Áp dụng quy trình tính toán mềm Hệ mờ, mạng Neural và thuật giải di truyền xây dựng mô hình dự đoán tỉ giá hối đoái

Mục lục

ii

MỤC LỤC
LỜI CẢM ƠN
DANH MỤC CÁC KÝ HIỆU, CHỮ VIẾT TẮT
DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ
DANH MỤC CÁC BẢNG
MỞ ĐẦU 1
CHƢƠNG 1: TỔNG QUAN VỀ LÔGIC MỜ - HỆ MỜ 4
1. LÝ THUYẾT TẬP MỜ 4
1.1. Tập mờ 4
1.2. Các phép toán trên tập mờ 6
1.2.1. Phép phủ định 6
1.2.2. Phép hợp hai tập mờ 6
1.2.3. Phép giao hai tập mờ 6
1.2.4. Luật De Morgan 7
1.2.5. Phép kéo theo 8
2. CÁC QUAN HỆ MỜ VÀ SUY LUẬN XẤP XỈ, SUY DIỄN MỜ 9
2.1. Các quan hệ mờ 9
2.2. Suy luận xấp xỉ và Suy diễn mờ 9
3. HỆ MỜ 11
3.1. Bộ mờ hoá: 11
3.2. Hệ luật mờ: 12
3.3. Động cơ suy diễn: 12
3.4. Bộ giải mờ: 13
3.5. Ví dụ minh hoạ: 14
CHƢƠNG 2: MẠNG NEURAL NHÂN TẠO 16
1. GIỚI THIỆU VỀ MẠNG NEURAL 16

2. KIẾN TRÚC MẠNG NEURAL NHÂN TẠO 18
2.1. Kiến trúc Neural 18

Mục lục

iii
2.2. Mạng neural nhân tạo 20
2.3. Mạng truyền thẳng nhiều tầng Back Propagation 22
2.3.1. Kiến trúc mạng 22
2.3.2. Cơ chế hoạt động và phương thức học mạng 23
2.3.3. Thuật toán Back Propagation 25
2.3.4. BackPropagation với cơ chế cập nhật tham số Online và Batching 27
2.3.5. BackPropagation với Momentum 27
CHƢƠNG 3: THUẬT GIẢI DI TRUYỀN 28
1. THUẬT GIẢI DI TRUYỀN VÀ THUYẾT TIẾN HOÁ SINH HỌC 28
2. TÍNH CHẤT QUAN TRỌNG CỦA THUẬT GIẢI DI TRUYỀN 28
3. CÁC TOÁN TỬ DI TRUYỀN 30
3.1. Toán tử chọn lựa - Selection 30
3.2. Toán tử lai ghép - Crossover 31
3.3. Toán tử đột biến – Mutation 32
3.4. Hàm thích nghi - Fitness Function 33
4. CÁCH THỨC ÁP DỤNG THUẬT GIẢI DI TRUYỀN 34
5. HUẤN LUYỆN MẠNG NEURAL BẰNG THUẬT GIẢI DI TRUYỀN 36
CHƢƠNG 4: XÂY DỰNG MÔ HÌNH HỆ MỜ, HỆ MỜ NEURON DỰ ĐOÁN
TỈ GIÁ HỐI ĐOÁI 37
1. TỈ GIÁ HỐI ĐOÁI 37
2. XÂY DỰNG HỆ MỜ 38
2.1. Dữ liệu đầu vào và tiền xử lý dữ liệu 38
2.2. Mờ hoá bộ dữ liệu 39
2.3. Xây dựng các luật mờ 41

2.4. Xây dựng động cơ suy diễn và phương thức giải mờ 44
2.5 Điều chỉnh các thông số của hệ mờ 45
2.6 Tối ưu hoá hệ luật mờ 49
3. HỆ MỜ NEURAL – NEURON FUZZY SYSTEM 51
3.1. Lý do tích hợp giữa hệ mờ và mạng neural 51

Mục lục

iv
3.2. Hệ mờ Neuro – NFS (Neuron Fuzzy Systems) 53
3.2.1 Hệ mờ neuro là gì? 53
3.2.2 Kiến trúc của NFS 54
3.2.3. Nguyên tắc hoạt động và cơ chế học của NFS 55
3.2.4. Học cấu trúc và thông số của NFS 57
CHƢƠNG 5: CÁC KẾT QUẢ THỬ NGHIỆM 67
1. Chương trình thử nghiệm 68
1.1 Nguồn dữ liệu 68
1.2. Mạng Neural 69
1.3. Hệ mờ neuron – Neuron Fuzzy System 69
1.4. Đào tạo và thử nghiệm 70
1.4.1. Mạng Neural 70
1.4.2 Hệ mờ neuron 71
2. Nhận xét 72
KẾT LUẬN 73
CÁC KẾT QUẢ LIÊN QUAN ĐÃ CÔNG BỐ 75
PHỤ LỤC : MINH HOẠ TẬP SỐ LIỆU THỬ NGHIỆM 76
TÀI LIỆU THAM KHẢO 79

Lời cảm ơn

v

LỜI CẢM ƠN
LỜI CẢM ƠN
Trong quá trình tìm hiểu, nghiên cứu đề tài khoa học này, bản thân tôi gặp
không ít khó khăn cả về mặt kiến thức cũng như về mặt thời gian nghiên cứu,
nhưng đã nhận được sự giúp đỡ tận tình của các tập thể và các cá nhân.

