XÂY DỰNG CHẾ ĐỘ DINH DƯỠNG TẠI TRƯỜNG MẦM NON BẰNG LOGIC MỜ KẾT HỢP MẠNG NEURAL VÀ MÁY HỌC

Các cá th có đ... Sau khi có đ c danh sách này, chúng ta có th luân phiên thay th các kh u ph n này... Các ph ng pháp nêu trên không th x lý các thông tin d ng này.. Giá tr các thành ph

Digitally signed by Pham The Bao DN: CN = Pham The Bao, C = VN Reason: I am the author of this document

Date: 2006.08.03 15:38:13 +07'00'

NH N XÉT C A GIÁO VIÊN H NG D N

Giáo viên h ng d n

Th.S Ph m Th B o

L I C M N

Chúng em xin bày t lòng bi t n sâu s c đ n Th.S Ph m Th B o, dù r t b n r n

nh ng th y luôn quan tâm và t n tình h ng d n cho chúng em trong su t quá trình th c

hi n lu n v n ; th y đã giúp đ chúng em r t nhi u trong quá trình h c t p và g i m cho chúng em đ n v i đ tài này

Chúng em chân thành c m n th y Ph m Thi V ng và th y Nguy n Hi n L ng, các th y đã giúp đ chúng em r t nhi u trong quá trình th c hi n đ tài và cung c p cho chúng em nhi u tài li u tham kh o có giá tr đ chúng em th c hi n t t khóa lu n này

Xin chân thành cám n quý Th y Cô trong khoa Toán – Tin h c đã t n tình gi ng

d y, trang b cho chúng em nh ng ki n th c quý báu trong su t quá trình h c t p và th c

hi n đ tài

Cu i cùng xin chân thành cám n anh Phan Phúc Doãn và các b n cùng l p đã có

nh ng ý ki n đóng góp b ích giúp chúng em hoàn thành lu n v n

Tp H Chí Minh, ngày 10/7/2006

M C L C

Trang

L i C m n 3

M c L c 4

Danh M c B ng Bi u, Hình nh 5

B ng Ký Hi u Các Ch Vi t T t 6

Ch ng 1 T NG QUAN 1.1 t v n đ ……… 9

1.2 Các h ng gi i quy t trong AI ……… 9

1.3 Lý do s d ng FL ……….……… 18

1.4 K t h p FL v i các k thu t AI khác ……… ……… 19

Ch ng 2 C S LÝ THUY T 2.1 Logic m 2.1.1 T p m ……… 22

2.1.2 Hàm thành viên ……… 24

2.1.3 Toán t t p m ……… 28

2.1.4 Lu t m ……… 40

2.1.5 H th ng vào/ra……… 42

2.1.6 Mô hình suy lu n m ……… 44

2.1.7 Kh m ……… 48

2.1.8 H th ng m - b đi u khi n m ……… 49

2.1.9 Cách l a ch n logic m cho t ng h th ng xây d ng ……… 52

2.2 Khái quát v máy h c……….……….……… 54

2.3 Khái quát v m ng neural ……… ……… 57

Ch ng 3 XÂY D NG THU T GI I 3.1 Quy đ nh ch đ dinh d ng tr em ……… 63

3.2 Nguyên t c và các b c xây d ng th c đ n tr ng m m non……… 63

3.3 Xây d ng t p m và hàm thành viên…….….……… 66

3.4 Xây d ng b l c m b ng k thu t máy h c ……… 75

3.5 M ng neural k t h p h m phát sinh lu t và đi u ch nh tr ng s ……… ………… 81

Ch ng 4 CÀI T VÀ ÁNH GIÁ 4.1 Cài đ t ………

4.1.1 Phân tích – Thi t k ……… 86

4.1.2 Mô hình……… 94

4 2 ánh giá và h ng phát tri n ……… …… 99

Tài li u tham kh o 101

Hình 2-11 Ví d v b n toán t t-norm chu n 34

Hình 2-19 Phân nhóm các b đi u khi n theo s tín hi u vào ra 42

Hình 2-20 Lu t h p thành là b não c a đi u khi n m 43

Hình 2-21 Hàm thành viên cho bi n ngôn ng đ u vào có giá tr

Hình 2-22 Hàm thành viên cho bi n đ u ra có giá tr small, medium và large 45

Hình 2-23 Hàm thành viên cho “Small” , “Medium” và “Large” 47

Hình 2-25 C u trúc c a b x lý m k t h p khâu gi i m và kh m 50

Hình 2-26 C u trúc c a m t b đi u khi n m 50

Hình 2-27 B đi u khi n m c đi n (Hình a)

