Phương pháp tính toán dựa trên từ ngôn ngữ trực cảm và ứng dụng - Luận án tiến sĩ Phạm Hồng Phong, Đại học Quốc gia Hà Nội - 2018
Luận án tiến sĩ HUS đề xuất phương pháp tính toán dựa trên ngôn ngữ trực cảm, ứng dụng hiệu quả trong phân tích dữ liệu.
Năm xuất bản
Số trang
132
Thời gian đọc
20 phút
Lượt xem
0
Lượt tải
0
Phí lưu trữ
40 Point
Tổng quan nhanh
- Chủ đề:
- Tính toán với từ ngôn ngữ trực cảm: Tổng quan
- Số trang:
- 132 trang
- Trường:
- Trường Đại học Khoa học Tự nhiên, Đại học Quốc gia Hà Nội
- Chuyên ngành:
- Cơ sở toán cho tin học
- Tác giả:
- Phạm Hồng Phong
- Năm:
- 2018
Tóm tắt nội dung luận án
I.Tính toán với từ ngôn ngữ trực cảm Tổng quan
Tài liệu này khám phá các phương pháp tính toán dựa trên từ ngôn ngữ trực cảm. Nghiên cứu tập trung vào việc xử lý thông tin không chắc chắn hoặc mơ hồ. Tính toán với từ (Computing with Words) là một hướng tiếp cận quan trọng. Phương pháp này mô phỏng khả năng suy luận của con người. Con người thường sử dụng ngôn ngữ tự nhiên để diễn đạt. Xử lý ngôn ngữ tự nhiên (NLP) đóng vai trò nền tảng. Hệ thống thông minh cần khả năng này. Tài liệu trình bày các phát triển mới. Luận án ứng dụng lý thuyết mờ và tập mờ. Mục tiêu là giải quyết các vấn đề phức tạp trong thực tế. Khía cạnh trực cảm của ngôn ngữ được khai thác.
1.1. Bối cảnh nghiên cứu và vấn đề đặt ra
Thế giới thực chứa nhiều thông tin không hoàn hảo. Dữ liệu thường mơ hồ hoặc không chắc chắn. Các mô hình toán học truyền thống gặp khó khăn. Cần một phương pháp tiếp cận linh hoạt hơn. Tính toán với từ cung cấp giải pháp. Nó cho phép máy tính làm việc với các khái niệm ngôn ngữ. Biến ngôn ngữ là công cụ trung tâm. Nhu cầu phát triển hệ thống thông minh tăng cao. Hệ thống này có thể đưa ra quyết định dựa trên ngôn ngữ. Lý thuyết mờ là xương sống cho hướng nghiên cứu này. Suy luận xấp xỉ được cải thiện đáng kể.
1.2. Mục tiêu và đóng góp chính của luận án
Mục tiêu chính là phát triển phương pháp tính toán mới. Các phương pháp này dựa trên từ ngôn ngữ trực cảm. Luận án giới thiệu các toán tử gộp thông tin tiên tiến. Chúng xử lý hiệu quả các từ trực cảm. Một đóng góp quan trọng là các độ tương tự mờ mới. Các độ tương tự này được ứng dụng vào bài toán phân lớp. Hiệu quả của các phương pháp được kiểm chứng qua thực nghiệm. Công trình này góp phần vào lĩnh vực Trí tuệ nhân tạo. Nó mở rộng khả năng của Xử lý ngôn ngữ tự nhiên (NLP). Nó cung cấp công cụ cho Học máy.
II.Lý thuyết mờ Từ ngôn ngữ Nền tảng AI
Phần này trình bày tổng quan về lý thuyết mờ. Lý thuyết mờ là cơ sở cho Tính toán với từ. Nó xử lý sự không chắc chắn và mơ hồ. Tập mờ là khái niệm cốt lõi. Khái niệm này mở rộng tập hợp cổ điển. Tập mờ cho phép các phần tử có mức độ thuộc khác nhau. Biến ngôn ngữ giúp biểu diễn các giá trị ngôn ngữ. Ví dụ: "nhiệt độ ấm", "đánh giá tốt". Khía cạnh mờ trực cảm cũng được đề cập. Nó bổ sung mức độ không thuộc và độ ngần ngại. Đây là nền tảng vững chắc cho Trí tuệ nhân tạo hiện đại.
