Luận án: Các mô hình tiên tiến cho rút gọn thuộc tính gia tăng dựa trên tập mờ
"Phân tích hiệu suất mô hình học máy xử lý ngôn ngữ tự nhiên. Khám phá phương pháp cải tiến hiệu suất và dự đoán chính xác trong các ứng dụng thực tế."
Luan An
Số trang
125
Thời gian đọc
19 phút
Lượt xem
0
Lượt tải
0
Phí lưu trữ
40 Point
Tóm tắt nội dung
I.Rút gọn thuộc tính gia tăng Giảm chiều dữ liệu mờ hiệu quả
Luận án tập trung vào các mô hình tiên tiến cho bài toán rút gọn thuộc tính gia tăng. Đây là một vấn đề quan trọng trong lĩnh vực học máy gia tăng và khai phá dữ liệu mờ. Mục tiêu chính là giảm chiều dữ liệu mờ, tối ưu hóa thuộc tính để nâng cao hiệu quả xử lý thông tin. Các phương pháp truyền thống thường yêu cầu tính toán lại từ đầu khi dữ liệu thay đổi. Điều này gây lãng phí tài nguyên, không phù hợp với dữ liệu động. Nghiên cứu đề xuất các giải pháp để thực hiện chọn lọc đặc trưng động một cách hiệu quả. Sử dụng tập hợp mờ trực giác làm nền tảng, các mô hình mới được xây dựng. Mô hình này xử lý thông tin không chắc chắn tốt hơn. Nó mang lại khả năng cập nhật mô hình gia tăng linh hoạt. Việc này giúp hệ thống mờ thông minh thích ứng nhanh chóng với sự biến đổi của tập dữ liệu. Kết quả là giảm thiểu chi phí tính toán, duy trì độ chính xác cao.
1.1. Tổng quan bài toán rút gọn thuộc tính và thách thức
Bài toán rút gọn thuộc tính tìm kiếm tập con thuộc tính tối thiểu. Tập con này vẫn giữ được sức mạnh phân biệt của tập thuộc tính gốc. Đây là bước quan trọng trong tiền xử lý dữ liệu. Nó giúp loại bỏ thuộc tính dư thừa, không liên quan. Thách thức lớn xuất hiện với dữ liệu lớn, thay đổi liên tục. Các phương pháp rút gọn thuộc tính tĩnh không đáp ứng yêu cầu. Chúng phải tính toán lại toàn bộ khi có sự bổ sung hoặc loại bỏ đối tượng. Điều này tốn kém về thời gian và tài nguyên. Cần có các thuật toán rút gọn thuộc tính gia tăng. Các thuật toán này có khả năng cập nhật kết quả hiệu quả. Mục tiêu là tối ưu hóa thuộc tính liên tục. Điều này góp phần vào sự phát triển của học máy gia tăng, xử lý dữ liệu mờ.
1.2. Tập mờ trực cảm Nền tảng mới cho giảm chiều dữ liệu
Tập mờ trực cảm là một công cụ mạnh mẽ. Nó mở rộng khái niệm tập mờ truyền thống. Tập mờ trực cảm xử lý thông tin không chắc chắn hiệu quả hơn. Nó bổ sung thêm độ không thuộc vào mỗi phần tử. Điều này cung cấp cái nhìn toàn diện hơn về dữ liệu. Trong bối cảnh giảm chiều dữ liệu mờ, tập mờ trực cảm giúp biểu diễn các mối quan hệ phức tạp. Nó xử lý các thuộc tính không rõ ràng một cách tinh tế. Nền tảng này tạo cơ sở cho các thuật toán rút gọn thuộc tính mới. Các thuật toán này hoạt động hiệu quả trên các tập dữ liệu mờ phức tạp. Nó cải thiện khả năng phân loại, dự đoán của hệ thống. Nó cũng hỗ trợ khai phá dữ liệu mờ sâu sắc hơn.
1.3. Giải pháp gia tăng Cập nhật mô hình linh hoạt
Các giải pháp gia tăng là chìa khóa cho dữ liệu động. Nó cho phép cập nhật mô hình mà không cần đào tạo lại từ đầu. Khi có dữ liệu mới, thuật toán chỉ điều chỉnh các thuộc tính đã chọn. Việc này tiết kiệm đáng kể tài nguyên tính toán. Nó cũng đảm bảo hệ thống luôn được cập nhật. Các mô hình rút gọn thuộc tính gia tăng dựa trên tập mờ trực cảm cho phép chọn lọc đặc trưng động. Chúng có thể xử lý cả việc bổ sung và loại bỏ đối tượng. Sự linh hoạt này là cần thiết cho các hệ thống thông minh. Nó hỗ trợ các ứng dụng thực tế nơi dữ liệu thay đổi nhanh chóng. Điều này nâng cao hiệu suất tổng thể của mô hình dự đoán mờ.
