: Số lượng Nơron
(phân biệt THẬT/ GIÁ)
Xuất phát từ bài zoán phân loại mẫu tổng quá: (mục 1.5.1). chúng ta xét đến
một trường hợp cụ thể của bài toán với n=2 = © = znạy Ó Qọy : bài oán chứng
thực mẫu (phân biệt THẬT! GIẢ) - Xác định “mẫu” đang xem xét có phải là “mẫu”
gốc cho trước không? Để giải quyết bài toán này, có thể sử dụng nhiều phương pháp khác nhau, luận án để xuất một mô hình kết hợp 7huật giải tiến hoá (phụ lục
A) và Logic mờ cho việc giải quyết bài toán. Đầu tiên, “ Logie mờ” được sử dụng để chuyển đổi ma trận thô ban đầu Aux.u„ về ma trận số rút gọn Bu„wy với các giá trị phần tử e{0..c}, c nguyên dương cho trước. Bài toán trở thành: so khớp các phần tử của ma trận rút gọn biểu diễn “mẫu” đang xem xét với các phần tử của ma trận
rút gọn biểu diễn “mẫu” gốc. Lúc này, Thuật giải tiến hoá sẽ được dùng giúp việc
phát hiện ma trân rút gon biểu diễn “mẫu” giả một cách nhanh nhất. Chỉ tiết về phương pháp để xuất sẽ được trình bày trong mục 2.1 (chương 2). Ứng dụng thực tế của phương pháp: Chứng thực Ảnh được trình bày đầy đủ trong chương 4 (mục 4.1). __1.5.3 Kết hợp Di truyền- Nơron- Mờ giải bài toán phân lớp mẫu (Xe)
Quay trở lại bài toán phân loại mẫu tổng quát (mục 1.5.1) với trường hợp n nguyên dương bất kỳ. Tuy nhiên, mục này chỉ quan tâm đến Tình huống 1 (mục 1.5.1): Phân loại mẫu không mất mát thông tin: X đây đủ đặc trưng XeQ. Để giải quyết bài toán, luận án để xuất bốn mô hình kết hợp ứng dụng cho việc phân loại
mẫu dưới đây:
(a) Mạng Nơron truyền thẳng ba lớp (phụ lục D)
(b) Mạng Nơron mờ truyền thẳng bốn tầng (xem mục 2.2 thuộc chương 2)
(c) Thuật giải di truyền kết hợp các mạng Nơron truyền thẳng ba lớp (xem mục 2.3
thuộc chương 2)
(d) Thuật giải di truyền liên kết các mạng Nơron mờ (xem mục 3.1.6 thuộc chương 3) Việc so sánh để chọn lọc mô hình kết hợp tốt nhất trong bốn mô hình trên được thể hiện trong một ứng dụng thực tế: Nhận dạng ký tự viết tay (trong mục 4.2.1
thuộc chương 4).
1.5.4 Mô hình kết hợp Di ruyễn- Nơron- Mờ giải bài toán phân loại mẫu có mất mát thông tin (X„„„£ ©)
Là bài toán phân loại mẫu tổng quát với Tình huống 2 (mục 1.3.1): Phân loại
mẫu bị mất mát thông tin: X không đầy đủ đặc trưng © X„„„£Q. Để giải quyết bài
toán, đầu tiên, phải phục hồi X„„„ VỀ X „„. ;¿¡ sao cho X„„. ;¿;Q, rồi mới phân loại „sài VỀ Ôj, ie{1,2,.,n}. Để phục hồi mẫu X, luận án để xuất mô hình kết hợp
giữa các kỹ thuật: Thuật giải di truyền, mạng Kohonen, Logic mờ và mô hình bộ nhớ kết hợp (AM). Mục 3.2.2.1 thuộc chương 3 trình bày chi tiết mô hình để xuất này. Sau khi phục hồi mẫu X, chúng ta có Xz„„. ;¿;eQ. Việc phân loại Xzz„e „¿¡ về ©„ e{1,2,..} bằng việc chọn lựa từ bốn kỹ thuật phân loại như trong mục 3.2.2.2 thuộc chương 3.
Ứng dụng thực tế minh hoạ cho bài toán phân loại mẫu mất mát thông tin là:
Phân loại mẫu vân tay mất mát thông tin. Ứng dụng này được trình bày chỉ tiết trong
mục 4.3 thuộc chương 4.
