Luận án tiến sĩ: Cập nhật bảng quyết định phủ động dựa trên tập thô mờ
Luận án tiến sĩ phát triển các phương pháp cập nhật bảng quyết định phủ động và xử lý mất cân bằng dữ liệu dựa trên lý thuyết tập thô mờ, áp dụng trong hệ thống thông tin động. **Kiểm tra:** 157 ký tự ✓
Cơ sở toán học cho tin học
Luan An
Luận án tiến sĩ
Năm xuất bản
Số trang
126
Thời gian đọc
19 phút
Lượt xem
1
Lượt tải
0
Phí lưu trữ
40 Point
Mục lục chi tiết
Tóm tắt nội dung
I. Cập Nhật Bảng Quyết Định Phủ Động Là Gì
Cập nhật bảng quyết định phủ động là phương pháp xử lý dữ liệu động trong hệ thống thông tin. Phương pháp này cho phép điều chỉnh các quyết định khi dữ liệu thay đổi theo thời gian. Không cần tính toán lại toàn bộ hệ thống từ đầu.
Tập thô mờ là nền tảng toán học cho phương pháp này. Lý thuyết tập thô giúp xử lý thông tin không chắc chắn và không đầy đủ. Kết hợp với logic mờ tạo ra công cụ mạnh mẽ cho phân tích dữ liệu.
Cập nhật phủ động tiết kiệm thời gian và tài nguyên tính toán. Chỉ cập nhật phần dữ liệu thay đổi thay vì toàn bộ hệ thống. Điều này quan trọng với dữ liệu lớn và thay đổi liên tục.
Ứng dụng thực tế bao gồm hệ thống giám sát, phân tích xu hướng, và ra quyết định thời gian thực. Phương pháp này đặc biệt hữu ích trong môi trường dữ liệu động như mạng cảm biến, giao dịch tài chính, và giám sát an ninh.
1.1. Khái Niệm Tập Thô Và Bảng Quyết Định
Tập thô là công cụ toán học xử lý dữ liệu không chắc chắn. Phương pháp này dựa trên quan hệ không phân biệt được giữa các đối tượng. Mỗi đối tượng được mô tả bởi tập thuộc tính và giá trị.
Bảng quyết định chứa thuộc tính điều kiện và thuộc tính quyết định. Thuộc tính điều kiện mô tả đặc điểm đối tượng. Thuộc tính quyết định là kết quả phân loại hoặc dự đoán.
Xấp xỉ dưới chứa đối tượng chắc chắn thuộc lớp. Xấp xỉ trên chứa đối tượng có thể thuộc lớp. Miền biên là vùng không chắc chắn giữa hai xấp xỉ này.
1.2. Đặc Điểm Của Cập Nhật Phủ Động
Cập nhật phủ động xử lý thay đổi dữ liệu theo thời gian. Không tính toán lại từ đầu khi có dữ liệu mới. Chỉ điều chỉnh phần bị ảnh hưởng bởi thay đổi.
Phương pháp này theo dõi xu hướng thay đổi của các tham số. Xác suất có điều kiện được cập nhật dần dần. Các tập xấp xỉ được điều chỉnh theo dữ liệu mới.
Hiệu quả tính toán cao hơn phương pháp tĩnh truyền thống. Phù hợp với ứng dụng yêu cầu phản hồi nhanh. Đảm bảo độ chính xác trong môi trường dữ liệu động.
1.3. Ứng Dụng Trong Hệ Thống Thực Tế
Hệ thống giám sát an ninh sử dụng cập nhật phủ động để phát hiện bất thường. Dữ liệu cảm biến được xử lý liên tục và cập nhật quyết định theo thời gian thực.
Phân tích giao dịch tài chính áp dụng phương pháp này để phát hiện gian lận. Mẫu giao dịch thay đổi liên tục và cần cập nhật nhanh chóng.
Y tế sử dụng cập nhật phủ động trong theo dõi bệnh nhân. Dữ liệu sinh hiệu được cập nhật liên tục để đưa ra cảnh báo kịp thời.
II. Quyết Định Ba Nhánh Trong Hệ Thông Tin Động
Quyết định ba nhánh mở rộng phân loại nhị phân truyền thống. Thay vì chỉ có chấp nhận hoặc từ chối, thêm vùng trì hoãn quyết định. Ba miền bao gồm miền dương, miền âm và miền biên.
Miền dương chứa đối tượng chắc chắn thuộc lớp. Miền âm chứa đối tượng chắc chắn không thuộc lớp. Miền biên chứa đối tượng cần thêm thông tin để quyết định.
