i LỜI CAM ĐOAN Tôi xin cam đoan: Luận văn công trình nghiên cứu thực cá nhân, thực hướng dẫn khoa học TS Vũ Như Lân Các số liệu, kết luận nghiên cứu trình bày luận văn trung thực chưa công bố hình thức Tôi xin chịu trách nhiệm nghiên cứu Học viên Trần Tuấn Anh ii LỜI CẢM ƠN Đầu tiên xin gửi lời cảm ơn sâu sắc tới TS Vũ Như Lân, người hướng dẫn khoa học, tận tình bảo, giúp đỡ thực luận văn Tôi xin cảm ơn thầy cô trường Đại học Công nghệ thông tin truyền thông - Đại học Thái Nguyên giảng dạy truyền kiến thức cho Tôi xin chân thành cảm ơn bạn bè đồng nghiệp tạo điều kiện giúp đỡ hoàn thành nhiệm vụ học tập Cuối cùng, xin cảm ơn người thân bạn bè chia sẻ, giúp đỡ hoàn thành luận văn Mặc dù cố gắng hoàn thành luận văn với tất nỗ lực thân, luận văn thiếu sót Kính mong nhận ý kiến đóng góp quý Thầy, Cô bạn bè, đồng nghiệp Tôi xin chân thành cảm ơn! Việt trì ngày 10 tháng 06 năm 2015 Trần Tuấn Anh iii MỤC LỤC LỜI CAM ĐOAN i LỜI CẢM ƠN ii DANH MỤC CÁC KÍ HIỆU, CHỮ VIẾT TẮT vi DANH LỤC BẢNG vii DANH LỤC HÌNH VẼ viii MỞ ĐẦU CHƯƠNG 1: TÓM LƯỢC VỀ LOGIC MỜ, CHUỖI THỜI GIAN MỜ VÀ ĐẠI SỐ GIA TỬ 1.1 Những vấn đề sở lý thuyết tập mờ 1.1.1 Định nghĩa tập mờ 1.1.2 Các phép toán tập mờ 1.2 Chuỗi thời gian mờ 10 1.2.1 Định nghĩa chuỗi thời gian mờ 10 1.2.2 Một số định nghĩa liên quan đến chuỗi thời gian mờ 11 1.3 Đại số gia tử 13 1.3.1 Định nghĩa đại số gia tử 13 1.3.2 Các định lý 16 1.4 Kết luận chương 18 CHƯƠNG 2: MÔ HÌNH DỰ BÁO CHUỖI THỜI GIAN MỜ TRÊN QUAN ĐIỂM BIẾN NGÔN NGỮ 20 2.1 Mô hình dự báo chuỗi thời gian mờ Song Chissom 20 iv 2.1.1 Bước Xác định tập 21 2.1.2 Bước Chia miền xác định tập thành khoảng 22 2.1.3 Bước Xây dựng tập mờ tập 22 2.1.4 Bước Mờ hóa chuỗi liệu 23 2.1.5 Bước Xác định quan hệ mờ 23 2.1.6 Bước Dự báo phương trình Ai=Ai 1* R, ký hiệu * toán tử max-min 27 2.1.7 Bước Giải mờ kết dự báo 27 2.2 Mô hình dự báo chuỗi thời gian mờ cải tiến Chen 28 2.2.1 Bước Chia miền xác định tập thành khoảng 29 2.2.2 Bước Xây dựng tập mờ tập 30 2.2.3 Bước Mờ hóa chuỗi liệu 31 2.2.4 Bước Xác định quan hệ mờ 32 2.2.5 Bước Tạo lập nhóm quan hệ mờ 32 2.2.6 Bước Giải mờ đầu dự báo 33 2.3 Mô hình dự báo dựa ĐSGT ứng dụng 37 2.3 Mô hình tính toán lý thuyết đại số gia tử 38 2.3.2 Mô hình dự báo chuỗi thời gian mờ dựa ĐSGT 41 2.3.3 So sánh kết mô hình dự báo chuỗi thời gian mờ 53 2.4 Kết luận chương 55 v CHƯƠNG 3: CÀI ĐẶT THỬ NGHIỆM 57 3.1 Bài toán thử nghiệm 57 3.1.1 Đặt toán 57 3.1.2 Kết chạy thử nghiệm 58 3.2 Kết luận chương 59 KẾT LUẬN VÀ KIẾN NGHỊ 60 TÀI LIỆU THAM KHẢO 62 PHỤ LỤC vi DANH MỤC CÁC KÍ HIỆU, CHỮ VIẾT TẮT ĐSGT: Đại số gia tử vii DANH LỤC BẢNG Bảng 1.1 : Các cặp T - chuẩn T - đối chuẩn Bảng 1.2 