Luận án TS: Xây dựng mô hình lai cho bài toán dự báo theo tiếp cận mờ hướng dữ liệu

Luận án Xây dựng mô hình lai cho bài toán dự báo theo tiếp cận mờ hướng dữ liệu đề xuất thuật toán f-SVM để trích xuất tập luật mờ từ dữ liệu huấn luyện dựa vào máy học vé-tơ hỗ trợ hồi quy; đề xuất thuật toán SVM-IF cho phép trích xuất tập luật mờ từ dữ liệu huấn luyện dựa vào máy học véc-tơ hỗ trợ hồi quy có tích hợp tri thức tiên nghiệm; đề xuất mô hình lai ghép kỹ thuật phân cụm với mô hình mờ hướng dữ liệu dựa trên máy học véc-tơ hỗ trợ hồi quy để giải quyết bài toán dự báo dữ liệu chuỗi thời gian.

Luận án TS: Xây dựng mô hình lai cho bài toán dự báo theo tiếp cận mờ hướng dữ liệu

1. Mở đầu

1.1 Mục tiêu nghiên cứu

Mục tiêu nghiên cứu của luận án là: Xây dựng mô hình mờ hướng dữ liệu lai ghép dựa trên việc tích hợp tri thức tiên nghiệm với mô hình mờ hướng dữ liệu cho bài toán dự báo hồi quy. Cụ thể, nghiên cứu những nội dung chủ yếu sau: 

  • Nghiên cứu phương pháp xây dựng mô hình mờ từ dữ  liệu (mô hình mờ hướng dữ liệu), và cụ thể là xây dựng mô hình mờ dựa trên máy học véc-tơ hỗ trợ. 
  • Nghiên cứu phương thức cho phép tích hợp các kiểu khác nhau của tri thức tiên nghiệm trong mô hình mờ hướng dữ liệu dựa trên máy học véc-tơ hỗ trợ. 
  • Đề xuất mô hình lai ghép trên cơ sở mô hình mờ hướng dữ liệu trích xuất từ máy học véc-tơ hỗ trợ cho bài toán dự báo hồi quy và áp dụng để giải quyết bài toán dự báo dữ liệu chuỗi thời gian tài chính. 

1.2 Đối tượng phạm vi nghiên cứu

Nghiên cứu về các phương pháp xây dựng mô hình mờ từ dữ liệu. Phân tích các vấn đề chi tiết bao gồm xác định cấu trúc mô hình, kỹ thuật xây dựng mô hình, tối ưu hóa mô hình, …

Nghiên cứu giải pháp cải thiện hiệu quả của mô hình mờ hướng dữ liệu bằng cách tích hợp tri thức tiên nghiệm.

Nghiên cứu giải pháp lai ghép kỹ thuật phân cụm (SOM, k-Means) với mô hình mờ hướng dữ liệu dựa trên máy học véc-tơ hỗ trợ để giải quyết bài toán dự báo dữ liệu chuỗi thời gian.

1.3 Phương pháp nghiên cứu

Phương pháp tổng hợp và phân tích: Tìm kiếm, thu thập, tổng hợp và phân tích các tài liệu về các công trình nghiên cứu đã công bố, các bài báo đăng ở các hội thảo và tạp chí lớn trong nước và quốc tế để đưa ra giải pháp xây dựng mô hình mờ hướng dữ liệu cho bài toán dự báo hồi quy và giải pháp cho phép tích hợp tri thức tiên nghiệm vào mô hình mờ hướng dữ liệu. 

Phương pháp mô hình hóa: Dựa trên kỹ thuật xây dựng mô hình mờ hướng dữ liệu và giải pháp tích hợp tri thức tiên nghiệm vào mô hình mờ hướng dữ liệu để đề xuất thuật toán xây dựng mô hình mờ giải quyết bài toán dự báo hồi quy. 

Phương pháp thực nghiệm, đánh giá kết quả và rút ra kết luận: Sử dụng phần mềm Matlab và các công cụ hỗ trợ về mô hình suy luận mờ và máy học véc- tơ hỗ trợ để cài đặt chương trình thực nghiệm; thực nghiệm trên dữ liệu thực tế, so sánh với kết quả của các mô hình khác đã được công bố để đánh giá và rút ra kết luận. 

2. Nội dung

2.1 Trích xuất mô hình mờ hướng dữ liệu 

Cơ bản về logic mờ 

  • Lý thuyết tập mờ
  • Luật mờ “IF-THEN” 

Mô hình mờ hướng dữ liệu 

  • Mô hình mờ Mamdani 
  • Mô hình mờ TSK 

Sinh luật mờ từ dữ liệu 

Máy học véc-tơ hỗ trợ 

  • Lý thuyết máy học Véc-tơ hỗ trợ 
  • Máy học Véc-tơ hỗ trợ cho vấn đề tối ưu hóa hồi qui 

Trích xuất mô hình mờ TSK dựa vào máy học véc-tơ hỗ trợ 

Lựa chọn các tham số 

  • Chọn các tham số của hàm thành viên
  • Vai trò của tham số ε

Tổ chức thực nghiệm

  • Mô tả thực nghiệm 
  • Bài toán hồi quy phi tuyến 
  • Bài toán dự báo dữ liệu chuỗi thời gian hỗn loạn Mackey-Glass

