xây dựng hệ luật mờ mamdani từ cơ sở dữ liệu số

i
S húa bi Trung tõm Hc liu


đại học thái nguyên
Tr-ờng đại học CÔNG NGHệ THÔNG TIN Và TRUYềN THÔNG




O TH MINH HON
XY DNG H LUT M MAMDANI
T C S D LIU S


Chuyờn ngnh: KHOA HC MY TNH
Mó s : 60.48.01


LUN VN THC S KHOA HC MY TNH



THI NGUYấN - 2014

ii
Số hóa bởi Trung tâm Học liệu


LỜI CAM ĐOAN

Tôi xin cam đoan đây là công trình nghiên cứu của riêng tôi. Tất cả tài
liệu tham khảo đều có nguồn gốc, xuất xứ rõ ràng.
Tôi xin cam đoan tất cả những nội dung trong luận văn đúng nhƣ nội dung
trong đề cƣơng và yêu cầu của thầy giáo hƣớng dẫn. Nếu sai tôi xin hoàn toàn
chịu trách nhiệm trƣớc Hội đồng khoa học và trƣớc Pháp luật.

Thái Nguyên, tháng 11 năm 2014
Tác giả



Đào Thị Minh Hoàn

iii
Số hóa bởi Trung tâm Học liệu


LỜI CẢM ƠN
Lời đầu tiên cho phép tôi bày tỏ lòng biết ơn sâu sắc tới TS. Trần Thái
Sơn – Viện Công Nghệ Thông Tin – Viện Hàn Lâm Khoa Học và Công Nghệ Việt
Nam đã giúp đỡ và chỉ dẫn tận tình cho tôi về định hƣớng đề tài, hƣớng dẫn tôi
trong việc tiếp cận và khai thác các tài liệu tham khảo cũng nhƣ chỉ bảo cho tôi
trong quá trình tôi viết luận văn và hoàn thành luận văn.
Tôi xin chân thành cảm ơn Ban giám hiệu, Khoa sau đại học trƣờng Đại
học Công Nghệ Thông Tin và Truyền Thông Thái Nguyên đã tạo mọi điều kiện
giúp tôi nghiên cứu và hoàn thành luận văn này.
Do điều kiện thời gian và phạm vi nghiên cứu có hạn, luận văn không
tránh khỏi những thiếu sót, tác giả luận văn kính mong nhận đƣợc sự chỉ dẫn và
góp ý thêm của các thầy giáo, cô giáo và các anh chị học viên để luận văn trở nên
hoàn thiện hơn.
Tác giả

Đào Thị Minh Hoàn

iv
Số hóa bởi Trung tâm Học liệu


MỤC LỤC
LỜI CAM ĐOAN i
LỜI CẢM ƠN iii
MỤC LỤC iv
DANH MỤC CÁC HÌNH vi
DANH MỤC CÁC KÝ HIỆU, CÁC CHỮ VIẾT TẮT vii
MỞ ĐẦU 1
Chƣơng 1: TẬP MỜ VÀ GIẢI THUẬT DI TRUYỀN 3
1.1. Tổng quan về tập mờ 3
1.1.1. Mở đầu 3
1.1.2. Kiến thức cơ sở về tập mờ 3
1.1.3. Biến ngôn ngữ 8
1.1.4. Lôgic mờ 9
1.1.5. Lập luận xấp xỉ 13
1.2. Giải thuật di truyền 17
1.2.1. Những khái niệm cơ bản về giải thuật di truyền 17
1.2.2. Các tính chất đặc thù của thuật giải di truyền 19
1.2.3. Các bƣớc quan trọng trong việc áp dụng giải thuật di truyền 20
1.2.4. Các phƣơng thức biến hoá của giải thuật di truyền 20
Chƣơng 2:: GIẢI BÀI TOÁN XÂY DỰNG HỆ LUẬT MỜ THEO CÁCH
TIẾP CẬN CỦA LÝ THUYẾT TẬP MỜ. ỨNG DỤNG VÀO BÀI TOÁN
HỒI QUY MỜ 23
2.1. Bài toán trích chọn luật mờ từ cơ sở dữ liệu 23

2.1.1. Chuyển đổi CSDL số sang CSDL mờ: mục đích và phƣơng pháp giải. 24
2.1.2. Bài toán hồi quy mờ 24
2.2. Xây dựng hệ luật mờ từ CSDL - nhóm giải pháp 2 giai doạn. 28
2.3. Xây dựng hệ luật mờ từ CSDL – nhóm giải pháp 1 giai doạn. 36
Chƣơng 3:CHƢƠNG TRÌNH THỬ NGHIỆM 38

v
Số hóa bởi Trung tâm Học liệu


3.1. Đặt bài toán 38
3.2. Tìm kiếm hệ luật tối ƣu dựa trên giải thuật di truyền lai 39
3.3. Chƣơng trình 44
3.3.1. Cài đặt chƣơng trình 44
3.3.2. Giao diện của chƣơng trình 44
KẾT LUẬN 53
TÀI LIỆU THAM KHẢO 54





vi
Số hóa bởi Trung tâm Học liệu


DANH MỤC CÁC HÌNH


Hình 1.1: Đồ thị biểu diễn hàm thuộc của tập mờ già (old) 6

Hình 1.2: Mã hóa cá thể từ không gian các lời giải của bài toán 18
Hình 2.1: Các bộ phận của không gian đầu vào và đầu ra thành các vùng
mờ có chức năng thành viên tƣơng ứng. (a) rn(ri). (b) 01(12). (c) oi(y). 36
Hình 3.1: Sơ đồ mã hóa cá thể chọn hệ luật cho thuật toán SGA 40




vii
Số hóa bởi Trung tâm Học liệu


DANH MỤC CÁC KÝ HIỆU, CÁC CHỮ VIẾT TẮT

Các kí hiệu,
các chữ viết tắt
Ý nghĩa
U
Tập vũ trụ
A
Tập mờ

A
(x)
Ánh xạ từ U vào [0,1]
Ỹ
Là đầu ra mờ
FRBCS
Fuzzy Rule Based Classification Systems
CSDL