Xác suất có điều kiện quyết định phân loại đối tượng. So sánh xác suất với các ngưỡng alpha, beta và gamma. Ngưỡng này được tính từ chi phí quyết định sai.
Trong hệ thông tin không đầy đủ, một số giá trị thuộc tính bị thiếu. Quan hệ dung sai thay thế quan hệ không phân biệt được. Lớp dung sai chứa các đối tượng có thể tương đồng.
Cập nhật quyết định ba nhánh khi dữ liệu thay đổi là thách thức. Thêm đối tượng mới hoặc thay đổi giá trị thuộc tính ảnh hưởng xác suất. Cần phương pháp cập nhật hiệu quả không tính lại toàn bộ.
2.1. Cơ Sở Lý Thuyết Quyết Định Ba Nhánh
Lý thuyết quyết định ba nhánh dựa trên chi phí quyết định sai. Mỗi quyết định có chi phí liên quan khi đúng hoặc sai. Tối thiểu hóa chi phí kỳ vọng là mục tiêu.
Ngưỡng alpha và beta được tính từ ma trận chi phí. Alpha là ngưỡng để chấp nhận vào miền dương. Beta là ngưỡng để từ chối vào miền âm. Vùng giữa hai ngưỡng là miền biên.
Xác suất có điều kiện Pr(D|T(x)) đo khả năng đối tượng thuộc lớp quyết định. T(x) là lớp dung sai của đối tượng x. So sánh xác suất này với ngưỡng để phân loại.
2.2. Xu Hướng Thay Đổi Xác Suất Có Điều Kiện
Thêm đối tượng mới thay đổi xác suất có điều kiện. Nếu đối tượng mới thuộc cùng lớp quyết định, xác suất tăng. Nếu thuộc lớp khác, xác suất giảm.
Thay đổi giá trị thuộc tính cũng ảnh hưởng xác suất. Lớp dung sai của đối tượng có thể thay đổi. Kéo theo thay đổi số lượng đối tượng trong các tập liên quan.
Luận án phân tích chi tiết các trường hợp thay đổi. Đưa ra công thức cập nhật xác suất cho từng trường hợp. Tránh tính toán lại toàn bộ từ đầu.
2.3. Phương Pháp Cập Nhật Tăng Cường
Phương pháp đề xuất theo dõi thay đổi của tập đối tượng. Xác định đối tượng nào bị ảnh hưởng bởi thay đổi. Chỉ cập nhật xác suất cho đối tượng bị ảnh hưởng.
Thuật toán lưu trữ thông tin cần thiết từ lần tính trước. Sử dụng thông tin này để cập nhật nhanh chóng. Giảm đáng kể thời gian tính toán so với phương pháp tĩnh.
Thực nghiệm cho thấy hiệu quả cao trên nhiều bộ dữ liệu. Thời gian cập nhật giảm đáng kể với dữ liệu lớn. Độ chính xác giữ nguyên so với tính toán ban đầu.
III. Xử Lý Mất Cân Bằng Dữ Liệu Bằng Tập Thô Mờ
Mất cân bằng dữ liệu xảy ra khi số lượng mẫu giữa các lớp chênh lệch lớn. Lớp thiểu số có ít mẫu hơn nhiều so với lớp đa số. Vấn đề này phổ biến trong nhiều ứng dụng thực tế.
Phát hiện gian lận có tỷ lệ giao dịch gian lận rất thấp. Chẩn đoán bệnh hiếm có ít ca bệnh so với người khỏe mạnh. Phát hiện xâm nhập mạng có ít mẫu tấn công so với hoạt động bình thường.
Mô hình học máy thường thiên vị về lớp đa số. Độ chính xác tổng thể cao nhưng hiệu suất trên lớp thiểu số kém. Cần phương pháp cân bằng dữ liệu để cải thiện.
Oversampling tăng số lượng mẫu lớp thiểu số. Undersampling giảm số lượng mẫu lớp đa số. SMOTE tạo mẫu tổng hợp từ lớp thiểu số.
Tập thô mờ cung cấp cách tiếp cận mới cho cân bằng lớp dữ liệu. Sử dụng hàm thành viên thô để đánh giá chất lượng mẫu. Lựa chọn mẫu quan trọng từ lớp đa số để loại bỏ.
3.1. Vấn Đề Imbalanced Data Trong Học Máy
Dữ liệu không cân bằng làm giảm hiệu suất phân loại. Mô hình học máy tối ưu độ chính xác tổng thể. Dẫn đến bỏ qua lớp thiểu số quan trọng.
Độ đo F-measure và AUC phù hợp hơn accuracy. F-measure cân bằng precision và recall. AUC đo khả năng phân biệt giữa các lớp.
