Đồ án tốt nghiệp Tìm hiểu về logic mờ và mô hình hóa mờ. Xây dựng bộ mô hình mờ nhúng từ bộ dữ liệu luyện tập, mô phỏng hệ thống dự báo giá cổ phiếu trong thị trường chứng khoán

Lời cảm ơn
Lời đầu tiên, em xin được gửi lời cám ơn chân thành tới các thày cô giáo
thuộc trường Đại học Bách Khoa Hà Nội, những người đã tận tình chỉ dạy tất cả
kiến thức đại cương và chuyên ngành cho em trong suốt quá trình học tập và
nghiên cứu tại trường.
Trong quá trình thực hiện đồ án tốt nghiệp em đã học hỏi được thêm rất nhiều
điều, đó cũng là cơ hội để em tổng kết những kiến thức đã được học, đồng thời rút
ra những kinh nghiệm quý báu. Mặc dù có một số khó khăn và vướng mắc trong
thời gian hoàn thiện đồ án, nhưng nhờ sự chỉ bảo, hướng dẫn tận tình của thầy
giáo, PGS. TS. Trần Đình Khang - bộ mơn Hệ thống thơng tin – Viện Công Nghệ
Thông Tin và Truyền Thông - trường Đại học Bách Khoa Hà Nội, em đã kịp thời
khắc phục và có thể nói đồ án được hồn thành ở một mức độ nhất định. Bên cạnh
những kết quả đã đạt được, chắc chắn em sẽ không tránh khỏi những thiếu sót và
hạn chế. Sự phê bình, nhận xét của thầy cô là những bài học quý báu cho công
việc và nghiên cứu của em sau này.
Một lần nữa em xin chân thành cảm ơn sự giúp đỡ của các thầy cơ, đặc biệt là
PGS. TS. Trần Đình Khang đã giúp đỡ em hoàn thành đồ án tốt nghiệp này. Em
cũng xin được gửi lời cảm ơn sâu sắc đến gia đình, bạn bè đã ln ở bên, ủng hộ,
động viên tinh thần cho em trong suốt quá trình thực hiện đồ án.
Xin kính chúc q thầy cơ mạnh khỏe, hạnh phúc, tiếp tục đạt được nhiều
thành công trong nghiên cứu khoa học cũng như trong sự nghiệp trồng người.

Sinh viên thực hiện:


TÓM TẮT NỘI DUNG ĐỒ ÁN TỐT NGHIỆP
Đồ án giới thiệu một phương pháp mơ hình hóa mờ mới sử dụng tập mờ loại hai ứng
dụng trong dự báo trong điều khiển tài chính cụ thể là dự báo giá của cổ phiếu trong thị
trường chứng khoán. Sử dụng kỹ thuật mơ hình hóa mờ trong dự báo tài chính có ý nghĩa
thực tiễn rất lớn, đặc biệt trong lĩnh vực thị trường chứng khoán, và việc sử dụng phương
pháp mới này góp phần làm tăng độ chính xác trong kết quả tính tốn so với các phương

pháp đã từng được sử dụng trước đây với tập mờ loại một thơng thường. Mơ hình xây
dựng trong đồ án dựa trên nền tảng Hệ suy diễn mờ Mamdani, được kết cấu từ một bộ các
mơ hình mờ nhúng; sau đó lựa chọn ra mơ hình phù hợp nhất để suy diễn với bất cứ một
dữ liệu đầu vào cho trước nào. Kết qủa thực nghiệm trên dữ liệu cổ phiếu do Michio
Sugeno và Takahiro Yasukawa cung cấp trong “A Fuzzy-Logic-Based Approach to
Qualitative Modeling” lEEE TRANSACTIONS ON FUZZY SYSTEMS, VOL. I, NO.
I. FEBRUARY 1993.

Sinh viên thực hiện:


ABSTRACT OF THE THESIS
My project introduces a new fuzzy system modeling method, that using Type 2 fuzzy
sets in finance control, specifically, is stock price prediction in securities market.
Applying fuzzy system modelling technology in finance prediction has a major practical
meaning. Especially, in securities market area, and the usage of this new method can
contribute to increasing degree of accuracy in calculating result in compared with the
methods have used before with normal Type 1 fuzzy sets. The built model in project was
based on the foundation of “ Mamdani Fuzzy Deducing System”, that was composited
from a set of embedding fuzzy model; then choose the most appropriate model to deduce
with any given input data. The experimental result on stock data supported by Michio
Sugeno and Takahiro Yasukawa in “ A Fuzzy-Logic-Based Approach to Qualitative
Modeling” LEEE TRANSACTIONS ON FUZZY SYSTEM, VOL. I. NO I.
FEBRUARY 1993.

Sinh viên thực hiện:


PHIẾU GIAO NHIỆM VỤ ĐỒ ÁN TỐT NGHIỆP
1. Thông tin về sinh viên

Họ và tên sinh viên:
Điện thoại liên lạc: 0904 572 594
Email:
Lớp: HTTTB - K50
Hệ đào tạo: Đại học chính quy
Đồ án tốt nghiệp được thực hiện tại: Bộ môn HTTT – Viện CNTT & Truyền Thông
Thời gian làm ĐATN: Từ ngày 16 / 02 /2010 đến 28 / 05 /2010
2. Mục đích nội dung của ĐATN
Tìm hiểu về logic mờ và mơ hình hóa mờ. Xây dựng bộ mơ hình mờ nhúng từ bộ dữ liệu luyện
tập, mô phỏng hệ thống dự báo giá cổ phiếu trong thị trường chứng khoán.
3. Các nhiệm vụ cụ thể của ĐATN
- Tìm hiểu về logic mờ và mơ hình hóa mờ:
+ Tìm hiểu về logic mờ: các khái niệm trong lý thuyết tập mờ có liên quan đến mơ hình
hóa mờ.
+ Tìm hiểu về mơ hình hóa mờ sử dụng tập mờ loại một thông thường và tập mờ loại hai
rời rạc.
- Xây dựng hệ suy diễn mờ sử dụng công cụ Fuzzy Logic Toolbox của Matlab
- Xây dựng hệ thống dự báo giá cổ phiếu bằng Matlab với mục đích nghiên cứu, có giao diện dễ
sử dụng.
- Đánh giá kết quả và so sánh với các phương pháp khác.
4. Lời cam đoan của sinh viên:
Tôi Đào Mạnh Sơn cam kết ĐATN là cơng trình nghiên cứu của bản thân tơi dưới sự hướng dẫn
của PGS.TS Trần Đình Khang.
Các kết quả nêu trong ĐATN là trung thực, không phải là sao chép tồn văn của bất kỳ cơng
trình nào khác.