16 Phân tích, đánh giá các kết quả thử nghiệm
Các mô hình kết hợp để xuất trong luận án được phân tích đánh giá hiệu quả thông qua ứng dụng cụ thể đó là: Bài toán phân loại mẫu tổng quát. Tiêu chí đánh giá hiệu quả của các mô hình này gồm:
Ưu tiên số 1: Kết quả tối ưu của bài toán.
Uu tiên số 2: Chỉ phí thuật giải, chỉ phí thời gian.
Với bài toán chứng thực mẫu: phân biệt mẫu(THẬT/GIẢ). Luận án để xuất
mô hình kết hợp Mờ- Di truyền để giải quyết bài toán. Kết quả đạt được khi giải
bằng mô hình để xuất tương đương với Kết quả đạt được khi giải bằng các phương pháp truyền thống. Do đó, tiêu chí đánh giá hiệu quả là: chỉ phí thuật giải. Mô hình kết hợp Mờ- Di truyền áp dụng giải quyết bài toán chứng thực có chỉ phí thuật giải nhỏ hơn nhiều so với các phương pháp vét cạn truyền thống. Điểu này đã chứng minh tính khả thi của mô hình kết hợp Mờ- Di truyễn trong việc giải bài toán chứng thực mẫu: phân biệt mẫu(THẬT/GIẢ) (chương 2- mục 2.1) với ứng dụng minh họa là bài toán chứng thực Ảnh(chương 4- mục 4.1).
Với bài nhận dạng chữ viết tay. Luận án để xuất bốn mô hình: mạng Nơron, (adsbygoogle = window.adsbygoogle || []).push({});
mạng Nơron- Mờ, Thuật giải di truyền liên kết các mạng Nơron, Thuật giải di truyễn liên kết các mạngNơron- Mờ. Các mô hình này đã được thử nghiệm trên 26 chữ viết tay thường (a,.., z). Với tiêu chí đánh giá là: kết quả tối ưu của bài toán (tỷ lệ nhận dạng(%)). Qua các kết quả thử nghiệm (Bảng 4.1, mục 4.2.1, chương 4), nhận thấy, mô hình kết hợp: Thuật giải di truyễn liên kết các mạng Nơron- Mờ (GA kết hợp 3 ENN ) đạt tỷ lệ nhận dạng cao nhất 96.50%. Điều này khẳng định tính khả thi của mô hình kết hợp Di :ruyên- Nơron- Mờ trong bài toán nhận dạng chữ viết tay thường
(chương 2- 3- 4).
Với bài toán phân loại mẫu vân tay bị mất mát thông tin. Luận án đề xuất mô hình kết hợp Di truyền- Mờ- mạng Kohonen cho việc chuẩn bị bộ dữ liệu học. Mô hình này cho phép xây dựng không gian mẫu đồng dạng với các mẫu đại điện chọn lọc bằng phương pháp thủ công. Điều này giúp giảm chỉ phí về thời gian cũng như công sức bỏ ra để tìm một cơ sở dữ liệu các mẫu vân tay lớn phục vụ cho quá trình huấn luyện mạng (chương 3- 4 ).
1⁄7 Kết luận chương 1
Chương 1 giới thiệu và tóm tắt những nghiên cứu đã có về các mô hình kết hợp giữa các kỹ thuật tính toán thông mình: Thuật giải di truyền, Logic mờ và mạng Nơron. Nó cũng giới thiệu những mô hình kết hợp để xuất trong luận án và việc ứng
dụng các mô hình này để giải quyết một số dạng của bài toán phân loại mẫu tổng
quát: Chứng thực mẫu (phân biệt THẬT/ GIẢ); phân lớp mẫu và phân loại mẫu mất mát thông tin. Đồng thời, cũng phân tích đánh giá kết quả thử nghiệm những hệ thống xây dựng từ mô hình đề xuất trên các ứng dụng thực tế gắn liền với bài toán
phân loại mẫu tổng quát: Bài toán chứng thực Ảnh, bài toán Nhận dạng ký tự viết tay, bài toán phân loại mẫu vân tay mất mát thông tin.
Mục tiêu của các nghiên cứu này là chứng minh tính khả thi của các kỹ /huật tính toán thông mỉnh cũng như các mô hình kết hợp giữa chúng. Với hy vọng, thiết kế xây dựng những znô đun phần mềm thông minh ghép nối với một số công cụ kỹ thuật khác để tạo ra những sản phẩm tiện ích có thể sử dụng rộng rãi ngoài thị trường.