Cơ sở dữ liệu
GA
Giải thuật di truyền
MF
Hàm thuộc
FB
CSDL mờ
SGA
Thuật toán di truyền lai

1
Số hóa bởi Trung tâm Học liệu

MỞ ĐẦU
Khai phá dữ liệu, rộng hơn là khai phá tri thức đã và đang thu hút sự chú ý
mạnh mẽ của các nhà nghiên cứu trên thế giới và ở Việt Nam. Do sự bùng nổ
thông tin trong mọi lĩnh vực của đời sống, đòi hỏi phải có những phƣơng pháp
khoa học và công nghệ để khai thác có hiệu quả từ khối lƣợng thông tin khổng lồ
những tri thức cần thiết giúp cho con ngƣời hoạch định những chiến lƣợc, chính
sách cho xã hội. Hồi quy (regression), một trong những hƣớng nghiên cứu chính
trong khai phá dữ liệu, có nhiệm vụ từ những tập dữ liệu mẫu rút ra các quy luật
để dự báo mô hình và kết quả có thể xẩy ra trong dữ liệu tƣơng lai. Hồi quy toán
học đã phát triển từ khá lâu và cũng đạt đƣợc nhiều kết quả tốt đẹp, tuy nhiên so
với yêu cầu thực tế thì vẫn còn nhiều việc phải làm, nhƣ tăng tính chính xác của
mô hình, giảm thời gian tính toán đến mức tối thiểu, nghiên cứu các mối tƣơng
quan nhiều biến phức tạp Với sự phát triển mạnh mẽ của công nghệ thông tin,
gần đây nhiều hƣớng nghiên cứu mới giải bài toán hồi quy đã ra đời, trong đó có
hƣớng nghiên cứu hồi quy mờ dựa trên hệ luật mờ đặc biệt đƣợc quan tâm do
tính hiệu quả kết hợp với độ chính xác khá cao của thuật toán, đáp ứng nhu cầu
khai thác dữ liệu mờ hiện nay. Hệ luật mờ Mamdani (MFRBS) bao gồm M luật

có dạng
R
m
: IF X
1
is AND …AND X
F
is THEN X
F+1
is (1)
m = 1, , M
Trong đó X = {X
1
, , X
f
, , X
F
} là tập các biến ngôn ngữ đầu vào và X
F+1
là biến
đầu ra.
Nhƣ vậy, MFRBS có đặc điểm khác các mô hình khác là các biến đầu vào
và ra đều là mờ dƣới dạng từ của ngôn ngữ tự nhiên. Đặc điểm này mang lại tính
“thân thiện” với con ngƣời vì suy luận trên các từ của ngôn ngữ tự nhiên là đặc
điểm của con ngƣời. Các luật cũng đƣợc biểu diễn dƣới dạng quen thuộc với suy
nghĩ và lập luận của con ngƣời. Hiện tại MFRBS đƣợc nghiên cứu sử dụng rộng
rãi trong nghiên cứu ở các lĩnh vực điều khiển tự động, khai phá dữ liệu Với
bài toán hồi quy mờ, MFRBS đƣợc coi nhƣ một biểu diễn xấp xỉ của một siêu

2

Số hóa bởi Trung tâm Học liệu

mặt trong không gian M+1 chiều, cho phép với đầu vào là một vecto M chiều các
giá trị thực (hoặc ngôn ngữ) có thể suy ra giá trị đầu ra (giá trị số). Luận văn có
nhiệm vụ nghiên cứu tổng hợp và đề xuất giải pháp xây dựng một hệ luật mờ
Mamdani ứng dụng vào giải quyết bài toán hồi quy mờ trong thực tế.
Về bố cục, luận văn gồm phần mở đầu, 3 chƣơng, phần kết luận và tài liệu
tham khảo.
Phần mở đầu nêu mục đích yêu cầu và cách tiếp cận giải bài toán hồi quy
mờ thông qua hệ luật mờ Mandani theo cách tiếp cận lý thuyết tập mờ.
Chƣơng 1: Tập mờ và giải thuật di truyền
Trong chƣơng này trình bày các kiến thức cơ bản về tập mờ và giải thuật di
truyền.
Chƣơng 2: Giải bài toán xây dựng hệ luật mờ theo cách tiếp cận của lý
thuyết tập mờ. Ứng dụng vào bài toán hồi quy mờ
Đề xuất cách xây dựng hệ luật mờ Mandani và sử dụng hệ luật mờ này giải
quyết bài toán hồi quy mờ.
Chƣơng 3: Chƣơng trình thử nghiệm
Trình bày chƣơng trình thử nghiệm minh họa cho cách tiếp cận lý thuyết
tập mờ trong việc giải bài toán hồi quy mờ.









