Phân loại đối tượng học để cải tiến chất lượng học tập trong đào tạo điện tử

ĐẠI HỌC QUỐC GIA HÀ NỘI
TRƯỜNG ĐẠI HỌC CÔNG NGHỆ




NGUYỄN ÁNH NGUYỆT


PHÂN LOẠI ĐỐI TƯỢNG HỌC ĐỂ CẢI TIẾN CHẤT
LƯỢNG HỌC TẬP TRONG ĐÀO TẠO ĐIỆN TỬ



LUẬN VĂN THẠC SĨ





Hà Nội - 2011

ĐẠI HỌC QUỐC GIA HÀ NỘI
TRƯỜNG ĐẠI HỌC CÔNG NGHỆ



NGUYỄN ÁNH NGUYỆT


PHÂN LOẠI ĐỐI TƯỢNG HỌC ĐỂ CẢI TIẾN CHẤT
LƯỢNG HỌC TẬP TRONG ĐÀO TẠO ĐIỆN TỬ

LUẬN VĂN THẠC SĨ

Ngành CÔNG NGHỆ THÔNG TIN
Chuyên ngành CÔNG NGHỆ PHẦN MỀM
Mã số 60 48 10


NGƯỜI HƯỚNG DẪN KHOA HỌC: TS. Nguyễn Văn Vinh



Hà Nội - 2011

iii


MỤC LỤC

DANH SÁCH BẢNG v
DANH SÁCH HÌNH VẼ vi
DANH MỤC CÁC CHỮ VIẾT TẮT vii
ĐẶT VẤN ĐỀ 1
Chƣơng 1: PHÂN LOẠI ĐỐI TƢỢNG HỌC 3
1.1 Tạo ra những mẫu cố định 3
1.2 Mô hình phủ 3
1.3 Mô hình mạng Bayes 4
Chƣơng 2: TỔNG QUAN VỀ LOGIC MỜ, MẠNG NƠ RON 6
2.1 Tổng quan về logic mờ 6
2.1.1 Khái niệm cơ b
ả
n 6
2.2 Tổng quan về mạng Nơ ron nhân tạo 13
2.2.1 Cấu trúc mạng nơ ron nhân tạo (
Artifical Neural Networks – ANN
) 13
2.2.2 Phân loại mạng nơron nhân tạo 17
2.2.3 Các phƣơng pháp huấn luyện mạng nơ-ron 18
2.2.4 Mạng truyền thẳng một lớp (mạng perceptron đơn giản) 20
2.2.5 Mạng truyền thẳng nhiều lớp (Multilayer perceptron _ MLP) 21
Kết luận chƣơng 22
Chƣơng 3: ÁP DỤNG MẠNG NƠ RON VÀ LOGIC MỜ CHO VẤN ĐỀ PHÂN
LOẠI ĐỐI TƢỢNG HỌC 23
3.1 Ứng dụng mạng nơ ron và logic mờ cho vấn đề phân loại đối tƣợng học23

3.1.1 Lƣợc đồ thể hiện kiến thức mờ 24
3.1.2 Làm mờ 27
31.3 Bƣớc suy diễn 29
3.1.4 Giải mờ 29
3.2 Ứng dụng để tạo thử nghiệm một chƣơng trình phân loại đối tƣợng 30
3.2.1 Xác định giá trị đầu vào và đầu ra 30
3.2.2 Tập mờ 31
3.2.3 Tập luật mờ 31
3.2.4 Tạo và huấn luyện mạng nơ ron 32
Kết luận chƣơng 33
Chƣơng 4: CÀI ĐẶT CHƢƠNG TRÌNH VÀ THỬ NGHIỆM 34
iv