2.2 Tích hợp tri thức tiên nghiệm 

Tri thức tiên nghiệm 

Vai trò của tri thức tiên nghiệm trong học mô hình mờ

  • Học dựa trên sự giải thích (EBL) 
  • Học dựa trên sự thích hợp (RBL) 
  • Học quy nạp dựa trên tri thức (KBIL) 

Xác định tri thức tiên nghiệm để tích hợp vào mô hình mờ trích xuất từ máy học véc-tơ hỗ trợ 

Tích hợp tri thức tiên nghiệm vào mô hình mờ trích xuất từ máy học véc-tơ hỗ trợ 

  • Đặt vấn đề 
  • Thuật toán SVM-IF 
  • Qui trình trích xuất mô hình mờ dựa trên thuật toán SVM-IF có lựa chọn giá trị tối ưu cho các tham số 

Tổ chức thực nghiệm  

  • Mô tả thực nghiệm
  • Bài toán hồi quy phi tuyến
  • Bài toán dự báo dữ liệu chuỗi thời gian hỗn loạn Mackey-Glass
  • Hệ thống Lorenz

2.3 Lai ghép kĩ thuật

Bài toán dự báo

Dự báo dữ liệu chuỗi thời gian 

  • Bài toán dự báo dữ liệu chuỗi thời gian
  • Đánh giá độ phù hợp của mô hình dự báo

Đề xuất mô hình mờ dự báo dữ liệu chuỗi thời gian

Phân cụm dữ liệu đầu vào

  • Kỹ thuật phân cụm k-Means 
  • Kỹ thuật phân cụm SOM 
  • Phân cụm dữ liệu đầu vào bằng SOM 

Mô hình thực nghiệm cho bài toán dự báo giá giá cổ phiếu 

  • Lựa chọn dữ liệu đầu vào 
  • Lựa chọn các thông số đánh giá hiệu quả mô hình

Triển khai thực nghiệm

  • Dữ liệu thực nghiệm 
  • Phân tích kết quả thực nghiệm

3. Kết luận

Với mục tiêu là xây dựng mô hình hướng dữ liệu lai ghép dựa trên việc tích hợp tri thức tiên nghiệm với mô hình mờ hướng dữ liệu cho bài toán dự báo hồi quy. Luận án đã đạt được một số kết quả chính như sau:

  • Nghiên cứu các phương pháp xây dựng mô hình mờ, đặc biệt là mô hình mờ hướng dữ liệu, từ đó xây dựng thuật toán trích xuất tập luật mờ TSK từ dữ liệu dựa vào máy học véc-tơ hỗ trợ hồi quy.
  • Nghiên cứu các kịch bản tích hợp tri thức tiên nghiệm vào quá trình học mô hình mờ; đồng thời phân tích điều kiện đảm bảo tính “có thể diễn dịch được” của một mô hình mờ để qua đó lựa chọn, xác định các tri thức tiên nghiệm cụ thể để tích hợp vào quá trình học mô hình mờ TSK dựa vào máy học véc-tơ hỗ trợ.
  • Đề xuất mô hình lai ghép kỹ thuật phân cụm SOM với mô hình mờ trích xuất được từ máy học véc-tơ hỗ trợ để giải quyết bài toán dự báo dữ liệu chuỗi thời gian. Mô hình đề xuất cho phép giải quyết được vấn đề  dữ liệu có kích thước lớn và độ nhiễu cao của các bài toán dự báo dữ liệu chuỗi thời gian tài chính nói riêng và các bài toán dự báo dữ liệu chuỗi thời gian trong thực tế nói chung.

4. Tài liệu tham khảo

Trần Quang Duy, Nguyễn Công Điều, Vũ Như Lân (2015), Dự báo chuỗi thời gian mờ dựa trên đại số gia tử, Kỷ yếu công trình khoa học 2015 - Phần I, Trường Đại học Thăng Long, 30-46. 

Nguyễn Cát Hồ, Nguyễn Công Điều, Vũ Như Lân (2016), Ứng dụng của đại số gia tử trong dự báo chuỗi thời gian mờ, Journal of Science and Technology, 54(2), 161. 

Đào xuân Kỳ (2017),  Ứng dụng mô hình xích Markov và chuỗi thời gian mờ trong dự báo, Luận án Tiến sỹ Toán học. 

Dương Thăng Long (2010), Phương pháp xây dựng hệ mờ dạng luật với ngữ nghĩa dựa trên đại số gia tử và ứng dụng trong bài toán phân lớp , Luận án tiến sĩ Toán học, Viện Công nghệ Thông tin - Viện Khoa học và Công nghệ Việt Nam. 

Nguyễn Thiện Luận (2015), Lý thuyết mờ ứng dụng trong tin học, Nhà xuất bản thống kê....

--- Nhấn nút TẢI VỀ hoặc XEM ONLINE để tham khảo đầy đủ nội dung Luận án Tiến sĩ trên ---

Ngày:20/08/2020 Chia sẻ bởi:

CÓ THỂ BẠN QUAN TÂM