3

Số hóa bởi Trung tâm Học liệu

Chƣơng 1
TẬP MỜ VÀ GIẢI THUẬT DI TRUYỀN
1.1. Tổng quan về tập mờ
1.1.1. Mở đầu
Lý thuyết tập mờ đƣợc đề xuất bởi L. A. Zadeh năm 1965, và có lẽ đến nay
thuật ngữ “fuzzy” trở nên rõ ràng đối với các nhà nghiên cứu và các kỹ sƣ. Nó đã
và đang đƣợc tiếp tục nghiên cứu rất mạnh mẽ. Bằng các phƣơng pháp tiếp cận
khác nhau, các nhà nghiên cứu nhƣ Dubois, Prade, Mamdani, Tagaki, Sugeno,…
đã đƣa ra những kết quả cả về lý thuyết và ứng dụng trong các bài toán điều
khiển mờ, khai phá dữ liệu mờ, cơ sở dữ liệu mờ, các hệ hỗ trợ và quyết định
Hệ suy diễn mờ áp dụng cho lập luận xấp xỉ đƣợc phát triển dựa trên lý
thuyết tập mờ, với những ràng buộc nhất định, đƣợc xem nhƣ là một bộ xấp xỉ vạn
năng. Hơn nữa, thế mạnh của hệ mờ là có thể xấp xỉ các hành vi hệ thống mà ở đó
các hàm giải tích hoặc các quan hệ dạng số không tồn tại. Vì vậy, hệ mờ có tiềm
năng to lớn để ứng dụng giải quyết các hệ thống phức tạp nhƣ hệ sinh học, hệ xã
hội, hệ kinh tế và hệ thống chính trị. Mặt khác, hệ mờ còn có thể ứng dụng trong
các hệ thống ít phức tạp, ở đó không cần một giải pháp chính xác mà chỉ cần một
giải pháp xấp xỉ nhƣng nhanh hơn, hiệu quả hơn khi giảm chi phí tính toán.
1.1.2. Kiến thức cơ sở về tập mờ
Là ngƣời khởi xƣớng cho lý thuyết tập mờ, L. A. Zadeh đã có rất nhiều
nghiên cứu mở đƣờng cho sự phát triển và ứng dụng. Ý tƣởng nổi bật của Zadeh là
từ những khái niệm trừu tƣợng về ngữ nghĩa của thông tin mờ, không chắc chắn
nhƣ trẻ-già, nhanh-chậm, cao-thấp,… Ông đã tìm cách biểu diễn chúng bằng một
khái niệm toán học, đƣợc gọi là tập mờ và đƣợc định nghĩa nhƣ sau.
Định nghĩa 1.1. Cho một tập vũ trụ U với các phần tử ký hiệu bởi x,
U={x}. Một tập mờ A trên U là tập đƣợc đặc trƣng bởi một hàm

A

(x) mà nó liên
kết mỗi phần tử xU với một số thực trong đoạn [0,1]. Giá trị hàm

A
(x) biểu

4
Số hóa bởi Trung tâm Học liệu

diễn mức độ thuộc của x trong A.

A
(x) là một ánh xạ từ U vào [0,1] và đƣợc gọi
là hàm thuộc của tập mờ A.
Nhƣ vậy, giá trị hàm

A
(x) càng gần tới 1 thì mức độ thuộc của x trong A
càng cao. Khi A là một tập hợp kinh điển, hàm thuộc của nó,

A
(x), chỉ nhận 2
giá trị 1 hoặc 0, tƣơng ứng với x có nằm trong A hay không. Rõ ràng, tập mờ là
sự mở rộng của khái niệm tập hợp kinh điển. Các khái niệm, phép toán trong lý
thuyết tập kinh điển cũng đƣợc mở rộng cho các tập mờ.
Họ tất cả các tập mờ trên miền cơ sở U là không gian các hàm từ U vào
đoạn [0,1], tức là
( ,[0,1])UF
= {


A
: U

[0,1]}, một không gian tƣơng đối giàu
về cấu trúc tính toán mà nhiều nhà nghiên cứu đã sử dụng cho việc mô phỏng các
phƣơng pháp suy luận của con ngƣời.
Chúng ta có thể biểu diễn tập mờ bằng các cách sau, tùy theo tập U là hữu
hạn, đếm đƣợc hay vô hạn liên tục:
- Trƣờng hợp U hữu hạn, U={u
i
: 1i n}, ta có thể viết
A =

A
(u
1
)/u
1
+

A
(u
2
)/u
2
+ … +

A
(u
n

)/u
n
= 
1i n

A
(u
i
)/u
i

- Trƣờng hợp U vô hạn đếm đƣợc, U={u
i
: i=1,2,… }, ta viết
A = 
1i <

A
(u
i
)/u
i

- Trƣờng hợp U vô hạn liên tục, U=[a,b], ta viết
A =
( ) /
b
A
a
uu




Sau đây ta định nghĩa một số khái niệm đặc trƣng liên quan đến tập mờ.
Định nghĩa 1.2. Cho một tập mờ A trên tập vũ trụ U và [0,1]. Tập lát cắt
 của A là một tập kinh điển, ký hiệu A

, đƣợc xác định nhƣ sau :
A

= {u U :

A
(u)}.
Tập A

còn gọi là tập mức  của A.
Định nghĩa 1.3. Cho một tập mờ A trên tập vũ trụ U,
i) Giá của tập mờ A, ký hiệu support(A), là tập con của U trên đó

A
(u)0, tức là support(A) = {u U :

A
(u)0}.