1.1. Sơ lược về lý thuyết mờ và mờ trực cảm
Lý thuyết mờ được Zadeh giới thiệu. Nó xử lý thông tin thiếu chính xác. Tập mờ là công cụ chính. Mỗi phần tử có một hàm thuộc. Mờ trực cảm là một mở rộng. Nó cung cấp hàm thuộc và hàm không thuộc. Tổng của chúng có thể nhỏ hơn một. Phần còn lại là mức độ ngần ngại. Phương pháp này nắm bắt nhiều sắc thái hơn. Nó cải thiện khả năng mô hình hóa sự không chắc chắn. Hệ thống thông minh sử dụng khái niệm này.
1.2. Tập mờ số mờ và biến ngôn ngữ
Tập mờ biểu diễn các khái niệm không rõ ràng. Số mờ là tập mờ có dạng cụ thể. Chúng thường dùng trong tính toán. Biến ngôn ngữ là một cặp (T, U). T là một tập các từ ngôn ngữ tự nhiên. U là miền giá trị của biến. Ví dụ: biến "chiều cao" có thể có các từ "thấp", "trung bình", "cao". Các biến này là trung tâm của Tính toán với từ. Xử lý ngôn ngữ tự nhiên (NLP) thường dùng các biến này.
1.3. Các phương pháp gộp thông tin bằng từ
Gộp thông tin là quá trình tổng hợp dữ liệu. Khi dữ liệu là từ ngôn ngữ, việc gộp trở nên phức tạp. Các phương pháp gộp bao gồm gộp dựa trên thứ tự. Gộp dựa trên nguyên lý suy rộng cũng được áp dụng. Gộp dựa trên chỉ số của các từ là một kỹ thuật khác. Gộp dựa trên biểu diễn theo cặp ngôn ngữ cũng được nghiên cứu. Mục tiêu là tạo ra một kết quả thống nhất. Kết quả này phản ánh tổng thể các từ đầu vào. Suy luận xấp xỉ cần các toán tử gộp này.
III.Gộp từ trực cảm Phát triển Tính toán với từ
Phần này tập trung vào các khái niệm mới. Nó giới thiệu từ trực cảm. Các phép toán cơ bản cho từ trực cảm được xây dựng. Phát triển các toán tử gộp là trọng tâm. Các toán tử này xử lý thông tin ngôn ngữ có yếu tố trực cảm. Mục tiêu là nâng cao khả năng của Tính toán với từ. Nó cho phép mô hình hóa các đánh giá chủ quan phức tạp hơn. Các phương pháp mới giúp tăng cường độ chính xác. Ứng dụng vào ra quyết định được khám phá. Đây là một bước tiến quan trọng trong Xử lý ngôn ngữ tự nhiên.
1.1. Tập từ trực cảm và các phép toán cơ bản
Tập từ trực cảm là một khái niệm mới. Nó kết hợp tính chất của tập mờ trực cảm. Các từ ngôn ngữ được gán mức độ thuộc và không thuộc. Nó biểu diễn sự đánh giá cảm tính. Các phép toán cơ bản được định nghĩa. Ví dụ: hợp, giao, phần bù. Các phép toán này cho phép xử lý logic. Chúng tạo nền tảng cho các toán tử gộp phức tạp. Việc hiểu rõ cấu trúc này rất quan trọng. Nó giúp xây dựng các hệ thống thông minh hiệu quả.
1.2. Các toán tử gộp cho từ trực cảm mở rộng
Nhiều toán tử gộp được đề xuất. Các toán tử này bao gồm giá trị lớn nhất/nhỏ nhất. Trung vị của các từ trực cảm cũng được tính toán. Tổ hợp lồi là một phương pháp khác. Các toán tử OWA (Ordered Weighted Averaging) được mở rộng. Các toán tử này kết hợp nhiều đánh giá ngôn ngữ. Chúng tạo ra một giá trị tổng hợp duy nhất. Các toán tử gộp này xử lý mức độ không chắc chắn. Chúng cung cấp khả năng suy luận xấp xỉ mạnh mẽ.
