Xây dựng một phân hệ hỗ trợ một số quy trình phân loại và sắp xếp các phương án cần lựa chọn - pdf 24

Download miễn phí Đồ án Xây dựng một phân hệ hỗ trợ một số quy trình phân loại và sắp xếp các phương án cần lựa chọn



MỤC LỤC
Lời Thank 1
Lời nói đầu 2
Mục lục 3
Chương I: Những kiến thức cơ bản về lý thuyế tập mờ 5
I. Lý thuyết tập mờ 5
1.1 Tập mờ 5
1.2 Các phép toán đại số trên tập mờ 6
1.3 Số mờ 7
1.4 Logic mờ 8
1.5 Các công cụ cơ bản của logic mờ 9
II. Suy diễn xấp xỉ và suy diễn mờ 13
2.1 Suy diễn mờ 13
2.2 Biến ngôn ngữ 14
2.3 Mô hình mờ 17
2.4 Một số phương pháp suy diễn mờ 20
2.5 Ví dụ tổng hợp 21
III.Các toán tử gộp 24
3.1 Toán tử OWA (Ordered Weighted Averaging Operator) 24
3.2 Tập nhãn ngôn ngữ 25
3.3 Toán tử LOWA(Linguistic Ordered Weighted Averaging) 27
Chương II: Bài toán lấy quyết định đa mục tiêu và các phương pháp, quy trình lấy quyết định 28
I. Giới thiệu bài toán 28
II. Một số phương pháp lấy quyết định 29
2.1 Hàm tích hợp Borda 29
2.2 Mô hình bài toán lấy quyết định dựa trên nghiệm tập thể mờ 31
2.3 Đánh giá của chuyên gia 33
2.4 Tập nhãn sử dụng trong bài toán 33
2.5 Thuật toán sử dụng toán tử LOWA và nghiệm tập thể mờ FCS 34
 2.5.1 Thuật toán cho bài toán lấy quyết định một mục tiêu 34
 2.5.2 Thuật toán cho bài toán lấy quyết định nhiều mục tiêu 38
2.6 Ưu điểm của phương pháp 40
2.7 Nhược điểm 41
Chương III: Xây dựng chương trình thực nghiệm phân loại đánh giá dự án kinh tế 42
I. Phân tích bài toán 42
II.Thiết kế chương trình 43
2.1 Sơ đồ phân cấp chức năng 43
2.2 Sơ đồ luồng dữ liệu 44
2.3 Thiết kế cơ sở dữ liệu 45
2.4 Cài đặt chương trình và kết quả thực nghiệm 46
Kết luận 55
Tài liệu tham khảo 56
 
 
 
 
 
 
 
 
 





Để tải tài liệu này, vui lòng Trả lời bài viết, Mods sẽ gửi Link download cho bạn ngay qua hòm tin nhắn.

Ket-noi - Kho tài liệu miễn phí lớn nhất của bạn


Ai cần tài liệu gì mà không tìm thấy ở Ket-noi, đăng yêu cầu down tại đây nhé:
Nhận download tài liệu miễn phí

Tóm tắt nội dung tài liệu:


ra . Các tập Aij , Bj, với i = 1,....,m , j = 1,....,n là các tập mờ trong các không gian nền tương ứng của các biến vào và biến ra đang sử dụng của hệ thống , các Rj là các suy diễn mờ (các luật mờ) dạng "Nếu ... thì '' (dạng if .... then )
R1 : Nếu x1 là A1,1 và ... và xm là Am,1 thì y là B1
R2 : Nếu x1 là A1,2 và ... và xm là Am,2 thì y là B2
......
Rn : Nếu x1 là A1,n và ... và xm là Am,n thì y là Bn
Cho : Nếu x1 là e1* và ... và xm là em*
--------------------------------------------------------------------------
Tính : y là u*,
ở đây e1*, ...., em* là các giá trị đầu vào hay sự kiện ( có thể mờ hay giá trị rõ ),.
2.3 Mô hình mờ:
Mô hình mờ và phương pháp lập luận mờ được Zadeh đề xuất. Sau đó một số tác giả như Kizska, Cao-Kandel đã phát triển tiếp ý tưởng của Zadeh và đề xuất một số phương pháp lập luận mờ mới. Chúng ta xét lựơc đồ lập luận mờ đa điều kiện, mô hình mờ có chứa nhiều mệnh đề điều kiện dạng Nếu … thì:
Mệnh đề 1
Nếu X1= A11 và .. và Xn = A1n thì Y = B1
Mệnh đề 2
Nếu X1= A21 và .. và Xn = A2n thì Y = B2
….
Mệnh đề m
Nếu X1= Am1 và .. và Xn = Amn thì Y = Bm
Kết luận
Y=B0
Tập hợp mệnh đề đầu tiên trong (M) được gọi là mô hình Mờ, trong đó Ai, Bi là các khái niệm Mờ. Mô hình này mô tả mối quan hệ (hay sự phụ thuộc) giữa hai đại lượng X và Y. Giá trị X = A0 được gọi là input còn Y=B0 được gọi là output của mô hình.
Phương pháp lập luận xấp xỉ tính Y=B0 gồm các bước sau;
1) Bước 1: Giải nghĩa các mệnh đề điều kiện: Chúng ta xem các khái niệm mờ Ai, Bi là nhãn của các tập mờ biểu thị ngữ nghĩa của Ai, Bi. để tiện cho hàm thuộc chúng đươc ký hiệu tương ứng là Ai(u) và Bi(u) trên các không gian tham chiếu U và V
Một cách trực cảm, mỗi mệnh đề Nếu … thì trong mô hình Mờ có thể hiểu là một phép kéo theo (implication oprator) trong một hệ logic nào đó và được viết Ai(u) ị Bi(u). Khi u và v biến thiên, biểu thức này xác định một quan hệ Mờ Ri: UxV đ [0,1]. Như vậy mỗi mệnh đề điều kiện trong (M) xác định một quan hệ Mờ.
2) Bước 2: Kết nhập (aggregation) các quan hệ mờ thu được bằng công thức:
R = @ni=1Ri, trong đó @ là một phép tính t-norm hay t-conorm nào đó.
Chẳng hạn R = Ùni=1Ri hay Ú ni=1Ri trong đó Ù, Ú là các phép tính min và max.
Việc kết nhập như vậy đảm bảo R chứa thông tin được cho bởi các mệnh đề if … then có trong mô hình Mờ.
3) Bước 3: Tính output B0 theo công thức B0 = A0oR, trong đó o là phép hợp thành giữa hai quan hệ Ao và R
4) Bước 4: Khử Mờ (Defuzzification). Giá trị đầu ra B0 ở bước 3 là một tập mờ. Trong các bài toán thực tế và đặc biệt là trong các bài toán điều khiển người ta cần tính giá trị thực (rõ). Do đó người ta cần có 1 phương pháp để tính tương ứng giữa tập mờ B0 với một giá trị thực nào đó. Quá trình tính tương ứng đó người ta gọi là giải mờ. Có nhiều phương pháp giải mờ khác nhau mà tuỳ từng trường hợp vào bài toán thực tế mà người ta chọn các phương pháp giải mờ khác nhau:
Phương pháp lấy trọng tâm:
Đây là phương pháp được sử dụng rộng rãi nhất trong điều khiển mờ. Cách khử mờ như sau:
y0 = với S = supp(y) = {y| (y)0 } là miền xác định của tập mờ R.
* Chú ý: Nếu đặt Mi = ; Ai = i=1..n. Xét riêng với số mờ hình thang ta có được:
Mk =(3m - 3m + b2- a2 + 3m2b + 3m1a);
Ak = (2m2 – 2m1 + a + b); ( Chứng minh xem [1 trang 119] )
Tuy nhiên nhược điểm cơ bản của phương pháp này là có thể cho giá trị y0 có độ thuộc nhỏ nhất hay có giá trị bằng 0. Minh họa như hình vẽ sau:
Phương pháp lấy cực đại:
Tư tưởng chính của phương pháp là tìm trong tập mờ có hàm thuộc (y) một phần tử rõ y0 với độ phụ thuộc lớn nhất tức là: y0 = arg maxy(y)
Nhược điểm của phương pháp này là có thể đưa đến vô số nghiệm do đó ta phải xác định được miền chứa giá trị rõ y0. Giá trị rõ y0 là giá trị mà ở đó hàm thuộc đạt giá trị cực đại (bằng độ thoả mãn đầu vào H) tức là miền:
G = { yY | R(y) = H}
Phương pháp lấy trung bình các điểm cực đại
y0 = i=1,2,…n
Phương pháp lấy điểm giữa của các điểm cực đại:
y0 =
2.4 Một số phương pháp suy diễn:
Phương pháp suy diễn tổng quát:
1. Với mỗi luật Ri tìm mức đốt (kích hoạt) li
2. Với mỗi luật Ri sử dụng mức đốt li và tập hệ quả Bi, tìm đầu ra thực B’i
3. Gộp các đầu ra riêng rẽ của các luật để tính đầu ra gộp của toàn hệ B
4. Giải mờ, tìm kết quả ra của toàn hệ y*
Để tiện cho cài đặt thuật toán suy diễn cụ thể, ta xét trường hợp sau: ứng với luật mờ Ri, xét các giá trị mờ Aij, j = 1,2,…, n là những tập mờ trên tập biến ngôn ngữ Xi.
Phương pháp suy diễn Max-Min ( Phương pháp Mamdani)
Tín hiệu đầu vào là vectơ x* = (x1*, x2*, .., xn*)
1. Với mỗi luật Ri, tính li = min (Aij(xj*): j = 1,2,…, n)
2. Xác định Bi’(y) = min (li , Bi’(y)), với mỗi yẻV
3. Xác định B’(y) = max(Bi’(y): i = 1,2,…m)
4. Giải mờ tập B’, thu được kết quả y* là một số rõ
Phương pháp suy diễn Max-prod (Phương pháp Larsen)
Tín hiệu đầu vào là vectơ x* = (x1*, x2*, .., xn*)
1. Với mỗi luật Ri, tính li = Pj (Aij(xj*): j = 1,2,…, n)
2. Xác định Bi’(y) = min (li, Bi’(y)), với mỗi yẻV
3. Xác định B’(y) = max(Bi’(y): i = 1,2,…m)
4. Giải mờ tập B’, thu được kết quả y* là một số rõ
2.5 Ví dụ tổng hợp:
Xét bài toán điều khiển mờ sau( hình vẽ). Yêu cầu của đầu bài là không phụ thuộc vào lượng nước chảy ra khỏi bình ta phải chỉnh van nước chảy vào bình vừa đủ để mực nước trong bình là h luôn không đổi. Ta có thể dựa vào kinh nghiệm để nói rằng van sẽ điều chỉnh theo nguyên tắc sau:
a) Nếu mực nước là thấp nhiều thì van ở mức độ mở to.
b) Nếu mực nước là thấp ít thì van ở mức độ mở nhỏ
c) Nếu mực nước là cao thì van ở vị trí đóng.
d) Nếu mực nước là đủ thì van ở vị trí đóng.
- Bíên ngôn ngữ mực nước có bốn giá trị: thấp nhiều, thấp ít, đủ, cao.
- Biến van có ba giá trị: to, nhỏ, đóng.
Tương ứng với 4 giá trị của biến mực nước ta có 4 tập mờ:
+ Tập mờ thấp nhiều(x) cho giá trị thấp nhiều.
+ Tập mờ thấp ít(x) cho giá trị thấp ít
+ Tập mờ đủ(x) cho giá trị đủ
+ Tập mờ cao(x) cho giá trị cao
Giả sử mực nước x = 2m thì lúc đó thấp nhiều(x) = 0; cao(x) = 0
thấp ít(x) = 0.4; đủ (x) = 0.7
Tương tự ta có 3 tập mờ tương ứng với ba giá trị đầu ra đóng(x), nhỏ (x), to(x)
Với 4 quy tắc điều chỉnh ta có được các phép suy diễn:
R1: Nếu mực nước = thấp nhiều thì van = to
R2: Nếu mực nước = thấp ít thì van = nhỏ
R1: Nếu mực nước = cao thì van = đóng
R1: Nếu mực nước = đủ thì van = đóng
Chọn phép hợp thành max- min ta có các bước như sau:
R1(y) = thấp nhiềuto(y) = min{ thấp nhiều (2), to(y) } = 0
R2(y) = thấp ítnhỏ (y) = min{ thấp ít (2), nhỏ(y) } = min{0.4, nhỏ(y)}
R3(y) = caođóng (y) = min{ cao(2), đóng(y) } = 0
R4(y) = đủđóng (y) = min{ đủ(2), đóng(y) } = min{0.7, đóng(y)}
Xác định tập mờ chung cho cả 4 tập mờ trên để có được kết quả R(y) tương ứng với mực nước đầu vào là 2m. Chọn phép hợp là max ta có:
R(y) = max{0, R2(y), 0, R4(y)} = max{ R2(y), R4(y) }
Xác định giá trị đầu ra y0 (giải mờ): áp dụng giải mờ bằng phương pháp trọng tâm đối với số mờ hình thang ta có:
+ Với hình thang R4(y):
M4=(3*(8.9)2-3*(3.5)2+(11-8.9)2-(3.5-2.3)2+3*8.9*(11-8.9)+3*3.5*(3.5-2.3))=31.794
A4=(2*8.9 – 2*3.5 + (3.5 – 2.3) + (11 – 8.9)) = 4.935
Với hình thang R2(y...

Tài liệu, ebook tham khảo khác

Music ♫

Copyright: Tài liệu đại học © DMCA.com Protection Status