5
Số hóa bởi Trung tâm Học liệu

ii) Độ cao của tập mờ A, ký hiệu high(A), là cận trên đúng của hàm

thuộc

A
(u) trên U, tức là high(A) = sup{

A
(u) : uU}.
iii) A đƣợc gọi là tập mờ chuẩn nếu high(A)=1. Ngƣợc lại gọi là tập
mờ dƣới chuẩn.
iv) Lõi của tập mờ A, ký hiệu core(A), là một tập con của U đƣợc xác
định nhƣ sau:
core(A) = {uU:

A
(u) = high(A)}.
Định nghĩa 1.4. Cho một tập mờ A trên tập vũ trụ U,
i) Lực lƣợng vô hƣớng hay bản số của tập mờ A, ký hiệu count(A),
đƣợc xác định là:
count(A) = 
uU

A
(u), nếu U là hữu hạn hay đếm đƣợc,
= 
U

A
(u)du, nếu U là vô hạn liên tục.
ii) Lực lƣợng mờ hay bản số mờ của tập mờ A, ký hiệu card(A), là
một tập mờ trên tập các số nguyên không âm N, đƣợc xác định nhƣ sau:

card(A) = 
N

card(A)
(n)dn
trong đó,

card(A)
(n) đƣợc xác định theo công thức sau, với
|A

| là lực lƣợng tập mức A

,


card(A)
(n) = sup{t[0,1] : |A

| = n}.
Ví dụ 1.1. Cho tập vũ trụ chỉ tuổi tính chẵn năm U={u : 0u 120}, A là
một tập mờ chỉ tuổi già (old) đƣợc xác định bởi hàm thuộc sau [2] (hình 1.1):

21
60
6
0 [0,60]
()
(1 ( ) ) [61,120]
old

u
u
u
u












Khi đó tập mức =0.5 của A là A
0.5
= {u : 66 u 120} ; support(A) = {u :
61u120} ; high(A) = 1.01
-1
; core(A) = {120}.

6
Số hóa bởi Trung tâm Học liệu



Hình 1.1: Đồ thị biểu diễn hàm thuộc của tập mờ già (old)
Tiếp theo chúng ta định nghĩa một số phép toán cơ bản trên tập mờ, các

phép này làm cơ sở cho việc phát triển lôgíc mờ và lập luận xấp xỉ sau này.
Định nghĩa 1.5. Cho hai tập mờ A và B trên tập nền U có hàm thuộc tƣơng
ứng là

A
và

B
, ba phép toán cơ bản là hợp, giao của hai tập mờ và lấy phần bù
của tập mờ A là một tập mờ C, đƣợc viết là
C = AB, hoặc C = AB, hoặc C = A
~

với hàm thuộc đƣợc xác định nhƣ sau:

AB
(u) = max(

A
(u),

B
(u)), uU,

AB
(u) = min(

A
(u),


B
(u)), uU,

A~
(u) = 1-

A
(u), uU.
Hay viết ở dạng thu gọn là

AB
(u) =

A
(u)

B
(u)),

A

B
(u) =

A
(u) 

B
(u)).
Ví dụ 1.2. Xét tập nền U = {1,2,3,4,5,6,8,9,10,11} là tập các giá trị trong

thang điểm 10 đánh giá kết quả học tập của học sinh. Hai tập mờ G và K tƣơng
ứng là hai khái niệm mờ về năng lực học giỏi và học kém, với hàm thuộc đƣợc
cho dƣới dạng bảng nhƣ sau:
uU
1
2
3
4
5
6
7
8
9
10

G
(u)
0.0
0.0
0.0
0.1
0.3
0.5
0.7
0.9
1.0
1.0

K
(u)

1.0
0.9
0.8
0.6
0.4
0.2
0.0
0.0
0.0
0.0

7
Số hóa bởi Trung tâm Học liệu

Ta có kết quả của các phép toán trên hai tập mờ này với hàm thuộc thể hiện
trong bảng sau:
uU
1
2
3
4
5
6
7
8
9
10

GK
(u)

0.0
0.0
0.0
0.6
0.5
0.5
0.7
0.9
1.0
1.0

GK
(u)
0.0
0.0
0.0
0.1
0.3
0.2
0.0
0.0
0.0
0.0

G~
(u)
1.0
1.0
1.0
0.9

0.7
0.5
0.3
0.1
0.0
0.0
Một lớp đặc biệt các tập mờ là lớp các quan hệ mờ, chúng là các tập mờ
trên không gian tích Đề-các các miền cơ sở. Nhƣ tên gọi, quan hệ mờ mô tả mối
quan hệ mờ giữa các đối tƣợng trong miền cơ sở. Về mặt hình thức chúng ta định
nghĩa quan hệ mờ nhƣ sau.
Định nghĩa 1.6. Cho U là tích Đề-các của n miền cơ sở U
i
, i=1, ,…, n. Khi
đó mỗi một tập mờ trên U đƣợc gọi là một quan hệ mờ n-ngôi và đƣợc kí hiệu là
R, gọi là tên của quan hệ đó, và nó đƣợc biểu thị bằng công thức sau:
1
1 1 1 1

( , , ) / ( , , )
n
UU
R u u u u





Trong đó

(u

1
,…,u
n
) là hàm thuộc của tập mờ R. Dấu  biểu diễn hình thức
của hàm thuộc, có thể một trong ba trƣờng hợp là hữu hạn hoặc đếm đƣợc hoặc
liên tục.
Quan hệ mờ cũng có các phép tính cơ bản nhƣ trên tập mờ vì bản thân nó
cũng là tập mờ. Ngoài ra, quan hệ mờ có những phép tính đặc thù riêng mà trên
tập mờ không có, đó là phép hợp thành dƣới đây.
Định nghĩa 1.7. Cho R là một quan hệ mờ trên UV và S là quan hệ mờ
trên VW. Khi đó, phép hợp thành của hai quan hệ này là một quan hệ trên UW,
đƣợc ký hiệu là RS và đƣợc định nghĩa nhƣ sau:
RS = 
vV
[

R
(u,v)

S
(v,w)]/(u,w)
trong đó  là một phép tính 2-ngôi trong [0,1] có tính giao hoán, kết hợp và
phân phối đối với phép max . Nếu  là phép min , thì ta có phép hợp thành
max-min, nếu  là phép nhân số học thì ta có phép hợp thành max-product.

