Luận án tiến sĩ: Hệ học chuyển giao mờ phức với cấu trúc đồ thị có hướng
Luận án tiến sĩ đề xuất hệ học chuyển giao mờ phức dựa trên lấy mẫu không gian con và đồ thị có hướng. Cải thiện hiệu suất suy diễn mờ phức trong học máy.
Khoa học Máy tính
Luan An
Luận án tiến sĩ
Năm xuất bản
Số trang
158
Thời gian đọc
24 phút
Lượt xem
3
Lượt tải
0
Phí lưu trữ
50 Point
Mục lục chi tiết
Tóm tắt nội dung
I. Hệ học chuyển giao mờ phức Tổng quan
Hệ học chuyển giao mờ phức là phương pháp tiên tiến trong lĩnh vực khoa học máy tính. Công nghệ này kết hợp logic mờ với transfer learning. Mục tiêu chính là tối ưu hóa quá trình học máy. Phương pháp sử dụng kiến thức từ miền nguồn để cải thiện hiệu suất miền đích. Tập mờ phức mở rộng khả năng biểu diễn thông tin. Logic mờ xử lý tính không chắc chắn trong dữ liệu. Transfer learning giảm thời gian huấn luyện mô hình. Kỹ thuật lấy mẫu không gian con tối ưu hóa dữ liệu đầu vào. Cấu trúc đồ thị có hướng tổ chức luật mờ hiệu quả. Hệ thống này áp dụng rộng rãi trong dự báo và phân loại.
1.1. Khái niệm tập mờ phức và ứng dụng
Tập mờ phức là mở rộng của tập mờ truyền thống. Hàm thuộc sử dụng số phức thay vì số thực. Biên độ thể hiện mức độ thuộc về tập hợp. Pha biểu diễn thông tin định kỳ hoặc chu kỳ. Complex fuzzy sets xử lý dữ liệu đa chiều phức tạp. Phương pháp này vượt trội trong bài toán dự báo chuỗi thời gian. Ứng dụng trong nhận dạng mẫu và xử lý tín hiệu. Fuzzy logic kết hợp với số phức tăng độ chính xác. Công nghệ phù hợp với dữ liệu có tính chu kỳ.
1.2. Nguyên lý học chuyển giao cơ bản
Học chuyển giao tận dụng tri thức từ bài toán đã giải quyết. Transfer learning giảm nhu cầu dữ liệu huấn luyện lớn. Miền nguồn cung cấp mô hình và tham số ban đầu. Miền đích điều chỉnh mô hình theo đặc thù riêng. Kỹ thuật này tiết kiệm tài nguyên tính toán đáng kể. Phương pháp hiệu quả khi dữ liệu miền đích hạn chế. Hệ học chuyển giao mờ phức kế thừa ưu điểm này. Quá trình thích nghi luật mờ tự động hóa.
1.3. Vai trò lấy mẫu không gian con
Lấy mẫu không gian con chọn dữ liệu đại diện từ tập lớn. Subspace sampling giảm chiều dữ liệu hiệu quả. Kỹ thuật loại bỏ thông tin dư thừa và nhiễu. Phương pháp bảo toàn đặc trưng quan trọng của dữ liệu. Quá trình tăng tốc độ xử lý và học máy. Lấy mẫu thông minh cải thiện độ chính xác dự đoán. Công nghệ kết hợp với fuzzy logic tạo hệ thống mạnh mẽ. Ứng dụng trong xử lý dữ liệu lớn và phức tạp.
II. Mô hình học chuyển giao mờ phức tiên tiến
Mô hình học chuyển giao mờ phức dựa trên nhiều thành phần. Hệ thống chỉnh sửa tập mờ phức từ miền nguồn. Quá trình lựa chọn tập con dữ liệu quan trọng. Thích nghi luật mờ phức theo miền đích. Kết hợp cơ sở luật tạo hệ thống hoàn chỉnh. Complex fuzzy sets biểu diễn tri thức chính xác. Transfer learning tối ưu hóa quá trình học. Cấu trúc đồ thị tổ chức luật mờ logic. Phương pháp giảm độ phức tạp tính toán. Hệ thống tự động hóa cao và linh hoạt.