Tôi xin trân thành cảm ơn Phó Giáo sư, Tiến sỹ Khoa học Bùi Công Cường
đã vạch hướng nghiên cứu mới, tận tình giúp đỡ, chỉ bảo và tạo mọi điều kiện
thuận lợi để tôi hoàn thành luận án.

Tôi xin cám ơn tất cả các thầy giáo, cô giáo đã tham gia giảng dậy giúp đỡ tôi
trong suốt quá trình học tập nâng cao trình độ kiến thức tại Trường Đại học
Quốc Gia Hà Nội, cũng như các thầy giáo, cô giáo tại Trường Đại học Bách
Khoa Hà Nội và toàn bộ các thầy giáo, cô giáo đã nâng đỡ và chỉ bảo tôi từ
những con chữ đầu tiên.

Tôi xin trân thành cảm ơn đến bố mẹ, anh chị em trong gia đình, bạn bè,
đồng nghiệp cùng các tổ chức đã tạo điều kiện giúp đỡ và động viên tôi trong
suốt quá trình học tập, nghiên cứu hoàn thành luận án.

Tuy nhiên, vì điều kiện thời gian và khả năng có hạn do đó bản luận án này
không thể tránh khỏi những thiếu sót. Tôi rất mong các thầy, các cô cùng toàn
thể các bạn đồng nghiệp chỉ dẫn cho. Tôi xin trân thành cảm ơn.

Danh mục các ký hiệu, chữ viết tắt

vi

DANH MỤC CÁC KÝ HIỆU, CHỮ VIẾT TẮT
DANH MỤC CÁC KÝ HIỆU, CHỮ VIẾT TẮT
AI
Trí tuệ nhân tạo
ANN
Mạng Neural Nhân tạo
APE
Average percenage error
DSS
Desison Support System - Hệ hỗ trợ quyết định
ES
Expert System - Hệ chuyên gia
FNHS
Fuzzy Neuron Hybird System – Hệ lai mờ, neural
FNN
Fuzzy Neural Network - Mạng Neural mờ
FS
Fuzzy System - Hệ mờ
GA
Genetic Algorithms - Thuật giải di truyền
MAE
Mean Absolute Error
NFS
Neuron Fuzzy System - Hệ mờ neural
RMSE
Root Mean Square Error
SSE
Standart square error

Danh mục các hình vẽ, đồ thị

vii

DANH MỤC CÁC HÌNH VẼ
DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ
Hình 1.1: Hàm liên thuộc của tập mờ “x gần 1” 5
Hình 1.2: Một số dạng hàm liên thuộc của tập mờ: 5
Hình 1.3: Hợp của hai tập mờ 6
Hình 1.4: Giao của hai tập mờ 7
Hình 1.5: Cấu hình cơ bản của hệ mờ. 11
Hình 1.6: Minh hoạ kết quả tính và các phương pháp giải mờ. 15
Hình 2.1: Kiến trúc cơ bản của Neural 18
Hình 2.2 : Cây phân loại các mạng neural nhân tạo 21
Hình 2.3: Mô hình mạng neural Perception ba tầng 22
Hình 3.1: Minh hoạ toán tử lai ghép 32
Hình 3.2: Minh hoạ các phương pháp đột biến gene 33
Hình 3.3: Sơ đồ khối thuật giải di truyền 35
Hình 4.1: Đồ thị hàm liên thuộc biểu diễn các tập mờ 41
Hình 4.2: Kiến trúc và nguyên tắc hoạt động của mô hình hệ mờ 44
Hình 4.3: Kiến trúc của NFS 54

Danh mục các bảng

viii

DANH MỤC CÁC BẢNG
DANH MỤC CÁC BẢNG

Bảng 1.1: Các cặp T-chuẩn và T-đối chuẩn 7
Bảng 1.2: Một số phép kéo theo mờ thông dụng 8

Bảng 2.1: Danh sách các hàm chuyển thông dụng 19
Bảng 2.2: Neural biểu diễn các hàm lôgic cơ bản (AND, OR, NOT) 20
Bảng 4.1: Hệ số điều chỉnh của các loại tiền tệ dùng cho việc tiền xử lý. 39
Bảng 4.2: Phân đoạn các tập mờ vào không gian dữ liệu vào/ra 40
Bảng 4.3: Hàm liên thuộc của các tập mờ 41
Bảng 4.4: Xây dựng luật mờ từ bộ mẫu dữ liệu số 43


