Nghiên cứu phát triển một số mô hình phân cụm bán giám sát
Luận án: Nghiên cứu phát triển một số mô hình phân cụm bán giám sát. Xem tóm tắt và tải về tại LuanAn.net
Máy tính
Luan An
Luận án tiến sĩ
Năm xuất bản
Số trang
139
Thời gian đọc
21 phút
Lượt xem
0
Lượt tải
0
Phí lưu trữ
40 Point
Tổng quan nhanh
- Chủ đề:
- Tổng quan phân cụm bán giám sát và mạng nơron FMN
- Số trang:
- 139 trang
- Trường:
- Học viện Khoa học và Công nghệ
- Chuyên ngành:
- Máy tính
- Tác giả:
- Nguyễn Thanh Sơn
- Năm:
- 2026
Tóm tắt nội dung luận án
I.Tổng quan phân cụm bán giám sát và mạng nơron FMN
Nghiên cứu này khám phá các mô hình phân cụm bán giám sát. Nó sử dụng mạng nơron Min-Max mờ (FMN). Nghiên cứu giải quyết thách thức xử lý tập dữ liệu lớn, phức tạp. Học bán giám sát kết hợp dữ liệu có nhãn và không nhãn. Cách tiếp cận này nâng cao hiệu suất phân cụm. Các phương pháp phân cụm truyền thống thường gặp khó khăn với chất lượng và quy mô dữ liệu. FMN cung cấp một khung làm việc mạnh mẽ cho nhận dạng mẫu. Nó vượt trội trong việc thích ứng với dữ liệu mới. Thành phần logic mờ cho phép xử lý sự không chắc chắn. Kiến trúc Min-Max đơn giản hóa cấu trúc mạng. Sự kết hợp này mang lại công cụ mạnh mẽ cho phân tích dữ liệu. Hiểu các khái niệm nền tảng là rất quan trọng. Nó đặt nền tảng cho phát triển mô hình tiên tiến. Tài liệu trình bày chi tiết sự phát triển của các kỹ thuật phân cụm. Nó nhấn mạnh tầm quan trọng của các phương pháp lai.
1.1. Bài toán phân cụm dữ liệu và ứng dụng thực tiễn
Phân cụm dữ liệu là một bài toán cơ bản trong máy học. Nhiệm vụ là nhóm các đối tượng tương tự vào cùng một cụm. Mục tiêu là tối đa hóa sự tương đồng trong cụm, tối thiểu hóa sự tương đồng giữa các cụm. Ứng dụng phân cụm rất đa dạng. Nó bao gồm phân tích thị trường, nhận dạng mẫu, xử lý ảnh, sinh học. Dữ liệu thường không có nhãn. Điều này gây khó khăn cho việc đánh giá chất lượng cụm. Nhiều thuật toán phân cụm đã được đề xuất. K-Means, DBSCAN, thuật toán phân cụm phân cấp là những ví dụ phổ biến. Tuy nhiên, mỗi thuật toán có ưu và nhược điểm riêng. Chúng thường gặp vấn đề với dữ liệu nhiễu hoặc các hình dạng cụm phức tạp. Nhu cầu về các phương pháp mạnh mẽ hơn là rõ ràng. Đặc biệt là khi làm việc với lượng lớn dữ liệu phi cấu trúc.
1.2. Giới thiệu mạng nơron Min Max mờ FMN
Mạng nơron Min-Max mờ (FMN) là một mô hình học mạnh mẽ. FMN tích hợp logic mờ và cấu trúc mạng nơron. Mô hình này sử dụng các siêu hộp mờ để biểu diễn cụm. Mỗi siêu hộp được định nghĩa bởi các đỉnh min và max. Các đỉnh này xác định ranh giới không gian của cụm. Hàm thuộc siêu hộp mờ đánh giá mức độ một điểm dữ liệu thuộc về một cụm. FMN có khả năng học nhanh chóng. Nó có thể thích nghi với sự thay đổi của dữ liệu. Thuật toán học FMN bao gồm mở rộng và thu hẹp siêu hộp. Mục đích là để chứa các mẫu dữ liệu mới. FMN đặc biệt hiệu quả trong việc xử lý dữ liệu không chắc chắn. Nó giảm thiểu ảnh hưởng của các nhiễu. Điều này làm cho FMN trở thành lựa chọn hấp dẫn cho bài toán phân cụm. FMN cung cấp một cách tiếp cận trực quan. Nó dễ dàng giải thích kết quả phân cụm.