2.1. Chỉnh sửa tập mờ phức miền nguồn
Tập mờ phức miền nguồn cần điều chỉnh cho miền đích. Quá trình phân tích đặc trưng dữ liệu hai miền. Hàm thuộc số phức được tái cấu trúc. Biên độ và pha điều chỉnh theo phân bố mới. Phương pháp bảo toàn cấu trúc tri thức gốc. Kỹ thuật tối ưu hóa tham số tự động. Logic mờ đảm bảo tính mượt mà của chuyển đổi. Quá trình này nền tảng cho học chuyển giao hiệu quả.
2.2. Lựa chọn tập con dữ liệu tối ưu
Lựa chọn dữ liệu đại diện từ miền nguồn và đích. Subspace sampling áp dụng tiêu chí thống kê. Phương pháp đánh giá mức độ tương đồng dữ liệu. Kỹ thuật loại bỏ mẫu nhiễu và ngoại lai. Tập con được chọn tối đa hóa thông tin. Quá trình giảm kích thước dữ liệu huấn luyện. Fuzzy logic hỗ trợ quyết định lựa chọn. Công nghệ tăng hiệu suất học máy đáng kể.
2.3. Thích nghi và kết hợp luật mờ
Luật mờ phức từ miền nguồn được thích nghi. Quá trình điều chỉnh tiền đề và kết luận luật. Hệ học chuyển giao cập nhật tham số tự động. Kỹ thuật kết hợp luật từ nhiều nguồn khác nhau. Cơ sở luật mờ phức được tối ưu hóa. Phương pháp giải quyết xung đột giữa luật. Complex fuzzy sets đảm bảo tính nhất quán. Hệ thống cuối cùng mạnh mẽ và chính xác.
III. Cấu trúc CFRG trong hệ học chuyển giao
Cấu trúc CFRG là đồ thị có hướng biểu diễn luật mờ phức. Complex Fuzzy Rule Graph tổ chức tri thức hiệu quả. Đỉnh đồ thị đại diện cho biến và giá trị mờ. Cạnh thể hiện mối quan hệ giữa các biến. Cấu trúc này hỗ trợ các thao tác nhanh chóng. Thêm, xóa, sửa luật thực hiện đơn giản. Duyệt và tìm kiếm luật tối ưu về thời gian. Suy diễn mờ phức trên CFRG hiệu quả cao. Transfer learning tận dụng cấu trúc này. Hệ thống mở rộng và bảo trì dễ dàng.
3.1. Thuật toán thao tác trên CFRG
Thuật toán thêm luật mở rộng đồ thị động. Thao tác xóa luật loại bỏ nút và cạnh liên quan. Sửa luật cập nhật thông tin không thay đổi cấu trúc. Duyệt CFRG sử dụng thuật toán đồ thị chuẩn. Tìm kiếm luật áp dụng chiến lược tối ưu. Fuzzy logic đảm bảo tính toàn vẹn dữ liệu. Các thuật toán có độ phức tạp thấp. Cấu trúc đồ thị tăng tốc độ xử lý.
3.2. Suy diễn mờ phức trên CFRG
Suy diễn sử dụng cấu trúc đồ thị có hướng. Quá trình lan truyền thông tin qua các cạnh. Complex fuzzy sets xử lý tại mỗi nút. Phương pháp kết hợp kết quả từ nhiều đường. Logic mờ giải quyết mâu thuẫn thông tin. Thuật toán tối ưu hóa thời gian tính toán. Hệ học chuyển giao tận dụng cấu trúc này. Độ chính xác dự đoán được cải thiện.