Phần mở đầu

1

MỞ ĐẦU
MỞ ĐẦU
Trong vòng nửa thập kỷ qua, đã có nhiều tiến triển trong lĩnh vực sử
dụng tin học thay con người giải quyết các vấn đề. Trí tuệ nhân tạo là một
ngành khoa học đã đem lại một số thành công nhất định về mặt này với các hệ
thống có khả năng tư duy bộ não con người để giải quyết nhiều vấn đề mà
trước đó chưa có công cụ và kỹ thuật để xử lý. Trong đó, thuật giải di truyền
(GA), Hệ chuyên gia (ES), Hệ mờ (FS), mạng neural nhân tạo (ANN) là
những thành phần của kỹ thuật dùng máy tính giải quyết vấn đề một cách
khôn ngoan như những chuyên gia.
Mỗi bộ phận kể trên đều có khả năng giải quyết một số vấn đề chuyên
biệt, tuy nhiên sự kết hợp của hai hay nhiều kỹ thuật trên để tạo ra các hệ
thống lai đã giải quyết được những vấn đề rất phức tạp hoặc chưa từng xảy ra
trước đây. Đặc biệt, mạng neural mờ - Fuzzy neural Network (FNN), hệ mờ
neuron – Neuron Fuzzy Systems (NFS) đã tạo ra một sự bùng nổ với các
nghiên cứu nhằm trang bị các phương pháp luận thông minh với các khả năng
học tốt hơn. FNN đã được ứng dụng thành công trong các hệ thống điều khiển
phi tuyến tính [13,14,17,19,20,55], hệ thống nhận dạng và phân loại mẫu

[15,21,22,27,48], các hệ thống xấp xỉ, các mô hình dự báo [12,28,29]
[32,38,39,40,41,42,44,52].
Sự kết hợp của các lĩnh vực kể trên có thể được coi là một sự kết hợp
thông minh và hoàn hảo của các công cụ hiện đại. Bởi vì sự kết hợp giữa
chúng đã đem lại những hiệu quả to lớn của chúng trong nhiều lĩnh vực của
cuộc sống. Lô gic mờ và mạng neural có những thuộc tính tính toán riêng làm
cho chúng phù hợp hoặc không với các vấn đề trong thực tế. Ví như, mạng

Phần mở đầu

2
neural có khả năng ứng dụng rất cao trong các vấn đề nhận dạng và phân lớp,
chúng không thích hợp cho các bài toán nghiêng về vấn đề giải thích, các vấn
đề liên quan tới việc trợ giúp và ra quyết định. Với các hệ thống lôgic mờ có
khả năng đưa ra các lý lẽ, lập luận với các thông tin chưa chính xác và có tính
chất mơ hồ, rất thích hợp với việc giải thích và ra quyết định nhưng chúng lại
không có khả năng tự động giành được các quy luật cho việc ra quyết định.
Với các hệ lai thì các hạn chế của hệ này được khắc phục bởi các hệ khác và
ngược lại.
Ở Việt Nam cho đến nay cũng có rất nhiều công trình nghiên cứu về
vấn đề này [1,2,4,6,11]. Tuy vậy cũng còn có rất nhiều điều để mở, và việc
này cần có sự đầu tư thích đáng, tìm tòi, thực nghiệm trên cơ sở những thành
tựu về lý thuyết và kinh nghiệm sẵn có trên thế giới, đồng thời áp dụng vào
thực tế.
Mục đích, đối tƣợng và nội dung của luận văn
Trong khuôn khổ luận văn này, trên những cơ sở những thành tựu đã có
trên thế giới và trong nước tôi sẽ trình bày tổng quan các nghiên cứu lý thuyết
về các Hệ mờ, mạng neural nhân tạo và thuật giải di truyền, đồng thời xây
dựng Hệ Neural mờ di truyền để dự đoán về tỉ giá hối đoái của đồng Việt
Nam với một số ngoại tệ mạnh trên thế giới. Luận văn gồm có phần mở đầu,

kết luật và 05 chƣơng đề cập tới các nội dung chính như sau:
 Chƣơng 1: Tổng quan về Lôgic mờ - Hệ mờ nghiên cứu các cơ sở của
lý thuyết tập mờ, các quan hệ mờ và suy luận xấp xỉ, suy diễn mờ, cấu
hình cơ bản và các thành phần của một hệ mờ.
 Chƣơng 2: Mạng Neural Nhân tạo nghiên cứu các cơ sở của Neural
nhân tạo, mạng neural nhân tạo: kiến trúc, thuật học.

Phần mở đầu

3
 Chƣơng 3: Thuật giải Di truyền nghiên cứu mối quan hệ với thuyết
tiến hoá sinh học, các tính chất quan trọng, các toán tử, cách thức áp
dụng của thuật giải di truyền, phương thức áp dụng để huấn luyện
mạng neural.
 Chƣơng 4: Xây dựng mô hình hệ mờ, hệ mờ neuron dự đoán tỉ giá
hối đoái. Trên cơ sở các nghiên cứu các công cụ trên, phần này trình
bày chi tiết về các phương pháp xây dựng mô hình hệ mờ, hệ mờ
Neuron: cấu hình, bộ dữ liệu, thuật học, các phương pháp tối ưu vào bộ
dữ liệu cụ thể (tỉ giá hối đoái của đồng Việt nam với một số ngoại tệ
khác).
 Chƣơng 5: Các kết quả thử nghiệm trình bày chương trình thử nghiệm
mô hình và kết quả phân tích.
Ý nghĩa khoa học và thực tiễn của đề tài:
Trong xu thế chung của sự phát triển ngày này, việc áp dụng những công
cụ hiện đại của toán học và tin học vào việc giải quyết các vấn đề kinh tế ngày
càng trở nên cấp thiết. Các quy trình tính toán mềm: hệ mờ, mạng neural,
thuật giải di truyền là các công cụ rất hiện đại, đã được ứng dụng rất nhiều
vào các bài toán trong thực tiễn, đặc biệt là các bài toán trong các hệ thống
thông tin thường phải làm việc với các thông tin bất động và cấu trúc không
được xác định tường minh. Việc nghiên cứu và ứng dụng các công nghệ