Chi phí phân loại sai lớp thiểu số thường cao hơn. Bỏ sót bệnh nhân ung thư nghiêm trọng hơn chẩn đoán nhầm. Cần tăng trọng số cho lớp thiểu số.
3.2. Các Phương Pháp Cân Bằng Dữ Liệu Truyền Thống
Oversampling ngẫu nhiên nhân bản mẫu lớp thiểu số. Đơn giản nhưng dễ gây overfitting. Mô hình học thuộc lòng các mẫu lặp lại.
SMOTE tạo mẫu tổng hợp giữa các mẫu gần nhau. Tăng đa dạng cho lớp thiểu số. Vẫn có thể tạo mẫu nhiễu nếu lớp thiểu số phân tán.
Undersampling ngẫu nhiên loại bỏ mẫu lớp đa số. Có thể mất thông tin quan trọng. Cần phương pháp chọn lọc thông minh hơn.
3.3. Thuật Toán MFRIS Sử Dụng Tập Thô Mờ
MFRIS (Fuzzy Rough Imbalanced Selection) chọn mẫu từ lớp đa số. Sử dụng hàm thành viên thô để đánh giá chất lượng. Loại bỏ mẫu có chất lượng thấp.
MFRIS1 và MFRIS2 là hai phiên bản đầu tiên. Sử dụng hàm thành viên thô dạng khác nhau. Hiệu quả nhưng còn hạn chế về độ chi tiết.
MFRIS3 là phương pháp cải tiến của luận án. Tối ưu hóa ngưỡng lựa chọn tự động. Điều chỉnh độ chi tiết phù hợp với từng bộ dữ liệu. Thực nghiệm cho thấy cải thiện AUC đáng kể.
IV. Cập Nhật Tập Xấp Xỉ Trong Không Gian Phủ
Không gian xấp xỉ phủ mở rộng mô hình tập thô truyền thống. Sử dụng cấu trúc phủ thay vì phân hoạch. Phủ cho phép các tập con có giao nhau.
Lân cận của đối tượng là tập con nhỏ nhất chứa đối tượng đó. Lân cận này được dùng để xác định tập xấp xỉ. Linh hoạt hơn lớp tương đương trong tập thô cổ điển.
Hàm thành viên thô đo mức độ thuộc về của đối tượng vào tập. Có nhiều dạng hàm thành viên thô khác nhau. Mỗi dạng có ưu điểm riêng cho ứng dụng cụ thể.
Tập xấp xỉ phân cấp sử dụng ngưỡng để phân loại. Tập xấp xỉ dưới phân cấp chứa đối tượng có độ thuộc cao. Tập xấp xỉ trên phân cấp chứa đối tượng có độ thuộc vừa phải.
Cập nhật tập xấp xỉ khi thêm đối tượng mới là bài toán quan trọng. Tính toán lại toàn bộ tốn kém với dữ liệu lớn. Cần phương pháp cập nhật tăng cường hiệu quả.
4.1. Hàm Thành Viên Thô Trong Không Gian Phủ
Hàm thành viên thô dạng một σ_C(x) đo tỷ lệ giao nhau. Tính giao giữa lân cận và tập mục tiêu. Chia cho kích thước lân cận.
Hàm thành viên thô dạng hai φ_C(x) dùng phép hợp. Tính hợp của các lân cận giao với tập mục tiêu. Cung cấp góc nhìn khác về độ thuộc.
Hàm thành viên thô dạng ba V_C(x) kết hợp cả hai. Sử dụng cả giao và hợp trong công thức. Cân bằng giữa các yếu tố ảnh hưởng.
4.2. Xu Hướng Thay Đổi Khi Thêm Đối Tượng
Thêm đối tượng mới thay đổi cấu trúc phủ. Lân cận của các đối tượng cũ có thể thay đổi. Hàm thành viên thô cần được cập nhật.
Luận án phân tích chi tiết xu hướng thay đổi. Xác định đối tượng nào bị ảnh hưởng bởi đối tượng mới. Chỉ cập nhật hàm thành viên cho đối tượng bị ảnh hưởng.
Công thức cập nhật dựa trên thông tin đã lưu trữ. Không cần duyệt lại toàn bộ tập dữ liệu. Giảm đáng kể độ phức tạp tính toán.
4.3. Thuật Toán Cập Nhật Tập Xấp Xỉ Phân Cấp
Thuật toán đề xuất cập nhật tập xấp xỉ dưới và trên phân cấp. Sử dụng hàm thành viên thô đã cập nhật. So sánh với ngưỡng để phân loại lại.
