Đề tài khoa học và công nghệ cấp cơ sở: Một số giải pháp tối ưu tập luật mờ TSK trích xuất từ máy học Véc-tơ hỗ trợ hồi quy

Mục tiêu nghiên cứu đề tài là tìm hiểu, tổng hợp, đề xuất và thực nghiệm một số giải pháp nhằm rút gọn, tối ưu hóa tập luật mờ TSK trích xuất được từ máy học véc- tơ hỗ trợ.

ĐẠI HỌC ĐÀ NẴNG TRƯỜNG CĐ CÔNG NGHỆ THÔNG TIN BÁO CÁO TỔNG KẾT ĐỀ TÀI KHOA HỌC VÀ CÔNG NGHỆ CẤP CƠ SỞ MỘT SỐ GIẢI PHÁP TỐI ƯU TẬP LUẬT MỜ TSK TRÍCH XUẤT TỪ MÁY HỌC VÉC-TƠ HỖ TRỢ HỒI QUY Mã số: T2018-……… Xác nhận quan chủ trì đề tài Chủ nhiệm đề tài Nguyễn Đức Hiển Đà Nẵng, 12/2018 i MỤC LỤC MỤC LỤC i DANH MỤC HÌNH VẼ iii DANH MỤC BẢNG BIỂU iv DANH MỤC CÁC TỪ VIẾT TẮT v THÔNG TIN KẾT QUẢ NGHIÊN CỨU vi MỞ ĐẦU 1 Tổng quan Tính cấp thiết đề tài Mục tiêu đề tài Cách tiếp cận phương pháp nghiên cứu Đối tượng phạm vi nghiên cứu Nội dung nghiên cứu Chương TRÍCH XUẤT MƠ HÌNH MỜ HƯỚNG DỮ LIỆU DỰA TRÊN MÁY HỌC VÉC-TƠ HỖ TRỢ 1.1 Cơ logic mờ 1.1.1 Lý thuyết tập mờ 1.1.2 Luật mờ “IF-THEN” 1.1.3 Mơ hình mờ hướng liệu 1.1.4 Mơ hình mờ Mamdani 10 1.1.5 Mơ hình mờ TSK 12 1.2 Máy học véc-tơ hỗ trợ 15 1.2.1 Lý thuyết máy học Véc-tơ hỗ trợ 15 1.2.2 Máy học Véc-tơ hỗ trợ cho vấn đề tối ưu hóa hồi qui 17 1.3 Trích xuất mơ hình mờ TSK từ máy học véc-tơ hỗ trợ 20 Chương CÁC GIẢI PHÁP TỐI ƯU HÓA TẬP LUẬT MỜ TRÍCH XUẤT TỪ DỮ LIỆU DỰA VÀO MÁY HỌC VÉC-TƠ HỖ TRỢ 26 2.1 Kỹ thuật gom cụm k-Means 26 2.2 Rút gọn tập luật mờ TSK trích xuất kỹ thuật gom cụm 28 ii 2.3 Tối ưu hóa tham số hàm thành viên 28 2.4 Lựa chọn giá trị tham số epsilon 28 2.5 Thuật toán đề xuất 29 2.6 Tổ chức thực nghiệm 32 2.6.1 Mô tả thực nghiệm 32 2.6.2 Bài toán hồi quy phi tuyến 33 2.6.3 Bài toán dự báo liệu chuỗi thời gian hỗn loạn Mackey-Glass 36 2.6.4 Hệ thống Lorenz 39 Chương MƠ HÌNH TÍCH HỢP NHIỀU GIAI ĐOẠN CHO BÀI TỐN DỰ BÁO DỮ LIỆU CHUỐI THỒI GIAN 43 3.1 Đề xuất mơ hình mờ dự báo liệu chuỗi thời gian 43 3.1.1 Lựa chọn liệu đầu vào 44 3.1.2 Phân cụm liệu đầu vào 44 3.2 Mơ hình thực nghiệm dự báo liệu chuỗi thời gian tài 46 3.2.1 Mơ hình thực nghiệm 46 3.2.2 Thông số đánh giá mơ hình 47 3.2.3 Lựa chọn nguồn liệu 48 3.2.4 Lựa chọn liệu đầu vào 49 3.2.5 Kết thực nghiệm mơ hình dự báo giá cổ phiếu 50 KẾT LUẬN VÀ KIẾN NGHỊ 57 TÀI LIỆU THAM KHẢO i iii DANH MỤC HÌNH VẼ Hình 1.1 Đồ thị hàm thành viên phổ biến: (a) tam giác, (b) hình thang, (c) Gauss Hình 1.2 Cấu trúc mơ hình mờ Hình 1.3 Hình ảnh phân lớp với SVM 16 Hình 1.4 Sự tương đương SVM Mơ hình mờ TSK 21 Hình 1.5 Sơ đồ khối thuật tốn trích xuất mơ hình mờ TSK từ máy học véc-tơ hỗ trợ 25 Hình 2.1 Mối quan hệ số lượng véc-tơ hỗ trợ tham số 𝜀 (giá trị 𝜀 tương ứng theo thứ tự hình vẽ 0.5, 0.2, 0.1 0.01) 29 Hình 2.2 Thuật tốn fm-SVM* trích xuất mơ hình mờ TSK từ máy học véc-tơ hỗ trợ có lựa chọn giá trị tham số tối ưu 30 Hình 2.3 Phân bố hàm thành viên mờ: (a) trường hợp 50 luật ứng với 𝜀 = 0.0 (b) trường hợp luật ứng với 𝜀 = 0.1 (chưa tối ưu hóa phân bố hàm viên k-Means) 34 Hình 2.4 Kết mơ hình tối ưu hóa phân bố hàm thành viên cách kết họp kỹ thuật phân cụm k-Means (RMSE = 0.0183) 35 Hình 2.5 Kết dự đốn 200 mẫu liệu xác thực thực nghiệm 2.5.3 (trường hợp RMSE = 0.0092) 38 Hình 2.6 (a) Kết mơ hình tối ưu hóa (RMSE = 0.0043), (b)(c)(d) Phân bố hàm thành viên tương ứng với x(t-1), y(t-1) z(t-1) 41 Hình 3.1 Mơ hình nhiều giai đoạn cho tốn dự báo liệu chuỗi thời gian 43 Hình 3.2 Mơ hình dự đoán giá cổ phiếu kết hợp SOM fm-SVM* 46 iv DANH MỤC BẢNG BIỂU Bảng 2.1 Tập luật trích xuất từ mơ hình tối ưu hóa 34 Bảng 2.2 So sánh kết mơ hình qua thơng số RMSE 35 Bảng 2.3 Diễn dịch ngôn ngữ cho luật Bảng 2.1 36 Bảng 2.4 Tập luật trích xuất từ 800 mẫu liệu huấn luyện thực nghiệm 2.5.3 37 Bảng 2.5 So sánh kết mơ hình qua thơng số RMSE 39 Bảng 2.6 Tập luật trích xuất từ 1000 mẫu liệu huấn luyện 40 Bảng 2.7 So sánh kết mơ hình qua thơng số RMSE 42 Bảng 3.1 Các thông số đo lường 47 Bảng 3.2 Nguồn liệu thực nghiệm 49 Bảng 3.3 Thể thuộc tính lựa chọn cơng thức tính chúng 50 Bảng 3.4 Kết thử nghiệm mơ hình SVM ngun thủy 51 Bảng 3.5 Kết thử nghiệm mơ hình RBN 51 Bảng 3.6 Kết thử nghiệm mô hình SOM+SVM 52 Bảng 3.7 Kết thử nghiệm mơ hình SOM+ANFIS 52 Bảng 3.8 Kết thử nghiệm mơ hình SOM+fm-SVM 53 Bảng 3.9 Kết thử nghiệm mơ hình SOM+fm-SVM* 54 Bảng 3.10 Tập luật phân cụm trích xuất từ liệu huấn luyện cổ phiếu S&P500 55 v DANH MỤC CÁC TỪ VIẾT TẮT SVM Support Vector Machine fm-SVM SVM-Based fuzzy model SOM Self Organizing Map GA Genetic Algorithm SV Support Vector RMSE Root Mean Squared Error MAE Mean Absolute Error MNSE Nomalized Mean Squared Error DS Directional Symmetry vi ĐẠI HỌC ĐÀ NẴNG TRƯỜNG CĐ CƠNG NGHỆ THƠNG TIN CỘNG HỊA XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc lập – Tự – Hạnh phúc THƠNG TIN KẾT QUẢ NGHIÊN CỨU Thơng tin chung: - Tên đề tài: Một số giải pháp tối ưu tập luật mờ TSK trích xuất từ máy