Luận án Tiến sĩ: Hệ học chuyển giao mờ phức, lấy mẫu không gian con & đồ thị
Nghiên cứu đề xuất hệ học chuyển giao mờ phức. Áp dụng lấy mẫu không gian con và cấu trúc đồ thị có hướng, tối ưu hiệu quả bài toán chuyển giao.
Khoa học Máy tính
Luan An
Luận án
Năm xuất bản
Số trang
159
Thời gian đọc
24 phút
Lượt xem
0
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 nền tảng
Nghiên cứu tập trung vào hệ học chuyển giao mờ phức. Đây là lĩnh vực quan trọng trong trí tuệ nhân tạo. Hệ thống mờ phức giải quyết hiệu quả các vấn đề dữ liệu không chắc chắn. Học chuyển giao mờ phức tăng cường khả năng thích nghi của mô hình. Mô hình tận dụng kiến thức từ miền nguồn sang miền đích. Giảm yêu cầu về dữ liệu gắn nhãn trong miền đích. Điều này cải thiện hiệu suất học máy. Đặc biệt trong các kịch bản dữ liệu khan hiếm. Tài liệu này đề xuất các phương pháp mới. Chúng kết hợp lấy mẫu không gian con và cấu trúc đồ thị. Mục tiêu là nâng cao hiệu quả và tính ứng dụng.
1.1. Khái niệm tập hợp mờ phức và hệ thống
Tập hợp mờ phức mở rộng khái niệm tập hợp mờ truyền thống. Mỗi phần tử được gán một hàm thành viên phức. Hàm này có cả phần thực và phần ảo. Điều này cho phép biểu diễn thông tin không chắc chắn đa chiều. Hệ thống mờ phức sử dụng các tập hợp này. Chúng xây dựng cơ sở tri thức dưới dạng luật mờ phức. Các luật này mô tả mối quan hệ phức tạp giữa các biến. Hệ thống thực hiện suy diễn mờ phức. Nó đưa ra quyết định dựa trên thông tin đầu vào. Khả năng xử lý dữ liệu không hoàn chỉnh là một ưu điểm. Nó cũng giải quyết dữ liệu nhiễu tốt.
1.2. Cơ sở lý thuyết học chuyển giao liên miền
Học chuyển giao (Transfer Learning) là một kỹ thuật mạnh mẽ. Nó tái sử dụng kiến thức từ một tác vụ đã học. Kiến thức này được áp dụng cho một tác vụ mới. Hai tác vụ có thể có miền dữ liệu khác nhau. Đây là học máy liên miền. Kỹ thuật này giảm thời gian huấn luyện. Nó cũng cải thiện hiệu suất mô hình. Học chuyển giao mờ kết hợp nguyên lý này với logic mờ. Nó chuyển giao các luật mờ hoặc trọng số. Mục tiêu là tối ưu hóa mô hình trong miền đích. Đặc biệt khi dữ liệu miền đích hạn chế. Nó khắc phục hạn chế của các mô hình học truyền thống.
II.Mô hình học chuyển giao mờ phức tiên tiến
Tài liệu đề xuất một mô hình học chuyển giao mờ phức mới. Mô hình này tập trung vào việc thích nghi hiệu quả. Nó chuyển giao tri thức từ miền nguồn sang miền đích. Mô hình xử lý tốt sự không chắc chắn của dữ liệu. Nó cải thiện đáng kể độ chính xác. Đồng thời giảm thời gian huấn luyện. Đặc biệt trong các miền dữ liệu không đồng nhất. Các bước cốt lõi bao gồm tiền xử lý dữ liệu. Nó cũng bao gồm điều chỉnh các tập hợp mờ phức. Sau đó là thích nghi các luật mờ. Mô hình này hướng đến xây dựng hệ thống mờ phức mạnh mẽ. Nó tận dụng tối đa kiến thức sẵn có.
