Luận văn Thạc sĩ Hệ thống thông tin: Nguyên cứu ứng dụng mô hình ANFIS vào bài toán dự báo trên dữ liệu chuỗi thời gian

Chia sẻ: _ _ | Ngày: | Loại File: PDF | Số trang:67

Thêm vào BST

Báo xấu

2
lượt xem 1
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Luận văn Thạc sĩ Hệ thống thông tin "Nguyên cứu ứng dụng mô hình ANFIS vào bài toán dự báo trên dữ liệu chuỗi thời gian" trình bày các nội dung chính sau: Tổng quan logic mờ và mạng nơ-ron nhân tạo; Thuật toán ANFIS và bài toán dự báo dữ liệu chuỗi thời gian; Ứng dụng thuật toán ANFIS vào bài toán dự báo dữ liệu chuỗi thời gian.

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: Luận văn Thạc sĩ Hệ thống thông tin: Nguyên cứu ứng dụng mô hình ANFIS vào bài toán dự báo trên dữ liệu chuỗi thời gian

BỘ CÔNG THƢƠNG TRƢỜNG ĐẠI HỌC CÔNG NGHIỆP HÀ NỘI --------------- HOÀNG THĂNG LONG NGUYÊN CỨU ỨNG DỤNG MÔ HÌNH ANFIS VÀO BÀI TOÁN DỰ BÁO TRÊN DỮ LIỆU CHUỖI THỜI GIAN ĐỀ ÁN TỐT NGHIỆP THẠC SĨ HỆ THỐNG THÔNG TIN Hà Nội – 2024
BỘ CÔNG THƢƠNG TRƢỜNG ĐẠI HỌC CÔNG NGHIỆP HÀ NỘI --------------- HOÀNG THĂNG LONG NGUYÊN CỨU ỨNG DỤNG MÔ HÌNH ANFIS VÀO BÀI TOÁN DỰ BÁO TRÊN DỮ LIỆU CHUỖI THỜI GIAN Ngành Hệ thống thông tin Mã số: 8480104 ĐỀ ÁN TỐT NGHIỆP THẠC SĨ HỆ THỐNG THÔNG TIN NGƢỜI HƢỚNG DẪN KHOA HỌC: 1. TS. ĐẶNG TRỌNG HỢP Hà Nội – 2024
i MỤC LỤC MỤC LỤC ...................................................................................................... i LỜI CAM ĐOAN ......................................................................................... iii DANH MỤC CÁC KÝ HIỆU, CÁC CHỮ VIẾT TẮT ................................. iv DANH MỤC CÁC BẢNG ............................................................................. v DANH MỤC CÁC HÌNH ............................................................................. vi MỞ ĐẦU ....................................................................................................... 1 CHƢƠNG 1. TỔNG QUAN LOGIC MỜ VÀ MẠNG NƠ-RON NHÂN TẠO ............................................................................................................... 4 1.1 TỔNG QUAN LOGIC MỜ ...................................................................... 4 1.1.1 Tập mờ (Ying, 2000) ............................................................................. 4 1.1.2 Các phép toán đại số trên tập mờ (Ying, 2000) ...................................... 4 1.1.3 Logic mờ (Jang, J.-S. R.; Sun, C.-T.; Mizutani, E., 1997) ..................... 6 1.2 TỔNG QUAN MẠNG NƠ-RON NHÂN TẠO ...................................... 11 1.2.1 Tế bào nơron ....................................................................................... 13 1.2.2 Các loại mô hình cấu trúc mạng nơ-ron ............................................... 17 1.2.3 Các tính chất của mạng nơ-ron ............................................................ 18 1.2.4 Các nguyên tắc học ............................................................................. 19 1.2.5 Thuật toán lan truyền ngƣợc ................................................................ 22 CHƢƠNG 2. THUẬT TOÁN ANFIS VÀ BÀI TOÁN DỰ BÁO DỮ LIỆU CHUỖI THỜI GIAN.................................................................................... 25 2.1 BÀI TOÁN DỰ BÁO............................................................................. 25 2.1.1 Khái niệm ............................................................................................ 25 2.1.2 Đặc điểm ............................................................................................. 25