4.1 Cài đặt chƣơng trình 34
4.2 Thử nghiệm 38
Kết luận chƣơng 39
KẾT LUẬN 40
TÀI LIỆU THAM KHẢO 41


v


DANH SÁCH BẢNG


Bảng 3.1: Tập luật phân loại người học 31

vi



DANH SÁCH HÌNH VẼ

Hình 2.1: Minh họa miền tin cậy và miền xác định của một tập mờ [2]. 7
Hình 2.2: Các dạng hàm liên thuộc [2]. 7
Hình 2.3: Biến ngôn ngữ [2]. 8
Hình 2.4: Giải mờ bằng phương pháp cực đại [2]. 11
Hình 2.5: Tập mờ có hàm thuộc hình thang [2]. 12
Hình 2.6: Cấu trúc của một nơ ron sinh học [2] 13
Hình 2.7: Cấu tạo của tế bào nơ ron sinh học [2]. 14
Hình 2.8: Mô hình nơ ron nhân tạo [2] 14
Hình 2.9: Mạng truyền thẳng 1 lớp
và
mạng hồi quy 1 lớp [2] 18
Hình 2.10: Mạng truyền thẳng nhiều lớp[2] 18
Hình 2.11: Mạng hồi quy nhiều lớp [2] 18
Hình 2.12: Mô hình luật học có giám sát 19
Hình 2.13: Mô hình luật học củng cố [2]. 19
Hình 2.14: Mô hình luật học không có giám sát [2] 20
Hình 2.15: Cấu trúc mạng perceptron tổng quát [2] 20
Hình 3.2: Thực hiện của 1 fuzzifier [4] 28
Hình 3.3: Ví dụ về các hàm thuộc [4] 29

Hình 3.4: Kiến trúc mạng để thực hiện mối quan hệ mờ [4] 29
Hình 3.5: Hàm thuộc cho điểm bài thi 31
Hình 3.6: Hàm thuộc cho thời gian hoàn thành bài thi. 31
Hình 4.1: Màn hình chính của chương trình 34
Hình 4.2: Phân loại người học bằng tay 35
Hình 4.3: Phân loại 1 tập người học 36
Hình 4.4: Mô hình Nơ ron - Fuzzy 37

vii


DANH MỤC CÁC CHỮ VIẾT TẮT

Từ viết tắt
Ý nghĩa
Giải thích tiếng Việt
AI
Artificial Intelligence
Trí tuệ nhân tạo
ILE
Intelligent Learning Environments
Các môi trường học
tập thông minh
ITS
Intelligent Tutoring Systems
Các hệ thống dạy học
thông minh
Phần liên quan tới nghiệp vụ
Student Diagnosis
Chẩn đoán người học

Uncertainty
Management
Quản lý sự không chắc chắn

Fuzzy Logic
Logic mờ

Neural Networks
Mạng Nơron

Student modelling
Mô hình hóa người học

Intelligent Learning
Environments
Các môi trường học tập thông
minh

Intelligent Tutoring
Systems
Các hệ thống dạy học thông minh


1


ĐẶT VẤN ĐỀ
Với sự phát triển vượt bậc của ngành công nghệ thông tin, học tập điện
tử đóng vai trò quan trọng trong giáo dục trong thế giới ngày nay. Việc dạy học

hiện nay đặt người học làm trung tâm, ví dụ như đào tạo tín chỉ [4]. Chỉ cần có máy
tính và mạng Internet, người học giờ đây có thể theo học ở các khóa học trực tuyến
ở bất kì đâu, và bất kì thời điểm nào. Làm sao việc học tập trên mạng có thể tối ưu
nhất, gần gũi với khóa học thực tế nhất và giúp cho người học tiếp thu kiến thức
hiệu quả nhất, đó cũng là một trong những vấn đề mà hiện nay đang được quan
tâm, nghiên cứu.
Mặc khác, mỗi học sinh có phong cách học tập riêng của mình, và hiệu suất
học tập của mỗi học sinh không thể chỉ đánh giá đơn giản qua việc xem xét số
lượng câu trả lời đúng và sai. Vì vậy, các chiến lược giảng dạy được phát triển bằng
cách nghiên cứu vấn đề này.
Hơn nữa, quan sát việc giảng dạy của giáo viên, chúng ta có thể thấy, mỗi
giáo viên đều có chiến lược giảng dạy của riêng mình và áp dụng cách thức dạy học
cho từng học sinh trong lớp khác nhau. Ví dụ, với học sinh giỏi, và có ý thức học
tập tốt, giáo viên không cần phải giải thích nhiều về những phần lý thuyết cơ bản
mà để những học sinh này tự nghiên cứu, sau đó trình bày lại trên lớp, và đưa ra
nhiều bài tập nâng cao nhằm giúp học sinh có thể phát huy được khả năng của
mình, nâng cao kiến thức. Còn với học sinh có trình độ học kém, giáo viên lại phải
có cách thức tiếp cận khác như trình bày kĩ hơn về lý thuyết, đưa ra từng bước giải
thích chi tiết.
Vì vậy, tạo ra các khóa học thích nghi để làm sao có thể thích ứng với nhu
cầu học tập của từng người học là vấn đề đang được quan tâm nghiên cứu hiện nay.
Với khuôn khổ của luận văn này, chúng tôi tập trung vào việc tìm hiểu cách thức
phân loại đối tượng học tập nhằm mục tiêu đưa ra dự đoán về đặc điểm học tập
của người học dựa trên việc bắt chước kinh nghiệm của giáo viên để đưa ra các
quyết định sư phạm thích ứng cho từng người học. .
Hiện nay có nhiều phương pháp phân loại tự động, như mạng Bayes, khai
phá dữ liệu, …mô hình mờ dựa trên mạng nơron được trình bày trong luận văn này
là một phương pháp nhằm mục đích bắt chước thủ tục thu được kiến thức của giáo
viên trong việc đánh giá các đặc điểm học tập của người học, chẳng hạn như khả
2

