Nghiên cứu ứng dụng phương pháp học máy để dự báo nhăn đường may

Luận văn cao học

Trường Đại học Bách Khoa Hà Nội

LỜI CAM ĐOAN

Tên tôi là: Đỗ Thị Tần
Học viên: Lớp 10BVLDM- KH
Khóa học: 2010- 2012
Tôi xin cam đoan toàn bộ nội dung Luận văn thạc sỹ khoa học được
trình bày dưới đây là do cá nhân tôi thực hiện dưới sợ giúp đỡ, chỉ bảo tận
tình chu đáo của TS. Nguyễn Thị Lệ và các thầy cô trong Viện Dệt may da
giầy & Thời trang. Các số liệu và kết quả trong luận văn là những số liệu
thực tế thu được sau khi tiến hành thí nghiệm và phân tích các kết quả. Đảm
bảo chính xác và không sao chép.
Tôi xin hoàn toàn chịu trách nhiệm về những nội dung tôi đã trình
bày trong luận văn.
Xin trân trọng cảm ơn!

Đỗ Thị Tần

1

Ngành CN Vật liệu Dệt May
Khóa 2010 - 2012


Luận văn cao học

Trường Đại học Bách Khoa Hà Nội

LỜI CẢM ƠN
Tôi xin bày tỏ lòng biết ơn chân thành Tiến sĩ Nguyễn Thị Lệ, Người
đã tận tình hướng dẫn, động viên khích lệ, dành nhiều thời gian, tâm sức trao
đổi góp ý cho Tôi trong quá trình thực hiện luân văn.
Tôi xin chân thành cảm ơn tới các thầy cô giáo trong Viện Dệt may da
giầy & Thời trang- Trường Đại học Bách Khoa Hà Nội đã giúp đỡ và tạo
điều kiện thuận lợi để tôi hoàn thành luận văn.
Xin cảm ơn Viện đào tạo Sau đại học, phòng thí nghiệm Vật liệu dệt Viên Viện Dệt may da giầy & Thời trang, Phòng thí nghiệm Cơ - lý, Phòng
thí nghiệm hóa - Viện dệt may, đã tạo điều kiện giúp đỡ tôi hoàn thành luận
văn.
Tôi cũng xin gửi lời cảm ơn chân thành tới Ban giám hiệu, các cán bộ,
giảng viên - Trường Đại học Sao Đỏ đã tạo điều kiện giúp đỡ tôi về thời gian,
kinh phí và bố trí sắp xếp công việc hợp lý để tôi có thời gian học tập và
nghiên cứu.
Cuối cùng, nhưng rất quan trọng đó là lòng biết ơn xin được gửi tới
Gia Đình cùng những người thân yêu nhất đã cùng chia sẻ, gánh vác công
việc để tôi yên tâm hoàn thành luận văn của mình.
Hà Nội, ngày 20 tháng 9 năm 2012
Học Viên

Đỗ Thị Tần

Đỗ Thị Tần

2

Ngành CN Vật liệu Dệt May
Khóa 2010 - 2012

Luận văn cao học

Trường Đại học Bách Khoa Hà Nội

MỤC LỤC
LỜI CAM ĐOAN .................................................................................................. 1
LỜI CẢM ƠN ........................................................................................................ 2
CÁC CHỮ VIẾT TẮT VÀ KÝ HIỆU ĐƢỢC DÙNG TRONG LUẬN VĂN ..... 5
DANH MỤC CÁC BẢNG BIỂU .......................................................................... 7
DANH MỤC CÁC HÌNH VẼ VÀ ĐỒ THỊ TRONG LUẬN VĂN ...................... 8
MỞ ĐẦU ............................................................................................................. 10
CHƢƠNG 1. TỔNG QUAN VỀ DỰ BÁO NHĂN ĐƢỜNG MAY VÀ
PHƢƠNG PHÁP HỌC MÁY ............................................................ 12
1.1. Nhăn đƣờng may ........................................................................................ 12
1.2. Các nghiên cứu về dự báo nhăn đƣờng may ............................................... 13
1.3. Phƣơng pháp học máy ................................................................................ 21
1.3.1. Khái quát chung về phƣơng pháp học máy .......................................... 21
1.3.2. Giải thuật kNN .................................................................................... 22
1.4. Kết luận Chƣơng 1 ..................................................................................... 33
CHƢƠNG 2. ĐỐI TƢỢNG, NỘI DUNG VÀ PHƢƠNG PHÁP NGHIÊN CỨU
............................................................................................................. 34
2.1 Đối tƣợng và phạm vi nghiên cứu ................................................................ 34
2.1.1. Vật liệu................................................................................................ 34
2.1.2. Đƣờng may.......................................................................................... 36
2.2. Nội dung và phƣơng pháp nghiên cứu ........................................................ 37
2.2.1. Ứng dụng giải thuật kNN để dự báo nhăn đƣờng may dựa trên các thông
số vải ............................................................................................................ 38
2.2.2. Xác định các thông số cấu trúc của vải: ............................................... 43
2.2.3. Xác định các đặc trƣng cơ học vải: ...................................................... 44
2.2.4. Cấp độ SS của đƣờng may ................................................................... 48

2.2.5. Kiểm định giả thiết thống kê................................................................ 49
2.3. Các phần mềm hỗ trợ .................................................................................. 49

Đỗ Thị Tần

3

Ngành CN Vật liệu Dệt May
Khóa 2010 - 2012


Luận văn cao học

Trường Đại học Bách Khoa Hà Nội

2.3.1. Microsoft Excel 2003: ......................................................................... 49
2.3.2. C# ....................................................................................................... 49
2.4. Kết luận chƣơng 2 ...................................................................................... 50
CHƢƠNG 3: KẾT QUẢ VÀ BÀN LUẬN .......................................................... 51
3.1. Kết quả thiết lập mô hình dự báo nhăn đƣờng may ứng dụng kNN ............. 51
3.1.1. Cấu trúc hệ thống dự báo độ nhăn đƣờng may ..................................... 51
3.1.2. Mẫu học: ............................................................................................. 54
3.2. Kết quả dự báo nhăn đƣờng may trên tập kiểm thử ..................................... 56
3.2.1. Bộ trọng số thu đƣợc khi áp dụng 4 phƣơng pháp tìm kiếm: ................ 56
3.2.2. Đánh giá khả năng dự báo nhăn đƣờng may của mô hình đã thiết lập: . 58
3.3. Kết luận chƣơng 3 ...................................................................................... 63
KẾT LUẬN .......................................................................................................... 64
HƢỚNG NGHIÊN CỨU TIẾP THEO ............................................................... 65
TÀI LIỆU THAM KHẢO ................................................................................... 66
PHỤ LỤC ............................................................................................................. 69

Đỗ Thị Tần

4

Ngành CN Vật liệu Dệt May
Khóa 2010 - 2012


Luận văn cao học

Trường Đại học Bách Khoa Hà Nội

CÁC CHỮ VIẾT TẮT VÀ KÝ HIỆU ĐƢỢC DÙNG TRONG LUẬN VĂN
Các chữ viết tắt
ANN

Artificial Neural Network (Mạng nơron nhân tạo)

ASTM

American Society for Testing and Materials
(Hội thử nghiệm và vật liệu Hoa Kỳ)

BS

British Standard (Tiêu chuẩn Anh)

ISO

the International Organization for Standardization (Tổ chức tiêu chuẩn
hoá quốc tế)

KESF

Kawabata Evaluation System for Fabric
(Hệ thống đánh giá vải Kawabata)

kNN

K Nearest Neighbor (K lân cận gần nhất)