Một số phép kéo theo mờ thông dụng Bảng 2.1 Số sinh viên nhập học trường đại học Alabama từ 1971 đến 1992 20 Bảng 2.2 Chuyển đổi giá trị lịch sử thành giá trị ngôn ngữ 24 Bảng 2.3 Xác định quan hệ thành viên 26 Bảng 2.4 Mờ hóa chuỗi liệu 31 Bảng 2.5 Quan hệ logic mờ liệu tuyển sinh 32 Bảng 2.6 Các nhóm quan hệ logic mờ 33 Bảng 2.7 Bảng so sánh phương án dự báo 36 Bảng 2.8 Số sinh viên nhập học trường đại học Alabama từ 1971 đến 1992 41 Bảng 2.9 Giá trị đầu giá trị cuối khoảng giải nghĩa chọn 49 Bảng 2.10 Tổng hợp thông tin sở cho mô hình dự báo theo tiếp cận ĐSGT 50 Bảng 2.11 So sánh phương pháp dự báo với khoảng chia 54 Bảng 3.1 Số sinh viên nhập học trường đại học Alabama từ 1971 đến 1992 57 viii DANH LỤC HÌNH VẼ Hình 1.1 Hàm liên thuộc tập mờ “x gần 1” Hình 1.2 Một số dạng hàm liên thuộc tập mờ Hình 1.3 Giao hai tập mờ Hình 1.4 Phép hợp hai tập mờ Hình 2.1: Số sinh viên nhập học thực tế số sinh viên nhập học dự báo 28 Hình 2.2 Dữ liệu tuyển sinh thực tế liệu tuyển sinh dự báo 37 Hình 3.1 Dữ liệu tuyển sinh Đại học Alabama từ năm 1971 đến 1992 58 Hình 3.2 Kết chạy toán thử nghiệm 59 MỞ ĐẦU Trong năm gần đây, có nhiều tác giả giới quan tâm nghiên cứu mô hình dự báo chuỗi thời gian mờ Song & Chissom [1, 2, 3] đưa tạp chí “Fuzzy Sets and Systems” năm 1993 Chen [5] cải tiến vào năm 1996 Nhiều nghiên cứu ứng dụng dự báo có giá trị thực tế thực sở phương pháp luận dự báo theo mô hình chuỗi thời gian mờ nêu Tuy nhiên, độ xác dự báo quan điểm xem xét chuỗi thời gian theo tiếp cận mờ Song & Chissom chưa cao phụ thuộc vào nhiều yếu tố Vì nay, mô hình dự báo chuỗi thời gian mờ nhiều chuyên gia giới Việt Nam cải tiến để có kết tốt [9] Đại số gia tử (ĐSGT) tiếp cận tác giả N.C.Ho W Wechler xây dựng vào năm 1990, 1992 [5, 6] đưa mô hình tính toán hoàn toàn khác biệt so với tiếp cận mờ Những ứng dụng tiếp cận ĐSGT cho số toán cụ thể lĩnh vực công nghệ thông tin điều khiển mang lại số kết quan trọng khẳng định tính ưu việt tiếp cận so với tiếp cận mờ truyền thống [8] Đề tài luận văn tiếp tục thử nghiệm lần thử nghiệm cho nghiên cứu ứng dụng ĐSGT cho lĩnh vực dự báo chuỗi thời gian Đây lĩnh vực ứng dụng hoàn toàn ĐSGT, phương pháp luận ĐSGT cần có nghiên cứu cải tiến khác với trước cho có khả ứng dụng Để đánh giá tính ưu việt ĐSGT so với phương pháp luận dựa tiếp cận mờ, nhiều tác giả tiến hành thử nghiệm chuỗi liệu sử dụng nhiều Việt Nam Trong luận văn này, trước tiên Tập trung nghiên cứu mô hình dự báo chuỗi thời gian mờ Song & Chissom Chen tìm điểm mạnh điểm yếu mô hình Từ đưa mô hình dự báo theo tiếp cận đại số gia tử sở nghiên cứu cải tiến phép ngữ nghĩa hóa (Semantization), phép giải nghĩa (Desemantization ) mô hình tính toán ĐSGT cho phù hợp với ứng dụng lĩnh vực dự báo chuỗi thời gian mờ Trên sở đó, xây dựng chương trình ứng dụng dự báo chuỗi thời gian mờ dựa mô hình tính toán ĐSGT việc dự báo kết tuyển sinh trường cao đẳng Công nghiệp Thực phẩm Việt Trì - tỉnh Phú Thọ Đối tượng phạm vi nghiên cứu 1.1 Đối tượng Tập trung nghiên cứu mô hình dự báo chuỗi thời gian mờ Song & Chissom Chen tìm điểm mạnh điểm yếu mô hình Từ đưa mô hình dự báo theo tiếp cận đại số gia tử sở nghiên cứu cải tiến phép ngữ nghĩa hóa (Semantization), phép giải nghĩa (Desemantization ) mô hình tính toán ĐSGT cho phù hợp với ứng dụng lĩnh vực dự báo chuỗi thời gian mờ 1.2 Phạm vi nghiên cứu - Nghiên cứu mô hình dự báo chuỗi thời gian mờ Song & Chissom - Nghiên cứu mô hình dự báo cải tiến Chen - Nghiên cứu tiếp cận ĐSGT: Lý thuyết mô hình tính toán ứng dụng - Nghiên cứu cải tiến phép ngữ nghĩa hóa phép giải nghĩa - Nghiên cứu đề xuất mô hình dự báo chuỗi thời gian mờ theo tiếp cận đại số gia tử với phép ngữ nghĩa hóa giải nghĩa cải tiến - Ứng dụng mô hình dự báo theo tiếp cận ĐSGT cho chuỗi liệu sử dụng nhiều Việt Nam nay; qua so sánh MSE mô hình dự báo với để thấy rõ hiệu tiếp cận ĐSGT toán dự báo chuỗi thời gian mờ 55 1984 15145 16000 15722 15500 15167 1985 15163 16000 15722 16000 15167 1986 15984 16000 15722 16000 16167 1987 16859 16000 15722 16000 16556 1988 18150 16833 16750 17500 17406 1989 18970 19000 19000 19000 19200 1990 19328 19000 19000 19000 19400 1991 19337 19000 19000 19500 19400 1992 18876 19000 19000 19000 19000 407507 397537 226611 69304 MSE Trên sở phép ngữ nghĩa hóa tuyến tính phép giải nghĩa tuyến tính kết tính toán nhận MSE = 69304 2.4 Kết luận chương Dự báo chuỗi thời gian mờ hướng nghiên cứu hoàn toàn Trên thực tế, liệu thu theo thời gian thường chịu ảnh hưởng yếu tố khách quan chủ quan Trong chương này, trình bày phương pháp dự báo SongChissom Chen để dự báo kết tuyển sinh trường Đại học Alabama Từ ví dụ minh họa cho thấy phương pháp không đưa dự báo tốt kết tuyển sinh đại học mà đưa dự báo quan trọng dựa vào liệu lịch sử Trong phương pháp Chen [5] 56 đơn giản mặt tính toán không sử dụng phép toán max-min phức tạp phương pháp Song - Chissom [4] Vấn đề dự báo chuỗi thời gian mờ năm gần nhiều chuyên gia giới quan tâm nghiên cứu Nhiều nghiên cứu cải tiến sử dụng mô hình chuỗi thời gian mờ bậc cao với số lượng khoảng lớn cho kết dự báo số sinh viên nhập học trường Đại học Alabama xác [5, 6, 7] Tuy nhiên, qua so sánh mô hình dự báo ứng dụng cho chuỗi liệu lịch sử số sinh viên nhập học trường Đại học Alabama mà nhiều tác giả giới nghiên cứu so sánh nay, mô hình dự báo dựa ĐSGT mô hình