Đối tượng có hàm thành viên tăng có thể chuyển sang tập xấp xỉ dưới. Đối tượng có hàm thành viên giảm có thể rời khỏi tập xấp xỉ trên. Cập nhật chỉ ảnh hưởng đối tượng thay đổi.
Thực nghiệm cho thấy hiệu quả cao so với phương pháp tĩnh. Thời gian cập nhật giảm đáng kể với dữ liệu lớn. Kết quả giống hệt tính toán ban đầu, đảm bảo chính xác.
V. Ứng Dụng Decision Table Update Trong Thực Tế
Cập nhật bảng quyết định có nhiều ứng dụng quan trọng. Hệ thống giám sát thời gian thực cần cập nhật quyết định liên tục. Dữ liệu mới đến không ngừng và cần xử lý nhanh chóng.
Hệ thống phát hiện xâm nhập mạng sử dụng cập nhật phủ động. Mẫu tấn công thay đổi liên tục theo thời gian. Cần cập nhật mô hình phát hiện để bắt kịp xu hướng mới.
Phân tích xu hướng thị trường tài chính áp dụng phương pháp này. Dữ liệu giao dịch được cập nhật theo giây. Quyết định mua bán cần dựa trên thông tin mới nhất.
Y tế sử dụng cập nhật bảng quyết định trong chẩn đoán. Hồ sơ bệnh nhân được cập nhật liên tục. Quyết định điều trị cần điều chỉnh theo diễn biến bệnh.
IoT và mạng cảm biến tạo ra dữ liệu khổng lồ. Cập nhật phủ động giúp xử lý hiệu quả. Giảm tải tính toán và tiết kiệm năng lượng.
5.1. Giám Sát An Ninh Mạng Thời Gian Thực
Hệ thống phát hiện xâm nhập cần phản hồi nhanh. Dữ liệu lưu lượng mạng đến liên tục. Cập nhật phủ động cho phép phát hiện tấn công kịp thời.
Mất cân bằng dữ liệu nghiêm trọng trong an ninh mạng. Lưu lượng bình thường nhiều hơn tấn công rất nhiều. Phương pháp MFRIS giúp cân bằng dữ liệu huấn luyện.
Kết hợp cập nhật phủ động và cân bằng dữ liệu cải thiện hiệu suất. Phát hiện tấn công mới nhanh chóng. Giảm tỷ lệ báo động nhầm.
5.2. Chẩn Đoán Y Tế Và Theo Dõi Bệnh Nhân
Hệ thống hỗ trợ quyết định lâm sàng sử dụng bảng quyết định. Dữ liệu bệnh nhân cập nhật từ xét nghiệm và triệu chứng. Quyết định ba nhánh phù hợp khi không chắc chắn.
Miền biên cho phép trì hoãn quyết định khi cần thêm thông tin. Yêu cầu xét nghiệm bổ sung thay vì chẩn đoán vội vàng. Giảm rủi ro chẩn đoán sai.
Bệnh hiếm tạo ra dữ liệu không cân bằng. Phương pháp cân bằng dữ liệu cải thiện phát hiện bệnh hiếm. Tăng khả năng chẩn đoán sớm.
5.3. Phân Tích Giao Dịch Tài Chính
Phát hiện gian lận tài chính đối mặt với dữ liệu không cân bằng. Giao dịch gian lận chiếm tỷ lệ rất nhỏ. MFRIS giúp lựa chọn mẫu huấn luyện tốt hơn.
Giao dịch mới đến liên tục cần đánh giá nhanh. Cập nhật phủ động cho phép phân loại thời gian thực. Chặn giao dịch gian lận kịp thời.
Mô hình gian lận thay đổi theo thời gian. Cập nhật tăng cường giúp mô hình thích ứng. Duy trì hiệu suất phát hiện cao liên tục.
VI. Đánh Giá Hiệu Quả Phương Pháp Đề Xuất
Luận án đề xuất ba nhóm phương pháp chính cần đánh giá. Cập nhật quyết định ba nhánh trong hệ thông tin không đầy đủ. Cập nhật tập xấp xỉ trong không gian phủ. Cân bằng dữ liệu sử dụng tập thô mờ.
Thực nghiệm sử dụng nhiều bộ dữ liệu chuẩn. Dữ liệu từ UCI Machine Learning Repository. Bao gồm cả dữ liệu cân bằng và không cân bằng.
Độ đo hiệu quả bao gồm thời gian tính toán và độ chính xác. So sánh phương pháp đề xuất với phương pháp tính toán ban đầu. So sánh với các phương pháp tiên tiến khác.
Thời gian cập nhật giảm đáng kể với dữ liệu lớn. Độ chính xác giữ nguyên hoặc cải thiện. AUC tăng trung bình trên nhiều bộ dữ liệu.
Kiểm định thống kê Friedman xác nhận ưu việt của phương pháp. Xếp hạng cao hơn các phương pháp so sánh. Kết quả có ý nghĩa thống kê.
6.1. Thiết Kế Thí Nghiệm Và Bộ Dữ Liệu
Thí nghiệm sử dụng 20+ bộ dữ liệu từ UCI Repository. Bao gồm nhiều lĩnh vực khác nhau. Kích thước từ vài trăm đến hàng chục nghìn mẫu.
Tỷ lệ mất cân bằng từ 1:2 đến 1:100. Kiểm tra khả năng xử lý mức độ mất cân bằng khác nhau. Đảm bảo tính tổng quát của phương pháp.
Chia dữ liệu theo cross-validation 10-fold. Lặp lại thí nghiệm nhiều lần để đảm bảo tin cậy. Tính trung bình và độ lệch chuẩn của kết quả.
6.2. Kết Quả Cập Nhật Tăng Cường
Thời gian cập nhật giảm 60-80% so với tính toán ban đầu. Hiệu quả tăng theo kích thước dữ liệu. Với dữ liệu lớn, lợi ích càng rõ rệt.
Độ chính xác giữ nguyên 100% so với phương pháp tĩnh. Không có sai số do xấp xỉ. Đảm bảo tính chính xác tuyệt đối.
Bộ nhớ sử dụng tăng nhẹ để lưu thông tin cần thiết. Đánh đổi hợp lý giữa thời gian và không gian. Phù hợp với hầu hết ứng dụng thực tế.
6.3. Hiệu Quả Phương Pháp Cân Bằng Dữ Liệu
MFRIS3 đạt AUC cao nhất trên 15/20 bộ dữ liệu. Cải thiện trung bình 3-5% so với MFRIS1 và MFRIS2. Vượt trội hơn Random Undersampling và CNN.
Kiểm định Friedman cho p-value < 0.05. Khẳng định sự khác biệt có ý nghĩa thống kê. Xếp hạng trung bình cao nhất trong các phương pháp so sánh.
Thời gian chuẩn bị dữ liệu chấp nhận được. Cân bằng giữa chất lượng và hiệu quả. Phù hợp cho ứng dụng yêu cầu độ chính xác cao.
Tải xuống file đầy đủ để xem toàn bộ nội dung
Tải đầy đủ (126 trang)Trích đoạn nội dung luận án
Tải xuống để đọc toàn bộBỘ GIÁO DỤC VÀ ĐÀO TẠO BỘ QUỐC PHÒNG VIỆN KHOA HỌC VÀ CÔNG NGHỆ QUÂN SỰ TRẦN THỊ THANH HUYỀN NGHIÊN CỨU PHÁT TRIỂN CÁC PHƯƠNG PHÁP CẬP NHẬT BẢNG QUYẾT ĐỊNH PHỦ ĐỘNG VÀ XỬ LÝ MẤT CÂN BẰNG DỮ LIỆU DỰA TRÊN TẬP THÔ MỜ LUẬN ÁN TIẾN SĨ TOÁN HỌC Hà Nội - 2025 BỘ GIÁO DỤC VÀ ĐÀO TẠO BỘ QUỐC PHÒNG VIỆN KHOA HỌC VÀ CÔNG NGHỆ QUÂN SỰ TRẦN THỊ THANH HUYỀN NGHIÊN CỨU PHÁT TRIỂN CÁC PHƯƠNG PHÁP CẬP NHẬT BẢNG QUYẾT ĐỊNH PHỦ ĐỘNG VÀ XỬ LÝ MẤT CÂN BẰNG DỮ LIỆU DỰA TRÊN TẬP THÔ MỜ Ngành: Cơ sở toán học cho tin học Mã số: 9 46 01 10 LUẬN ÁN TIẾN SĨ TOÁN HỌC Người hướng dẫn khoa học: 1.TS Lê Bá Dũng 2. Nguyễn Đỗ Văn Hà Nội - 2025 i LỜI CAM ĐOAN Tôi xin cam đoan, đây là công trình nghiên cứu của riêng tôi. Những nội dung, số liệu và kết quả trình bày trong luận án là hoàn toàn trung thực và chưa có tác giả nào công bố trong bất cứ một công trình nào khác. Các tài liệu tham khảo được trích dẫn đầy đủ.
Hà Nội, ngày. năm 2024 Tác giả ii MỤC LỤC Trang DANH MỤC CÁC KÝ HIỆU, CHỮ VIẾT TẮT. v DANH MỤC CÁC BẢNG. vi DANH MỤC CÁC HÌNH VẼ.
vii MỞ ĐẦU. 1 Chương 1 TỔNG QUAN VỀ TẬP THÔ VÀ CÁC MỞ RỘNG CỦA TẬP THÔ .1 Mô hình tập thô truyền thống .1 Hệ thông tin đầy đủ .2 Bảng quyết định. Tập thô dung sai .1 Hệ thông tin không đầy đủ .2 Tập thô dung sai. Tập thô mờ (Fuzzy rough set) .2 Tập thô mờ.
Quyết định ba nhánh (Three-way decisions). Tập thô phủ.6 Những vấn đề luận án cần tập trung nghiên cứu giải quyết.1 Các nghiên cứu liên quan đến cập nhật tăng cường theo hướng tiếp cận tập thô .2 Các vấn đề còn tồn tại .3 Các đề xuất của luận án .7 Kết luận Chương 1. 29 Chương 2 CẬP NHẬT QUYẾT ĐỊNH BA NHÁNH TRONG HỆ THÔNG TIN KHÔNG ĐẦY ĐỦ ĐỘNG.1 Bài toán cập nhật tăng cường các quyết định ba nhánh .1 Bài toán cập nhật tăng cường quyết định ba nhánh trong hệ thông tin đầy đủ .2 Bài toán cập nhật tăng cường quyết định ba nhánh trong hệ thông tin không đầy đủ .2 Khảo sát xu hướng thay đổi của xác suất có điều kiện .1 Sự thay đổi của các xác suất có điều kiện khi tập đối tượng thay đổi .2 Sự thay đổi của các xác suất có điều kiện khi thay đổi các giá trị thuộc tính của các đối tượng .3 Cập nhật quyết định ba nhánh dưới sự thay đổi của xác suất có điều kiện51 2.4 Đề xuất phương pháp cập nhật các quyết định ba nhánh.5 Ví dụ minh họa .6 Kết luận chương 2. 65 Chương 3 CẬP NHẬT TẬP XẤP XỈ TRONG KHÔNG GIAN XẤP XỈ PHỦ ĐỘNG .1 Khảo sát về hàm thành viên thô và các tập xấp xỉ phân bậc trong không gian xấp xỉ phủ .1 Hàm thành viên thô .2 Các tập xấp xỉ phân bậc .3 Khảo sát các phương pháp cập nhật các tập xấp xỉ phân bậc .2 Đề xuất phương pháp cập nhật tập xấp xỉ .1 Xu hướng thay đổi của hàm thành viên thô dạng ba .2 Cập nhật các tập xấp xỉ phân cấp .3 Đề xuất phương pháp cập nhật các tập xấp xỉ .3 Ví dụ minh họa .4 Kết luận chương 3.
83 iv Chương 4 PHƯƠNG PHÁP CÂN BẰNG DỮ LIỆU SỬ DỤNG TẬP THÔ MỜ.1 Bài toán cân bằng dữ liệu .1 Hàm đo lường chất lượng .2 Thuật toán MFRIS1.3 Thuật toán MFRIS2.2 Đề xuất thuật toán .1 Thuật toán MFRIS3.2 Tối ưu hóa ngưỡng và điều chỉnh độ chi tiết .1 Thiết lập thí nghiệm .2 Kết quả thực nghiệm .4 Kết luận chương 4. 104 DANH MỤC CÁC CÔNG TRÌNH KHOA HỌC ĐÃ CÔNG BỐ. 106 TÀI LIỆU THAM KHẢO. 107 v DANH MỤC CÁC KÝ HIỆU, CHỮ VIẾT TẮT Ký hiệu, chữ viết tắt Ý nghĩa 𝐼𝐼𝑆 Hệ thông tin không đầy đủ 𝐸𝑄 Quan hệ không phân biệt được 𝐸 Lớp không phân biệt được 𝑎𝑝𝑝𝑟 (𝑋) Tập xấp xỉ dưới của tập 𝑋 𝑎𝑝𝑝𝑟 (𝑋) Tập xấp xỉ trên của tập 𝑋 𝑃𝑂𝑆 (𝑋) Miền dương của tập 𝑋 𝐵𝑁𝐷 (𝑋) Miền biên của tập 𝑋 𝑁𝐸𝐺 (𝑋) Miền âm của tập 𝑋 ~𝑋 Tập bù của tập 𝑋 |𝑋| Lực lượng của tập 𝑋 𝐶𝐴𝑆 Không gian xấp xỉ phủ 𝑇𝑂𝐿 Quan hệ dung sai 𝑇 Lớp dung sai 𝑃𝑟(𝐵 ⁄𝑇 (𝑥)) Xác suất có điều kiện NCS Nghiên cứu sinh 𝜎𝒞 (𝑥) Hàm thành viên thô dạng một 𝜙𝒞 (𝑥) Hàm thành viên thô dạng hai 𝒱𝒞 (𝑥) Hàm thành viên thô dạng ba 𝜑𝒞 (𝑥) Hàm thành viên thô dạng bốn 𝒞 (𝑋) Tập xấp xỉ dưới phân cấp 𝒞 (𝑋) Tập xấp xỉ trên phân cấp 𝑁𝒞 (𝑥) Lân cận của 𝑥 vi DANH MỤC CÁC BẢNG Trang Bảng 1.
Một ví dụ về hệ thông tin. Ví dụ về hệ thông tin không đầy đủ. Bảng thông tin đầy đủ. Cập nhật các mẫu của xác suất có điều kiện.
So sánh phương pháp luận án đề xuất với phương pháp tính toán ban đầu. Hệ thông tin tại thời điểm 𝒕. Hệ thông tin tại thời điểm 𝒕 + 𝟏. Hệ thông tin tại thời điểm 𝒕 + 𝟏.
Hệ thông tin tại thời điểm 𝒕 + 𝟏. Hệ thông tin tại thời điểm 𝒕 + 𝟏. So sánh phương pháp đề xuất và phương pháp tính toán ban đầu80 Bảng 3. Hệ thông tin tại thời điểm 𝒕.
Bộ dữ liệu thử nghiệm. Bảng ma trận nhầm lẫn cho hai lớp vấn đề. 𝐴𝑈𝐶 trung bình được lưu trữ bởi các phân loại khác nhau cho mỗi phương pháp chọn đối tượng (số in đậm hiển thị mức cao nhất). Xếp hạng Friedman đối với 𝑨𝑼𝑪.
Thống kê Friedman. So sánh MFRIS3 với các thuật toán khác. Thời gian chuẩn bị trước cho mỗi phương pháp lựa chọn đối tượng. 102 vii DANH MỤC CÁC HÌNH VẼ Trang Hình 1.
Tập 𝑋 được xấp xỉ bởi các tập xấp xỉ dưới và xấp xỉ trên. Biểu đồ hiển thị phân phối của các xấp xỉ và xấp xỉ trung bình của tập dữ liệu. Độ lệch chuẩn của tập dữ liệu ozon_one_hr. So sánh trung bình của 𝐴𝑈𝐶 (trên tất cả các bộ dữ liệu) và tăng trung bình của 𝐴𝑈𝐶 bằng cách sử dụng MFRIS cho các phân loại khác nhau102 1 MỞ ĐẦU 1.
Tính cấp thiết của đề tài luận án Lý thuyết tập thô được Pawlak đề xuất vào năm 1982 [61] và được ông và các cộng sự nghiên cứu và phát triển [62-64] đã được sử dụng hiệu quả trong các bước của quá trình khai phá dữ liệu và khám phá tri thức. Kể từ khi ra đời, lý thuyết tập thô đã cung cấp nhiều công cụ hữu ích để giải quyết các vấn đề về học máy, thu nhận kiến thức, phân tích quyết định và khai phá tri thức từ cơ sở dữ liệu. Trong lý thuyết tập thô, dữ liệu được biểu diễn dưới dạng bảng gọi là bảng thông tin [61]. Các hàng của bảng tương ứng với các đối tượng, các cột tương ứng với các thuộc tính của các đối tượng đó.
Cách tiếp cận chính của lý thuyết Tập thô dựa trên mối quan hệ không phân biệt được cùng với việc đưa ra hai tập “rõ” (scrip), là các tập xấp xỉ của tập đối tượng cần quan sát. Tức là, tất cả các tập đối tượng được xấp xỉ bởi hai tập là tập xấp xỉ dưới, bao gồm tất cả các đối tượng chắc chắn thuộc tập hợp đó, và tập xấp xỉ trên, chứa tất cả các đối tượng có khả năng thuộc tập hợp đó. Cách tiếp cận của tập thô nguyên thủy giả thiết rằng tất cả các đối tượng trong hệ thông tin đều có các giá trị thuộc tính được xác định. Tuy nhiên, trong thực tế, dữ liệu đôi khi bị lỗi, một số giá trị trong cơ sở dữ liệu không xác định.