ii 2.1.3 Các phƣơng pháp................................................................................. 26 2.2 THUẬT TOÁN ANFIS .......................................................................... 29 2.2.1 Giới thiệu sơ lƣợc về mô hình nơron - mờ (Jang, 1993) ...................... 29 2.2.2 Luật mờ if-then và hệ suy diễn mờ (Jang, 1993) .................................. 31 2.2.3 Mạng thích nghi .................................................................................. 34 2.2.4 Cấu trúc của ANFIS (Jang, J.-S. R.; Sun, C.-T.; Mizutani, E., 1997) ... 35 2.2.5 Thuật toán huấn luyện hệ ANFIS ........................................................ 37 2.2.6 Ứng dụng của thuật toán ANFIS ......................................................... 38 2.3 DỮ LIỆU CHUỖI THỜI GIAN ............................................................. 40 2.3.1 Giới thiệu dữ liệu chuỗi thời gian ........................................................ 40 2.3.2 Một số phƣơng pháp dự báo chuỗi thời gian đơn giản ......................... 41 CHƢƠNG 3. ỨNG DỤNG THUẬT TOÁN ANFIS VÀO BÀI TOÁN DỰ BÁO DỮ LIỆU CHUỖI THỜI GIAN .......................................................... 45 3.1 MÔ TẢ BÀI TOÁN (El-Shafie, A.; Jaafer, O.; Seyed, A, 2011) ............ 45 3.2 XÂY DỰNG MÔ HÌNH (Bằng, 2018) .................................................. 46 3.2.1 Biến đầu ra .......................................................................................... 46 3.2.2 Lựa chọn biến đầu vào ........................................................................ 46 3.2.3 Cấu trúc mô hình dự báo ..................................................................... 47 3.3 THU THẬP DỮ LIỆU ........................................................................... 48 3.4 CHỈ SỐ ĐÁNH GIÁ .............................................................................. 50 3.5 KẾT QUẢ THỬ NGHIỆM .................................................................... 52 3.6 ĐÁNH GIÁ ............................................................................................ 57 KẾT LUẬN ................................................................................................. 58 TÀI LIỆU THAM KHẢO ............................................................................ 59
iii LỜI CAM ĐOAN Tôi xin cam đoan rằng đề án thạc sĩ Hệ thống thông tin “Nghiên cứu ứng dụng thuật toán ANFIS vào bài toán dự báo trên dữ liệu chuỗi thời gian” là công trình nghiên cứu của tôi dƣới sự hƣớng dẫn của TS. Đặng Trọng Hợp. Toàn bộ nội dung đƣợc trình bày trong đề án này hoặc là đến từ sự tìm hiểu nghiên cứu của tôi hoặc là tổng hợp, thu thập từ các tài liệu khác nhau đều đƣợc trích dẫn đầy đủ trong phần tài liệu tham khảo. Các tài liệu tham khảo này đƣợc sử dụng một cách hợp lý và minh bạch. Tôi xin cam đoan rằng không có bất cứ vi phạm nào đối với các quy định đạo đức nghiên cứu khoa học trong quá trình thực hiện dự án. Tôi xin hoàn toàn chịu trách nhiệm và chịu mọi hình thức kỷ luật theo quy định về tính chính xác và trung thực của đề án nghiên cứu này. Hà Nội, ngày tháng năm 2024 Tác giả đề án
iv DANH MỤC CÁC KÝ HIỆU, CÁC CHỮ VIẾT TẮT Viết tắt Tiếng Anh Tiếng Việt AI Artificial Intelligence Trí tuệ nhân tạo ANN Artificial Neural Network Mạng Nơ-ron nhân tạo Adaptive-Network-based Mạng thích nghi dựa trên cơ sở ANFIS Fuzzy Inference System hệ suy luận mờ BP Back Propagation Lan truyền ngƣợc MIMO Multi Input Multi Output Nhiều đầu vào – nhiều đầu ra MISO Multi Input Single Output Nhiều đầu vào – một đầu ra RMSE Root mean square error Sai số dự đoán CORR Correlation Coefficient Hệ số tƣơng quan
v DANH MỤC CÁC BẢNG Bảng 1.1 So sánh bộ não con ngƣời với phƣơng pháp học của mạng nơron nhân tạo........................................................................................................ 21 Bảng 2.1 So sánh mạng nơron và logic mờ .................................................. 30 Bảng 3.1 Kết quả chỉ số đánh giá lƣợng mƣa vụ 1 tháng .............................. 53 Bảng 3.2 Kết quả chỉ số đánh giá lƣợng mƣa vụ 3 tháng .............................. 55 Bảng 3.3 Kết quả chỉ số đánh giá lƣợng mƣa vụ 6 tháng .............................. 56