1.3. Ứng dụng toán tử gộp vào ra quyết định
Các toán tử gộp có ứng dụng thực tiễn. Chúng được sử dụng trong bài toán ra quyết định. Thông tin đầu vào thường là các đánh giá bằng từ. Ví dụ: "rất tốt", "khá kém". Các toán tử gộp tổng hợp các đánh giá này. Chúng cung cấp một kết quả tổng thể. Kết quả này giúp đưa ra quyết định tối ưu. Phương pháp này nâng cao hiệu quả của hệ thống thông minh. Nó xử lý thông tin phức tạp từ ngôn ngữ tự nhiên. Học máy có thể tích hợp các phương pháp này.
IV.Độ tương tự mờ Phân lớp dữ liệu Ứng dụng Học máy
Chương này khám phá các độ tương tự mờ mới. Chúng được sử dụng để so sánh các thông tin ngôn ngữ. Các khái niệm độ tương tự từ và véc-tơ từ được phát triển. Đặc biệt, độ tương tự giá trị mờ trực cảm được giới thiệu. Các phương pháp này có ứng dụng quan trọng. Chúng giúp giải quyết bài toán phân lớp thông tin. Việc phân lớp là cốt lõi của Học máy. Nâng cao độ chính xác của phân lớp là mục tiêu chính. Các ứng dụng thực tế được minh chứng qua các bộ dữ liệu chuẩn. Xử lý ngôn ngữ tự nhiên được hưởng lợi từ các kỹ thuật này.
1.1. Độ tương tự từ và độ tương tự véc tơ từ
Độ tương tự từ đo lường sự giống nhau giữa hai từ. Các từ này thường là các biến ngôn ngữ. Phương pháp này định lượng mức độ gần gũi về ý nghĩa. Độ tương tự véc-tơ từ mở rộng khái niệm này. Nó so sánh các tập hợp từ hoặc câu. Các véc-tơ được tạo từ biểu diễn ngôn ngữ. Khoảng cách hoặc góc giữa các véc-tơ xác định độ tương tự. Các kỹ thuật này cần thiết cho Xử lý ngôn ngữ tự nhiên (NLP). Chúng hỗ trợ các thuật toán Học máy.
1.2. Độ tương tự mờ trực cảm ứng dụng phân lớp
Độ tương tự giá trị mờ trực cảm là một khái niệm tiên tiến. Nó xem xét các mức độ thuộc, không thuộc và ngần ngại. Điều này cung cấp một thước đo tương tự toàn diện hơn. Độ tương tự véc-tơ mờ trực cảm cũng được phát triển. Các phương pháp này được áp dụng vào bài toán phân lớp. Phân lớp dữ liệu là một tác vụ quan trọng trong Trí tuệ nhân tạo. Nó giúp máy tính nhóm các đối tượng có đặc điểm tương tự. Logic mờ cung cấp khung lý thuyết.
1.3. Thực nghiệm và đánh giá hiệu quả trên bộ dữ liệu
Luận án tiến hành các thực nghiệm chi tiết. Các bộ dữ liệu chuẩn như Car Evaluation, Mushroom, Iris được sử dụng. Các kết quả thực nghiệm chứng minh hiệu quả. Các phương pháp đề xuất vượt trội so với các phương pháp truyền thống. Độ chính xác của phân lớp được cải thiện. Khả năng xử lý thông tin mờ và trực cảm được xác nhận. Các thử nghiệm này khẳng định giá trị thực tiễn. Chúng mở ra hướng ứng dụng mới cho Học máy và hệ thống thông minh.
V.Kết luận Kiến nghị Hệ thống thông minh tương lai
Luận án đã đóng góp vào lĩnh vực Tính toán với từ. Nó đặc biệt tập trung vào ngôn ngữ trực cảm. Các phương pháp mới đã được phát triển. Khái niệm từ trực cảm được giới thiệu. Nhiều toán tử gộp thông tin đã được xây dựng. Các độ tương tự mờ tiên tiến cũng được đề xuất. Các ứng dụng trong bài toán ra quyết định và phân lớp được chứng minh. Kết quả thực nghiệm khẳng định hiệu quả của các phương pháp. Công trình này mở ra nhiều hướng nghiên cứu tiềm năng. Nó thúc đẩy sự phát triển của Trí tuệ nhân tạo.