5. Xác nhận của giáo viên hướng dẫn về mức độ hoàn thành của ĐATN và cho phép bảo vệ:
Hà Nội, ngày

Sinh viên thực hiện:

tháng năm


MỤC LỤC
Lời cảm ơn

1

TÓM TẮT NỘI DUNG ĐỒ ÁN TỐT NGHIỆP.............................................................................2
ABSTRACT OF THE THESIS.......................................................................................................3
PHIẾU GIAO NHIỆM VỤ ĐỒ ÁN TỐT NGHIỆP........................................................................4
MỤC LỤC

5

DANH MỤC BẢNG VÀ HÌNH VẼ...............................................................................................8
THUẬT NGỮ VÀ CÁC TỪ VIẾT TẮT......................................................................................10
Thuật ngữ

10

Giải thích

10

FCM

10

Viết tắt của Fuzzy C-Means, là phương pháp phân cụm mờ giúp chúng ta xác định các tâm cụm
dữ liệu và độ thuộc của từng dữ liệu đối với từng cụm mờ...........................................................10
LFR

10

Viết tắt của Linguistic Fuzzy Rulebase là cơ sở luật ngữ nghĩa dùng cho các mơ hình mờ điển
hình là mơ hình Mamdani..............................................................................................................10
FT2FS

10

Viết tắt của Full Type 2 Fuzzy Sets, FT2FS là một bộ mờ đặc trưng với một hàm thuộc mờ hơn
là với một giá trị vô hướng trong khoảng đơn vị...........................................................................10
IVT2FS

10

Viết tắt của Interval Type 2 Fuzzy Sets, IVT2FS là một trường hợp đặc biệt của FT2FS khi có độ
thuộc thứ cấp bằng 1......................................................................................................................10
DT2FS

10

Viết tắt của Discrete Type 2 Fuzzy Sets, giống với IVT2FS nhưng với các giá trị rời rạc...........10
RMSE

10

Viết tắt của Root Mean Square Error, sai số bình phương tiêu chuẩn là chỉ tiêu được dùng để

đánh giá sai số trong đồ án............................................................................................................10
FDT

10

Viết tắt của Fuzzy Decision Tree, là giải thuật cây quyết định dùng trong lo – gic mờ được Mohd
Noor Md Sap và Rashid Hafeez Khokhar sử dụng để dự báo chiều tăng giảm của giá cổ phiếu. 10
ANFIS

10

Viết tắt của Adaptive Neuro-Fuzzy Inference System, là một kỹ thuật ghép nối giữa điều khiển
mờ và mạng nơ-ron đã mang lại nhiều thành công trong kỹ thuật điều khiển..............................10
Sinh viên thực hiện:


NN

10

LR

10

LỜI MỞ ĐẦU

11

CHƯƠNG I: GIỚI THIỆU ĐỀ TÀI..............................................................................................12
1.1 GIỚI THIỆU ĐỀ TÀI..........................................................................................................12

1.2 MỤC TIÊU VÀ GIẢ I PHÁP..............................................................................................12
1.2.1 Mục tiêu........................................................................................................................12
1.2.2 Giải pháp.......................................................................................................................12
1.2.2.1 Tìm hiểu về logic mờ và mơ hình hóa...................................................................12
1.2.2.2 Xây dựng bộ mơ hình mờ loại một nhúng.............................................................12
1.2.2.3 Xây dựng mơ hình mờ loại hai..............................................................................13
1.3. NỘI DUNG ĐỒ ÁN...........................................................................................................13
1.4. KẾT LUẬN........................................................................................................................14
CHƯƠNG II: CÁC KHÁI NIỆM CƠ BẢN..................................................................................15
2.1 GIỚI THIỆU........................................................................................................................15
2.2 CÁC KHÁI NIỆM CƠ BẢN...............................................................................................15
2.2.1 Tập mờ loại một (type 1 fuzzy sets).............................................................................15
2.2.2 Một số dạng hàm thuộc loại một và các tính chất........................................................17
2.2.3 Luật mờ if-then (if then rules)......................................................................................20
2.3 MƠ HÌNH HĨA MỜ...........................................................................................................22
2.4 MƠ HÌNH MỜ SỬ DỤNG TẬP MỜ LOẠI MỘT.............................................................26
2.4.1 Kiến trúc.......................................................................................................................26
2.4.2 Hoạt động của mô hình mờ sử dụng tập mờ loại một...................................................27
2.4.3 Mơ hình mờ Mamdani..................................................................................................28
2.5 MƠ HÌNH MỜ SỬ DỤNG TẬP MỜ LOẠI HAI KHOẢNG RỜI RẠC...........................29
2.6 KIẾN TRÚC VÀ NGUYÊN LÝ HOẠT ĐỘNG CỦA HỆ MỜ TRONG DỰ BÁO GIÁ
CỔ PHIẾU.................................................................................................................................39
2.7 KẾT LUẬN.........................................................................................................................40
CHƯƠNG III: XÂY DỰNG MƠ HÌNH MỜ................................................................................41
3.1 XÂY DỰNG CÁC MƠ HÌNH MỜ NHÚNG.....................................................................41
3.2 XÂY DỰNG MƠ HÌNH MỜ NHÚNG SỬ DỤNG TẬP MỜ LOẠI HAI.....................41
3.2.1 Tối ưu mơ hình mờ loại hai..........................................................................................41
3.2.2 Xây dựng bảng tra cứu m.............................................................................................42
3.2.3 Các bước suy diễn.........................................................................................................43
3.2.4 Bộ dữ liệu huấn luyện...................................................................................................45

3.3 KẾT LUẬN.....................................................................................................................49
CHƯƠNG IV: XÂY DỰNG HỆ THỐNG DỰ BÁO GIÁ CỔ PHIẾU TRONG THỊ TRƯỜNG
CHỨNG KHỐN.........................................................................................................................51
4.1.1 Xây dựng mơ hình mờ với Fuzzy Logic Toolbox của Matlab....................................51
4.1.1.1 FIS Editor...............................................................................................................52
4.1.1.2 Membership Function Editor.................................................................................53
4.1.1.3 Rule editor..............................................................................................................55
Sinh viên thực hiện:


4.1.1.4 The Rule Viewer....................................................................................................56
4.1.1.5 The Surface Viewer...............................................................................................57
4.2.1 Xây dựng hệ suy diễn bằng công cụ của Matlab..........................................................59
4.2.2 Xây dựng hệ thống dự báo giá cổ phiếu......................................................................62
4.2.2.1 Chức năng và phạm vi sử dụng..............................................................................62
Biểu đồ phân rã chức năng........................................................................................................62
Thị trường chứng khốn đã, đang và sẽ đóng góp một giá trị phần khơng nhỏ cho nền kinh
tế tồn cầu; thế nên các hoạt động nghiên cứu xung quanh các vấn đề dự báo giá cổ phiếu
luôn được chú ý và quan tâm của khơng chỉ các nhà phân tích tài chính mà cả những nhà
đầu tư chứng khoán hay tất cả những người hoạt động kinh doanh trong lĩnh vực liên quan.
...............................................................................................................................................69
Ưu điểm:................................................................................................................................70
+ Phương pháp trên có khả năng biểu diễn nhanh, trực quan chiều tăng giảm của giá cổ
phiếu......................................................................................................................................70
+ Bộ dữ liệu mẫu quen thuộc với giao dịch chứng khoán trong thực tế giúp mọi...............70
người dễ dàng tìm kiếm được thơng tin................................................................................70
Nhược điểm:..........................................................................................................................70
+ Chúng ta chỉ có thể dự báo rằng giá cổ phiếu tăng hay giảm mà không biết cụ thể là bao
nhiêu, nhiều hay ít..................................................................................................................70
+ Với bộ dữ liệu mẫu lớn thì kích cỡ cây quyết định cũng tăng theo dẫn đến rắc rối cho

người dùng.............................................................................................................................70
CHƯƠNG V: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN.............................................................73
5.1 KẾT LUẬN.........................................................................................................................73
5.2 PHƯƠNG HƯỚNG PHÁT TRIỂN.....................................................................................73
TÀI LIỆU THAM KHẢO.............................................................................................................75

Sinh viên thực hiện:


DANH MỤC BẢNG VÀ HÌNH VẼ
Hình 2.1: Một số dạng hàm thuộc thơng dụng…………………………………………. 16
Hình 2.2: Hàm thuộc có mức chuyển đổi tuyến tính…………………………………... 16
Hình 2.3: Miền xác định và miền tin cậy của một tập mờ……………………………... 17
Hình 2.4: Hàm thuộc tuyến tính từng khúc dạng tam giác (trimf) và dạng hình thang
(trapmf) ……………………………………………………………………….18
Hình 2.5: Một số dạng hàm thuộc trơn………………………………………………… 19
Hình 2.6: Ví dụ về hàm thuộc loại hai.………………………………………………….21
Hình 2.7: Sơ đồ chu trình nhận dạng hệ thống tổng qt. 22
Hình 2.8: Sơ đồ q trình mơ hình hố mờ và ba giai đoạn chính của nó. 24
Hình 2.9: Cơ chế suy diễn mờ 26
Hình 2.10: Mơ hình mờ Mamdani sử dụng product và max lần lượt cho phép tốn AND
mờ và OR mờ 28
Hình 2.11: Mơ hình mờ Mamdani sử dụng min và max lần lượt cho phép tốn AND mờ
và OR mờ 29
Hình 2.12: Kiến trúc mơ hình mờ sử dụng tập mờ loại hai. 29
Hình 2.13:Tập dữ liệu một chiều 33
Hình 2.14: Phân cụm dữ liệu theo phương pháp K-means 33
Hình 2.15 : Phân cụm dữ liệu theo phương pháp Fuzzy C-means 33
Hình 2.16: Phân cụm 20 dữ liêu thơ 35
Hình 2.17: Phân cụm dữ liệu với m = 2 35

Hình 2.18: Tối ưu phân cụm dữ liệu 36
Hình 2.19: Dạng hàm thuộc của các biến đầu vào và biến đầu ra 37
Hình 2.20: Kiến trúc mơ hình mờ loại hai được sử dụng 38
Hình 2.21: Kiến trúc và ngun tắc hoạt động của mơ hình mờ nhúng 39
Hình 3.1: Bộ dữ liệu cổ phiếu luyện tập của cổ phiếu A 44
Hình 3.2: Bộ dữ liệu kiểm thử của cổ phiếu A 45
Hình 3.3: biểu đồ mức độ thay đổi giá của cổ phiếu A
46
Hình 3.4: Tập luật cơ sở của Michio Sugeno và Takahiro Yasukawa
47
Hình 4.1: Giao diện đồ họa của Matlab mô phỏng hệ suy diễn mờ
50
Hình 4.2: Cửa sổ giao diện (Fuzzy Inference system) 51
Hình 4.3: Khai báo các tham số vào ra hệ thống 52
Hình 4.4: Hàm thuộc tương ứng với các biến vào ra 53
Sinh viên thực hiện:


Hình 4.5: Định nghĩa hàm thuộc cho từng biến 54
Hình 4.6: Xây dựng cơ sở luật 55
Hình 4.7: Sơ đồ của quá trình suy diễn 55
Hình 4.8: Surface Viewer 56
Hình 4.9: Fuzzy C-means Clustering Demo 57
Hình 4.10: Khai báo số biến vào ra mơ hình 58
Hình 4.11: Dạng hàm thuộc tương ứng với các biến vào ra 59
Hình 4.12: Tập luật được học từ tập dữ liệu huấn luyện 59
Hình 4.13: Cấu trúc mơ hình suy diễn, hàm thuộc của các biến vào ra và tập luật của mơ
hình mờ nhúng thứ nhất 60
Hình 4.14: Cấu trúc mơ hình suy diễn, hàm thuộc của các biến vào ra và tập luật của mơ
hình mờ nhúng thứ tư 60

Hình 4.15: Biểu đồ phân rã chức năng của hệ thống. 61
Hình 4.16: Biểu đồ mức khung cảnh 63d
Hình 4.17: Thiết kế form giao diện chương trình 63
Hình 4.18: Hàm Callback của button “Setup System” 64
Hình 4.19: Giao diện chương trình 65
Hình 4.20: Chọn bộ dữ liệu huấn luyện 65
Hình 4.21: Chức năng Optimal c 67
Hình 4.22: Thực hiện kiểm thử và hiện mơ hình mờ nhúng tương ứng 67
Hình 4.23 : Bộ dữ liệu mẫu và dữ liệu huấn luyện mơ hình theo giải thuật FDT 68
Hình 4.24 : Cây quyết định dự báo giá cổ phiếu. 68
Hình 4.25 : Hệ suy diễn mờ Anfis 69
Hình 4.26. : Kiến trúc mạng nơron 70
Hình 4.27 : Các bộ dữ liệu kiểm thử và kết quả cho mơ hình Anfis 70
Hình 4.28: Kết quả sai số của các phương pháp khác đánh giá theo RMSE. 71