B ng 2-28 So sánh m ng neural và b đi u khi n m 60

Hình 3-1 Factor “l ng calo” đ i v i nhóm nhà tr 69

Hình 3-2 Factor l ng calo đ i v i nhóm m u giáo 69

Hình 3-4 Factor “t l lipit” đ i v i chu n m t 70

Hình 3-5 Factor “t l gluxit” đ i v i chu n m t 71

Hình 3-6 Factor “t l protein” đ i v i chu n hai 71

Hình 3-7 Factor “t l lipit” đ i v i chu n hai 72

Hình 3-8 Factor “t l gluxit” đ i v i chu n hai 72

Hình 3-9 Mô hình b đi u khi n m th nh t 73

Hình 3-10 Mô hình b đi u khi n m th hai 73

Hình 3-13 Factor “ đ dùng l i” 75

Hình 3-15 S d ng d li u m u đ xây d ng cây quy t đ nh 80

Hình 4.12 Chi ti t ô x lý “c p nh t nguyên li u” 97

Hình 4-13 Chi ti t ô x lý “in n, báo cao” 97

Hình 4-15 Chi ti t ô x lý “qu n lý h th ng” 98

B NG KÍ HI U CÁC CH VI T T T

FL Fuzzy Logic Logic m

MF Member function Hàm thành viên

AI Artificial Intelligence Trí tu nhân t o

ID3 The third in a series Thu t toán cây quy t đinh ID3

of identification ERD Entity Relationship Mô hình th c th quan h

Diagrams DFD Data Flow Diagrams S đ lu ng d li u

ANFIS Adaptive Network Based H m thích nghi

Fuzzy Inference System

MIMO Multi Input – Multi Output B đi u khi n m

SISO Single Input – Single Output B đi u khi n m

MISO Multi Input – Single Output B đi u khi n m

TS Tagagi – Sugeno Mô hình suy lu n m

MOM Mean Of Maximum Ph ng pháp kh m đi m c c đ i COA Center Of Area Ph ng pháp kh m đi m tr ng tâm

1.1 t v n đ

Hi n nay t i các tr ng m m non, xây d ng kh u ph n n cho các bé ch y u đ c

th c hi n b ng tay (th công), vi c này th ng m t th i gian và đ đa d ng c a các b a n

là th p ho c không đ m b o v ch đ dinh d ng Ch vài tr ng qui mô l n thì có thêm s h tr c a m t s h th ng bán t đ ng ho c t đ ng

Trong n c hi n có ph n m m Babyfood do công ty t An th c hi n, và ph n m m Nutrikids đang đ c khuy n khích s d ng, tr giúp vi c s p x p b a n cho các bé, tuy nhiên các h th ng này không th c hi n hoàn toàn t đ ng mà v n ph i thông qua khâu x

lý b ng tay c a con ng i H th ng Nutrikids c a Công ty c ph n m ng tr c tuy n Vi t Sin có thêm h th ng thi t l p d ng ch t , thi t l p các b a n ng u nhiên t các món n

có trong c s d li u phong phú, nh ng không chú tr ng đ n v n đ món n đó đã đ c

s d ng khi nào, hay các món n có k nhau, m t s thi t l p v dinh d ng không th thay đ i, không dùng các k thu t AI và vi c s p x p kh u ph n n t i tr ng m m non

v n do ng i s p x p l ch n t i tr ng th c hi n th công l i Giá c a b ph n m m Nutrikids c a Vi t Sin là 990.000VN