3.3. Tách và trộn cấu trúc CFRG
Tách CFRG con từ đồ thị cha hỗ trợ module hóa. Phương pháp chọn tập luật liên quan đến miền cụ thể. Trộn CFRG kết hợp tri thức từ nhiều nguồn. Thuật toán xử lý xung đột luật tự động. Subspace sampling chọn luật đại diện tối ưu. Cấu trúc mới bảo toàn thông tin quan trọng. Transfer learning hiệu quả với thao tác này. Hệ thống linh hoạt và mở rộng dễ dàng.
IV. Kỹ thuật lấy mẫu không gian con nâng cao
Kỹ thuật lấy mẫu không gian con tối ưu hóa dữ liệu đầu vào. Subspace sampling giảm chiều dữ liệu hiệu quả. Phương pháp chọn đặc trưng quan trọng nhất. Loại bỏ thông tin dư thừa và nhiễu. Kỹ thuật bảo toàn cấu trúc dữ liệu gốc. Lấy mẫu thông minh tăng tốc độ học. Fuzzy logic hỗ trợ quyết định lựa chọn mẫu. Complex fuzzy sets biểu diễn không gian con. Transfer learning kết hợp với lấy mẫu mạnh mẽ. Hệ thống xử lý dữ liệu lớn hiệu quả.
4.1. Phương pháp chọn không gian con
Chọn không gian con dựa trên phân tích thống kê. Đánh giá độ quan trọng của từng chiều dữ liệu. Kỹ thuật PCA và SVD áp dụng phổ biến. Phương pháp fuzzy clustering hỗ trợ phân nhóm. Logic mờ xử lý ranh giới không rõ ràng. Tiêu chí chọn lựa tối đa hóa phương sai. Subspace sampling giảm kích thước đáng kể. Độ chính xác dự đoán được duy trì.
4.2. Tối ưu hóa quá trình lấy mẫu
Tối ưu hóa sử dụng thuật toán tiến hóa. Genetic algorithm tìm tập mẫu tốt nhất. Hàm mục tiêu cân bằng kích thước và chất lượng. Kỹ thuật cross-validation đánh giá hiệu suất. Complex fuzzy sets biểu diễn không gian tìm kiếm. Phương pháp hội tụ nhanh đến giải pháp tối ưu. Transfer learning kết hợp tri thức từ miền nguồn. Quá trình lấy mẫu tự động và thích nghi.
4.3. Ứng dụng trong học chuyển giao
Lấy mẫu không gian con hỗ trợ transfer learning. Chọn dữ liệu đại diện từ miền nguồn và đích. Kỹ thuật giảm chi phí tính toán đáng kể. Phương pháp tăng tốc độ học máy. Subspace sampling cải thiện khả năng tổng quát hóa. Fuzzy logic xử lý sự khác biệt giữa các miền. Hệ học chuyển giao mờ phức hiệu quả hơn. Ứng dụng rộng rãi trong thực tế.
V. Thực nghiệm hệ học chuyển giao mờ phức
Thực nghiệm đánh giá hiệu suất hệ thống đề xuất. Bộ dữ liệu chuẩn được sử dụng kiểm tra. Tiền xử lý dữ liệu chuẩn hóa và làm sạch. Môi trường thực nghiệm đảm bảo tính khách quan. Các độ đo ánh giá bao gồm độ chính xác và thời gian. So sánh với các phương pháp hiện đại khác. Kết quả cho thấy ưu việt của mô hình đề xuất. Hệ học chuyển giao mờ phức vượt trội. Complex fuzzy sets và CFRG mang lại hiệu quả cao. Transfer learning kết hợp subspace sampling tối ưu.
5.1. Thiết kế kịch bản thực nghiệm
Kịch bản thực nghiệm được thiết kế cẩn thận. Nhiều bộ dữ liệu khác nhau được sử dụng. Phân chia dữ liệu huấn luyện và kiểm tra chuẩn. Các tham số hệ thống được tinh chỉnh tối ưu. Fuzzy logic và complex fuzzy sets cấu hình phù hợp. Transfer learning áp dụng với nhiều tỷ lệ dữ liệu. Subspace sampling thay đổi số chiều khác nhau. Thực nghiệm lặp lại nhiều lần đảm bảo tin cậy.