PES

Polyester

TAV

Total Appearance Value (giá trị hình dáng tổng thể)

TCVN

Tiêu chuẩn Việt Nam

Các ký hiệu chữ la-tinh

Đơn vị đo

B

Độ cứng uốn

g.cm2 /cm

e

Tỷ số giữa độ giãn ngang và giãn dọc của vải

*

EM

Độ giãn tƣơng đối

%

G

Độ cứng trƣợt

g/cm.deg

k1, k2

Độ chứa đầy dọc, ngang của vải

*

kc

Độ chứa đầy của vải

*

LC

Độ nén

*

LT

Độ bền

*

MIU

Hệ số ma sát (giữa vải và kim loại)

*

MMD

Độ lệch trung bình của hệ số ma sát (vải-kim loại)

*

SS1

Cấp độ nhăn đƣờng may 301 theo hƣớng sợi dọc

*

SS2

Cấp độ nhăn đƣờng may 301 theo hƣớng sợi ngang

*

SMD

Độ nhám hình học

m

Đỗ Thị Tần

5

Ngành CN Vật liệu Dệt May
Khóa 2010 - 2012


Luận văn cao học

Trường Đại học Bách Khoa Hà Nội

RC

Biến dạng nén tƣơng đối

%

RT

Biến dạng đàn hồi kéo

*

Tm

Độ dày vải với lực nén Pmax = 50gf/cm2

mm

To

Độ dày vải với lực nén Po = 0,5gf/cm2

mm

Td

Ngƣỡng dƣới của tổng hạng

*

Tt

Ngƣỡng trên của tổng hạng

*

T1

Tổng hạng của các mẫu n1

*

T2

Tổng hạng của các mẫu n2

*

W

Khối lƣợng vải

g/m2

WC

Công nén

g.cm/cm2

WT

Công kéo giãn

g.cm/cm2

2HB

Độ trễ uốn

g.cm/cm

2HG

Độ trễ của lực trƣợt ở góc 0,0087 radian (0,5o)

g/cm

2HG5

Độ trễ của lực trƣợt ở góc 0,0872 radian (5o)

g/cm

Các chỉ số
1

Theo chiều sợi dọc của vải

2

Theo chiều sợi ngang của vải

Đỗ Thị Tần

6

Ngành CN Vật liệu Dệt May
Khóa 2010 - 2012


Luận văn cao học

Trường Đại học Bách Khoa Hà Nội

DANH MỤC CÁC BẢNG BIỂU
Bảng 1.1. Phân loại các phƣơng pháp tìm kiếm bộ trọng số cho các thuộc tính ...... 23
Bảng 1.2. So sánh phƣơng pháp Lazy learning và Eager learning .......................... 30
Bảng 2.1. Thông số kỹ thuật của vải dùng để thực nghiệm .................................... 34
Bảng 2.2. Chỉ tiêu kỹ thuật của chỉ thí nghiệm....................................................... 36
Bảng 2.3. Các thông số cơ học vải đo trên hệ thống KESF ................................... 46
Bảng 2.4. Các điều kiện may mẫu.......................................................................... 48
Bảng 3.1. Các trọng số của hệ dự báo thu đƣợc khi áp dụng 4 phƣơng pháp tìm
kiếm bộ trọng số: kNN đơn giản, Greedy Forward Search, Backward
Emilination và Gradient Descent .......................................................... 56
Bảng 3.2. Kết quả dự báo trên tập mẫu kiểm thử khi áp dụng 4 phƣơng pháp tìm
kiếm bộ trọng số: kNN đơn giản, Greedy Forward Search, Greedy
Backward Emilination và Gradient Descent .......................................... 58
Bảng 3.3. Kết quả kiểm định giả thiết thống kê với trắc nghiệm Wilcoxon: cỡ mẫu
n1= n2 = 8; Td = 52; Tt = 84; α = 0,05 ..................................................... 62
Bảng phụ lục1. Cấp độ đánh giá SS của mẫu theo tiêu chuẩn 88B- AATCC
Bảng phụ lục2. Kết quả xác định các thông số cấu trúc vải

Bảng phụ lục3. Các đặc trƣng của vải thí nghiệm đo đƣợc trên hệ thống KESF
Bảng phụ lục3.1. Các đặc trƣng cơ học của vải theo hƣớng sợi dọc
Bảng phụ lục3.2. Các đặc trƣng cơ học của vải theo hƣớng sợi ngang
Bảng phụ lục3.3. Các đặc trƣng cơ học của vải tính trung bình
Bảng phụ lục4. Chƣơng trình dự báo nhăn đƣờng may ứng dụng kNN
Bảng phụ lục5. Các mẫu học và kiểm thử cho mô hình dự báo nhăn đƣờng may
Bảng phụ lục6. Kết quả kiểm định trắc nghiệm Wilcoxon

Đỗ Thị Tần

7

Ngành CN Vật liệu Dệt May
Khóa 2010 - 2012


Luận văn cao học

Trường Đại học Bách Khoa Hà Nội

DANH MỤC CÁC HÌNH VẼ VÀ ĐỒ THỊ TRONG LUẬN VĂN
Hình 1.1. Ảnh chụp đƣờng may nhăn .................................................................... 12
Hình 1.2. Các yếu tố ảnh hƣởng đến nhăn đƣờng may ........................................... 14
Hình 1.3. Độ định dạng dọc tƣơng ứng với góc hồi nhàu ngang và độ nhăn đƣờng
may. ................................................................................................... 17
Hình 1.4. Dự báo nhăn đƣờng may bằng mô đun Young ban đầu và độ dầy vải .. 17
Hình 1.5. Đồ thị độ nhăn dự báo bằng ANN và độ nhăn thực tế khách quan, chủ
quan với đƣờng may dọc (a), ngang (b) trên tập mẫu kiểm thử .......... 20
Hình 1.6. Đồ thị tƣơng quan giữa độ nhăn dự báo bằng ANN và độ nhăn thực tế . 20
Hình 1.7. Sự khác nhau giữa 2 loại phƣơng pháp filter và wrapper ........................ 24

Hình 1.8. Minh họa về giải thuật kNN cho bài toán phân loại ................................ 31
Hình 2.1. Hệ thống thiết bị KESF ......................................................................... 45
Hình 2.2. Biểu đồ kéo giãn ................................................................................... 47
Hình 2.3. Biểu đồ trƣợt ......................................................................................... 47
Hình 2.4. Biểu đồ uốn ........................................................................................... 47
Hình 2.5. Biểu đồ nén ........................................................................................... 47
Hình 3.2. Giao diện nhập dữ liệu của mẫu vải cần dự báo độ nhăn đƣờng may ...... 53
Hình 3.3. Menu Item File ...................................................................................... 53
Hình 3.4 Menu Item Option ................................................................................... 53
Hình 3.5. Menu Item View .................................................................................... 54
Hình 3.6. Ma trận đầu vào của hệ dự báo độ nhăn đƣờng may ............................... 54
Hình 3.7. Mẫu học của mạng dự báo nhăn đƣờng may .......................................... 55
Hình 3.8. Đồ thị cấp độ SS1 dự báo và thực tế với đƣờng may dọc trên tập mẫu
kiểm thử ............................................................................................. 59
Hình 3.9. Đồ thị cấp độ SS2 dự báo và thực tế với đƣờng may ngang trên tập mẫu
kiểm thử ............................................................................................. 60
Hình 3.10. Tƣơng quan giữa cấp độ SS1 thực tế và dự báo .................................... 60
Hình 3.11. Tƣơng quan giữa cấp độ SS2 thực tế và dự báo .................................... 61