II.Mô hình tập mờ trực cảm Khai phá dữ liệu mờ chuyên sâu
Nghiên cứu đi sâu vào mô hình tập mờ trực cảm mức α, β. Đây là một cách tiếp cận tiên tiến trong việc khai phá dữ liệu mờ. Mô hình này giúp định lượng mức độ thuộc, không thuộc của dữ liệu. Nó tạo ra các hạt thông tin mờ trực cảm. Các hạt này là cơ sở để xây dựng các thuật toán rút gọn thuộc tính. Phát triển các thuật toán mới giúp chọn lọc đặc trưng động hiệu quả. Chúng áp dụng cho cả bảng quyết định cố định và thay đổi. Mô hình này đặc biệt hữu ích trong các hệ thống mờ thông minh. Nó cải thiện khả năng xử lý thông tin không rõ ràng. Nó cung cấp một khung làm việc vững chắc cho việc giảm chiều dữ liệu mờ, tối ưu hóa thuộc tính.
2.1. Khái niệm tập mờ trực cảm mức α β và ứng dụng
Tập mờ trực cảm mức α, β là một khái niệm quan trọng. Nó định nghĩa các hạt thông tin dựa trên ngưỡng α và β. α đại diện cho độ thuộc tối thiểu. β đại diện cho độ không thuộc tối đa. Sự kết hợp này tạo ra các vùng thông tin rõ ràng hơn. Các vùng này giúp phân biệt các đối tượng trong không gian mờ. Ứng dụng của nó rất đa dạng. Nó bao gồm phân tích dữ liệu, nhận dạng mẫu và hệ thống ra quyết định. Nó hỗ trợ các thuật toán rút gọn thuộc tính gia tăng. Điều này nâng cao khả năng phân tích, khai phá dữ liệu mờ. Nó cũng cải thiện độ chính xác của mô hình dự đoán mờ trong các kịch bản thực tế.
2.2. Tính chất hạt thông tin mờ trực cảm Cơ sở thuật toán
Các hạt thông tin mờ trực cảm mức α, β có những tính chất đặc biệt. Các tính chất này là nền tảng để thiết kế thuật toán rút gọn thuộc tính. Chúng cho phép đánh giá tầm quan trọng của từng thuộc tính. Khi một thuộc tính bị loại bỏ, sức mạnh phân biệt của hệ thống thay đổi. Các hạt thông tin giúp định lượng sự thay đổi này. Chúng hỗ trợ việc tìm kiếm tập con thuộc tính tối ưu. Điều này giảm thiểu sự mất mát thông tin. Các tính chất này cũng đảm bảo tính nhất quán của thuật toán. Chúng giúp hệ thống mờ thông minh hoạt động ổn định. Nó là chìa khóa cho việc tối ưu hóa thuộc tính hiệu quả.
2.3. Đề xuất thuật toán rút gọn thuộc tính trên bảng quyết định
Nghiên cứu đề xuất các thuật toán rút gọn thuộc tính mới. Chúng dựa trên mô hình tập mờ trực cảm mức α, β. Các thuật toán này xử lý cả bảng quyết định cố định và thay đổi. Đối với bảng cố định, thuật toán xác định tập con thuộc tính nhỏ nhất. Tập con này duy trì khả năng phân loại. Với bảng thay đổi, thuật toán cập nhật rút gọn một cách gia tăng. Điều này tránh tính toán lại từ đầu. Các thuật toán này đại diện cho một bước tiến trong học máy gia tăng. Chúng cải thiện đáng kể hiệu suất của hệ thống. Đồng thời chúng duy trì tính chính xác trong môi trường dữ liệu phức tạp. Điều này hỗ trợ việc giảm chiều dữ liệu mờ hiệu quả.
