and J R Smiley, “System-wide query optimization.” Google Patents, 2016 [54] A Lee, M Zait, and Y Zhu, “Method and system for performing query optimization using a hybrid execution plan.” Google Patents, 2014 [55] W C Eidson and J Collins, “Methods and systems for joining indexes for query optimization in a multi-tenant database.” Google Patents, 2016 [56] J Y Sun, Q Zhou, and M Singamshetty, “Method for two-stage query optimization in massively parallel processing database clusters.” Google Patents, 2016 [57] T.-J Cheng, “Systems and methods for query optimization.” Google Patents, 2015 [58] “Rule- C Weyerhaeuser, T Mindnich, D Baeumges, and G S Kazmaier, 132 based extendable query optimizer.” Google Patents, 2016 [59] M Sharma, G Singh, and R Singh, “Clinical decision support system query optimizer using hybrid Firefly and controlled Genetic Algorithm,” J King Saud Univ Inf Sci., 2018 [60] F Kerschbaum et al., “Local versus remote optimization in encrypted query processing.” Google Patents, 2018 [61] C Yang, Q Wang, Q Yang, H Zhang, J Zhang, and Y Zhou, “Optimization Factor Analysis of Large-Scale Join Queries on Different Platforms,” in International Conference on Database Systems for Advanced Applications, 2017, pp 35–46 [62] B Ding, S Chaudhuri, and V Narasayya, “Bitvector-aware Query Optimization for Decision Support Queries,” in Proceedings of the 2020 ACM SIGMOD International Conference on Management of Data, 2020, pp 2011– 2026 [63] G Li et al., “CDB: optimizing queries with crowd-based selections and joins,” in Proceedings of the 2017 ACM International Conference on Management of Data, 2017, pp 1463–1478 [64] M C Mouna, L Bellatreche, and N Boustia, “HYRAQ: optimizing large-scale analytical queries through dynamic hypergraphs,” in Proceedings of the 24th Symposium on International Database Engineering \& Applications, 2020, pp 1–10 [65] A Mhedhbi and S Salihoglu, “Optimizing subgraph queries by combining binary and worst-case optimal joins,” arXiv Prepr arXiv1903.02076, 2019 [66] X.-X Hu, J.-Q Xi, and D.-Y Tang, “Optimization for Multi-Join Queries on the GPU,” IEEE Access, vol 8, pp 118380–118395, 2020 [67] D Bilidas and M Koubarakis, “In-memory parallelization of join queries over large ontological hierarchies,” Distrib Parallel Databases, pp 1– 38, 2020 [68] Q Zhang et al., “Optimizing Declarative Graph Queries at Large Scale,” in Proceedings of the 2019 International Conference on Management of Data, 2019, pp 1411–1428 [69] 1965 L A Zadeh, “Fuzzy sets,” Inf Control, vol 8, no 3, pp 338–353, [70] L A Zadeh, “Toward a generalized theory of uncertainty (GTU) an 133 outline,” Inf Sci (Ny)., vol 172, no 1–2, pp 1–40, 2005 [71] no 13, L A Zadeh, “Is there a need for fuzzy logic?,” Inf Sci (Ny)., vol 178, pp 2751–2779, 2008 [72] N Marin, O Pons, and M A Vila, “Fuzzy types: A new concept of type for managing vague structures,” Int J Intell Syst., vol 15, no 11, pp 1061–1085, 2000 [73] Z M Ma, W.-J Zhang, and W Y Ma, “Assessment of data redundancy in fuzzy relational databases based on semantic inclusion degree,” Inf Process Lett., vol 72, no 1–2, pp 25–29, 1999 [74] A Bahri, R Bouaziz, S Chakhar, and Y Na\"\ija, “Implementing imperfect information in fuzzy databases,” in The 2nd International Symposium on Computational Intelligence and Intelligent Informatics, 2005, pp 290–294 [75] B P Buckles and F E Petry, “A fuzzy representation of data for relational databases,” Fuzzy sets Syst., vol 7, no 3, pp 213–226, 1982 [76] M A Vila, J C Cubero, J M Medina, and O Pons, “A conceptual approach for dealing with imprecision and uncertainty in object-based data models,” Int J Intell Syst., vol 11, no 10, pp 791–806, 1996 [77] C.