năng, thái độ, trình độ kiến thức, động lực và phong cách học tập. Logic mờ được
sử dụng để cung cấp một cách thức suy luận chất lượng, gần gũi hơn với quyết
định của giáo viên vì nó xử lý không chính xác và sự mơ hồ bằng cách kết hợp các
mối quan hệ mờ và các thực tế mờ, trong khi mạng nơ ron cung cấp một cách thuận
tiện để đạt được khả năng thích nghi của quá trình chẩn đoán cho lập luận và đánh
giá chủ quan của giáo viên. Như vậy, kết hợp logic mờ và mạng nơ ron giúp hệ
thống mã hóa cả kiến thức có cấu trúc và không có cấu trúc, ví dụ như các luật
mờ và việc học tập từ các ví dụ tương ứng.
Nội dung chính của luận văn được tổ chức thành 4 chương có nội
dung được mô tả như dưới đây.
Chƣơng 1: Trình bày tổng quan về phân loại đối tƣợng học tập trong đào
tạo điện tử. Chương này nêu ra các phương pháp phân loại đối tượng, ưu, nhược
điểm của từng phương pháp.
Chƣơng 2: Tổng quan về logic mờ, mạng nơ ron. Chương này trình bày
những lý thuyết cơ bản về logic mờ, mạng nơ ron nhân tạo, cung cấp cách nhìn
tổng quát nhất về quá trình làm mờ hóa, suy diễn, giải mờ và quá trình huấn luyện
mạng nơ ron nhân tạo.
Chƣơng 3: Áp dụng mạng nơ ron và logic mờ cho việc phân loại ngƣời học.
Chương này tập trung vào việc áp dụng lý thuyết về logic mờ và mạng nơ ron cho
bài toán phân loại đối tượng học tập, các bước thực hiện.
Chƣơng 4: Cài đặt chƣơng trình và thử nghiệm. Chương này giới thiệu về
chương trình cài đặt và tập trung thử nghiệm việc phân loại cho bộ dữ liệu gồm
200 mẫu, từ đó đánh giá được khả năng ứng dụng của phương pháp kết hợp logic
mờ - mạng nơ ron cho việc phân loại đối tượng người học.
Phần kết luận tổng kết những kết quả đã đạt được của luận văn và hướng phát
triển nghiên cứu tiếp theo.

3


Chƣơng 1: PHÂN LOẠI ĐỐI TƢỢNG HỌC
Phân loại đối tượng học là phân chia người học thành các nhóm đã được
xác định trước. Mục đích của công việc này nhằm giúp giáo viên hay các chương
trình đào tạo trực tuyến có thể biết được khả năng học tập của từng học sinh, qua
đó sẽ đưa ra được các chiến lược sư phạm thích hợp nhất cho học sinh này.
Theo kết quả thống kê [1] thì có 1 số phương pháp phân loại đối tượng học
như sau:
1.1 Tạo ra những mẫu cố định
Người học được phân loại và hệ
t
h
ố
n
g
sẽ đáp ứng dựa
trên
những phân
loại đó. Ví
dụ,
người học được phân loại
thành
ba nhóm: người mới
bắt
đầu,
người học có
trình