1.3. Hạn chế của FMN và định hướng phát triển
Mặc dù FMN mạnh mẽ, nó vẫn có một số hạn chế. Một vấn đề là khả năng phân biệt các cụm chồng lấp. FMN đôi khi gặp khó khăn với dữ liệu mật độ không đều. Việc xác định các tham số ban đầu cũng là thách thức. Ví dụ, tham số ngưỡng hoặc kích thước siêu hộp tối đa. Chất lượng của siêu hộp ảnh hưởng trực tiếp đến kết quả phân cụm. Định hướng nghiên cứu tập trung vào cải thiện FMN. Mục tiêu là nâng cao chất lượng phân cụm dữ liệu. Đặc biệt là trong môi trường bán giám sát. Việc tích hợp thông tin nhãn hạn chế là một hướng quan trọng. Nghiên cứu tìm cách giải quyết vấn đề chọn tham số. Phát triển các chiến lược học tiên tiến hơn là cần thiết. Điều này giúp FMN ứng dụng rộng rãi hơn. Các cải tiến sẽ làm cho FMN trở nên linh hoạt hơn.
II.Mô hình phân cụm bán giám sát FMN Voting hiệu quả
Phần này giới thiệu một mô hình phân cụm bán giám sát tiên tiến. Nó tận dụng khung FMN. Mô hình tích hợp cơ chế bỏ phiếu đa số. Điều này tăng cường độ chính xác và mạnh mẽ của phân cụm. Học bán giám sát hưởng lợi đáng kể từ dữ liệu có nhãn. Ngay cả một lượng nhỏ dữ liệu có nhãn cũng có thể hướng dẫn quá trình phân cụm. Mô hình FMN-Voting tích hợp hướng dẫn này một cách hiệu quả. Nó nhằm mục đích khắc phục hạn chế của FMN truyền thống. Cụ thể, nó cải thiện việc xử lý các điểm dữ liệu mơ hồ. Cách tiếp cận này đảm bảo phân bổ cụm nhất quán hơn. Điều này dẫn đến kết quả phân cụm chất lượng cao hơn. Mô hình cung cấp một giải pháp thực tế. Nó giải quyết các thách thức dữ liệu thực tế. Dữ liệu thường chứa các nhãn hạn chế. Kiến trúc FMN-Voting được thiết kế để mở rộng. Nó duy trì hiệu quả tính toán.
2.1. Học bán giám sát dựa trên siêu hộp mờ
Học bán giám sát kết hợp dữ liệu có nhãn và không nhãn. Nó tận dụng thông tin nhãn để cải thiện hiệu suất. Trong FMN, siêu hộp mờ đóng vai trò trung tâm. Các siêu hộp này đại diện cho các cụm. Học bán giám sát trong FMN điều chỉnh ranh giới siêu hộp. Nó sử dụng cả dữ liệu có nhãn và không nhãn. Dữ liệu có nhãn giúp xác định nhãn ban đầu cho các siêu hộp. Nó cũng giúp tinh chỉnh vị trí các siêu hộp. Dữ liệu không nhãn được sử dụng để mở rộng và điều chỉnh các siêu hộp. Điều này đảm bảo bao phủ toàn bộ không gian dữ liệu. Phương pháp này cân bằng giữa sự chính xác và khả năng khái quát hóa. Nó tạo ra các cụm ý nghĩa hơn. Hiểu rõ cách các siêu hộp tương tác với dữ liệu là rất quan trọng. Nó giúp tối ưu hóa quá trình học.
2.2. Cơ chế bỏ phiếu đa số trong FMN
Cơ chế bỏ phiếu đa số là một kỹ thuật mạnh mẽ. Nó được sử dụng để củng cố quyết định phân cụm. Trong FMN-Voting, nhiều "người bỏ phiếu" được tạo ra. Mỗi người bỏ phiếu là một siêu hộp FMN. Họ đưa ra quyết định về nhãn của một điểm dữ liệu. Quyết định cuối cùng được xác định bởi đa số phiếu. Điều này giúp giảm thiểu sai sót. Nó làm tăng độ tin cậy của việc gán nhãn. Khi một điểm dữ liệu thuộc về nhiều siêu hộp, bỏ phiếu phát huy tác dụng. Nó giải quyết sự mơ hồ. Cơ chế này đặc biệt hữu ích với dữ liệu nhiễu hoặc chồng lấp. Nó đảm bảo các cụm được định nghĩa rõ ràng hơn. Kỹ thuật bỏ phiếu đa số nâng cao khả năng chống chịu lỗi. Nó cải thiện hiệu suất phân cụm tổng thể của FMN. Điều này biến FMN-Voting thành một mô hình mạnh mẽ.
2.3. Kiến trúc và thuật toán FMN Voting
Kiến trúc FMN-Voting được thiết kế độc đáo. Nó tích hợp các mạng FMN riêng biệt. Mỗi mạng đại diện cho một bộ phân loại. Các bộ phân loại này học từ tập dữ liệu. Chúng tạo ra các siêu hộp mờ. Thuật toán học FMN-Voting bao gồm nhiều giai đoạn. Đầu tiên, khởi tạo các siêu hộp dựa trên dữ liệu có nhãn. Sau đó, quá trình mở rộng siêu hộp diễn ra. Nó sử dụng dữ liệu không nhãn. Các siêu hộp được điều chỉnh để chứa các mẫu mới. Quan trọng nhất là bước bỏ phiếu đa số. Mỗi mẫu dữ liệu được đánh giá bởi tất cả các siêu hộp. Các siêu hộp này cùng "bỏ phiếu" cho nhãn của mẫu. Nhãn có số phiếu cao nhất được chọn. Điều này tạo ra một quyết định mạnh mẽ. Độ phức tạp tính toán của FMN-Voting được phân tích kỹ lưỡng. Nó đảm bảo tính khả thi trên các tập dữ liệu lớn.