1.1. Tổng kết những đóng góp chính của công trình
Luận án đã thành công trong việc tạo ra các phương pháp mới. Các phương pháp này dựa trên từ ngôn ngữ trực cảm. Nó đã định nghĩa tập từ trực cảm. Các phép toán cơ bản cho chúng được thiết lập. Công trình xây dựng các toán tử gộp tiên tiến. Các toán tử này bao gồm cả OWA mở rộng. Nhiều độ tương tự mờ trực cảm được giới thiệu. Các phương pháp này được ứng dụng hiệu quả. Chúng giải quyết các vấn đề trong Học máy và Xử lý ngôn ngữ tự nhiên.
1.2. Hướng nghiên cứu và phát triển tiềm năng
Có nhiều hướng để phát triển công trình này. Cần nghiên cứu thêm về các ứng dụng thực tế. Ví dụ: hệ thống hỗ trợ ra quyết định phức tạp. Mở rộng lý thuyết mờ trực cảm sang các dạng khác. Tích hợp các phương pháp này với mạng nơ-ron. Khai thác sâu hơn vào Xử lý ngôn ngữ tự nhiên (NLP) tiên tiến. Áp dụng vào các lĩnh vực như y tế, tài chính. Mục tiêu là xây dựng các hệ thống thông minh hơn. Các hệ thống này có khả năng suy luận xấp xỉ cao.
Mục lục chi tiết luận án
Tải xuống file đầy đủ để xem toàn bộ nội dung
Tải đầy đủ (132 trang)Trích đoạn nội dung luận án
Tải xuống để đọc toàn bộĐẠI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC KHOA HỌC TỰ NHIÊN Phạm Hồng Phong MỘT SỐ PHƯƠNG PHÁP TÍNH TOÁN DỰA TRÊN TỪ NGÔN NGỮ TRỰC CẢM VÀ ỨNG DỤNG LUẬN ÁN TIẾN SĨ TOÁN HỌC Hà Nội - 2018 LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com ĐẠI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC KHOA HỌC TỰ NHIÊN Phạm Hồng Phong MỘT SỐ PHƯƠNG PHÁP TÍNH TOÁN DỰA TRÊN TỪ NGÔN NGỮ TRỰC CẢM VÀ ỨNG DỤNG Chuyên ngành: Cơ sở Toán cho Tin học Mã số: 62.10 LUẬN ÁN TIẾN SĨ TOÁN HỌC Tập thể hướng dẫn khoa học: PGS. Bùi Công Cường PGS. Đỗ Trung Tuấn Hà Nội - 2018 LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com LỜI CAM ĐOAN Tôi xin cam đoan những kết quả trình bày trong luận án này là mới, trung thực và chưa từng được công bố trong bất kỳ công trình của ai khác. Những kết quả viết chung với các tác giả khác đã được sự đồng ý khi đưa vào luận án.
Nghiên cứu sinh Phạm Hồng Phong i LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com LỜI CẢM ƠN Luận án được hoàn thành tại Trường Đại học Khoa học Tự nhiên - Đại học Quốc gia Hà Nội, dưới dự hướng dẫn của PGS. Bùi Công Cường và PGS. Tôi xin bày tỏ lòng biết ơn sâu sắc tới Thầy Bùi Công Cường, người đã định hướng, giúp đỡ tận tình, tỉ mỉ trong suốt thời gian học tập và hoàn thành luận án. Tôi xin gửi lời cảm ơn chân thành đến Thầy Đỗ Trung Tuấn, người đã tận tâm hỗ trợ học trò về mọi mặt trong suốt 6 năm làm nghiên cứu sinh, từ những ngày bắt đầu có tới những thủ tục bảo vệ cuối cùng.
Học trò chân thành cảm ơn GS. Phạm Thế Long, PGS. Đặng Văn Chuyết, PGS. Lê Bá Long, PGS.
Nguyễn Hà Nam, TS. Nguyễn Thị Minh Huyền, TS. Đỗ Thanh Hà, TS. Vũ Như Lân, PGS.