III.Cập nhật mô hình gia tăng Chọn lọc đặc trưng động hiệu quả
Một trong những đóng góp chính là phát triển các phương pháp cập nhật mô hình gia tăng. Các phương pháp này thực hiện chọn lọc đặc trưng động. Chúng giải quyết bài toán rút gọn thuộc tính trên bảng quyết định thay đổi. Điều này bao gồm hai kịch bản chính: bổ sung và loại bỏ tập đối tượng. Mỗi kịch bản đòi hỏi một chiến lược cập nhật cụ thể. Các thuật toán được thiết kế để duy trì tính nhất quán của tập rút gọn. Chúng không yêu cầu tính toán lại toàn bộ. Điều này tối ưu hóa tài nguyên, tăng tốc độ xử lý. Đây là một yếu tố quan trọng trong việc triển khai các hệ thống mờ thông minh, học máy gia tăng. Nó giúp giảm chiều dữ liệu mờ một cách liên tục, linh hoạt.
3.1. Rút gọn thuộc tính khi bổ sung tập đối tượng mới
Khi một tập đối tượng mới được thêm vào, bảng quyết định thay đổi. Các thuật toán truyền thống sẽ phải tính toán lại toàn bộ quá trình rút gọn. Phương pháp đề xuất giải quyết vấn đề này. Nó chỉ cập nhật tập rút gọn hiện có. Thuật toán kiểm tra tác động của dữ liệu mới lên các thuộc tính đã chọn. Nó điều chỉnh tập rút gọn nếu cần thiết. Mục tiêu là đảm bảo rằng tập rút gọn mới vẫn tối ưu. Nó cũng duy trì khả năng phân biệt cần thiết. Đây là một ứng dụng trực tiếp của học máy gia tăng. Nó giúp duy trì hiệu suất của mô hình dự đoán mờ trong môi trường dữ liệu phát triển. Việc này giảm đáng kể chi phí tính toán, nâng cao hiệu quả chọn lọc đặc trưng động.
3.2. Rút gọn thuộc tính khi loại bỏ tập đối tượng khỏi bảng
Việc loại bỏ tập đối tượng cũng gây ra thay đổi đáng kể. Điều này có thể ảnh hưởng đến tính tối ưu của tập rút gọn hiện tại. Thuật toán đề xuất xử lý kịch bản này một cách hiệu quả. Nó kiểm tra xem liệu các thuộc tính trong tập rút gọn còn cần thiết hay không. Nếu một thuộc tính trở nên dư thừa, nó sẽ bị loại bỏ. Nếu việc loại bỏ đối tượng làm giảm sức mạnh phân biệt, các thuộc tính mới có thể được thêm vào. Quá trình này được thực hiện gia tăng. Nó đảm bảo tập rút gọn luôn tối ưu. Điều này hỗ trợ các hệ thống mờ thông minh. Nó duy trì sự chính xác, hiệu quả của việc giảm chiều dữ liệu mờ trong mọi tình huống.
IV.Hệ thống mờ thông minh Tập thô lân cận trọng số IFWNRS
Nghiên cứu mở rộng sang mô hình tập thô lân cận mờ trực cảm có trọng số (IFWNRS). Đây là một hướng tiếp cận tiên tiến khác. Nó tích hợp trọng số vào khái niệm tập thô lân cận. Mô hình IFWNRS xử lý cả sự không chắc chắn và sự quan trọng khác nhau của các thuộc tính. Điều này mang lại một công cụ mạnh mẽ hơn cho việc khai phá dữ liệu mờ. Nó đặc biệt hữu ích khi dữ liệu có độ nhiễu cao. Hoặc khi các thuộc tính có ảnh hưởng không đồng đều. Các thuật toán rút gọn thuộc tính dựa trên IFWNRS được phát triển. Chúng cải thiện khả năng tối ưu hóa thuộc tính. Điều này góp phần vào việc xây dựng các hệ thống mờ thông minh có khả năng ra quyết định chính xác hơn. Nó cũng hỗ trợ học máy gia tăng trong các ngữ cảnh phức tạp.
4.1. Khái niệm tập thô lân cận mờ trực cảm có trọng số
IFWNRS kết hợp ba khái niệm mạnh mẽ. Đó là tập mờ trực cảm, tập thô lân cận và trọng số. Tập mờ trực cảm xử lý sự không chắc chắn. Tập thô lân cận xử lý sự xấp xỉ của các đối tượng. Trọng số phản ánh tầm quan trọng của mỗi thuộc tính. Việc tích hợp trọng số giúp phân biệt rõ ràng hơn. Nó cho phép các thuật toán rút gọn thuộc tính ưu tiên các thuộc tính quan trọng. Điều này nâng cao chất lượng của tập rút gọn. Mô hình này rất phù hợp cho việc giảm chiều dữ liệu mờ. Đặc biệt trong các tình huống mà sự đóng góp của các thuộc tính là không đồng đều. Nó là một bước tiến quan trọng trong hệ thống mờ thông minh.