vi DANH MỤC CÁC HÌNH Hình 1.1 Hợp của hai tập mờ A và B.............................................................. 5 Hình 1.2 Giao của hai tập mờ A và B ............................................................. 5 Hình 1.3 Phần bù của tập hợp A ..................................................................... 6 Hình 1.4 Kiến trúc của hệ mờ tổng quát ......................................................... 7 Hình 1.5 Hệ mờ nhiều đầu vào – một đầu ra .................................................. 8 Hình 1.6 Tế bào nơron sinh học ................................................................... 12 Hình 1.7 Mạng nơron nhân tạo ..................................................................... 12 Hình 1.8 Tế bào nơron nhân tạo ................................................................... 13 Hình 1.9 Các dạng hàm tác động thông dụng ............................................... 15 Hình 1.10 Mô hình tế bào nơron .................................................................. 15 Hình 1.11 Ví dụ............................................................................................ 16 Hình 1.12 Các loại mạng nơron nhân tạo thông dụng ................................... 18 Hình 1.13 Học có giám sát ........................................................................... 19 Hình 1.14 Học củng cố ................................................................................. 20 Hình 1.15 Học không giám sát ..................................................................... 20 Hình 1.16 Sơ đồ tổng quát một tế bào nơron nhân tạo trong huấn luyện....... 21 Hình 1.17 Kiến trúc của mạng nơron lan truyền ngƣợc ................................ 22 Hình 2.1 Dự báo định tính và dự báo định lƣợng.......................................... 27 Hình 2.2 Hệ thống suy luận mờ .................................................................... 32 Hình 2.3 Mạng thích nghi............................................................................. 35 Hình 2.4 Cấu trúc thuật toán ANFIS ............................................................ 35 Hình 2.5 Phân loại các phƣơng pháp dự báo chuỗi thời gian ........................ 41 Hình 3.1 Cấu trúc dữ liệu ............................................................................. 49 Hình 3.2 Kết quả dự báo lƣợng mƣa vụ 1 tháng của M1-M5 ........................ 52 Hình 3.3 Kết quả dự báo lƣợng mƣa vụ 3 tháng của M1-M5 ........................ 54 Hình 3.4 Kết quả dự báo lƣợng mƣa vụ 6 tháng của M1-M5 ........................ 56
1 MỞ ĐẦU 1. Lý do chọn đề tài Khai thác dữ liệu từ quá khứ để dự báo dữ liệu tƣơng lai với độ chính xác cao là vấn đề thử thách trong nghiên cứu hiện nay. Mạng nơron nhân tạo nói chung và hệ suy diễn mờ- nơron thích nghi (ANFIS - Adaptive-Network- based Fuzzy Inference System) nói riêng là một trong các kỹ thuật để dự báo dữ liệu chuỗi thời gian. Các dữ liệu chuỗi thời gian nhƣ thời tiết, chứng khoán, lƣợng điện tiêu thụ, lƣợng mƣa, ... cần đƣợc dự báo để phân tích, đánh giá, đƣa ra quyết định quản lý kịp thời. Trong những năm gần đây, diễn biến về thời tiết rất phức tạp đƣợc quan tâm và nghiên cứu nhiều trong đó có lƣu lƣợng mƣa các khu vực phục vụ cho các hoạt động phát triển kinh tế nhƣ: kế hoạch sản xuất nông nghiệp, du lịch, đánh bắt và nuôi trồng thủy sản, quản lý, khai thác nguồn tài nguyên nƣớc,… Việc dự đoán lƣợng mƣa trong khu vực cho phép tính toán lƣợng nƣớc để tƣới tiêu, lập kế hoạch cho các hồ chứa nƣớc bên cạnh đó phòng tránh giảm nhẹ thiên tai do lƣợng mƣa lớn nếu có, ... Việc áp dụng thuật toán ANFIS cho các vấn đề dự án trên dữ liệu chuỗi thời gian đã trở thành một chủ đề quan trọng ngày nay. Điều này là do sự phát triển của các tập dữ liệu lớn và nhu cầu đƣa ra dự đoán chính xác trong các lĩnh vực nhƣ tài chính, kinh tế, y tế và kỹ thuật. Thuật toán ANFIS rất thích hợp để phân tích dữ liệu chuỗi thời gian do khả năng mô hình hóa mối quan hệ phi tuyến phức tạp giữa các biến đầu vào và đầu ra. 2. Mục đích nghiên cứu Dữ liệu chuỗi thời gian là một loại dữ liệu xảy ra tuần tự theo thời gian. Phân tích dữ liệu chuỗi thời gian rất quan trọng để đƣa ra dự đoán, xác định xu hƣớng và hiểu đƣợc các mô hình. Hệ thống suy luận mờ thích nghi Neuro- Fuzzy (ANFIS) là một công cụ mạnh mẽ để phân tích dữ liệu chuỗi thời gian.