thông minh nhân tạo vào lĩnh vực kinh tế nhất là các lĩnh vực mang tính nhạy
cảm cao như thị trường chứng khoán, thị trường ngoại hối trở nên hết sức có
ý nghĩa bởi vì ngoài các kinh nghiệm và trình độ sẵn có thì các thông tin từ
các hệ trợ giúp, phân tích và dự đoán là một trong những vấn đề hết sức quan
trọng và cần thiết cho các nhà kinh tế, quản lý và hoạch định chiến lược kinh
doanh.

Chương I: Tổng quan về Lôgic mờ

4

CHƢƠNG 1

TỔNG QUAN VỀ LÔGIC MỜ - HỆ MỜ
Trong những năm cuối thập kỷ 20, một ngành khoa học mới đã được
hình thành và phát triển mạnh mẽ đó là hệ mờ - Fuzzy System. Đây là hệ
thống làm việc với môi trường không hoàn toàn xác định, với các tham số,
các chỉ tiêu kinh tế - kỹ thuật, các dự báo về môi trường sản xuất kinh doanh
chưa, hoặc khó có thể xác định một cách thật rõ ràng, chặt chẽ. Năm 1965
Giáo sư Lofti A. Zadeh - Đại học California, Mỹ là người đầu tiên tấn công
vào một lĩnh vực khoa học rất mới mẻ này, và thực sự là người khai sinh một
ngành khoa học mới là “Lý thuyết Tập mờ” và là tiền đề vững chắc để phát
triển Lôgic mờ và các hệ thống mờ sau này.
1. LÝ THUYẾT TẬP MỜ
1.1. Tập mờ
Tập vũ trụ U là một tập hợp khác rỗng, một tập mờ F xác định trên tập
hợp U là một hàm số xác định trên U:
F

: U → [0,1]

Hàm
F

được gọi là hàm liên thuộc – hàm phụ thuộc (membership
function) của tập mờ F. Mỗi phần tử
Ux 
xác định một giá trị
]1,0[)( x
F


gọi là mức độ thuộc của x trong tập mờ F. Tập vũ trụ U được gọi là cơ sở của
tập mờ F.
Ví dụ 1.1: Hàm liên thuộc của tập mờ F “tập các số thực gần 1” được
định nghĩa như sau:
2
)1(
)(


x
F
ex




Chương I: Tổng quan về Lôgic mờ

5

Hình 1.1: Hàm liên thuộc của tập mờ “x gần 1”
Ví dụ 1.2: Một số dạng hàm liên thuộc liên tục khác:
)0),,max(min(),,,(
bc
xc
ab
ax
cbaxTriangle





(1.1)
)0),,1,max(min(),,,,(
cd
xd
ab
ax
dcbaxTrapezoid





(1.2)
2
)(
),,(



cx
ecxGaussian



(1.3)
b
a
cx
cbaxBell
2
1
1
),,,(



(1.4)

Hình 1.2: Một số dạng hàm liên thuộc của tập mờ:
(a) triangle(x,20,60,80) (b) trapezoid(x,10,20,60,95);
(c) Gaussian(x,20,50); (d) Bell(x,20,4,50)

Chương I: Tổng quan về Lôgic mờ

6
1.2. Các phép toán trên tập mờ
1.2.1. Phép phủ định

Hàm n:[0,1] → [0,1] không tăng thoả mãn các điều kiện n(0) = 1,
n(1) = 0, được gọi là hàm phủ định - phép phủ định (negtion function).
1.2.2. Phép hợp hai tập mờ
Cho Ω là không gian nền. A, B là hai tập mờ trên Ω với hàm thuộc
A(a), B(a) tương ứng. Cho S là một T-đối chuẩn. Phép hợp (
BA
S

) là một
tập mờ trên Ω với hàm thuộc cho bởi biểu thức:
(
BA
S

) = S(A(a),B(a)), với mỗi
a
(1.5)
Ví dụ 1.3: Hình biểu diễn phép hợp của hai tập mờ

Hình 1.3: Hợp của hai tập mờ
1.2.3. Phép giao hai tập mờ
Cho Ω là không gian nền. A,B là hai tập mờ trên Ω với hàm thuộc
A(a), B(a) tương ứng. Cho T là một T-chuẩn. Phép giao
)( BA
T

là một tập
mờ trên Ω với hàm thuộc cho bởi biểu thức:
)( BA
T


= T(A(a),B(a)), với mỗi
a
(1.6)
Ví dụ 1.4: Hình biểu diễn phép giao của hai tập mờ

