BÀI GIẢNG HỆ CHUYÊN GIA - ĐẠI HỌC HÀNG HẢI - 6 doc

Sau khi phân hoạch theo m u tóc xong, chỉ có phân hoạch theo tóc v ng Pv ng l còn chứa những người cháy nắng v không cháy nắng nên ta sẽ tiếp tục phân hoạch tập n y.. Tuy nhiên, số phân

VKem (Có) = (3/3,0/3) = (1,0)

VKem (Không) = (3/5,2/5)

Như vậy thuộc tính m u tóc có số vector đơn vị nhiều nhất nên sẽ được chọn để phân hoạch

Sau khi phân hoạch theo m u tóc xong, chỉ có phân hoạch theo tóc v ng (Pv ng) l còn chứa những người cháy nắng v không cháy nắng nên ta sẽ tiếp tục phân hoạch tập n y Ta sẽ thực hiện thao tác tính vector đặc trưng tương tự đối với các thuộc tính còn lại (chiều cao, cân nặng, dùng kem) Trong phân hoạch Pv ng, tập dữ liệu của chúng ta còn lại là :

Tên Ch.Cao Cân

Nặng

Dùng kem?

Kết quả

Sarah T.Bình Nhẹ Không Cháy

Annie Thấp T.Bình Không Cháy

VC.Cao(Cao) = (0/1,1/1) = (0,1)

VC.Cao(T.B) = (1/1,0/1) = (1,0)

VC.Cao(Thấp) = (1/2,1/2)

VC.Nặng (Nhẹ) = (1/2,1/2)

VC.Nặng (T.B) = (1/2,1/2)

VC.Nặng (Nặng) = (0,0)

VKem (Có) = (0/2,2/2) = (0,1)

VKem (Không) = (2/2,0/2) = (1,0)

2 thuộc tính dùmg kem v chiều cao đều có 2 vector đơn vị Tuy nhiên, số phân hoạch của thuộc tính dùng kem l ít hơn nên ta chọn phân hoạch theo thuộc tính dùng kem

Bài tập chương 5:

B i 1: Nêu ra các 5 ví dụ ứng dụng máy học trong thực tế

B i 2: Thu thập dữ liệu cho một hệ dự báo tăng giảm một chỉ số chứng khoán Xây dựng cây định danh v đƣa ra tập luật cho hệ trên

B i 3: Thu thập dữ liệu cho một hệ dự báo đối với sinh viên dự thi tuyển sinh đại học Xây dựng cây định danh v đƣa ra tập luật cho hệ trên

Chương 6: Logic mờ và lập luận xấp xỉ

6.1 Biểu diễn tri thức bằng LOGIC VỊ TỪ

CSTT(knowlegde) = Cơ sở sự kiện, Cơ sở luật

Các sự kiện(Fact) được mô tả bởi Vị từ(Predicate) Mỗi vị từ l một phát biểu, quan sát về đối tượng m ta đang xét

F={p(t1,t2….tn)/p vị từ}

p: Tên vị từ

ti: hạng thức( tẻm) có thể l một biến, mộthằng, hoặc l một h m(rất quan trọng) VD: Ai cũng có ke yêu người ghét

…

Luật( Rule)

Mọi tri thức chuyên môn đều được biểu diễn bằng mệnh đề.: Nếu… thì…

p1(t1….tk)…… pn(u1… un) suy ra q(v1….vm)

trong đó: pi, q: Tên vị từ

ti, u, v: các hạng thức

Câu(clause)

……l một câu v tương ứng với một luật có dạng như ở trên

6.2 Một số ví dụ

Bài toán chở đồ vật qua sông

Coa một con sói, một con dê v mọt chiếc bắp cải muốn qua sông Nhưng chỉ só một bác lái đò L m thế n o dể bác lái đò có thể chở được các vật trên qua sông an to n

Thông tin về tình huống

(Do người sử dụng)

Tri thức về lĩnh vực chuyên môn (Do chuyên gia)