2 ANFIS là một mô hình lai kết hợp các điểm mạnh của logic mờ và mạng nơ- ron, làm cho nó trở thành một mô hình hiệu quả để dự đoán và phân tích dữ liệu chuỗi thời gian. Thuật toán ANFIS đã đƣợc áp dụng cho nhiều vấn đề phân tích dữ liệu chuỗi thời gian trong quá khứ. Một số ứng dụng phổ biến bao gồm dự báo giá cổ phiếu, dự đoán lƣu lƣợng giao thông và phân tích các mô hình thời tiết. Tuy nhiên, vẫn còn rất nhiều tiềm năng để khám phá của thuật toán ANFIS trong phân tích dữ liệu chuỗi thời gian. Việc nghiên cứu ứng dụng thuật toán ANFIS trong phân tích dữ liệu chuỗi thời gian là rất quan trọng trong nhiều lĩnh vực. Với sự phát triển của các công nghệ thông tin, việc phân tích dữ liệu chuỗi thời gian đã trở nên quan trọng hơn. Việc sử dụng thuật toán ANFIS sẽ giúp cho việc phân tích và dự đoán dữ liệu chuỗi thời gian trở nên chính xác hơn, đồng thời cũng có thể giúp giảm thiểu các sai số và tối ƣu hóa kết quả. Tóm lại, đề tài "Nghiên cứu ứng dụng thuật toán ANFIS vào bài toán dự báo trên dữ liệu chuỗi thời gian" sẽ tập trung vào việc phân tích và dự đoán dữ liệu chuỗi thời gian bằng cách sử dụng thuật toán ANFIS. Đây là một chủ đề quan trọng và đầy tiềm năng trong nghiên cứu khoa học và cũng có tầm quan trọng lớn trong các lĩnh vực thực tiễn nhƣ tài chính, kinh tế, y tế và kỹ thuật. 3. Tính cấp thiết của đề tài Dự báo là một lĩnh vực kết hợp giữa khoa học và nghệ thuật, nhằm tiên đoán những sự kiện sẽ xảy ra trong tƣơng lai dựa trên phân tích các dữ liệu thu thập đƣợc. Có hai loại cơ bản của kỹ thuật dự báo: - Kỹ thuật dự báo định tính: Dựa trên các ý kiến, đánh giá, quan điểm, trực giác hay kinh nghiệm của chuyên gia để đƣa ra dự báo về các sự kiện, kết
3 quả, hoặc trạng thái có tính chất định tính, chẳng hạn nhƣ dự báo xu hƣớng, dự báo thị trƣờng, hoặc dự báo về sự thành công của một dự án. - Kỹ thuật dự báo định lƣợng: Dựa trên các phƣơng pháp thống kê để phân tích dữ liệu lịch sử và đƣa ra dự báo về các giá trị cụ thể hoặc các biến số có tính chất định lƣợng, chẳng hạn nhƣ dự báo doanh số bán hàng, dự báo sản lƣợng, hoặc dự báo giá cả.. Kỹ thuật định tính đƣợc sử dụng khi dữ liệu quá khứ không đầy đủ hay đối tƣợng dự báo bị ảnh hƣởng bởi những nhân tố không thể lƣợng hóa. Kỹ thuật dự báo định lƣợng dựa trên việc phân tích dữ liệu lịch sử để xây dựng và mô hình hóa động thái diễn biến của đối tƣợng theo một mô hình toán học, từ đó sử dụng mô hình này để dự báo xu hƣớng tƣơng lai của đối tƣợng đó. Các nghiên cứu xây