8
Số hóa bởi Trung tâm Học liệu

Ví dụ 1.3. Cho U = {u
1

, u
2
, u
3
}, V = {v
1
, v
2
} và W = {w
1
, w
2
}, với quan hệ
mờ R trên UV và S trên VW đƣợc cho hàm thuộc dƣới dạng ma trận
12
1
2
3
0.4 1
1 0.3
0.7 0.8
vv
u
Ru
u







và
12
1
2
0.2 0.8
0.7 0.1
ww
v
S
v





khi đó phép hợp thành max-min là
12
1
2
3
0.7 1
0.3 0.8
0.7 0.7
ww
u
R S u
u








,
và max-product là
12
1
2
3
0.8 0.32
0.21 0.8
0.56 0.56
ww
u
R S u
u







.
Phép hợp thành các quan hệ mờ đóng vai trò quan trọng trong quá trình lập
luận xấp xỉ sau này. Trong hầu hết các ứng dụng, tri thức đƣợc biểu diễn dƣới
dạng luật “if-then” và mỗi luật đƣợc xem nhƣ một quan hệ mờ
Chúng ta thấy rằng lý thuyết tập mờ với mục tiêu mô hình hóa toán học ngữ

nghĩa của các khái niệm mờ và, hơn nữa, mô hình hóa cách lập luận của con
ngƣời. Tuy nhiên, những vấn đề này thuộc loại có cấu trúc yếu, khó có thể có
một cấu trúc toán duy nhất mô hình hóa trọn vẹn những vấn đề đó.
1.1.3. Biến ngôn ngữ
L. A. Zadeh đã viết “Khi thiếu hụt tính chính xác bề ngoài của những vấn
đề phức tạp cố hữu, một cách tự nhiên là tìm cách sử dụng các biến ngôn ngữ, đó
là các biến mà giá trị của chúng không phải là số mà là các từ hoặc các câu
trong ngôn ngữ tự nhiên hoặc nhân tạo. Động lực cho việc sử dụng các từ, các
câu hơn các số là ở chỗ đặc trưng ngôn ngữ của các từ và các câu thường ít xác
định cụ thể hơn của các số”, và ông đã đƣa ra một lớp khái niệm rộng hơn có thể
mô hình qua các tập mờ, đó là biến ngôn ngữ.
Định nghĩa 1.8. Biến ngôn ngữ là một bộ năm (X,T(X),U,R,M), trong đó X
là tên biến, T(X) là tập các giá trị ngôn ngữ của biến X, U là không gian tham
chiếu hay còn gọi là miền cơ sở của biến X, R là một quy tắc ký pháp sinh các giá

9
Số hóa bởi Trung tâm Học liệu

trị ngôn ngữ cho T(X), M là quy tắc gán ngữ nghĩa biểu thị bằng tập mờ trên U
cho các từ ngôn ngữ trong T(X).
Ví dụ 1.4. Cho X là biến ngôn ngữ có tên AGE, miền tham chiếu của X là
U=[0,120]. Tập các giá trị ngôn ngữ T(AGE)={very old, old, possible old, less
old, less young, quite young, more young,…}. Chẳng hạn với giá trị ngôn ngữ
old, quy tắc gán ngữ nghĩa M cho old bằng tập mờ cho bởi ví dụ 1.1.
M(old) = {(u,

old
(u)) : u[0,120]}.
Chúng ta thấy rằng một biến ngôn ngữ đƣợc cấu trúc theo hƣớng mà trong
đó có hai quy tắc cơ bản. Thứ nhất là quy tắc cú pháp, qui định cách thức để sinh

các giá trị ngôn ngữ. Thứ hai là quy tắc ngữ nghĩa, qui định thủ tục tính toán ngữ
nghĩa của các giá trị ngôn ngữ. Ngoài các giá trị sinh nguyên thủy, các giá trị
ngôn ngữ có thể gồm các từ liên kết nhƣ and, or, not,… và các gia tử ngôn ngữ
nhƣ very, possible, less, quite, more,….
Trong thực tế có nhiều biến ngôn ngữ khác nhau về giá trị sinh nguyên
thủy, tuy nhiên cấu trúc miền giá trị của chúng tồn tại một “đẳng cấu” sai khác
nhau bởi giá trị sinh nguyên thủy này. Đây gọi là tính phổ quát của biến ngôn
ngữ.
Khác với giá trị nguyên thủy của các biến ngôn ngữ phụ thuộc vào ngữ
cảnh, ngữ nghĩa của các gia tử và các từ liên kết hoàn toàn độc lập với ngữ cảnh.
Đây là tính độc lập ngữ cảnh của gia tử và liên kết.
1.1.4. Lôgic mờ
Cùng với khái niệm biến ngôn ngữ, L. A. Zadeh đã phát triển lôgic mờ mà
các giá trị chân lý nhận trong T(Truth) = {true, very true, more false, possible
false, very very false,…}, tập các giá trị của biến ngôn ngữ Truth. Khi đó, một
mệnh đề dạng “X is A”, với A là một khái niệm mờ, sẽ có giá trị chân lý thuộc
T(Truth) và đƣợc biểu thị bởi một tập mờ có hàm thuộc

A
trên không gian tham
chiếu U.
Lý thuyết tập mờ là cơ sở toán học cho việc phát triển các phƣơng pháp mô
phỏng lập luận của con ngƣời. Về nguyên tắc, vấn đề tƣ duy, lập luận của con

10
Số hóa bởi Trung tâm Học liệu

ngƣời rất phức tạp và do đó không thể sử dụng một cấu trúc toán học duy nhất để
mô phỏng. Vì vậy, mục tiêu của chúng ta là càng xây dựng đƣợc nhiều cấu trúc
đại số các tập mờ càng tốt để linh hoạt trọng tiếp cận các vần đề ứng dụng. Ở

đây, chúng ta sẽ định nghĩa một họ các cặp đối ngẫu t-norm và t-conorm cùng
với phép phủ định làm cơ sở cho lôgic mờ và lập luận xấp xỉ.
Định nghĩa 1.9. Một hàm 2-biến T : [0,1][0,1]  [0,1] đƣợc gọi là phép t-
norm nếu nó thỏa các tính chất sau với a,a’,b,c [0,1]:
i) Tính chất điều kiện biên: T(a,1) = a
ii) Tính giao hoán: T(a,b) = T(b,a)
iii) Tính đơn điệu: a a’T(a,b)  T(a’,b)
iv) Tính kết hợp: T(a,T(b,c)) = T(T(a,b),c)
Ngoài ra, một số tính chất khác cần đòi hỏi phải có trong nhiều ứng dụng
đối với phép t-norm bao gồm:
v) Tính liên tục: T là hàm hai biến liên tục
vi) Tính lũy đẳng dƣới: T(a,b) < a
vii) Tính đơn điệu chặt: a a’ và b b’T(a,a’) < T(b,b’)
Định nghĩa 1.10. Một hàm 2-biến S : [0,1][0,1]  [0,1] đƣợc gọi là phép
t-conorm nếu nó thỏa các tính chất sau với a,a’,b,c [0,1]:
i) Tính giới nội: S(a,0) = a
ii) Tính giao hoán: S(a,b) = S(b,a)
iii) Tính đơn điệu: a a’S(a,b)  S(a’,b)
iv) Tính kết hợp: S(a,S(b,c)) = S(S(a,b),c)
Nhƣ vậy, chỉ có hai tính chất điều kiện biên và giới nội làm nên sự khác
biệt giữa hai họ phép tính t-norm và t-conorm.
Chúng ta cũng có thể mở rộng định nghĩa cho phép t-norm và t-conorm này
đối với trƣờng hợp nhiều biến vào, tức là T
ex
:[0,1]
n
 [0,1] và S
ex
: [0,1]
n

 [0,1],
bằng cách áp dụng liến tiếp các phép t-norm và t-conorm ở trên.
Định nghĩa 1.11. Hàm N: [0,1]  [0,1] đƣợc gọi là phép phủ định
(negation) nếu nó thỏa các tính chất sau với a,a’ [0,1]:

11
Số hóa bởi Trung tâm Học liệu

i) Tính đơn điệu giảm: a a’ N(a) N(a’)
iv) Tính lũy đẳng: N(N(a)) = a
Ví dụ 1.5. Các phép t-norm, t-conorm và phép phủ định hay đƣợc sử dụng nhƣ:
T
M
(a,b) = min{a,b}
T
P
(a,b) = a.b
T
L
(a,b) = max{0,a+b-1}

*
khi 1
( , ) khi 1
0 khi 1& 1
ab
T a b b a
ab










S
M
(a,b) = max{a,b}
S
P
(a,b) = a+b-a.b
S
L
(a,b) = min{1,a+b}

*
khi 0
( , ) khi 0
0 khi 0& 0
ab
S a b b a
ab










N(a) = 1-a.
Định nghĩa 1.12. Ba phép tính t-normT, t-conorm S và phép phủ định N
đƣợc gọi là một hệ đối ngẫu (T,S,N) nếu chúng thỏa điều kiện sau:
N(S(a,b)) = T(N(a),N(b)), a,b[0,1].
Việc áp dụng các phép t-norm, t-conorm và phép phủ định cho việc tính
toán các toán tử hội, tuyển và phủ định trong lôgic mờ làm tăng tính mềm dẻo
trong ứng dụng. Thực vậy, khi hai mệnh đề “X is A” và “X is B” có giá trị chân lý
đƣợc biểu thị bởi hai hàm thuộc tƣơng ứng

A
và

B
trên không gian tham chiếu
U và V thì mệnh đề mờ “X is A and B” có hàm thuộc biểu thị giá trị chân lý là

AB
= T(

A
,

B
), với T là một t-norm nào đó. Tƣơng tự, mệnh đề “X is A or B” có
hàm thuộc là

AB

= S(

A
,

B
) và mệnh đề “X is not A” có hàm thuộc là

~A
=
N(

A
), ở đây S là một t-conorm và N là một phép phủ định đƣợc chọn nào đó.
Các mệnh đề mờ cùng với giá trị chân lý của chúng là những đối tƣợng
nghiên cứu chính của lôgíc mờ. Trong đó, một dạng mệnh đề mờ thƣờng biểu