4.2. Ứng dụng thuật toán rút gọn thuộc tính dựa trên IFWNRS
Các thuật toán rút gọn thuộc tính dựa trên IFWNRS được đề xuất. Chúng tận dụng các tính chất đặc biệt của mô hình này. Các thuật toán này có khả năng tìm ra tập con thuộc tính tối ưu. Tập con này có tính phân biệt cao. Đồng thời nó cân nhắc tầm quan trọng của từng thuộc tính. Điều này dẫn đến các mô hình dự đoán mờ chính xác hơn. Nó cũng giảm thiểu số lượng thuộc tính cần thiết. Việc này giúp cải thiện hiệu suất tính toán. Nó hỗ trợ chọn lọc đặc trưng động hiệu quả hơn. Các thuật toán này đặc biệt thích hợp cho khai phá dữ liệu mờ. Chúng giúp xử lý các bảng quyết định phức tạp trong học máy gia tăng.
V.Tối ưu hóa thuộc tính Đánh giá hiệu suất thuật toán đề xuất
Để xác thực hiệu quả của các mô hình và thuật toán, đã tiến hành thử nghiệm và đánh giá kỹ lưỡng. Các thử nghiệm tập trung vào hiệu năng của các thuật toán rút gọn thuộc tính gia tăng được đề xuất. Cụ thể là các thuật toán xử lý khi bổ sung (IARPD-AO) và loại bỏ (IARPD-RO) tập đối tượng. Kết quả thử nghiệm cho thấy các thuật toán này đạt hiệu suất cao. Chúng giảm đáng kể thời gian tính toán so với các phương pháp truyền thống. Đồng thời, chúng vẫn duy trì hoặc cải thiện độ chính xác của mô hình dự đoán mờ. Việc đánh giá này là bước cuối cùng, quan trọng. Nó khẳng định giá trị của các giải pháp mới trong việc giảm chiều dữ liệu mờ và tối ưu hóa thuộc tính. Điều này đóng góp vào sự phát triển của hệ thống mờ thông minh và học máy gia tăng.
5.1. Thử nghiệm hiệu năng của thuật toán IARPD AO
Thuật toán IARPD-AO (Incremental Attribute Reduction for Partially Dynamic datasets - Adding Objects) được thử nghiệm. Các thử nghiệm được thực hiện trên nhiều tập dữ liệu khác nhau. Mục tiêu là đánh giá khả năng rút gọn thuộc tính khi bổ sung đối tượng mới. Kết quả cho thấy IARPD-AO hoạt động rất hiệu quả. Nó giảm thời gian xử lý một cách đáng kể. Nó so với việc tính toán lại toàn bộ. Đồng thời, độ chính xác của mô hình dự đoán mờ không bị ảnh hưởng tiêu cực. Thuật toán này chứng minh được khả năng chọn lọc đặc trưng động. Nó là giải pháp mạnh mẽ cho học máy gia tăng. Nó giúp tối ưu hóa thuộc tính trong môi trường dữ liệu phát triển.
5.2. Đánh giá hiệu năng của thuật toán IARPD RO
Thuật toán IARPD-RO (Incremental Attribute Reduction for Partially Dynamic datasets - Removing Objects) cũng được đánh giá kỹ lưỡng. Nó xử lý kịch bản loại bỏ tập đối tượng. Các thử nghiệm xác nhận khả năng của thuật toán này. Nó duy trì tập rút gọn tối ưu một cách hiệu quả. Nó không cần tính toán lại từ đầu. Giống như IARPD-AO, thuật toán này thể hiện khả năng giảm thời gian xử lý vượt trội. Nó vẫn giữ vững độ chính xác. Điều này khẳng định tính ứng dụng cao của IARPD-RO. Nó là một công cụ quan trọng cho khai phá dữ liệu mờ. Nó hỗ trợ giảm chiều dữ liệu mờ. Nó cũng cải thiện hiệu suất của hệ thống mờ thông minh trong các tình huống thực tế.
