MÔ HÌNH CƠ SỞ DỮ LIỆU HƯỚNG ĐỐI TƯỢNG MỜ

ĐẠI HỌC HUẾ
TRƯỜNG ĐẠI HỌC KHOA HỌC
KHOA CÔNG NGHỆ THÔNG TIN
  
TIỂU LUẬN
MÔN HỌC: LOGIC MỜ VÀ ỨNG DỤNG
Đề tài:
MÔ HÌNH CƠ SỞ DỮ LIỆU HƯỚNG
ĐỐI TƯỢNG MỜ
Giảng viên: Thực hiện: Nhóm 1
TS. Nguyễn Công Hào Trần Mừng
Nguyễn Thị Tố Châu
Nguyễn Văn Đức
Hoàng Minh Đức
Phạm Thị Mỹ Linh
Huế, Tháng 12 Năm 2011
MỤC LỤC
MỞ ĐẦU 3
NỘI DUNG 4
1.Giới thiệu 4
2. Mô hình cơ sở dữ liệu hướng đối tượng mờ (FOOD) 6
2.1 Tính không chắc chắn mức thuộc tính 6
2.2 Tính không chắc chắn mức đối tượng/lớp: 8
2.3 Tính không chắc chắn mức Lớp cha/Lớp con 13
14
Ta có các định nghĩa khoảng giá trị và độ phù hợp đối với các thuộc tính như sau: 15
rngSites(Location)={sw, ssw} 15
RLV(Location,Sites)=0.7 15
rngSites(Temperature)={normal, mild} 15
RLV(Temperature,Sites)=0.3 15
rngForest(Location)={s} 15

rngForest(Temperature)={low, normal} 15
Ta tính được các độ bao hàm của các thuộc tính như sau: 15
INC(rngSites(Location)/rngForest(Location))=Min[Max(µS(sw,s),Max(µS(ssw,s))]=Min[0
.5,1.0]=0.5 15
INC(rngSites(Temperature)/rngForest(Temperate))=Min[Max(µS(normal,low), 15
µS(normal,normal)),Max(µS(mild,low),µS(mild,normal))]=Min[Max(1,0.4), 15
Max(0.4,0.6)]=0.6 15
Áp dụng công thức tính độ thuộc của lớp Forest vào lớp Sites, ta có: 15
µSites(Forest)=[INC(rngSites(Location)/rngForest(Location))*RLV(Location,Sites) 15
+INC(rngSites(Temperature)/rngForest(Temperature))*RLV(Temperature,Sites)] 15
/[RLV(Location,Sites)+RLV(Temperature,Sites)]=0.5*0.7+0.6*0.3=0.53 15
3. Kết luận 16
TÀI LIỆU THAM KHẢO 17
2
MỞ ĐẦU
Sự kết hợp thông tin mờ trong các mô hình cơ sở dữ liệu đã trở thành một
chủ đề nghiên cứu cơ sở dữ liệu quan trọng bởi vì thông tin như vậy thực tế tồn tại
trong các ứng dụng tri thức và dữ liệu, trong đó dữ liệu mờ đóng vai trò là đầu vào
về bản chất. Đã có nhiều tiếp cận khác nhau trong việc biểu diễn và xử lý dữ liệu mờ
trong ngữ cảnh của cơ sở dữ liệu. Các mô hình cơ sở dữ liệu mờ đầu tiên chủ yếu
chỉ được nghiên cứu đối với mô hình quan hệ. Tuy nhiên mô hình cơ sở dữ liệu quan
hệ kinh điển và sự mở rộng mờ của nó không làm thỏa mãn nhu cầu mô hình hóa các
đối tượng phức tạp với thông tin không chính xác và không chắc chắn. Mô hình cơ
sở dữ liệu hướng đối tượng có thể biểu diễn các cấu trúc đối tượng phức tạp mà
không có sự phân mảnh dữ liệu tổng hợp và các mối quan hệ mô hình phức tạp của
các thuộc tính. Các nỗ lực nghiên cứu hiện tại đã tập trung vào việc mở rộng cơ sở
dữ liệu hướng đối tượng để xử lý các đối tượng phức tạp cùng với thông tin không
chính xác và không chắc chắn.
Đã có nhiều mô hình cơ sở dữ liệu hướng đối tượng mờ được đề xuất trong
hơn ba mươi năm qua, và nhiều kết quả thu được trong lĩnh vực này. Một số vấn đề