Đỗ Thị Tần

8

Ngành CN Vật liệu Dệt May
Khóa 2010 - 2012


Luận văn cao học

Trường Đại học Bách Khoa Hà Nội

Hình 3.12. Đồ thị sai số của cấp độ nhăn SS1 với đƣờng may dọc trên tập mẫu kiểm
thử ...................................................................................................... 61
Hình 3.13. Đồ thị sai số của cấp độ SS2 với đƣờng may ngang trên tập mẫu kiểm
thử ...................................................................................................... 62

Đỗ Thị Tần

9

Ngành CN Vật liệu Dệt May
Khóa 2010 - 2012


Luận văn cao học

Trường Đại học Bách Khoa Hà Nội

MỞ ĐẦU
Nhăn đƣờng may là hiện tƣợng thƣờng gặp trong sản xuất may công
nghiệp. Hiện tƣợng nhăn đƣờng may thƣờng xảy ra sau khi may trên nhiều loại vải
ở các đƣờng may theo các hƣớng khác nhau. Nhăn đƣờng may là một trong những
chỉ tiêu chất lƣợng quan trọng của đƣờng may trên sản phẩm may mặc.
Có nhiều yếu tố ảnh hƣởng đến nhăn đƣờng may nhƣ các yếu tố về vải, chỉ,
thiết bị, điều kiện công nghệ. Trong đó, các thông số cơ học và cấu trúc vải có ảnh
hƣởng đáng kể tới nhăn đƣờng may. Đã có nhiều nghiên cứu đƣợc thực hiện nhằm
lựa chọn các thông số công nghệ may, hay thiết bị may, chỉ may... để giảm thiểu sự
nhăn đƣờng may. Nhiều nghiên cứu dự báo nhăn đƣờng may dựa trên các thông số
vải cũng đã đƣợc thực hiện. Tuy nhiên, mỗi phƣơng pháp dự báo thông số độ nhăn
đƣờng may đều có những hạn chế nhất định.

Học máy là phƣơng pháp đƣợc áp dụng khá rộng rãi để giải quyết các bài
toán dự báo phức tạp với các giải thuật khác nhau. Trong đó, kNN là giải thuật đƣợc
áp dụng phổ biến nhất cho bài toán dự báo với các biến không tuyến tính. Vì vậy,
việc nghiên cứu ứng dụng phƣơng pháp học máy để dự báo nhăn đƣờng may là cần
thiết để xem xét khả năng ứng dụng của các giải thuật khác nhau vào bài toán dự
báo nhăn đƣờng may, góp phần thiết lập mô hình dự báo độ nhăn đƣờng may dựa
trên các đặc trƣng cơ học và thông số cấu trúc của vải.
Đề tài “nghiên cứu dự báo nhăn đƣờng may ứng dụng phƣơng pháp học
máy” đƣợc thực hiện trong luận văn này với mục tiêu thiết lập mô hình dự báo nhăn
đƣờng may ứng dụng giải thuật kNN.
Đề tài đƣợc giới hạn trong phạm vi dự báo độ nhăn đƣờng may 301 theo
hƣớng sợi dọc và ngang trên vải vải dệt thoi có khối lƣợng nhẹ và trung bình dệt từ
sợi bông, Pe/Co, bông pha Spandex.
Nội dung chính của đề tài là thiết lập mô hình dự báo nhăn đƣờng may đơn
301 ứng dụng giải thuật kNN dựa trên các thông số cấu trúc và đặc trƣng cơ học của
vải dệt thoi dệt, sử dụng cho các sản phẩm may mặc thông dụng, nhằm phát hiện sớm
vấn đề nhăn đƣờng may trong sản xuất may mặc, góp phần xây dựng cơ sở cho việc

Đỗ Thị Tần

10

Ngành CN Vật liệu Dệt May
Khóa 2010 - 2012


Luận văn cao học

Trường Đại học Bách Khoa Hà Nội

lựa chọn vải nhằm đảm bảo chất lƣợng đƣờng may trên sản phẩm. Đây là đề tài có
tính thực tiễn cao và có thể áp dụng rộng rãi trong sản xuất và đem lại nhiều lợi ích.
Để đạt đƣợc mục tiêu trên, nội dung của đề tài đƣợc thực hiện với 3 chƣơng:
Chương 1: Tổng quan về dự báo độ nhăn đường may và giải thuật kNN: Giới
thiệu khái quát về hiện tƣợng nhăn đƣờng may, các yếu tố ảnh hƣởng đến nhăn đƣờng
may, các nghiên cứu đã đƣợc thực hiện về dự báo nhăn đƣờng may, khái quát về
phƣơng pháp học máy, giải thuật kNN và ứng dụng của phƣơng pháp này.
Chương 2: Đối tượng, nội dung, phương pháp nghiên cứu: đề cập đến các
lọai vải, đƣờng may đƣợc lựa chọn cho thực nghiệm, phƣơng pháp xác định các
thông số của vải và độ nhăn đƣờng may, cấu trúc của mô hình dự báo nhăn đƣờng
may dựa trên giải thuật kNN.
Chương 3: Kết quả và bàn luận: Trình bày những kết quả mô hình dự báo
đã thiết lập, bộ trọng số của mô hình đã thiết lập với các dữ liệu thực tế. Đánh giá
mức độ chính xác, khả năng dự báo của mô hình đã thiết kế, hạn chế còn tồn tại của
mô hình cùng với những hƣớng nghiên cứu phát triển trong tƣơng lai.

Đỗ Thị Tần

11

Ngành CN Vật liệu Dệt May
Khóa 2010 - 2012


Luận văn cao học

Trường Đại học Bách Khoa Hà Nội

CHƢƠNG 1. TỔNG QUAN VỀ DỰ BÁO NHĂN ĐƢỜNG MAY VÀ
PHƢƠNG PHÁP HỌC MÁY

1.1. Nhăn đƣờng may
“Nhăn đường may” (Seam pucker) là những đƣờng gợn, nếp nhăn
hoặc sự nhăn lại của vải hoặc một số các đƣờng nhăn nhỏ chạy qua chạy lại xuất
hiện trong quá trình may các mảnh vải” [2], [27].

Hình 1.1. Ảnh chụp đường may nhăn
Nhăn đƣờng may là khái niệ m đ ƣợc dùng để chỉ đặc điểm bề mặt
hình dạng vải sau khi may, biểu hiện qua trạng thái không bằng phẳng, nhấp
nhô và gợn sóng của bề mặt vải. Nhăn đƣờng may có ảnh hƣởng đ án g kể đến
tính thẩm mỹ của sản phẩ m may mặc và có thể quan sát đƣợc bằng mắt.
Cảm giác của con ngƣời qua các thông tin quan sát đƣợc và quá trình xử lý của
não cho phép cảm nhận và đánh giá ảnh hƣởng của nhăn đƣờng may lên chất
lƣợng sản phẩm. Xác định độ nhăn đƣờng may là một trong những công việc
quan trọng trong việc kiểm tra chất lƣợng sản phẩm trong ngành sản
xuất may công nghiệp [2].
Hiện tƣợng xuất hiện nhăn đƣờng may sau khi may đã đƣợc sự quan tâm
của các nhà nghiên cứu trong lĩnh vực dệt may. Hiện tƣợng này thƣờng xảy ra khi
may trên nhiều loại vải, ở các đƣờng may theo chiều sợi dọc nhƣ đƣờng mép
nẹp, đƣờng sƣờn áo, thậm chí trên cả các đƣờng may theo hƣớng sợi ngang và
xiên, cong nhƣ đƣờng may tay vào thân áo…. Trên thực tế, ở một số sản phẩm,
nhăn không chỉ xuất hiện trên bề mặt vải tại vùng lân cận đƣờng may sau khi may