12
Số hóa bởi Trung tâm Học liệu

diễn cho tri thức dạng luật trong lập luận xấp xỉ và ứng dụng, đó là mệnh đề mờ
có điều kiện dạng “If X is A then Y is B” và đƣợc biểu diễn bằng toán tử kéo theo
mờ. Ở đây, một cách tổng quát, chúng ta đƣa ra một số tính chất cho một phép
kéo theo mờ.
Định nghĩa 1.13. Phép kéo theo là một hàm số I : [0,1]
2
 [0,1] có các tính
chất sau:
i) Tính đơn điệu giảm đối với biến thứ nhất
x zI(x,y)  I(z,y), y[0,1]

ii) Tính đơn điệu tăng đối với biến thứ hai
y uI(x,y)  I(x,u), x[0,1]
iii) Tính chi phối của giá trị chân lý sai
I(0,x) = 1
iv) Tính trung tính của giá trị chân lý đúng
I(1,x) = x
v) Tính đồng nhất
I(x,x) = x
vi) Tính chất hoán đổi
I(x,I(y,z)) = I(y,I(x,z))
vii) Tính chất về điều kiện giới nội
I(x,y) = 1 nếu và chỉ nếu x y
viii) Tính chất khái quát hóa của phép kéo theo kinh điển
I(x,y) = I(N(y),N(x)), trong đó N là phép phủ định
ix) I là hàm liên tục theo cả hai biến.
Rõ ràng mệnh đề điều kiện ở dạng “If X is A then Y is B” thể hiện mối quan
hệ giữa hai khái niệm mờ A và B. Vì vậy, chúng cảm sinh một quan hệ mờ R thể
hiện bởi một tập mờ trên không gian tích Đề-các UV đƣợc xác định bởi hàm
thuộc thông qua một phép kéo theo đƣợc chọn.
Ví dụ 1.6. Một số dạng phép kéo theo thƣờng dùng
 Mamdani

13
Số hóa bởi Trung tâm Học liệu

I(x,y) = min{x,y}
 Dạng khái quát từ phép kéo theo kinh điển
I(x,y) = S(N(x),y), hoặc
I(x,y) = S(N(x),T(x,y)), hoặc
I(x,y) = S(T(N(x),N(y)),y), với T, S và N là các phép t-

norm, t-conorm và phép phủ định.
 Reichenbach
I(x,y) = 1-x+x.y
 Lukasiewicz
I(x,y) = min{1, 1-x+y}.
Một cách tiếp cận khác, phép kéo theo đƣợc định nghĩa thông qua phép t-
norm bằng công thức sau:
I(x,y) = sup{ u

[0,1] : T(x,u)

y}.
Định lý sau đây cho chúng ta xem xét liệu phép kéo theo nhƣ thế nào sẽ
thỏa mãn tất cả các tính chất trong định nghĩa 1.13.
Định lý 1.1. Một hàm 2-biến I : [0,1]
2
 [0,1] thỏa các tính chất từ i) đến
ix) trong định nghĩa 1.13 nếu và chỉ nếu có tồn tại một hàm liên tục đơn điệu tăng
thực sự f : [0,1]  [0,+) sao cho f(0) = 0 và
I(x,y) = f
-1
(f(1)-f(x)+f(y)), với x,y  [0,1], và
N(x) = f
-1
(f(1)-f(x)), với x [0,1].
Tuy nhiên, bản chất ngữ nghĩa của phép kéo theo mờ trong lập luận của con
ngƣời rất phức tạp, khó có một hệ tiên đề chung cho mọi tình huống. Vì vậy, các
tính chất ở định nghĩa 1.13 không bắt buộc mọi phép kéo theo mờ đều phải thỏa
mãn. Hơn nữa, cũng không có quyền đặt ra các yêu cầu về một tính chất nào đó
khác mà một phép kéo theo cần phải có. Chỉ có ứng dụng thực tiễn là tiêu chuẩn

cuối cùng chứng minh tính phù hợp của một định nghĩa phép kéo theo mờ.
1.1.5. Lập luận xấp xỉ
Trong nghiên cứu của mình, L. A. Zadeh lần đầu đề xuất khái niệm lập luận
xấp xỉ phỏng theo cách lập luận của con ngƣời. Nó là quá trình tìm kiếm kết luận

14
Số hóa bởi Trung tâm Học liệu

từ một tập các tri thức dạng luật (biểu diễn bằng mệnh đề có điều kiện) và các sự
kiện, dựa trên lý thuyết tập mờ. Đặc trƣng của lập luận xấp xỉ là yếu tố không
chắc chắn, gần đúng và tính không duy nhất của kết quả thu đƣợc. Rõ ràng, tri
thức càng đầy đủ thì kết luận càng phù hợp với thực tiễn hơn.
Các quy tắc suy diễn trong lôgíc mờ dùng cho việc lập luận xấp xỉ đƣợc mở
rộng từ các quy tắc trong lôgic kinh điển nhƣ modus ponens, modus tollens, tam
đoạn luận (syllogism),…
Ở đây chúng ta xét trƣờng hợp lập luận mờ đa điều kiện, tức là phƣơng
pháp lập luận dựa vào nhiều luật, đƣợc áp dụng rộng rãi trong ứng dụng thực
tiễn. Hơn nữa, mỗi luật bao gồm nhiều biến ngôn ngữ tham gia trong phần tiền tố
và liên kết lôgíc với nhau bằng phép AND. Đây đƣợc gọi là mô hình lập luận mờ
nhiều đầu vào một đầu ra (MISO).
Phƣơng pháp này đƣợc mô tả bằng sơ đồ sau:
Tiền đề 1 : If X
1
is A
1,1
AND…AND X
N
is A
1,N
then Y is B

1

Tiền đề 2 : If X
1
is A
2,1
AND…AND X
N
is A
2,N
then Y is B
2

………………………
Tiền đề n : If X
1
is A
M,1
AND…AND X
N
is A
M,N
then Y is B
M

Sự kiện: X
1
is A
1
’ AND…AND X

N
is A
N
’


Kết luận : Y is B’
Trong đó X
1
, X
2
,…, X
n
và Y là các biến ngôn ngữ, N là số biến vào và M là
số luật mờ, A
i,j
(i=1,…,M và j=1,…,N) là các tập mờ trên không gian nền U
1
,
U
2
,…,U
n
và V tƣơng ứng. Tìm đƣợc tập mờ B’ có nghĩa là chúng ta đã lập luận từ
sự kiện X
1
is A
1
’ AND … AND X
N

is A
N
’ dựa trên các tiền đề dạng luật If X
1
is
A
i,1
AND… AND X
N
is A
i,N
then Y is B
i
(i=1,…,M).
Vì rằng chúng ta đang ở trong môi trƣờng thông tin mờ, không chắc chắn,
nên sẽ không có một phƣơng pháp lập luận chính xác và duy nhất. Mỗi phƣơng
pháp sẽ xuất phát từ một quan sát trực quan nào đó.