mới, hoàn toàn khác biệt, có khả dự báo chuỗi thời gian mờ với độ xác cao so với số mô hình dự báo bậc có điều kiện phân hoạch mờ Sự khác biệt thể phương pháp luận lần sử dụng phép ngữ nghĩa hóa thay cho phép mờ hóa, nhóm quan hệ ngữ nghĩa thay cho nhóm quan hệ mờ phép giải nghĩa thay cho phép giải mờ Mặc dù sử dụng mô hình chuỗi thời gian mờ bậc với khoảng chia liệu lịch sử mô hình dự báo Chen [5], kết ứng dụng mô hình dự báo dựa ĐSGT cho thấy rõ hiệu dự báo tốt nhiều so với số phương pháp dự báo sử dụng khoảng có [5] [8] [15] 57 CHƯƠNG 3: CÀI ĐẶT THỬ NGHIỆM 3.1 Bài toán thử nghiệm 3.1.1 Đặt toán Bài toán đặt là: xây dựng chương trình để áp dụng mô hình dự báo dựa ĐSGT toán thử nghiệm dự báo kết số sinh viên nhập học trường Đại học Alabama đưa bảng sau Bảng 3.1 Số sinh viên nhập học trường đại học Alabama từ 1971 đến 1992 Năm Số sinh viên Năm nhập học Số sinh nhập học 1971 13055 1982 15433 1972 13563 1983 15497 1973 13867 1084 15145 1974 14696 1985 15163 1975 15460 1986 15984 1976 15311 1987 16859 1977 15603 1988 18150 1978 15861 1989 18970 1979 16807 1990 19328 1980 16919 1991 19337 viên 58 1981 16388 1992 18876 Yêu cầu toán: xây dựng chương trình thử nghiệm với MATLAB R2013a để dự báo kết tuyển sinh năm (1993) sử dụng mô hình dự báo chuỗi thời gian mờ dựa ĐSGT 3.1.2 Kết chạy thử nghiệm Dữ liệu lịch sử số sinh viên nhập học 22 năm học (từ năm 1971 đến 1992) trường đại học Alabama nhập xuất hình Hình 3.1 Dữ liệu tuyển sinh Đại học Alabama từ năm 1971 đến 1992 59 Sau xử lý liệu, chương trình cho kết bảng số liệu mã hóa kết tuyển sinh cuối năm năm 1993 69304 (có sai số) Hình 3.2 Kết chạy toán thử nghiệm 3.2 Kết luận chương Chương xây dựng phần mềm tính toán sở sử dụng thuật toán dựa ĐSGT dự báo liệu tuyển sinh Đại học Alabama từ năm 1971 đến năm 1992 chương trình ứng dụng dự báo liệu tuyển sinh trường Cao đẳng Công nghiệp Thực phẩm Việt Trì - tỉnh Phú Thọ Đây liệu nhiều tác giả giới Việt Nam sử dụng để thử nghiệm Kết tính toán cho thấy mức độ phù hợp dự báo so với số liệu thực tế Chính vậy, mô hình chuỗi thời gian mờ nhiều tác giả nghiên cứu có nhiều triển vọng ứng dụng xử lý số liệu thực tế 60 KẾT LUẬN VÀ KIẾN NGHỊ Luận văn chủ yếu giới thiệu khái niệm chuỗi thời gian mờ mô hình xử lý chuỗi thời gian mờ Có nhiều phương pháp để dự báo chuỗi thời gian nói chung tác giả xây dựng từ kỷ trước Tuy nhiên mô hình thích ứng hầu hết cho chuỗi thời gian dừng tuyến tính Chuỗi thời gian thực tế phụ thuộc nhiều vào yếu tố khác nên có nhiều biến thiên mang tính phi tuyến mạnh, chuỗi thời gian có biến thiên nhanh chuỗi số liệu lịch sử ngắn, mô hình dự báo truyền thống cho kết chưa xác Trên quan điểm chuyển