-M Vladarean and S C Waters, “Extending object-oriented databases for fuzzy information modeling,” SC WATERS Rom SRL, Romai J, vol 2, no 1, pp 225–237, 2006 [78] R S Millman and G D Parker, Geometry: a metric approach with models Springer Science \& Business Media, 1993 [79] “A R K Chandrawat, R Kumar, V Makkar, M Yadav, and P Kumari, Comparative Fuzzy Cluster Analysis of the Binder�s Performance Grades Using Fuzzy Equivalence Relation via Different Distance Measures,” in International Conference on Advanced Informatics for Computing Research, 2018, pp 108–118 [80] Z Ma, Fuzzy database modeling with XML, vol 29 Springer Science \& Business Media, 2006 [81] F Lourenỗo, V Lobo, and F Bacao, “Binary-based similarity measures for categorical data and their application in Self-Organizing Maps,” 2004 [82] S Boriah, V Chandola, and V Kumar, “Similarity measures for categorical 134 data: A comparative evaluation,” in Proceedings of the 2008 SIAM international conference on data mining, 2008, pp 243–254 [83] F Berzal, J C Cubero, N Mar\’\in, M A Vila, J Kacprzyk, and S Zadrożny, “A general framework for computing with words in object-oriented programming,” Int J Uncertainty, Fuzziness Knowledge-Based Syst., vol 15, no supp01, pp 111–131, 2007 [84] L A Zadeh, “Knowledge representation in fuzzy logic,” in An introduction to fuzzy logic applications in intelligent systems, Springer, 1992, pp 1–25 [85] K Rahman, S Abdullah, A Ali, and F Amin, “Interval-valued Pythagorean fuzzy Einstein hybrid weighted averaging aggregation operator and their application to group decision making,” Complex \& Intell Syst., vol 5, no 1, pp 41–52, 2019 [86] N D Singpurwalla and J M Booker, “Membership functions and probability measures of fuzzy sets,” J Am Stat Assoc., vol 99, no 467, pp 867–877, 2014 [87] S Na and S Park, “A fuzzy association algebra based on a fuzzy object oriented data model,” in Proceedings of 20th International Computer Software and Applications Conference: COMPSAC’96, 1996, pp 276–281 [88] Y Anzai, Pattern recognition and machine learning Elsevier, 2012 [89] J P Vila and P Schniter, “Expectation-maximization Gaussian- mixture approximate message passing,” IEEE Trans Signal Process., vol 61, no 19, pp 4658–4672, 2013 [90] M Hao, W Shi, H Zhang, and C Li, “Unsupervised change detection with expectation-maximization-based level set,” IEEE Geosci Remote Sens Lett., vol 11, no 1, pp 210–214, 2013 [91] T Long, W Jiao, G He, and W Wang, “Automatic line segment registration using Gaussian mixture model and expectation-maximization algorithm,” IEEE J Sel Top Appl Earth Obs Remote Sens., vol 7, no 5, pp 1688– 1699, 2013 [92] D Dwibedy, L Sahoo, and S Dutta, “A New Approach to Object Based Fuzzy Database Modeling,” Int J Soft Comput Eng., vol 3, no 1, pp 182–186, 2013 135 [93] L Yan and Z M Ma, “Conceptual design of object-oriented databases for fuzzy engineering information modeling,” Integr Comput Aided Eng., vol 20, no 2, pp 183–197, 2013 [94] A Yazici, R George, and D Aksoy, “Design and implementation