2.1. Điều chỉnh tập mờ phức và lựa chọn dữ liệu
Bước đầu tiên là điều chỉnh các tập hợp mờ phức trong miền nguồn. Việc này đảm bảo tính tương thích với miền đích. Quá trình bao gồm việc thay đổi các hàm thành viên. Nó cũng điều chỉnh các thông số của tập mờ. Sau đó, kỹ thuật lấy mẫu không gian con được áp dụng. Mục đích là lựa chọn các tập con dữ liệu phù hợp. Các tập con này đại diện tốt nhất cho miền nguồn. Chúng có liên quan mật thiết đến miền đích. Trích xuất đặc trưng hiệu quả giúp tạo ra không gian vector mờ. Điều này hỗ trợ việc chuyển giao kiến thức.
2.2. Thích nghi luật mờ phức và kết hợp cơ sở
Các luật mờ phức từ miền nguồn được thích nghi. Chúng được điều chỉnh để phù hợp với đặc điểm của miền đích. Quá trình thích nghi bao gồm việc cập nhật tiền đề và kết luận của luật. Sau đó, cơ sở luật mờ phức đã thích nghi được kết hợp. Nó hợp nhất với cơ sở luật mới được học từ miền đích. Việc kết hợp này tạo ra một cơ sở luật thống nhất. Cơ sở luật này có khả năng suy diễn mạnh mẽ. Nó giải quyết các vấn đề phức tạp trong miền đích. Mô hình đảm bảo tính nhất quán của hệ thống mờ phức.
III.Ứng dụng đồ thị cho hệ học chuyển giao mờ phức
Tài liệu khám phá việc ứng dụng lý thuyết đồ thị. Nó sử dụng các cấu trúc đồ thị cho học chuyển giao mờ phức. Cấu trúc đồ thị cung cấp một cách biểu diễn tri thức mạnh mẽ. Nó quản lý và thao tác các luật mờ phức hiệu quả. Đặc biệt, cấu trúc Đồ thị Luật Mờ Phức (CFRG) được giới thiệu. CFRG biểu diễn các luật mờ phức có hướng. Nó tạo thành một mạng lưới các mối quan hệ. Phương pháp này tối ưu hóa việc tìm kiếm và thích nghi luật. Nó đóng góp vào việc xây dựng hệ thống mờ phức linh hoạt. Khả năng mở rộng và hiệu quả tính toán được cải thiện.
3.1. Giới thiệu cấu trúc đồ thị luật mờ phức CFRG
CFRG là một mô hình biểu diễn tri thức. Nó sử dụng cấu trúc đồ thị có hướng. Các nút của đồ thị đại diện cho các thành phần của luật mờ phức. Ví dụ như các thuộc tính đầu vào, tập mờ, và kết quả đầu ra. Các cạnh biểu thị mối quan hệ logic giữa chúng. Cấu trúc này giúp trực quan hóa cơ sở luật mờ. Nó hỗ trợ việc phân tích và hiểu rõ hơn về hệ thống mờ phức. CFRG cho phép quản lý hàng ngàn luật. Nó là một dạng đồ thị tri thức chuyên biệt.
3.2. Thuật toán trên CFRG cho học chuyển giao
Nhiều thuật toán được phát triển trên cấu trúc CFRG. Các thuật toán này hỗ trợ quá trình học chuyển giao. Chúng bao gồm thuật toán thêm luật mới. Thuật toán duyệt qua các luật mờ phức. Thuật toán tìm kiếm luật nhanh chóng. Đặc biệt, thuật toán thích nghi luật mờ trên CFRG. Nó cho phép sửa đổi hoặc cập nhật các luật hiện có. Thuật toán tách CFRG con và trộn các CFRG. Chúng là các thành phần quan trọng. Chúng giúp quản lý và kết hợp các cơ sở luật từ các miền khác nhau. Các thuật toán này tăng cường khả năng thích ứng của hệ thống.
IV.Kỹ thuật lấy mẫu không gian con hiệu quả
Kỹ thuật lấy mẫu không gian con đóng vai trò trọng tâm. Nó được sử dụng để tối ưu hóa quá trình học chuyển giao mờ phức. Phương pháp này chọn lọc dữ liệu một cách thông minh. Nó giảm chiều dữ liệu mà không mất đi thông tin quan trọng. Mục tiêu là tạo ra các tập con dữ liệu đại diện. Các tập con này là cần thiết cho việc huấn luyện mô hình. Đặc biệt, kỹ thuật này giúp giảm nhiễu. Nó tăng cường khả năng học hỏi từ các miền dữ liệu lớn. Lấy mẫu không gian con cải thiện hiệu quả tính toán. Nó đảm bảo tính chính xác của mô hình. Điều này rất quan trọng trong các hệ thống mờ phức phức tạp.
4.1. Vai trò của lấy mẫu không gian con trong học chuyển giao
Trong học chuyển giao, việc lựa chọn dữ liệu nguồn rất quan trọng. Lấy mẫu không gian con giúp xác định các mẫu có liên quan. Các mẫu này sẽ được chuyển giao. Nó tránh chuyển giao các mẫu không cần thiết. Điều này có thể gây nhiễu hoặc giảm hiệu suất. Kỹ thuật này hỗ trợ trích xuất đặc trưng. Nó tạo ra một không gian vector mờ tối ưu. Không gian này biểu diễn các đặc trưng một cách cô đọng. Việc này đảm bảo kiến thức được chuyển giao là hữu ích. Nó tăng cường khả năng thích nghi của mô hình.
4.2. Phương pháp lấy mẫu và tối ưu hóa không gian
Tài liệu đề xuất các phương pháp lấy mẫu không gian con cụ thể. Các phương pháp này được thiết kế cho dữ liệu mờ phức. Chúng bao gồm các kỹ thuật giảm chiều dữ liệu. Ví dụ như phân tích thành phần chính mờ. Hoặc các thuật toán lựa chọn đặc trưng dựa trên độ đo mờ. Mục tiêu là tối ưu hóa không gian biểu diễn. Các kỹ thuật này tìm kiếm không gian con có mật độ thông tin cao nhất. Nó đồng thời giảm thiểu sự trùng lặp. Điều này giúp hệ thống học chuyển giao mờ phức hoạt động hiệu quả hơn. Nó dẫn đến kết quả phân loại và dự đoán tốt hơn.
V.Đánh giá thực nghiệm và kết quả đạt được
Nghiên cứu tiến hành đánh giá thực nghiệm kỹ lưỡng. Mục tiêu là xác nhận hiệu quả của các mô hình đề xuất. Các thử nghiệm được thực hiện trên nhiều bộ dữ liệu khác nhau. Chúng đại diện cho các miền dữ liệu đa dạng. Việc này đảm bảo tính tổng quát của phương pháp. Các độ đo đánh giá tiêu chuẩn được sử dụng. Ví dụ như độ chính xác, F1-score, và thời gian huấn luyện. Kết quả thực nghiệm chứng minh sự vượt trội. Nó cho thấy các mô hình đề xuất có hiệu suất cao hơn. Chúng vượt trội so với các phương pháp học chuyển giao mờ truyền thống. Nó cũng tốt hơn các hệ thống mờ phức hiện có.
5.1. Kịch bản thực nghiệm và bộ dữ liệu sử dụng
Các kịch bản thực nghiệm được thiết kế cẩn thận. Chúng mô phỏng các tình huống học chuyển giao thực tế. Ví dụ, chuyển giao kiến thức giữa các bộ dữ liệu y tế hoặc tài chính. Các bộ dữ liệu thực nghiệm bao gồm cả dữ liệu công khai và dữ liệu chuyên biệt. Chúng có đặc tính và độ phức tạp khác nhau. Điều này giúp đánh giá khả năng thích ứng của mô hình. Việc tiền xử lý dữ liệu và cấu hình môi trường thực nghiệm được mô tả chi tiết.
5.2. Kết quả đạt được và so sánh hiệu suất
Kết quả thực nghiệm cho thấy sự cải thiện đáng kể. Nó thể hiện ở độ chính xác dự đoán và hiệu quả tính toán. Các mô hình dựa trên cấu trúc đồ thị (CFRGTL) cho thấy hiệu suất vượt trội. Chúng đặc biệt khi xử lý các cơ sở luật lớn. Kỹ thuật lấy mẫu không gian con giúp giảm đáng kể thời gian huấn luyện. Nó vẫn duy trì hoặc tăng cường độ chính xác. So sánh với các thuật toán học chuyển giao mờ hiện có. Các phương pháp đề xuất cung cấp giải pháp mạnh mẽ hơn. Chúng mở ra hướng phát triển mới cho các ứng dụng thực tế. Nó có thể áp dụng trong các bài toán phân cụm mờ và phân loại.
Tải xuống file đầy đủ để xem toàn bộ nội dung
Tải đầy đủ (159 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 HỌC VIỆN KHOA HỌC VÀ CÔNG NGHỆ Triệu Thu Hương NGHIÊN CỨU ĐỀ XUẤT HỆ HỌC CHUYỂN GIAO MỜ PHỨC DỰA TRÊN KỸ THUẬT LẤY MẪU KHÔNG GIAN CON VÀ CẤU TRÚC ĐỒ THỊ CÓ HƯỚNG LUẬN ÁN TIẾN SĨ NGÀNH KHOA HỌC MÁY TÍNH Hà Nội - 2024 BỘ GIÁO DỤC VIỆN HÀN LÂM KHOA HỌC VÀ ĐÀO TẠO VÀ CÔNG NGHỆ VIỆT NAM HỌC VIỆN KHOA HỌC VÀ CÔNG NGHỆ Triệu Thu Hương NGHIÊN CỨU ĐỀ XUẤT HỆ HỌC CHUYỂN GIAO MỜ PHỨC DỰA TRÊN KỸ THUẬT LẤY MẪU KHÔNG GIAN CON VÀ CẤU TRÚC ĐỒ THỊ CÓ HƯỚNG LUẬN ÁN TIẾN SĨ NGÀNH KHOA HỌC MÁY TÍNH Mã số: 9 48 01 01 Xác nhận của Học viện Người hướng dẫn 1 Người hướng dẫn 2 Khoa học và Công nghệ (Ký, ghi rõ họ tên) (Ký, ghi rõ họ tên) Hà Nội - 2024 i LỜI CAM ĐOAN Tôi xin cam đoan luận án “Nghiên cứu đề xuất hệ học chuyển giao mờ phức dựa trên kỹ thuật lấy mẫu không gian con và cấu trúc đồ 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 được ghi rõ nguồn gốc. Các kết quả nghiên cứu của tôi được viết chung với các tác giả khác đã được sự nhất trí của đồng tác giả khi đưa vào luận án. Các số liệu, kết quả được trình bày trong luận án là hoàn toàn trung thực và chưa từng được công bố trong bất kỳ một công trình nào khác.
Luận án được 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 đã hoàn thành nhờ sự nỗ lực không ngừng nghỉ của tác giả cùng với sự hỗ trợ tận tâm từ các thầy giáo hướng dẫn, đồng nghiệp, bạn vè và người thân. Tác giả muốn bày tỏ lòng biết ơn chân thành và sâu sắc đến thầy giáo hướng dẫn là PGS.TS Nguyễn Long Giang và PGS.TS Lê Hoàng Sơn. Những lời hướng dẫn, sự động viên và tận tâm của họ dành cho tác giả trong suốt quá trình thực hiện luận án là không thể nào diễn đạt hết.
Tác giả muốn bày tỏ lòng biết ơn sâu sắc đến 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 điều kiện thuận lợi của họ đã đóng 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 - Đại học Quốc gia Hà Nội, những người đã đồng hành và hỗ trợ tác giả trong suốt quá trình nghiên cứu tại đó. Tác giả cũng xin chân thành cảm ơn Ban Giám đốc Học viện Ngân hàng, Ban lãnh đạo Khoa và đồng nghiệp nơi tác giả hiện đang công tác.
Họ đã tạo điều kiện rất nhiều để tác giả có thời gian tập trung vào nghiên cứu. Đặc biệt, tác giả muốn bày tỏ lòng biết ơn sâu sắc đến Bố, Mẹ, Chồng và các chị trong gia đình. Họ đã luôn chia sẻ những khó khăn và động viên tác giả trong quá trình nghiên cứu. Luận án cũng là món quà tinh thần mà tác giả trân trọng gửi đến tất cả thành viên trong gia đình.
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 ĐẦU. 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 độ đo đánh 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 định nghĩa .2 Mô hình học chuyển giao mờ phức .1 Chỉnh 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 độ 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 định 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 đầu .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 ĐÃ 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 Đồ 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 - Đồ 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 đa hướng 19 MTL Multi Task Learning Học đa 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 định 26 FDT Fuzzy Decision Tree Cây quyết định 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 đồ 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 Đánh 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 đo lường độ chính xác trên tập dữ liệu Diabetes.7 Kết quả đo lường số lượng luật sinh ra trên tập dữ liệu Diabetes.8 Kết quả đo lường thời gian thực hiện trên tập dữ liệu Diabetes.9 Kết quả đo lường phương sai và độ lệch chuẩn của thời gian thực hiện trên tập Diabetes.10 Kết quả đo lường độ chính xác trên tập dữ liệu BreastCancer.11 Kết quả đo lường số lượng luật trên tập dữ liệu Diabetes.12 Kết quả đo lường thời gian thực hiện trên tập dữ liệu Diabetes.13 Kết quả đo lường phương sai và độ lệch chuẩn của thời gian thực hiện trên tập BreastCancer.14 Kết quả đo lường độ chính xác trên tập dữ liệu CreditCard.15 Kết quả đo lường số lượng luật trên tập dữ liệu CreditCard.16 Kết quả đo lường thời gian thực hiện trên tập dữ liệu CreditCard.17 Kết quả đo lường phương sai và độ lệch chuẩn của thời gian thực hiện trên tập CreditCard.18 Kết quả đo lường độ chính xác trên tập dữ liệu Liver.19 Kết quả đo lường số lượng luật trên tập dữ liệu Liver.20 Kết quả đo lường thời gian thực hiện trên tập dữ liệu Lvier.21 Kết quả đo lường phương sai và độ 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 độ 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 đo lường độ chính xác trên tập dữ liệu Diabetes.10 Kết quả đo lường số lượng luật trên tập dữ liệu Diabetes.11 Kết quả đo lường thời gian thực hiện trên bộ dữ liệu Diabetes.12 Kết quả đo lường phương sai và độ lệch chuẩn của thời gian trên tập Diabetes.13 Kết quả đo lường độ chính xác trên bộ dữ liệu BreastCancer.
Nội dung được bảo vệ bản quyền — Tải xuống đầy đủ
Câu hỏi thường gặp
Luận án "Hệ học chuyển giao mờ phức: Lấy mẫu không gian con & đồ thị" nghiên cứu về vấn đề gì?
Nghiên cứu đề xuất hệ học chuyển giao mờ phức. Áp dụng lấy mẫu không gian con và cấu trúc đồ thị có hướng, tối ưu hiệu quả bài toán chuyển giao.
Luận án "Hệ học chuyển giao mờ phức: Lấy mẫu không gian con & đồ thị" được bảo vệ tại trường nào?
Luận án này được bảo vệ tại Học viện Khoa học và Công nghệ. Năm bảo vệ: 2024.
Luận án "Hệ học chuyển giao mờ phức: Lấy mẫu không gian con & đồ thị" thuộc chuyên ngành gì?
Luận án "Hệ học chuyển giao mờ phức: Lấy mẫu không gian con & đồ thị" thuộc chuyên ngành Khoa học Máy tính. Danh mục: Trí Tuệ Nhân Tạo.
Luận án "Hệ học chuyển giao mờ phức: Lấy mẫu không gian con & đồ thị" có bao nhiêu trang?
Luận án "Hệ học chuyển giao mờ phức: Lấy mẫu không gian con & đồ thị" có 159 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: Lấy mẫu không gian con & đồ thị" 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.