chuỗi thời gian sang chuỗi thời gian mờ, tác giả Song, Chissom Chen vượt qua khó khăn nêu đạt kết tốt cho toán dự báo Trong luận văn tập trung nghiên cứu mô hình dự báo chuỗi thời gian mờ Song & Chissom Chen tìm điểm mạnh điểm yếu mô hình Từ đưa mô hình dự báo theo tiếp cận đại số gia tử cho phù hợp với ứng dụng lĩnh vực dự báo chuỗi thời gian mờ Cuối xây dựng phần mềm tính toán sở sử dụng thuật toán dựa ĐSGT dự báo liệu tuyển sinh Đại học Alabama từ năm 1971 đến năm 1992 chương trình ứng dụng dự báo liệu tuyển sinh trường Cao đẳng Công nghiệp Thực phẩm Việt Trì - tỉnh Phú Thọ Đây liệu nhiều tác giả giới Việt Nam sử dụng để thử nghiệm Kết tính toán cho thấy mức độ phù hợp dự báo so với số liệu thực tế Chính vậy, mô hình chuỗi thời gian mờ nhiều tác giả nghiên cứu có nhiều triển vọng ứng dụng xử lý số liệu thực tế 61 Những kết chương mở hướng nghiên cứu khác biệt cho lĩnh vực dự báo chuỗi thời gian mờ Tuy nhiên mô hình dự báo dựa ĐSGT tương lai cần tiếp tục nghiên cứu thử nghiệm mô hình chuỗi thời gian mờ bậc cao, có số khoảng chia lớn với nhiều yếu tố ảnh hưởng khác để đáp ứng xu hướng nghiên cứu mô hình dự báo chuỗi thời gian mờ Nếu điều kiện cho phép, tiếp tục mở rộng ứng dụng mô hình dự báo dựa ĐSGT cho chuỗi liệu khác chuỗi liệu nhiệt độ, tỷ giá hối đoái 62 TÀI LIỆU THAM KHẢO Tiếng Việt: [1] Nguyễn Công Điều Một thuật toán cho mô hình chuỗi thời gian mờ Tạp chí khoa học công nghệ Tập 49 Số 4, 11-25, 2011 Tiếng Anh: [2] Song Q, Chissom B.S Fuzzy time series and its models Fuzzy Sets and Syst 54, 269–277, 1993 [3] Song Q, Chissom B.S Forecasting enrollments with fuzzy time series – part Fuzzy Sets and Syst 54, 1–9, 1993 [4] Song Q, Chissom, B S Forecasting enrollments with fuzzy time series – part Fuzzy Sets and Syst 62, 1–8, 1994 [5] Chen, S.M Forecasting Enrollments Based on Fuzzy Time Series Fuzzy Sets and Syst 81, 311–319, 1996 [6] Chen S.M and Chung N.Y Forecasting enrollments using high-order fuzzy time series and genetic algorithms Int Journal of Intelligent Systems 21, 485-501 2006 [7] Chen S M, Tanuwijaya K Multivariate fuzzy forecasting based on fuzzy time series and automatic clustering techniques Expert Systems with Applications 38, 10594–10605, 2011 [7 ] Lee M H, Efendi R, Ismad Z Modified Weighted for Enrollments Forecasting Based on Fuzzy Time Series MATEMATIKA, 25(1), 67-78, 2009 63 [9] N Cat Ho and W Wechler, Hedge algebras: An algebraic approach to structures of sets of linguistic domains of linguistic truth variable Fuzzy Sets and Systems, Vol 35,3, pp.281-293, 1990 [10] N Cat Ho and W Wechler Extended hedge algebras and their application to Fuzzy logic Fuzzy Sets