III.Phát triển mô hình FMN SAL trong học bán giám sát
Phần này giới thiệu FMN-SAL, một mô hình học bán giám sát sáng tạo khác. FMN-SAL là viết tắt của Fuzzy Min-Max Semi-supervised Active Learning. Nó được xây dựng dựa trên kiến trúc FMN. Mô hình tích hợp một thành phần học tích cực chiến lược. Thành phần này chọn điểm dữ liệu để gán nhãn một cách thông minh. Mục tiêu là tối đa hóa tiện ích của dữ liệu có nhãn. FMN-SAL giải quyết thách thức về tài nguyên gán nhãn hạn chế. Nó tối ưu hóa quá trình học. Mô hình sử dụng hiệu quả cả nhãn hiện có và nhãn mới. Cách tiếp cận này dẫn đến những cải tiến đáng kể. Nó nâng cao độ chính xác phân cụm với ít sự can thiệp của con người hơn. FMN-SAL đại diện cho một tiến bộ tinh vi. Nó thu hẹp khoảng cách giữa các phương pháp hoàn toàn không giám sát và hoàn toàn giám sát. Mô hình cung cấp một giải pháp linh hoạt và thích ứng. Nó phù hợp cho nhiều ứng dụng thực tế.
3.1. Ý tưởng cốt lõi của FMN SAL
Ý tưởng chính của FMN-SAL là học tích cực. Nó kết hợp với phân cụm bán giám sát. Thay vì gán nhãn ngẫu nhiên, mô hình chủ động chọn mẫu. Nó chọn các mẫu có giá trị thông tin cao nhất để gán nhãn. Điều này làm giảm chi phí gán nhãn thủ công. Đồng thời, nó tối ưu hóa việc sử dụng dữ liệu có nhãn. FMN-SAL tập trung vào các mẫu gần ranh giới cụm. Hoặc các mẫu mà mô hình cảm thấy không chắc chắn. Những mẫu này cung cấp thông tin quý giá. Chúng giúp tinh chỉnh ranh giới siêu hộp. Cách tiếp cận này giúp mô hình học hiệu quả hơn. Nó đạt được hiệu suất tốt với ít dữ liệu có nhãn hơn. FMN-SAL là một giải pháp thông minh. Nó giải quyết vấn đề thiếu dữ liệu nhãn.
3.2. Cấu trúc và quy trình học FMN SAL
Kiến trúc FMN-SAL bao gồm một mạng FMN cơ bản. Nó được bổ sung bởi một module chọn mẫu chủ động. Quy trình học bắt đầu bằng việc khởi tạo FMN. Sử dụng một tập nhỏ dữ liệu có nhãn ban đầu. Sau đó, mô hình lặp lại các bước sau. Đầu tiên, FMN phân cụm dữ liệu không nhãn. Tiếp theo, module chọn mẫu xác định các điểm dữ liệu "đáng giá". Đây là những điểm mà việc gán nhãn sẽ mang lại nhiều thông tin nhất. Các điểm này được yêu cầu gán nhãn từ chuyên gia. Dữ liệu nhãn mới sau đó được đưa vào FMN. Quá trình này lặp lại cho đến khi đạt được tiêu chí dừng. Quy trình này đảm bảo mỗi nhãn mới được sử dụng hiệu quả. Nó liên tục cải thiện chất lượng phân cụm. Điều này giúp FMN-SAL đạt độ chính xác cao.
3.3. Đánh giá độ phức tạp tính toán
Độ phức tạp tính toán là một yếu tố quan trọng. Nó đánh giá tính khả thi của mô hình. FMN-SAL được thiết kế để tối ưu hóa hiệu suất. Các phép toán chính trong FMN-SAL bao gồm mở rộng siêu hộp. Nó bao gồm thu hẹp siêu hộp và tính toán hàm thuộc. Module chọn mẫu chủ động cũng có chi phí tính toán. Tuy nhiên, nó được bù đắp bởi hiệu quả gán nhãn. Việc giảm số lượng mẫu cần gán nhãn giúp tiết kiệm thời gian và tài nguyên. Mặc dù có thêm bước chọn mẫu, tổng thể FMN-SAL vẫn cạnh tranh. Nó có thể xử lý các tập dữ liệu có kích thước vừa và lớn. Phân tích chi tiết cho thấy mô hình có độ phức tạp polynomial. Nó là chấp nhận được trong nhiều ứng dụng thực tế.
IV.Chiến lược chọn hạt giống chủ động cho phân cụm
Phần này đi sâu vào các chiến lược học tích cực tiên tiến. Nó tập trung vào lựa chọn hạt giống cho phân cụm. Mô hình FA-Seed được đề xuất được nhấn mạnh. FA-Seed là viết tắt của Fuzzy Active Seed selection. Mô hình này cải thiện đáng kể phân cụm bán giám sát. Nó xác định các điểm "hạt giống" ban đầu một cách thông minh. Các hạt giống này rất quan trọng để hướng dẫn quá trình phân cụm. Các phương pháp truyền thống thường chọn hạt giống ngẫu nhiên. Điều này có thể dẫn đến hình thành cụm không tối ưu. FA-Seed đảm bảo các hạt giống được chọn có tính đại diện. Chúng cũng mang tính thông tin. Chiến lược này giảm thiểu nhu cầu gán nhãn thủ công rộng rãi. Nó tối đa hóa tác động của dữ liệu có nhãn hạn chế. Cách tiếp cận này rất quan trọng đối với các tập dữ liệu lớn. Nó làm cho quá trình phân cụm hiệu quả hơn. FA-Seed đại diện cho một bước nhảy vọt. Nó nâng cao độ tin cậy và độ chính xác của FMN bán giám sát.
4.1. Giới thiệu mô hình FA Seed
Mô hình FA-Seed là một cách tiếp cận mới. Nó nâng cao hiệu quả phân cụm bán giám sát. FA-Seed giải quyết vấn đề chọn điểm hạt giống ban đầu. Các điểm hạt giống này định hình các cụm. Chúng ảnh hưởng lớn đến kết quả cuối cùng. Phương pháp truyền thống thường chọn hạt giống ngẫu nhiên. Điều này có thể dẫn đến khởi tạo kém. FA-Seed sử dụng thông tin từ mạng FMN. Nó chọn các hạt giống có tính đại diện cao. Nó cũng chọn các hạt giống mang lại thông tin nhiều nhất. Mục tiêu là tạo ra các cụm ban đầu mạnh mẽ. Điều này giúp quá trình học tiếp theo diễn ra suôn sẻ hơn. FA-Seed đảm bảo một nền tảng vững chắc. Nó cho các mô hình phân cụm bán giám sát.
4.2. Lựa chọn hạt giống chủ động dựa trên FMN
Quá trình lựa chọn hạt giống chủ động của FA-Seed dựa trên FMN. FMN ban đầu được huấn luyện với một lượng nhỏ dữ liệu. Nó tạo ra các siêu hộp mờ. Các siêu hộp này phản ánh cấu trúc dữ liệu. FA-Seed phân tích các đặc điểm của siêu hộp. Nó xác định các điểm có tiềm năng trở thành hạt giống tốt. Các tiêu chí lựa chọn có thể bao gồm mật độ. Nó cũng bao gồm khoảng cách đến các ranh giới siêu hộp. Hoặc mức độ không chắc chắn của điểm dữ liệu. Những điểm nằm ở vị trí chiến lược được ưu tiên. Chúng có khả năng đại diện cho một cụm. Hoặc chúng cung cấp thông tin quan trọng. Điều này giúp cải thiện đáng kể việc khởi tạo cụm. Nó dẫn đến kết quả phân cụm chính xác hơn.
4.3. Thuật toán học của FA Seed
Thuật toán học của FA-Seed bao gồm nhiều bước. Bước đầu tiên là khởi tạo mạng FMN. Nó sử dụng một tập dữ liệu nhỏ. Tiếp theo, thuật toán đánh giá các điểm dữ liệu. Nó sử dụng các tiêu chí lựa chọn hạt giống đã xác định. Các điểm hạt giống được chọn. Sau đó, chúng được sử dụng để xây dựng các cụm ban đầu. Quá trình này được lặp lại. Nó liên tục tinh chỉnh các cụm. Dữ liệu không nhãn được phân loại dựa trên các cụm này. Mạng FMN được cập nhật định kỳ. Điều này phản ánh các thay đổi trong cấu trúc cụm. Thuật toán đảm bảo tính bền vững của các hạt giống. Nó dẫn đến các cụm ổn định và chính xác. FA-Seed tối ưu hóa toàn bộ quá trình học. Nó bắt đầu từ bước khởi tạo đến khi phân cụm cuối cùng.
V.Đánh giá hiệu suất và ứng dụng mô hình phân cụm
Phần này cung cấp một đánh giá toàn diện. Nó đánh giá hiệu suất của các mô hình phân cụm mới được phát triển. Nghiên cứu sử dụng nhiều bộ dữ liệu và số liệu khác nhau. Các thí nghiệm chặt chẽ xác nhận hiệu quả của FMN-Voting, FMN-SAL và FA-Seed. So sánh được thực hiện với các phương pháp hiện có. Trọng tâm là chứng minh độ chính xác và hiệu quả vượt trội. Đánh giá nêu bật những cải tiến trong việc xử lý dữ liệu nhiễu. Nó cũng cho thấy khả năng thích ứng tốt hơn với cấu trúc cụm phức tạp. Các ứng dụng thực tế của các mô hình này được thảo luận. Chúng mang lại tiềm năng đáng kể cho các ứng dụng thực tế. Phần này xác nhận các đóng góp khoa học. Nó nhấn mạnh sự tiến bộ trong phân cụm bán giám sát. Các phát hiện hỗ trợ sự mạnh mẽ và đáng tin cậy của các mô hình dựa trên FMN được đề xuất.
5.1. Thiết lập và phương pháp thực nghiệm
Việc thiết lập thực nghiệm được thực hiện cẩn thận. Nó đảm bảo tính khách quan và có thể tái lập. Nhiều bộ dữ liệu chuẩn được sử dụng. Chúng có đặc điểm và kích thước đa dạng. Các tham số mô hình được điều chỉnh tối ưu. Phương pháp đánh giá bao gồm các chỉ số tiêu chuẩn. Độ chính xác, độ phủ, F-measure, entropy là những ví dụ. So sánh được thực hiện với các thuật toán phân cụm khác. Điều này bao gồm cả phương pháp giám sát và bán giám sát. Môi trường thực nghiệm được kiểm soát. Nó đảm bảo các yếu tố ảnh hưởng được loại bỏ. Các thí nghiệm lặp lại nhiều lần. Kết quả được lấy trung bình để đảm bảo tính ổn định. Điều này mang lại cái nhìn toàn diện. Nó đánh giá hiệu suất của các mô hình mới.
5.2. Kết quả thực nghiệm các mô hình FMN mới
Kết quả thực nghiệm chứng minh hiệu quả của các mô hình FMN mới. FMN-Voting cho thấy cải thiện đáng kể. Nó tăng cường độ chính xác phân cụm. Điều này đặc biệt đúng với dữ liệu có nhãn hạn chế. FMN-SAL cũng thể hiện khả năng vượt trội. Nó tối ưu hóa việc sử dụng dữ liệu có nhãn. Mô hình này giảm đáng kể chi phí gán nhãn thủ công. FA-Seed cải thiện quá trình khởi tạo cụm. Nó dẫn đến kết quả phân cụm ổn định hơn. Các biểu đồ và bảng so sánh được trình bày chi tiết. Chúng minh họa sự vượt trội của các phương pháp đề xuất. Các mô hình mới vượt trội hơn các phương pháp hiện có. Điều này khẳng định tiềm năng ứng dụng rộng rãi.
5.3. Tiềm năng ứng dụng và kết luận nghiên cứu
Các mô hình phân cụm bán giám sát dựa trên FMN có tiềm năng lớn. Chúng ứng dụng trong nhiều lĩnh vực. Ví dụ: phân tích dữ liệu lớn, nhận dạng hình ảnh, hệ thống khuyến nghị. Khả năng xử lý dữ liệu không nhãn là lợi thế chính. Nó giảm thiểu nhu cầu gán nhãn tốn kém. Nghiên cứu này đóng góp vào lĩnh vực máy học. Nó phát triển các công cụ mạnh mẽ hơn cho phân tích dữ liệu. Các mô hình FMN-Voting, FMN-SAL và FA-Seed là những đóng góp quan trọng. Chúng cung cấp các giải pháp hiệu quả. Chúng giải quyết các thách thức của phân cụm dữ liệu hiện đại. Kết quả nghiên cứu mở ra hướng đi mới. Nó tiếp tục phát triển học bán giám sát. Điều này khẳng định giá trị khoa học của luận án.
Tải xuống file đầy đủ để xem toàn bộ nội dung
Tải đầy đủ (139 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 Nguyễn Thanh Sơn NGHIÊN CỨU PHÁT TRIỂN MỘT SỐ MÔ HÌNH PHÂN CỤM BÁN GIÁM SÁT DỰA TRÊN MẠNG NƠRON MIN-MAX MỜ LUẬN ÁN TIẾN SĨ MÁY TÍNH Hà Nội – 2026 BỘ GIÁO DỤC VIỆN HÀN LÂM KHOA HỌC VÀ ĐÀO TẠO VÀ CÔNG NGHỆ VIỆT NAM HỌC VIỆN KHOA HỌC VÀ CÔNG NGHỆ Nguyễn Thanh Sơn NGHIÊN CỨU PHÁT TRIỂN MỘT SỐ MÔ HÌNH PHÂN CỤM BÁN GIÁM SÁT DỰA TRÊN MẠNG NƠRON MIN-MAX MỜ LUẬN ÁN TIẾN SĨ 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 PGS.TS Lê Bá Dũng TS. Vũ Đình Minh Hà Nội – 2026 i LỜI CAM ĐOAN Tôi xin cam đoan luận án: “Nghiên cứu phát triển một số mô hình phân cụm bán giám sát dựa trên mạng nơron min-max mờ” 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. năm 2026 Tác giả luận án Nguyễn Thanh Sơn ii LỜI CẢM ƠN Trong quá trình nghiên cứu và hoàn thành Luận án, nghiên cứu sinh đã nhận được sự định hướng, giúp đỡ, các ý kiến đóng góp quý báu và những lời động viên của các nhà khoa học, các thầy cô giáo, đồng nghiệp và gia đình.
Trước hết, nghiên cứu sinh xin bày tỏ lời cảm ơn tới các thày PGS.TS Lê Bá Dũng, TS.Vũ Đình Minh đã tận tình hướng dẫn và giúp đỡ trong quá trình nghiên cứu. Cho phép Nghiên cứu sinh chân thành cảm ơn các thày cô giáo, các nhà khoa học của Viện Hàn lâm Khoa học và Công nghệ Việt Nam, Học viện Khoa học và Công nghệ, Viện Công nghệ thông tin,. đã có các góp ý quý báu cho Nghiên cứu sinh trong quá trình thực hiện Luận án này. Nghiên cứu sinh chân thành cảm ơn Ban Giám đốc, Phòng Đào tạo, Học viện Khoa học và Công nghệ đã tạo điều kiện thuận lợi để Nghiên cứu sinh hoàn thành nhiệm vụ nghiên cứu.
Cuối cùng Nghiên cứu sinh bày tỏ lời cảm ơn tới các đồng nghiệp, gia đình, bạn bè đã luôn động viên, chia sẻ, ủng hộ và giúp đỡ Nghiên cứu sinh vượt qua khó khăn để đạt được những kết quả nghiên cứu trong Luận án này. Hà Nội, ngày. năm 2026 Tác giả luận án Nguyễn Thanh Sơn 1 MỤC LỤC LỜI CAM ĐOAN. ii MỤC LỤC.
1 DANH MỤC CÁC KÝ HIỆU, CÁC CHỮ VIẾT TẮT. 3 DANH MỤC BẢNG. 6 DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ. TỔNG QUAN VỀ PHÂN CỤM BÁN GIÁM SÁT SỬ DỤNG MẠNG NƠRON MIN–MAX MỜ 16 1.1 Tổng quan về bài toán phân cụm dữ liệu và ứng dụng .2 Phân cụm bán giám sát dựa trên mạng nơron Min-Max mờ .1 Giới thiệu về mạng nơron Min-Max mờ .2 Hàm thuộc siêu hộp mờ .3 Cấu trúc mạng nơron FMN .4 Thuật toán học FMN .5 Một số vấn đề cần tiếp tục nghiên cứu để nâng cao chất lượng FMN cho phân cụm dữ liệu .3 Hạn chế, vấn đề đặt ra và định hướng nghiên cứu .4 Kết luận chương 1.
PHÂN CỤM BÁN GIÁM SÁT DỰA TRÊN MẠNG NƠRON MIN-MAX MỜ VỚI BỎ PHIẾU ĐA SỐ 38 2.1 Học bán giám sát dựa trên siêu hộp mờ .1 Phân hoạch không gian dữ liệu bằng FMN .2 Đánh giá siêu hộp dựa trên mật độ và phân phối dữ liệu trong siêu hộp .3 Cơ chế giám sát bán giám sát dựa trên siêu hộp .2 Học bán giám sát dựa trên bỏ phiếu đa số trong FMN .1 Giới thiệu về phương pháp bỏ phiếu đa số .2 Kỹ thuật bỏ phiếu đa số trong mạng nơron FMN .3 Mô hình FMN-Voting .1 Ý tưởng của FMN-Voting .2 Kiến trúc mạng nơron FMN-Voting .3 Thuật toán học trong FMN-Voting .4 Độ phức tạp tính toán của FMN-Voting .4 Mô hình FMN-SAL .1 Ý tưởng của FMN-SAL .2 Kiến trúc mạng nơron FMN-SAL .3 Thuật toán học trong FMN-SAL .5 Thực nghiệm và đánh giá .1 Thiết lập thực nghiệm .2 Kết quả thực nghiệm và đánh giá. HỌC BÁN GIÁM SÁT TRONG MẠNG NƠRON FMN VỚI CHIẾN LƯỢC CHỌN HẠT GIỐNG CHỦ ĐỘNG 90 3.1 Giới thiệu về mô hình FA-Seed .2 Mô hình FA-Seed: Lựa chọn hạt giống chủ động dựa trên FMN .1 Mô tả bài toán .2 Ý tưởng của FA-Seed .3 Kiến trúc mạng nơron FA-Seed .4 Thuật toán học của mô hình FA-Seed .3 Thực nghiệm và đánh giá .1 Thiết lập thực nghiệm .2 Kết quả thực nghiệm và đánh giá. 105 KẾT LUẬN 123 DANH MỤC CÔNG TRÌNH CÔNG BỐ LIÊN QUAN ĐẾN LUẬN ÁN 125 DANH MỤC TÀI LIỆU THAM KHẢO 127 3 DANH MỤC CÁC KÝ HIỆU, CÁC CHỮ VIẾT TẮT ℓ(Bj ) Nhãn của siêu hộp Bj. ℓxr Nhãn của mẫu dữ liệu xr.
|B| Lực lượng của tập B. µ(x, Bj ) Hàm xác định độ thuộc của mẫu x vào siêu hộp Bj. f (x, y) Hàm ngưỡng hai tham số x, y. max(x, y) Hàm chọn giá trị lớn nhất.
min(x, y) Hàm chọn giá trị nhỏ nhất. Rn Không gian Euclide n-chiều. V Đỉnh min của siêu hộp. W Đỉnh max của siêu hộp.
α Tham số chọn. β Tham số ngưỡng. γ Tham số mờ. ε Tham số nhiễu.
δ(Bj ) Kích thước của siêu hộp Bj. δ max Giới hạn kích thước tối đa của siêu hộp. δ(x, Bj ) Kích thước của siêu hộp Bj khi kết nạp thêm mẫu A. φ Tham số giảm ngưỡng.
A2M Protein huyết tương phân tử lớn (Alpha 2 Macroglobulin). AIS Hệ thống miễn dịch nhân tạo (Artificial Immune System). ALP Phosphatase kiềm (Alkaline Phosphatase). ALT Men Alanine AminoTransferase.
ANN Mạng nơron nhân tạo (Artificial Neural Network). APRI Phương pháp phân loại xơ hóa gan dựa vào tiểu cầu (Aspartate Aminotransferase to Platelet Ratio Index). ART Lý thuyết cộng hưởng thích nghi (Adaptive Resonance Theory). AST Men Aspartate Transaminase.
CCH Siêu hộp bù chứa (Containment Compensation Hyperbox). CDS Hệ thống chẩn đoán xơ gan (Cirrhosis Diagnosis System). CF Hệ số đóng góp (Contribution Factor). CFMN FMN cải tiến dựa trên hệ số CF (Contribution-factor based Fuzzy Min–Max Neural Network).
4 CFMNN FMN dựa trên tâm cụm (Centroid-based Fuzzy Min–Max Neural Network). CN Siêu hộp không chồng lấn (Classifying Neurons). CSPA Thuật toán phân cụm dựa trên phân vùng tương tự (Cluster-based Similarity Partitioning Algorithm). DCFMN Mạng FMN dựa trên tâm dữ liệu (Data-Core-Based Fuzzy Min–Max Neural Network).
ECT Cây phân cụm (Ensemble of Clustering Trees). EGWCA Thuật toán phân cụm dựa trên khoảng cách Euclide (Euclidean Distance Generalized Weighted Cluster Aggregation). EFMN Mạng nơron FMN tăng cường (Enhanced Fuzzy Min–Max Neural Network). eGWCA Thuật toán phân cụm dựa trên khoảng cách hàm mũ (Exponential Distance Generalized Weighted Cluster Aggregation).
eSFCM Phân cụm bán giám sát mờ dùng Entropy (Semi-supervised Entropy-Regularized Fuzzy Clustering). FART Lý thuyết cộng hưởng thích nghi mờ (Fuzzy Adaptive Resonance Theory). FIB-4 Phương pháp phân loại xơ hóa gan (Fibrosis-4). FMCN FMN cải tiến sử dụng nút chồng lấn (Compensatory Neurons).
FMM Lý thuyết min–max mờ (Fuzzy Min–Max). FMN Mạng nơron min–max mờ (Fuzzy Min–Max Neural Network). GFMM Mạng nơron min–max mờ tổng quát (General Fuzzy Min–Max). GGT Hoạt độ men GGT trong máu (Gamma Glutamyl Transferase).
GSOM Bản đồ tự tổ chức tăng trưởng (Growing Self-Organizing Map). HCF Hệ số tin cậy của siêu hộp (Hyperbox Confidence Factor). HE Hệ số Entropy của siêu hộp (Hyperbox Entropy). ID3 Thuật toán cây quyết định (Iterative Dichotomiser 3).
INR Tỉ số bình thường hóa quốc tế (International Normalized Ratio). IT Kỹ thuật thông minh (Intelligent Techniques). LCA Thuật toán nhóm dẫn đầu (Leader-Cluster Algorithm). MLF Mạng FMN đa mức (Multi-Level Fuzzy Min–Max Neural Net- work).
MLP Mạng nơron đa lớp (Multi-Layer Perceptron). MRI Chụp cộng hưởng từ (Magnetic Resonance Imaging). NAFLD Bệnh gan nhiễm mỡ không do rượu (Non-Alcoholic Fatty Liver Disease). 5 NMFC Gom cụm dựa trên NMF (Non-negative Matrix Factorization based Consensus).
NoH Số lượng siêu hộp (Number of Hyperboxes). OCH Siêu hộp chồng lấn bù (Overlapped Compensation Hyperbox). OLN Nút chồng lấn (Overlapping Neurons). PLT Tiểu cầu (Platelet Count).
PT Thời gian đông máu (Prothrombin Time). RFMN FMN phản xạ (Reflex Fuzzy Min–Max Neural Network). ROI Vùng quan tâm (Regions of Interest). SoL Tỉ lệ mẫu có nhãn (Scale of Labeled Patterns).
SS-FMM Học bán giám sát trong FMM (Semi-Supervised Fuzzy Min–Max). UCI Cơ sở dữ liệu máy học UCI (University of California, Irvine). ULN Giới hạn bình thường trên (Upper Limit of Normal). WC Phương pháp phân cụm đồng thuận có trọng số (Weighted Con- sensus).
6 DANH MỤC BẢNG Bảng 2.1 Thông tin các tập dữ liệu thực nghiệm Benchmark .2 Giá trị độ đo Accuracy của FMN-Voting và FMN-SAL.3 Ảnh hưởng của δ max đến số lượng siêu hộp hình thành của FMN-SAL .4 Giá trị độ đo ARI của các thuật toán trên các tập dữ liệu thực nghiệm [101].5 Giá trị Accuracy của ba mô hình trên các tập dữ liệu .6 Kết quả đánh giá trên lớp bệnh gan của mô hình FMN-SAL.7 Chỉ số đánh giá phân cụm của mô hình FMN-SAL khi thay đổi δ max trên tập dữ liệu ILPD.8 Đánh giá khả năng nhận diện lớp bệnh gan của mô hình FMN- Voting.9 Kết quả các chỉ số đánh giá mô hình FMN-Voting khi thay đổi δmax .10 Kết quả nhận diện lớp bệnh gan của FMN-SAL, FMN-Voting và các phương pháp đối sánh.11 So sánh kết quả nhận diện lớp không bệnh gan của FMN-SAL, FMN-Voting với các phương pháp đối sánh.12 So sánh kết quả của FMN-SAL, FMN-Voting và các phương pháp đối sánh.13 Kết quả so sánh FMN-SAL, FMN-Voting với các phương pháp khác.1 Đánh giá trên lớp bệnh gan của mô hình FA-Seed khi thay đổi δ max .2 Kết quả đánh giá mô hình FA-Seed khi thay đổi δ max trên tập dữ liệu ILPD.3 Kết quả đánh giá phân cụm của mô hình FA-Seed khi thay đổi δ max .4 So sánh nhận diện lớp bệnh gan của FA-Seed với các phương pháp khác.5 So sánh nhận diện lớp không bệnh của FA-Seed với các phương pháp khác.6 So sánh FA-Seed với MSCFMN và các phương pháp phân cụm trên Weka.7 So sánh FA-Seed với MSCFMN và các phương pháp phân cụm trên Weka. 120 8 DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ Hình 1.1 Minh họa phân cụm dữ liệu .2 Đồ họa minh họa về không gian siêu hộp với hai cụm .3 Siêu hộp Bj trong không gian 3D với hai đỉnh Vj và Wj .
Nội dung được bảo vệ bản quyền — Tải xuống đầy đủ
Trích dẫn luận án này
Nguyễn Thanh Sơn (2026). Nghiên cứu phát triển một số mô hình phân cụm bán giám sát [Luận án tiến sĩ, Học viện Khoa học và Công nghệ]. LuanAn.net. https://luanan.net/tai-lieu-khac/nghien-cuu-phat-trien-mot-so-mo-hinh-phan-cum-ban-giam-sat
Câu hỏi thường gặp
Luận án "Nghiên cứu phát triển một số mô hình phân cụm bán giám sát" nghiên cứu về vấn đề gì?
Luận án: Nghiên cứu phát triển một số mô hình phân cụm bán giám sát. Xem tóm tắt và tải về tại LuanAn.net
Luận án "Nghiên cứu phát triển một số mô hình phân cụm bán giám sát" được bảo vệ tại trường nào?
Luận án này được bảo vệ tại Học viện Khoa học và Công nghệ. Năm bảo vệ: 2026.
Luận án "Nghiên cứu phát triển một số mô hình phân cụm bán giám sát" thuộc chuyên ngành gì?
Luận án "Nghiên cứu phát triển một số mô hình phân cụm bán giám sát" thuộc chuyên ngành Máy tính. Danh mục: Tài liệu khác.
Luận án "Nghiên cứu phát triển một số mô hình phân cụm bán giám sát" có bao nhiêu trang?
Luận án "Nghiên cứu phát triển một số mô hình phân cụm bán giám sát" có 139 trang. Bạn có thể xem trước một phần tài liệu ngay trên trang web trước khi tải về.
Cách tải luận án "Nghiên cứu phát triển một số mô hình phân cụm bán giám sát" 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.