dựng mô hình dựa trên luật mờ (hay còn gọi là mô hình mờ - fuzzy models) là một trong những phƣơng pháp tiếp cận đƣợc sử dụng để xây dựng các hệ thống hỗ trợ dự báo và dự báo điều khiển. Trong số đó, thuật toán ANFIS (Adaptive-Network-based Fuzzy Inference System) là một trong những mô hình mờ đƣợc nghiên cứu và ứng dụng mạnh mẽ, đã đạt đƣợc nhiều kết quả tốt.. Hầu hết các nguồn cung cấp dữ liệu trên toàn cầu đều là dữ liệu chuỗi thời gian, và lƣợng dữ liệu này đang tăng dần theo cấp số nhân. Bài toán dự báo dữ liệu chuỗi thời gian đƣợc sử dụng rộng rãi trong nhiều lĩnh vực khác nhau, bao gồm dự báo thời tiết, dự báo giá cổ phiếu, dự báo sản lƣợng sản xuất và tiêu thụ, dự báo lƣợng điện cần tải cho thành phố, dự báo sự biến đổi của năng lƣợng mặt trời, và nhiều lĩnh vực khác. Dữ liệu chuỗi thời gian cung cấp một cơ sở dữ liệu đa dạng, phong phú và phức tạp để phân tích, mô hình hóa và dự báo xu hƣớng tƣơng lai, cung cấp thông tin quan trọng để hỗ trợ quyết định trong các lĩnh vực trên.
4 CHƢƠNG 1. TỔNG QUAN LOGIC MỜ VÀ MẠNG NƠ-RON NHÂN TẠO 1.1 TỔNG QUAN LOGIC MỜ 1.1.1 Tập mờ (Ying, 2000) Lý thuyết tập mờ của L.A. Zadeh, xuất phát từ bài báo "Fuzzy Sets" năm 1965, mô tả sự không chắc chắn của thông tin mờ thông qua khái niệm tập mờ. Tập mờ là một biểu diễn toán học của các khái niệm trừu tƣợng nhƣ "trẻ", "nhanh", "cao-thấp", "xinh đẹp". Tính chất chính của tập mờ là có độ thuộc, biểu thị mức độ mà một phần tử thuộc vào tập đó. Tập mờ có ứng dụng trong nhiều lĩnh vực nhƣ trí tuệ nhân tạo, hệ thống điều khiển, ra quyết định và nhận dạng mẫu. Lô-gic mờ, phát triển từ lý thuyết tập mờ, cũng có ứng dụng rộng rãi trong lý luận hợp lý và các lĩnh vực khác. Tóm lại, tập mờ là một công cụ quan trọng để mô hình hóa sự không chắc chắn và mơ hồ trong các khái niệm dựa trên ngôn ngữ, giúp tạo ra quyết định và giải quyết vấn đề hiệu quả hơn. 1.1.2 Các phép toán đại số trên tập mờ (Ying, 2000) Các phép toán trên tập mờ đƣợc định nghĩa thông qua các hàm thuộc và đƣợc xây dựng tƣơng tự nhƣ các phép toán trong lý thuyết tập mờ kinh điển, bao gồm tập con, phép giao, phép hợp và phép lấy phần bù.  Tập con: Hai tập mờ A và B bằng nhau khi hàm thuộc của chúng bằng nhau cho mọi phần tử trong không gian. Tập mờ A là tập con của B nếu hàm thuộc của A không lớn hơn hàm thuộc của B tại mọi điểm trong không gian.  Phép hợp: Hợp của hai tập mờ A và B đƣợc xác định bằng cách chọn giá trị lớn nhất từ hàm thuộc của A và B tại mỗi điểm trong không gian.