N c ngoài thì có ph n m m t đ ng Nutrikids, nh ng có giá khá cao: b n module,

m i module có giá kho ng 250-300USD, và đ c xây d ng trên n n t ng ch đ dinh

d ng c a tr ph ng Tây nên không phù h p

Trong khi đó v n đ tin h c hoá các tr ng m m non đang đ c m r ng và khuy n khích phát tri n, t ch ng trình d y h c cho t i dinh d ng c a tr Do đó vi c phát tri n m t h th ng dinh d ng t đ ng m i, phù h p cho các tr ng m m non trong

n c là c n thi t và kh thi

tài đ c th c hi n v i m t s m c đích sau:

• S p t đ ng l ch n tr a cho tr m m non trong m t tháng v i l ng dinh

d ng phù h p trong t ng ngày, có đ dùng l i th p, không có các món n

k nhau

• H tr nhà tr ng trong vi c tính toán l i nh ng thay đ i c a kh u ph n n

có liên quan (ch ng h n, n u giá c thay đ i thì vi c tính toán l i giá c a

t ng kh u ph n n liên quan và c ch cho phép đi u ch nh quá trình s p

x p là h t s c c n thi t)

• Giúp cho ng i qu n lý d dàng in ra b ng chi ti t nguyên li u (kèm theo

giá c ) cho b ph n n u n, c ng nh ki m tra, l p báo cáo hàng tu n , hàng tháng

• Giúp tra c u b ng dinh d ng các ch t, xem cách th c ch bi n món n…

đi u ki n v calo, v t l cân b ng các ch t dinh d ng … đ ng th i th a các đi u ki n biên và/ho c có chi phí nh h n,…thì chúng ta s thay th

kh u ph n ban đ u b ng kh u ph n m i và quá trình s l p l i cho đ n khi chúng ta duy t qua toàn b không gian tìm ki m

Chúng ta c n xác đ nh tr c không gian tìm ki m, t c là không gian

kh u ph n n ng th i chúng ta c ng ph i xác đ nh đ c các tiêu chí hay các quy t c cho phép so sánh, đ i chi u đ có th xác đ nh đ c kh u ph n nào t t h n kh u ph n nào

u đi m:

N u xác đ nh đ c các tiêu chí so sánh t t, ph ng pháp này s cho

k t qu t i u nh t có trong không gian các kh u ph n n

H n ch :

Vi c tìm ki m trên không gian kh u ph n n s gây ra hi n t ng bùng n t h p Ví d , n u chúng ta ch dùng ba món trong m t kh u ph n

n thì không gian m u s bao g m n3m u v i n là s món trong cùng m t

lo i (canh, m n, tráng mi ng) Ví d , m i lo i có 5 món n, khi đó không gian m u chúng ta có s là 53 =125; n u m i lo i t ng thêm m t món n, không gian m u s tr thành 63 =226 Rõ ràng, khi n l n, vi c tìm ki m s

r t t n kém N u m t kh u ph n không ch có ba món mà có th dao đ ng

t ba đ n n m món thì vi c tìm ki m s càng khó kh n h n

Vi c xác đ nh các tiêu chí đánh giá đ xác đ nh m t kh u ph n n t t

h n m t kh u ph n khác hay không là m t v n đ l n M i món n bao

g m r t nhi u thành ph n nên m t kh u ph n n c ng s có r t nhi u thành

ph n Các kh u ph n n l i ph i th a mãn nhi u đi u ki n khác nhau v dinh d ng (calo, ch t đ m, …), v t l cân b ng gi a các ch t, v giá c ,

Chúng ta có th xây d ng cây tr ng thái t các món n Các cây

đ c xây d ng trên các tiêu chí đ nh tr c nh các món trong m t nút (ho c trong các nút có n i v i nhau) không đ c k nhau (đi u ki n biên) hay

l ng calo ph i n m trong kho ng nào đó (đi u ki n dinh d ng) Ngoài ra, chúng ta có th áp d ng m t s lu t đ cây không cao quá nh gi i h n s calo, gi i h n s món n…

u đi m:

Vi c xây d ng cây t t s làm gi m đáng k kích th c c a không gian tìm ki m H n ch vi c bùng n t h p và lo i b các kh u ph n không

th a các đi u ki n nào đó i u này làm cho vi c tìm ki m trên cây s th c

hi n nhanh h n r t nhi u so v i các ph ng pháp tìm ki m c đi n Vi c

xây d ng cây ch c n th c hi n m t l n và sau này n u có thêm m t món

m i chúng ta ch c n c p nh t l i cây mà không ph i xây d ng l i t đ u

Khuy t đi m:

T ng t vi c xác đ nh tiêu chí so sánh trong các ph ng pháp tìm

ki m c đi n, vi c xác đ nh tiêu chí đ xây d ng cây c ng r t khó kh n vì

có nhi u đi u ki n dinh d ng và đi u ki n biên Ngoài ra, các cây ch có

th cho k t qu đúng (t c là th a các đi u ki n) ch ít khi xác đ nh đ c các

k t qu t i u

Vi c xây d ng cây (ph thu c vào các tiêu chí xây d ng cây) n u

th c hi n không t t s nh h ng l n đ n các thu t toán áp d ng sau này

Ch t l ng cây s quy t đ nh ch t l ng c a ch ng trình

N u cây l n, th i gian tìm ki m s lâu h n và s x y tr ng h p m t

s kh u ph n ho c món n s không bao gi đ c s d ng

1.2.2 Thu t toán di truy n

Ý t ng chính c a thu t toán này xu t phát t th gi i t nhiên, các sinh v t sinh tr ng và phát tri n n m t giai đo n nào đó, chúng th c hi n giao ph i và sinh s n Quá trình giao ph i và sinh s n luôn xu t hi n hai hi n t ng là di truy n và

bi n d Hi n t ng di truy n cho phép th h sau t t (có kh n ng thích nghi) gi ng

th h tr c (t c là chí ít c ng không làm x u đi kh n ng thích nghi c a loài) Còn

hi n t ng bi n d s t o ra các cá th có kh n ng m i N u kh n ng m i là t t h n (t c kh n ng thích nghi c a cá th đó cao h n) thì nó s đ c truy n l i cho các cá

th khác th h sau N u kh n ng m i là x u h n (t c kh n ng thích nghi kém

h n) thì kh n ng truy n l i cho các cá th c a sau s ít h n (ch không ph i là không có) Và d n d n, trong quá trình ch n l c t nhiên, các đ c tính h n ch kh

n ng thích nghi c a loài s đ c lo i b ho c thay th b ng các đ c tính m i t t h n

T ng t , thu t toán di truy n coi các m u hay các kh u ph n n trong bài toán c a chúng ta là các nhi m s c th , các nhi m s c th s đ c lai ghép v i nhau

đ t o ra các nhi m s c th m i, đ ng th i m t s gen trong quá trình lai ghép b đ t

bi n c ng t o thành các nhi m s c th m i Cu i cùng quá trình ch n l c t nhiên s

bi u di n m i món n là m t chu i nh phân g m n bit, v i n là s bit ít nh t có th dùng đ bi u di n đ c t t c món n Ví d , gi s có m i món canh, chúng ta xác

đ nh n theo công th cn≥log210≈3.3, suy ra n=4 T ng t , có hai m i món m n thì chúng ta c n n=5 bit; có n m món tráng mi ng, c n ba bit đ bi u di n C n chú ý

là s món trong m i lo i có th khác nhau nên s bit dùng cho m i lo i có th không

d trên, chúng ta bi u di n m t nhi m s c th nh sau aaaabbbbbccc v i các bit a dành cho món canh, b dành cho m n và c cho tráng mi ng

Ngoài cách bi u di n b ng chu i nh phân, chúng ta c ng có th bi u di n các

kh u ph n n nh m t chu i n s nguyên, v i n là s lo i món n Trong bài toán c a chúng ta, n có giá tr là 3 Trong m i lo i, chúng ta gán cho m i món n m t s duy

nh t, và thông th ng các s đ c gán là các s nguyên d ng và cách nhau 1 đ n

v Ti p t c ví d trên, chúng ta gán m i món canh các giá tr t 0 đ n 9, hai m i món m n các giá tr t 0 đ n 19, và 0 đ n 4 cho các món tráng mi ng Và chúng ta

c ng đ t các s c nh nhau theo th t xác đ nh tr c đ bi u di n nhi m s c th Theo ví d trên, nhi m s c th có d ng nh sau abc v i a là s gán cho món canh, b cho món m n và c cho tráng mi ng