độ
t
r
un
g
bình và người học có
trình
độ chuyên gia khi
tham
gia vào m
ộ
t
khóa học. Cách
t
iế
p

c
ậ
n
này là hữu ích khi cần đánh giá nhanh
nhưng không
nhất thiết
là hoàn
t
o
à
n
chính x
á

c
về nền
t
ả
n
g

tri
t
h
ứ
c
của người
học được yêu cầu
.
1.2 Mô hình phủ
Được sử
dụn
g
khá phổ biến,
t
r
o
n
g
mô hình này miền
tri
t
h
ứ

c
phải được
mô đun hóa
thành
t
ừ
n
g
chủ
đ
ề
hay khái niệm cụ
thể.
Tri
t
h
ứ
c
của người học
được xây dựng dựa
trên
sự hiểu
b
iế
t

c
á
c
khái niệm

t
hu
ộc
lĩnh vực nào đó, sự
hiểu
b
iế
t
của người học được cập
nhật
qua
t
ừ
n
g gi
a
i
đ
o
ạ
n.
Ban đầu người học
có
thể
được phân loại như là các mẫu có sẵn. Sau đó mô hình người học dần
sửa đổi
từ
t
h
ô

n
g
tin thu
nhận được
t
r
o
n
g
quá
trình
người học
t
ư
ơ
n
g
tác
với
h
ệ
t
h
ố
n
g
.
M
ộ
t

số cách
t
iế
p
cận để xây dựng mô hình người
h
ọc:

Quan
sát
những
t
ư
ơ
n
g

tác
t
r
ự
c

t
iế
p
giữa người học với phần m
ề
m
.

Phân
t
íc
h

t
h
ô
n
g

tin
về người học
từ
cơ sở dữ liệu hay các kho lưu
trữ
của
h
ệ
t
h
ố
n
g
.

Đánh giá
K
hi xây dựng mô hình người học, các hệ thống nêu trên chưa sử dụng

nhiều thuộc tính của người học để thích nghi. Sử dụng giá trị nhị phân (ví dụ:
biết/không biết), giá trị định tính (ví dụ: tốt, trung bình, kém), giá trị định
lượng (ví dụ: tập số nguyên trong khoảng [1 . . 100]) để định lượng mức độ
4


hiểu biết khái niệm của người học. Các giá trị này không đạt được độ chính
xác cao khi đánh giá mức độ hiểu biết của người học. Thêm vào đó, hệ thống
sẽ gặp khó khăn trong việc phân lớp người học để thích nghi khi dựa trên các
giá trị này. Ngoài ra, các hệ thống này cũng không đánh giá mức độ hoàn
thành việc thực hiện các hoạt động của người học (do cách tiếp cận mô hình
nội dung học không xem xét đến các hoạt động, nhiệm vụ học tập).
1.3 Mô hình mạng Bayes
Được sử dụng thành công trong việc liên kết xác suất kiến thức của
người sử dụng đối với các hành vi có thể quan sát được của người học. Đòi
hỏi việc xác định xác suất từ các luật của các chuyên gia.
Đánh giá:
Các chìa khóa để thành công với tất cả các mô hình mạng Bayesian
nằm trong thể hiện chính xác cho xác suất phụ thuộc trong miền nhiệm vụ
[5]. Kỹ thuật logic mờ cũng đã được được sử dụng cho nhiệm vụ này hiệu
quả. Khi xem xét việc sử dụng các kỹ thuật này trong một hệ thống mô hình
hóa người dùng, các đối số được đánh địa chỉ không quan tâm về nguyên tắc
vấn đề có hay không logic mờ cung cấp kết quả chính xác hoặc hữu ích chứ
không phải bởi khả năng sử dụng của kỹ thuật logic mờ trong thiết kế của hệ
thống cụ thể. Logic mờ có thể có những ưu điểm liên quan đến lựa chọn thay
thế trong một số những vấn đề này [5], ví dụ như trong tính toán phức
tạp. Ngoài ra suy luận của một hệ thống logic mờ được coi là dễ dàng cho
các nhà thiết kế và người sử dụng hiểu hoặc chỉnh sửa [5]. Một trong những
yếu tố để xem xét này là sự đồng dạng với con người. Mặc dù, khoảng cách
giữa con người và suy luận Bayesian không phải là rộng nhưng sự đồng dạng