Tải xuống file đầy đủ để xem toàn bộ nội dung
Tải đầy đủ (125 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 Phạm Việt Anh CÁC MÔ HÌNH TIÊN TIẾN CHO RÚT GỌN THUỘC TÍNH GIA TĂNG DỰA TRÊN TẬP MỜ TRỰC CẢM VÀ TẬP THÔ LÂN CẬN TRỌNG SỐ LUẬN ÁN TIẾN SĨ NGÀNH MÁY TÍNH Hà Nội - Năm 2026 BỘ GIÁO DỤC VIỆN HÀN LÂM KHOA HỌC VÀ ĐÀO TẠO VÀ CÔNG NGHỆ VIỆT NAM HỌC VIỆN KHOA HỌC VÀ CÔNG NGHỆ Phạm Việt Anh CÁC MÔ HÌNH TIÊN TIẾN CHO RÚT GỌN THUỘC TÍNH GIA TĂNG DỰA TRÊN TẬP MỜ TRỰC CẢM VÀ TẬP THÔ LÂN CẬN TRỌNG SỐ LUẬN ÁN TIẾN SĨ NGÀNH MÁY TÍNH Ngành: Hệ thống thông tin Mã số: 9 48 01 04 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 - Năm 2026 i LỜI CAM ĐOAN Tôi xin cam đoan luận án: “Các mô hình tiên tiến cho rút gọn thuộc tính gia tăng dựa trên tập mờ trực cảm và tập thô lân cận trọng số” là công trình nghiên cứu của chính mình dưới sự hướng dẫn khoa học của tập thể hướng dẫn. Luận án 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 công bố 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 ngoài các công trình công bố của tác giả.
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 10 tháng 02 năm 2026 Tác giả luận án Phạm Việt Anh ii LỜI CẢM ƠN Luận án này được hoàn thành nhờ vào sự nỗ lực không ngừng của tác giả, cùng sự hỗ trợ tận tình từ các thầy cô hướng dẫn, sự đóng góp quý báu từ các chuyên gia, sự động viên, khích lệ tinh thần từ gia đình, bạn bè, đồng nghiệp, sinh viên trong suốt hành trình học tập và nghiên cứu. Trước hết, tác giả xin bày tỏ lòng biết ơn sâu sắc đối với PGS.TS Nguyễn Long Giang và TS Nguyễn Ngọc Thủy, những người Thầy đã dành sự quan tâm đặc biệt, chỉ dẫn tận tình và động viên tác giả hoàn thành luận án đúng tiến độ và đạt được những mục tiêu đề ra. Sự hỗ trợ chuyên môn, những lời khuyên quý báu của các Thầy đã giúp tác giả hoàn thiện bản thân, nâng cao chất lượng nghiên cứu, củng cố niềm tin học thuật trong suốt quá trình thực hiện đề tài.
Tác giả cũng xin bày tỏ lòng biết ơn đến Ban Lãnh đạo, các Cán bộ Phòng Đào tạo và các phòng chức năng của Học viện Khoa học và Công nghệ vì đã dành sự quan tâm, sự hỗ trợ nhiệt tình trong suốt quá trình nghiên cứu của tôi. Cuối cùng, tác giả xin gửi lời tri ân sâu sắc tới gia đình và người thân, những người đã luôn hy sinh vô điều kiện, là nguồn động viên mạnh mẽ về tinh thần và vật chất, mang đến môi trường tốt nhất để tác giả hoàn thành luận án. Sự hy sinh, tình yêu thương và niềm tin vô hạn của gia đình chính là động lực to lớn giúp tác giả vượt qua mọi khó khăn, thử thách trong suốt hành trình học tập và nghiên cứu. Hà Nội, ngày 10 tháng 02 năm 2026 Tác giả luận án Phạm Việt Anh iii MỤC LỤC Lời cam đoan.
ii Mục lục. iii Danh mục các ký hiệu, các chữ viết tắt. v Danh mục bảng. vi Danh mục các hình vẽ, đồ thị.