Lai ghép

Lai ghép là phép toán th c hi n lai ghép hai nhi m s c th (hay hai kh u ph n n) v i nhau đ t o ra các nhi m s c th (kh u ph n n) m i t t h n hay có kh n ng thích nghi cao h n (đáp ng t t h n v i các đi u ki n) V i m t xác xu t lai k cho

tr c, chúng ta ti n hành ch n các c p nhi m s c th (kh u ph n) và th c hi n lai ghép Tùy thu c vào vi c bi u di n các nhi m s c th (hay kh u ph n) mà chúng ta

M t v n đ c n quan tâm trong phép lai là chúng ta c n ki m tra các chu i

bi u di n các nhi m s c th có h p l hay không Ch ng h n, chúng ta ch gán các s

t 0 đ n 9 cho các món canh, sau khi th c hi n phép lai, s bi u di n món canh trong nhi m s c th có th có giá tr l n h n 9 N u x y ra tr ng h p đó, chúng ta c n

th c hi n đi u ch nh cho phù h p

t bi n

t bi n c ng là m t phép toán quan tr ng trong thu t toán di truy n Tùy vào vi c bi u di n nhi m s c th mà chúng ta có các cài đ t khác nhau cho phép toán này T ng t nh lai ghép, phép đ t bi n c ng c n c vào xác xu t đ t bi n đ xác

đ nh nhi m s c th nào đ t bi n Phép toán này c ng nh m t o ra nhi m s c th có đ

Quá trình ch n l c là quá trình ch n nh ng nhi m s c th (kh u ph n) có kh

n ng thích nghi cao và lo i b các nhi m s c th (kh u ph n) có đ thích nghi th p

h n T ng t nh hai phép toán trên, vi c cài đ t phép toán này c ng ph thu c vào cách bi u di n các nhi m s c th Phép toán này th c hi n c l ng kh n ng thích nghi c a các cá th trong qu n th thông qua m t hàm đánh giá Các cá th có đ

thích nghi cao nh t s đ c gi l i và m t chu k hay m t th h m i s ra đ i Th

h m i này c ng tr i qua qua trình ch n l c t nhiên và c th cho đ n khi chúng ta thu đ c các cá th (nhi m s c th ) t i u hay có kh n ng thích nghi cao nh t Hàm đánh giá

Hàm đ c s d ng đ c l ng đ thích nghi c a các nhi m s c th hay

đ c dùng đ đánh giá các kh u ph n n xem kh u ph n nào t t h n kh u ph n nào Chúng ta ph i xác đ nh các tiêu chí đ đánh giá Th ng hàm này tr v m t giá tr s cho bi t “đ t t” c a m t kh u ph n n

S cá th trong qu n th hay s kh u ph n n trong m t t p các kh u ph n

S l ng cá th (kh u ph n) trong qu n th (t p các kh u ph n) s đ c duy trì t th h này sang th h khác S l ng cá th (kh u ph n) càng nhi u thì vi c x

Rõ ràng, v i bài toán xác đ nh kh u ph n, thu t toán di truy n cho phép h n

ch hay thu nh không gian tìm ki m Thu t toán ch t p trung vào nh ng vùng không gian mà kh n ng xu t hi n món n “t t”, t c là th a mãn t t các đi u ki n, là nhi u nh t Phép lai ghép cho phép ti n g n đ n kh u ph n t t h n và phép đ t bi n

s chuy n vi c tìm ki m đ n vùng không gian khác có nhi u kh n ng ch a kh u

Tuy thu t toán luôn cho ra kh u ph n “t t” nh ng không đ m b o đó là kh u

ph n t i u “t t” c a kh u ph n ph thu c vào s th h và s cá th trong qu n

th (s kh u ph n trong t p các kh u ph n) c ng nh vi c bi u di n các nhi m s c

th (kh u ph n)

Vi c bi u di n các kh u ph n trong trong thu t toán di truy n th ng có đ nh

d ng c đ nh Chính vì v y chúng ta không th có đ ng th i các kh u ph n có ba món và kh u ph n có b n món trong cùng m t thu t toán di truy n i u này h n ch

kh n ng c a ch ng trình vì ch cho phép s l ng món c đ nh, trong khi th c t

có th thay đ i tùy theo các đi u ki n khác nhau Ngoài ra, vi c thay đ i cách bi u

Vi c xây d ng hàm đánh giá c ng ph i đ c quan tâm Làm th nào đ xây

d ng các tiêu chí đánh giá, tiêu chí nào là quan tr ng và tiêu chí nào ít quan tr ng

h n,… Các tiêu chí s nh h ng r t l n đ n thu t toán vì nó quy t đ nh các vùng mà thu t toán c n t p trung tìm ki m Ch c n đánh giá sai các tiêu chí, thu t toán có th không cho k t qu t t mà ng c l i, có th cho các k t qu không th ch p nh n

đ c, thu t toán có th r i v c c b đ a ph ng mà không r i v đi m t i u Vi c xây d ng tiêu chí s r t khó kh n vì các kh u ph n n có nhi u ràng bu c v dinh

d ng hay các đi u ki n biên

1.2.3 M ng neural

M ng neural đ c dùng đ phân lo i ho c đánh giá và l a ch n m t kh u

ph n trong các kh u ph n ng viên M ng có c u t o chung bao g m m t ho c nhi u nút nh p, m t ho c nhi u nút xu t, không có ho c có nhi u l p n, m i l p n có th

có m t ho c nhi u nút n Các nút nh p có các cung n i v i các nút n và có th có các cung n i tr c ti p v i các nút xu t, các cung này đ c gán tr ng s th hi n nh

h ng c a m t nút nh p v i m t nút n ho c nút xu t Các nút thu c l p n có th

n i v i các nút n khác (trong l p n sau, tr c ho c trong cùng l p n) ho c n i v i các nút xu t Các cung này c ng đ c gán tr ng s th hi n nh h ng c a nút n v i các nút n i v i nó Các nút xu t có th có các cung n i v i các nút n và các cung này c ng đ c gán tr ng s Ngoài ra, b n thân các nút n và các nút xu t c ng có

m t tr ng riêng g i là tr ng ng ng Giá tr này xác đ nh nh h ng c a m t nút đ i

v i đ u ra c a nút đó

Các m ng luôn có hai trang thái là h c và ánh x tr ng thái h c, các m ng

s s d ng d li u đ u vào đ c cung c p đ c p nh t các tr ng sao cho th hi n m t

l i t t nh t (t c là l i trên m u h c là th p nh t có th ) Tuy nhiên, trong quá trình

h c c n tránh hi n t ng qua kh p x y ra Hi n t ng quá kh p là hi n t ng m ng

ho t đ ng t t trên d li u h c nh ng không t t trên d li u khác (không ph i d li u

h c) Tr ng thái ánh x là tr ng thái mà m ng s d ng các tr ng s đ c c p nh t trong quá trình h c cho các m u m i đ đ a ra các quy t đ nh t ng ng

Khuy t đi m đ u tiên là m ng c n có d li u đ h c hay luy n m ng Càng nhi u d li u, ch t l ng c a m ng càng cao Tuy nhiên, trong bài toán xác đ nh

kh u ph n n, chúng ta không có d li u đ h c i u này có th kh ng đ nh ngay là

m ng n ron không thích h p v i bài toán này

Chính vì tránh tình tr ng quá kh p nên ch t l ng c a m ng không bao gi

đ t đ c 100% Chính vì v y, m ng ch cho ra k t qua t t nh t có th trong gi i h n

c a nó ch không th cho ra giá tr t i u c a bài toán

Vi c xác đ nh s nút n hay s l p n c ng là v n đ c n đ c quan tâm Hi n

t i, ch a có công th c c th nào đ xác đ nh s l p c ng nh s nút n m i l p Chúng ta ch có th bi t đ c đi u này d a vào ph ng pháp th sai i u này s gây

t n kém trong quá trình xây d ng m ng

Vi c xác đ nh t t c t h p có th có gi a các món n có th là m t công vi c

đ n gi n Tuy nhiên, vi c cho t t c các t h p đó vào m ng đ nh n k t qu có th là

vi c làm h t s c lãng phí vì v n đ bùng n t h p Chúng ta có th d ng quá trình này khi xác đ nh đ c m t kh u ph n thích h p ho c m t kh u ph n đ t t Nh ng