and Systems 52, 259-281, 1992 [11] Cat Ho, N and H Van Nam An algebraic approach to linguistic hedges in Zadeh's fuzzy logic Fuzzy Set and System, 129, 229-254, 2002 [12] Nguyen Cat Ho, Vu Nhu Lan, Le Xuan Viet Optimal hedge-algebrasbased controller: Design and Application Fuzzy Sets and Systems 159, 968– 989, 2008 [13] Dinko Vukadinović, Mateo Bašić, Cat Ho Nguyen, Nhu Lan Vu, Tien Duy Nguyen Hedge-Algebra-Based Voltage Controller for a Self-Excited Induction Generator, Control Engineering Practice, 30, 78–90, 2014 [14] Cong Nguyen Huu, Duy Nguyen Tien, Trung Ngo Kien, Ha Le Thi Thu A Research on Parabolic Trough Solar Collector System Control based on Hedge Algebra, 11th International Conference on Control, Automation, Robotics and Vision, December, 715-720, 2010, Singapore [15] Huarng, K Heuristic Models of Fuzzy Time Series for Forecasting Fuzzy Sets and Syst 123, 369–386, 2001 PHỤ LỤC CHƯƠNG TRÌNH TÍNH TOÁN DỰ BÁO CHUỖI THỜI GIAN MỜ SỬ DỤNG ĐẠI SỐ GIA TỬ VỚI α = 0.5 θ = 0.5 function [y] = HAP_tuyentinhngan(x format long SV22=[13055;13563;13867;14696;15460;15311;15603;15861;16807;16919; 16388;15433;15497;15145;15163;15984;16859;18150;18970;19328;19337;1 8876] SV21=[13563;13867;14696;15460;15311;15603;15861;16807;16919;16388; 15433;15497;15145;15163;15984;16859;18150;18970;19328;19337;18876] xgmin=13000 xgmax=20000 WSA1A1=3/7 WSA2A1=1/7 WSA3A2=1 WSA3A3=9/71 WSA4A3=4/71 WSA4A4=4/20 WSA3A4=9/20 WSA6A4=3/20 WSA6A6=3/5 WSA7A6=2/5 WSA7A7=2/5 WSA6A7=3/5 x(1)=0.5 x(2)=0.5 SA1=x(1)*(1-x(2))*(1-x(2)) SA2=x(1)*(1-x(2)) SA3=x(1)*(1-x(2)+x(2)^2) SA4=x(1) SA5=x(1)+x(2)*(1-x(1))*(1-x(2)) SA6=x(1)+(1-x(1))*x(2) SA7=x(1)+x(2)*(1-x(1))*(2-x(2 SP(1)=WSA1A1*SA1*2+WSA2A1*SA2 SP(2)=SP(1) SP(3)=SP(1) SP(4)=WSA3A2*SA3 SP(5)=WSA3A3*SA3*7+WSA4A3*SA4*2 SP(6)=SP(5) SP(7)=SP(5) SP(12)=SP(5) SP(13)=SP(5) SP(14)=SP(5) SP(15)=SP(5) SP(8)=SP(5) SP(16)=SP(5) SP(9)=WSA4A4*SA4*2+WSA3A4*SA3+WSA6A4*SA6 SP(10)=SP(9 SP(11)=SP(9) SP(17)=SP(9) SP(18)=WSA6A6*SA6+WSA7A6*SA7 SP(19)=SP(18) SP(20)=WSA6A7*SA6+WSA7A7*SA7 SP(21)=SP(20) xmin(1)=13000 xmax(1)=17000 xmin(2)=13000 xmax(2)=18000 xmin(3)=13000 xmax(3)=20000 xmin(4)=15000 xmax(4)=16000 xmin(5)=14000 xmax(5)=17000 xmin(6)=14000 xmax(6)=18000 xmin(7)=15000 xmax(7)=18000 xmin(8)=15000 xmax(8)=19000 xmin(9)=15000 xmax(9)=19000 xmin(10)=14000 xmax(10)=19000 xmin(11)=13000 xmax(11)=18000 xmin(12)=14000 xmax(12)=18000 xmin(13)=14000 xmax(13)=17000 xmin(14)=14000 xmax(14)=17000 xmin(15)=15000 xmax(15)=18000 xmin(16)=15000 xmax(16)=19000 xmin(17)=15000 xmax(17)=20000 xmin(18)=16000 xmax(18)=20000 xmin(19)=17000 xmax(19)=20000 xmin(20)=17000 xmax(20)=20000 xmin(21)=15000 xmax(21)=20000 