vii Mở đầu. 1 CHƯƠNG 1 Tổng quan về bài toán rút gọn thuộc tính trên bảng quyết định 8 1.2 Tổng quan về rút gọn thuộc tính .1 Định nghĩa về bài toán rút gọn thuộc tính .2 Các hướng tiếp cận trong rút gọn thuộc tính .3 Bảng quyết định và một số mô hình trong rút gọn thuộc tính .3 Mô hình tập thô mờ trực cảm .1 Lý thuyết tập mờ trực cảm .2 Mô hình tập thô mờ trực cảm .4 Các nghiên cứu liên quan đến rút gọn thuộc tính dựa trên tập thô mờ trực cảm .1 Rút gọn thuộc tính trên bảng quyết định cố định .2 Rút gọn thuộc tính trên bảng quyết định thay đổi .5 Các phương pháp đánh giá hiệu quả thuật toán .6 Định hướng nghiên cứu của luận án .7 Kết luận Chương 1. 34 CHƯƠNG 2 Đề xuất một số thuật toán rút gọn thuộc tính dựa trên tập mờ trực cảm mức α, β 35 2.2 Mô hình tập mờ trực cảm mức α, β .1 Khái niệm về tập mờ trực cảm mức α, β .2 Các tính chất của hạt thông tin mờ trực cảm mức alpha, beta .3 Đề xuất thuật toán rút gọn thuộc tính dựa trên tập mờ trực cảm mức α, β .1 Đề xuất thuật toán rút gọn thuộc tính trên bảng quyết định cố định 41 2.2 Đề xuất thuật toán rút gọn thuộc tính trên bảng quyết định thay đổi khi bổ sung tập đối tượng .3 Đề xuất thuật toán rút gọn thuộc tính trên bảng quyết định thay đổi khi loại bỏ tập đối tượng .4 Thử nghiệm và đánh giá các thuật toán đề xuất .1 Hiệu năng của thuật toán IARPD-AO .2 Hiệu năng của thuật toán IARPD-RO .5 Kết luận Chương 2. 68 CHƯƠNG 3 Đề xuất một số thuật toán rút gọn thuộc tính dựa trên tập thô lân cận mờ trực cảm có trọng số 70 3.2 Mô hình tập thô lân cận mờ trực cảm có trọng số .1 Khái niệm về tập thô lân cận mờ trực cảm có trọng số .2 Một số tính chất của IFWNRS .3 Đề xuất thuật toán rút gọn thuộc tính dựa trên IFWNRS .1 Đề xuất thuật toán rút gọn thuộc tính trên bảng quyết định cố định 77 3.2 Đề xuất thuật toán rút gọn thuộc tính trên bảng quyết định thay đổi khi bổ sung tập đối tượng .3 Đề xuất thuật toán rút gọn thuộc tính trên bảng quyết định thay đổi khi loại bỏ tập đối tượng .4 Thử nghiệm và đánh giá các thuật toán đề xuất .1 Hiệu năng của thuật toán IARIF-AO .2 Hiệu năng của thuật toán IARIF-DO .5 Kết luận Chương 3.
102 KẾT LUẬN VÀ KIẾN NGHỊ. 103 DANH MỤC CÔNG TRÌNH CÔNG BỐ LIÊN QUAN ĐẾN LUẬN ÁN105 TÀI LIỆU THAM KHẢO. 116 v DANH MỤC CÁC KÝ HIỆU, CÁC CHỮ VIẾT TẮT TT Ký hiệu Tiếng Anh Tiếng Việt 1 IS Information system Hệ thông tin/Bảng quyết định 2 RS Rough set Tập thô 3 FRS Fuzzy rough set Tập thô mờ 4 NRS Neighborhood rough set Tập thô lân cận 5 WNRS Weighted neighborhood rough set Tập thô lân cận trọng số 6 KNNRS k-nearest neighbor rough set Tập thô k-lân cận gần nhất 7 WKNRS Weighted k-nearest neighborhood Tập thô lân cận k láng giềng trọng rough set số 8 IFS Intuitionistic fuzzy set Tập mờ trực cảm 9 IFRS Intuitionistic fuzzy rough set Tập thô mờ trực cảm 10 α, β-IFS α, β-level intuitionistic fuzzy set Tập mờ trực cảm mức α, β 11 IE Information entropy Entroypy thông tin 12 IFPOS Intuitionistic fuzzy positive region Miền dương mờ trực cảm 13 IFWNRS Intuitionistic fuzzy weighted neigh- Tập thô lân cận mờ trực cảm có borhood rough set trọng số 14 KNN k-nearest neighbors k-láng giềng gần nhất 15 ARPD Attribute reduction based on the Rút gọn thuộc tính dựa trên khoảng α, β-level intuitionistic fuzzy parti- cách phân hoạch mờ trực cảm mức tion distance α, β 16 ARIFW Attribute reduction based on the Rút gọn