Chương I: Tổng quan về Lôgic mờ

7

Hình 1.4: Giao của hai tập mờ
1.2.4. Luật De Morgan
Cho T là t-chuẩn, S là t-đối chuẩn, n là phép phủ định chặt. Khi đó bộ
ba (T,S,n) là một bộ ba De Morgan nếu:
n(S(x,y) = T(n(x),n(y)) (1.7)
Với phép phủ định n(x)=1-x, chúng ta có một số cặp t-chuẩn và t-đối
chuẩn thoả mãn luật De Morgan trong bảng 1.1: (1.8) – (1.23)
№
T(x,y)
S(x,y)
1
min(x,y)
max(x,y)
2
x.y
x + y – x.y
3
max(x + y – 1, 0)
min(x + y, 1)
4






else 0
1y xif ),min(
),(min
yx
yx
o






else 1
1y xif ),max(
),(max
1
yx
yx

5






else 0
1y)max(x, if ),min(
),(
yx
yxZ






else 1
0y)min(x, if ),max(
),('
yx
yxZ

6
0,
))(1((
.
),( 





xyyx
yx
yxH

0,
.)1(1
.)2(
),( 







yx
yxyx
yxH

7
 
0p,)1()1(,1min1),(
/1








p
pp

p
yxyxY

 
0,,1min),(  pyxyxY
p
pp
p

Bảng 1.1: Các cặp T-chuẩn và T-đối chuẩn

Chương I: Tổng quan về Lôgic mờ

8
1.2.5. Phép kéo theo
Cho (T, S, n) là một bộ ba De Morgan với n là phép phủ định mạnh,
phép kéo theo l
s
(x,y) hay x  y được xác định trên khoảng [0, 1]
2
được định
nghĩa bằng biểu thức sau đây:
l
s
(x,y) = S(T(x,y), n(x)). (1.24)
Bảng 1.2 dưới đây sẽ liệt kê một số phép kéo theo mờ hay được sử
dụng nhất: (1.25) – (1.35)
№
Tên
Biểu thức xác định

1
Early Zadeh
)),min(,1max( yxxyx 

2
Lukasiewicz
)1,1min( yxyx 

3
Mamdani
),min( yxyx 

4
Larsen
yxyx .

5
Standard Strict





other 0
y xif 1
yx

6
Godel






othery
y xif 1
yx

7
Gaines







other
x
y
y xif 1
yx

8
Kleene-Dienes
),1max( yxyx 

9
Kleene-Dienes-Lukasiewicz
yxyx  1

10
Yager
x
yyx 

Bảng 1.2: Một số phép kéo theo mờ thông dụng

Chương I: Tổng quan về Lôgic mờ

9
2. CÁC QUAN HỆ MỜ VÀ SUY LUẬN XẤP XỈ, SUY DIỄN MỜ
2.1. Các quan hệ mờ
Các quan hệ mờ là cơ sở dùng để tính toán và suy diễn (suy luận xấp
xỉ) mờ. Đây là một trong những vấn đề quan trọng trong các ứng dụng mờ
đem lại hiệu quả lớn trong thực tế, mô phỏng được một phần suy nghĩ của con
người. Chính vì vậy mà các phương pháp mờ được nghiên cứu và phát triển
mạnh mẽ. Tuy nhiên chính do lôgic mờ mở rộng từ lôgic đa trị, do đó đã nảy
sinh ra rất nhiều các quan hệ mờ từ các toán tử kéo theo, nhiều cách hợp
thành của các quan hệ mờ, nhiều cách định nghĩa các toán tử T-chuẩn, T-đối
chuẩn, cũng như các phương pháp mờ hoá, khử mờ khác nhau… Sự đa dạng
này đòi hỏi người ứng dụng phải tìm hiểu kỹ để chọn phương pháp thích hợp
nhất cho ứng dụng của mình.
2.2. Suy luận xấp xỉ và Suy diễn mờ
Suy luận xấp xỉ - hay còn gọi là suy luận mờ - đó là quá trình suy ra
những kết luận dưới dạng các mệnh đề mờ trong điều kiện các quy tắc, các
luật, các dữ liệu đầu vào cho trước cũng không hoàn toàn xác định.
Trong giải tích toán học chúng ta sử dụng mô hình sau để lập luận:
Định lý : “Nếu một hàm số là khả vi thì nó liên tục.”
Sự kiện : Hàm f khả vi

Kết luận : Hàm f là liên tục.
Đây là dạng suy luận dựa vào luật Modus Ponens. Căn cứ vào mô hình
này chúng ta sẽ diễn đạt cách suy luận trên dưới dạng sao cho có thể suy rộng
cho logic mờ.

