VÀ NHỮNG ỨNG DỤNG CỦA CHÚNG TRONG ĐIỀU KHIỂN QUÁ TRÌNH
2.7.4.2 Phân chia theo lưới.
Với phương pháp này, miền của những biến ngõ vào được phân chia ưu tiên
thành số lượng tập mờ được chỉ định. Cơ sở luật sau đó được thiết lập để bao
phủ không gian ngõ vào bằng cách dùng tất cả những kết hợp có thể của những
tập mờ ngõ vào vì những tập mờ nhiều biến mô tả tiền đề của luật. Những thông
số kết quả được dự đoán bằng phương pháp bình phương nhỏ nhất sử dụng dữ
liệu vào-ra hợp lý. Định dạng này cho những tập mờ nhiều biến sẽ hình thành những phần mắt lưới trong không gian ngõ vào, nơi mà mỗi sự kết hợp của
những tập mờ đơn biến được định nghĩa theo những trục ngõ vào khác nhau
được nhân với nhau. Điều này bảo đảm rằng cơ sở luật trãi mỏng ra để cho một
ngõ vào chỉ có một vài luật sẽ góp phần vào ngõ ra của mô hình. Một ví dụ của
phân chia không gian dựa trên lưới được cho trong hình 2.21
Hình 2.21 Một ví dụ phân chia ngõ vào dựa trên lưới
Lợi ích của phương pháp này là rất nhiều tập mờ có thể diễn giải được tạo ra. Tuy nhiên, nhược điểm rõ ràng của phương pháp này là số lượng tập mờ nhiều
biến và vì thế là số lượng luật là một hàm mũ của những ngõ vào. Điều này đã hạn chế việc dùng những mô hình mờ chỉ cho những bài toán có kích thước
nhỏ( số lượng ngõ vào ít).
2.7.4.3.Phương pháp hướng cụm(cluster).
Phương pháp này cố gắng nhóm dữ liệu huấn luyện thành những cụm và dùng chúng để định nghĩa những tập mờ nhiều biến mô tả phần giả thuyết của
tâm của những hàm liên thuộc nhiều biến là nhóm trung bình k(K-means clustring)(Bezdek J.C. and Pal S.K., 1992;Pedrycz W.,1984; Sugeno M. and Yasukawa T., 1994), ánh xạ đặc điểm tự tổ chức (SOM)(Kohonen T.,
1984;Farag. W.A. et al., 1998; M.-C. Su and C.-Y. Tew, 2000) và rất nhiều loại
học cạnh tranh (Chen J.-Q.and Xi Y.-G., 1998). Những giải thuật hướng cụm
mờ (Bezdek J., 1981; Bezdek J. and Pal S.K., 1992; Baraldi A. and Blonda P., 1999) cũng được dùng để tạo những luật mờ bằng cách tìm kiếm những cụm
hình cầu hay siêu êlip. Trong hướng cụm mờ, dữ liệu được nhóm thành những
cụm chồng nhau mà mức độ liên quan được diễn giải như là những giá trị liên thuộc, vì thế những cụm này là những tập mờ chồng nhau nhiều chiều. Mỗi cụm
mờ có thể được chuyển thành một luật mờ, bằng cách chiếu độ liên thuộc của
dữ liệu huấn luyện trên mỗi chiều (Klawon F. and Kruse R., 1995; Sugeno M. and Yasukawa T., 1993; Babuska R., 1996). Tất cả phương pháp hướng cụm
tạo những hàm liên thuộc thông qua phép chiếu. Trong khi những phương pháp hướng cụm tạo ra sự phân chia linh hoạt tương ứng với những phương pháp dựa trên lưới, phân chia mắt lưới của không gian ngõ vào bị bỏ qua và điều này sẽ làm cho cơ sở luật không thể được diễn giải tốt. Trong hình 2.22, việc chiếu
những cụm để đạt được những luật mờ sẽ hình thành những tập mờ vô nghĩa
chồng nhau và rất khó để diễn giải. Cũng thế, trong trường hợp hướng cụm mờ,
phép chiếu sẽ làm mất thông tin vì tích Cartesian của những hàm liên thuộc sẽ
không tạo ra những cụm mờ chính xác. Việc mất thông tin này mạnh nhất trong trường hợp siêu êlip hướng bất kỳ.
Hình 2.22. Một ví dụ của phân chia ngõ vào dựa trên hướng cụm. Khi những
cụm được chiếu để tạo những luật mờ, việc mất thông tin xảy ra và có rất nhiều
tập mờ tương tự nhau.
Để làm cho vấn đề này dễ dàng thao tác hơn thì khả năng là chỉ tìm kiếm cho
những siêu êlip trục song song. Một hậu quả khác của phép chiếu cụm là với
mỗi biến những tập mờ được suy riêng lẻ cho mỗi luật và với mỗi đặc điểm sẽ
có nhiều tập mờ khác nhau vì số lượng cụm. Một vài trong số những tập mờ này là tương tự, và thường là không đồng nhất. Để có một diễn giải tốt cần có
một phân chia mờ của vài tập mờ và mỗi tập thể hiện rõ ràng một khái niệm
ngôn ngữ. Để loại bỏ sự thừa thải trên, việc đo độ tương tự có thể được dùng để để đánh giá mức độ chồng nhau giữa những tập mờ kế cận và kết hợp những mà quá giống nhau (Chao C.T. et al., 1996;Setnes M. et al., 1998).