Trần Đình Khang, PGS. Ngô Thành Long, PGS. Nguyễn Hữu Điển, TS. Nguyễn Hải Vinh và rất nhiều Thầy Cô khác về những đóng góp quý báu trong quá trình nghiên cứu cũng như hoàn thiện luận án.
Nghiên cứu sinh xin chân thành gửi lời cảm ơn đến Ban Giám hiệu, Phòng Sau đại học, lãnh đạo Khoa Toán - Cơ - Tin học, các Thầy Cô Bộ môn Tin học Trường Đại học Khoa học Tự nhiên - Đại học Quốc gia Hà Nội đã tạo điều kiện thuận lợi nhất để nghiên cứu sinh hoàn thành chương trình học tập và luận án. Tôi xin cảm ơn Ban Giám hiệu, Khoa Công nghệ Thông tin, Bộ môn Toán học Trường Đại học Xây dựng nơi tôi công tác và các bạn bè, đồng nghiệp đã luôn tạo điều kiện, động viên, khuyến khích và hỗ trợ tối đa để tôi có thể hoàn thành chương trình học tập cũng như luận án này. Tôi xin cảm ơn riêng PGS. Lê Hoàng Sơn, người bạn thân thiết, đã đồng hành cùng tôi trên con đường nghiên cứu tại những thời điểm khó khăn nhất.
Cuối cùng, xin cảm ơn Gia đình đã luôn đồng hành, thường xuyên động viên tôi trong công việc, học tập và nghiên cứu. ii LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com Hà Nội, tháng 05 năm 2018 Nghiên cứu sinh Phạm Hồng Phong iii LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com MỤC LỤC Trang Lời cam đoan i Lời cảm ơn ii Mục lục iv Danh sách hình vẽ vi Danh sách bảng vii Danh mục ký hiệu và chữ viết tắt xi Mở đầu 1 Chương 1. Tổng quan về lý thuyết mờ và tính toán với từ 7 1.1 Sơ lược về lý thuyết mờ và mờ trực cảm .1 Tập mờ, số mờ và biến ngôn ngữ .2 Tập mờ trực cảm và giá trị mờ trực cảm .2 Toán tử gộp thông tin cho bằng từ .1 Gộp dựa trên thứ tự giữa các từ .2 Gộp dựa trên Nguyên lý Suy rộng .3 Gộp dựa trên chỉ số của các từ .4 Gộp dựa trên biểu diễn theo cặp ngôn ngữ .5 Gộp các từ với chỉ số liên tục .6 Gộp thông tin cho bằng từ có yếu tố trực cảm .7 Ra quyết định với thông tin cho bằng từ .3 Phân lớp dựa trên độ tương tự mờ .1 Phân lớp dữ liệu .2 Độ tương tự mờ .3 Độ tương tự mờ trực cảm .4 Kết luận chương. 36 iv LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com Chương 2.
Từ trực cảm và gộp các từ trực cảm 37 2.1 Tập từ trực cảm và một số phép toán cơ bản .2 Toán tử gộp các từ trực cảm .1 Giá trị lớn nhất và giá trị nhỏ nhất của các từ trực cảm .2 Trung vị của các từ trực cảm .3 Tổ hợp lồi của các từ trực cảm .4 Toán tử OWA cho các từ trực cảm .5 Các toán tử gộp cho các từ trực cảm mở rộng .6 Ứng dụng các toán tử gộp cho từ trực cảm vào bài toán ra quyết định .3 So sánh từ trực cảm với giá trị ngôn ngữ trực cảm và số ngôn ngữ trực cảm .1 So sánh trên phương diện lý thuyết .2 So sánh trên phương diện thực hành .4 Kết luận chương. Một số độ tương tự và ứng dụng vào bài toán phân lớp thông tin 73 3.1 Độ tương tự từ, độ tương tự véc-tơ từ và ứng dụng .1 Độ tương tự từ .2 Độ tương tự véc-tơ từ .3 Ứng dụng cho bài toán phân lớp với thông tin cho bằng từ .2 Độ tương tự giá trị mờ trực cảm, độ tương tự véc-tơ mờ trực cảm và ứng dụng .1 Độ tương tự giá trị mờ trực cảm .2 Độ tương tự véc-tơ mờ trực cảm .3 Ứng dụng cho bài toán phân lớp .1 Thực nghiệm với bộ dữ liệu Car Evaluation .2 Thực nghiệm với bộ dữ liệu Mushroom .3 Thực nghiệm với bộ dữ liệu Iris .4 Kết luận chương. 102 Kết luận và kiến nghị 108 Danh mục công trình khoa học của tác giả liên quan đến luận án 111 Tài liệu tham khảo 112 v LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com Danh sách hình vẽ 1.1 Biến ngôn ngữ “Heịght” .2 Tập từ mở rộng .3 Các bước của bài toán ra quyết định tập thể .4 CW trong bài toán ra quyết đinh tập thể .1 So sánh thời gian thực thi (giây) các Quy trình 1. Trục hoành thể hiện số phương án (đồng thời là số chuyên gia), trục tung thể hiện thời gian tính toán (tính bằng giây) .2 So sánh thời gian thực thi (giây) các Quy trình 1.