chủ yếu liên quan đến các mô hình này đã được nghiên cứu bao gồm: truy vấn và xử
lý dữ liệu, chuẩn hóa và phụ thuộc dữ liệu trong mô hình cơ sở dữ liệu hướng đối
tượng, lập chỉ mục, thiết kế và thực thi…Tiểu luận này tập trung trình bày về một số
khía cạnh chính của mô hình cơ sở dữ liệu hướng đối tượng mờ (FOOD).
Chúng em xin chân thành cảm ơn sự dạy bảo, định hướng nghiên cứu, cung
cấp tài liệu và hướng dẫn của Thầy TS. Nguyễn Công Hào đã giúp chúng em hoàn
thành tiểu luận này. Chúng em cũng xin chân thành cảm ơn các đồng nghiệp, anh chị
em học viên đã đóng góp ý kiến cho chúng em trong tiểu luận này. Do thời gian
cũng như kiến thức có hạn nên chắc chắn không tránh khỏi những thiếu sót, rất
mong nhận được sự góp ý của Thầy và các anh chị em học viên trong lớp để tiểu
luận này hoàn thiện hơn.

NHÓM 1
3
NỘI DUNG
1.Giới thiệu
Các mô hình dữ liệu kinh điển thường không có khả năng biểu diễn và thao
tác các thông tin không chính xác và không chắc chắn mà có thể xuất hiện trong
nhiều ứng dụng thế giới thực. Kể từ đầu những năm 1980, lý thuyết logic mờ
của Zadeh đã được sử dụng để mở rộng nhiều mô hình dữ liệu khác nhau. Mục
đích của việc giới thiệu logic mờ trong cơ sở dữ liệu là để nâng cao các mô hình
kinh điển sao cho thông tin không chắc chắn và không chính xác có thể được
biểu diễn và thao tác. Điều này dẫn đến nhiều đóng góp, chủ yếu là đối với mô
hình quan hệ hoặc dạng liên quan nào đó của nó.
Ngoài ra các tiến bộ nhanh chóng về khả năng tính toán của máy tính đã
mang lại cơ hội cho cơ sở dữ liệu trong các ứng dụng đang nổi lên (ví dụ, CAD /
CAM, đa phương tiện và GIS). Các ứng dụng này đòi hỏi một cách đặc trưng
việc mô hình hóa và thao tác các đối tượng phức tạp và các mối quan hệ ngữ
nghĩa. Người ta đã chứng minh rằng mô hình hướng đối tượng là rất tốt với các
yêu cầu này. Vì mô hình cơ sở dữ liệu quan hệ kinh điển và phần mở rộng mờ

