6. Bố cục của luận án
1.8. Tiểu kết Chương 1
Ở chương này, luận án đã trình bày sự tương đương giữa mơ hình mờ TSK và máy học véc-tơ hỗ trợ hồi quy, từ đó đề xuất thuật tốn f-SVM khơng những cho phép trích xuất tập luật mờ TSK từ máy học véc-tơ hỗ trợ hồi quy, mà còn cho phép tối ưu hóa các tham số của các hàm thành viên mờ, điều chỉnh và lựa chọn giá trị tham số ε tối ưu. Bằng thuật tốn f-SVM có thể trích xuất được mơ hình mờ TSK tối ưu cho từng bài toán dựa vào tập dữ liệu huấn luyện và tập dữ liệu xác thực. Với việc lựa chọn giá trị tham số ε thích hợp cho từng bài tốn cụ thể, chúng ta có thể nhận được mơ hình vừa đảm bảo tính chính xác khi dự đốn vừa đảm bảo giảm được số luật mờ trong mơ hình. Chính việc giảm số luật mờ trong mơ hình sẽ làm giảm thời gian thực hiện dự đốn và gia tăng “tính có thể diễn dịch” của mơ hình (quan sát các phân bố hàm thành viên mờ ở Hình 1.9).
Kết quả thực nghiệm trên các dữ liệu thử nghiệm cho thấy giải pháp đề xuất thật sự mang lại hiệu quả dự đoán tốt trong sự so sánh với các mơ hình như ANFIS, SVM ngun thủy và mơ hình mờ trích xuất từ SVM nhưng chưa tối ưu hóa các tham số; thể hiện qua các giá trị của thơng số RMSE. Mặt khác, với mơ hình mờ trích xuất được có số luật hạn chế, một trong những hiệu quả mang lại là các chuyên gia trong lĩnh vực dự báo có thể hiểu và phân tích được tập luật này một cách dễ dàng, từ đó có thể đánh giá tập luật mờ và qua đó có giải pháp để tối ưu hóa tập luật.
Tính “có thể diễn dịch được” là một trong những ưu điểm của mơ hình mờ so với các mơ hình máy học thống kê khác. Tuy nhiên, vấn đề đảm bảo trích xuất được một mơ hình mờ “có thể diễn dịch được” từ dữ liệu trong thực tế, đặc biệt đối với mơ hình mờ TSK, là một thách thức rất lớn [14]. Qua thực tế các phân bố hàm thành viên mờ của mơ hình thực nghiệm trong Hình 1.9b, có thể nhận thấy rằng những phân bố này vẫn chưa thật sự đều và chưa có sự phân biệt rõ ràng, như vậy khả năng diễn dịch ý nghĩa của các luật mờ vẫn còn hạn chế. Đây chính là thách thức đặt ra cần phải được tiếp tục nghiên cứu nhằm tìm ra những giải pháp để có thể cải thiện tính “có thể diễn dịch được” của mơ hình. Ở chương tiếp theo của luận án sẽ trình bày những kết quả nghiên cứu về giải pháp tích hợp các tri thức tiên nghiệm (a priori knowledge) vào q trình học mơ hình mờ để có thể cải thiện tính diễn dịch của mơ hình mờ.
Chương 2. TÍCH HỢP TRI THỨC TIÊN NGHIỆM VÀO MƠ HÌNH MỜ HƯỚNG DỮ LIỆU
Chương này trước tiên trình bày vai trị của tri thức tiên nghiệm trong việc học một mơ hình mờ từ dữ liệu, những kịch bản mà tri thức tiên nghiệm có thể được tích hợp để cải thiện hiệu quả mơ hình học được. Tiếp theo là việc xác định và lựa chọn những tri thức tiên nghiệm, đặc biệt là tri thức liên quan đến vấn đề đảm bảo tính “có thể diễn dịch được” của mơ hình mờ và cụ thể là tri thức tiên nghiệm trong trường hợp học mơ hình mờ dựa trên máy học véc-tơ hỗ trợ. Từ đó đưa đến việc xây dựng thuật tốn SVM-IF, trích xuất mơ hình mờ có tích hợp tri thức tiên nghiệm.