tailieunhanh - Xây dựng hệ thống suy diễn Neuro-Fuzzy trên cơ sở xác lập các tập mờ tối ưu ở không gian vào

Cho trước một tập TS gồm P cặp dữ liệu số ( , ) i i x y 1 2 [ . ] i i i in x = x x x thể hiện giá trị của một hàm chưa biết f tại các điểm i x , ( ( )), i i y = f x i P =1. . Việc xác định hàm f thông qua TS 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. | TAÏP CHÍ PHAÙT TRIEÅN KH&CN, TAÄP 11, SOÁ 05- 2008 XÂY DỰNG HỆ THỐNG SUY DIỄN NEURO-FUZZY TRÊN CƠ SỞ XÁC LẬP CÁC TẬP MỜ TỐI ƯU Ở KHÔNG GIAN VÀO Nguyễn Sỹ Dũng(1), Ngô Kiều Nhi (2) (1) Trường Đại học Công nghiệp (2) Trường Đại học Bách khoa, ĐHQG-HCM 1. ĐẶT VẤN ĐỀ Cho trước một tập TΣ gồm P cặp dữ liệu số ( xi , yi ) xi = [ xi1 xi 2 .xin ] thể hiện giá trị của một hàm chưa biết f tại các điểm xi , ( yi = f ( xi )), i = . Việc xác định hàm f thông qua TΣ 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: n R ( k ) : nếu xi1 là B1( k ) và và xin là Bn( k ) thì yki = ∑ a (jk ) xij + a0( k ) (1) j =1 trong đó: xi = [ xi1 xi 2 .xin ] là vector dữ liệu vào thứ i, i=1 P. B ( k ) là tập mờ ở input; a (jk ) j = , là các trọng số thực ở output; yki là dữ liệu ra ứng với luật mờ thứ k, k=1 M. Theo mô hình T-S, phải thực hiện chia bó dữ liệu để xây dựng các tập mờ B ( k ) ở không gian vào. Một trong những phương pháp chia bó thường được sử dụng là phương pháp chia bó mờ của [5]. Gần đây, một nghiên cứu phát triển phương pháp này được trình bày trong [1] và [2], trong đó sử dụng giải pháp chia lớp dữ liệu ở không gian dữ liệu vào nhưng quá trình phân chia được tiến hành trong mối liên hệ ràng buộc qua lại giữa không gian dữ liệu vào và không gian dữ liệu ra. Theo phương pháp này, tập dữ liệu huấn luyện TΣ được chia thành nhiều lớp nhãn. Tập mẫu được gán nhãn TΣ , gọi tắt là tập mẫu nhãn, là cơ sở để xây dựng một tập các bó thuần chủng pHB, trong đó mỗi pHB là một siêu hộp chiếm một miền trong không gian dữ liệu ℜn được giới hạn bởi hai điểm cực trị - điểm min và điểm max. Hàm liên thuộc của từng bó được xây dựng dựa vào các điểm cực trị này. Tập mờ B ( k ) được xác lập dựa vào các giá trị min, max và hàm liên thuôc