Sinh viên thực hiện:


THUẬT NGỮ VÀ CÁC TỪ VIẾT TẮT
Thuật ngữ

Giải thích

FCM

Viết tắt của Fuzzy C-Means, là phương pháp phân cụm mờ giúp chúng ta
xác định các tâm cụm dữ liệu và độ thuộc của từng dữ liệu đối với từng
cụm mờ

LFR

Viết tắt của Linguistic Fuzzy Rulebase là cơ sở luật ngữ nghĩa dùng cho
các mơ hình mờ điển hình là mơ hình Mamdani.

FT2FS

Viết tắt của Full Type 2 Fuzzy Sets, FT2FS là một bộ mờ đặc trưng với
một hàm thuộc mờ hơn là với một giá trị vô hướng trong khoảng đơn vị

IVT2FS

Viết tắt của Interval Type 2 Fuzzy Sets, IVT2FS là một trường hợp đặc
biệt của FT2FS khi có độ thuộc thứ cấp bằng 1

DT2FS

Viết tắt của Discrete Type 2 Fuzzy Sets, giống với IVT2FS nhưng với các
giá trị rời rạc

RMSE

Viết tắt của Root Mean Square Error, sai số bình phương tiêu chuẩn là chỉ
tiêu được dùng để đánh giá sai số trong đồ án.

FDT

Viết tắt của Fuzzy Decision Tree, là giải thuật cây quyết định dùng trong lo
– gic mờ được Mohd Noor Md Sap và Rashid Hafeez Khokhar sử dụng
để dự báo chiều tăng giảm của giá cổ phiếu.

ANFIS

Viết tắt của Adaptive Neuro-Fuzzy Inference System, là một kỹ thuật ghép
nối giữa điều khiển mờ và mạng nơ-ron đã mang lại nhiều thành công
trong kỹ thuật điều khiển.

NN

Viết tắt của Notron Network, là phương pháp mạng nơ-ron.

LR

Viết tắt của Linear Regression, là phương pháp hồi quy tuyến tính

Sinh viên thực hiện:


LỜI MỞ ĐẦU
Kỹ thuật mơ hình hóa trải qua thời gian đã chứng tỏ được thế mạnh và tầm quan trọng
của mình, nó giúp con người mơ phỏng lại hệ thống thực, có thể bắt chước đủ chính xác
hành vi của hệ thống đó, thể hiện qua phản ứng đầu ra của mơ hình khi có tác động phía
đầu vào so với thực nghiệm. Mơ hình được xây dựng có ý nghĩa rất quan trọng trong thực
tiễn, nó giúp con người tiết kiệm được chi phí cũng như hạn chế những tổn thất so với
thực nghiệm trong thế giới thực. Bằng việc tiến hành kiểm thử trên mơ hình chúng ta sẽ
tiêu tốn ít thời gian hơn, cơng việc phải làm đơn giản hơn ... ví dụ như thay vì việc phải
chờ đợi một thời gian dài để quan sát một phản ứng hóa học trơ, ta có thể tiến hành trên
một mơ hình phản ứng mà cơng việc phải làm chỉ là cung cấp thông tin về lượng và chất
tham gia phản ứng rồi quan sát kết quả thu được. Yếu tố thời gian ở đây coi như đã bị
loại bỏ.
Kĩ thuật mơ hình hóa dựa trên cơng nghệ logic mờ cũng hội tụ đầy đủ các đặc trưng

trên. Tuy nhiên, lý thuyết tập mờ thông thường tiềm ẩn những mẫu thuẫn nhất định. Đó là
để phát triển bất cứ mơ hình logic mờ nào, người thiết kế phải xây dựng hàm thuộc cho
các tập mờ trong hệ, hay là phải mô tả sự không chắc chắn bằng các hàm thuộc rõ ràng,
chắc chắn. Điều đó có nghĩa là việc biểu diễn sự không chắc chắn lại sử dụng các độ
thuộc mà bản thân chúng là các số thực chính xác.
Năm 1975, Zadeh giới thiệu khỏi niệm tập mờ loại hai nhằm giải quyết vấn đề trên. Đó
là thay vì độ thuộc là một số thực như với tập mờ thông thường, với tập mờ loại hai, độ
thuộc là một tập mờ loại một trên đoạn [0, 1]. Tập mờ loại hai thường được sử dụng trong
những trường hợp khó xác định chính xác giá trị độ thuộc của các phần tử trong không
gian nền. Trong báo cáo Đồ án tốt nghiệp này, em xin được trình bày về một kĩ thuật mơ
hình hóa mờ sử dụng tập mờ loại hai, một sự mở rộng của mơ hình hóa mờ sử dụng tập
mờ loại một, từ đó ứng dụng vào hệ thống dự báo giá cổ phiếu trong thị trường chứng
khoán.
Em xin chân thành cảm ơn.

Sinh viên thực hiện:


CHƯƠNG I:

GIỚI THIỆU ĐỀ TÀI

1.1 GIỚI THIỆU ĐỀ TÀI
Đề tài “Ứng dụng mơ hình hóa mờ trong dự báo giá cổ phiếu” là một trong những ứng
dụng của logic mờ trong bài toán dự đoán. Đồ án giúp hiểu rõ hơn về lí thuyết tập mờ
loại hai là sự phát triển nâng cao của tập mờ loại một, và ứng dụng trong việc dự đoán giá
cổ phiếu thị trường chứng khốn.
Đồ án khơng chỉ giúp ta hiểu được về lí thuyết tập mờ nâng cao, xây dựng được mơ
hình mờ mà cịn giúp ta có thề mở rộng hướng phát triển, xây dựng được mơ hình với độ
chính xác cao hơn có thể áp dụng được vào bài tốn thực tế.