5 Đồ thị hàm thuộc của hợp mờ A, B và tập mờ A  B đƣợc cho trong hình sau: Hình 1.1 Hợp của hai tập mờ A và B  Phép giao: Giao của hai tập mờ A và B đƣợc xác định bằng cách chọn giá trị nhỏ nhất từ hàm thuộc của A và B tại mỗi điểm trong không gian Đồ thị hàm thuộc của hợp mờ A, B và tập mờ A  B đƣợc cho trong hình sau: Hình 1.2 Giao của hai tập mờ A và B
6  Phép lấy phần bù: Phần bù của tập mờ A là tập mờ chứa các phần tử không thuộc A, đƣợc xác định bằng cách lấy giá trị bù của hàm thuộc của A. Đồ thị hàm thuộc của tâp mờ A và tập mờ nhƣ sau: Hình 1.3 Phần bù của tập hợp A 1.1.3 Logic mờ (Jang, J.-S. R.; Sun, C.-T.; Mizutani, E., 1997) Logic mờ là một phƣơng pháp tổng hợp để giải quyết các vấn đề trong một hệ thống điều khiển hoặc một mô hình hệ thống. Nó xây dựng trên các nguyên tắc về tƣ duy mờ và giải quyết các vấn đề bằng cách sử dụng các phƣơng pháp mờ, chẳng hạn nhƣ lý luận mờ, điều khiển mờ và định lý mờ. Logic mờ là một trong những công nghệ quan trọng trong lĩnh vực điều khiển và tự động hóa, đặc biệt là trong các ứng dụng của tự động hóa và điều khiển trong các hệ thống nhúng. Nó có thể đƣợc sử dụng để xây dựng các mô hình hệ thống, để giải quyết các vấn đề về điều khiển hoặc để xác định các thuật toán điều khiển tốt nhất cho các hệ thống cụ thể. Logic mờ đƣợc sử dụng vì nó giúp phân tích và giải quyết các vấn đề của hệ thống có hạn chế một cách rõ ràng và dễ hiểu. Nó cũng cho phép phát triển các giải pháp tốt cho các vấn đề, và cung cấp một cách để đánh giá và xác định sự hiệu quả của các giải pháp.
7 1.1.3.1. Kiến trúc của hệ mờ Hình 1.4 Kiến trúc của hệ mờ tổng quát Trong hệ điều khiển mờ, cơ sở luật mờ là trung tâm, chứa các luật if- then biểu diễn tri thức của chuyên gia. Bộ suy diễn mờ kết hợp các luật và áp dụng chúng vào tập mờ đầu vào để xác định tập mờ đầu ra. Dữ liệu đầu vào từ các cảm biến đƣợc số hóa và chuyển đổi thành tập mờ qua quá trình mờ hóa trƣớc khi đƣợc xử lý bởi bộ suy diễn mờ. Đầu ra từ bộ suy diễn mờ là tập mờ, cần đƣợc chuyển đổi thành giá trị số thông qua quá trình giải mờ trƣớc khi đƣa vào các cơ quan chấp hành nhƣ tay máy, công tắc, van điều khiển. Trong hệ điều khiển mờ, chúng ta tập trung vào làm việc với các biến số, xem hệ mờ nhƣ làm việc với các biến số và tín hiệu số. Hệ mờ có thể nhận đầu vào là một vector nhiều chiều và cho ra một vector đầu ra nhiều chiều, đƣợc gọi là hệ mờ nhiều đầu vào, nhiều đầu ra (MIMO). Nếu số chiều đầu ra là 1, ta có một hệ mờ nhiều đầu vào, một đầu ra (MISO). Một hệ mờ nhiều đầu vào, nhiều đầu ra có thể phân tách thành nhiều hệ mờ nhiều đầu vào, một đầu ra. Do đó, khi nói về hệ mờ nhiều đầu vào, một đầu ra, ta ngầm hiểu là một hệ mờ nhiều đầu vào, một đầu ra với các biến số. Ta có mô hình hệ mờ nhiều đầu vào, một đầu ra nhƣ hình vẽ.
8 Hình 1.5 Hệ mờ nhiều đầu vào – một đầu ra a) Cơ sở luật mờ Cơ sở luật mờ của hệ mờ n đầu vào, một đầu ra bao gồm m luật if-then mờ chuẩn tắc. Mỗi luật có dạng "Nếu x1 thuộc A1 và x2 thuộc A2 và ... và xn thuộc An thì y thuộc B", trong đó các Ai và B là các tập mờ. Có các phƣơng pháp để xác định các luật mờ nhƣ tham khảo chuyên gia, quan sát thực nghiệm và kết hợp các phƣơng pháp khác nhau. Quá trình này là phức tạp và phụ thuộc vào ngữ cảnh và mục tiêu của hệ mờ. b) Bộ suy diễn mờ Trong trƣờng hợp MISO với m luật if-then mờ chuẩn tắc, ta có thể sử dụng phƣơng pháp suy diễn max-min hoặc max-tích để thiết kế bộ suy diễn. Phƣơng pháp suy diễn max-min chọn giá trị lớn nhất từ các giá trị nhỏ nhất của mức độ thuộc trong các luật. Trái lại, phƣơng pháp suy diễn max-tích tính toán giá trị đầu ra bằng cách nhân các giá trị mức độ thuộc và chọn giá trị lớn nhất. Lựa chọn giữa hai phƣơng pháp phụ thuộc vào yêu cầu và tính chất cụ thể của bài toán. c) Bộ mờ hóa Quá trình mờ hóa biến đổi một vector x = (x1, x2, ..., xn) U  Rn thành một tập mờ A′ trên U, đồng thời A′ phản ánh tính gần đúng của dữ liệu và mang lại hiệu quả tính toán cho bộ suy diễn.
9 Các phƣơng pháp mờ hóa thông dụng bao gồm:  Mờ hóa bằng hàm tam giác: Biến đổi x thành một tập mờ A′ có hình dạng tam giác.  Mờ hóa bằng hàm hình thang: Biến đổi x thành một tập mờ A′ có hình dạng hình thang.  Mờ hóa bằng hàm hình chuông: Biến đổi x thành một tập mờ A′ có hình dạng hình chuông.  Mờ hóa bằng hàm hình chuông Gauss: Biến đổi x thành một tập mờ A′ có hình dạng hình chuông Gauss.  Mờ hóa bằng hàm sigmoid: Biến đổi x thành một tập mờ A′ có đƣờng cong dạng hàm sigmoid. Lựa chọn phƣơng pháp mờ hóa phù hợp phụ thuộc vào bối cảnh và yêu cầu cụ thể của vấn đề, nhằm đảm bảo tính chính xác và hiệu quả cho bộ suy diễn mờ trong quá trình xử lý dữ liệu. d) Bộ giải mờ Giải mờ là quá trình chọn ra một giá trị cụ thể từ một tập mờ trên miền giá trị đầu ra của hệ mờ. Mục tiêu là chọn giá trị đại diện tốt nhất cho tập mờ đó, đảm bảo độ thuộc cao nhất và nằm gần trung tâm của tập. Các phƣơng pháp giải mờ thông dụng bao gồm:  Giải mờ bằng giá trị trung bình: Xác định điểm y bằng trung bình trọng số của các giá trị trong tập mờ.  Giải mờ bằng phép cắt: Xác định điểm y bằng điểm cắt giữa tập mờ và một ngƣỡng xác định.  Giải mờ bằng giá trị cao nhất: Xác định điểm y bằng giá trị cao nhất trong tập mờ.  Giải mờ bằng trung vị: Xác định điểm y bằng giá trị trung vị của tập mờ.
10 Lựa chọn phƣơng pháp giải mờ phụ thuộc vào bối cảnh và yêu cầu cụ thể của vấn đề, để đạt đƣợc tính chính xác và hiệu quả trong việc xác định giá trị y từ tập mờ và đảm bảo tính liên tục trong quá trình giải mờ. 1.1.3.2. Các khái niệm cơ bản Thủ tục mờ là quy trình xử lý đầu vào và đầu ra sử dụng phép tính và quy tắc mờ để tạo ra kết quả mờ. Trong quá trình này, các giá trị đầu vào đƣợc xử lý để tạo ra các giá trị đầu ra tƣơng ứng, dựa trên các hàm mờ và quy tắc mờ. Hàm mờ là hàm đầu vào-đầu ra dùng để tính toán kết quả mờ, sử dụng các giá trị mờ để biểu diễn mức độ thuộc của giá trị vào một tập mờ cụ thể. Trọng số mờ là giá trị mờ dùng để xác định sự quan trọng của một yếu tố đầu vào đối với kết quả đầu ra trong quá trình suy diễn mờ. Đầu vào mờ là giá trị đầu vào có giới hạn, biểu diễn mức độ thuộc của giá trị vào các tập mờ khác nhau, giúp biểu diễn tính mờ và không chắc chắn của dữ liệu. Đầu ra mờ là giá trị đầu ra tính toán bởi thủ tục mờ, đƣợc biểu diễn bằng các hàm mờ, phản ánh tính gần đúng của kết quả và mức độ thuộc vào các tập mờ. Bảng mờ là bảng dữ liệu liệt kê các giá trị mờ của đầu vào và đầu ra, cùng với các trọng số mờ tƣơng ứng, thƣờng đƣợc sử dụng để biểu diễn quy tắc mờ và quan hệ giữa các biến. Quy tắc mờ là cấu trúc dùng để liệt kê các điều kiện và kết luận mờ, xác định mối quan hệ giữa các biến đầu vào và đầu ra trong quá trình suy diễn mờ. Mạng mờ là cấu trúc gồm các thủ tục mờ và quy tắc mờ, giúp giải quyết các vấn đề phức tạp trong trí tuệ nhân tạo và xử lý thông tin mờ, bằng cách lan truyền đầu vào qua các lớp để tạo ra kết quả mờ cuối cùng.
11 1.1.3.3. Ứng dụng của Logic mờ Trong khoa học, Logic mờ đƣợc áp dụng rộng rãi trong nhiều lĩnh vực nhƣ trí tuệ nhân tạo, xử lý dữ liệu, học máy và học cụ thể. Logic mờ cung cấp khả năng biểu diễn tính mờ và không chắc chắn của thông tin, giúp mô hình có khả năng xử lý và suy diễn dựa trên dữ liệu mờ và quy tắc mờ. Điều này rất hữu ích khi mô hình phải đối mặt với dữ liệu không chính xác, nhiễu hoặc không rõ ràng. Trong lĩnh vực điều khiển, Logic mờ đƣợc sử dụng để xử lý các thông tin mờ và tạo ra các kết luận chính xác. Các hệ thống điều khiển mờ có khả năng điều chỉnh linh hoạt dựa trên mức độ thuộc mờ và quy tắc mờ, cho phép điều khiển hiệu quả trong các môi trƣờng không chắc chắn hoặc phức tạp. Trong lĩnh vực thị trƣờng tài chính, Logic mờ đƣợc sử dụng để đánh giá và xử lý các thông tin tài chính mờ. Logic mờ có thể giúp đƣa ra quyết định đầu tƣ dựa trên sự phân tích mờ và không chắc chắn của dữ liệu thị trƣờng, từ đó đảm bảo tính chính xác và hiệu quả của các quyết định tài chính. Trong lĩnh vực y tế, Logic mờ đƣợc áp dụng để xử lý và đánh giá các dữ liệu y tế mờ. Hệ thống y tế mờ có khả năng đƣa ra chẩn đoán và quyết định điều trị dựa trên tính mờ và không chắc chắn của thông tin y tế, giúp cải thiện độ chính xác và hiệu quả trong quá trình chẩn đoán và điều trị bệnh. Ngoài các ứng dụng trên, Logic mờ còn đƣợc áp dụng trong rất nhiều lĩnh vực khác nhƣ công nghệ, năng lƣợng, xuất nhập khẩu và cảnh báo chất lƣợng. Sự linh hoạt và khả năng xử lý thông tin mờ của Logic mờ giúp nâng cao hiệu quả và chính xác trong việc giải quyết các vấn đề phức tạp và không chắc chắn trong các lĩnh vực này. 1.2 TỔNG QUAN MẠNG NƠ-RON NHÂN TẠO Bộ não con ngƣời là hệ thống xử lý thông tin phức tạp và phi tuyến, có khả năng học tập, lƣu trữ thông tin và tổng quát hóa. Nó bao gồm khoảng 1011
12 tế bào thần kinh nơron, kết nối với nhau thông qua khớp thần kinh để truyền tín hiệu điều tiết. Mỗi tế bào nơron có cấu trúc bao gồm soma, dendrite và axon, và có khoảng 104 khớp thần kinh, bao gồm khớp nối kích thích và khớp nối ức chế. Hình 1.6 Tế bào nơron sinh học Tế bào nơron truyền tín hiệu qua các dây thần kinh bằng cách giải phóng chất hóa học tại các kết nối giữa chúng. Khi điện thế đạt đến ngƣỡng nhất định, sẽ phát sinh một xung điện, gửi tín hiệu qua các dây thần kinh ra. Mạng nơron nhân tạo là một mô hình toán học của bộ não con ngƣời, đƣợc xây dựng dựa trên cấu trúc của mạng tính toán phân bố song song. Để sử dụng mạng nơron hiệu quả, thƣờng cần phải huấn luyện trƣớc. Hình 1.7 Mạng nơron nhân tạo