Cung cấp qua phiên hỏi

Có qua phiên thu nạp tri thức

Biết rằng Sói ăn thịt dê nếu chỉ có hai con một mình, dê ăn bắp cải nếu nhƣ không

có sói ở đó

………

Biểu diễn:

-Vị trí :vt(LĐ,S,D,B)

-An toàn: at(LĐ,S,D,B)

-Vị trí xuất phát, đến : ql(Đ1, Đ2)

Ta có mô tả nhƣ sau:

1 vt(b,b,b,b)

2 dd(b,n)

3 dd(n,b)

4 vt(LD,S,D,B)dd at(LD,LD’)at(LD’,S,D,B)vt(LD’,S,D,B)

5 vt(X,X,D,B) dd(X,X’)at(X,X’,D,B)vt(X’,X,D,B)

6 vt(X,S,X,B) dd(X,X’)at(X,X’,B,S)vt(X’,X’,B,S)

7 vt(X,S,X,D) dd(X,X’)at(X,X’,D,S)vt(X’,X’,D,S)

8 at(X S X B)

9 dd(X X’)at(X X X’ X)

Tóm lại ta thấy đây chỉ l luật v sự kiện chứ không phải tri thức chuyên gia

6.3 Cơ chế suy diễn

SUY DIỄN: +Suy diễn tiến( Modus Ponens, Modus Tollens)

+Suy diễn lùi( Modus Ponens, Modus Tollens)

Sói Dê Bắp cải Bờ bắc

Lái đò

Bờ nam

Ví dụ:

1 membership( x1, [x1:-] )

l danh sách có hai phần tử với: +) x l phần tử đầu

+)- l mô tả các phần còn lại

2 membership( x2, [-:y] )

:- membership (x2, y) Goal: membership(1, [ 1,2,3]): :- membership (1, [1,2,3])

Chú ý: Trong Prolog áp dụng suy diễn lùi với: luật theo chỉ số min v sự kiện từ trái qua phải

Từ giả thiết v áp dụng phương pháp suy diễn lùi ta có quá trình suy diễn như sau:

3 :-mb(x, [1,2,3])

4 :- {x/x1, 1/x1} (3,1) nên x=1

5 :-mb(x,[2,3] {x/x2 ; 2,3/x1} (3,2)

6 :- {x/x3; 2/x} (5,1)nên x=2

7 :-mb(x,[3]) {x/x4; 3/x4} (5,2)

8 :- {3/x} (7,1) nên x=3

9 : mb(x,[]) (7,2)

10 fail (9,1)

11 fail (9,2)

p

q

p

p

q

p



: p

p : q

6.4 Biểu diễn tri thức bằng logic mờ và suy diễn

6.4.1 Tập mờ( Fuzzy set)

Trở lại với các kiểu định nghĩa về tập hợp (set) Chúng ta đã biết l có hai kiểu định nghĩa tập hợp:

1- Phương pháp lệt kê tất cả các phần tử thuộc tập hợp đó Ví dụ tập số nguyên nhỏ hơn 10 l tập: N=1,2,3,4,5,6,7,8,9

2- Phương pháp mô tả thông qua vị từ đặc trưng( characteurstic predicate)

PA(x) = 1 nếu x A

0 nếu x A

PA: U  {0,1}

X U  PA(x)

Trực quan Trừu tượng

A B P AP B

A B P AP B

A \B P A  P B

Mở rộng: A~  0 , 1

:x 0~A(x)1 Vậy khi có tập mờ A~: thì A~ (x) gọi l độ thuộc của x v o A~

H m thuộc: l h m do người quan sát cung cấp (subjective opinon)

Mờ hoá:

Với mọi mọi giá trị ngôn ngữ ta gán một tập mờ

VD : Tuổi = “Trạc 30”

Tuổi = A~

)

(

~ x

A

 +) 0 với x(0,25)

+) 1 với x(26,32)

+) 0,7 với x(33,38)

+) 0,2 với x(39,45)