Trục hoành thể hiện số phương án (cũng là số tiêu chí, số chuyên gia), trục tung thể hiện thời gian tính toán (tính bằng giây) .1 So sánh thuật toán LCA với các thuật toán NFS, RBFNN và ANFIS trên bộ dữ liệu Car Evaluation. Trục tung thể hiện giá trị của các chỉ số recall, fp-rate, precision và f-measure (lấy trung bình trên các lớp) với đơn vị là phần trăm (%) .2 So sánh thuật toán LCA với các thuật toán NFS, RBFNN và ANFIS trên bộ dữ liệu Mushroom. Trục tung thể hiện giá trị của các chỉ số recall, fp-rate, precision và f-measure (lấy trung bình trên các lớp) với đơn vị là phần trăm (%) .3 So sánh các thuật toán LCA và IFVSM với các thuật toán NFS, RBFNN và ANFIS trên bộ dữ liệu Iris. Trục tung thể hiện giá trị của các chỉ số recall, fp-rate, precision và f-measure (lấy trung bình trên các lớp) với đơn vị là phần trăm (%).
101 vi LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com Danh sách bảng 1.1 Ma trận quyết định R1 .2 Ma trận quyết định R2 .3 Ma trận quyết định R3 .4 αik nằm ở hàng i, cột k là đánh giá tổng hợp của chuyên gia dk về phương án xi (i = 1, 2, 3, 4; k = 1, 2, 3) .1 Ma trận quyết định P̃1 .2 Ma trận quyết định P̃2 .4 Ma trận quyết định R̃1 .5 Ma trận quyết định R̃2 .6 Ma trận quyết định R̃3 .7 Đánh giá tổng hợp α̃ik về phương án xi cho bởi chuyên gia dk (i = 1, 2, 3, 4; k = 1, 2, 3) .8 So sánh thời gian thực thi (giây) các Quy trình 1.9 So sánh thời gian thực thi (giây) các Quy trình 1.1 Bộ dữ liệu Car Evaluation .2 Ví dụ cho thuật toán LCA .3 Ví dụ cho thuật toán IFVSM .4 Gán nhãn cho dữ liệu Car Evaluation .5 So sánh thuật toán LCA với các thuật toán NFS, RBFNN và ANFIS trên bộ dữ liệu Car Evaluation .6 So sánh chi tiết thuật toán LCA với các thuật toán NFS, RBFNN và ANFIS trên bộ dữ liệu Car Evaluation (%) .7 Bộ dữ liệu Mushroom. 105 vii LUAN VAN CHAT LUONG download : add luanvanchat@agmail.8 So sánh thuật toán LCA với các thuật toán NFS, RBFNN và ANFIS trên bộ dữ liệu Mushroom .9 So sánh chi tiết thuật toán LCA với các thuật toán NFS, RBFNN và ANFIS trên bộ dữ liệu Mushroom (%) .10 So sánh các thuật toán LCA và IFVSM với các thuật toán NFS, RBFNN và ANFIS trên bộ dữ liệu Iris .11 So sánh chi tiết các thuật toán LCA và IFVSM với các thuật toán NFS, RBFNN và ANFIS trên bộ dữ liệu Iris (%). 