SPP=0.0 DPP=0.0 for i=1:21, DeSP(i)=(SPP*SP(i)*(1-SP(i))+SP(i))*(xmax(i)-xmin(i))+xmin(i); DDeSP(i)=DPP*(DeSP(i)-xmin(i))*(xmax(i)-DeSP(i))/(xmax(i)xmin(i))+DeSP(i); end DP=[1;2;3;4;5;6;7;8;9;10;11;12;13;14;15;16;17;18;19;20;21]; SAISO=SV21-DDeSP' SAISOBINHPHUONG=[SAISO(1)^2;SAISO(2)^2;SAISO(3)^2;SAISO(4)^2 ;SAISO(5)^2;SAISO(6)^2;SAISO(7)^2;SAISO(8)^2;SAISO(9)^2;SAISO(10) ^2;SAISO(11)^2;SAISO(12)^2;SAISO(13)^2;SAISO(14)^2;SAISO(15)^2;S AISO(16)^2;SAISO(17)^2; SAISO(18)^2;SAISO(19)^2;SAISO(20)^2;SAISO(21)^2] T=sum(SAISOBINHPHUONG) MSE=T/21 y=MSE BANG=[SV21 DP DDeSP' SAISOBINHPHUONG] [...]... xét chuỗi thời gian trên tiếp cận ĐSGT là rất cần thiết 20 CHƯƠNG 2: MÔ HÌNH DỰ BÁO CHUỖI THỜI GIAN MỜ TRÊN QUAN ĐIỂM BIẾN NGÔN NGỮ 2.1 Mô hình dự báo chuỗi thời gian mờ của Song và Chissom Bài toán đặt ra là: xây dựng chương trình để áp dụng mô hình dự báo dựa trên ĐSGT trong bài toán thử nghiệm dự báo kết quả số sinh viên nhập học tại trường Đại học Alabama đã được đưa trong bảng sau Bảng 2.1 Số. .. Trong đó w>1 là thông số thời gian mà theo đó dự báo F(t) bị ảnh hưởng Như vậy, để dự báo giá trị F(t), ta cần tính được mối quan hệ mờ Rw(t1, t) Quá trình dự báo chuỗi thời gian mờ cũng dựa trên các bước của phương pháp lập luận xấp xỉ mờ như sau: 13 1 Giải nghĩa các mệnh đề mờ điều kiện 2 Kết nhập các quan hệ mờ 3 Tính kết quả từ phép hợp thành 4 Khử mờ 1.3 Đại số gia tử Để xây dựng phương pháp luận... một số gia tử như có thể, ít nhiều, xấp xỉ cũng không sánh được với nhau, trong khi suy luận rất cần sự sắp xếp đó 1.4 Kết luận chương 1 Chương này chủ yếu giới thiệu các khái niệm cơ bản về tập mờ, chuỗi thời gian mờ và đại số gia tử Tiếp cận ĐSGT là tiếp cận khác biệt so với tiếp cận mờ và đã có một số ứng dụng thể hiện rõ tính đột phá trong một số lĩnh vực công nghệ của tiếp cận này so với tiếp cận. .. gian mờ theo tiếp cận ĐSGT của trường Đại học Alabama - Nghiên cứu xây dựng chương trình tính toán trên MATLAB để dự báo chuỗi thời gian mờ theo tiếp cận ĐSGT trong bài toán tuyển sinh tại trường Cao đẳng Công nghiệp Thực phẩm Việt Trì - tỉnh Phú Thọ 4 CHƯƠNG 1: TÓM LƯỢC VỀ LOGIC MỜ, CHUỖI THỜI GIAN MỜ VÀ ĐẠI SỐ GIA TỬ 1.1 Những vấn đề cơ sở của lý thuyết tập mờ 1.1.1 Định nghĩa tập mờ Định nghĩa:... số dự báo dao động từ 0,1% đến 8,7% và các sai số trung bình bình phương là 3.18% Đối với năm 1991, các sai số dự báo là 1,7% Đối với mô hình dự báo trung hạn, sai số trung bình bình phương là 3,18% khá thỏa đáng 28 SỐ SINH VIÊN Số sinh viên nhập học thực tế Số sinh viên nhập học dự báo NĂM Hình 2.1: Số sinh viên nhập học thực tế và số sinh viên nhập học dự báo 2.2 Mô hình dự báo chuỗi thời gian mờ. .. mờ: phép mờ hóa, suy luận và giải mờ - Nghiên cứu chuỗi thời gian trên quan điểm biến ngôn ngữ - Nghiên cứu cách mô tả chuỗi thời gian theo các giá trị ngôn ngữ - Nghiên cứu nhóm quan hệ ngữ nghĩa theo tiếp cận ĐSGT - Nghiên cứu mở rộng phép ngữ nghĩa hóa và phép giải nghĩa của tiếp cân ĐSGT - Nghiên cứu xây dựng chương trình tính toán trên MATLAB cho bài toán thử nghiệm dự báo chuỗi thời gian mờ theo. .. logic mờ sau: Ai  Ak, Am Định nghĩa 4: Chuỗi thời gian mờ dừng Giả sử F(t) suy ra từ F(t-1) và F(t) = F(t-1) * R(t-1, t) cho mọi t Nếu R(t-1, t) không phụ thuộc vào t thì F(t) được gọi là chuỗi thời gian mờ dừng, còn ngược lại ta có chuỗi thời gian mờ không dừng Định nghĩa 5: Giả sử F(t) suy đồng thời từ F(t-1), F(t-2),…, F(t-m) m>0 và là chuỗi thời gian mờ dừng Khi đó ta có phương trình quan hệ mờ sau:... là đại số gia tử đối xứng con của AT và nó thỏa mãn các tính chất của đại số cho logic 3-trị Với những lý do đó có thể 17 xem mỗi một đại số gia tử đối xứng là một cơ sở đại số cho một logic các giá trị ngôn ngữ Định lý tiếp theo nói về mối quan hệ với miền [0, 1]  Định lý 2: Nếu tập các toán tử (gia tử) H+ và H- có quan hệ thứ tự sắp xếp tuyến tính thì có tồn tại một đẳng cấu  từ đại số gia tử đối... u1 u2 un 1.2.2 Một số định nghĩa liên quan đến chuỗi thời gian mờ Định nghĩa 1: Chuỗi thời gian mờ Y(t) (t = …0, 1, 2, …) là một tập con của R1 Y(t) là tập nền trên đó xác định các tập mờ fi(t) F(t) là tập chứa các tập fi(t) (i = 1, 2,…) khi đó ta gọi F(t) là chuỗi thời gian mờ xác định trên tập nền Y(t) Định nghĩa 2: Quan hệ mờ Tại các thời điểm t và t-1 có tồn tại một mối quan hệ mờ giữa F(t) và F(t-1)... thời gian mờ được Song et al và Chissom đưa ra để xây dựng thuật toán dự báo cho chuỗi thời gian Từ đó trình bày ứng dụng dự báo dữ liệu tuyển sinh từ năm 1971 đến 1990 [1,2,3] của trường đại học Alabama Giả sử U là không gian nền: U = u1,u2, ,un  Tập A là mờ trên không gian nền U nếu A được xác định bởi hàm: A : U  [0.1] A được gọi là hàm thuộc (Membership function) Còn với bất kỳ một phần tử ... toán thử nghiệm dự báo chuỗi thời gian mờ theo tiếp cận ĐSGT trường Đại học Alabama - Nghiên cứu xây dựng chương trình tính toán MATLAB để dự báo chuỗi thời gian mờ theo tiếp cận ĐSGT toán tuyển... Nghiên cứu đề xuất mô hình dự báo chuỗi thời gian mờ theo tiếp cận đại số gia tử với phép ngữ nghĩa hóa giải nghĩa cải tiến - Ứng dụng mô hình dự báo theo tiếp cận ĐSGT cho chuỗi liệu sử dụng nhiều... luận dự báo theo mô hình chuỗi thời gian mờ nêu Tuy nhiên, độ xác dự báo quan điểm xem xét chuỗi thời gian theo tiếp cận mờ Song & Chissom chưa cao phụ thuộc vào nhiều yếu tố Vì nay, mô hình dự báo