với con người mạnh mẽ khi kết hợp với logic mờ vì nó có thể cung cấp mô tả
giống như con người về kiến thức và bắt chước phong cách "con người" về
suy luận với khái niệm mơ hồ . Đây là những quan tâm đặc biệt khi cố gắng
thiết kế một hệ thống mô hình hóa người học có thể dịch giải được dựa trên
suy luận giáo viên và khái niệm của người học, như trong cách tiếp cận của
chúng chúng tôi. Ngoài ra, cách tiếp cận Bayes đòi hỏi việc xác định xác suất
từ lập luận của các chuyên gia, trong khi logic mờ cung cấp một phương
pháp thuận tiện để gợi ra những kiến thức cần thiết từ các miền chuyên gia,
do đó giáo viên chuyên gia trong trường hợp mô hình hóa người học, để thực
5


hiện các hệ thống. Sẽ dễ dàng hơn và đáng tin cậy hơn để trích xuất dạng
kiến thức các chuyên gia trong hình thức ngôn ngữ hơn là trong thể hiện số
về kiến thức này từ các cảm nhận của các chuyên gia [5].
Kết luận chƣơng
Chương này nêu một số phương pháp phân loại đối tượng học và đặc
điểm của từng phương pháp và so sánh với cách tiếp cận sử dụng logic mờ và
mạng nơ ron. Phương pháp logic mờ được sử dụng vì chúng có những ưu
điểm như: Dễ hiểu, linh hoạt, cho phép thao tác với dữ liệu không chính xác.
Logic mờ là một công cụ rất mạnh để giải quyết những vấn đề không chính
xác và phi tuyến một cách nhanh chóng hiệu quả.



6


Chƣơng 2: TỔNG QUAN VỀ LOGIC MỜ, MẠNG NƠ RON
2.1 Tổng quan về logic mờ

2.1.1 Khái niệm cơ b
ả
n
Một cách tổng quát, một hệ thống mờ là một tập hợp các qui tắc dưới dạng
If … Then … để tái tạo hành vi của con người được tích hợp vào cấu trúc điều
khiển của hệ thống [2].
Việc thiết kế một hệ thống mờ mang rất nhiều tính chất chủ quan, nó tùy
thuộc vào kinh nghiệm và kiến thức của người thiết kế. Ngày nay, tuy kỹ thuật
mờ đã phát triển vượt bậc nhưng vẫn chưa có một cách thức chính quy và hiệu quả
để thiết kế một hệ thống mờ. Việc thiết kế vẫn phải dựa trên một kỹ thuật rất cổ
điển là thử - sai và đòi hỏi phải đầu tư nhiều thời gian để có thể đi tới một kết quả
chấp nhận được.
Để hiểu rõ khái niệm “MỜ” là gì ta hãy thực hiện phép so sánh sau:
Trong toán học phổ thông ta đã học khá nhiều về tập hợp, ví dụ như tập các
số thực R, tập các số nguyên tố P = {2,3,5, }…Những tập hợp như vậy được gọi là
tập hợp kinh điển hay tập rõ, tính “RÕ” ở đây được hiểu là với một tập xác định
S chứa n phần tử thì ứng với phần tử x ta xác định được một giá trị y=S(x).
Giờ ta xét phát biểu thông thường về tốc độ một chiếc xe môtô: Chậm, trung
bình, hơi nhanh, rất nhanh. Phát biểu “CHẬM” ở đây không được chỉ rõ là bao
nhiêu km/h, như vậy từ “CHẬM” có miền giá trị là một khoảng nào đó, ví dụ
5km/h – 20km/h chẳng hạn. Tập hợp L={
chậm, trung bình, hơi nhanh, rất nhanh
}
như vậy được gọi là một tập các biến ngôn ngữ. Với mỗi thành phần ngôn ngữ x
k
của phát biểu trên nếu nó nhận được một khả năng
µ(x
k
)
thì tập hợp F gồm các

cặp (x, µ(
x
k
)) được gọi là tập mờ.

1.

Định nghĩa tập mờ
Tập mờ F xác định trên tập kinh điển B là một tập mà mỗi phần tử của nó là
một cặp giá trị (x,µ
F
(x)), với x
∈
X và
µ
F
(x)
là một ánh xạ :
µ
F
(x) : B
→
[0 1]

Trong đó: µ
F
gọi là hàm thuộc, B gọi là tập nền.
7

Hình 2.1: Minh họa miền tin cậy và miền xác định của một tập mờ [2].
2.

Các thuật ngữ trong logic mờ
Đ
ộ cao tập mờ F là giá trị h = Supµ
F
(x), trong đó supµ
F
(x) chỉ giá trị nhỏ
nhất
trong tất cả các chặn trên của hàm µ
F
(x).