học Véc-tơ hỗ trợ hồi quy - Mã số: T2018-………… - Chủ nhiệm: NGUYỄN ĐỨC HIỂN - Thành viên tham gia: - Cơ quan chủ trì: TRƯỜNG CAO ĐẲNG CƠNG NGHỆ THÔNG TIN - Thời gian thực hiện: 04/2018 – 12/2018 Mục tiêu: Trong nghiên cứu này, mong muốn tìm hiểu, tổng hợp, đề xuất thực nghiệm số giải pháp nhằm rút gọn, tối ưu hóa tập luật mờ TSK trích xuất từ máy học véc- tơ hỗ trợ Tính sáng tạo: Đề xuất mơ hình xun suốt với mục tiêu tối ưu tập luật mờ TSK trích xuất từ máy học véc-tơ hỗ trợ cho toán dự báo hồi quy Tóm tắt kết nghiên cứu: • Đối với lý thuyết mơ hình hóa mờ (fuzzy modelling) máy học véc-tơ hỗ trợ, đề tài nghiên cứu lý thuyết tốn học mơ hình mờ TSK, mơ hình máy học SVM cho toán phân lớp toán tối ưu hóa hồi quy • Đối với giải pháp tối ưu hóa mơ hình mờ hướng liệu dựa máy học véctơ hỗ trợ hồi quy, đề tài nghiên cứu giải pháp tối ưu hóa tham số hàm thành viên mờ, rút gọn tập luật mờ trích xuất kỹ thuật phân cụm k-Means vii • Đối với việc xây dựng mơ hình mờ giải toán dự báo hồi quy, đề tài đề xuất mơ hình xun suốt từ việc phân cụm liệu đầu việc xác định giá trị tham số tối ưu thử nghiệm dự báo dựa vào mơ hình Tên sản phẩm: • Bài báo khoa học đăng kỷ yếu Hội nghị khoa học Fair’11 năm 2018: Nguyễn Đức Hiển, Lê Mạnh Thạnh, Một số giải pháp tối ưu tập luật mờ TSK trích xuất từ máy học véc-tơ hỗ trợ hồi quy, Kỷ yếu Hội nghị koa học Fair’11 (Accepted) • Thuật tốn fm-SVM*, mơ hình đề xuất cho tốn dự báo liệu chuỗi thời gian số kết thực nghiệm toán dự báo liệu chuỗi thời gian tài • Một báo cáo tổng kết đề tài nghiên cứu khoa học Hiệu quả, phương thức chuyển giao kết nghiên cứu khả áp dụng: • Hiệu mặt giáo dục - đào tạo: Kỹ thuật trích xuất luật mờ từ liệu dựa máy học véc-tơ hỗ trợ với thuật tốn fm-SVM* mơ hình tích hợp nhiều giai đoạn cho toán dự báo liệu chuỗi thời gian hướng để sinh viên ngành CNTT phát triển ứng dụng khai phá liệu, hệ chuyên gia dự báo, • Hiệu mặt khoa học: đóng góp đề tài đề xuất thuật tốn – fmSVM* cho phép trích xuất mơ hình mờ từ máy học véc-tơ hỗ trợ mơ hình mờ hướng liệu tích hợp nhiều giai đoạn cho toán dự báo liệu chuỗi thời gian • Về sản phẩm ứng dụng: Mơ hình đề xuất thiết kế cho việc xây dựng mơ hình mờ hướng liệu để giải toán phân tích liệu tài chính, hệ chuyên gia dự đốn, dự báo Hình ảnh, sơ đồ minh họa viii Hình 1.4 Sự tương đương SVM Mơ hình mờ TSK ix Begin Input: - Tập liệu huấn luyện H - Tham số lỗi ɛ Khởi tạo tham số SVM: C, ɛ, σ Huấn luyện SVM để trích xuất véc-tơ hỗ trợ: Centers: ci , i=1,2, ,m Variances: σi , i=1,2,…,m Trích xuất luật mờ dựa vào véc-tơ hỗ trợ: IF x is Gaussmf(ci ,σi) THEN y is B Tối ưu hóa tham số hàm thành viên Output: Mơ hình mờ TSK End Hình 1.5 Sơ đồ khối thuật tốn trích xuất mơ hình mờ TSK từ máy học véc-tơ hỗ trợ (thuật toán fm-SVM) 57 KẾT LUẬN VÀ KIẾN NGHỊ Nghiên cứu đề xuất số giải pháp để tối ưu hóa mơ hình mờ TSK trích xuất từ máy học véc-tơ hỗ trợ giải toán dự báo hồi quy Thuật toán fmSVM* đề xuất cho phép điều chỉnh lựa chọn giá trị tham số ε k sở sử dụng tập liệu Validation Các kết thực nghiệm liệu thử nghiệm cho thấy mơ hình dự đoán đề xuất thật mang lại hiệu thể chỗ: độ xác kết dự đoán cao tương tương đương so với mơ hình khác, thể qua giá trị thơng số NMSE, MAE DS, số lượng luật mờ mơ hình rút gọn đáng kể Như trình bày Chương 3, hiệu mang lại việc rút gọn gom cụm luật mờ trích xuất giảm độ phức tạp trình suy luận, đồng thời giúp cho việc diễn dịch phân tích luật dễ dàng Trong định hướng nghiên cứu tiếp theo, nghiên cứu giải pháp để tích hợp luật chuyên gia với tập luật mờ hướng liệu nhằm nâng cao hiệu dự đốn Trên sở mơ hình đề xuất, mong muốn hợp tác với sinh viên, chuyên gia phát triển phần mềm để phát triển ứng dụng cụ thể thiết thực giải toán dự đoán, dự báo thực tế, cụ thể như: chứng khốn, thời tiết, Chúng tơi xin chân thành cảm ơn i TÀI LIỆU THAM KHẢO Tiếng Việt [1] Bùi Cơng Cường, Nguyễn Dỗn Phước (2006), Hệ mờ, mạng nơron ứng dụng, NXB Khoa học Kỹ thuật [2] Trần Quang Duy, Nguyễn Công Điều, Vũ Như Lân (2015), Dự báo chuỗi thời gian mờ dựa đại số gia tử, Kỷ yếu công trình khoa học 2015 - Phần I, Trường Đại học Thăng Long, 30-46 [3] Nguyễn Cát Hồ, Điều Nguyễn Công, Lân Vũ Như (2016), Ứng dụng đại số gia tử dự báo chuỗi thời gian mờ, Journal of Science and Technology, 54(2), 161 [4] Đào xuân Kỳ (2017), Ứng dụng mơ hình xích Markov chuỗi thời gian mờ dự báo, Luận án Tiến sỹ Toán học [5] Nguyễn Thiện Luận (2015), Lý thuyết mờ ứng dụng tin học, Nhà xuất thống kê [6] Dương Thăng Long (2010), Phương pháp xây dựng hệ mờ dạng luật với ngữ nghĩa dựa đại số gia tử ứng dụng toán phân lớp, Luận án tiến sĩ Tốn học, Viện Cơng nghệ Thơng tin - Viện Khoa học Công nghệ Việt Nam [7] Vạn Duy Thanh Long, Lê Minh Duy, Nguyễn Hoàng Tú Anh (2011), Phương pháp dự đoán xu hướng cổ phiếu dựa việc kết hợp K-means SVM với ước lượng xác suất lớp, Đại học quốc gia – Tp HCM [8] Đỗ Thanh Nghị, Nguyễn Minh Trung, Phạm Nguyên Khang (2014), Phân lớp liệu với giải thuật Newton-SVM, Tạp chí khoa học Trường Đại học Cần Thơ, 32, 35-41 [9] Nguyễn Đình Thuận, Hồ Cơng Hồi (2018), Kết hợp mơ hình arima support vector machine (SVM) để dự báo công ty dịch vụ trực tuyến cộng đồng việt, Hội nghị Fair’11 [10] Hoàng Trọng, Chu Nguyễn Mộng Ngọc (2007), Thống kê ứng dụng kinh tế xã hội, Nhà xuất Thống kê Tiếng Anh [11] Abhishek Verma, Prashant Shukla, Abhishek, Shekhar Verma (2018), An Interpretable SVM Based Model for Cancer Prediction in Mammograms, First International Conference -CNC 2018 [12] Abonyi, J., Babuska, R., Szeifert, F (2001), Fuzzy modeling with multivariate membership fuctions: Gray-box identification and control design, IEEE Transactions on Systems, Man, and Cybernetics, Part B: Cybernetics, 31(5), 755-767 [13] A.J Smola and B Scholkopf (1998), A Tutorial on Support Vector Regression, NEUROCOLT2 echnical Report Series, NC2-TR- 1998-030 [14] Andri Riid, Ennu Rüstern (2014), Adaptability, interpretability and rule weights in fuzzy rule-based systems, Information Sciences 257, 301–312 ii [15] Anuchin Chatchinarat, K W Wong, Chun Che Fung (2017), Rule extraction from electroencephalogram signals using support vector machine, 9th International Conference on Knowledge and Smart Technology (KST) [16] B Scholkopf, P Bartlett, A Smola and R Williamson (1998), Shrinking the Tube: A New Support Vector Regression Algorithm, NIPS Conference, Denver, Colorado, USA, November 30 - December [17] C F F Carraro, M Vellasco, R Tanscheit (2013), A Fuzzy-Genetic System for Rule Extraction from Support Vector Machines, IEEE [18] Chen G and Pham T.T (2001), Fuzzy Sets, Fuzzy Logic and Fuzzy Control Systems, CRC Press, USA [19] Chia-Feng Juang, Cheng-Da Hsieh (2012), A Fuzzy System Constructed by Rule Generation and Iterative Linear SVR for Antecedent and Consequent Parameter Optimization, IEEE TRANSACTIONS ON FUZZY SYSTEMS, VOL 20, NO [20] Chih-Chung Chang and Chih-Jen Lin (2011), LIBSVM : a library for support vector machines, ACM Transactions on Intelligent Systems and Technology, 2:27:1 27:27 Software available at http://www.csie.ntu.edu.tw/~cjlin/libsvm (access time: 18/11/2018) [21] Chuanhou Gao, Qinghuan Ge, and Ling Jian (2014), Rule Extraction From FuzzyBased Blast Furnace SVM Multiclassifier for Decision-Making, IEEE TRANSACTIONS ON FUZZY SYSTEMS, VOL 22, NO [22] Christan Pierdzioch, Jorg Dopke, Daniel Hartmann (2008), Forecasting stock market volatility with macroeconomic variables in real time Journal of Economics and Business 60, 256-276 [23] Corinna Cortes and Vladimir Vapnik (1995), Support-Vector Networks Machine Learning, 20, 273-297 [24] D Martens et al (2008), Rule Extraction from Support Vector Machines: An Overview of Issues and Application in Credit Scoring, Studies in Computational Intelligence (SCI) 80, 33–63 [25] Erol Egrioglu, Yaprak Aslan, Cagdas Hakan Aladag (2014), A New Fuzzy Time Series Method Based On Artificial Bee Colony Algorithm, An Official Journal of Turkish Fuzzy Systems Association, Vol.5, No.1, pp 59-77 [26] Francis Eng Hock Tay, Li Yuan Cao (2001), Improved financial time series forecasting by combining Support Vector Machines with self-organizing feature map Intelligent Data Analysis 5, IOS press, 339-354 [27] George Bojadjev, Maria Bojadjev (2007), Fuzzy logic for Business, Finance, and Management, World Scientific Publishing Co Pte Ltd [28] Hajizadeh E., Ardakani H D., Shahrabi J (2010), Application Of Data Mining Techniques In Stock Markets: A Survey Journal of Economics and International Finance Vol 2(7), 109-118 iii [29] Hexiang Bai, Yong Ge, Jinfeng Wang, Deyu Li, Yilan Liao, Xiaoying Zheng (2014), A method for extracting rules from spatial data based on rough fuzzy sets, Knowledge-Based Systems, 57, 28–40 [30] H.P Oak, and Shrikant J Honade (2015), ANFIS Based Short Term Load Forecasting, International Journal of Current Engineering and Technology, Vol.5, No.3 [31] H P Oak, S J Honade (2015), A Survey on Short Term Load Forecasting, Special Issue of International Journal of Electronics, Communication & Soft Computing Science and Engineering, National Conference on Advanced Technologies in Computing and Networking - ATCON [32] Isaac Ibidapo, Ayodele Adebiyi & Olatunji Okesola (2017), Soft Computing Techniques for Stock Market Prediction: A Literature Survey, Covenant Journal of Informatics & Communication Technology Vol No [33] Jang, J.-S R (1993), Anfis: adaptive-network-based fuzzy inference system, IEEE Tracsctions on Systems, Man and Cybernetic, 23(3), 665-685 [34] Jin Gou, Feng Hou, Wenyu Chen, Cheng Wang, Wei Luo (2015), Improving Wang– Mendel method performance in fuzzy rules generation using the fuzzy C-means clustering algorithm, Neurocomputing 151, 1293–1304 [35] J.