Chương I: Tổng quan về Lôgic mờ

10
Gọi U là không gian nền – không gian tất cả các hàm số. Ví dụ: U = { g:
R → R}. A là tập các hàm khả vi, B là tập các hàm liên tục. Xét hai mệnh đề
sau: P = „g є A‟ và Q = „g є B‟. Khi đó ta có:
Luật (tri thức):
Q P

Sự kiện : P đúng (True).
Kết luận : Q đúng (True).
Xét bài toán suy luận tổng quát sau:
Luật mờ :
R
1
: Nếu x
1
= A
11
và x
2
= A
12
và … và x
n

= A
1n
thì y = B
1

R
2
: Nếu x
1
= A
21
và x
2
= A
22
và … và x
n
= A
2n
thì y = B
2


R
m
: Nếu x
1
= A
m1
và x

2
= A
m2
và … và x
n
= A
mn
thì y = B
m

Sự kiện mờ: x
1
= A
01
và x
2
= A
02
và … và x
n
= A
0n

Kết luận : y = B
0

Trong đó biến mờ x
i
= A
ji

(j = 1 m) xác định trên không gian nền U
i
(i =
1 n), biến mờ y = B
j
(j = 1 n) xác định trên không gian nền V.
Để giải bài toán này chúng ta sẽ phải thực hiện qua các bước sau:
1. Rời rạc hoá các hàm liên thuộc của các tập mờ
2. Xác định độ liên thuộc tại các điểm rời rạc
3. Lựa chọn các quan hệ mờ
4. Xây dựng ma trận hợp thành R
(A,B)
(u,v)
Tính B‟ theo công thức B‟ = A‟ o R
(A,B)
(u,v).

Chương I: Tổng quan về Lôgic mờ

11
3. HỆ MỜ
Kiến trúc cơ bản của một hệ mờ gồm 04 thành phần chính: bộ mờ hoá, hệ
luật mờ, động cơ suy diễn mờ và bộ giải mờ như hình 1.5 dưới đây:

Hình 1.5: Cấu hình cơ bản của hệ mờ.
Không làm mất tính tổng quát ở đây ta chỉ xét hệ mờ nhiều đầu vào, một
đầu ra ánh xạ tập compac S  R
n
vào R. Các thành phần của hệ mờ được
miêu tả như sau:

3.1. Bộ mờ hoá:
Thực hiện việc ánh xạ từ không gian đầu vào S vào các tập mờ xác định
trong S được cho bởi hàm thuộc
]1,0[: S

. Bộ phận này có chức năng
chính dùng để chuyển 1 giá trị rõ
Xx
thành 1 giá trị mờ trong
US 
(U:
không gian nền). Có hai phương pháp mờ hóa như sau:

Hệ luật mờ
(Fuzzy Rule Base)
Bộ mờ hoá
(Fuzzifier)
Bộ giải mờ
(Defuzzifier)
Động cơ
suy diễn mờ
(Fuzzy Inference
Engine)
Các tập mờ
đầu vào
Các tập mờ
đầu ra
Đầu ra rõ

Đầu vào rõ



Chương I: Tổng quan về Lôgic mờ

12
+ Singleton fuzzifier: Tập mờ A với x
i
, và hàm liên thuộc được định
nghĩa như sau:






x xif 0
x xif 1
)(
i
i
x
A


+ Non- Singleton fuzzifier: Với các hàm liên thuộc nhận giá trị lớn nhất
là 1 tại x=x
i
và giảm dần từ 1 đến 0 với các giá trị dịch chuyển x=x

i
3.2. Hệ luật mờ:
Gồm nhiều mệnh đề dạng
IF <tập các điều kiện được thoả mãn> THEN <tập các hệ quả>.
Giả sử hệ luật gồm M luật R
j
(j = 1 M) dạng:
R
j
: IF x
1
is A
1
j
and x
2
is A
2
j
and … x
n
is A
n
j
THEN y is B
j
,
Trong đó x
i
(i = 1 n) là các biến đầu vào hệ mờ , y là biến đầu ra của hệ mờ -

các biến ngôn ngữ, A
i
j
và B
j
là các tập mờ trong các tập đầu vào X và các tập
đầu ra Y - các giá trị của biến ngôn ngữ (ví dụ: “nhỏ”, “trung bình”, “lớn”,
“rất lớn”) đặc trưng bởi các hàm thuộc
j
i
A

và
j
B

. Khi đó R
l
là một quan
hệ mờ từ các tập mờ đầu vào X = X
1
x X
2
x …x X
n
tới các tập mờ đầu ra Y.
3.3. Động cơ suy diễn:
Đây là bộ phận lôgic đưa ra quyết định sử dụng hệ mờ để thực hiện ánh
xạ từ các tập mờ trong không gian đầu vào S thành tập mờ trong không gian
đầu ra R.

Khi R
l
là một quan hệ mờ, thì R
l
có thể là một tập con của tích Decart
Y}y X, x :y)} , x{( Y x X 
, với
x
là một vector dạng (x
1
, x
2
, …,x
n
)
T
. Vì
vậy quan hệ R
l
là một hàm ánh xạ từ tập mờ trong X tới tập mờ trong Y, A
1
j

x A
2
j
x …x A
j
n
 B

j
được gọi là một động cơ suy diễn mờ.

