Tên luận án:
NGHIÊN CỨU NGỮ NGHĨA TÍNH TOÁN CỦA TỪ NGÔN NGỮ VÀ ỨNG DỤNG VÀO VIỆC XÂY DỰNG HỆ MỜ TỐI ƯU DỰA TRÊN LUẬT
Ngành:
Cơ sở toán học cho tin học
Tóm tắt nội dung tài liệu:
Dựa trên lý thuyết tập mờ, hệ mờ dựa trên luật (FRBS) là công cụ hiệu quả trong điều khiển, phân lớp và hồi quy. Tuy nhiên, việc xây dựng FRBS luôn phải cân bằng giữa độ chính xác và tính giải nghĩa được, với tính giải nghĩa được đặc biệt quan trọng trong các lĩnh vực con người là trung tâm. Hiện tại, vấn đề tính giải nghĩa được của FRBS còn phức tạp, thiếu một phương pháp hình thức toán học đầy đủ để xác định ngữ nghĩa tính toán của từ ngôn ngữ từ ngữ nghĩa vốn có của chúng.
Luận án đề xuất một hướng tiếp cận mới để giải quyết vấn đề này. Các đóng góp chính bao gồm:
- Đề xuất ba thuật toán tiến hóa (OPHA-SGERD cho phân lớp, HA-PAES-SG và HA-PAES-MG-Kmax cho hồi quy) để xây dựng LRBS, trong đó ngữ nghĩa tính toán của từ ngôn ngữ được xác định bằng Đại số gia tử (ĐSGT) và mục tiêu tính giải nghĩa được dựa trên độ phức tạp.
- Phát triển một hướng tiếp cận mới cho tính giải nghĩa được của LRBS dựa trên ĐSGT, đề xuất bốn ràng buộc về tính giải nghĩa được ở mức độ phân hoạch mờ (mức thấp) của LRBS, liên quan đến ngữ nghĩa vốn có, phương pháp xác định, ngữ nghĩa khoảng và ngữ nghĩa thứ tự của từ.
- Giới thiệu khái niệm Khung nhận thức ngôn ngữ (LFoC) dựa trên lý thuyết ĐSGT và phương pháp thiết kế ngữ nghĩa tính toán (NNTT) cho các từ trong LFoC, đảm bảo thỏa mãn các ràng buộc đã đề xuất thông qua cấu trúc đa thể hạt.
Kết quả thử nghiệm cho thấy các thuật toán được đề xuất (HA-PAES-MG-Kmax) tạo ra các LRBS có độ chính xác cao hơn và độ phức tạp thấp hơn so với các thuật toán so sánh, đồng thời thỏa mãn các ràng buộc tính giải nghĩa được mới. Phương pháp sinh luật từ mẫu dữ liệu và điều chỉnh NNTT bằng tham số tính mờ của ĐSGT giúp giảm không gian tìm kiếm mà không giảm độ chính xác. Thiết kế NNTT dạng đa thể hạt cũng được chứng minh là hiệu quả hơn dạng đơn thể hạt.
Luận án mở ra các hướng nghiên cứu tiếp theo về giải quyết các bài toán phân lớp và hồi quy với dữ liệu có đặc trưng riêng (số chiều lớn, số mẫu lớn, phân bố không đều) và nghiên cứu tính giải nghĩa được ở mức cơ sở luật (mức cao).