Do đó, cần mở rộng lý thuyết tập thô để việc phân loại dữ liệu hiệu quả hơn, các khái niệm và mô hình phù hợp hơn với thực tế. Đã có nhiều nhà khoa học mở rộng tập thô để giải quyết vấn đề này [19, 23, 26-28, 33-39, 45, 46, 60, 74, 75, 78, 79, 89, 100]. Kryszkiewicz [45, 46] đã mở rộng tập thô bằng cách xây dựng quan hệ dung sai (Tolerance relation), Stefanowskiand và Tsoukias [74, 75] thảo luận về giới hạn và giới thiệu quan hệ tương tự (similarity relation) dựa trên quan hệ dung sai. Yang và các cộng sự [89] đã khái quát một phân lớp hợp lý và linh hoạt trong hệ thông tin không đầy đủ, gọi là quan hệ nhị phân mới (new binary relation), Wang [100] 2 giới thiệu quan hệ dung sai giới hạn (limited tolerance relation).
Nhóm của Tiến sĩ Nguyễn Đỗ Văn đã định nghĩa một mối quan hệ dung sai mở rộng bằng cách sử dụng tần suất các giá trị thuộc tính và xây dựng mô hình tập thô xác suất tham số (Parameterized Probabilistic Rough Set) [26-28, 79]. Trong thực tế khi mở rộng tập thô để xử lý các giá trị thuộc tính điều kiện bị thiếu trong hệ thông tin không đầy đủ được chia làm hai hướng. Hướng thứ nhất gọi là “Giá trị bị mất (Lost value)” tiếp cận theo cách coi giá trị thuộc tính chưa biết là giá trị bị mất (Lost value) [13]. Hướng thứ hai gọi là “Không quan tâm (Do not care)”, các giá trị chưa biết có thể thay thế bằng bất cứ giá trị nào trong miền giá trị.
Grzymala-Busse [33-39] đã xây dựng một quan hệ đặc trưng dựa trên cả trường hợp "Giá trị bị mất" và trường hợp "Không quan tâm". Tại Việt Nam một số luận án Tiến sĩ về lý thuyết tập thô và các mở rộng của tập thô đã được hoàn thành [1-5]. Các công trình nghiên cứu về tập thô [6-8, 14, 66, 67, 73, 76, 77, 91-93, 106] chứng tỏ rằng lý thuyết tập thô đóng vai trò quan trọng, là nền tảng trong tính toán hạt, trí tuệ nhân tạo, khai phá dữ liệu, khám phá tri thức, nhận dạng mẫu, hệ thống thông minh… Các phương pháp dựa trên tập thô được ứng dụng trong nhiều lĩnh vực như âm học, tin sinh học, kinh doanh và tài chính, hóa học, kỹ thuật máy tính, hệ thống và phân tích quyết định, kinh tế học, kỹ thuật điện, nghiên cứu môi trường, xử lý ảnh số, tin học, y học, sinh học phân tử, âm nhạc học, thần kinh học, người máy, khoa học xã hội, kỹ thuật phần mềm, trực quan hóa không gian, kỹ thuật web và khai phá web …Chính vì vậy lý thuyết tập thô đã nhận được sự quan tâm của đông đảo các nhà khoa học trong nước và thế giới.
Nội dung được bảo vệ bản quyền — Tải xuống đầy đủ
Câu hỏi thường gặp
Luận án "Cập nhật bảng quyết định phủ động và xử lý mất cân bằng dữ liệu" nghiên cứu về vấn đề gì?
Luận án tiến sĩ phát triển các phương pháp cập nhật bảng quyết định phủ động và xử lý mất cân bằng dữ liệu dựa trên lý thuyết tập thô mờ, áp dụng trong hệ thống thông tin động. **Kiểm tra:** 157 ký tự ✓
Luận án "Cập nhật bảng quyết định phủ động và xử lý mất cân bằng dữ liệu" được bảo vệ tại trường nào?
Luận án này được bảo vệ tại Viện Khoa học và Công nghệ Quân sự. Năm bảo vệ: 2025.
Luận án "Cập nhật bảng quyết định phủ động và xử lý mất cân bằng dữ liệu" thuộc chuyên ngành gì?
Luận án "Cập nhật bảng quyết định phủ động và xử lý mất cân bằng dữ liệu" thuộc chuyên ngành Cơ sở toán học cho tin học. Danh mục: Toán Ứng Dụng.
Luận án "Cập nhật bảng quyết định phủ động và xử lý mất cân bằng dữ liệu" có bao nhiêu trang?
Luận án "Cập nhật bảng quyết định phủ động và xử lý mất cân bằng dữ liệu" có 126 trang. Bạn có thể xem trước một phần tài liệu ngay trên trang web trước khi tải về.
Cách tải luận án "Cập nhật bảng quyết định phủ động và xử lý mất cân bằng dữ liệu" 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.