Giả sử xác định được một tập luật S từ các bước trên. Bằng cách sử dụng những luật trong S, chúng ta phân loại một mẫu chưa xác định xp (xp1,xp2) bằng
thủ tục phân loại một mẫu xpchưa xác định:
DO WHILE ( toàn bộ các không gian con mờ )
Tính tổng độ thuộc tất cả các mẫu của từng lớp vào mỗi không gian con mờ: C1,C2,…
Tìm giá trị lớn nhất của các CT
Giá trị Max chỉ thuộc về 1 lớp
Y N
Kết quả của luật là
Kết quả của luật là lớp có giá trị Max
Tính độ thuộc CF
41
* Thủ tục suy diễn trên tập mờ loại I:
Input: Tập các luật S và các mẫu xpchưa xác định loại.
Output: Xác định Class X (CX) cho mẫu xp.
Các bước thực hiện : Bước 1: Tính CT (cho T = 1,2, … M) } ; | ). ( ). ( { x 1 x 2 CF C CT R S Max iK p iK p ijK ijK ijK CT
Bước 2:Tìm Class X (Max CT)
} ,... ,
{ 1 2
CXMax C C CM
Khi nhiều lớp có giá trị Max trong biểu thức (2-10) thì xpkhông được phân loại và
p
x được xem là một mẫu không phân loại được, ngược lại thì phân loại được xp
thuộc Class X được xác định bằng (2-10).
Trong thủ tục này, kết quả của suy luận mờ là một luật mờ với giá trị Max của :
K ij p K j p K i (x 1). (x 2).CF
Do đó khi không có luật mờ với
0 ) ( ). ( 1 K p2 i p K i x x và K 0 ij CF
Khi đó mẫu chưa xác định đó không thể phân loại được. Khi nhiều lớp có Max của CTtrong (2-10) thì việc phân loại của mẫu chưa rõ bị loại khỏi thủ tục này.
Thủ tục này có thể dễ dàng được mở rộng để định danh những lớp „possible classes‟ của các mẫu chưa rõ. Ví dụ:
Khi Class 1 và Class 3 có giá trị CT bằng giá trị Max, hai lớp này có thể được đề nghị như là lớp „possible classes‟ của mẫu chưa rõ. Để tập trung vào nội dung chính, trong luận văn sẽ không đề cập sâu về vấn đề phức tạp này. Tuy nhiên những thông tin về „possible classes‟ của những mẫu chưa phân loại có thể rất hữu ích trong một vài vùng ứng dụng khác.
Ở đây nói đến một mức độ tin tưởng để phân loại một mẫu chưa rõ loại xp ;
cái này được coi như là giá trị membership của mẫu đó khi thuộc lớp kết quả CX.
(2-9)
(2-10)
42 } ,... , { 2 1 P CXMax C C CM với CT CX
Với CX,C1,C2,…CT được xác định bởi (9) và (10) tương ứng.
Hình 12 khi áp dụng thủ tục này với K = 2 - 7 cho kết quả ở Hình 14. Ở đây từ (a ) đến (f ) là tương ứng với Hình 13.
Hình 14 có những đường zic zắc biểu diễn ranh giới phân lớp giữa Class1 và Class2
và vùng bôi đen là vùng không phân loại được. Trong Hình 15, khi phân vùng mờ của không gian mẫu quá thô (K=2,3) kết quả thu được có thể không phân loại chính xác tất cả các mẫu. Ngược lại, khi phân vùng mờ là quá tốt (K = 6, 7) lại có một vài vùng không phân lớp được bởi vì có thể những luật giả được tạo ra trong những không gian con mờ. Trong ví dụ này chúng ta có thể phân loại chính xác tất cả những mẫu huấn luyện với K= 6, 7.Do vậy, khi phân vùng mờ quá thô thì không thể có một ranh giới phân loại mà không „misclassification‟ còn khi phân vùng quá tốt sẽ không thể tạo ra một số luật mờ vì thiếu mẫu thử trong các không gian con mờ tương ứng.
43
Hình 15. Suy diễn bằng lưới mờ đơn