Chương I: Tổng quan về Lôgic mờ

13
Giả sử A là một tập mờ trong S, và là đầu vào của bộ suy diễn. Khi đó
mỗi luật R
l
tạo ra một tập mờ B
l
trong Y như sau:
B
j
= A o R
j
= sup(A * R
j
) (1.36)
với * là một toán tử T_chuẩn được định nghĩa trong bảng 1.1. Quan hệ R
j

được định nghĩa thông qua hàm liên thuộc sau:
(y) * μ)(xμT
(y) )*μ(x)* *μ(x)*μ(xμ
,y) x(*μμ,y) x( μ,y) x(μ
j
B
ij
A

n
i
j
B
nj
n
A
j
A
j
A
j
B
j
n
x xA
j
xA
j
A
j
B
j
n
x xA
j
xA
j
A
j

R











1
1
2
2
1
1
2121

(1.37)
và hàm liên thuộc của tập mờ A
x
là:
) (xμT)(x)* *μ(x)*μ(x μ) x(μ
i
i
X
n
in

n
XXX
x
A 12
2
1
1


(1.38)
Do đó, hàm liên thuộc của tập mờ đầu ra được tính như sau:
 
 


























































)(xμ)(xμ
)(xμ)(xμ
(y)μ
(y) * μ)(xμT)(xμT
yxμx
yxxy
nj
n
A
n
n
Xn
X
n
x
ij
A
i
i
Xi
Xx

j
B
j
B
ij
A
n
ii
i
X
n
iUx
j
B
j
n
x xA
j
xA
j
A
AxUx
j
R
AxUx
j
B
*sup*
**sup
*

*sup
),(*)(sup
),(*)(sup)(
1
1
1
11
21


(1.39)
3.4. Bộ giải mờ:
Đây là một ánh xạ từ các tập mờ trong R thành các giá trị rõ trong R.
Có nhiều phép giải mờ, với mỗi ứng dụng sẽ có một phương thức giải mờ

Chương I: Tổng quan về Lôgic mờ

14
khác nhau tuỳ thuộc yêu cầu của ứng dụng. Dưới đây sẽ liệt kê một số
phương thức giải mờ thông dụng:
+ Phương pháp độ cao:
)(
)(
)(
1
'
1
'
j
M

i
j
B
j
M
i
j
B
j
h
y
yy
xy










(1.40)
với j là chỉ số luật,
j
y

là điểm có độ liên thuộc lớn nhất trong tập mờ
đầu ra B‟

j
thứ j, và
)(
'
j
j
B
y


được tính theo công thức (1.38) như sau:
)(x)* *μ(x)*μ(xμy y
n
n
AAA
j
j
B
j
j
B
'''*)()(
2
2
1
1
'




(1.41)
+ Phương pháp độ cao biến đổi:
2
1
'
2
1
'
/)(
/)(
)(
jj
M
i
j
B
jj
M
i
j
B
j
mh
y
yy
xy











(1.42)
với δ
j
hệ số biến đổi của luật j.
+ Phương pháp trọng tâm:
)(
)(
)(
1
1
i
N
i
B
i
N
i
Bi
c
y
yy
xy








(1.43)
+ Phương pháp các tập của tâm (Center – of – Sets) : Phương pháp này mỗi
luật được thay thay thế bởi tập singleton tâm c
j
:
)(
)(
)(
1
1
1
1
cos
i
M
i
j
i
A
n
i
i
M
i
j

i
A
n
i
j
xT
xTc
xy









(1.44)
3.5. Ví dụ minh hoạ:
Xét hệ mờ với 3 luật mờ và các hàm liên thuộc của các tập mờ đầu vào,
đầu ra như biểu diễn tại hình 1.6. Mỗi luật mờ có 2 đầu vào hình (a)-1, a(2),
b(1), b(2), c(1), c(2) và 1 đầu ra hình a(3), b(3), c(3). Giả sử, chúng ta thử

Chương I: Tổng quan về Lôgic mờ

15
nghiệm với hai giá trị đầu vào là x
1
= 3 và x
2

= 5, sử dụng dạng T_chuẩn MIN
(T(x,y) = min(x,y)) tính được tổng hợp của các tập mờ phía IF và THEN hình
(d). Sử dụng T_đối chuẩn cho tất cả đầu ra như hình (e).
Giải mờ theo các công thức (1.40) – (1.44) ta được:
7368.2
0.20.80.9
0.2x5 0.8x3 29.0




x
y
h

1429.3
0.2/0.2 0.8/0.2 4.0/9.0
0.2x5/0.2 0.8x3/0.2 4.0/29.0
222
222




x
y
mh

7235.2
0.20.80.9

0.2x4.8436 0.8x3 0068.29.0
cos




x
y
y
c
= 2.4289

Hình 1.6: Minh hoạ kết quả tính và các phương pháp giải mờ.