15
Số hóa bởi Trung tâm Học liệu

Áp dụng quy tắc modus ponens tổng quát hóa, chúng ta xét mỗi luật mờ
nhƣ là một quan hệ mờ R
i
trên không gian tích Đề-các U
1
…U
n
V có dạng:
A

i,1
… A
i,n
 B
i
,
trong đó,  là phép hợp của các tập mờ và  là phép kéo theo mờ. Áp dụng một
toán tử t-norm T
ex
mở rộng cho phép hội  và một phép kéo theo I nào đó, ta có
hàm thuộc của quan hệ mờ trên là
,
,1
( ( , , ), )
ii
iN
i
ex
RB
AA
IT
   

(1.1)
Mô hình mờ ở đây đƣợc coi là tuyển của các luật, do vậy áp dụng phép hội
để kết nhập các quan hệ mờ R
i
ở trên bằng toán tử t-conorm S
ex
mở rộng nhƣ sau:

R = R
1
… R
N
,
với  là phép hợp của các tập mờ, hay hàm thuộc của nó là
1
( , , )
M
R ex R R
S
  

. (1.2)
Áp dụng quy tắc suy diễn hợp thành, ta có kết quả tập mờ B’ sẽ là
B’ = (A
1
’ … A
N
’) R,
với  là phép hợp thành (định nghĩa 1.7) của tập mờ hợp các sự kiện A
1
’… 
A
N
’ và R. Cũng áp dụng phép t-norm T
ex
mở rộng để tính hợp các tập mờ sự kiện,
hàm thuộc của tập mờ B’ trong trƣờng hợp tổng quát là
 

''
1
11
' 1 1
( , , )
( ) sup ( ( ), , ( )) ( , , , )
N
NN
ex
N R N
B
AA
u u U U
v T u u u u v
   
  
 
(1.3)
Từ các công thức (1.1), (1.2) và (1.3) viết dạng thu gọn của hàm thuộc tập
mờ B’ nhƣ sau:
 
 
'
,
11
1 1 1
, , )
'
(
( ) ( ( ), ( ))( ) sup

i j i
j
N M N
j j i j A j B
A
B
u u U
u I u vv
  
  



  



 
(1.4)
với U = U
1
…U
N
,  là ký hiệu của phép t-norm T
ex
mở rộng N ngôi và  là ký
hiệu phép t-conorm S
ex
mở rộng N ngôi. Phép  là min, hoặc product, hoặc một
phép tính 2-ngôi trong [0,1] có tính giao hoán, kết hợp và phân phối đối với phép

max .

16
Số hóa bởi Trung tâm Học liệu

Rõ ràng, trong công thức (1.4) với nhiều cách chọn các phép t-norm, t-
conorm và negation cũng nhƣ phép kéo theo I do vậy có nhiều cách xác định
hàm thuộc của tập mờ B’, dẫn đến kết quả lập luận cũng khác nhau. Điều này
phù hợp với đặc trƣng của lập luận xấp xỉ. Cách chọn các phép trên nhƣ thế nào
để có một phƣơng pháp lập luận tốt. Nói chung không có câu trả lời khẳng định
mà phụ thuộc vào từng tình huống ứng dụng cụ thể và đƣợc kiểm chứng qua kết
quả thực nghiệm.
Công thức (1.4) cũng cho thấy một ánh xạ từ các tập mờ đến tập mờ thông
qua phƣơng pháp lập luận xấp xỉ trên, và đƣợc biểu diễn hình thức nhƣ sau:
B’ = F(A
1
’,…,A
N
’) (1.5)
Đặc biệt, các tác giả cho thấy rằng với những ràng buộc nhất định, hệ mờ
theo phƣơng pháp lập luận nhƣ trên đóng vai trò nhƣ một bộ xấp xỉ vạn năng.
Dựa trên định lý nổi tiếng của Stone-Weierstrass, Wang (1994) đã chứng tỏ đƣợc
khả năng xấp xỉ của hệ mờ bằng định lý sau.
Định lý 1.2. Với một hàm thực liên tục f trên tập compactU R
N
và bất kỳ

, luôn tồn tại một hệ lôgíc mờ F với phƣơng pháp giải mờ trọng tâm (COG),
phép suy diễn mờ dạng tích, hàm mờ hóa dạng đơn tử và hàm thuộc của tập mờ
dạng Gauss thỏa mãn,

|F(X) – f(X)| 

(1.6)
với X = (x
1
,…,x
N
) R
N
là các giá trị đầu vào của hệ.
Định lý này cho thấy mọi hàm thực liên tục trên một tập compact có thể
đƣợc xấp xỉ với độ chính xác tùy ý bởi một hệ mờ F. Tuy nhiên, nó mới chỉ ra có
tồn tại một hệ mờ nhƣ vậy nhƣng không cho biết rõ tham số của hệ. Bắt buộc
chúng ta phải xây dựng một chiến lƣợc tìm kiếm và thiết lập các yếu tố này.
Chẳng hạn sử dụng cơ chế học của mạng nơron, hoặc tối ƣu theo giải thuật di
truyền để thực hiện điều này.