TAILIEUCHUNG - Mạng nơron phân cụm min-max mờ dựa trên tâm cụm dữ liệu

Bài viết này trình bày một mạng nơron được cải tiến từ mô hình mạng nơron phân cụm min-max mờ FMNN của Simpson. Mô hình cải tiến được gọi là Centroid-based FMNN (CFMNN) nhằm cải thiện hiệu suất phân cụm của FMNN. | Mạng nơron phân cụm min-max mờ dựa trên tâm cụm dữ liệu Công nghệ thông tin MẠNG NƠRON PHÂN CỤM MIN-MAX MỜ DỰA TRÊN TÂM CỤM DỮ LIỆU Vũ Đình Minh1, Nguyễn Doãn Cường2*, Nguyễn Thị Lan Hương1 Tóm tắt: Mạng nơron min-max mờ (FMNN) là một loại mạng nơron dựa trên hình thức các hyperbox cho phân loại và dự báo. Bài báo này trình bày một mạng nơron được cải tiến từ mô hình mạng nơron phân cụm min-max mờ FMNN của Simpson. Mô hình cải tiến được gọi là Centroid-based FMNN (CFMNN) nhằm cải thiện hiệu suất phân cụm của FMNN. CFMNN sử dụng khoảng cách của mẫu dữ liệu với tâm cụm dữ liệu thuộc hyperbox để điều chỉnh các hyperbox. Các thực nghiệm đã được chúng tôi tiến hành trên các tập dữ liệu PID, Wine và tập dữ liệu thực tế bao gồm hồ sơ bệnh nhân để so sánh CFMNN với FMNN đã được công bố trước đây. Các kết quả thử nghiệm cho thấy tiềm năng của CFMNN trong phân cụm dữ liệu. Từ khóa: Min-max mờ, Mạng nơron min-max mờ, Phân cụm, Tâm cụm, Tâm hộp. 1. ĐẶT VẤN ĐỀ Từ lý thuyết tập mờ [15] được Zadeh đưa ra vào năm 1965, đã có nhiều nghiên cứu về nhận biết và phân loại với tập mờ. Trong đó, có rất nhiều nhà khoa học chú ý đến sự hợp nhất của logic mờ và mạng nơron để phát triển hệ thống thông minh [3, 12, 14]. Lý do chính là khả năng kết hợp lý luận mờ trong xử lý thông tin không chắc chắn với khả năng học của mạng nơron mờ [2, 13, 17, 16]. Dựa trên những ưu điểm của việc kết hợp logic mờ và mạng nơron, Simpson đã đề xuất một mô hình mạng nơron mờ min-max (FMNN) [10, 11], cho phép kết hợp mạng nơron và lý thuyết min-max mờ (FMM) để giải quyết bài toán phân lớp và phân cụm. Mô hình FMNN của Simpson sử dụng phương pháp dựa trên dữ liệu, là mô hình mạng nơron học gia tăng cho khẳ năng xử lý các bộ dữ liệu quy mô lớn [14]. Học gia tăng là một kỹ thuật hiệu quả trong khám phá tri thức vì nó cho phép sử dụng lại, bổ sung thông tin trong một lần duyệt [4]. Một lợi thế của việc học gia tăng là tất cả các dữ liệu huấn luyện có .

• Cơ sở dữ liệu
• Min max mờ
• Mạng nơron min max mờ
• Tâm cụm dữ liệu
• Hiệu suất phân cụm của FMNN
• Hàm thuộc hyperbox mờ