-H Chiang and P.-Y Hao (2004), Support vector learning mechanism for fuzzy rulebased modeling: a new approach IEEE Trans On Fuzzy Systems, vol 12, 1-12 [36] J.L Castro, L.D Flores-Hidalgo, C.J Mantas and J.M Puche (2007), Extraction of fuzzy rules from support vector machines, Elsevier Fuzzy Sets and Systems, 158, 2057 – 2077 [37] John Yen, Rezza Langari, Fuzzy logic (1999): Intelligence, Control, and Information, Prentice hall, Upper saddle river, New jersy 07458 [38] J.-S R Jang and C.-T Sun (1993), Functional equivalence between radial basis function networks and fuzzy inference systems, IEEE Transactions on Neural Networks, vol 4, no 1, 156-159 [39] Juha Vesanto, Johan Himberg, Esa Alhoniemi, and Jaha Parhankangas (1999), Selforganizing map in Matlab: the SOM Toolbox, Proceedings of the Matlab DSP Conference 1999, 35-40 Toolbox available at http://www.cis.hut.fi/projects/somtoolbox/ [40] Juan C Figueroa-García, Cynthia M Ochoa-Rey, José A Avellaneda-González (2015), Rule generation of fuzzy logic systems using a self-organized fuzzy neural network, Neurocomputing– ELSEVIER, 151, 955–962 [41] Kreesuradej W., Wunsch D., Lane M (1994), Time-delay Neural Network for Small Time Series Data Sets, in World Congress Neural Networks, San Diego, CA, vol 2, II-248II-253 iv [42] L Martin, E Herrera-Viedma, F Herrera, M Delgado (1996), Combining Numerical and Linguistic Information in Group Decision making, Journal of Information Sciences, no 107, 177-194 [43] Lee C.S George and Lin C.T (1995), Neural Fuzzy Systems: A Neuro-Fuzzy Synergism to Intelligent Systems, Prentice-Hall International, Inc [44] L.J Cao and Francis E.H Tay (2003), Support vector machine with adaptive parameters in Financial time series forecasting, IEEE trans on neural network, vol 14, no [45] Lorenz E N (1963), Deterministic nonperiodic flow, Journal of the Atmospheric Sciences, vol 20, 130–141 [46] Lua W, Chen X, Pedryczc W, Liu X, Yang J (2015), Using interval information granules to improve forecasting in fuzzy time series International Journal of Approximate Reasoning, 57, 1–18 [47] MacQueen J B (1967), Some Methods for classification and Analysis of Multivariate Observations, Proceedings of 5-th Berkeley Symposium on Mathematical Statistics and Probability, Berkeley, University of California Press, 1:281-297 [48] Mark Steyvers, Padhraic Smyth, and Chaitanya Chemuduganta (2011), Combining Background Knowledge and Learned Topics, Topics in Cognitive Science, Volume 3, Issue 1, 18–47 [49] Mamdani, E., Asilan, S (1999), Experiment in linguistic synthesis with a fuzzy locgic controller, International Journal of Human Cumputer Studies, 51(2), 135-147 [50] Mamdani, E.H (1974), Application of fuzzy algorithms for control of single dymanic plat, Proceedings of the Intitutio of Electrical Engineers, 121(12), 1585-1588 [51] M.C MacKey and L Glass (1997), Oscillation and chaos in physiological control systems, Science, vol 197, 287–289 [52] Md Rafiul Hassan, Baikunth Nath, Michael Kirley (2007), A fusion model of HMM, ANN and GA for stock market forecasting, Expert Systems with Applications 33, 171–18 [53] Meizhen Liu, Chunmei Duan (2018), A Review of Using Support Vector Machine Theory to Do Stock Forecasting, 2018 International Conference on Network, Communication, Computer Engineering [54] Muhammad Saleheen Aftab, Muhammad Bilal Kadri (2013), Parameter Identification of Takagi-Sugeno Fuzzy Model of Surge Tank System, IEEE [55] Nahla Barakat, Andrew P Bradley (2010), Rule extraction from support vector machines: A review, Neurocomputing – ELSEVIER, 74, 178–190 [56] O Maimon, L Rokach (2005), Data mining and knowledge discovery handbook, Springer, New York [57] Ouahib Guenounoua, Boutaib Dahhoub, Ferhat Chabour (2015), TSK fuzzy model with minimal parameters, Applied Soft Computing, 30, 748–757 v [58] Platt J C (1999), Fast Training Of Support Vector Machines Using Sequential Minimal Optimization, MIT Press, Cambridge, MA, USA [59] Prashant Shukla, Abhishek, Shekhar Verma (20170, A compact fuzzy rule interpretation of SVM classifier for medical whole slide images, IEEE Region 10 Conference [60] R Courant, D Hilbert (1953), Methods of Mathematical Physics Wiley, New York [61] R Sindelar and R Babuska (2004), Input selection for nonlinear regression models, IEEE Trans on Fuzzy Systems, vol 12, no 5, 688-696 [62] S Chen, J Wang and D Wang (2008), Extraction of fuzzy rules by using support vector machines IEEE, Computer society, 438-441 [63] Serge Guillaume, Luis Magdalena (2006), Expert guided integration of induced knowledge into a fuzzy knowledge base, Soft Comput, Springer-Verlag, 10: 773–784 [64] Sheng-Hsun Hsu, JJ Po-An Hsieh, Ting-Chih CHih, Kuei-Chu Hsu (2009), A twostage architecture for stock price forecasting by integrating self-organizing map and support vector regression, Expert system with applications 36, 7947-7951 [65] Shri Bharathi, Angelina Geetha (2017), Sentiment Analysis for Effective Stock Market Prediction, International Journal of Intelligent Engineering and Systems, Vol.10, No.3, 146154 [66] Shumeet Baluja (2002), Using a priori knowledge to create probabilistic models for optimization, International Journal of Approximate Reasoning, Volume 31, Issue 3, 193220 [67] Sugeno, M (1985), Industrial Applications of Fuzzy Control, North Holland [68] Sugeno, M., Yasukawa, T (1993), Fuzzy-logic-based approach to qualitative modeling, IEEE Transactions on Fuzzy Systems, 1(1), 7-31 [69] Stuart Rusell, Perter Norvig (1989), Artificial Intelligence: A Modern Approach, Second Editor, Prentice Hall - Series in Artificial Intelligence [70] Teuvo Kohonen (1998), The self-organizing map, Elsevier, Neurocomputing 21, 1-6 [71] T.G Dietterich (1997), Machine learning research: Four current directions, AI Magazine, 18(4), 97-136 [72] Tulleken, H (1993), Grey-box modelling and indentification using physical knowledge and bayesian techniques, Automatica, 29(2), 285-308 [73] V.A Parasich, A.V Parasich, I.V Parasich (2017), methods and principles of using a priori knowledge in recognition tasks, Вестник ЮУрГУ Серия «Компьютерные технологии, управление, радиоэлектроника, Т 17, № С 15–23 [74] Vladimir Cherkassky and Yunqian Ma (2004), Practical Selection of SVM Parameters and Noise Estimation for SVM Regression, Neural Networks, Vol 17, Issue 1, Elsevier, 113126 vi [75] Volkan Uslan, Huseyin Seker (2013), Support Vector-Based Takagi-Sugeno Fuzzy System for the Prediction of Binding Affinity of Peptide, 35th Annual International Conference of the IEEE [76] Xianchang Wang, Xiaodong Liu, Witold Pedrycz, Lishi Zhang (2015), Fuzzy rule based decision trees, Pattern Recognition– ELSEVIER, 48, 50–59 [77] Ying H (1998), General Tagaki-Sugeno fuzzy systems with simplifier linear rule consequent are universal controllers, models and filters, Journal of Information Sciences, no 108, 91-107 [78] Y Jin and B Sendhoff (2003), Extracting interpretable fuzzy rules from RBF networks, Neural Processing Letters, vol 17, no 2, 149-164 [79] Y Jin, W.V Seelen, and B Sendhoff (1999), On generating FC3 fuzzy rule systems from data using evolution strategies, IEEE Transactions on cybernetics, Volume 29 Issue 6, 829-845 [80] Yolcu, Ufuk Cagcag, Ozge Aladag, Cagdas Hakan Egrioglu, Erol (2014), An enhanced fuzzy time series forecasting method based on artificial bee colony, Journal of Intelligent & Fuzzy Systems, vol 26, no 6, 2627-2637 [81] Younes Chtioui, Suranjan Panigrahi, Leonard Francl (1999), A generalized regression neural network and its application for leaf wetness prediction to forecast plant disease, Chemometrics and Intelligent Laboratory System 48, 47-58 [82] Zadeh L.A (1965), Fuzzy sets, Information and Control 8, 338-358 [83] Zadeh L.A (1997), Towward a theory of fuzzy information granulation and its centraliy in human reasoning and fuzzy logic, Fuzzy sets and Systems, 90(2), 111-127 [84] Zadeh L.A (2000), Fuzzy sets and fuzzy information granulation theory – key selected papers, Beijing Normal University Press, China [85] Zhe Gao, and Jianjun Yang (2014), Financial Time Series Forecasting with Grouped Predictors using Hierarchical Clustering and Support Vector Regression, International Journal of Grid Distribution Computing Vol.7, No.5, 53-64 [86] Wang and Mendel (1992), Fuzzy basis functions, universal approximation, and orthogonal least-squares learning, IEEE Transactions on Neural Networks, vol 3, no 5, 807-814 [87] Weibei Dou, Ruan, S., Chen, Y., Bloyet, D., and Constans, J.-M (2007), A framework of fuzzy information fusion for the segmentation of brain tumor tissues on RM images, Image and Vision Computing, vol 25, no 2, 164-171 [88] Wen Fenghuaa, Xiao Jihongb, He Zhifanga, Gong Xua (2014), Stock Price Prediction Based on SSA and SVM, ScienceDirect, Procedia Computer Science 31, 625 – 631 ĐẠI HỌC ĐÀ NẴNG CỘNG HOÀ XÃ HỘI CHỦ NGHĨA VIỆT NAM TRƯỜNG CĐ CÔNG NGHỆ THÔNG TIN Độc lập - Tự - Hạnh phúc THUYẾT MINH ĐỀ TÀI KHOA HỌC & CÔNG NGHỆ CẤP CƠ SỞ (DO TRƯỜNG CAO ĐẲNG CÔNG NGHỆ THÔNG TIN QUẢN LÝ) Một số giải pháp tối ưu tập luật mờ TSK trích MÃ SỐ xuất từ máy học Véc-tơ hỗ trợ hồi quy TÊN ĐỀ TÀI: LĨNH VỰC NGHIÊN CỨU LOẠI HÌNH NGHIÊN CỨU Mơi trường Tự nhiên Kỹ thuật Kinh tế; XH-NV Nơng Lâm ATLĐ Y Dược Sở hữu trí tuệ Giáo dục THỜI GIAN THỰC HIỆN x Cơ Ứng dụng x x Triển Khai 09 tháng Từ tháng 04 năm 2018 đến tháng 12 năm 2018 CƠ QUAN CHỦ TRÌ ĐỀ TÀI (đơn vị thành viên ĐHĐN) Tên quan: Trường Cao đẳng Công nghệ Thông tin Điện thoại: 0236.3667117 E-mail: Địa chỉ: Làng Đại học, Phường Hòa Quý, Q Ngũ Hành Sơn, TP Đà Nẵng Họ tên thủ trưởng quan chủ trì: PGS.TS Huỳnh Công Pháp CHỦ NHIỆM ĐỀ TÀI Họ tên: NGUYỄN ĐỨC HIỂN Chức danh khoa học: Địa quan: Khoa CNTT, CĐ CNTT Điện thoại quan: 0236.3667118 Di động: 0905734949 E-mail: ndhien@cit.udn.vn Học vị: Thạc sĩ Năm sinh: 1973 Địa nhà riêng: 47 Đặng Thùy Trâm Điện thoại nhà riêng: Fax: 0236.3667116 NHỮNG THÀNH VIÊN THAM GIA NGHIÊN CỨU ĐỀ TÀI TT Họ tên Đơn vị công tác lĩnh vực chuyên môn Nội dung nghiên cứu cụ thể giao Chữ ký ĐƠN VỊ PHỐI HỢP CHÍNH Tên đơn vị nước Nội dung phối hợp nghiên cứu Họ tên người đại diện đơn vị 10 TỔNG QUAN TÌNH HÌNH NGHIÊN CỨU THUỘC LĨNH VỰC CỦA ĐỀ TÀI Ở TRONG VÀ NGOÀI NƯỚC 10.1 Trong Ngồi nước (phân tích, đánh giá tình hình nghiên cứu thuộc lĩnh vực đề tài giới, liệt kê danh mục cơng trình nghiên cứu, tài liệu có liên quan đến đề tài trích dẫn đánh giá tổng quan) Vấn đề trích xuất mơ hình mờ từ máy học Support-vector nhóm tác giả J.-H Chiang P.-Y Hao nghiên cứu công bố lần [3] Theo hướng tiếp cận này, nhiều tác giả nghiên cứu đề xuất ứng dụng kỹ thuật rút trích luật mờ từ SVM cho việc phát triển mơ hình mờ hướng liệu cho toán phân lớp [1][4][6], dự báo hồi quy [7][6][7] Có ý kiến cho khác biệt chủ yếu hệ thống mờ dựa máy học Véc-tơ hỗ trợ mơ hình máy học Véc-tơ hỗ trợ nguyên thủy đặc tính “có thể diễn dịch được” [4][6]; đặc tính cho phép hệ thống mờ dễ hiểu so với mô hình máy học Véc-tơ hỗ trợ Hay nói theo cách khác mơ hình mờ dựa máy học Véc-tơ hỗ trợ khắc phục đặc tính “hộp đen” (black box) mơ hình máy học Véc-tơ hỗ trợ ngun thủy Bên cạnh đó, tập luật trích xuất tự động từ liệu thông qua học máy có nhiều khiếm khuyết liệu ngẫu nhiên bị lỗi (nhiễu), thiếu tính đặc trưng, thiếu tính bao phủ Vì vậy, việc hiểu tập luật để hiệu chỉnh, bổ sung, tối ưu hóa thật cần thiết Các nghiên cứu nhằm tích hợp tri thức chun gia với mơ hình mờ hướng liệu tìm thấy [2][5][7][8] Tuy nhiên với tập luật có số lượng lớn việc hiểu diễn dịch chúng, đồng thời phân tích tích hợp chúng với tri thức có tính chất tinh túy chuyên gia, thật khó khăn Đối với mơ hình máy học thống kê dựa liệu độ tin cậy kết học tỷ lệ thuận với số lượng mẫu liệu huấn luyện Điều đồng nghĩa với việc để tăng độ tin cậy tập luật mờ học cần thiết phải tăng số lượng mẫu liệu huấn luyện Và số lượng luật tập luật học tăng lên, với độ nhiễu tập luật đồng thời tăng lên Bên cạnh đó, thời gian huấn luyện và thời gian suy diễn dựa tập luật tất yếu tăng lên Phân cụm giải pháp áp dụng để giảm độ phức tạp liệu đầu vào giai đoạn tiền xử lý liệu trước đưa vào máy học [9][10][11] Một đặc điểm đáng lưu ý máy học Véc-tơ hỗ trợ tính xác mơ hình thu tỷ lệ thuận với số lượng Support-vector sinh [7][4][6] Nói cách khác tăng hiệu suất mơ hình đồng nghĩa với việc làm giảm tính “có thể hiểu được” (hay cịn gọi “có thể diễn dịch được” interpretability) mơ hình Như vấn đề đặt làm trích xuất hệ thống mờ đảm bảo tính xác dự đốn, đồng thời đảm bảo đặc tính “có thể diễn dịch được” Nghiên cứu [12] giải pháp cho phép tối ưu hóa tập luật mờ trích xuất từ máy học SVM cách tích hợp với tri thức tiên nghiệm 1) David Martens, Johan Huysmans, Rudy Setiono, Jan Vanthienen, Bart Baesens,: Rule Extraction from Support Vector Machines - An Overview of issues and application in credit scoring, Studies in Computational Intelligence (SCI) 80, 33–63, 2008 2) Dou, W., Ruan, S., Chen, Y., Bloyet, D., and Constans, J.-M,: A framework of fuzzy information fusion for the segmentation of brain tumor tissues on RM images, Image and Vision Computing, vol 25, no 2, 164-171, 2007 3) J.-H Chiang and P.-Y Hao,: Support vector learning mechanism for fuzzy rule-based modeling: a new approach IEEE Trans On Fuzzy Systems, vol 12, pp 1-12, 2004 4) J.L Castro, L.D Flores-Hidalgo, C.J Mantas and J.M Puche,: Extraction of fuzzy rules from support vector machines Elsevier Fuzzy Sets and Systems, 158, 2057 – 2077, 2007 5) M Delgado, F Herrera, E Herrera-Viedma, L Martin,: Combining Numerical and Linguistic Information in Group Decision making, Journal of Information Sciences, 1996 6) Nahla Barakat, Andrew P Bradley,: Rule extraction from support vector machines: A review, Neurocomputing – ELSEVIER, 74, 178–190, 2010 7) S Chen, J Wang and D Wang,: Extraction of fuzzy rules by using support vector machines IEEE, Computer society, pp 438-441, 2008 8) Serge Guillaume, Luis Magdalena,: Expert guided integration of induced knowledge into a fuzzy knowledge base, Soft Comput, Springer-Verlag, 10: 773–784, 2006 9) Francis Eng Hock Tay and Li Yuan Cao,: Improved financial time series forecasting by combining Support Vector Machines with self-organizing feature map Intelligent Data Analysis 5, IOS press 2001, 339-354 10) Sheng-Hsun Hsu, JJ Po-An Hsieh, Ting-Chih CHih, Kuei-Chu Hsu,: A two-stage architecture for stock price forecasting by integrating self-organizing map and support vector regression, Expert system with applications 36, 2009, 7947-7951 11) Vạn Duy Thanh Long, Lê Minh Duy, Nguyễn Hoàng Tú Anh,: Phương pháp dự báo xu hướng cổ phiếu dụa việc kết hợp K-means SVM với ước lượng xác suất lớp, Đại học quốc gia – Tp HCM, 2011 12) Duc-Hien Nguyen, Manh-Thanh Le,: Improving the Interpretability of Support Vector Machines-based Fuzzy Rules, Advances in Smart Systems Research, Future Technology Publications, ISSN: 2050-8662, No: Vol No 1, – 14, 3013 10.2 Danh mục cơng trình cơng bố thuộc lĩnh vực đề tài chủ nhiệm thành viên tham gia nghiên cứu (họ tên tác giả; báo; ấn phẩm; yếu tố xuất bản) 1) Ứng dụng mơ hình máy học Véc-tơ tựa (SVM) việc phân tích liệu điểm sinh viên Tạp chí Khoa học & Cơng nghệ Đại học Đà Nẵng Số 12(73).2013 Năm 2013 2) Improving the Interpretability of Support Vector Machines-based Fuzzy Rules Advances in Smart Systems Research, Future Technology Publications, PO Box 2115, United Kingdom ISSN: 20508662 No: Vol No 3013 3) A two-stage architecture for stock price forecasting by combining SOM and fuzzy-SVM International Journal of Computer Science and Information Security (IJCSIS), USA, ISSN: 19475500 No: Vol 12 No 8, 2014 4) Mơ hình hai giai đoạn dự báo giá cổ phiếu với K-mean Fuzzy-SVM Tạp chí Khoa học Cơng nghệ Đại học Đà Nẵng Số 12(84).2014 Năm 2014 5) Mô hình tích hợp f-SVM tri thức tiên nghiệm cho tốn dự báo hồi quy, Tạp chí Khoa học Đai học Huế Số T 106, S (2015) Năm 2015 6) Mơ hình mờ TSK dự đốn giá cổ phiếu dựa máy học véc-tơ hỗ trợ hồi quy Tạp chí khoa học Trường Đai học Cần Thơ Số chuyên đề Công nghệ thông tin (2015) Năm 2015 7) Tối ưu hóa mơ hình mờ TSK trích xuất từ máy học véc-tơ hỗ trợ hồi qui với tham số epsilon Tạp chí Khoa học Cơng nghệ Đại học Đà Nẵng Số 12(97).2015 Năm 2015 8) Hybrid model of Self-Organized Map and Integrated Fuzzy Rules with Support Vector Machine: Application to analysis Stock price Authors: Duc-Hien Nguyen, Van-Minh Le INTERNATIONAL CONFERENCE ON INFORMATION SYSTEM DESIGN AND INTELLIGENT APPLICATIONS (INDIA - 2017) No: Pages: 12-24 Year 11 TÍNH CẤP THIẾT CỦA ĐỀ TÀI Việc trích xuất tập luật mờ tự động từ máy học véc-tơ hỗ trợ có nhiều khiếm khuyết tập liệu huấn luyện phải lớn, tính ngẫu nhiên liệu dẫn đến tập luật nhiễu, thiếu tính đặc trưng, thiếu tính bao phủ Vì vậy, việc hiểu tập luật để hiệu chỉnh, bổ sung, tối ưu hóa thật cần thiết Tuy nhiên với tập luật có số lượng lớn việc hiểu diễn dịch chúng, đồng thời phân tích tích hợp chúng với tri thức có tính chất tinh túy chun gia, thật khó khăn Do vậy, thách thức đặt làm trích xuất tự động tập luật từ liệu, có hiệu dự đốn cao mà đảm bảo đủ đơn giản để phân tích qua dần tối ưu hóa tập luật 12 MỤC TIÊU ĐỀ TÀI Trong nghiên cứu này, mong muốn tìm hiểu, tổng hợp, đề xuất thực nghiệm số giải pháp nhằm rút gọn, tối ưu hóa tập luật mờ TSK trích xuất từ máy học véc- tơ hỗ trợ 13 ĐỐI TƯỢNG, PHẠM VI NGHIÊN CỨU 13.1 Đối tượng nghiên cứu - Mơ hình mờ TSK hướng liệu trích xuất từ máy học Véc-tơ hỗ trợ - Một số giải pháp tối ưu tập luật mờ TSK trích xuất từ mày học Véc-tơ hỗ trợ - Các mơ hình thực nghiệm 13.2 Phạm vi nghiên cứu: Cải thiện hiệu học hiệu sử dụng tập luật mờ TSK trích xuất từ máy học Véc-tơ hỗ trợ cho toán dự báo hồi quy 14 CÁCH TIẾP CẬN, PHƯƠNG PHÁP NGHIÊN CỨU 14.1 Cách tiếp cận: Tiếp cận từ thực tiễn lý thuyết - Tiếp cận thực tiễn: đưa vấn đề đánh giá kết - Tiếp cận lý thyết: đưa giải pháp 14.2 Phương pháp nghiên cứu: Từ kết thực tế trích xuất mơ hình mờ TSK kết nghiên cứu lý thuyết giải pháp nhằm tối ưu hóa mơ hình để tiến hành thực nghiệm; sau dề xuất mơ hình xun suốt để tối ưu tập luật TSK 15 NỘI DUNG NGHIÊN CỨU VÀ TIẾN ĐỘ THỰC HIỆN 15.1 Nội dung nghiên cứu (trình bày dạng đề cương nghiên cứu chi tiết) 1) Nghiên cứu thuật toán trích xuất mơ hình mờ TSK từ máy học Véc-tơ hỗ trợ 2) Nghiên cứu giải pháp tối ưu hóa tham số thuật tốn học mơ hình mờ TSK 3) Nghiên cứu thực nghiệm thuật tốn trích xuất mơ hình mờ tối ưu từ máy học SVM 4) Đề xuất mơ hình xun suốt với mục tiêu tối ưu tập luật mờ TSK trích xuất từ mãy học Véctơ hỗ trợ cho toán dự báo hồi quy 15.2 Tiến độ thực STT Các nội dung, công việc thực Sản phẩm Nghiên cứu thuật tốn trích xuất Báo cáo mơ hình mờ từ máy học Véc-tơ hỗ trợ tối ưu hóa tham số thuật toán học Thực nghiệm thuật toán trích Báo cáo Thời gian (bắt đầu-kết thúc) Người thực 04/18 - 06/18 Nguyễn Hiển Đức 07/18 - 09/18 Nguyễn Đức xuất mơ hình mờ TSK từ máy học Véc-tơ hỗ trợ Đề xuất mơ hình xun suốt Mơ hình đề xuất 10/18 - 12/18 với mục tiêu tối ưu tập luật mờ kết thực nghiệm TSK trích xuất từ mãy học Véctơ hỗ trợ cho toán dự báo hồi quy Hiển Nguyễn Đức Hiển 16 SẢN PHẨM 16.1 Sản phẩm khoa học Bài báo đăng tạp chí nước ngồi Bài