issues in the fuzzy object-oriented data model,” Inf Sci (Ny)., vol 108, no 1–4, pp 241– 260, 1998 [95] J C Bezdek, “A convergence theorem for the fuzzy ISODATA clustering algorithms,” IEEE Trans Pattern Anal Mach Intell., no 1, pp 1– 8, 1980 [96] A Sozer, A Yazici, and H Oguztuzun, “Indexing fuzzy spatiotemporal data for efficient querying: A meteorological application,” IEEE Trans Fuzzy Syst., vol 23, no 5, pp 1399–1413, 2014 [97] D Van Thang and D Van Ban, “Query data with fuzzy information in object-oriented databases an approach interval values,” arXiv Prepr arXiv1611.04977, 2016 [98] Z M Ma, W.-J Zhang, and W Y Ma, “Extending object-oriented databases for fuzzy information modeling,” Inf Syst., vol 29, no 5, pp 421– 435, 2004 [99] L A Zadeh, “The concept of a linguistic variable and its application to approximate reasoningII,” Inf Sci (Ny)., vol 8, no 4, pp 301–357, 1975 [100] T Neumann and B Radke, “Adaptive optimization of very large join queries,” in Proceedings of the 2018 International Conference on Management of Data, 2018, pp 677–692 [101] Y E Ioannidis and E Wong, “Query optimization by simulated annealing,” in Proceedings of the 1987 ACM SIGMOD international conference on Management of data, 1987, pp 9–22 [102] Russwurm, S "Industrie 4.0–from vision to reality." SIEMENS Industry Sector–Background (2014) [103] Caggiano, A "Cloud-based manufacturing process monitoring for smart diagnosis services" International Journal of Computer Integrated Manufacturing 31(7), 612–623 (2018) doi:10.1080/0951192X.2018.142555 [104] protocol Q.Wang and J Jiang, “Comparative examination on architecture and of industrial wireless sensor network standards,” IEEE Communications Surveys Tutorials, vol 18, no 3, pp 2197–2219, thirdquarter 2016 136 [105] D D Guglielmo, S Brienza, and G Anastasi, “Ieee 802.15.4e: A survey,” Computer Communications, vol 88, pp – 24, 2016 [Online] Available: http://www.sciencedirect.com/science/article/pii/ S0140366416301980 [106] Simon, Jean Paul "Artificial intelligence: scope, players, markets and geography." Digital Policy, Regulation and Governance (2019) [107] Expósito Solis, Antonio "Implementation of a Telegram chatbox and webplatform for hypertension." (2020) [108] Liu, Chunfang, et al "Robot recognizing humans intention and interacting with humans based on a multi-task model combining ST-GCNLSTM model and YOLO model." Neurocomputing 430 (2021): 174-184 [109] Medina, J M., et al "Towards the implementation of a generalized fuzzy relational database model." Fuzzy Sets and Systems 75.3 (1995): 273289 [110] A Bahri, R Bouaziz, S Chakhar, Y Naıja and A (2005) “Imple- menting the fuzzy semantic model through a fuzzy relational objectdatabase model.” IEEE Transactions on Fuzzy Systems,Submitted ... thống quản lý sở liệu nói chung [12] - [15] mơ hình sở liệu hướng đối tượng mờ đề xuất sở áp dụng toán học mờ [16] - [21] Mơ hình sở liệu hướng đối tượng mờ mơ hình sở liệu hướng đối tượng mở rộng,... xử lý liệu bước quan trọng việc giải xử lý truy vấn CSDL sở liệu hướng đối tượng mờ cần có bước tiền xử lý liệu Trong luận án này, tác giả tập trung nghiên cứu, phát triển phương pháp xử lý truy. .. trị mờ 1.3.10 Ánh xạ mơ hình liệu UML mờ vào mơ hình sở liệu hướng đối tượng mờ 1.3.10.1 Mơ hình sở liệu hướng đối tượng mờ (FOODB) Ma cộng [73] phát triển mơ hình sở liệu hướng đối tượng mờ (FOODB)