5.2. Kết quả và phân tích hiệu suất
Kết quả thực nghiệm cho thấy cải thiện rõ rệt. Độ chính xác tăng so với phương pháp truyền thống. Thời gian tính toán giảm đáng kể. Hệ học chuyển giao mờ phức ổn định. CFRG tối ưu hóa quá trình suy diễn. Subspace sampling giảm kích thước dữ liệu hiệu quả. Complex fuzzy sets xử lý thông tin phức tạp tốt. Phương pháp phù hợp với nhiều bài toán khác nhau.
5.3. So sánh với các phương pháp khác
So sánh với hệ mờ truyền thống và deep learning. Phương pháp đề xuất vượt trội trong nhiều trường hợp. Transfer learning giảm nhu cầu dữ liệu huấn luyện. Fuzzy logic xử lý tính không chắc chắn tốt hơn. Complex fuzzy sets biểu diễn thông tin phong phú hơn. CFRG tăng tốc độ xử lý so với cấu trúc khác. Subspace sampling cải thiện hiệu suất tổng thể. Hệ thống đề xuất cân bằng tốt độ chính xác và tốc độ.
VI. Ứng dụng và hướng phát triển tương lai
Hệ học chuyển giao mờ phức ứng dụng đa dạng. Dự báo chuỗi thời gian tài chính hiệu quả. Phân loại và nhận dạng mẫu chính xác cao. Xử lý dữ liệu lớn và phức tạp nhanh chóng. Transfer learning giảm chi phí phát triển hệ thống mới. Complex fuzzy sets xử lý thông tin đa chiều. Subspace sampling tối ưu hóa tài nguyên tính toán. Cấu trúc CFRG dễ bảo trì và mở rộng. Hướng phát triển tích hợp deep learning. Nghiên cứu mở rộng sang lĩnh vực mới.
6.1. Ứng dụng trong dự báo tài chính
Dự báo giá cổ phiếu sử dụng hệ mờ phức. Transfer learning tận dụng dữ liệu lịch sử thị trường. Complex fuzzy sets biểu diễn xu hướng chu kỳ. Logic mờ xử lý tính không chắc chắn thị trường. Subspace sampling chọn chỉ số tài chính quan trọng. CFRG tổ chức luật dự báo hiệu quả. Phương pháp cải thiện độ chính xác dự đoán. Hệ thống hỗ trợ quyết định đầu tư.
6.2. Phân loại và nhận dạng mẫu
Nhận dạng hình ảnh và xử lý ngôn ngữ tự nhiên. Fuzzy logic xử lý ranh giới lớp không rõ ràng. Transfer learning giảm dữ liệu gán nhãn cần thiết. Complex fuzzy sets biểu diễn đặc trưng phức tạp. Subspace sampling giảm chiều không gian đặc trưng. CFRG tăng tốc độ phân loại. Hệ học chuyển giao thích nghi nhanh miền mới. Ứng dụng trong y tế và an ninh.
6.3. Hướng nghiên cứu và cải tiến
Tích hợp deep learning với fuzzy logic. Nghiên cứu transfer learning đa miền đồng thời. Phát triển thuật toán lấy mẫu thông minh hơn. Mở rộng cấu trúc CFRG cho dữ liệu streaming. Tối ưu hóa complex fuzzy sets với học tăng cường. Áp dụng vào Internet of Things và Edge Computing. Nghiên cứu giải thích được của hệ mờ phức. Phát triển công cụ hỗ trợ triển khai thực tế.