báo đăng tạp chí nước Bài đăng kỷ yếu hội nghị, hội thảo quốc tế Sản phẩm khác (giáo trình, tài liệu tham khảo…) x 16.2 Sản phẩm đào tạo Cao học NCS 16.3.Sản phẩm ứng dụng Mẫu Giống trồng Tiêu chuẩn Tài liệu dự báo Phương pháp Dây chuyền công nghệ Vật liệu Giống vật nuôi Qui phạm Đề án Chương trình máy tính Báo cáo phân tích x Thiết bị máy móc Qui trình cơng nghệ Sơ đồ, thiết kế Luận chứng kinh tế Bản kiến nghị Bản quy hoạch 16.4 Các sản phẩm khác…………………………………………………… 16.5 Tên sản phẩm, số lượng yêu cầu khoa học sản phẩm Stt Tên sản phẩm Số lượng Yêu cầu khoa học Bài báo nước quốc tế 01 Chất lượng Thuật tốn (chương trình mơ 01 phỏng) Báo cáo tổng kết 01 Đúng xác Chất lượng đầy đủ (giáo dục đào tạo, kinh tế - xã hội) - Về mặt giáo dục - đào tạo: Giải pháp thuật toán kết đề tài cung cấp cho sinh viên nghiên cứu thực hành lĩnh vực thuật tốn, khai phá liệu, xây dựng mơ hình dự báo - Về mặt khoa học: Kết đề tài đóng góp cho hướng nghiên cứu cải tiến, xây dựng phát triển mơ hình mờ hướng liệu 17 HIỆU QUẢ 18 PHƯƠNG THỨC CHUYỂN GIAO KẾT QUẢ NGHIÊN CỨU VÀ ĐỊA CHỈ ỨNG DỤNG Thuật toán cung cấp cho đối tượng quan tâm đến việc xây dựng mơ hình mờ hướng liệu dựa máy học Véc-tơ hỗ trợ Tư liệu phục vụ cho việc nghiên cứu cải tiến phát triển mơ hình mờ hướng liệu 19 KINH PHÍ THỰC HIỆN ĐỀ TÀI VÀ NGUỒN KINH PHÍ Tổng kinh phí: 8.900.000 VNĐ Trong đó: Ngân sách Nhà nước: 8.900.000 VNĐ Các nguồn kinh phí khác: Dự trù kinh phí theo mục chi (phù hợp với nội dung nghiên cứu): Đơn vị tính: đồng Stt 10 Khoản chi, nội dung chi Tổng kinh phí Chi tiền cơng lao động trực tiếp Chi mua vật tư, nguyên, nhiên, vật liệu Chi sửa chữa, mua sắm tài sản cố định Chi hội thảo KH, cơng tác phí Chi trả dịch vụ thuê phục vụ hoạt động nghiên cứu Chi điều tra, khảo sát thu thập số liệu Chi văn phịng, phẩm, thơng tin liên lạc, in ấn Chi Hội đồng tự đánh giá Chi quản lý chung Chi khác Tổng cộng Nguồn kinh phí Kinh phí từ NSNN 6.240.000 6.240.000 935.000 935.000 1.280.000 1.280.000 445.000 445.000 8.900.000 8.900.000 Ghi Các nguồn khác Ngày… tháng…năm…… TM HỘI ĐỒNG KH&ĐT ĐƠN VỊ Ngày … tháng … năm 2018 Chủ nhiệm đề tài (ký, họ tên) (ký, họ tên) Đà Nẵng, ngày…tháng…năm…… Cơ quan Chủ trì duyệt HIỆU TRƯỞNG DỰ TỐN KINH PHÍ ĐỀ TÀI KH&CN CẤP CƠ SỞ NĂM 2018 Tên đề tài: Một số giải pháp tối ưu tập luật mờ TSK trích xuất từ máy học Véc-tơ hỗ trợ hồi quy Đơn vị tính: VN đồng STT Dự tốn kinh phí Số ngày Tổng kinh cơng phí Các khoản chi phí Chi tiền cơng lao động trực tiếp Chi mua vật tư, nguyên vật liệu Chi sửa chữa, mua sắm tài sản cố định Chị hội thảo khoa học, công tác phí Chi trả dịch vụ th ngồi phục vụ nghiên cứu Chi điều tra, khảo sát thu thập số liệu Văn phịng phẩm, thơng tin liên lạc, in ấn Chi Hội đồng tự đánh giá 24 Quản lý chung nhiệm vụ KHCN 10 Chi khác liên quan Tổng cộng Nguồn kinh phí Kinh phí Các nguồn từ NSNN khác 6.240.000 6.240.000 935.000 935.000 1.280.000 1.280.000 445.000 445.000 8.900.000 8.900.000 BẢNG CHI TIẾT SỐ CÔNG THỰC HIỆN ĐỀ TÀI CỦA CÁC THÀNH VIÊN STT Họ tên Chức danh Nguyễn Đức Hiển Chủ nhiệm Hệ số Ngày công 0,2 24 Tổng cộng STT Nội dung, công việc Thành tiền 6.240.000 6.240.000 Kết quả, sản phẩm Thời gian thực Cá nhân thực – Số ngày thực 04/201805/2018 Nguyễn Đức Hiển - Nghiên cứu tổng quan Xây dựng thuyết minh nhiệm vụ KH&CN, báo cáo tổng quan vấn đề cần nghiên cứu Đánh giá thực trạng Báo cáo thực trạng vấn đề cần nghiên cứu 05/201806/2018 Nguyễn Đức Hiển - 3 Nghiên cứu thuật toán Báo cáo kết phân tích trích xuất mơ hình mờ từ cài đặt thuật toán máy học Véc-tơ hỗ trợ 06/201808/2018 Nguyễn Đức Hiển - Thời gian thực Cá nhân thực – Số ngày thực Thực nghiệm thuật tốn trích xuất mơ hình mờ Báo cáo kết thực nghiệm TSK từ máy học Véc-tơ hỗ trợ 08/201810/2018 Nguyễn Đức Hiển - Đề xuất mơ hình xun suốt với mục tiêu Báo cáo kết mơ hình đề tối ưu tập luật mờ TSK xuất kết thực trích xuất từ mãy học nghiệm, đánh giá mơ hình Véc-tơ hỗ trợ cho toán dự báo hồi quy 10/201811/2018 Nguyễn Đức Hiển - Tổng kết, đánh giá Báo cáo tóm tắt báo cáo tổng kết 11/201812/2018 Nguyễn Đức Hiển - STT Nội dung, công việc Kết quả, sản phẩm tối ưu hóa tham số thuật toán học Đà Nẵng, ngày … tháng … năm 2018 Cơ quan Chủ trì Chủ nhiệm đề tài HIỆU TRƯỞNG ... mờ TSK từ máy học véc-tơ hỗ trợ 26 Chương CÁC GIẢI PHÁP TỐI ƯU HÓA TẬP LUẬT MỜ TRÍCH XUẤT TỪ DỮ LIỆU DỰA VÀO MÁY HỌC VÉC-TƠ HỖ TRỢ Chương bày giải pháp nhằm tối ưu hóa tập luật mờ TSK trích xuất. .. hình mờ TSK, mơ hình máy học Véc-tơ hõ trợ hồi quy giải pháp trích xuất mơ hình mị từ máy học véc-tơ hỗ trợ; Chương trình bày giải pháp tối ưu hóa tập luật mờ TSK trích xuất từ liệu dựa máy học véc-tơ. .. cứu: Đề tài tập trung vào đối tượng nghiên cứu sau: • Mơ hình mờ TSK hướng liệu trích xuất từ máy học Véc-tơ hỗ trợ • Một số giải pháp tối ưu tập luật mờ TSK trích xuất từ mày học véc-tơ hỗ trợ