Đỗ Thị Tần

12

Ngành CN Vật liệu Dệt May
Khóa 2010 - 2012

Luận văn cao học

Trường Đại học Bách Khoa Hà Nội

mà cả sau khi giặt, là hoặc trong quá trình sử dụng sản phẩm do vải và chỉ biến
dạng khác nhau dƣới các tác động cơ, lý, hoá.
Những năm gần đây, chất lƣợng của quần áo không chỉ đƣợc quan tâm
đánh giá về chất liệu, kích thƣớc, màu sắc hay sự phẳng phịu mà bắt đầu đƣợc
đánh giá thông qua giá trị hình dáng tổng thể TAV của quần áo với 3 chỉ tiêu: Khả
năng tạo dáng, ngoại quan của đƣờng may và sự vừa vặn [10]. Các lỗi đƣờng may
thƣờng xuất hiện trên quần áo may sẵn là nhăn, vặn xoắn mũi may, xếp nếp, lƣợn
sóng, phồng và trƣợt mép vải, trong đó nhăn đƣờng may là hiện tƣợng rất hay gặp.
TCVN 2109 -77 ÷ 2112-77 qui định số điểm trừ tùy theo kích thƣớc của lỗi ngoại quan
đƣờng may là 20 điểm/100 (cho quần âu và áo một lớp), 15 điểm/100 cho áo khoác hai
hoặc nhiều lớp [3]. Nhiều loại vải của các đơn hàng sản xuất may mặc tại các nhà máy
may mà khi may trên đó, nhăn đƣờng may xuất hiện. Để giảm thiểu hiện tƣợng này, ngoài
việc lựa chọn loại vải để may, nếu không đƣợc lựa chọn vải, các công ty thƣờng cải tiến
thiết bị may, lựa chọn thông số công nghệ may phù hợp, áp dụng các xử lý đặc biệt tại vị
trí đƣờng may nhƣ dùng băng keo tan… . những phƣơng pháp này góp phần làm tăng chi
phí sản xuất nhƣng vẫn chƣa hoàn toàn loại bỏ đƣợc nhăn đƣờng may trên sản phẩm.
Mức độ nhăn đƣờng may trên sản phẩm thƣờng đƣợc đánh giá thông qua cấp
độ SS (Seam Smoothness) của đƣờng may. Các sản phẩm may mặc thƣờng yêu cầu
cấp độ SS của đƣờng may đạt cấp độ 3 trở lên (Cấp độ SS = 1 ứng với đƣờng may
rất nhăn, cấp độ SS = 5 ứng với đƣờng may hầu nhƣ không nhăn) theo tiêu chuẩn
88B - AATCC [4] hoặc ISO 7770, ngoại trừ một số ít sản phẩm sử dụng sự nhăn
rúm của đƣờng may để trang trí. Tại các doanh nghiệp may Việt Nam nhiều đơn
hàng sản xuất sơ mi vẫn phải xử lý đƣờng may nhăn bằng băng keo tan. Cho đến
nay, nhăn đƣờng may vẫn là vấn đề thời sự cần đƣợc quan tâm nghiên cứu trong sản
xuất may công nghiệp nhằm giảm thiểu hoặc loại bỏ hiện tƣợng này.
1.2. Các nghiên cứu về dự báo nhăn đƣờng may

Dự báo là nêu lên trạng thái của đối tƣợng trong tƣơng lai dựa trên sự suy
luận từ một tập các yếu tố có tính chất định tính cũng nhƣ định lƣợng. Trong đó

Đỗ Thị Tần

13

Ngành CN Vật liệu Dệt May
Khóa 2010 - 2012


Luận văn cao học

Trường Đại học Bách Khoa Hà Nội

hệ thống dự báo bao gồm hệ toán học, logic học và kinh nghiệm. Đầu vào của hệ
thống là thông tin hiện tại, đầu ra là các số liệu về trạng thái của đối tƣợng trong
tƣơng lai [2].
Vải:
- Thành phần, kiểu dệt,
độ dầy, mật độ, độ chứa
đầy, hoàn tất vải...
- Các đặc tính cơ học
vải: Giãn, uốn, trƣợt,...

Điều kiện may:
- Mật độ mũi may
- Sức căng chỉ may
- Vận tốc may
- Áp lực chân vịt

- Hƣớng đƣờng may
- Dạng mũi may
- Cấu trúc đƣờng
may

NHĂN ĐƢỜNG MAY
Thiết bị may:
- Kim may
- Cơ cấu dịch vải
- Cơ cấu cấp chỉ,
giật chỉ
- Lỗ mặt nguyệt…

Chỉ:
- Thành phần, cấu trúc,
chi số, xử lý hoàn tất
chỉ…
Các yếu tố khác:
- Điều kiện môi trƣờng
- Bán thành phẩm
- Trình độ tay nghề của
công nhân…

Hình 1.2. Các yếu tố ảnh hưởng đến nhăn đường may [2]
Nhu cầu dự báo trong các lĩnh vực xuất hiện một cách rất tự nhiên do
chúng ta chƣa hề biết trƣớc mức độ nghiêm trọng của vấn về có thể nảy sinh.
Dự báo nhăn đƣờng may trong quá trình sản xuất may mặc có vai trò rất quan trọng
đối với việc đảm bảo năng suất và chất lƣợng sản phẩm. Để đảm bảo chất lƣợng
ngoại quan của đƣờng may, nên có sự dự báo nhăn đƣờng may dựa trên các thông
số vải khi đã kiểm soát đƣợc các yếu tố khác về công nghệ và thiết bị trƣớc khi tiến

hành sản xuất để có biện pháp phòng ngừa. Ta không biết trƣớc mức độ ảnh hƣởng
của vải khi hình thành đƣờng may nhƣng lại chắc chắn rằng ảnh hƣởng này cần
đƣợc quan tâm khi lựa chọn vải để sản xuất sản phẩm may. Việc đặt mẫu vải, thử
nghiệm chất lƣợng ngoại quan đƣờng may rồi mới quyết định lựa chọn loại vải mất

Đỗ Thị Tần

14

Ngành CN Vật liệu Dệt May
Khóa 2010 - 2012


Luận văn cao học

Trường Đại học Bách Khoa Hà Nội

nhiều thời gian và gây tốn kém. Vì vậy, việc dự báo chính xác nhăn đƣờng may
còn mang lại hiệu quả kinh tế đáng kể trong việc tạo ra các sản phẩm may với chất
lƣợng cao và góp phần sử dụng hiệu quả nguồn nguyên liệu quí từ tự nhiên. Đây là
một trong những yêu cầu của phát triển bền vững mà các ngành công nghiệp cần
quan tâm trong xu thế chung của thời đại.
Yêu cầu đối với một hệ thống dự báo thƣờng là phải có độ chính xác cao, có khả
năng phản ứng linh hoạt đối với các biến đổi xảy ra của đối tƣợng đƣợc dự báo, thời
gian và dữ liệu dự báo thích hợp, đơn giản, giá thành của hệ dự báo thấp [21].
Có nhiều phƣơng pháp đƣợc ứng dụng trong các bài toán dự báo. Dự báo theo
kinh nghiệm là phƣơng pháp cổ điển nhất. Phƣơng pháp này dựa trên cơ sở tham
khảo ý kiến, dự báo của các chuyên gia nhiều kinh nghiệm trong lĩnh vực cần dự
báo. D o d ự a và o ý ki ế n c h u y ê n gi a n ê n p hƣơng pháp này có tính chủ
quan, định tính, thƣờng đƣợc dùng để xác định xu hƣớng mới và tiềm năng của các