của nó không đáp ứng các nhu cầu mô hình hóa các đối tượng phức tạp với sự
thiếu chính xác và không chắc chắn, nhiều nghiên cứu đã được tập trung vào các
mô hình cơ sở dữ liệu hướng đối tượng mờ để xử lý các đối tượng phức tạp cùng
với thông tin không chắc chắn.
Hơn ba mươi năm qua, đã có nhiều nghiên cứu trong lĩnh vực mô hình hóa
cơ sở dữ liệu mờ và đã thu được nhiều lợi ích và kết quả to lớn. Nhiều mô hình
cơ sở dữ liệu mờ hướng đối tượng đã được đề xuất, và một số vấn đề chính liên
quan đến các mô hình này đã được nghiên cứu. Dưới đây là một số mô hình cơ
sở dữ liệu hướng đối tượng mờ cơ bản được đề xuất.
- Mô hình FOOD dựa trên ODMG
Sự mở rộng ngữ nghĩa và cú pháp đối với mô hình đối tượng ODMG được
đề xuất để xử lý các đối tượng mờ và các vấn đề liên quan. Cho đến khi
FODMG được quan tâm, đã hình thành sự hợp tác nghiên cứu giữa các nhà
4
nghiên cứu CSDL mờ để xây dựng các khái niệm và thuật ngữ chung, hình thức
hóa và tích hợp nghiên cứu hiện tại về lĩnh vực CSDL HĐT mờ.
Tre, Caluwe và Cruyssen đã đề xuất một framework để kết hợp tính không
chắc chắn vào CSDL HĐT. Framework này về cơ bản được phát triển bằng cách
tích hợp các khía cạnh khác nhau từ CSDL HĐT dưới tiêu chuẩn trên thực tế
của ODMG và lý thuyết đại số dựa trên ràng buộc.
- Mô hình CSDL ngữ nghĩa mờ
Có nhiều đề xuất cho mô hình này trong đó trình bày các kỹ thuật để hình
thức hóa và khái niệm hóa ngữ nghĩa và tính mờ của thế giới thực theo cách
được chấp nhận đối với sự suy luận và nhận thức của con người, biểu diễn và
mô hình hóa sự mờ và sự không chắc chắn ở các mức độ khác nhau trong mô
hình hóa hướng đối tượng.
- Mô hình dựa trên đồ thị mờ
Mô hình này biểu diễn các đối tượng và các mối quan hệ mờ bằng đồ thị.
Miền giá trị mờ của các thuộc tính, quan hệ suy luận mờ, thể hiện mờ của mối
quan hệ và các mối quan hệ mờ IS-A cũng được giải thích và thể hiện để tạo ra

mô hình này.
- Mô hình CSDL HĐT mờ thông minh
Có nhiều đề xuất cho mô hình này, trong đó liên quan đến sự biểu diễn tri
thức dựa trên tính toán với từ; xử lý sự mờ ở các mức thuộc tính, đối tượng/lớp,
lớp/siêu lớp cùng các liên kết khác nhau giữa các lớp.
- Mô hình dựa trên tập thô
Có hai đề xuất cho mô hình này, thứ nhất là mô hình dựa trên hệ thống kiểu
đại số các ràng buộc được định nghĩa một cách hình thức. Mô hình dự liệu này
rất hữu ích trong việc biểu diễn các thực thể dữ liệu không gian và các mối quan
hệ giữa chúng. Thứ hai, là tiếp cận tích hợp sự không chắc chắn vào cơ sở dữ
liệu sử dụng quan hệ không phân biệt được và xấp xĩ trong lý thuyết tập thô.
- Mô hình dựa trên UFO (Uncertainty and Fuzziness in an Object-oriented)
5
Mô hình này cung cấp khả năng ngữ nghĩa nâng cao mô hình hướng đối
tượng để hỗ trợ sự không chính xác về thông tin. Sự không chính xác về thông
tin như vậy được giải quyết bằng phân bố khả năng và được mô hình hóa bằng
cách sử dụng khái niệm đối tượng vai trò. Các đối tượng vai trò này mô hình
hóa thông tin không chính xác cũng như các vai trò không chính xác.
2. Mô hình cơ sở dữ liệu hướng đối tượng mờ (FOOD)
Mô hình FOOD được đề xuất lần đầu tiên là mô hình dữ liệu dựa trên sự
tương tự (similitary-based). Có một tiếp cận khác của Yazici, R. George và
D.Aksoy đã mở rộng mô hình này để biểu diễn tốt hơn tính không chắc chắn.
Mô hình FOOD trong được sử dụng trong tiếp cận này được sử dụng như là mô
hình dữ liệu logic. Phần tiếp theo đây sẽ trình bày tóm tắt mô hình FOOD.
Mô hình FOOD chú ý đến việc biểu diễn thông tin mơ hồ, hay nói cách khác
sự mờ trong FOOD được thể hiện ở ba mức: mức thuộc tính, mức đối tượng/lớp
và mức lớp cha/lớp con.
2.1 Tính không chắc chắn mức thuộc tính
FOOD giải quyết ba kiểu của tính không chắc chắn ở cấp thuộc tính:
a. Kiểu thứ nhất là kiểu không đầy đủ xảy ra khi giá trị của thuộc tính

