tập Mờvà biến Ngôn ngữ
2.4.1. Xác định biến ngôn ngữ mờ
Cách thức sản xuất: “xanh sạch”, “tốt”, “đạt tiêu chuẩn”, “dưới tiêu chuẩn”. Khu vực địa lý: “Tác động lớn”, “tác động trung bình”, “dể kiểm soát”.
Mức độ ô nhiễm: là biến ngôn ngữ ban đầu của bài toán. Tức là xác định độ thuộcμAi (x) cho từng phần tử x trên không gian nền X vào tập mờ Ai.
2.4.2. Xác định các hàm thuộc của các biến ngôn ngữ
Giả sử với mỗi yếu tố trên, ta lập được một danh sách các tiêu chí và tiến hành chấm điểm cho từng yếu tố với điềm số tối đa là 100 điểm.
Hàm thuộc cách thức sản xuất:
CTSX.Sạch (x) = x/100 0 <= x <= 100 CTSX.Tốt (x) =
CTSX. Đạt (y) =
CTSX.Dưới = 1 – y/100 0 <= x<= 100
KVDL.T.Đ lớn (y) = y/100 0 <= y <= 100 KVDL.T.Đ Trung bình (y) =
KVDL.T.Đ Dễ = 1 – y/100 0 <= y <= 100 Trong đó:
x là số điểm cho cách thức sản xuất (0 <= x <= 100) y là số điểm cho khu vực địa lý (0 <= x <= 100)
z là tình trạng mức ô nhiễm có được từ mô hình ban đầu. t là đánh giá mức độ ô nhiễm trong mô hình cải tiến.
2.4.3. Xác định các luật mờ
Luật 1(r1): If x is CTSX.Sạch and y is KVDL.T.Đ.Lớn and z is M.Ô nhiễm thấp then t là M.Ô nhiễm.Trung_bình.
Luật 2 (r2): If x is CTSX.Sạch and y is KVDL.T.Đ.Lớn and z is M.Ô nhiễm Rất_thấp then t là M.Ô nhiễm.Thấp
...
2.4.4. Chọn phương pháp suy diễn mờ và giải mờ
Với một cặp giá trị đầu vào (x,y,z) ta tính trọng số của từng luật đối với (x,y,z). Trọng số của luật r chính là độ thuộc của giá trị đầu vào (x,y,z) đối với giả thiết của r. Từ đó ta tính được giá trị đầu ra cho bởi r. Giá trị đầu ra của hệ là tổng hợp của đầu ra của tất cả các luật trong hệ. Đó chính là tập mờ đầu ra. Giải mờ ta có giá trị rõ đầu ra và đó là giá trị tín hiệu điều khiển của hệ mờ.
Xu hướng hiện nay, người ta còn kết hợp mạng nơron nhân tạo với logic mờ để tạo nên một hệ thống lai tốt hơn. neuro-fuzzy là sự kết hợp giữa mạng nơron nhân tạo và logic mờ. Sự lai giữa Neuro-fuzzy là hệ trí tuệ nhân tạo lai sử dụng 2 kỹ thuật kết hợp giữa khả năng suy luận của logic mờ với khả năng học và cấu trúc kết nối của mạng nơron. Hệ lai neuro-fuzzy thường được đặt tên là Fuzzy-Neural Network (FNN) hoặc hệ Neuro-Fuzzy (Neuro-Fuzzy System NFS). NFS hợp nhất giữa kiểu phản ứng giống con người thông
qua hệ mờ và một tập luật mờ dạng IF-THEN. Sức mạnh của hệ lai là nó gần giống với luật IF-THEN có thể phiên dịch được.
Sức mạnh của hệ neuro-fuzzy gồm hai yêu cầu trái ngược trong mô hình fuzzy: Tính thông dịch được và tính đúng đắn. Trong thực tế, một trong hai thuộc tính trên chiếm ưu thế. Neuro-fuzzy trong phạm vi nghiên cứu mô hình fuzzy được chia thành 2 vùng: Mô hình fuzzy ngôn ngữ học tập trung vào khả năng dịch được, chủ yếu là mô hình
Mamdani, và mô hình fuzzy chính xác, tập trung vào tính chính xác, chủ yếu là mô hình Takagi-Sugeno-Kang (TSK).
Thông qua việc hiện thực hóa hệ fuzzy qua mạng kết nối, những điều kiện sau cũng được sử dụng để mô tả một vài cấu hình khác, bao gồm:
• Tạo luật fuzzy từ việc dạy mạng RBF.
• Fuzzy logic trên cơ sở thông số học của mạng nơ ron.
• Điều kiện fuzzy logic để tăng kích thước mạng.
• Hiện thực hóa hàm thuộc thông qua thuật toán phân mảnh trong học không có thầy mạng SOM và mạng nơron.
Nếu kết hợp mô hình này vào hệ thống thông tin địa lý, hứa hẹn sẽ giúp làm tăng tính chính xác của thông tin mờ. Giúp người dùng đưa ra những thông tin trợ giúp và quyết định chính xác hơn.