Tải xuống file đầy đủ để xem toàn bộ nội dung
Tải đầy đủ (158 trang)Trích đoạn nội dung luận án
Tải xuống để đọc toàn bộBỘ GIÁO DỤC VIỆN HÀN LÂM KHOA HỌC VÀ ĐÀO TẠO VÀ CÔNG NGHỆ VIỆT NAM HÞC VIÞN KHOA HÞC VÀ CÔNG NGHÞ Trißu Thu H°¡ng NGHIÊN CĀU ĐỀ XUẤT HÞ HÞC CHUYỂN GIAO Mà PHĀC DỰA TRÊN KỸ THUÀT LẤY M¾U KHÔNG GIAN CON VÀ CẤU TRÚC Đà THỊ CÓ H¯ÞNG LUÀN ÁN TIẾN SĨ NGÀNH KHOA HÞC MÁY TÍNH Hà Nội - 2024 BỘ GIÁO DỤC VIỆN HÀN LÂM KHOA HỌC VÀ ĐÀO TẠO VÀ CÔNG NGHỆ VIỆT NAM HÞC VIÞN KHOA HÞC VÀ CÔNG NGHÞ Trißu Thu H°¡ng NGHIÊN CĀU ĐỀ XUẤT HÞ HÞC CHUYỂN GIAO Mà PHĀC DỰA TRÊN KỸ THUÀT LẤY M¾U KHÔNG GIAN CON VÀ CẤU TRÚC Đà THỊ CÓ H¯ÞNG LUÀN ÁN TIẾN SĨ NGÀNH KHOA HÞC MÁY TÍNH Mã sß: 9 48 01 01 Xác nhÁn cÿa Hßc vißn Ng°ái h°ßng d¿n 1 Ng°ái h°ßng d¿n 2 Khoa hßc và Công nghß (Ký, ghi rõ họ tên) (Ký, ghi rõ họ tên) Hà Nội - 2024 i LỜI CAM OAN Tôi xin cam oan luận án <Nghiên cứu ề xuất hệ học chuyển giao mờ phức dựa trên kỹ thuật lấy mẫu không gian con và cấu trúc ồ thị có hướng= là công trình nghiên cứu của chính mình dưới sự hướng dẫn khoa học của cán bộ hướng dẫn. Luận án có sử dụng thông tin trích dẫn từ nhiều nguồn tham khảo khác nhau và các thông tin trích dẫn ược ghi rõ nguồn gốc. Các kết quả nghiên cứu của tôi ược viết chung với các tác giả khác ã ược sự nhất trí của ồng tác giả khi ưa vào luận án. Các số liệu, kết quả ược trình bày trong luận án là hoàn toàn trung thực và chưa từng ược công bố trong bất kỳ một công trình nào khác.
Luận án ược hoàn thành trong thời gian tôi làm Nghiên cứu sinh tại Học viện Khoa học và Công nghệ, Viện Hàn lâm Khoa học và Công nghệ Việt Nam. Hà Nội, ngày 14 tháng 11 năm 2023 Triệu Thu Hương ii LỜI CẢM ƠN Luận án này ã hoàn thành nhờ sự nỗ lực không ngừng nghß của tác giả cùng với sự hỗ trợ tận tâm từ các thầy giáo hướng dẫn, ồng nghiệp, bạn vè và người thân. Tác giả muốn bày tỏ lòng biết ơn chân thành và sâu sắc ến thầy giáo hướng dẫn là PGS.TS Nguyễn Long Giang và PGS.TS Lê Hoàng Sơn. Những lời hướng dẫn, sự ộng viên và tận tâm của họ dành cho tác giả trong suốt quá trình thực hiện luận án là không thể nào diễn ạt hết.
Tác giả muốn bày tỏ lòng biết ơn sâu sắc ến các giảng viên và cán bộ của phòng quản lý nghiên cứu sinh thuộc Học viện Khoa học và Công nghệ, Viện Hàn lâm Khoa học và Công nghệ Việt Nam. Sự hỗ trợ nhiệt tình và tạo iều kiện thuận lợi của họ ã óng góp quan trọng vào việc hoàn thành luận án của tác giả. Tác giả xin gửi lời cảm ơn tới toàn thể thành viên trong Lab AI 4.0 tại Viện Công nghệ thông tin - ại học Quốc gia Hà Nội, những người ã ồng hành và hỗ trợ tác giả trong suốt quá trình nghiên cứu tại ó. Tác giả cũng xin chân thành cảm ơn Ban Giám ốc Học viện Ngân hàng, Ban lãnh ạo Khoa và ồng nghiệp nơi tác giả hiện ang công tác.