được xác định là một khoảng giá trị. Ví dụ, Số lượng khán giả xem một
trận bóng đá vào khoảng 10000-20000 người. Kiểu không chắc chắn
được gọi là "không đầy đủ."
b. Kiểu không chắc chắn thứ hai xảy ra khi giá trị của thuộc tính là chưa
biết (unk), không tồn tại (dne) hoặc không có thông tin về giá trị thuộc
tính có tồn tại hay không (ni) . Ví dụ, mô tả của một video có thể chưa
được biết (unk), mô tả cho một video có thể không tồn tại (dne) hoặc
chúng ta có thể không biết liệu một mô tả cho một video có tồn tại hay
không (ni). Kiểu không chắc chắn được gọi là "Null".
c. Kiểu thứ ba của tính không chắc chắn xảy ra khi giá trị của thuộc tính
được xác định một cách mơ hồ. Kiểu không chắc chắn này được gọi là
"mờ". Ví dụ, điều kiện thời tiết trong một trận đấu bóng đá có thể được
đặc tả với một thuật ngữ mờ "rất nóng".
6
Mỗi thuộc tính mờ có một miền giá trị (domain - tập hợp các giá trị mà thuộc
tính có thể lấy) độc lập với lớp của nó. Mỗi miền trị bao gồm các giá trị ngôn
ngữ được gọi là từ ngữ mờ (fuzzy term). Phạm vi (range) của một thuộc tính mờ
là một tập con của miền trị thuộc tính đó, biểu diễn các giá trị lý tưởng mà nó có
thể lấy nhưng thuộc tính này có thể lấy giá trị bất kỳ từ miền trị của nó. FOOD
cho phép định nghĩa độ phù hợp đối với các thuộc tính mờ, đó là một số thực
giữa 0 và 1 phản ánh tầm quan trọng của định nghĩa phạm vi của thuộc tính mờ
đó trong việc xác định ranh giới của các lớp. Phạm vi và sự phù hợp được sử
dụng để tìm ra độ thuộc của một đối tượng vào các lớp của nó, và độ thuộc của
một lớp vào các lớp cha của nó. Chúng giống nhau cho mỗi thể hiện của một
lớp.
Một mối quan hệ tương tự hay quan hệ tương đương mờ, được biểu diễn bởi
một ma trận tương tự, là cơ sở cho mô hình FOOD dựa trên sự tương tự
(similarity-based). Một ma trận tương tự định nghĩa sự tương tự giữa mỗi cặp
phần tử trong miền trị mờ. Một ví dụ ma trận tương tự của một thuộc tính mờ
tuổi được đưa ra trong Bảng 2.1. Miền trị của thuộc tính tuổi là {rất già, già, trẻ,

rất trẻ, trẻ con}
Bảng 2.1: Ma trận tương tự đối với thuộc tính mờ tuổi
Tuổi
Rất già Già Trẻ Rất trẻ Trẻ con
Rất già 1.0 0.7 0.0 0.0 0.0
Già 0.7 1.0 0.0 0.0 0.0
Trẻ 0.0 0.0 1.0 0.8 0.1
Rất trẻ 0.0 0.0 0.8 1.0 0.3
Trẻ con 0.0 0.0 0.1 0.3 1.0
Thuộc tính mờ là thuộc tính đa trị; do đó, nó có thể nhận một tập các giá trị
và các giá trị này được nối kết bởi một trong các thành phần ngữ nghĩa AND,
OR, XOR. Các biểu diễn sau đây được sử dụng cho các thuộc tính đa trị:
Toàn tử
logic
Biểu
diễn
AND <…>
7
OR {…}
XOR […]
Giả sử thuộc tính thời tiết, có miền giá trị {có mây, nắng, dịu mát, lạnh,
nóng, có mây}. Biểu diễn sau đây là hợp lệ:
AND: Giá trị của thuộc tính thời tiết là <có mây, lạnh>, có nghĩa là thời
tiết có nhiều mây và lạnh.
OR: Giá trị của thuộc tính thời tiết là {dịu mát, nóng}, có nghĩa là thời tiết
ôn hòa hoặc nóng, hoặc có thể cả hai.
XOR: Giá trị của thuộc tính thời tiết là [nóng, lạnh], có nghĩa là thời tiết
nóng hoặc lạnh, nhưng không phải cả hai.Ở đây, ý nghĩa của thành phần ngữ
nghĩa XOR là khác với toàn tử logic XOR.
Trong mô hình FOOD, ngữ nghĩa được xác định trong khi định nghĩa