107 viii LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com Danh sách ký hiệu và chữ viết tắt Ký hiệu hoặc chữ viết tắt Ý nghĩa app1 Phép xấp xỉ một số mờ bởi một từ app2 Phép xấp xỉ một số thực bởi một số nguyên C, C2 Tổ hợp lồi của hai từ Cn Tổ hợp lồi của n từ C, C2 Tổ hợp lồi của hai ILL Cn Tổ hợp lồi của n ILL CW Tính toán với từ ∆ Hàm chuyển kết quả gộp chỉ số thành cặp ngôn ngữ ∆ −1 Hàm ngược của hàm ∆ ¯ ∆ Ánh xạ từ tập các ILV (Π) sang tập các ILL (S̄) F (X) Họ tất cả các tập mờ trên X h Điểm (của giá trị mờ trực cảm, từ trực cảm hoặc số ngôn ngữ trực cảm, tùy trường hợp) H Độ chắc chắn (của giá trị mờ trực cảm, từ trực cảm hoặc số ngôn ngữ trực cảm, tùy trường hợp) IF ( X ) Họ tất cả các tập mờ trực cảm trên X IFM Ma trận mờ trực cảm IFv Giá trị mờ trực cảm IFV Véc-tơ mờ trực cảm IFVSM Thuật toán phân lớp dựa trên độ tương tự véc-tơ mờ trực cảm ILL Từ trực cảm ILL − AA Trung bình số học cho các ILL ILL − HA Toán tử gộp lai cho cho các ILL ILL − MED Trung vị của các ILL ILL − OWA1 Toán tử OWA cho các ILL trong S ix LUAN VAN CHAT LUONG download : add luanvanchat@agmail.
Nội dung được bảo vệ bản quyền — Tải xuống đầy đủ
Trích dẫn luận án này
Phạm Hồng Phong (2018). Phương pháp tính toán dựa trên từ ngôn ngữ trực cảm và ứng dụng [Luận án tiến sĩ, Trường Đại học Khoa học Tự nhiên - Đại học Quốc gia Hà Nội]. LuanAn.net. https://luanan.net/cong-nghe-thong-tin/he-thong-thong-tin/phuong-phap-tinh-toan-dua-tren-tu-ngon-ngu-truc-cam-va-ung-dung
Câu hỏi thường gặp
Luận án "Phương pháp tính toán dựa trên từ ngôn ngữ trực cảm và ứng dụng" nghiên cứu về vấn đề gì?
Luận án tiến sĩ HUS đề xuất phương pháp tính toán dựa trên ngôn ngữ trực cảm, ứng dụng hiệu quả trong phân tích dữ liệu.
Luận án "Phương pháp tính toán dựa trên từ ngôn ngữ trực cảm và ứng dụng" được bảo vệ tại trường nào?
Luận án này được bảo vệ tại Trường Đại học Khoa học Tự nhiên - Đại học Quốc gia Hà Nội. Năm bảo vệ: 2018.
Luận án "Phương pháp tính toán dựa trên từ ngôn ngữ trực cảm và ứng dụng" thuộc chuyên ngành gì?
Luận án "Phương pháp tính toán dựa trên từ ngôn ngữ trực cảm và ứng dụng" thuộc chuyên ngành Cơ sở Toán cho Tin học. Danh mục: Hệ Thống Thông Tin.
Luận án "Phương pháp tính toán dựa trên từ ngôn ngữ trực cảm và ứng dụng" có bao nhiêu trang?
Luận án "Phương pháp tính toán dựa trên từ ngôn ngữ trực cảm và ứng dụng" có 132 trang. Bạn có thể xem trước một phần tài liệu ngay trên trang web trước khi tải về.
Cách tải luận án "Phương pháp tính toán dựa trên từ ngôn ngữ trực cảm và ứng dụng" về máy như thế nào?
Để tải luận án về máy, bạn nhấn nút "Tải xuống ngay" trên trang này, sau đó hoàn tất thanh toán phí lưu trữ. File sẽ được tải xuống ngay sau khi thanh toán thành công. Hỗ trợ qua Zalo: 0559 297 239.