Họ ã tạo iều kiện rất nhiều ể tác giả có thời gian tập trung vào nghiên cứu. ặc biệt, tác giả muốn bày tỏ lòng biết ơn sâu sắc ến Bố, Mẹ, Chồng và các chị trong gia ình. Họ ã luôn chia sẻ những khó khăn và ộng viên tác giả trong quá trình nghiên cứu. Luận án cũng là món quà tinh thần mà tác giả trân trọng gửi ến tất cả thành viên trong gia ình.
Tôi xin trân trọng cảm ơn! NCS Triệu Thu Hương iii MỤC LỤC LỜI CẢM ƠN. ii DANH MỤC CÁC KÝ HIỆU, CÁC CHỮ VIẾT TẮT. vii MỞ ẦU. TỔNG QUAN NGHIÊN CỨU VÀ CƠ SỞ LÝ THUYẾT 8 1.1 Suy diễn và hệ suy diễn mờ phức .2 Tổng quan các nghiên cứu liên quan .1 Các mô hình suy diễn mờ .2 Học chuyển giao .3 Học chuyển giao mờ .4 Lấy mẫu và các phương pháp lấy mẫu .3 Hạn chế của hệ suy diễn mờ phức và bài toán nghiên cứu .1 Tập mờ và tập mờ phức .2 Các phép toán trên tập mờ phức .3 Hệ suy diễn mờ phức Mamdani .4 Lý thuyết học chuyển giao .1 Bộ dữ liệu thực nghiệm .2 Tiền xử lý dữ liệu .3 Môi trường thực nghiệm .4 Các ộ o ánh giá thực nghiệm .6 Kết luận chương 1.
MÔ HÌNH HỌC CHUYỂN GIAO TRÊN HỆ SUY DIỄN MỜ PHỨC 43 iv 2.1 Một số khái niệm và ịnh nghĩa .2 Mô hình học chuyển giao mờ phức .1 Chßnh sửa tập mờ phức miền nguồn .2 Lựa chọn các tập con dữ liệu .3 Thích nghi luật mờ phức .4 Kết hợp cơ sở luật mờ phức .3 Phân tích ộ phức tạp .1 Kịch bản thực nghiệm .2 Kết quả thực nghiệm .5 Kết luận Chương 2. HỆ HỌC CHUYỂN GIAO MỜ PHỨC DỰA TRÊN CẤU TRÚC CFRG 76 3.2 Một số khái niệm và ịnh nghĩa .3 Các thuật toán trên cấu trúc CFRG .1 Thuật toán thêm một luật vào CFRG .2 Thuật toán duyệt luật mờ phức trên CFRG .3 Thuật toán tìm kiếm một luật trên CFRG .4 Thuật toán xóa một luật khỏi CFRG .5 Thuật toán suy diễn mờ phức trên CFRG .6 Thuật toán sửa một luật trên CFRG .7 Thuật toán tách CFRG con từ CFRG cha .8 Thuật toán trộn hai CFRG .4 Mô hình học chuyển giao mờ phức dựa trên cấu trúc CFRG (CFRGTL) 100 3.1 Khởi tạo các cấu trúc CFRG .2 Tách các CFRG con từ các cấu trúc CFRG ban ầu .3 Thích nghi luật trên cấu trúc CFRG .4 Trộn các cấu trúc CFRG .1 Kịch bản thực nghiệm thứ nhất .2 Kích bản thực nghiệm thứ hai .6 Kết luận Chương 3. 117 KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 119 CÁC CÔNG TRÌNH KHOA HỌC Ã CÔNG BỐ 121 TÀI LIỆU THAM KHẢO 123 PHỤ LỤC A. MỘT SỐ VÍ DỤ CHO CÁC THUẬT TOÁN TRÊN CẤU TRÚC CFRG 136 vii DANH MỤC CÁC KÝ HIỆU, CÁC CHỮ VIẾT TẮT STT Từ viết tắt Từ tiếng Anh Diễn giải/Tạm dịch 1 ANCFIS A neurofuzzy architecture Một kiến trúc nơ-ron sử dụng employing complex fuzzy tập mờ phức set 2 ANFIS Adaptive Neuro Fuzzy In- Hệ suy diễn mờ noron thích ference System nghi 3 CANFIS Complex Neuro-Fuzzy In- Hệ suy diễn mờ noron thích ference System nghi