6. Bố cục của luận án
2.1. Tri thức tiên nghiệm
Tri thức tiên nghiệm (a priori knowledge) được hiểu là tri thức có được trước khi học, nó thường được dùng theo nghĩa đối lập với tri thức hậu nghiệm (a posteriori knowledge), là những tri thức có được sau khi học [65][68][71][75]. Tri thức tiên nghiệm về hệ thống được nghiên cứu có thể ở dưới nhiều dạng khác nhau. Một khác biệt đầu tiên trong tri thức của một mơ hình là tri thức mơ tả cơ chế hoạt động của mơ hình và tri thức tinh túy có từ kinh nghiệm của chuyên gia. Cả hai kiểu khác nhau của tri thức này đều có thể kết hợp với nhau trong một mơ hình mờ [49][65]. Việc tích hợp tri thức tiên nghiệm để có thể tạo ra và cải thiện hiệu quả các mơ hình thực tế đã được nhiều tác giả nghiên cứu và đề xuất [43][47][65][74][75][80].
Tri thức về qui trình sẵn có, có thể được sử dụng để mơ tả hệ thống phi tuyến phức tạp như là một bộ thu thập giản đơn, ví dụ như các hệ thống tuyến tính chỉ có giá trị trong chế độ hoạt động nhất định nào đó. Những thơng tin này có thể biểu diễn dưới dạng các qui tắc mờ. Các biến đặc trưng cho sự thay đổi các chế độ hoạt động trở thành một phần của các đối tượng trong hệ thống các qui tắc mờ và hàm thành viên được định nghĩa để xác định cho mỗi mơ hình thành phần của một miền nhất định. Trong thực tế, tri thức có trước về lĩnh vực của bài toán là khá quan trọng và cần thiết trong các bài toán như: nhận dạng mẫu, phân lớp, phân cụm, hồi quy, dự
báo, … Những tri thức tiên nghiệm có nhiều dạng khác nhau, từ thơng tin của các thuộc tính dữ liệu, chất lượng các mẫu, sự phụ thuộc của các biến, cho đến tính năng của mơ hình, …. Nếu biết vận dụng và khai thác đúng cách thì các tri thức tiên nghiệm này có thể giúp cải thiện đáng kể hệ thống ở mọi giai đoạn, bao gồm: chuẩn bị dữ liệu, lựa chọn dữ liệu, lựa chọn tính năng, thiết kế mơ hình, diễn giải kết quả và đánh giá hiệu suất mơ hình. Đơn giản như trong [45], L.J. Cao và Francis E.H. Tay đã sử dụng tri thức có liên quan về thuộc tính dữ liệu để nâng cao hiệu quả dự đoán giá cổ phiếu. Hay trong [75], V.A. Parasich và các đồng sự đã sử dụng những tri thức tiên nghiệm liên quan đến vấn đề nhận dạng hình ảnh, như việc phân tách các bộ phận của hình ảnh, sự liên quan của các bộ phận hình ảnh, … để tăng hiệu quả nhận dạng hình ảnh. Và nhiều trường hợp khác nữa của giải pháp tích hợp tri thức tiên nghiệm nhằm tăng hiệu quả mơ hình được đề xuất trong [11][34][47][68][74][89].
Đối với vấn đề mơ hình hóa hệ thống nói chung và vấn đề xây dựng các mơ hình mờ nói riêng, các tri thức tiên nghiệm thường liên quan đến các vấn đề như:
- Tầm quan trọng của dữ liệu: trong nhiều ứng dụng thực tế, những mẫu dữ liệu nhất định có thể là ngoại lai và một số có thể bị nhiễu. Do vậy, mơ hình xây dựng được từ dữ liệu có thể bị nhiễu hay mất ổn định.
- Hành vi của các máy học: trong một quá trình học tập, không gian giả thuyết của máy học cần được hạn chế trước. Ví dụ, đối với mơ hình mạng nơ-ron hồi quy, người ta phải xác định các nguyên mẫu của một vấn đề hồi quy và thiết kế trước các cấu trúc liên kết mạng của một mạng nơ-ron.
- Mục tiêu của các máy học: các tiêu chí như sự ổn định, độ bền vững, thời gian thiết lập là những tri thức phải có trước cho một nhà thiết kế hệ thống.