Miền xác định của tập mờ F, ký hiệu là S là tập con thoả mãn :

S =
Suppµ
F
(x)
= {
x
∈
B
| µ
F
(x) > 0 }

Miền tin cậy của tập mờ F, ký hiệu là T là tập con thoả mãn :

T = {
x
∈
B
| µ
F
(x) = 1 }


Các dạng hàm thuộc (thuộc function) trong logic mờ

Có rất nhiều dạng hàm thuộc như: Gaussian, PI-shape, S-shape, Sigmoidal,
Z-
shape …


Hình 2.2: Các dạng hàm liên thuộc [2].


8


3.

Biến ngôn ngữ
Biến ngôn ngữ là phần tử chủ đạo trong các hệ thống dùng logic mờ. Ở đây các
thành phần ngôn ngữ của cùng một ngữ cảnh được kết hợp lại với nhau.

Để minh hoạ về hàm thuộc và biến ngôn ngữ ta xét ví dụ sau :
Xét tốc độ của một chiếc xe môtô, ta có thể phát biểu xe đang chạy:
 Rất chậm (VS)
 Chậm (S)
 Trung bình (M)
 Nhanh (F)
 Rất nhanh (VF)
Những phát biểu như vậy gọi là biến ngôn ngữ của tập mờ. Gọi x là giá trị
của biến tốc độ, ví dụ x =
10km/h, x = 60km/h
… Hàm thuộc tương ứng của các
biến ngôn ngữ trên được ký hiệu là :
µ
VS
(x), µ
S
(x), µ
M
(x), µ
F
(x), µ
VF
(x)


Hình 2.3: Biến ngôn ngữ [2].
Như vậy biến tốc độ có hai miền giá trị :
- Miền các giá trị ngôn ngữ :
N = { rất chậm, chậm, trung bình, nhanh, rất nhanh }
- Miền các giá trị vật lý :

V = { x∈B | x
≥
0 }

Biến tốc độ được xác định trên miền ngôn ngữ N được gọi là biến ngôn ngữ.
Với mỗi x∈B ta có hàm thuộc :
9


x
→
µ
X
= { µ
VS
(x), µ
S
(x), µ
M
(x), µ
F
(x), µ
VF
(x) }

Ví dụ hàm thuộc tại giá trị rõ x = 65km/h là :

µ
X
(65)

= { 0;0;0.75;0.25;0 }

4.

Các phép toán trên tập mờ
Cho X,Y là hai tập mờ trên không gian nền B, có các hàm thuộc tương ứng là
µ
X
,
µ
Y
, khi đó :
i.
Phép hợp hai tập mờ:
X∪ Y

o
Theo luật Max
µX∪ Y(b) = Max{ µX(b) , µY(b) }

o Theo luật Sum µX∪ Y(b) = Min{ 1, µX(b) + µY(b) }
o Tổng trực tiếp µX∪ Y(b) = µX(b) + µY(b) - µX(b).µY(b)
ii.
Phép giao hai tập mờ: X∩Y

o
Theo luật Min
µX ∩ Y(b) = Min{ µX(b) , µY(b) }

o

Theo luật Lukasiewicz
µX ∩ Y(b) = Max{0, µX(b)+µY(b)-1}

o
Theo luật Prod µX ∩ Y(b) = µX(b).µY(b)

iii. Phép bù tập mờ:
µX c (b) = 1- µX(b)

5.

Luật hợp thành
A. Mệnh đề hợp thành
Ví dụ điều khiển mực nước trong bồn chứa, ta quan tâm đến 2 yếu tố :
+ Mực nước trong bồn L = {rất thấp, thấp, vừa}
+ Góc mở van ống dẫn G = {đóng, nhỏ, lớn}
Ta có thể suy diễn cách thức điều khiển như thế này :
Nếu mực nước = rất thấp Thì góc mở van = lớn
Nếu mực nước = thấp Thì góc mở van = nhỏ Nếu mực nước =
vừa Thì góc mở van = đóng
Trong ví dụ trên ta thấy có cấu trúc chung là “Nếu A thì B”. Cấu trúc này
gọi là mệnh đề hợp thành, A là mệnh đề điều kiện, C = A⇒ B là mệnh đề kết
luận.
Định lý Mamdani :
“
Độ phụ thuộc của kết luận không được lớn hơn độ phụ thuộc điều kiện
”
10