hƣớng phát triển trong tƣơng lai [21].
Phƣơng pháp dự báo ứng dụng toán học đƣợc sử dụng rộng rãi, để xử lý các
thông tin về đối tƣợng dự báo bằng cách sử dụng thuật toán thích hợp để tìm qui
luật của quan hệ giữa các dữ liệu đầu vào dùng cho dự báo và đầu ra cần dự báo.
Các mô hình toán học truyền thống hay đƣợc áp dụng cho bài toán dự báo là hồi
qui tuyến tính, san trung bình , hệ số ngẫu nhiên, san hàm mũ, …Độ chính xác
của hệ thống dự báo khi áp dụng phƣơng pháp này phụ thuộc vào sự chính xác của
các thông số đầu vào, tính phù hợp của mô hình toán học, tham số lựa chọn cho cấu
trúc của mô hình. Dự báo toán học thƣờng cho kết quả khách quan, chính xác, khả
năng tự động hoá cao nhƣng đòi hỏi phải mô tả chính xác đƣợc đối tƣợng cần dự
báo. N go à i r a , c ó t h ể á p d ụ n g p h ƣ ơ n g p h á p d ự báo tổng hợp, là kết hợp
của hai phƣơng pháp dự báo đã nêu trên.
Trong các doanh nghiệp sản xuất may công nghiệp, những năm gần đây, quá
trình sản xuất sản phẩm may mặc đƣợc tự động hoá nhiều hơn. Nhu cầu thị trƣờng và
các loại vải cũng đa dạng phong phú hơn nên kiểm soát chất lƣợng trong sản xuất ngày

Đỗ Thị Tần

15

Ngành CN Vật liệu Dệt May
Khóa 2010 - 2012


Luận văn cao học

Trường Đại học Bách Khoa Hà Nội

càng khó khăn và chặt chẽ. Ảnh hƣởng của các loại vải đến quá trình sản xuất đã buộc
các nhà sản xuất hàng may mặc bắt đầu phải chú ý.

Để đảm bảo hiệu quả cao cho quá trình sản xuất, nhiều công ty may tại các
nƣớc phát triển đã thành lập phòng thí nghiệm nghiên cứu về vật liệu để kiểm soát chất
lƣợng vải, nhằm dự báo, phát hiện sớm các vấn đề trong sản xuất để đảm bảo chất
lƣợng sản phẩm may [10]. Nhiều nghiên cứu đã đƣợc thực hiện nhằm xem xét quan
hệ giữa các đặc tính cơ học và tác động của vải trong quá trình sản xuất để dự báo
các vấn đề có thể nảy sinh (do vải) trong sản xuất dựa trên các đặc trƣng của vải, đặc
biệt là các đặc trƣng cơ học đƣợc đo dƣới tác dụng của ứng suất thấp và đo trên hệ thống
thiết bị KESF hoặc FAST [10], [21],.
Nghiên cứu dự báo nhăn đƣờng may sớm nhất đƣợc thực hiện bởi G. Stylios và
D.W. Lloyd [26], tác giả đã dựa trên tƣơng quan thực nghiệm của cấp độ SS của
đƣờng may xác định theo tiêu chuẩn 88B - AATCC và các thông số vải xác định
theo các tiêu chuẩn Anh. Các biểu đồ tƣơng quan giữa các cặp đặc trƣng cấu trúc và
thông số cơ học vải với cấp độ SS của đƣờng may đã đƣợc thiết lập. Các biểu đồ
n à y cho thấy sự phân biệt khá rõ ràng các l oại vải nghiên cứu ở 3 nhóm đƣờng
may nhăn trầm trọng (SS <3), mức tới hạn (SS = 3) và ít nhăn (SS >3).
Kết quả của nghiên cứu này bƣớc đầu cho thấy có thể dự báo nhăn đƣờng may
dựa trên các thông số vải. Tuy nhiên, cần kiểm chứng kết quả dự báo so với kết quả
cấp độ nhăn thực tế của đƣờng may.
Tác giả cũng kết luận rằng cần xác định các đặc trƣng cơ học vải bằng phƣơng
pháp khác thích hợp hơn, cho kết quả đầy đủ và toàn diện hơn với các thông số vải mà
các tiêu chuẩn Anh đã đƣợc sử dụng chƣa đáp ứng đƣợc yêu cầu này. Việc ứng dụng
kết quả dự báo này cho thực tế còn nhiều điểm hạn chế nên vẫn chƣa đáp ứng đƣợc
nhu cầu về dự báo nhăn đƣờng may của quá trình sản xuất may công nghiệp.

Đỗ Thị Tần

16

Ngành CN Vật liệu Dệt May
Khóa 2010 - 2012

Luận văn cao học

Trường Đại học Bách Khoa Hà Nội

Môđun Young kgf/mm

Độ định dạng dọc (mm2)

1.8
1.7
1.6
1.5
1.4
1.3
1.2
1.1
1.0
0.9
0.8
0.7

Góc nếp gấp ngang (độ)

0.6
0.5

Hình 1.3. Độ định dạng dọc tương ứng với

0.4

góc hồi nhàu ngang và độ nhăn đường [17]

0.3

may[108].

0.1

0.2

0.0
0

2

4

6

Ít nhăn

8

10

12

14

Cấp độ AATCC
: 1.2

Tới hạn
Trầm trọng

16

18

20

22

24

Độ dày vải (0.001'')

:3
: 4.5

Hình 1.4. Dự báo nhăn đường may
bằng mô đun Young ban đầu và độ dầy
vải [26]
Tác giả Pier Giorgio Minazio dự báo độ nhăn đƣờng may dựa trên các đặc trƣng cơ
học vải đo trên hệ thống FAST [17] bằng phƣơng trình thực nghiệm:
Độ nhăn đƣờng may = 5,1 + 1,03 F1 - 0,0744 CA2

(1-1)

Trong đó, độ định dạng dọc F1(mm2), góc hồi nhàu ngang CA2 (độ) của vải
đƣợc đo trên hệ thống FAST. Kết quả của nghiên cứu cho thấy nếu vải có F-1 0,5 thì
đƣờng may nhăn không đáng kể; Nếu vải có F-1 0,5, nếu góc hồi nhàu nhỏ đƣờng
may ít nhăn, nếu góc hồi nhàu lớn thì đƣờng may sẽ nhăn nhiều. Để thiết lập phƣơng
trình thực nghiệm (1-1), tác giả đánh giá độ nhăn đƣờng may bằng cách cho điểm.
Phƣơng pháp này làm giảm độ tin cậy của kết quả thu đƣợc. Mặt khác, nhiều nghiên cứu
cho thấy khi đã kiểm soát tốt các yếu tố về công nghệ, máy và chỉ may thì độ nhăn đƣờng

Đỗ Thị Tần

17

Ngành CN Vật liệu Dệt May
Khóa 2010 - 2012


Luận văn cao học

Trường Đại học Bách Khoa Hà Nội

may không chỉ phụ thuộc vào độ định dạng và góc hồi nhàu của vải mà còn phụ thuộc vào
cả các thông số khác nhƣ độ cứng uốn, độ cứng trƣợt, độ giãn hay tính chất bề mặt của
vải [2], [5], [7]. Tất cả những điều đó dẫn đến độ chính xác của kết quả dự báo theo nghiên
cứu này chƣa cao.
Tác giả Jelka Gersak thiết lập biểu đồ dự báo nhăn đƣờng may dựa trên các
thông số cơ học vải trong vùng tải trọng thấp (đo trên hệ thống KESF) [10]. Dựa
trên biểu đồ này, tác giả đã chỉ ra các thông số cơ học của vải có khả năng liên quan
đến sự nhăn đƣờng may nhƣ độ giãn, độ trƣợt, độ cứng uốn... các giá trị nào có sự
khác biệt quá mức với những vải ít nhăn. Tuy nhiên, kết quả dự báo không đƣa ra

giá trị cụ thể mà chỉ cho biết đặc trƣng cơ học nào của vải cần đƣợc điều chỉnh, cải
thiện để giảm nhăn đƣờng may trên sản phẩm.
Daniela Zavec Pavlinic đã nghiên cứu ứng dụng phƣơng pháp học máy để dự báo
chất lƣợng hình dạng đƣờng may và thuật toán k-NN (k- nearest neighbour) [45]. Đầu
vào của hệ thống là giá trị trung bình của các đặc trƣng cơ học vải trong vùng ứng suất
thấp đo trên hệ thống KESF, đầu ra là chất lƣợng hình dạng của đƣờng may (sự nhăn
và phồng đƣờng may). Kết quả của nghiên cứu này cho thấy tỷ số giữa độ giãn dọc và
giãn ngang của vải có ảnh hƣởng nhiều nhất tới nhăn đƣờng may, còn độ cứng uốn B,
độ trễ trƣợt 2HG và RC có ảnh hƣớng lớn nhất đến độ phồng đƣờng may. Tác giả cũng
đã kết luận rằng phƣơng pháp học máy và giải thuật k-NN thích hợp với bài toán dự
báo chất lƣợng ngoại quan của đƣờng may hơn là phƣơng pháp hồi qui truyền thống.
Nhìn chung, nghiên cứu bƣớc đầu đã tạo cơ sở cho việc ứng dụng trí tuệ nhân tạo vào
việc dự báo chất lƣợng ngoại quan của đƣờng may.
Các tác giả R. H. Gong và Y. Chen đã nghiên cứu dự báo các vấn đề vải trong sản
xuất may mặc bằng cách ứng dụng mạng nơron nhân tạo (Artificial Neural NetworkANN) [12], 2 mạng nơron với đầu vào là giá trị trung bình của các đặc trƣng cơ học
vải đo đƣợc trên hệ thống KESF, đầu ra là 11 thông số tƣơng ứng với cấp độ (1÷5)
của 11 vấn đề có thể xuất hiện trong quá trình sản xuất, trong đó có nhăn đƣờng may
đã đƣợc xây dựng. Tác giả đã giảm dần số lƣợng đặc trƣng của vải để xem xét ảnh
hƣởng của số nơron lớp vào và lớp ẩn lên tốc độ hội tụ và khả năng dự báo của mạng

Đỗ Thị Tần

18

Ngành CN Vật liệu Dệt May
Khóa 2010 - 2012


Luận văn cao học

Trường Đại học Bách Khoa Hà Nội

và loại bỏ những thông số ít ảnh hƣởng. Nghiên cứu cũng đi đến kết luận rằng, ANN
là công cụ rất hiệu quả để dự báo các vấn đề có thể xảy ra trong sản xuất sản phẩm
may mặc từ loại vải nào đó.
Qua nghiên cứu này cho thấy rằng ƣu điểm đáng kể của ANN so với kỹ thuật
phân tích và hồi quy truyền thống là độ chính xác của dự báo đƣợc nâng cao vì mạng có
khả năng xây dựng trong quá trình học. Tuy nhiên, không chỉ các đặc trƣng cơ học mà
các thông số cấu trúc vải cũng tác động đến trong quá trình sản xuất. Điều này đã cho
thấy trong nhiều nghiên cứu có liên quan đến nhăn đƣờng may [2], [5], [7], [9]. Hơn nữa
mô hình mà tác giả đã thiết lập đƣa ra, kết quả dự báo là một giá trị độ nhăn nói chung,
trong khi đó nhăn đƣờng may trên vải theo hƣớng sợi dọc, sợi ngang thƣờng có nhiều
khác biệt [2]. Đầu vào của mô hình dự báo là giá trị trung bình của các thông số cơ học
vải nên không thấy đƣợc tác động tƣơng ứng của thông số cơ học vải lên nhăn đƣờng
may thể hiện theo hƣớng cùng chiều hay vuông góc. Do đó, các giải pháp nhằm giảm
nhăn đƣờng may bằng cách cải thiện các thông số vải sẽ không cụ thể theo hƣớng sợi
dọc hay sợi ngang.
Mạng nơron nhân tạo cũng đã đƣợc ứng dụng để dự báo độ nhăn đƣờng may
[18]. Các tác giả đã thiết lập mạng nơron nhân tạo với hàm kích hoạt Sigmoid đơn
cực và áp dụng giải thuật lan truyền ngƣợc lỗi để xác định bộ trọng số của các thuộc
tính. Mạng dự báo đƣợc thiết lập với 36 đầu vào là các thông số cấu trúc và đặc
trƣng cơ học vải đo trên hệ thống KESF. 2 Đầu ra là giá trị cấp độ nhăn đƣờng may
301 theo hƣớng sợi dọc và ngang. Kết quả nghiên cứu cho thấy, cấp độ SS dự báo
có tƣơng quan khá chặt chẽ với cấp độ SS thực tế của đƣờng may 301. Điều đó cho
thấy khả năng giải quyết bài toán dự báo nhăn đƣờng may ứng dụng ANN là rất khả
quan. Tuy nhiên, với nghiên cứu này, thời gian để huấn luyện mạng là khá lâu và
đòi hỏi sự chuẩn bị tập mẫu học phải rất phù hợp để tránh các điểm yên ngựa do
phƣơng pháp Gradient Descent đƣợc áp dụng trong giải thuật lan truyền ngƣợc lỗi.

Đỗ Thị Tần

19

Ngành CN Vật liệu Dệt May
Khóa 2010 - 2012


Luận văn cao học

Trường Đại học Bách Khoa Hà Nội

6
Độ nhăn ngang

Độ nhăn dọc

5
4
3

SS1 khách quan

2

SS1 chủ quan

1

Z1

5
4
SS2 khách quan

3
2

SS2 chủ quan
Z2

1

0
16

17

18

19 20
Mẫu

21

22

16

23

17

18

19

20

21

22

23

Mẫu

(b)

(a)

Hình 1.5. Đồ thị độ nhăn dự báo bằng ANN và độ nhăn thực tế khách quan,

Z

chủ quan với đường may dọc (a), ngang (b) trên tập mẫu kiểm thử [18]