thuộc tính dựa trên tập thô intuitionistic fuzzy weighted neigh- lân cận mờ trực cảm có trọng số borhood rough set vi DANH MỤC BẢNG 1.1 Một ví dụ về bảng quyết định .2 Một số phép toán tổng quát .3 Một số phương pháp rút gọn thuộc tính trên mô hình tập thô mờ trực cảm 28 1.4 Một số ưu điểm và nhược điểm chính của các mô hình .1 Các tập dữ liệu thử nghiệm cho IARPD-AO và một số thuật toán .2 Kích thước rút gọn, thời gian xử lý của ARPD và các thuật toán trên Uori 57 2.3 So sánh độ chính xác phân lớp của ARPD với một số thuật toán trên Uori 58 2.4 Thời gian xử lý, kích thước rút gọn của IARPD-AO và các thuật toán gia tăng .5 So sánh độ chính xác phân lớp của IARPD-AO với một số thuật toán gia tăng .6 Các tập dữ liệu thử nghiệm cho IARPD-RO và một số thuật toán .7 Kích thước rút gọn, thời gian xử lý của ARPD và các thuật toán trên U.8 So sánh độ chính xác phân lớp của ARPD với một số thuật toán trên U .9 Thời gian chạy, kích thước rút gọn của IARPD-RO và các thuật toán gia tăng .10 So sánh độ chính xác phân lớp của IARPD-RO với các thuật toán gia tăng 67 3.1 Các tập dữ liệu thử nghiệm cho IARIF-AO và một số thuật toán .2 Kích thước rút gọn và tham số của các thuật toán với KNN trên Uori .3 Thời gian thực thi của ARIFW và các thuật toán trên Uori .4 So sánh độ chính xác phân lớp của ARIFW với các thuật toán trên Uori .5 So sánh thời gian thực thi của IARIF-AO với các thuật toán gia tăng .6 Kích thước rút gọn, độ chính xác phân lớp của IARIF-AO và các thuật toán gia tăng .7 Các tập dữ liệu thử nghiệm cho IARIF-DO và một số thuật toán .8 Kích thước rút gọn và tham số của các thuật toán với KNN trên U .9 Thời gian thực thi của ARIFW với một số thuật toán khác trên U.10 So sánh độ chính xác phân lớp của ARIFW với các thuật toán khác trên U 98 3.11 So sánh thời gian thực thi của IARIF-DO với các thuật toán gia tăng .12 Kích thước rút gọn, độ chính xác phân lớp của IARIF-DO và các thuật toán gia tăng. 101 vii DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ 1.1 Các bước trong giai đoạn tiền xử lý dữ liệu .2 Các bước cơ bản trong lựa chọn thuộc tính .3 Phân loại các tiếp cận rút gọn thuộc tính .4 Hướng tiếp cận lọc trong rút gọn thuộc tính .5 Các nhánh mở rộng từ mô hình tập thô .1 Quá trình xây dựng các hạt thông tin mờ trực cảm mức α, β .2 Lưu đồ xử lý của thuật toán ARPD .3 Độ chính xác phân lớp của ARPD khi duyệt các giá trị tham số trên Uori 56 2.4 Độ chính xác phân lớp của ARPD khi duyệt các giá trị tham số trên U .1 Hạt thông tin lân cận mờ trực cảm có trọng số .2 Quá trình xây dựng các hạt thông tin lân cận mờ trực cảm có trọng số .
Nội dung được bảo vệ bản quyền — Tải xuống đầy đủ
Câu hỏi thường gặp
Luận án "Mô hình tiên tiến rút gọn thuộc tính gia tăng trên tập mờ trực cảm" nghiên cứu về vấn đề gì?
"Phân tích hiệu suất mô hình học máy xử lý ngôn ngữ tự nhiên. Khám phá phương pháp cải tiến hiệu suất và dự đoán chính xác trong các ứng dụng thực tế."
Luận án "Mô hình tiên tiến rút gọn thuộc tính gia tăng trên tập mờ trực cảm" có bao nhiêu trang?
Luận án "Mô hình tiên tiến rút gọn thuộc tính gia tăng trên tập mờ trực cảm" có 125 trang. Bạn có thể xem trước một phần tài liệu ngay trên trang web trước khi tải về.
Cách tải luận án "Mô hình tiên tiến rút gọn thuộc tính gia tăng trên tập mờ trực cảm" 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.