Ta sẽ đi xây dựng bộ mô hình mờ nhúng cho hệ suy diễn trong bài toán dự đoán giá cổ phiếu. Với bộ dữ liệu đã cho của cổ phiếu A gồm 50 dữ liệu luyện và các tham số ban đầu là
m thuộc {1.01, 1.2, 1.5, 1.8, 2, 2.2, 2.5, 2.8, 3, 3.2, 3.5} c = 2,3…19,20
Tổng cộng ta sẽ phải xây dựng là 209 mô hình nhúng tƣơng ứng với các cặp ( m,c ) với các mô hình nhúng có 3 đầu vào tƣơng ứng là x4, x8, x10 và một đầu ra y. Ví dụ : Xét một trƣờng hợp cụ thể với m=2, c=5 ta có :
Áp dụng giải thuật phân cụm FCM với 2 tham số {m,c} = {2,5} gán nhãn cho các cụm mờ sau khi đƣợc phân cụm theo từng chiều của X ta sẽ có bộ luật cơ sở sau
55
Hình 4.6 :Tập luật cơ sở của Michio Sugeno và Takahiro Yasukawa
If x4 is less than zero and x8 is more or less zero and x10 is more less zero THEN y is rise
If x4 is minus and x8 is more or less zero and x10 is more or less zero THEN
y is sort of
rise
If x4 is sort of minus and x8 is more or less zero and x10 is more or less zero THEN y is level
If x4 is more or less zero and x8 is more or less zero and x10 is more or less zero THEN
y is sort of
decline
If x4 is more than zero and x8 is sort of plus and x10 is more than zero THEN y is decline
……….
Bộ luật này đƣợc cung cấp bởi Michio Sugeno ,Takahiro Yasukawa trong “A Fuzzy-Logic-Based Approach to Qualitative Modeling ”, lEEE Transactions on Fuzzy Systems, Vol. I, No. I . February 1993.
56
Thay vì tập luật có tiền đề biểu diễn bởi sự kết tập của các tập mờ biến đầu vào thì ta có tập luật rút gọn nhƣ sau :
If X is A1 then y is rise.
If X is A2 then y is sort of rise. If X is A3 then y is level.
If X is A4 then y is sort of decline. If X is A5 then y is decline.
…….
Với X={x1, x2, x3} và tập mờ đa chiều
A1 = {less than zero,more or less zero, more less zero} A2= { minus, more or less zero, more or less zero} A3= { sort of minus,more or less zero,more or less zero}
A4= { more or less zero, more or less, more or less zero} A5= { more than zero, sort of plus, more than zero}
…….
Sau khi xây dựng xong bộ các mô hình mờ loại một nhúng, thực hiện bƣớc tối ƣu ta thu đƣợc số lƣợng phân cụm tốt nhất cho mô hình mờ loại hai là c* =12.
Sử dụng công cụ Matlab xây dựng các hệ suy diễn mờ nhúng với 3 đầu vào, 1 đầu ra.
57
Hình 4.7: Khai báo số biến vào ra mô hình
Với mỗi biến vào ra có các dạng hàm thuộc tam giác (Trimf).
58
Từ tập luật thu đƣợc bằng thực nghiệm, đƣợc đƣa vào mô hình thông qua màn hình Rule Editor.
Hình 4.9: Tập luật được học từ tập dữ liệu huấn luyện
Ta thu đƣợc hệ suy diễn lƣu dƣới tên file “FLS1.fis” ứng với mô hình mờ nhúng thứ nhất, tƣơng tự với các mô hình mờ nhúng khác.
Hình 4.10: Cấu trúc mô hình suy diễn, hàm thuộc của các biến vào ra và tập luật của mô hình mờ nhúng thứ nhất
59
Hình 4.11: Cấu trúc mô hình suy diễn, hàm thuộc của các biến vào ra và tập luật của mô hình mờ nhúng thứ nhất