phức 4 CFIS Complex Fuzzy Inference Hệ suy diễn mờ phức System 5 CFL Complex Fuzzy Logic Logic mờ phức 6 CFN Complex fuzzy node Nút mờ phức 7 FANCFIS Fast adaptive neuro - com- Hệ thống suy luận mờ phức - plex fuzzy inference system nơ ron thích ứng nhanh 8 CFS Complex Fuzzy Set Tập mờ phức 9 CFTL Complex fuzzy transfer Học chuyển giao mờ phức learning 10 FIS Fuzzy Inference System Hệ suy diễn 11 FKG Fuzzy Knowledge Graph ồ thị tri thức mờ 12 FS Fuzzy Set Tập mờ 13 M-CFIS Mamdani Complex Fuzzy Hệ suy diễn mờ phức Mam- Inference System dani 14 M-CFIS- Mamdani Complex Fuzzy Hệ suy diễn mờ phức Mam- FKG Inference System Fuzzy- dani - ồ thị tri thức mờ Knowledge Graph viii STT Từ viết tắt Từ tiếng Anh Diễn giải/Tạm dịch 15 M-CFIS-R Mamdani Complex Fuzzy Hệ suy diễn mờ phức Mam- Inference System Reduce dani - giảm luật Rule 16 TSK Takagi-Sugeno Hệ suy diễn mờ Takagi - Sugeno 17 SSL Semi-Supervised Learning Học bán giám sát 18 MVL Multi-View Learning Học a hướng 19 MTL Multi Task Learning Học a nhiệm vụ 20 TTL Transductive Transfer Học chuyển giao chuyển tiếp Learning 21 ITL Inductive Transfer Learn- Học chuyển giao quy nạp ing 22 UTL Unsupervised Transfer Học chuyển giao không giám Learning sát 23 TL Transfer Learning Học chuyển giao 24 FTL Fuzzy Transfer Learning Học chuyển giao mờ 25 DT Decision Tree Cây quyết ịnh 26 FDT Fuzzy Decision Tree Cây quyết ịnh mờ 27 CFR Complex Fuzzy Rule Luật mờ phức 28 CFRs Complex Fuzzy Rule Set Tập luật mờ phức 29 AI Artificial intelligence Trí tuệ nhân tạo ix 30 ANCFIS- A machine learning alo- Thuật toán học máy dựa trên elm gorithm based on complex các tập mờ phức fuzzy sets 31 CFRG Complex fuzzy rule graph Cấu trúc biểu diễn luật mờ phức dựa trên ồ thị 32 CFRGTL Complex fuzzy rule graph Hệ học chuyển giao mờ phức transfer learning dựa trên cấu trúc CFRG x DANH MỤC CÁC HÌNH VẼ 1.1 Mô hình hệ suy diễn mờ tổng quát [47] .2 Cấu trúc của CFIS [43] .3 Phân loại học chuyển giao .4 Các phương pháp lấy mẫu .5 Mô hình bài toán học chuyển giao .6 Một số hàm thuộc phổ biến .7 Cấu trúc hệ M-CFIS [7] .1 Mô hình học chuyển giao trên hệ suy diễn mờ phức .2 Chi tiết mô hình học chuyển giao trên hệ suy diễn mờ phức .3 ánh dấu luật thích nghi và luật ứng cử .4 Quá trình thêm luật và sửa luật .5 Kịch bản thực nghiệm trên CFTL .6 Kết quả o lường ộ chính xác trên tập dữ liệu Diabetes.7 Kết quả o lường số lượng luật sinh ra trên tập dữ liệu Diabetes.8 Kết quả o lường thời gian thực hiện trên tập dữ liệu Diabetes.9 Kết quả o lường phương sai và ộ lệch chuẩn của thời gian thực hiện trên tập Diabetes.10 Kết quả o lường ộ chính xác trên tập dữ liệu BreastCancer.11 Kết quả o lường số lượng luật trên tập dữ liệu Diabetes.12 Kết quả o lường thời gian thực hiện trên tập dữ liệu Diabetes.13 Kết quả o lường phương sai và ộ lệch chuẩn của thời gian thực hiện trên tập BreastCancer.14 Kết quả o lường ộ chính xác trên tập dữ liệu CreditCard.15 Kết quả o lường số lượng luật trên tập dữ liệu CreditCard.16 Kết quả o lường thời gian thực hiện trên tập dữ liệu CreditCard.17 Kết quả o lường phương sai và ộ lệch chuẩn của thời gian thực hiện trên tập CreditCard.18 Kết quả o lường ộ chính xác trên tập dữ liệu Liver.19 Kết quả o lường số lượng luật trên tập dữ liệu Liver.20 Kết quả o lường thời gian thực hiện trên tập dữ liệu Lvier.21 Kết quả o lường phương sai và ộ lệch chuẩn của thời gian thực hiện trên tập Liver.1 Cấu trúc một nút mờ phức (a) và ví dụ một nút mờ phức (b) .2 Một cấu trúc CFRG .3 Sự khác nhau giữa cấu trúc CFRG và ộ mạnh của cấu trúc CFRG.4 Một danh sách List_node của cấu trúc CFRG.5 Trường hợp sửa nút thứ nhất .6 Trường hợp sửa nút thứ 2 - nhập nút .7 Trường hợp sửa nút thứ hai -tách nút .8 Mô hình học chuyển giao mờ phức dựa trên cấu trúc CFRG (CFRGTL) 101 3.9 Kết quả o lường ộ chính xác trên tập dữ liệu Diabetes.10 Kết quả o lường số lượng luật trên tập dữ liệu Diabetes.11 Kết quả o lường thời gian thực hiện trên bộ dữ liệu Diabetes.12 Kết quả o lường phương sai và ộ lệch chuẩn của thời gian trên tập Diabetes.13 Kết quả o lường ộ chính xác trên bộ dữ liệu BreastCancer.
Nội dung được bảo vệ bản quyền — Tải xuống đầy đủ
Từ khóa và chủ đề nghiên cứu
Câu hỏi thường gặp
Luận án "Hệ học chuyển giao mờ phức dựa trên lấy mẫu không gian con" nghiên cứu về vấn đề gì?
Luận án tiến sĩ đề xuất hệ học chuyển giao mờ phức dựa trên lấy mẫu không gian con và đồ thị có hướng. Cải thiện hiệu suất suy diễn mờ phức trong học máy.
Luận án "Hệ học chuyển giao mờ phức dựa trên lấy mẫu không gian con" được bảo vệ tại trường nào?
Luận án này được bảo vệ tại Học viện Khoa học và Công nghệ, Viện Hàn lâm Khoa học và Công nghệ Việt Nam. Năm bảo vệ: 2024.
Luận án "Hệ học chuyển giao mờ phức dựa trên lấy mẫu không gian con" thuộc chuyên ngành gì?
Luận án "Hệ học chuyển giao mờ phức dựa trên lấy mẫu không gian con" thuộc chuyên ngành Khoa học Máy tính. Danh mục: Trí Tuệ Nhân Tạo.
Luận án "Hệ học chuyển giao mờ phức dựa trên lấy mẫu không gian con" có bao nhiêu trang?
Luận án "Hệ học chuyển giao mờ phức dựa trên lấy mẫu không gian con" có 158 trang. Bạn có thể xem trước một phần tài liệu ngay trên trang web trước khi tải về.
Cách tải luận án "Hệ học chuyển giao mờ phức dựa trên lấy mẫu không gian con" 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.