phạm vi của một thuộc tính mờ. Ví dụ, hãy xem xét lớp C có các thuộc tính a, b
và c. Các định nghĩa phạm vi có thể được như sau:
rng
c
(a) = {a
1
, a
2
, a
3
} trong đó dom
c
(a) = {a
1
, a
2
, a
3
, a
4
, a
5
, …, a
k
} đối với ngữ
nghĩa OR.
rng
c
(b) = <b
1

, b
2
> trong đó dom
c
(b) = {b
1
, b
2
, b
3
, b
4
, b
5
, …, b
k
} đối với ngữ nghĩa
AND
rng
c
(c) = [c
1
, c
2
, c
3
] trong đó dom
c
(c) = {c
1

, c
2
, c
3
, c
4
, c
5
, …, c
k
} đối với ngữ nghĩa
XOR
2.2 Tính không chắc chắn mức đối tượng/lớp:
Tính không chắc chắn ở mức đối tượng/lớp đề cập đến sự tồn tại của tính
thuộc một phần của một đối tượng đến lớp của nó. Trong mô hình FOOD, các
ranh giới của một lớp có thể không chắc chắn vì nó có các thuộc tính mờ. Phạm
vi của một thuộc tính mờ cho thấy biết các giá trị lý tưởng cho thuộc tính đó.
Vì một thuộc tính mờ có thể lấy giá trị bất kỳ từ miền trị của nó bất kể định
nghĩa phạm vi của nó, một số đối tượng là phần tử đầy đủ của các lớp của chúng
với một độ thuộc là 1 trong khi một số đối tượng là phần tử của lớp với một độ
thuộc thay đổi giữa 0 và 1. Các giá trị thuộc tính mờ của một đối tượng xác định
8
độ thuộc của đối tượng đó đến các lớp của nó. Giá trị các thuộc tính mờ của một
đối tượng đối càng gần với các định nghĩa phạm vi, thì độ thuộc đối tượng đó
càng cao hơn. Mức độ phù hợp và tương tự giữa các giá trị thuộc tính mờ và các
định nghĩa phạm vi của chúng xác định độ thuộc của một đối tượng đến lớp của
nó. Để tìm độ thuộc đối tượng o
j
vào lớp C, sử dụng công thức sau đây:
Trong công thức:

- INC (rng
C
(a
i
) / o
j
(a
i
)) là độ bao hàm giá trị của thuộc tính a
i
đối
với phạm vi của nó. Việc tính toán độ bao hàm phụ thuộc vào ngữ
nghĩa của các thuộc tính mà có thể là một trong số các ngữ nghĩa
AND, OR, XOR.
- RLV (a
i
, C) là độ phù hợp của thuộc tính a
i
. Trung bình trọng số
được sử dụng để tính toán độ thuộc của đối tượng.
Công thức bao hàm đối với thuộc tính mờ:
Việc tính toán độ bao hàm đối với các ngữ nghĩa khác nhau được giải thích dưới
đây:
1 – Ngữ nghĩa AND:
Ngữ nghĩa AND là mạnh vì khi nó yêu cầu tất cả các giá trị xuất hiện cùng một
lúc. Công thức ngữ nghĩa AND như sau:
INC(rng
C
(a
i

)/o
j
(a
i
))= Min[Min[Max(µ
S
(x,y))],Min[Max(µ
S
(z,w)]],
∀x ∈ rng
C
(a
i
), ∀y ∈ o
j
(a
i
), ∀z ∈ o
j
(a
i
), ∀w ∈ rng
C
(a
i
).
9
Ví dụ: Xét lớp nhân viên được định nghĩa như sau:
class Nhanvien
{

FuzzyInteger tuoi;
FuzzyString maumat;
public nhanvien(tuoi){}
}
Cho độ phù hợp của các thuộc tính, định nghĩa khoảng giá trị của thuộc tính tuổi
và giá trị các đối tượng ở thuộc tính tuổi như sau :
RLV(tuoi,Nhanvien)=0.8, RLV(maumat, Nhanvien)=0.2
rng
Nhanvien
(tuoi)=<gia, rat gia>
o
1
(tuoi)= <tre, gia>
o
2
(tuoi)= <gia>
Ma trận tương tự của thuộc tính mờ tuổi cho trong bảng dưới đây
Tuoi Rat gia Gia Tre Rat tre Tre con
Rat gia 1.0 0.7 0.0 0.0 0.0
Gia 0.7 1.0 0.0 0.0 0.0
Tre 0.0 0.0 1.0 0.8 0.1
Rat tre 0.0 0.0 0.8 1.0 0.3
Tre con 0.0 0.0 0.1 0.3 1.0
- INC(rng
nhanvien
(tuoi)/o
1
(tuoi))= Min[Min[Max(µ
S
(gia,tre), µ

S
(gia, gia)),
10
Max(µ
S
(rat gia, tre), µ
S
(rat gia, gia))], Min[Max(µ
S
(tre, gia), µ
S
(tre, rat gia)),
Max(µ
S
( gia, gia), µ
S
(gia, rat
gia))]]=Min[Min[Max(0,1),Max(0,0.7)],Min[Max(0, 0)),Max(1,0.7)]]=0
- INC(rng
nhanvien
(tuoi)/o
2
(tuoi))= Min[Min[Max(µ
S
(gia,gia), Max(µ
S
(rat gia, gia)],
Min[Max(µ
S
(gia, gia), Max(µ

S
(gia, rat gia)]]=Min[Min[Max(1), Max(0.7)],
Min[Max(1), Max(0.7)]]=0.7
2- Ngữ nghĩa OR:
Khi các giá trị của một thuộc tính trở nên khác nhau nhiều hơn, độ không chắc
chắn tăng lên. Công thức ngữ nghĩa OR như sau:
INC(rng
C
(a
i
)/o
j
(a
i
)) = Min[Max(µ
S
(x,z)),Threshold(o
j
(a
i
))],
∀x ∈ o
j
(a
i
),∀z ∈ rng
C
(a
i
)

Ở đây, giá trị ngưỡng chứng tỏ rằng mức tương tự tối thiểu giữa các giá trị của
một thuộc tính và xây dựng như sau:
Threshold(o
j
(a
i
)) = Min[µS(x,z)], ∀x,∀z ∈ o
j
(a
i
)
Ví dụ: Xét lớp nhân viên và ma trận tương tự đã xét ở trên, và định nghĩa khoảng
giá trị của thuộc tính tuổi và giá trị của hai đối tượng o
1
, o
2
đối với thuộc tính tuổi
như sau:
rng
nhanvien
(tuoi)={gia, rat gia}
o
1
(tuoi)={tre, gia}
o
2
(tuoi)={gia}
- Threshold(o
1
(tuoi)) = Min[µ

S
(tre,tre), µ
S
(gia,tre), µ
S
(gia,gia)]=Min[1,0,1]=0
- Threshold(o
2
(tuoi)) = 1
- INC(rng
nhanvien
(tuoi)/o
1
(tuoi))= Min[Max(µ
S
(tre,gia), µ
S
(tre,rat gia), µ
S
(gia,gia),
µ
S
(gia,rat gia)),Threshold(o
1
(tuoi))]=Min[Max(0,0,1, 0.7),0]=0
- INC(rng
nhanvien
(tuoi)/o
2
(tuoi))=

11
Min[Max(µ
S
(gia,gia),µ
S
(gia,ratgia)),Threshold(o
2
(tuoi))]=Min[Max(1,0.7),1]=1
3- Ngữ nghĩa XOR:
Với ngữ nghĩa XOR, chỉ có một trong những giá trị thuộc tính tồn tại ở một thời
điểm. Giả sử xác suất bằng nhau cho các giá trị một thuộc tính, công thức ngữ
nghĩa XOR là như sau:
INC(rng
C
(a
i
)/o
j
(a
i
)) = Avg[Max(µS(x,y))], ∀x ∈ o
j
(a
i
),∀y ∈ rng
C
(a
i
)
Ví dụ: Xét lớp nhân viên và ma trận tương tự đã xét ở trên, định nghĩa khoảng

giá trị của thuộc tính tuổi và giá trị của hai đối tượng o
1
, o
2
đối với thuộc tính
tuổi như sau:
rng
nhanvien
(tuoi)=[gia, rat gia]
o
1
(tuoi)=[tre, gia]
o
2
(tuoi)=[gia]
- INC(rng
nhanvien
(tuoi)/o
1
(tuoi))= Avg[Max(µ
S
(tre,gia), µ
S
(tre,rat
gia)),Max( µ
S
(gia, gia), µ
S
(gia,rat gia))]= Avg[Max(0,0), Max(1,0.7)]=0.5
- INC(rng

nhanvien
(tuoi)/o
2
(tuoi))= 1
Công thức Bao hàm đối với thuộc tính không đầy đủ
Miền trị và phạm vi của một thuộc tính không đầy đủ được định nghĩa bằng
cách sử dụng khoảng giá trị được biểu diễn bởi hai giá trị như {100 - 10000}.
Xem xét giá trị một thuộc tính không đầy đủ, có năm trường hợp để tính toán độ
bao hàm các giá trị phạm vi của thuộc tính . Những trường hợp này được liệt kê
dưới đây:
R [R
1
R
2
] là phạm vi của thuộc tính
V [V
1
V
2
] là giá trị của thuộc tính
D [D
1
D
2
] là miền trị của thuộc tính
1 - Giá trị của thuộc tính nằm bên trong biên của phạm vi thuộc tính. Trong
trường hợp này, độ bao hàm 1.
12
INC(rng
C

(a
i
)/o
j
(a
i
)) = 1, trong đó R
2
≥ V
2
> V
1
≥ R
1
2 - Giá trị của thuộc tính bên ngoài của phạm vi thuộc tính. Trong trường hợp
này, độ bao hàm là 0.
INC(rng
C
(a
i
)/o
j
(a
i
)) = 0, trong đó R
1
> V
2
> V
1

≥ D
1
or D
2
≥ V
2
> V
1
> R
2
3 - Phạm vi thuộc tính là tập hợp con của giá trị thuộc tính.
Trong trường hợp này, độ bao hàm được tính toán bằng sử dụng công thức sau
để tính:
INC(rng
C
(a
i
)/o
j
(a
i
)) = (R
2
- R
1
+ 1) / (V
2
- V
1
+ 1), trong đo V

2
≥ R
2
>

R
1
≥

V
1
4 - Phạm vi và giá trị của thuộc tính giao nhau ở phía dưới của phạm vi.
Trong trường hợp này, độ bao hàm sử dụng công thức sau để tính:
INC(rng
C
(a
i
)/o
j
(a
i
)) = (V
2
- R
1
+ 1) / (V
2
- V
1
+ 1), where R

2
≥ V
2
≥
R
1
≥

V
1
5 - Phạm vi và giá trị của thuộc tính giao nhau ở phía trên của phạm vi.
Trong trường hợp này, độ bao hàm sử dụng công thức sau để tính:
INC(rng
C
(a
i
)/o
j
(a
i
)) = (R
2
- V
1
+ 1) / (V
2
- V
1
+ 1), where V
2

≥ R
2
≥
V
1
≥

R
1
2.3 Tính không chắc chắn mức Lớp cha/Lớp con
Sự không chắc chắn ở cấp lớp cha/lớp con đề cập đến sự tồn tại của tính thuộc
một phần của một lớp đến các lớp cha của nó. Kiểu không chắc chắn này cho
thấy rằng tính mờ xuất hiện ở phân cấp kế thừa lớp vì sự thừa kế lớp có thể
không được xây dựng một cách chính xác trong một số trường hợp. Độ thuộc
của một lớp C vào lớp cha C
i
của nó được tính theo công thức sau đây:
Trong đó: INC = Min(Max[µ
S
(x,y)]), ∀x ∈ rng
ci
(a
i
), ∀y ∈ rng
c
(a
i
),
13
Ví dụ: Ta tính độ phụ thuộc của lớp Forest vào lớp Sites, ma trận tương tự của các

thuộc tính Location, Temperature được cho ở các bảng bên dưới.
Hình 1. Mối quan hệ IS-A của lớp Forest và lớp Sites
Bảng 1. Ma trận tương tự của thuộc tính Temperature
Bảng 2. Ma trận tương tự của thuộc tính Location
14
Ta có các định nghĩa khoảng giá trị và độ phù hợp đối với các thuộc tính như
sau:
rng
Sites
(Location)={sw, ssw}
RLV(Location,Sites)=0.7
rng
Sites
(Temperature)={normal, mild}
RLV(Temperature,Sites)=0.3
rng
Forest
(Location)={s}
rng
Forest
(Temperature)={low, normal}
Ta tính được các độ bao hàm của các thuộc tính như sau:
INC(rng
Sites
(Location)/rng
Forest
(Location))=Min[Max(µ
S
(sw,s),Max(µ
S

(ssw,s))]=
Min[0.5,1.0]=0.5
INC(rng
Sites
(Temperature)/rng
Forest
(Temperate))=Min[Max(µ
S
(normal,low),
µ
S
(normal,normal)),Max(µ
S
(mild,low),µ
S
(mild,normal))]=Min[Max(1,0.4),
Max(0.4,0.6)]=0.6
Áp dụng công thức tính độ thuộc của lớp Forest vào lớp Sites, ta có:
µ
Sites
(Forest)=[INC(rng
Sites
(Location)/rng
Forest
(Location))*RLV(Location,Sites)
+INC(rng
Sites
(Temperature)/rng
Forest
(Temperature))*RLV(Temperature,Sites)]

/[RLV(Location,Sites)+RLV(Temperature,Sites)]=0.5*0.7+0.6*0.3=0.53.
15
3. Kết luận
Mô hình cơ sở dữ liệu hướng đối tượng được xem là tốt hơn so với mô hình
cơ sở dữ liệu quan hệ và các mô hình khác, do việc tăng nhu cầu của các tiếp
cận mới để xử lý dữ liệu phức tạp, mối quan hệ phức tạp giữa các ứng dụng dữ
liệu lớn. Mô hình CSDL này phù hợp với các ứng dụng hiện đại như
CAD/CAM, GIS, VLSI…Trong các ứng dụng này nhiều kiểu thông tin không
chính xác tồn tại. Do các thông tin không đầy đủ và mơ hồ như vậy được chấp
nhận nên cần sử dụng các kỹ thuật mờ để thao tác và biểu diễn các thông tin đó.
Việc tích hợp các kỹ thuật mờ vào cơ sở dữ liệu khiến cho các hệ thống này gần
với hoạt động của con người hơn.
Tiểu luận này đã tập trung mô tả các khía cạnh chủ yếu của mô hình FOOD
mà dựa trên quan hệ tương tự. Trong mô hình này, tính mờ xuât hiện ở ba mức:
thuộc tính, đối tượng/lớp và lớp/siêu lớp. Ở mức thuộc tính, có ba kiểu không
chắc chắn trong giá trị của thuộc tính. Mức đối tương/lớp thể hiện mối quan hệ
giữa các đối tượng với lớp của nó với một độ thuộc nào đó. Mức lớp cha/lớp con
đề cập đến tính thuộc một phần của một lớp vào các lớp cha của nó. Cùng với
mô tả chi tiết mỗi mức trên, tiểu luận cũng dẫn ra các công thức, ví dụ về xử lý
tính mờ trong các mức trên như tính độ thuộc của một đối tượng vào một lớp, độ
thuộc của một lớp con vào lớp cha của nó.
16
TÀI LIỆU THAM KHẢO
[1] Z. M. Ma, Li Yan, A Literature Overview of Fuzzy Database Models,
Journal Of Information Science And Engineering 24, 189-202 (2008).
[2]Nezihe Burcu Özgür, An Intelligent Fuzzy Object-Oriented Database
Framework For Video Database Applications, 2007.
17