Nếu hệ thống có nhiều đầu vào và nhiều đầu ra thì mệnh đề suy diễn có dạng
tổng quát như sau :
If N = ni and M = mi and … Then R = ri and K = ki and ….
B. Luật hợp thành mờ
Luật hợp thành là tên gọi chung của mô hình biểu diễn một hay nhiều hàm
thuộc cho một hay nhiều mệnh đề hợp thành.
Các luật hợp thành cơ bản
+ Luật Max – Min
+ Luật Max – Prod
+ Luật Sum – Min
+ Luật Sum - Prod
a. Thuật toán xây dựng mệnh đề hợp thành cho hệ SISO
Luật mờ cho hệ SISO có dạng “If A Then B”
Chia hàm thuộc µ
A
(x) thành n điểm x
i
,i = 1,2,…,n

Chia hàm thuộc µ
B
(y) thành m điểm y
j
, j = 1,2,…,m

Xây dựng ma trận quan hệ mờ R

Hàm thuộc
µ
B’

(y)
đầu ra ứng với giá trị rõ đầu vào x
k
có giá trị

µ
B’
(y) = a
T
.R , với a
T
= { 0,0,0,…,0,1,0….,0,0 }. Số 1 ứng với vị trí thứ k.

Trong trường hợp đầu vào là giá trị mờ A’ thì µ
B’
(y) là : a

µ
B’
(y) = { l
1
,l
2
,l
3
,…,l
m
} với l
k
=maxmin {a

i
,r
ik
}.

b. Thuật toán xây dựng mệnh đề hợp thành cho hệ MISO
Luật mờ cho hệ MISO có dạng :
11


“If cd1 = A1 and cd2 = A2 and … Then rs = B”
Các bước xây dựng luật hợp thành R :
• Rời rạc các hàm thuộc µA1(x1), µA2(x2), … , µAn(xn), µB(y)
• Xác định độ thoả mãn H cho từng véctơ giá trị rõ đầu vào x={c1,c2,…,cn}
trong đó ci là một trong các điểm mẫu của µAi(xi). Từ đó suy ra
H = Min{ µA1(c1), µA2(c2), …, µAn(cn) }
•
Lập ma trận R gồm các hàm thuộc giá trị mờ đầu ra cho từng véctơ giá trị
mờ đầu
vào: µ
B’
(y) = Min{ H, µ
B
(y) } hoặc µ
B’
(y) = H. µ
B
(y)

6.

Giải mờ
Giải mờ là quá trình xác định giá trị rõ ở đầu ra từ hàm thuộc µB’(y) của tập mờ
B’. Có 2 phương pháp giải mờ :
a. Phƣơng pháp cực đại
Các bước thực hiện :
Xác định miền chứa giá trị y’, y’ là giá trị mà tại đó µ
B’
(y) đạt Max

G = {
y
∈
Y
| µ
B’
(y) = H }

- Xác định y’ theo một trong 3 cách sau :
+ Nguyên lý trung bình
+ Nguyên lý cận trái
+ Nguyên lý cận phải


Hình 2.4: Giải mờ bằng phương pháp cực đại [2].

Nguyên lý trung bình: y’=
2
21 yy

Nguyên lý cận trái: Chọn y’ = y1

12



Nguyên lý cận phải: Chọn y’ = y2

b. Phƣơng pháp trọng tâm
Điểm y’ được xác định là hoành độ của điểm trọng tâm miền được bao bởi trục
hoành và đường µ
B’
(y).
Công thức xác định:
s
s
dyy
dyyy
y
)(
)(
'
, Trong đó S là miền xác định của tập mờ B’
Phƣơng pháp trọng tâm cho luật Sum – Min
Giả sử có m luật điều khiển được triển khai, ký hiệu các giá trị mờ
đầu ra của luật điều khiển thứ k là µ
B’k
(y) thì với qui tắc Sum – Min hàm
thuộc sẽ là

m
k
kBB
yy
1
''
)()(
, và y’ được xác định:

Trong đó M
i
=
dyyy
s
kB
)(
'
và A
i
=
dyy
s
kB
)(
'
i = 1,2, ,m

Hình 2.5: Tập mờ có hàm thuộc hình thang [2].
Xét riêng cho trường hợp các hàm thuộc dạng hình thang như trên: