Mạng học sâu kết hợp mờ
Việc kết hợp mạng neural và kỹ thuật mờ trong một hệ thống lai cho khả năng tự học cao với các trường đầu vào mờ [2]. Các kỹ thuật kết hợp đã được đưa ra dưới nhiều dạng khác nhau, được ứng dụng vào nhiều lĩnh vực riêng biệt [33][51][21]. Một số cách kết hợp cơ bản có thể kể đến bao gồm :
• Kiểu 1: Đưa hệ suy diễn mờ làm lớp thứ nhất, dùng một hệ nơ-ron nhiều lớp, với lớp đầu phụ thuộc vào kiểu của luật và các phương pháp suy diễn, tích hợp.
• Kiểu 2: Liên kết giữa 2 mạng nơ-ron để thay thế từng thành phần trong hệ điều khiển mờ. Những mạng như vậy dùng để tự học các hàm thuộc và tính toán suy diễn, Cách tiếp cận này cho phép tự động xác định các hàm thuộc và luật, kỳ vọng hệ mờ tự thích ứng với môi trường xung quanh
• Kiểu 3: Sử dụng mạng nơ-ron và hệ mờ được tổ chức tuần tự hoặc song song, sau đó xây dựng các module kết hợp đi kèm để thu một hệ thống hoàn chỉnh
Trong luận văn này, em sẽ tiến hành sẽ dụng các mạng nơ-ron mờ kết hợp Kiểu 1 để phân tích và giải quyết bài toán. Mô hình học sâu mờ được thiết kế phương pháp đã chọn, giúp mô hình nhận biết được nhiều thông tin hơn, từ đó kỳ vọng thu được một mô hình với hiệu năng cao, đồng thời thời gian mờ hóa là không quá lớn.
Đối với quá trình tiền xử lý dữ liệu, quá trình mờ hóa đơn giản là áp dụng các hàm mờ hóa cơ bản như mờ hóa tam giác, tứ giác,... sau đó sử dụng dữ liệu mờ vào quá trình tính toán tiếp theo
Phức tạp hơn, thay vì mờ hóa độc lập trong quá trình tiền xử lý dữ liệu, phương pháp mờ được thêm trực tiếp, thay đổi lại cấu trúc của mạng học sâu, thu được mạng học sâu mờ. Trong luận văn này, em thiết kế mạng học sâu mờ bằng cách thêm một lớp mờ đứng đầu trong mạng nhằm biến đổi dữ liệu. Quá trình biến đổi thông thường sẽ gồm 3 hàm thuộc mờ khác nhau. Bộ 3 phổ biến nhất Smf-Bell-Zmf được lựa chọn để xây dựng mạng. Lớp mờ sau khi đã tạo được đặt trước, làm lớp đầu tiên của các mạng học sâu đã có. Đối với bài toán về chuỗi thời gian, em đã lựa chọn các mạng RNN, LSTM, GRU, thay đổi cấu trúc và thu được các mạng Fuzzy-RNN, Fuzzy-LSTM, Fuzzy-GRU tương ứng.