Chương II: Mạng Neural Nhân tạo

16

CHƢƠNG 2

MẠNG NEURAL NHÂN TẠO
Mạng Neural nhân tạo - Artificial Neural Network là sự tái tạo bằng kỹ
thuật những chức năng của hệ thần kinh con người với vô số các Neural được
liên kết truyền thông với nhau trong mạng hay nói cách khác đó là một hệ
thống xử lý bằng máy tính bao gồm rất nhiều các phần tử xử lý được kết nối
với nhau theo một cấu trúc mô phỏng nguyên lý hoạt động của bộ não con
người.
1. GIỚI THIỆU VỀ MẠNG NEURAL
Mô phỏng sinh học, đặc biệt là mô phỏng neural thần kinh là một ước
muốn từ lâu của nhân loại. Với khoảng 15 tỷ neural ở não người, mỗi neural

có thể nhận hàng vạn tín hiệu từ các khớp thần kinh và được coi là một cơ chế
sinh học phức tạp nhất.
Não người có khả năng giải quyết những vấn đề như: nghe, nhìn, nói, hồi
ức thông tin, phân biệt các mẫu mặc dù dữ kiện bị méo mó, thiếu hụt. Não
thực hiện những nhiệm vụ như vậy bởi có những phần tử gọi là neural, não
phân bố việc xử lý cho hàng tỷ neural có liên quan, điều khiển liên lạc giữa
các neural. Neural không ngừng nhận và truyền thông lẫn nhau. Cơ chế hoạt
động của neural bao gồm: Tự liên kết, tổng quát hoá và tự tổ chức, chúng liên
kết với nhau thành mạng, mỗi mạng gồm hàng vạn các phần tử neural khác
nhau, mỗi phần tử neural có khả năng liên kết với hàng nghìn các neural khác.
Lịch sử của quá trình nghiên cứu và phát triển của mạng neural nhân tạo
có thể được chia thành 4 giai đoạn như sau:

Chương II: Mạng Neural Nhân tạo

17
+ Giai đoạn 1: Giai đoạn này có thể được tính từ nghiên cứu của
William năm 1890 về tâm lý học với sự liên kết các neural thần kinh. Năm
1940 McCulloch và Pitts đã cho biết: neural có thể được mô hình hoá như
thiết bị ngưỡng (giới hạn) để thực hiện các phép tính lôgic. Cũng thời gian đó
Wiener đã xét các mối liên quan giữa nguyên lý phản hồi và chức năng bộ
não.
+ Giai đoạn 2: Xuất phát từ những năm 60 của thế kỷ 20, gần như đồng
thời một số mô hình Neural hoàn hảo hơn đã được đưa ra đó là mô hình:
- Perceptron của Robenbltt.
- Adaline của Widrow.
- Ma trận học của Steinbuck.
Trong đó mô hình Perceptron rất được quan tâm vì nguyên lý đơn giản,
nhưng nó cũng có hạn chế vì chỉ dùng được cho các hàm lô gic đơn giản. Còn
Adline là mô hình tuyến tính, tự chỉnh, được dùng rộng rãi trong điều khiển

thích nghi, tách nhiễu vẫn phát triển và ứng dụng cho đến nay.
+ Giai đoạn 3: Xuất phát từ những năm 80 của thế kỷ 20, những đóng
góp lớn cho mạng neural trong giai đoạn này phải kể đến Grossberg,
Kohonen, Rumelhart và Hofield. Đóng góp lớn của Hofield gồm hai mạng
phản hồi: rời rạc và liên tục. Đặc biệt, ông đã dự kiến nhiều khả năng tính
toán lớn của mạng mà một neural không có được khả năng đó. Cảm nhận đó
đã được Rumelhart, Hinton và Williams đề xuất thuật toán sai số truyền
ngược (Backprogation) nổi tiếng để huấn luyện mạng neural nhiều lớp nhằm
giải bài toán mà các mạng khác không thực hiện được.
+ Giai đoạn 4: Xuất phát từ năm 1987 cho đến ngày nay, hàng năm
thế giới đều mở hội nghị toàn cầu chuyên ngành mạng neural IJCNN

Chương II: Mạng Neural Nhân tạo

18
(International Joint Conference on Neural Networks). Hàng loạt lĩnh vực
khác nhau như kỹ thuật tính, tối ưu, sinh học, y học, thống kê, giao thông, hoá
học… đã đóng góp nhiều công trình nghiên cứu và ứng dụng mạng neural vào
lĩnh vực của mình.
2. KIẾN TRÚC MẠNG NEURAL NHÂN TẠO
Mạng Neural nhân tạo bao gồm các nút (đơn vị xử lý, Neural) được nối
với nhau bởi các liên kết Neural. Mỗi liên kết kèm theo một trọng số nào đó,
đặc trưng cho đặc tính kích hoạt/ức chế giữa các Neural.
Có thể xem các trọng số là phương tiện để lưu giữ thông tin dài hạn trong
mạng neural và nhiệm vụ của quá trình huấn luyện (học) mạng là cập nhật các
trọng số khi có thêm thông tin về các mẫu học, hay nói một cách khác, các
trọng số được điều chỉnh sao cho dáng điệu vào ra của nó mô phỏng hoàn
toàn phù hợp với môi trường đang xem xét.
Trong mạng, một số Neural được nối với môi trường bên ngoài như các
đầu ra, đầu vào.

2.1. Kiến trúc Neural





Hình 2.1: Kiến trúc cơ bản của Neural
Mỗi Neural được nối với các Neural khác và nhận được các tín hiệu s
j
từ
các Neural đó với các trọng số w
j
. Tổng các thông tin vào có trọng số là:
Net = ∑w
j
s
j
(2.1)
Net =∑ g out
Hàm vào Hàm kích Đầu ra
hoạt
Các liên kết
vào
s
j
w
j
Các liên
kết ra