Một số giải pháp tối ưu tập luật mờ TSK trích xuất từ máy học véc-tơ hỗ trợ hồi quy

Bài báo này tác giả nghiên cứu đế xuất và thực nghiệm một số giải pháp nhằm rút gọn, tối ưu tập luật mờ TSK trích xuất được nhưng vẫn đảm bảo hiệu quả dự đoán, dự báo của mô mình.
Nội dung trích xuất từ tài liệu:
Một số giải pháp tối ưu tập luật mờ TSK trích xuất từ máy học véc-tơ hỗ trợ hồi quy230 KỶ YẾU HỘI THẢO KHOA HỌC QUỐC GIA 2018 “CNTT VÀ ỨNG DỤNG TRONG CÁC LĨNH VỰC Một số giải pháp tối ưu tập luật mờ TSK trích xuất từ máy học véc-tơ hỗ trợ hồi quy Nguyễn Đức Hiển Trường cao đẳng Công nghệ thông tin – Đại học Đà Nẵng ndhien@cit.udn.vn Tóm tắt. Trích xuất tập luật mờ TSK từ máy học véc-tơ hỗ trợ là một trong những hướng tiếp cận để xây đựng mô hình mờ cho các bài toán dự đoán, dự báo. Những nghiên cứu trước đây theo hướng tiếp cận này cho thấy mô hình mờ được huấn luyện tự động dựa trên tập dữ liệu đầu vào, dẫn đến những hạn chế chủ yếu như kích thước tập luật lớn, thiếu đặc trưng, thiếu tính bao phủ. Trong bài báo này, nhóm tác giả nghiên cứu đế xuất và thực nghiệm một số giải pháp nhằm rút gọn, tối ưu tập luật mờ TSK trích xuất được nhưng vẫn đảm bảo hiệu quả dự đoán, dự báo của mô mình. Từ khóa: Mô hình mờ TSK, Máy học Véc-tơ hỗ trợ, Mô hình mờ hướng dữ liệu, Mô hình dự báo hồi quy.1 Đặt vấn đề Mô hình mờ được biết đến như là một mô hình khá hiệu quả trong việc xử lý những thôngtin mơ hồ và không chắc chắn; đồng thời nó cũng thể hiện những lợi thế rõ ràng trong việc biểudiễn và xử lý tri thức. Hoạt động của mô hình mờ phụ thuộc vào hệ thống các luật mờ và quátrình suy diễn trên tập luật mờ đó. Đã có nhiều tác giả nghiên cứu và đề xuất các phương thứcđể xây dựng các mô hình mờ hướng dữ liệu [3, 4, 5, 6, 7, 8, 9, 10]. Vấn đề trích xuất mô hình mờ từ máy học véc-tơ hỗ trợ (SVM – Support Vector Machine)được nhóm tác giả J.-H Chiang và P.-Y Hao nghiên cứu và công bố lần đầu tiên vào năm 2004[3]. Một trong những vấn đề của máy học véc-tơ hỗ trợ là tính chính xác của mô hình thu đượctỷ lệ thuận với số lượng support-vector (Sv) sinh ra; điều này đồng nghĩa với việc nếu tăng tínhchính xác của mô hình thì số lượng luật mờ của mô hình mờ trích xuất được cũng sẽ tăng lên.Nói cách khác là khi tăng hiệu suất của mô hình thì đồng nghĩa với việc làm giảm tính “sángsủa” (tính “có thể hiểu được”) của mô hình. Như vậy vấn đề đặt ra là làm thế nào có thể tríchxuất được hệ thống mờ đảm bảo độ tin cậy của kết quả dự đoán, đồng thời hạn chế được sốlượng luật mờ trong mô hình. Trong bài báo này, chúng tôi đề xuất giải pháp tích hợp kỹ thuậtphân cụm k-Means để rút gọn tập luật mờ trích xất được, đồng thời đưa ra giải pháp lựa chọngiá trị tối ưu của các tham số để có thể đảm bảo được độ tin cậy của kết quả dự đoán dựa vàomô hình trích xuất được. Các phần tiếp theo của bài báo bao gồm: phần 2 trình bày sơ lược về sự tương đương của môhình mờ TSK và máy học véc-tơ hỗ trợ làm cơ sở cho việc xây dựng thuật toán trích xuất môhình mờ; phần 3 giới thiệu thuật toán fm-SVM* cho phép trích xuất tập luật mờ rút gọn từSVM, trong đó có tích hợp kỹ thuật phân cụm k-Means; phần 4 giới thiệu một mô hình thựcnghiệm dự báo hồi quy, trong đó có kết hợp so sánh với một số kết quả của những mô hình đềxuất trước đó. Cuối cùng, trong phần 5 chúng tôi nêu lên một số kết luận và định hướng nghiêncứu tiếp theo.Nguyễn Đức Hiển 2312 Trích xuất mô hình mờ TSK từ máy học vevcs-tơ hỗ trợ Hệ thống mờ TSK bao gồm một tập các luật mờ “IF – THEN”, với phần kết luận của mỗiluật này là một hàm (không mờ) ánh xạ từ các tham số đầu vào tới tham số đầu ra của mô hình[3,4,5,6,10]. Giả sử có một hệ thống mờ TSK với m luật mờ được biểu diễn như sau: j j j R j : IF x1 is A1 and x2 is A2 and … and xn is An THEN z = g j (x1 , x2 , … , xn ) , với j = 1, 2, … , m (1) Trong đó xi (i = 1, 2, … . n) là các biến điều kiện; z là các biến quyết định của hệ thống mờ jđược xác định bởi hàm g j (. ); Ai là những thuật ngữ ngôn ngữ xác định bởi hàm thành viêntương ứng μAj (x). Lưu ý, μAj (x) là hàm thành viên mờ được xác định trên một véc-tơ nhiều i ichiều. Đầu ra của hệ thống mờ được tính toán như sau: j ∑m j=1 z (μAj (x)) f(x) = (2) ∑m j=1 μAj (x) với n μAj (x) = ∏ μAj (xi ) (3) i=1 i j Trong đó, z là giá trị đầu ra của hàm g j (. ). Bên cạnh đó, với vai trò giải quyết vấn đề tối ưu hóa hồi quy, lý thuyết cơ bản của SVM cóthể được vắn tắt n ...