6

y = 0.8857x + 0.1972
R 2 = 0.9055

5

y = 0.8132x + 0.477
R 2 = 0.8741

4

y = 0.9564x + 0.1219
R 2 = 0.9403

3

y = 0.9171x + 0.2578
R 2 = 0.9303

2

S S 1 khá c h qua n-Z1

1

S S 1 c hủ quan-Z1

0

S S 2 khá c h qua n-Z2

0

1

2

3 SS 4

5

6

S S 2 c hủ quan-Z2

Hình 1.6. Đồ thị tương quan giữa độ nhăn dự báo
bằng ANN và độ nhăn thực tế [18].
Hệ mờ cũng đã đƣợc ứng dụng để dự báo nhăn đƣờng may [19]. Các tác giả
đã thiết lập hai hệ mờ để dự báo cấp độ SS của đƣờng may theo hƣớng sợi dọc và
sợi ngang. 36 đầu vào là các thông số cấu trúc và đặc trƣng cơ học vải đo đƣợc trên
hệ thống KESF. Các thông số này đƣợc chia thành 6 nhóm, tƣớng ứng với 6 hệ mờ
cấp 1 và thu đƣợc 6 đầu vào cho hệ mờ cấp hai. Các giải thuật lát cắt có trọng số
(Weighted Section), tìm kiếm ngẫu nhiên (Random search), Hooke-Jeeves và lát cắt
vàng (Yellow section) đã đƣợc áp dụng để tìm kiếm các tham số tối ƣu cho mô hình
dự báo.
Kết quả của nghiên cứu này cũng nhƣ nghiên cứu [18] ứng dụng ANN cho
thấy các cấp độ SS của đƣờng may 301 theo hƣớng sợi dọc, ngang đã đƣợc dự báo
với giá trị cụ thể thông qua việc sử dụng mô hình dự báo. Mô hình đã thiết lập dễ sử
dụng. Tuy nhiên, kết quả dự báo cấp độ SS của đƣờng may 301 khi sử dụng hệ mờ
kém chính xác hơn so với dự báo bằng phƣơng pháp ứng dụng ANN. Các sai số của

Đỗ Thị Tần

20

Ngành CN Vật liệu Dệt May
Khóa 2010 - 2012


Luận văn cao học

Trường Đại học Bách Khoa Hà Nội

cấp độ SS của đƣờng may theo hƣớng sợi dọc còn lớn. Điều đó đƣợc giải thích là do
số biến đầu vào quá lớn, nên cần cấu trúc hệ dự báo thành 2 lớp hệ mờ, điều này
ảnh hƣởng đến tính chính xác của kết quả dự báo.
Tóm lại, các nghiên cứu dự báo nhăn đƣờng may đã đ ƣ ợ c t h ự c h i ệ n v à
đƣa ra c á c biểu đồ, phƣơng trình hồi qui hoặc thể hiện xu hƣớng nhăn đƣờng may
trên đồ thị nhƣng chỉ cung cấp một số thông tin có tính định hƣớng mà không chỉ ra
độ nhăn đƣờng may dọc, ngang có giá trị bằng bao nhiêu. Nếu chỉ xem xét những
thông số cấu trúc vải cơ bản nhƣ khối lƣợng (g/m2), độ dày vải (mm) thì chƣa đủ để
cho phép dự báo nhăn đƣờng may. Mối quan hệ giữa các thông số của vải và nhăn
cấp độ nhăn đƣờng may lại rất phức tạp bởi chúng đều là các đại lƣợng không
tuyến tính và số biến lớn [2]. Các ứng dụng trí tuệ nhân tạo để dự báo nhăn
đƣờng may bƣớc đầu đã cho thấy những kết quả khả quan. Mỗi hệ thống đã
đƣợc thiết lập với cấu trúc giải thuật khác nhau có những ƣu điểm và hạn chế
riêng. Việc nghiên cứu tiếp tục ứng dụng trong lĩnh vực này là rất cần thiết
nhằm tìm ra các giải thuật có nhiều ƣu điểm, ít hạn chế hơn trong việc giải
quyết bài toán dự báo nhăn đƣờng may.
Vì vậy, việc tiếp tục nghiên cứu để thiết lập hệ thống dự báo nhăn đƣờng may
một cách đầy đủ, cho kết quả dự báo đảm bảo độ chính xác cần thiết, hoàn chỉnh và dễ
dàng sử dụng trong thực tế là rất cần thiết đối với sản xuất may công nghiệp

1.3. Phƣơng pháp học máy
1.3.1. Khái quát chung về phương pháp học máy
Học máy là một lĩnh vực của trí tuệ nhân tạo liên quan đến việc phát triển
các kĩ thuật cho phép máy tính có thể "học". Cụ thể hơn, học máy là phƣơng pháp
để tạo ra các chƣơng trình máy tính bằng việc phân tích các tập dữ liệu. Học máy có
liên quan đến thống kê, vì cả hai lĩnh vực đều nghiên cứu việc phân tích dữ liệu,
nhƣng khác với thống kê, học máy tập trung vào sự phức tạp của các giải thuật
trong việc thực thi tính toán. Có nhiều cách phân loại các phƣơng pháp học máy,
một trong số đó phân chia học máy thành các phƣơng pháp học máy “chăm chỉ”

Đỗ Thị Tần

21

Ngành CN Vật liệu Dệt May
Khóa 2010 - 2012


Luận văn cao học

Trường Đại học Bách Khoa Hà Nội

(Eager learning methods) và học máy “lƣời” (Lazy learning methods) hay còn gọi là
học máy dựa trên tập mẫu (instance-based machine learning).
Các phƣơng pháp học máy dựa trên tập mẫu bao gồm giải thuật lân cận gần
nhất (nearest neighbor) và hồi qui cục bộ trọng số (locally weighted regression).
Các phƣơng pháp này dựa trên giả thiết rằng một mẫu có thể đƣợc biểu diễn nhƣ là
một điểm trong không gian Euclid. Phƣơng pháp học máy dựa trên tập mẫu còn
đƣợc đề cập đến nhƣ là phƣơng pháp học máy “lƣời” bởi vì quá trình xử lí dữ liệu
học đƣợc trì hoãn cho tới khi có một mẫu mới cần đƣợc phân loại. Ƣu điểm chủ yếu

của phƣơng pháp này là thay vì xây dựng hàm mục tiêu chung cho toàn bộ không
gian của tập mẫu học bằng việc đánh giá một hàm mục tiêu riêng biệt cho mỗi mẫu
cần đƣợc phân loại.
1.3.2. Giải thuật kNN
kNN là phƣơng pháp học máy dựa trên tập mẫu cơ bản nhất thƣờng đƣợc ứng
dụng. Tƣ tƣởng cơ bản của giải thuật này có thể đƣợc mô tả nhƣ sau: giả sử rằng
mỗi một thể hiện (mẫu đầu vào) tƣơng ứng với một điểm trong không gian n chiều
Rn. Những mẫu hàng xóm gần nhất của một mẫu đƣợc xác định bởi một hàm
khoảng cách đƣợc thể hiện bởi một vectơ n chiều:
(X1,X2,….Xn), trong đó Xi (  R) là một số thực [28].
Tùy theo đầu ra của mô hình là các giá trị rời rạc hay liên tục mà có thể phân
chia các bài toán áp dụng giải thuật kNN thành 2 loại: Bài toán phân loại và bài toán
dự báo.
Nhiều giải thuật lazy learning là dẫn xuất của giải thuật kNN, tức là sử dụng
hàm tính khoảng cách để đƣa ra kết quả dự báo từ những mẫu đã có. Một số nghiên
cứu cho thấy hiệu năng của giải thuật kNN có liên quan mật thiết đến hàm tính
khoảng cách [28]. Nhiều biến thể của kNN đã đƣợc đƣa ra nhằm giảm mức độ phụ
thuộc vào hàm khoảng cách bằng cách thêm vào hàm này bộ tham số đặc trƣng cho
mức độ phụ thuộc của các thuộc tính. Tuy nhiên, các phƣơng pháp này cần đƣợc
xem xét và kiểm nghiệm trong thực tế.

