FUZZY METAGRAPH DỰA TRÊN BIỂU DIỄN TRI THỨC CỦA HỆ THỐNG HỖ TRỢ QUYẾT ĐỊNH

TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN BÀI THU HOẠCH MÔN BIỂU DIỄN TRI THỨC VÀ ỨNG DỤNG BÀI BÁO KHOA HỌC FUZZY METAGRAPH DỰA TRÊN BIỂU DIỄN TRI THỨC CỦA HỆ THỐNG HỖ TRỢ QUYẾT ĐỊNH Giáo viên

TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN BÀI THU HOẠCH MÔN BIỂU DIỄN TRI THỨC VÀ ỨNG DỤNG

BÀI BÁO KHOA HỌC

FUZZY METAGRAPH DỰA TRÊN BIỂU DIỄN TRI THỨC

CỦA HỆ THỐNG HỖ TRỢ QUYẾT ĐỊNH

Giáo viên giảng dạy: PGS.TS Đỗ Văn Nhơn Tác giả: A.THIRUNAVUKARASU

Dr S UMA MAHESWARI Người biên soạn: Nguyễn Xuân Nghĩa

Mã số sinh viên: CH1101108

Hồ Chí Minh 01/2013

MỤC LỤC

TÓM TẮT 3

1 GIỚI THIỆU 3

2 CÔNG TRÌNH LIÊN QUAN 4

3 FUZZY METAGRAPH 5

4 FUZZY METAGRAPH DỰA TRÊN BIỂU DIỄN TRI THỨC 6

5 HỆ CHUYÊN GIA MỜ 9

6 KẾT LUẬN 11

7 TÀI LIỆU THAM KHẢO 11

8 GIỚI THIỆU TÁC GIẢ 12

TÓM TẮT

Bài viết này giới thiệu hệ thống Fuzzy Metagraph, dựa trên biểu diễn tri thức của

hệ thống hỗ trợ quyết định (DSS) Hệ thống này sẽ giúp người dùng đưa ra quyết định chính xác với nguy cơ rất thấp Fuzzy Metagraph là một kỹ thuật mới được sử dụng rộng rãi trong các ứng dụng trên toàn thế giới Fuzzy Metagraph tạo các quy tắc cơ bản để hỗ trợ hệ thống suy luận nhằm đưa ra quyết định chính xác Phương pháp này được sử dụng nhiều trong đời sống như thương mại điện tử, thị phần, phân tích rủi ro

1 GIỚI THIỆU

Đồ thị đóng một vai trò quan trọng trong việc thiết kế các hệ thống xử lý thông tin Các đồ thị có thể là đồ thị đơn giản hoặc đồ thị phức hợp, một đồ thị được định nghĩa bởi một cặp g = {x, e}, trong đó x = {x1, x2, x3… xn } là một tập hữu hạn các đỉnh

và e là một tập các cạnh Có vài sơ đồ hệ thống được thiết kế dựa trên khái niệm đồ thị, chẳng hạn như đồ thị lưu lượng dữ liệu, sơ đồ phụ thuộc chức năng, mạng Petri,

và mạng ngữ nghĩa

Metagraph là cấu trúc đồ họa phân cấp, trong đó mỗi nút là một tập hợp có một hoặc nhiều yếu tố Nó có tất cả các thuộc tính của đồ thị Trong một Metagraph, có một tập hợp các bộ ánh xạ từ điểm tới điểm như trong một cấu trúc đồ thị thông thường [1, 2] Metagraph là một mô hình đồ họa không chỉ mô tả quá trình xử lý của bất kỳ hệ thống nào mà còn có khả năng phân tích, việc phân tích sẽ được thực hiện bằng các giá trị trên cấu trúc đồ họa Cấu trúc đồ họa có thể được biểu diễn bởi sự tương đồng và ma trận tỉ lệ của Metagraph Fuzzy Metagraph là một kỹ thuật mới được sử dụng nhiều trong thiết kế các hệ thống xử lý thông tin như hệ thống xử lý giao dịch, hệ thống hỗ trợ quyết định, và hệ thống quản lý quy trình làm việc

Hệ thống chuyên gia thường hoạt động trên nguyên tắc sử dụng kiến thức chuyên môn, trí thông minh của con người để giải quyết các vấn đề của thế giới Kiến thức chuyên môn thường được thể hiện qua các quy luật hoặc là dữ liệu trong máy tính Tùy thuộc vào yêu cầu cần giải quyết, những quy tắc và dữ liệu được lấy ra để giải quyết vấn đề Hệ thống chuyên gia dựa trên những luật đó đã đóng vai trò quan trọng trong hệ thống thông minh hiện nay và các ứng dụng của nó trong việc thiết lập mục tiêu dài hạn, lập kế hoạch, thiết kế, theo dõi lỗi, chẩn đoán và còn nhiều thứ khác nữa [14]

Một cách tiếp cận nữa là sử dụng một mảng hai chiều để trình bày và phân tích số liệu trong các hệ thống phân tích [13] Bởi nó có những luật giúp giảm tính toán và cải thiện khả năng giải quyết vấn đề, đồ thị và tính toán lưới đã trở thành mô hình quan trọng trong việc biểu diễn và phân tích hệ thống thông minh[13]

Trong đồ thị thô, một số cấu trúc mới hướng tới việc ánh xạ các tập hợp, ví dụ như, directed hypergraphs, higraphs, và Metagraphs Đặc biệt, Metagraph đã thể hiện khả năng về biểu diễn đồ họa và tính toán số học Directed hypergraphs có một số tính chất tương tự như Metagraphs Cả hai có thể được coi là một sự kết hợp của đồ thị có hướng và hypergraphs Tuy nhiên Metagraphs vẫn chứng tỏ được tiềm năng phân tích toán học

Phần còn lại của bài viết được tổ chức như sau:

Phần 2 : các công trình liên quan

Phần 3 : kỹ thuật Metagraph fuzzy

Phần 4 : biểu diễn tri thức với fuzzy Metagraph

Phần 5 : kiến trúc hệ thống fuzzy expert

Phần 6 : kết luận

2 CÔNG TRÌNH LIÊN QUAN

Deepti Gaur, Aditya Shastri và Ranjit Biswas đã đề xuất một mô hình cho cấu trúc

dữ liệu Metagraph Họ dùng bộ nhớ máy tính để lưu trữ dữ liệu thay cho cách dùng

ma trận kề hoặc danh sách kề vì nó có hiệu quả hơn[3], họ đã đề xuất cấu trúc của Metagraph dựa trên nhữn mẫu ngữ nghĩa sẵn có Họ đã phát triển một thuật toán điều chỉnh chiến lược tìm kiếm theo chiều sâu để khai thác các kết nối thường xuyên trong Metagraph một cách hiệu quả [2] Họ đã đề xuất phương pháp phân nhóm fuzzy Metagraph để tìm các nút mờ tương tự nhau Họ đã sử dụng hàm T-norms (triangular norms) và kết hợp hai hoặc nhiều hàm T-norms để phân cụm các nút mờ [4]

Pankaj Dashore và Suresh Jain đã sử dụng hệ thống luật cơ bản và Fuzzy Metagraph đối với các ứng dụng thực tế (giao dịch trực tuyến của ngân hàng, thương mại điện tử và thị phần) để giúp đưa ra quyết định đúng đắn Nó đã được xây dựng thành một dự án Fuzzy Metagraph để tăng khả năng xem xét, giảm các chi tiết không cần thiết

Zheng-hua Tan đã đề xuất một Fuzzy Metagraph (FM) để biểu diễn tri thức FM

đã sử dụng hệ thống luật mờ để biểu diễn tri thức và lý luận trong các dữ liệu dạng đại

số và ma trận đóng [13]

3 FUZZY METAGRAPH

Basu và Blanning giới thiệu về các khái niệm Metagraph [1] Một Metagraph s = {x, e} là một biểu diễn đồ họa bao gồm hai tập X và E X là tập hợp nguồn và E là tập hợp cạnh được xác định dựa vào X Tập nguồn X của Metagraph S là tập hợp các thành phần X = {x1, x2, x3, , xn} đại diện cho biến và xuất hiện ở các cạnh của Metagraph

Hình 1 Ví dụ về Metagraph Hình 1 cho thấy một ví dụ về Metagraph X = {x 1, x 2, x 3, x 4, x 5, x 6, x 7}

là tập hợp nguồn, và E = {e 1, e 2, e 3, e 4} là tập hợp của các cạnh Tập cạnh có thể được quy định như sau: E = {<{x 1, x 2}, {x 4}>, <{x 2, x 3}, {x 5}>, <{x 4, x 5}, {x

6, x 7}> <{x 5}, {x 7}>} In-vertex là hàm gồm một đối số để tìm ra các đỉnh nội bộ

từ tập đã cho In-vertex: (<{x 4, x 5}, {x 6, x 7}>) = {x 4, x 5} Out-vertex là một hàm

có một đối số có thể tìm ra các đỉnh ngoài tập hợp đã cho Out-vertex (<{x 4, x 5}, {x

6, x 7}>) = {x 6, x 7} Hai hàm của Metagraph là Co-input và Co-output, mỗi hàm có hai đối số Co-input lấy từ tập cho trước Co-input {x 4, <{x 4, x 5}, {x 6, x 7}>} = {x 5}, Co-output {x6, <{x 4, x 5}, {x 6, x 7}>} = {x 7} Các cạnh của Metagraph được đặt tên là e1 = <{x 1, x 2}, {x 4}>, e 2 = <{x 2, x 3}, {x 5}>, e 3 = <{x 4, x 5}, {x 6,

x 7}>, e 4 = <{x 5}, {x 7}> Metagraph là cấu trúc đồ họa phân cấp, trong đó mỗi nút

là một tập hợp có một hoặc nhiều thành phần Nó có tất cả tính chất của đồ thị Trong một Metagraph , có một tập các ánh xạ vị trí từ điểm đến điểm của đồ thị [6]

Khái niệm đồ thị mờ được gọi là "fuzzification" bằng cách dùng tập hợp mờ

của đồ thị thô Một đồ thị mờ G̃ có thể được định nghĩa là một bộ ba {X, X̃, Ẽ}, trong

đó X̃ là một tập mờ trên X và Ẽ là một mối quan hệ mờ trên X × X

Một tập mờ X trên X được đặc trưng bởi hàm thành viên : X → [0, 1] với mỗi x 

X, μ (x) chỉ ra chân trị của mệnh đề "x thuộc X̃" Fuzzy Metagraph là khái niệm của

Fuzzification dựa trên Metagraph thô đã được mờ hoá Tập mờ này được tạo ra dựa trên tập hợp các điểm, các thành phần của Fuzzy Metagraph[13]

Hãy xem xét một tập hữu hạn X = {x 1, x 2, x 3, , x n} Fuzzy Metagraph là một bộ

ba S̃ = {X, X̃, Ẽ} trong đó X̃ là một tập mờ trên X và Ẽ là một tập hợp cạnh mờ { ẽ m ,

m = 1, 2, 3, M} Môi thành phần ẽ trong Ẽ được đặc trưng bởi một cặp lệnh < Ṽ m, W̃

m> Các cặp Ṽ m là tập hợp con của X̃ ở in-vertex của ẽ m và W̃ m là tập hợp con W̃ ở

out-vertex

Hình 2.fuzzy Metagraph Thông thường, giá trị của một cạnh còn được gọi là yếu tố chắc chắn (Cf) của

cạnh Để đơn giản, giả sử X̃ i khai báo (X i, ( X̃ i) và ẽ k khai báo (ek, Cf k ) Hình 2 cho

thấy Fuzzy Metagraph những thành phần của tập hợp X = { X̃ 1, X̃ 2, , X̃ 6} được gọi

là Meta Node mờ và có tập các cạnh: ẽ 1= <{ X̃ 1, X̃ 2},{X̃ 3}> và ẽ 2= <{ X̃ 3, X̃ 4}, { X̃

5, X̃ 6}> In-vertex và out-vertex của ẽ 1 là { X̃ 1, X̃ 2} và { X̃ 3}

4 FUZZY METAGRAPH DỰA TRÊN BIỂU DIỄN TRI THỨC

Biểu diễn tri thức là một trong những khu vực quan trọng và sôi động nhất của trí tuệ nhân tạo [13] Một số các luật mờ ra đời (fuzzy production rules - FPRs) được sử dụng rộng rãi trong các hệ chuyên gia mờ Trong phần này, chúng tôi giới thiệu việc

áp dụng Metagraph fuzzy cho FPRs Trong Fuzzy Metagraph dựa trên biểu diễn tri thức, mỗi cạnh đại diện cho một quy tắc trong đó in-vertex là tiền đề của quy tắc, out-vertex là kết quả Hơn nữa, mỗi đường nối gồm nhiều cạnh biểu diễn cho một chuỗi lý luận

Fuzzy Metagraph dựa trên các luật

Độ bất định của một quy tắc được mô hình hóa thành một Fm như trong hình 3.a

Hình 3.a minh họa hàm sau: IF X̃ 1 THEN X̃ 2 (Cf1) Theo quy luật, giá trị đạt được là tồng hợp kết quả của các hàm trước và của hàm CF Một điểm được chuyển thành một điểm mới sau khi xử lý hoặc chuyển đổi

Hình 3.a Fuzzy Metagraph dựa trên các luật cơ bản

Một FPR được gọi là FPR kết hợp nếu một phần tiền đề của nó và / hoặc kết nối một

phần kết quả bằng các từ "AND" hoặc "OR" Hình 3.b mô tả luật sau: IF X̃ 3 AND X̃ 4

THEN X̃ 5 (CF 2) Có sự kết hợp hoạt động trong quy tắc này Zadeh đề xuất sử dụng toán hạng “min = ^” dùng cho phép hợp, và “max = v” cho phép giao Hai hoặc nhiều nút được kết hợp thành một nút mới

Hình 3.b Fuzzy Metagraphdựa trên các luật kết hợp

Hình 3.c mô tả hai quy tắc sau đây:

1) IF X̃ 6 THEN X̃ 8 (CF 3 ) và

2) NẾU X̃ 7 THEN X̃ 8 (CF 4)

Trong trường hợp này, kết quả trả về bằng một giá trị lớn nhất giữa từ giá trị trả

về của các hàm

Hình 3.c Fuzzy Metagraph dựa trên xử lý nhiều dữ liệu đầu vào.

Khi hai quy tắc đều sử dụng cf, chằng hạn, cf 3 = cf 4 = cf, quy tắc kết hợp FM

được minh họa như sau: if X̃ 6 OR X̃ 7 THEN X̃ 8 (CF) Nếu có một số luật hợp, giá trị cuối cùng của các tiền đề bằng giá trị tối đa các thành phần

Hình 3.d Fuzzy Metagraph dựa trên xử lý một dữ liệu đầu vào

Hình 3.d minh họa các nguyên tắc sau: if X̃ 9 THEN X̃ 10 AND X̃ 11 (CF 5 ) Trong hình 4.d, hai nguyên tắc cơ bản được mô tả riêng Chúng tôi không sửa quy tắc

như: IF X̃ 12 THEN X̃ 13 OR X̃ 14 (CF 6 ) vì nó không được phép, một số điểm được lấy

từ nhiều nguôn khác nhau, vì vậy có rất nhiều khả năng xảy ra Biểu diễn đồ họa giúp việc hiểu hệ thống không còn khó khăn trong quá trình xử lý của máy tính [13]

Hình 3.e fuzzy Metagraph dựa trên một đầu vào và hai đầu ra

5 HỆ CHUYÊN GIA MỜ

Trên thế giới, thông tin có độ không chắc chắn và không chính xác Quá trình lý luận của con người thích hợp xử lý các khái niệm không chính xác, không chắc chắn, và

mơ hồ Thông thường, quá trình suy nghĩ, lý luận, và nhận thức của con người không thể hoàn toàn chính xác Đồng thời có những kinh nghiệm khó có thể được diễn đạt hoặc đo đạc bằng cách sử dụng các lý thuyết thống kê, xác suất Logic mờ cung cấp một cách thức để giải quyết vấn đề này dựa trên cách thức con người suy nghĩ , lý luận và nhận thức Hệ thống mờ lần đầu tiên được giới thiệu bởi Zadeh (1965)

Một hệ chuyên gia mờ chỉ đơn giản là một hệ thống chuyên gia sử dụng một tập hợp

các hàm mờ và luật mờ thay vì các hàm Boolean để suy luận dữ liệu (Schneider et al.1996) Hệ chuyên gia mờ bao gồm Fuzzification, hệ thống suy luận, cơ sở quy tắc,

Defuzzification Nó có khả năng giải quyết những vấn đề mà không cần các thuật toán chính xác Hệ chuyên gia mờ cho kết quả tốt đối với các vấn đề không chắc chắn, mơ

hồ, không chính xác hoặc chủ quan Kiến trúc hệ chuyên gia mờ được sử dụng trong

hệ thống này được thể hiện trong hình 4

Hình 4 Kiến trúc cơ bản của hệ chuyên gia mờ

Fuzzification là quá trình chuyển đổi đầu vào từ giá trị thô thành giá trị mờ Hàm thành viên (membership functions – MFs) được sử dụng để chuyển đổi các đầu vào từ giá trị thô thành giá trị mờ, đó là ánh xạ mỗi phần tử của đầu vào đến một lớp thành viên (hoặc giá trị thành viên ) nằm giữa hai giá trị không và một [14] Một hệ thống dựa trên các luật bao gồm: hàm IF-THEN, tập các sự kiện và bộ thông dịch giúp kiểm soát việc áp dụng các luật, các sự kiện Sau đó hàm IF-THEN được dùng để xây dựng câu điều kiện để hoàn thành bộ tri thức cơ bản Trong một luật IF-THEN: “IF x

là A THEN Y là B” thì phần điều kiện if “x là A” được gọi là tiền đề hoặc cơ sở, phần

còn lại “y là B” được gọi là kết quả hoặc kết luận.

Các bước xây dựng hệ chuyên gia mờ.

1 Chọn sự liên quan giữa các biến đầu vào và đầu ra Xác định số lượng các luật liên kết với mỗi biến đầu vào / đầu ra Ngoài ra, chọn các hàm thành viên thích hợp , các phép toán mờ, cơ chế lý luận và nhiều thứ khác nữa

2. Chọn một loại hình cụ thể của hệ thống suy luận mờ (ví dụ: Mamdani, Takagi-Sugeno vvv) Trong hầu hết các trường hợp, luật mờ được suy luận bằng cách sử dụng toán hạng “min” và “max” của phép giao và phép hội

3. Thiết kế một bộ luât mờ IF-THEN (tri thức cơ bản) Xây dựng các luật cơ bản, không gian đầu vào được chia thành nhiều phần và sau đó xử lý cho mỗi phần đó

Trong hầu hết các ứng dụng, việc phân chia được các hàm thành viên thực hiện bằng cách sử dụng luật IF-THEN như đã minh họa trong hình 5 Kết quả của các thành phần sẽ được kết hợp lại Rõ ràng việc phân chia liên quan rất chặt chẽ đến MFs

và số lượng các quy tắc

Hình 5 Ví dụ về cách phân chia không gian hai chiều

Hình 5 cho thấy cách phân chia không gian hai chiều Nguyên tắc đơn giản như

sau IF input-1 là medium và input-2 là large, THEN luật R 8 được chọn Các luật cơ sở

bao gồm chín luật IF-THEN, trong đó “min” và “max” đã được sử dụng như T-norm

6. KẾT LUẬN

Bài viết đã nêu lên khái niệm Fuzzy Metagraph dựa trên biểu diễn tri thức của hệ thống hỗ trợ quyết định Đồng thời cũng đã thảo luận khá chi tiết về Fuzzy Metagraph

và hệ thống chuyên gia mờ Phương pháp này có thể được sử dụng trong nhiều ứng dụng trong thế giới thực như thương mại điện tử, thị phần, phân tích rủi ro Các công trình trong tương lai có thể tập trung vào các kỹ thuật nhằm tối ưu hóa, điều chỉnh các các thông số đầu vào để nâng cao hiệu suất của hệ thống

7 TÀI LIỆU THAM KHẢO

[1]AmitBasu, RobertW Blanning(2007), “metagraph and their applications” [2] Deepti Gaur, Aditya Shastri(2008), “ Metagraph-Based Substructure Pattern mining” International Conference on Advanced Computer Theory and Engineering, pp 865-869

[3] Deepti Gaur, AdityaShastri(2008), “Metagraph: A new model of Data Structure”, IEEE International Conference on Computer Science and Information Technology, pp 729-733

[4] Deepti Gaur,AdityaShastri(2008),“Fuzzy Meta Node Fuzzy Metagraph and its Cluster Analysis”,Journal of Computer Science, 4 (11), pp 922-927, India

[5] Deepti Gaur,AdityaShastri(2009),“Vague Metagraph ”, International Journal

of Computer Theory and Engineering, Vol 1, No.2, pp.126-130,India

[6] DashoreP(2007), “Uncertainty Knowledge Representation Through Fuzzy Metagraph” International Journal of computer Application (IJCA), vol 2,

pp149-154

[7] PankajDashore, Suresh Jain (2009), “Fuzzy Rule Based System and metagraph for Risk Management in Electronic banking activities”, International Journal of Engineering and Technology, Volume 1– No.1, pp (097 – 101), India

[8] PankajDashore, Suresh Jain (2010), “Fuzzy Metagraph and Rule Based System for Decision Making in Share Market”, International Journal of Computer Applications, Volume 6– No.2, pp (0975 – 8887), India

[9] PankajDashore, Suresh Jain (2010), “Fuzzy Rule Based Expert System to Represent Uncertain Knowledge of E-commerce”, International Journal of Computer Theory and Engineering, Vol.2, No.6, pp 882-886