+) 0 với x> 45

6.4.2 Các phép toán trên tập mờ:

Cho tập nền ( tập vũ trụ ) U ( Universer Set)

Một tập mờ A~ trên U được một mô tả bởi h m thuộc ( mebership function)

S= {x/ A(x)0} Tập giá đỡ

K={x/A(x)1} Tập core

  x A 

Một số dạng thường gặp:

Dạng 1:



)

(x

A

 +) 0 nếu x<a

A





U

1

+) x nếu a x b

+) x nếu b x c

+) 0 nếu x>c

A~ (a, b, c)

Dạng 2

A~= (a, b, c, d)

Tập mờ A~ không phải l tập theo nghĩa thông thường nên quan niệm A~ phải định nghĩa theo h m thuộc Do đó không biểu diễn bằng biểu đồ Ven m biểu biểu diễn bằng đồ thị

Hợp của các tập mờ

Cho hai tập mờ A, B với A và B l hai h m thuộc tương ứng

Từ đó ta xây dựng 1).A~B~  C~



  ( ) )

(x A B x

 max(A( x ); B( x ))

Số mờ

Chú thích: lấy tất cả phần trên của đồ thị

Khi đó hợp của hai tập mờ l một tập rõ

2) A~B~C~



  ( ) )

(x A B x

 min (A( x ); B( x ))

Chú thích: Bây giờ ta lấy to n bộ phần dưới

3) Phần bù:

A~ với A(x) khi đó phần bù l :A~ +) A~ có h m thuộc: A(x)  1 A(x)

4) Hiệu hai tập hợp:

+) A~\B~ A~B~

5) Hai tập mờ bằng nhau:

) ( ) ( :

~

~

x x

x B

A A B   A B

Các tính chất:

1 Tính giao hoán

A B B A

A B B A

~

~

~

~

~

~

~

~













2 Tính kết hợp :

)

C ~ )

B ~ ( A

~

C ~ )

B ~

A ~

)

C ~ )

B ~ (

A ~

C ~ )

B ~

A ~

3 Tính lũy đẳng :

A ~

A ~

A ~ 

A ~

A ~

A ~ 

4 ( A ~B ~ )A ~A ~

A

~ )

B ~

A ~

(   

5 Tính phân phối :

)

C ~

A ~ ( )

B ~

A ~ ( )

C ~

B ~

(

A ~     

)

C ~

A ~ ( )

B ~

A ~ ( )

C ~

B ~

(

A ~     

6 Tính chất khác :



~ ~

A ~ 

u ~

u ~

A ~ 

7 ~u ~

~

u ~

8 A ~ A~ 

u A

A~~ ~

9 A ~B ~A ~B ~

Ví dụ : A ~ {(a, 0.1), (b, 0.2), (c, 0.3), (d, 0.4)}

0.6)}

(d, 0.7), (c, 0.8), (b, 0.9), {(a,



A ~

0.6)} (d, 0.7), (c, 0.8), (b, 0.9), (a, 0.4), (d, 0.3), (c, 0.2), (b, 0.1, (a, {

A

~

A ~

Nhận xét : - L Zadel (max, min, 1-)

*) MỞ RỘNG PHÉP TOÁN TẬP MỜ

- AB ( x )s (A ( x ),B ( x ))

Hàm s là t – conorm :

s : [0, 1] x [0, 1] → [0, 1]

- AB ( x )t (A ( x ),B ( x ))

Hàm t là t – norm :

s : [0, 1] x [0, 1] → [0, 1]

- Hàm t – conorm thỏa mãn các tính chất :

+ s(x, y) = s(y, x)

+ s(s(x, y), z) = s(x, s(y, z))

+











x ) , x (

s

) , x (

s

0

1 1

- Hàm t – norm thỏa mãn các tính chất :

+ t(x, y) = t(y, x)

+ t(s(x, y), z) = t(x, s(y, z))

+









 0 0

1

) , x (

t

x ) , x (

t

Ví dụ : s(x, y) = x + y - xy