Mục lục chi tiết:
-
MỞ ĐẦU
-
CHƯƠNG 1. MỘT SỐ KIẾN THỨC CƠ SỞ
- 1.1. Một số kiến thức cơ bản về lý thuyết tập mờ
- 1.1.1. Định nghĩa tập mờ
- 1.1.2. Xây dựng hàm thuộc
- 1.1.3. Biến ngôn ngữ
- 1.1.4. Phân hoạch mờ
- 1.2. Một số kiến thức về Đại số gia tử
- 1.2.1. Định nghĩa đại số gia tử
- 1.2.2. Một số tính chất của đại số gia tử tuyến tính
- 1.2.3. Độ đo tính mờ của các giá trị ngôn ngữ
- 1.2.4. Định lượng ngữ nghĩa của giá trị ngôn ngữ
- 1.2.5. Khoảng tính mờ
- 1.2.6. Hệ khoảng tương tự
- 1.3. Hệ mờ dựa trên luật
- 1.3.1. Các thành phần của hệ mờ
- 1.3.2. Các mục tiêu khi xây dựng FRBS
- 1.4. Kết luận chương 1
-
CHƯƠNG 2. PHÁT TRIỂN CÁC THUẬT TOÁN TIẾN HÓA XÂY DỰNG CÁC LRBS GIẢI BÀI TOÁN PHÂN LỚP, HỒI QUY
- 2.1 Phát triển thuật toán giải bài toán phân lớp
- 2.1.1. Bài toán phân lớp
- 2.1.2 Thuật toán OPHA-SGERD
- 1) Thiết kế phân hoạch mờ (ngữ nghĩa tính toán của từ)
- 2) Các tiêu chuẩn chọn luật
- 3) Thuật toán sinh hệ luật ứng cử
- 4) Thuật toán OP-PARHA thiết kế ngôn ngữ
- 5) Thuật toán HA-OFRB tối ưu hệ luật
- 2.1.3. Kết quả thử nghiệm
- 2.2. Phát triển thuật toán giải bài toán hồi quy
- 2.2.1. Bài toán hồi quy
- 2.2.2. Thuật toán HA-PAES-SG
- 1) Phát triển thuật toán
- a. Mã hóa cá thể
- b. Các toán tử di truyền
- c. Thuật toán tiến hóa đa mục tiêu
- 2) Kết quả thử nghiệm
- 2.2.3. Thuật toán HA-PAES-MG
- 2.3. Kết luận chương 2
-
CHƯƠNG 3. TÍNH GIẢI NGHĨA ĐƯỢC CỦA CÁC KHUNG NHẬN THỨC NGÔN NGỮ VÀ BIỂU DIỄN NNTT CỦA CHÚNG
- 3.1. Vấn đề tính giải nghĩa được của FRBS
- 3.2. Khái niệm khung nhận thức và khung nhận thức ngôn ngữ
- 3.2.1. Khung nhận thức và tính giài nghĩa được của nó
- 3.2.2. Khung nhận thức ngôn ngữ
- 3.3. Đề xuất các ràng buộc tính giải nghĩa được trên các LFoC
- 3.3.1. Ràng buộc ngữ nghĩa vốn có của từ
- 3.3.2. Ràng buộc phương pháp xác định NNTT của từ
- 3.3.3. Ràng buộc ngữ nghĩa khoảng của từ
- 3.3.4. Ràng buộc ngữ nghĩa thứ tự của từ
- 3.4. Biểu diễn NNTT dựa trên tập mờ của các từ trong LFoC
- 3.4.1. Biểu diễn đơn thể hạt của LFoC
- 3.4.2. Biểu diễn đa thể hạt của LFoC
- 3.5. Phát triển thuật toán xây dựng LRBS giải bài toán hồi quy
- 3.5.1. Thiết kế ngữ nghĩa tính toán (phân hoạch mờ)
- 3.5.2. Mã hóa các cá thể
- 3.5.3. Thuật toán tiến hóa
- 3.5.4. Kết quả thử nghiệm
- 1) So sánh giữa biểu diễn đa thể hạt và đơn thể hạt của LFoC
- 2) So sánh với thuật toán HA-PAES-MG và PAESKB
- 3.6. Kết luận chương 3
-
KẾT LUẬN CỦA LUẬN ÁN
-
CÁC CÔNG TRÌNH KHOA HỌC CỦA TÁC GIẢ LIÊN QUAN ĐẾN LUẬN ÁN