1.2 MỤC TIÊU VÀ GIẢ I PHÁP
1.2.1 Mục tiêu
Mục tiêu của đồ án là tìm hiểu về logic mờ sử dụng tập mờ loại hai rời rạc. Nghiên
cứu và tìm hiểu về hệ mờ, mơ hình hóa hệ mờ dựa trên dữ liệu thực nghiệm và mô phỏng
hệ thống nhằm dự đoán giá của cổ phiếu trong thị trường chứng khốn.
1.2.2 Giải pháp
1.2.2.1 Tìm hiểu về logic mờ và mơ hình hóa.
Tìm hiểu các lí thuyết cơ bản về logic mờ loại một. Các bước của một q trình mơ
hình hóa mờ sử dụng tập mờ loại hai rời rạc.
1.2.2.2 Xây dựng bộ mơ hình mờ loại một nhúng.
Mơ hình suy diễn mờ nhúng loại một dựa trên cơ sở mơ hình mờ Mamdani với ba đầu
vào và một đầu ra. Biến vào thể hiện thông tin giá cổ phiếu ngày cần dự báo. Thông tin
đầu vào đã qua xử lí thơ trước khi đưa vào học luật.
Xây dựng tập luật cho mỗi mơ hình mờ loại một nhúng từ dữ liệu thực nghiệm dựa
theo phương pháp phân cụm Fuzzy C-Means với các giá trị độ mờ ( kí hiệu m- xác định
độ chồng chéo giữa các cụm mờ ), và với số cụm mờ ( kí hiệu c ) khác nhau.

Sinh viên thực hiện:


1.2.2.3 Xây dựng mơ hình mờ loại hai
Sau khi xây dựng được bộ các mơ hình mờ loại một nhúng, chúng được kết hợp với
nhau tạo thành mơ hình mờ loại hai, mỗi quan hệ thông qua bảng tra cứu m ( m-lookup
table ).
Sau khi xây dựng được tập luật bằng việc học từ dữ liệu thực nghiệm, sử dụng công
cụ Matlab để xây dựng lại hệ suy diễn mờ cho bài tốn.
Hoạt động của mơ hình: Từ một vector giá trị rõ đầu vào biểu thị thông tin cho giá cổ
phiếu, lựa chọn mơ hình mờ nhúng phù hợp, qua q trình suy diễn ta có được thơng tin
giá cổ phiếu.

Công cụ dự kiến sử dụng Fuzzy logic toolbox của Matlab.

1.3. NỘI DUNG ĐỒ ÁN
Đồ án Chia làm năm chương và phụ lục các bảng và hình vẽ và kết quả tập luật thu
được từ thuật toán. Nội dung gồm có:
Chương I: Giới thiệu đề tài
Chương này nhằm giới thiệu nội dung của đề tài, mục tiêu và giải pháp cho đề tài.
Chương II: Các khái niệm cơ bản
Giới thiệu các khái niệm cơ bản về logic mờ cũng như mơ hình hóa mờ.
Chương III: Xây dựng mơ hình mờ sử dụng tập mờ loại hai cho bài toán dự báo thị
trường chứng khoán
Đưa ra thuật toán xây dựng tập các mơ hình mờ sử dụng tập mờ loại một nhúng
mờ dự trên tập dữ liệu thực nghiệm. Kết hợp bộ các mơ hình mờ nhúng đó thành
mơ hình mờ loại hai.
Chương IV: Xây dựng hệ thống dự đoán giá cổ phiếu trong thị trường chứng khốn
Thực hiện mơ phỏng hệ thống bằng công cụ Matlab. So sánh và đánh giá với
các phương pháp khác.

Sinh viên thực hiện:


Chương V: Kết luận và hướng phát triển
Đưa ra kết luận những kết quả đạt được, những kết quả hướng tới và so sánh với
kết quả khi sử dụng những phương pháp khác. Từ đó đề ra phương hướng phát
triển đề tài để ứng dụng vào thực tế.

1.4. KẾT LUẬN
Chương I đã đưa ra được nội dung đề tài cũng như cái nhìn chung cho hướng triển
khai của đồ án. Giúp người đọc dễ theo dõi và nắm bắt vấn đề. Các chương sau sẽ đi vào
phân tích cụ thể về lí thuyết và cách triển khai.

Sinh viên thực hiện:


CHƯƠNG II:

CÁC KHÁI NIỆM CƠ BẢN

2.1 GIỚI THIỆU
Kỹ thuật mô hình hóa mờ là một hướng tiếp cận của bài tốn mơ hình hóa. Để trình
bày một cách có hệ thống, đồ án đưa ra các khái niệm cơ bản trong lý thuyết tập mờ có
liên quan. Tiếp theo sẽ trình bày các vấn đề về mơ hình hóa nói chung và xoay quanh vần
đề chính - mơ hình mờ.

2.2 CÁC KHÁI NIỆM CƠ BẢN
Mơ hình mờ là cơ cấu tính tốn dựa trên các khái niệm của lý thuyết tập mờ, các tập
luật if-then mờ, cùng với cơ chế suy diễn mờ. Lý thuyết tập mờ lần đầu tiên được
Lotfi.A.Zadeh, một giáo sư thuộc trường Đại học Caliornia, Berkley, giới thiệu trong một
cơng trình nghiên cứu vào năm 1965. Lý thuyết tập mờ bao gồm logic mờ, số học mờ,
quy hoạch tốn học mờ, hình học tơpơ mờ, lý thuyết đồ thị mờ, và phân tích dữ liệu mờ,
mặc dù thuật ngữ logic mờ thường được dùng chung cho tất cả.
Logic mờ là siêu tập hợp các phép toán thông thường Đại số Boolean để mở rộng
chấp nhận khái niệm gần đúng nằm giữa hai khái niệm tương ứng với hai mức logic hoàn
toàn đúng và hoàn toàn sai.
2.2.1 Tập mờ loại một (type 1 fuzzy sets)
Về mặt toán học: Một tập mờ F xác định trên một tập kinh điển X là một tập mà mỗi
phần tử của nó là các cặp giá trị (x, µ F (x) ) trong đó x ∈ X mà µ F (x) là ánh xạ:
µ F (x): X → [0.0;1.0]

(2-1)

Ánh xạ µ F được gọi là hàm thuộc của tập mờ F. Tập kinh điển X được gọi là tập nền
hay tập vũ trụ của tập mờ F.
Trong đó:
F là nhãn mờ biến x, thường mang một ý nghĩa ngôn ngữ nào đó, mơ tả định tính
thuộc tính của đối tượng , chẳng hạn như già, trung niên, trẻ, cao, trung bình, thấp….

