Đang chuẩn bị liên kết để tải về tài liệu:
Báo cáo nghiên cứu khoa học: "XÂY DỰNG HỆ THỐNG SUY DIỄN NEURO-FUZZY TRÊN CƠ SỞ XÁC LẬP CÁC TẬP MỜ TỐI ƯU Ở KHÔNG GIAN VÀO"

Bài báo trình bày ba thuật toán mới: thuật toán cắt siêu hộp lai (CSHL) và hai thuật toán huấn luyện mạng neuron – fuzzy (HLM1 và HLM2), được dùng để tổng hợp hệ thống suy diễn neuro-fuzzy xấp xỉ hàm chưa biết y = f ( x ) diễn tả mối quan hệ giữa tín hiệu vào và tín hiệu ra của đối tượng thông qua một tập dữ liệu số. | TẠP CHÍ PHÁT TRIỂN KH CN TẬP 11 SÓ 05- 2008 XÂY DỰNG HỆ THÓNG SUY DIỄN NEURO-FUZZY TRÊN CƠ SỞ XÁC LẬP CÁC TẬP MỜ TÓI ƯU Ở KHÔNG GIAN VÀO Nguyễn Sỹ Dũng 1 Ngô Kiều Nhi 2 1 Trường Đại học Công nghiệp Tp.HCM 2 Trường Đại học Bách khoa ĐHQG-HCM Bài nhận ngày 30 tháng 07 năm 2007 hoàn chỉnh sửa chữa ngày 06 tháng 03 năm 2008 TÓM TẮT Bài báo trình bày ba thuật toán mới thuật toán cắt siêu hộp lai CSHL và hai thuật toán huấn luyện mạng neuron - fuzzy HLM1 và HLM2 được dùng để tổng hợp hệ thống suy diễn neuro-fuzzy xấp xỉ hàm chưa biết y f x diễn tả mối quan hệ giữa tín hiệu vào và tín hiệu ra của đối tượng thông qua một tập dữ liệu số. Mục tiêu đặt ra là gia tăng độ chính xác của phép xấp xỉ. Thuật toán CSHL được xây dựng trên cơ sở ứng dụng một công cụ mới mang tên hàm phạt T dùng để phân chia không gian dữ liệu thành các bó dữ liệu làm cơ sở xác lập các tập mờ ở không gian vào. HLM1 được phát triển trên cơ sở kết hợp thuật toán CSHL và thuật toán Hyperplane Clustering của 1 là thuật toán huấn luyện mạng bao hàm việc định lượng mờ ở input thiết lập cấu trúc mạng neuron-fuzzy và giãi mờ ở output. Thuật toán HLM2 là sự phát triển tiếp theo của HLM1 trong đó đề cập tới việc xác định các tập mờ tối ưu ở không gian vào bằng phương pháp huấn luyện mạng neuron. Bài báo trình bày nhiều thí nghiệm kiểm chứng trên những tập dữ liệu khác nhau để so sánh hiệu quả của các thuật toán mới so với thuật toán 1 và một số thuật toán đã công bố. 1. ĐẶT VẤN ĐỀ Cho trước một tập TE gồm P cặp dữ liệu số x yt x xi.1xi.2.xn thể hiện giá trị của một hàm chưa biết f tại các điểm x yt f x i 1.P. Việc xác định hàm f thông qua Te có thể được thực hiện theo nhiều phương pháp khác nhau. Một trong những phương pháp thông dụng là sử dụng mô hình suy diễn mờ MI-SO của Takagi và Sugeno 7 còn được gọi là mô hình T-S. Theo mô hình này hàm f được xấp xỉ qua một hệ thống suy diễn mờ gồm M luật mờ T-S. Luật thứ k có dạng R k nếu Xu là B và . và xin là B thì yki Jajk xy a0k 1 j 1 trong đó x xi1xi2.xin là vector