Đỗ Thị Tần

22

Ngành CN Vật liệu Dệt May
Khóa 2010 - 2012


Luận văn cao học

Trường Đại học Bách Khoa Hà Nội

Những phƣơng pháp đƣợc sử dụng nhằm tìm ra bộ tham số của hệ thống làm
cho hệ dự báo có 3 ƣu điểm: cần ít những thao tác tiền xử lí hơn, thể hiện tốt hơn
tƣơng quan giữa các thuộc tính và cần ít dữ liệu hơn để xây dựng một hệ dự báo
hoặc phân lớp một cách hiệu quả. Các nghiên cứu cũng chỉ ra rằng, phƣơng pháp có
trọng số cho các thuộc tính với kết quả là số thực tỏ ra hiệu quả hơn so với những
phƣơng pháp chỉ lựa chọn một số các thuộc tính đƣợc cho là cần thiết trong các mô
hình, trong khi một số thuộc tính khác vẫn ảnh hƣởng tới kết quả nhƣng ít hơn so
với các thuộc tính khác [28].
a. Trọng số của các thuộc tính:
Các phƣơng pháp có trọng số cho các thuộc tính có thể đƣợc tổ chức, phân
loại theo nhiều cách khác nhau thể hiện trên bảng 1-1 dƣới đây:
Bảng 1.1. Phân loại các phương pháp tìm kiếm bộ trọng số cho các thuộc tính
Phân loại theo số chiều (Dimensions)

Đặc tính của giá trị (Possible values)

Theo độ lệch (bias)

Tùy biến theo hiệu năng của hệ thống hoặc
cố định trƣớc (Performance or preset)

Không gian trọng số (Weight space)

Liên tục hoặc nhị phân (Continues or
binary)

Cách biểu diễn (representation)

Giữ nguyên hoặc phải thay đổi dạng biểu
diễn dữ liệu (Given or transformed)

Xác định trọng số theo độ lệch:
Các phƣơng pháp xác định trọng số theo độ lệch đƣợc chia thành 2 loại là tùy
theo biến hiệu năng của hệ thống hoặc cố định trƣớc (performance và preset hay
wrapper và filter). Phƣơng pháp có trọng số sử dụng hiệu năng của mô hình nhƣ là
một tham số cho quá trình huấn luyện nhằm tìm ra bộ tham số tối ƣu cho hệ thống
thuộc nhóm performance (hay wrapper method). Nếu phƣơng pháp không sử dụng
hiệu năng của mô hình nhƣ là tham số huấn luyện thì thuộc nhóm preset (hay filter
method).

Đỗ Thị Tần

23

Ngành CN Vật liệu Dệt May
Khóa 2010 - 2012


Luận văn cao học

Trường Đại học Bách Khoa Hà Nội

Hình 1.7. Sự khác nhau giữa 2 loại phương pháp filter và wrapper[28]
Độ lệch tùy theo biến hiệu năng (Performance bias):
Hệ thống sử dụng phƣơng pháp performance bias có ƣu điểm nổi bật so với
phƣơng pháp khác là mức độ hiệu quả của dự báo trên bộ tham số của mô hình mà
bộ tham số đó đƣợc áp dụng. Vì vậy, sẽ không xảy ra sự bất tƣơng xứng giữa bộ

trọng số tìm đƣợc với mô hình. Có thể chia các phƣơng pháp này thành 2 nhóm theo
cách mà mô hình tìm kiếm bộ tham số trong không gian các bộ tham số có thể. Đó
là tìm kiếm online và tìm tối ƣu theo từng batch.

 Online optimization: phƣơng pháp tìm kiếm bộ trọng số đƣợc áp dụng mỗi
khi có một mẫu mới đƣợc thêm vào dữ liệu học (vì thế nên gọi là online).
Các phƣơng pháp này có xu hƣớng thay đổi bộ trọng số sao cho làm giảm
khoảng cách giữa các mẫu nằm trong cùng một lớp và làm tăng khoảng
cách giữa các mẫu nằm trên khác lớp với nhau. Kết quả của giải thuật này
liên quan trực tiếp với thứ tự trong tập mẫu học đƣợc học nhƣ thế nào.
Một cách khác, với mỗi một thể hiện trong tập mẫu học cùng lớp, trọng số
đƣợc cộng thêm một lƣợng ∆:
w(f) = w(f) + ∆

(1-2)

Và với mỗi thể hiện không cùng lớp, trọng số lại giảm đi một lƣợng tƣơng tự.

 Batch optimization: Những phƣơng pháp nằm trong nhóm này tối ƣu bộ
tham số bằng cách lặp lại liên tục việc xử lý các mẫu. Một số phƣơng
pháp trong nhóm này cần đến tri thức để xây dựng một hàm dự báo nhằm

Đỗ Thị Tần

24

Ngành CN Vật liệu Dệt May
Khóa 2010 - 2012

Luận văn cao học

Trường Đại học Bách Khoa Hà Nội

tối ƣu bộ tham số trong một số pha của quá trình xử lý. Ví dụ nhƣ giải
thuật di truyền.
Độ lệch cố định trước (Preset bias):
Trong nhóm các phƣơng pháp này không dùng phản hồi của mô hình để tối
ƣu bộ tham số mà sử dụng những thông tin có sẵn trong dữ liệu học để đƣa ra bộ
tham số. Những phƣơng pháp này thƣờng dựa trên xác xuất có điều kiện của các lớp
trong bộ dữ liệu để đƣa ra cách tối ƣu bộ tham số.
Không gian trọng số (Weight space):
Cách tiếp cận này tập trung vào giá trị của trọng số đƣợc gán là liên tục hay
là nhị phân. Features selection là giải thuật gán trọng số nhị phân cho các thuộc
tính. Vì vậy, nó đƣợc đề cập nhƣ là một tập con của các phƣơng pháp mà trọng số
của các thuộc tính là số thực. Về cơ bản, sự khác nhau giữa các giải thuật feature
selection là giải thuật tìm kiếm đƣợc áp dụng trong không gian các bộ trọng số có
thể có. Các nghiên cứu gần đây sử dụng nhiều cách tìm kiếm khác nhau nhằm tìm ra
bộ trọng số áp dụng cho các phƣơng pháp lazy learning. Các giải thuật feature
selection giúp loại bỏ hoàn toàn những thuộc tính không cần thiết, nhờ đó nâng cao
đáng kể hiệu năng của mô hình.
Tóm lại, các giải thuật features selection tỏ ra rất hiệu quả nếu các thuộc tính
dùng để biểu diễn hoặc là liên kết chặt chẽ hoặc hoàn toàn không liên quan gì với
đặc tính của các lớp hay kết quả đầu ra của hệ thống. Các giải thuật features
weighting thích hợp hơn với những bài toán mà mức độ phụ thuộc của các thuộc
tính với đặc tính của các lớp là một khoảng. Tuy nhiên, những giải thuật feature
weighting có không gian các trọng số lớn hơn nhiều so với các giải thuật features
selection.
Tìm kiếm bộ trọng số theo cách biểu diễn (representation):
Các phƣơng pháp tìm bộ trọng số cho mô hình thuộc nhóm thứ ba là các

phƣơng pháp dựa vào việc tập các thuộc tính dùng để biểu diễn dữ liệu có thay đổi
hay không (chẳng hạn đƣợc thay thế bằng tập các thuộc tính khác) trƣớc khi thực
hiện các bƣớc để tìm trọng số.

Đỗ Thị Tần

25

Ngành CN Vật liệu Dệt May
Khóa 2010 - 2012