Sinh viên thực hiện:


x là một biến ngôn ngữ. Biến ngôn ngữ là một biến nhận các giá trị ngôn ngữ
(linguistic tems). Trong đó mỗi giá trị ngơn ngữ là một tập mờ được xác định bằng hàm
thuộc và một khoảng giá trị xác định. Lý thuyết mờ cho phép các tập mờ này có thể phủ
lên nhau.
Về mặt logic: Tập mờ diễn đạt mức độ chân lí của một phát biểu (mệnh đề) với 0.0
đại diện cho mức hoàn toàn sai và 1.0 đại diện cho mức hoàn toàn đúng.
Chẳng hạn khi đưa ra mệnh đề:
“Ơng Minh đã già”.
Nếu như ơng Minh đang ở tuổi 72, chúng ta có thể gán cho phát biểu trên một giá trị
chân lý là 0.80.
Về phương diện lý thuyết tập hợp, tập mờ biểu thị mức độ trực thuộc khác nhau của
các cá thể trong một tập hợp. Trở lại ví dụ trên, ta có thể hiểu là: “Ông Minh là một
thành viên của tập những người già với độ thuộc là 0.8”.
Diễn đạt hình thức ta có :
MemOLD( Mr.Minh ) = 0.8
Trong đó, MemOLD( ) là một hàm thuộc dùng để biểu diễn tập mờ Người già, trả về
giá trị nằm trong khoảng [0.0, 1.0]. ở đây, cần lưu ý tới sự khác biệt giữa hệ mờ với xác
suất. Cả hai đều xác định trên cùng một khoảng số, những giá trị tương tự nhau : 0.0 đại
diện cho trạng thái Sai ( hay không thuộc ), và 1.0 tượng trưng cho trạng thái Đúng ( hay
thuộc ). Tuy nhiên, cùng ví dụ nêu trên, nếu diễn đạt bằng ngôn ngữ tự nhiên, theo quan

điểm xác suất ta nói : " Có 80% cơ hội để kết luận ông Minh đã già ", trong khi đó, theo
quan điểm lý thuyết tập mờ ta nói : " Ơng Minh có mức độ trực thuộc nhóm những người
già là 0.8 ".
Xét về ngữ nghĩa rõ ràng có sự khác biệt : Phát biểu đầu cho biết ông Minh có thể già
hoặc khơng già ( nghĩa là vẫn tuân theo logic hai trị kinh điển); ta chỉ chắc chắn 80% về
việc ông Minh đã già. Ngược lại, phát biểu thứ hai cho phép ta khẳng định ông Minh ít
nhiều đã già, và mức độ già của ông được đánh giá bằng một con số tương ứng là 0.8.

Sinh viên thực hiện:


2.2.2 Một số dạng hàm thuộc loại một và các tính chất
Hàm thuộc là đường cong định nghĩa mỗi điểm tương ứng ở không gian đầu vào ánh
xạ tương ứng sang mức trực thuộc một giá trị ngôn ngữ nằm giữa 0.0 và 1.0. ( page 37
Fuzzy Logic Toolbox User’s Guide)

Hình 2.1: Một số dạng hàm thuộc thơng dụng

Các hàm thuộc µ F (x) có dạng “trơn” được gọi là các hàm thuộc kiểu S. Đối với hàm
liên thuộc kiểu S do các cơng thức biểu diễn µ F (x) có độ phức tạp lớn nên thời gian tính
tốn cho độ thuộc của một phần tử lâu. Một hàm thuộc tuyến tính từng đoạn gọi là hàm
thuộc có mức chuyển đổi tuyến tính.

Hình 2.2: Hàm thuộc
có mức chuyển đổi
tuyến tính

Hàm thuộc có mức
chuyển đổi tuyến tính
từng mức được xác

định bởi các đặc tính như:

Sinh viên thực hiện:


Độ cao của tập mờ F (trên tập nền X) là giá trị:
h = sup µ F (x)
x∈M

(2-2)

Kí hiệu sup µ F (x) chỉ giá nhỏ nhất trong tất cả các giá trị chặn trên của µ F . Một
x∈M
tập mờ có ít nhất một phần tử có độ thuộc bằng 1 được gọi là tập mờ chính tắc tức là h=1.
Ngược lại tập mờ có h<1 là tập mờ khơng chính tắc
Miền xác định của tập mờ F trên tập nền X được kí hiệu bởi S là tập con của X
thỏa mãn:
S= sup µ F (x) = {x ∈ M| µ F (x) > 0}

(2-3)

Miền tin cậy của tập mờ F trên tập nền X được kí hiệu bởi T là tập con của X thỏa
mãn:
T= { x ∈ M| µ F (x ) =1}

Hình 2.3: Miền xác định và miền tin cậy của một tập mờ

Một số dạng hàm thuộc trong logic mờ:

Sinh viên thực hiện:

(2-4)


Hình 2.4 Hàm thuộc tuyến tính từng khúc dạng tam giác (trimf) và dạng hình thang (trapmf)

Sinh viên thực hiện:


Hình 2.5: Một số dạng hàm thuộc trơn

2.2.3 Luật mờ if-then (if then rules)
Hầu hết các hệ thống hoạt động dựa trên nền tảng logic mờ đều dùng luật để biểu diễn
mối quan hệ giữa các biến ngôn ngữ và để rút ra hành động tương ứng đối với đầu vào.
Luật mờ là biểu thức điều kiện có dạng “Nếu A thì B” trong đó A và B là nhãn của
các tập mờ được mô tả bằng cách xấp xỉ các hàm thành viên. Nhờ vào dạng rút gọn, luật
mờ thường được dùng để thiết lập những phương thức lập luận khơng chính xác nhằm
thực hiện tính đa dạng của con người.
Một luật bao gồm hai phần : phần điều kiện (nếu) và phần kết luận (thì). Phần điều
kiện có thể gồm nhiều điều kiện, kết hợp với nhau bằng các liên từ như và (and) , hoặc
Or …
Luật mờ loại Mamdani:
Ví dụ: Nếu dịch vụ tốt thì khách sẽ đơng
Trong đó “dịch vụ” và “khách” là các biến ngơn ngữ, “tốt” và “đông” là các giá trị
ngôn ngữ (một tập mờ) là nhãn được mô tả bởi các hàm thành viên.
Luật mờ do Tagaki và Sugeno đề xuất:
Ví dụ: Nếu lưu lượng dịng chảy cao thì mực nước sơng = k* lưu lượng dịng chảy.
Trong đó cao là phần giả thiết được mô tả bời hàm thành viên xấp xỉ. Tuy nhiên phần
kết luận được định nghĩa theo biến lưu lượng dòng chảy.
2.4.4 Tập mờ loại hai (type 2 fuzzy sets)

Lý thuyết tập mờ thông thường (tập mờ loại một) ln tiềm ẩn những mâu thuẫn nhất
định. Đó là để phát triển bất cứ hệ logic mờ nào, người thiết kế phải xây dựng hàm thuộc
cho các tập mờ sử dụng trong hệ, hay là phải mô tả sự không chắc chắn bằng các hàm
thuộc rõ ràng, chắc chắn. Điều đó có nghĩa là việc biểu diễn sự khơng chắc chắn lại sử
dụng các độ thuộc mà bản thân chúng là các số thực chính xác.

Sinh viên thực hiện:


Năm 1975, Zadeh giới thiệu khái niệm tập mờ loại hai nhằm giải quyết vấn đề trên. Đó
là thay vì độ thuộc là một số thực như với tập mờ thông thường, với tập mờ loại hai, độ
thuộc là một tập mờ loại một trên đoạn [0, 1]. Tập mờ loại hai thường được sử dụng trong
những trường hợp khó xác định chính xác giá trị độ thuộc của các phần tử trong không
gian nền.
Trong mục này, ta sẽ giải thích tập mờ loại hai mở rộng sử dụng trong cơ sở luật mờ
ngữ nghĩa (Linguistic Fuzzy Rulebase – LFR).
Cấu trúc LFR có thể được hình thức hóa bằng biểu thức
c*

ALSO(IF antecedenti THEN y ∈ Y isr Bi )
i =1

Nó có thể mở rộng tập mơ hình LFR với các tập mờ loại hai bằng cách sử dụng :
i) Tập mờ loại hai đầy đủ ( Full Type 2 Fuzzy Sets - FT2FS )
ii) Tập mờ loại hai khoảng ( Interval Type 2 Fuzzy Sets - IVT2FS )
iii) Tập mờ loại hai rời rạc ( Discrete Type 2 Fuzzy Sets - DT2FS )
Mendel đã kí hiệu cho ba kiểu tập mờ loại hai trên như là một bộ để chọn lựa. FT2FS
là một bộ mờ đặc trưng với một hàm thuộc mờ hơn là là với một giá trị vô hướng trong
khoảng đơn vị. Do đó, FT2FS A, được kí hiệu Ã, có thể được hình thức hóa như sau :
~

A ={(x,(u, f x (u ))) | x ∈ X, u ∈ J x ⊆ [0,1]}
Với Jx là một tập con của khoảng đơn vị, X ⊂ RNV là miền của x, u ∈ Jx là độ thuộc
sơ cấp kết hợp với x ∈ X, fx(u) là hàm thuộc thứ cấp ánh xạ từ độ thuộc sơ cấp sang
khoảng đơn vị ( ví dụ, fx(u): [0,1] → [0,1] và NV là số các biến đầu vào trong mơ hình hệ
thống.
Tương tự, IVT2FS có thể được giảng giải đơn giản như là việc ánh xạ từ tập vũ trụ của
một biến sang khoảng đơn vị [0,1]. Do vậy, IVT2FS là một trường hợp đặc biệt của
FT2FS với fx(u): [0,1] → 1 và có thể biểu diễn như sau :
~

A ={(x,(u,1)) | x ∈ X, u ∈ J x ⊆ [0,1]}
Cuối cùng, DT2FS là một trường hợp đặc biệt của IVT2FS với Jx là bộ các giá trị thực
với các phần tử hữu hạn. Vậy nên, DT2FS có thể được biểu diễn như sau :
~

A ={(x,(u,1)) | x ∈ X, u ∈{u i }, u i ∈ [0,1]}
Sinh viên thực hiện:


∀ i=1,...,NM , với NM là số các giá trị thành phần được liên kết với một giá trị đặc

biệt x ∈ X.

1

µ

~
A

( x, u )
a

b
0
0.2

1

2

3

4

5

x

c

0.4
0.6
0.8
1
J1

J2

J3

J4

J5

u
Hình 2.6: Ví dụ về hàm thuộc loại hai

Khi fx(u) = 1 ∀ u ∈ jx ⊆ [0, 1] thì các hàm thuộc thứ cấp là các tập khoảng. nếu điều
này là đúng với mọi x ∈ X, khi đó chúng ta gọi tập mờ loại hai này là tập mờ loại hai
khoảng và chúng ta có hàm thuộc lọai hai khoảng.
Các nghiên cứu gần đây chỉ ra rằng các trường hợp không chắc chắn có thể được kiểm
sốt tốt hơn bằng cách sử dụng các tập mờ ở mức độ cao hơn, ví dụ như tập mờ loại hai,
nó có thể nén và xử lí thơng tin, dữ liệu tốt hơn.

2.3 MƠ HÌNH HĨA MỜ
Bản chất của mơ hình là một hình thái mơ phỏng của hệ thống thực, có thể bắt chước
đủ chính xác hành vi của một hệ thống, thể hiện qua phản ứng đầu ra của mơ hình khi có
tác động từ phía đầu vào so với thực nghiệm.
Mơ hình hố hay nhận dạng hệ thống là quá trình đi từ việc xác lập các tham số mơ
hình cho tới khi điều chỉnh được mơ hình " ăn khớp " với hoạt động của hệ thống thực.
Chu trình tổng quát của q trình nhận dạng hệ thống hay mơ hình hố:
Sinh viên thực hiện:


Bước khởi tạo, cấu trúc mơ hình được lựa chọn theo tri thức tiên nghiệm. Kế đến giai
đoạn điều khiển thích nghi được tiến hành trên tập dữ liệu mẫu. Tiếp theo, hiệu năng
hoạt động của mơ hình được kiểm thử, thơng thường là kết hợp cả phương pháp định
tính và phương pháp thống kê. Nếu mơ hình sinh ra không đáp ứng được yêu cầu, thiết

kế ban đầu sẽ được sửa lại, và quá trình trên lặp lại cho tới khi một mơ hình chấp nhận
được ra đời. Để tới đích, q trình có thể trải qua một lượng đáng kể các bước lặp và do
đó chi phí tính toán cũng như thời gian là khá lớn.

Tri thức
tiên nghiệm

Hệ thống

Điều chỉnh mơ hình

Lựa chọn
Lựa chọn
cấu trúc mơ hình..
cấu trúc mơ hình

Điều khiển thích nghi
Điều khiển thích nghi
mơ hình
mơ hình

Các u cầu định
tính

Kiểm thử tính logic
Kiểm thử tính logic
mơ hình
mơ hình

Dữ liệu mẫu

huấn luyện

Dữ liệu thống kê kiểm thử

Sai

Đúng

Kết thúc
Kết thúc

Hình 2.7: Sơ đồ chu trình nhận dạng hệ thống tổng qt.

Mơ hình hóa mờ:
Nhìn chung, q trình mơ hình hoá mờ liên quan tới ba giai đoạn, Giai đoạn đầu tiên
thực hiện việc lựa chọn cấu trúc mơ hình. Cấu trúc mơ hình chứa đựng đặc tả cơ bản của
mơ hình mờ bao gồm các thơng tin về đầu vào, đầu ra mơ hình, các giá trị ngơn ngữ
biểu diễn mỗi biến mờ, các định nghĩa hàm thuộc đặc trưng cho mỗi giá trị ngơn ngữ,
định nghĩa tốn tử hợp thành sử dụng trong suy diễn, cơ chế mờ hố và khử mờ, vân vân.
Các thơng tin này có thể thu thập từ tri thức về vật lý hệ thống, thơng thường được biểu
diễn dưới dạng cơng thức tốn học. Cũng có khi, các thơng tin này được khai thác từ
những dữ liệu thực nghiệm trên hệ thống thực. Kinh nghiệm của những thao tác viên hệ
Sinh viên thực hiện:


thống biểu diễn dưới dạng các luật ngôn ngữ IF-THEN cũng là nguồn tri thức quan trọng
để xây dựng lên cấu trúc cơ sở của một mơ hình mờ.
Giai đoạn thứ hai gắn liền với thuật toán học áp dụng cho mơ hình. Trên cơ sơ cấu
trúc mơ hình cơ bản hình thành trong giai đoạn một, giai đoạn hai thực hiện quá trình
biên dịch các mẫu học và chuyển đổi chúng thành các luật mờ trong cơ sở tri thức(cơ sở

luật ).
Giai đoạn ba thực hiện quá trình suy diễn dựa trên các luật mờ đã được đúc rút, với
đầu vào là chính tập dữ liệu mẫu, và tạo ra một "tác động " nào đó ở đầu ra của mơ hình
lên mơi trường hoạt động của hệ thống, và như vậy đã khép lại một chu trình kín.

Mơi trường xử lý của
hệ thống thực
Thông tin hệ thống

Tri thức về vật lý hệ thống
Tri thức về vật lý hệ thống
((các công thức vật lý)
các công thức vật lý)

Tri thức khách quan
Tri thức khách quan
((dữ liệu số)
dữ liệu số)

Tri thức kinh nghiệm
Tri thức kinh nghiệm
((các luật ngôn ngữ ))
các luật ngôn ngữ

Tập mẫu học
Tập mẫu học

Giai đoạn I:
Giai đoạn I:
Xác lập

Xác lập
cấu trúc mơ hình mờ
cấu trúc mơ hình mờ

Giai đoạn II:
Giai đoạn II:
Xây dựng cơ sở luật mờ
Xây dựng cơ sở luật mờ

Giai đoạn III:
Giai đoạn III:
Suy diễn mờ
Suy diễn mờ

Hình 2.8: Sơ đồ q trình mơ hình hố mờ và ba giai đoạn chính của nó

Sinh viên thực hiện:


Hình 2.7 cho thấy đằng sau tất cả các giai đoạn nói trên là tập mẫu học (training set).
Bằng việc xử lý trước tập mẫu học, có thể xác định được các biến quan trọng nhất của hệ
thống, ước lượng sơ bộ về các phân đoạn mờ mô tả mỗi biến. Thêm vào đó, tập mẫu học
tốt cịn cho phép giảm thời gian hội tụ của các thuật tốn mơ hình hố mờ để đạt tới cấu
trúc mơ hình đích thực. Do vậy, lựa chọn tập mẫu học là một khâu quan trọng trong q
trình mơ hình hố mờ. Một tập mẫu học tốt phải hội đủ các yếu tố sau:

 Các yếu tố thực nghiệm phải được lựa chọn thích đáng, nghĩa là các đầu vào được
lựa chọn phải có ảnh hưởng tương đối rõ tới đầu ra. Ngược lại, nếu như tồn tại các
yếu tố không tác động hoặc tác động khơng đáng kể tới đầu ra, thì: thứ nhất, làm tăng
chi phí thực nghiệm; thứ hai, làm tăng khơng gian đầu vào bài tốn và do đó, làm tăng

thời gian tính tốn của q trình mơ hình hố. Rõ ràng, điều này địi hỏi phải có các
tri thức tiên nghiệm về hệ thống.

 Các thực nghiệm phải bao trùm mọi dải hành vi của hệ thống thực. Điều này ảnh
hưởng tới tính tồn diện của cơ sở tri thức của mơ hình. Chỉ khi được trang bị một tri
thức đầy đủ, mơ hình thu được mới có khả năng phản ứng đúng đắn với mọi tác động
có thể từ phía đầu vào.

 Số lần thực nghiệm phải đủ lớn. Điều này sẽ góp phần hạn chế ảnh hưởng của các yếu
tố nhiễu trong quá trình học.
Những vấn đề chính đặt ra trong q trình mơ hình hố mờ.
Để xây dựng một mơ hình mờ mới cho một hệ thống cho trước, người thiết kế cần trả
lời những câu hỏi sau đây:


Phải định nghĩa các hàm thuộc như thế nào ? Làm sao để mô tả một biến cho trước
bằng các giá trị ngôn ngữ ? Mỗi giá trị ngôn ngữ được xác lập thế nào là phù hợp ?



Làm thế nào để xây dựng nên cơ sở luật mờ ? Trong mơ hình hố hệ thống kỹ thuật,
thơng thường, khơng chun gia con người nào có đủ kinh nghiệm để cung cấp một
cơ sở tri thức toàn diện về một hệ thống phức tạp. Hơn thế nữa, dưới tác động của
yếu tố chủ quan, các tri thức do con người thường gây bàn cãi và phần lớn khơng
hồn tồn được cơng nhận.



Cơ chế khử mờ nào là thích hợp đối với một bài tốn cho trước ?



Làm cách nào đê nâng cao tính chính xác về mặt tính tốn của mơ hình ?

Sinh viên thực hiện: