ngày nay hệ thống thông minh đã trở thành thông dụng trong việc giải quyết các bài toán thực tế phức tạp và nó cũng đảm bảo đáp ứng đầy đủ các yêu cầu thực tiễn của bài toán
Trang 1MỞ ĐẦU
1 Lời nói đầu
Trí tuệ nhân tao(Artificial Intelligence - AI) đã từng tôn tại và phát triển hơn 50
năm qua Trước đây, các nhà nghiên cứu trên thế giới và trong nước đã thực hiện rất nhiều chủ để về máy tính thông minh Tuy nhiên, các nghiên cứu thường dừng lại ở phương diện lý thuyết, mà vẫn chưa đạt được những thành quả ứng dụng thực
tế đáng kể nào Ngày nay, các hệ thống thông minh đã trở thành thông dụng trong việc giải quyết các bài toán thực tế phức tạp và nó cũng đảm bảo đáp ứng đầy đủ các yêu cầu thực tiễn của bài toán Sự gia tăng đột ngột về khả năng diễn giải, thiết
kế và xây dựng các hệ thống thông minh của các nhà nghiên cứu là do một nguyên
nhân chính: đó là việc ứng dụng kỹ thuật tinh todn mém (soft computing) trong quá trình xây dựng các hệ thống thông minh Trong kỹ thuật tính toán mềm, ngưỡng
chấp nhận trên của bài toán cụ thể sẽ được khai thác với mục tiêu giúp cho hệ
thống dễ điểu khiển, giá thành thấp nhưng vẫn đảm bảo tính đúng đắn trong quá
trình giải quyết bài toán Về cơ bản, mô hình mẫu cho kỹ thuật tính toán mềm là tư duy của con người Nó khai thác khả năng đặc biệt trong tư duy của con người khi
giải quyết hiệu quả các vấn để trong những môi trường không chắc chắn và không chính xác, dựa trên những phương pháp tính toán và lập luận logic truyền thống Kỹ
thuật tính toán mêm không phải là phương pháp đơn lẻ Nó là sự chung phần hay nói cách khác là sự kết hợp qua lại của nhiều phương pháp, trong đó các phương
pháp cơ bản là: Thuật giải di truyền (Genetic Algorithms- GA), mang Noron (Neural Neworks- NN) và Logic mờ (Fuzzy Logic- FL) Trong bộ ba GA, NN và FL; GA là
phương pháp tìm kiếm biến giúp cho việc giải các bài toán tối ưu; WW là phương
Trang 2pháp hiệu chỉnh sửa đổi tham số sao cho phù hợp với bài toán cần giải quyết, nó
giúp cho hệ thống có khả năng học và nhận biết; FL tập trung vào việc xử lý các tính toán gần đúng và không chính xác Chú ý rằng: Việc xử lý các tính toán GA,
NN va FL thường được ứng dụng cho các bài oán số hơn là cho các bài toán dạng
ký hiệu Việc sử dụng kỹ thuật tính toán mềm trong trí tuệ nhân tạo bắt đầu được
khai thác trong thập niên này với mục tiêu giải quyết những bài toán xấp xỉ, gần
đúng
Những tiến bộ đạt được trong những năm gần đây ít khi xuất phát từ việc sử dụng các phương pháp truyền thống, những gì đã hình thành phần cốt lõi của Trí ruệ nhân tạo cổ truyền, mà nó chủ yếu đạt được nhờ việc sử dụng kỹ thuật tính toán
mêm, thành phần cốt lõi cla tinh todn thong minh (Computing Intelligence- Cl) Điều này xác định ranh giới giữa Trí tuệ nhân tạo cổ truyền với nền tảng là kỹ thuật tính toán cứng và tính toán thông mình với nền tẳng là kỹ thuật tính toán mềm (16, TLTK], (26, TLTK]
Luận án tìm hiểu việc hợp nhất các thành phần của kỹ thuật tính toán mềm:
GA, NN, FL Các thành phần này hỗ trợ và bổ xung cho nhau thay vì cạnh tranh
nhau Trong luận án, một số hệ thống kết hợp ba kỹ thuật trên được để xuất: Hệ thong Di truyén- Mo, hé thống Nơron- Mờ, hệ thống Di truyền- Nơron, hệ thong Di truyền- Nơron- Mờ Các hệ thống kết hợp này đã được chỉ ra tính khả thi trong việc giải quyết ứng dụng cụ thể, đó là bài toán phân loại mẫu tổng quát (Hình 0.1)
Việc nghiên cứu này hy vọng sử dụng được những ý tưởng của kỹ thuật tính toán mềm cho mục tiêu giải quyết các bài toán trong thực tế sao cho thu được hiệu suất thực hiện cao nhất Các hệ thong kết hợp là lời vẫy gọi của tương lai Chúng
khẳng định vị trí của Tính toán thông minh Việc nghiên cứu chúng sẽ mở ra một
Trang 3hướng phát triển mới cho tương lai và đảm bảo cung cấp những công cụ mới cho
phép giải quyết phân lớn các bài toán phức tạp trong thực tế
2 Mục tiêu, nội dung của luận án
2.1 Mục tiêu
Luận án này sẽ tập trung tìm hiểu một số mô hình kết hợp qua lại giữa Thuật giải di truyền, mạng Nơron, và Logic mờ đã được nghiên cứu bởi một số nhà khoa học trong một vài năm gần đây [5,TLTK], [6,TLTK], [9,TLTK], [16,TLTK], [23,TLTK], (26,TLTK] Trên cơ sở những nghiên cứu đã có, tiến tới xây dựng ;môi
số mô hình kết hợp riêng: Di truyền- Mờ, Nơron- Mờ, Di truyền- Nơron, Di truyền- Nơron- Mờ Các mô hình đề xuất được chỉ ra tính khả thi thông qua ứng dụng cụ thể
đó là lớp bài toán phân loại mẫu tổng quát
Bài toán phân loại mẫu tổng quát
Phục hồi
(Kết hợp GA+FL+Kohonen+AM)
(Kết hợp FL+GA)
1 véc tơ véc tơ
(Kết hợp NN+FL+GA) Hình 0.1 So đổ phân chia của bài toán phân loại mẫu tổng quát
Trang 422 Nội dung
2.2.1 Tổng kết một số kỹ thuật kết hợp đã có
Tóm tắt một số phương pháp kết hợp qua lại giữa Thuật giải di truyền, mạng
Nơron và Logic mờ đã có của các nhà nghiên cứu trong và ngoài nước: mô hình kết
hợp Di truyên- Mờ, Nơron- Mờ, Di truyền- Nơron, Di truyền- Nơron- Mờ Cụ thể, luận án tổng kết được:
-_ Tính cân thiết của việc kết hợp,
-_ Các phương thức kết hợp,
- _ Tóm tắt một số ví dụ minh họa
-_ Đưa ra lớp bài toán thích ứng đối với từng mô hình kết hợp
2.2.2 Các mô hình kết hợp đề xuất
Luận án đã để xuất một số mô hình kết hợp riêng va chi ra tinh kha thi của nó trong bời toán phân loại mẫu tổng quát Bài toán này gồm hai lớp bài toán: phân lớp mẫu không mất mát thông tin: Chứng thực mẫu, phân lớp mẫu và phân lớp mẫu
bị mất mát thông tin
Giải lớp bài toán phân loai mẫu không mất mát thông tin:
Giải lớp bài toán chứng thực mẫu(phân biệt THẬT/ GIẢ) bằng mô hình kết
hợp giữa Thuật giải tiến hoá (EA) với Logie mờ (FL) (mô hình FL_EA)
Giải lớp bài toán phân lớp mẫu bằng một số mô hình kết hợp: giữa mợng
Noron và Logic mờ (mạng Nơron mờ (Fuzzy Neural Network- FNN)); giita mạng Nơron và Thuật giải di truyền (mô hình NN_GA); giữa mạng Nơron, Logic mờ và
Thuật giải di truyền (mô hình NN_FL_GA)
Trang 5Giải lớp bài toán phân loai mẫu bi mất mát thông tin:
Phục hổi mẫu bị mất mát thông tin về trạng thái ban đâu bằng mô hình Bộ nhớ kết hợp (Associative Memory- AM) Sau khi mẫu được phục hôi, quay trở lại bài toán phân loại mẫu không mất mát thông tin: chứng thực mẫu hoặc phân lớp mẫu
Để chuẩn bị bộ dữ liệu huấn luyện cho zmạng phục hôi: Bộ nhớ kết hợp và
mạng phân lớp: FNN và NN, luận án đề xuất một kỹ thuật tự động phát sinh bộ dữ
liệu huấn luyện thay thế phương pháp chọn mẫu thủ công Kỹ thuật này hình thành
từ mô hình kết hợp giữa Thuật giải di truyền, mạng Kohonen và Logic mờ tạm gọi là
mô hình GA_Kohonen_FL
Các ứng dụng thực tế trong luận án minh họa cho việc sử dụng những mô hình
kết hợp đã xây dựng: Chứng thực ảnh; Nhận dạng chữ viết tay; Phân loại ảnh vân tay mất mát thông tin
Các mô hình đã để xuất trong luận án đều được phân tích, đánh giá hiệu quả
sử dụng trong quá trình giải quyết lớp bài toán phân loại mẫu tổng quát
2.2.3 Bố cục của luận án
Về bố cục, luận án gồm năm phần:
Chương 1: Kết hợp các mô hình tính toán thông minh: Tổng kết các nghiên
cứu đã có về mô hình kết hợp: Di truyền- Mờ, Nơron- Mờ, Di truyền- Nơron, Di
truyền- Nơron- Mờ Trình bay bài toán phân loại mẫu tổng quát Giới thiệu các mô hình kết hợp đề xuất trong luận án ứng dụng giải bài toán phân loại mẫu tổng quát
Chương 2: Một số mô hình kết hợp cặp đôi: Để xuất ba mô hình kết hợp cặp
đôi mô hình Di truyén- Mo nhim giải bài toán chứng thực mẫu (phân biệt
THẬT/GIẢ); mạng Nơron- Mờ giải bài toán phân lớp mẫu (mẫu là 1 véc tơ- XeQ);
Trang 6mô hình Thuật giải di truyên kết hợp nhiều mạng Nơron trong bài toán phân lớp mẫu (mẫu gôm M véc tơ- Xe©) /
Chương 3: Kết hợp giữa Thuật giải di truyền, mạng Nơron và Logic mờ: Đề
xuất một số mô hình kết hợp cả ba phương pháp: Thuật giải di truyền, mạng Nơron
và Logic mờ Ứng dụng thử nghiệm trên bài toán phân loại mẫu mất mát thông tin (X€Q)
Chuong 4: M6 hinh két hp Di truyén- Noron- Mo va cdc tng dung thực tế: Trình bầy các ứng dụng thực tế của các hệ thống kết hợp Di truyén- Noron- Mo: Chứng thực ảnh; Nhân dang ký tự viết tay; Phân loại mẫu vân tay mất mát thông tin
Phụ lục: gồm 10 phụ lục từ A- J bao gồm các khái niệm lý thuyết cơ bản và
những phân tích ứng dụng thử nghiệm có sử dụng trong luận án Từ phụ lục A đến
phụ lục G: trình bầy các vấn dé lý thuyết cơ bản mà luận án sử dụng Từ phụ lục H đến phụ lục J: trình bẩy việc phân tích các ứng dụng thử nghiệm.