đi u này l i d n đ n h qu là các kh u ph n xác đ nh đ c l i không đ m b o là

ch và làm g n đ bi u th đ c đi m c a thông tin Tri th c là thông tin tích h p, th

hi n m i quan h gi a các d li u hay các thông tin v i nhau Ta có th hi u tri th c

là d li u tr u t ng và đ c khái quát hóa m c cao

u đi m

Vì các k thu t dùng trong khai khoáng d li u đ u d a vào d li u s n có đ rút trích các tri th c nên các tri th c này th ng r t có giá tr Ch ng h n, chúng ta

mu n kh u ph n n có món m n là A và món canh là B, và chúng ta không bi t ch n món tráng mi ng nh th nào cho h p thì các tri th c rút trích đ c có th cho chúng

ta bi t món tráng mi ng nào là t t nh t

D a vào các tri th c m i, chúng ta có th xác đ nh các món th ng n chung

v i nhau (đi u này s có th đ m b o đ c các ràng bu c và chúng ta không ph i m t công đi xác đ nh l i chúng) Sau khi có đ c danh sách này, chúng ta có th luân phiên thay th các kh u ph n này

Chính vì ch d a vào d li u cho tr c nên các k thu t này ho t đ ng r t

hi u qu , có th xác đ nh đ c kh u ph n n t i u ngay l p t c

Khuy t đi m

Khuy t đi m đ u tiên ph i nh c đ n là d li u T t c các k thu t dùng trong khai khoáng d li u đ u c n d li u và đi u này ch c ch n không th có trong bài toán c a chúng ta Do v y, các k thu t này không th áp d ng đ c

K đ n, các k thu t này ch rút ra đ c các thông tin v các món n nh món nào th ng n chung v i món nào hay món nào thì không n v i món nào D a vào các thông tin này chúng ta c ng có th xác đ nh kh u ph n n t ng ng Tuy nhiên, các k thu t này không th m r ng hay t o ra các kh u ph n m i i u này s d n

đ n vi c trùng l p n u d li u không đ l n

Vi c m r ng là khó kh n vì các tri th c rút trích đ c ph thu c hoàn toàn vào d li u N u mu n có các tri th c m i, c n cung c p các d li u m i và ph i ti n hành l i đ rút trích các tri th c m i

H c có giám sát: quá trình h c có tín hi u h ng d n vào ra chính xác c a

th y giáo, d li u h c vào ra c a h th ng ph i đ c thi t l p tr c Sau quá trình h c h th ng s tìm ra m t lu t thích h p đ th c hi n t t công vi c d báo ngõ ra đ c k t h p v i ngõ vào m i c a h th ng

u đi m: trong ph ng pháp này, h th ng t đ ng suy lu n đ t o ra k t

qu t ng ng Thông th ng ch sau m t vài b c l p h th ng có th xác

t c theo dõi trong quá trình ho t đ ng c a h th ng i u này d ng nh là không th b i vì v i ch ng trình xác đ nh kh u ph n n, chúng ta không th liên t c theo dõi k t qu c a h th ng đ có nh ng ch nh s a k p th i H n

n a, đi u đó quá t n kém so v i h th ng c a chúng ta

Chính vì v y, khi áp d ng ph ng pháp này chúng ta c n chú ý đ n v n đ bùng n d li u

H c không giám sát: còn đ c g i là th lo i t h c, v i th lo i h c này, quá trình h c không có s tr giúp b t k thông tin h ng d n nào c a th y giáo, ch có d li u đ u vào, h th ng t khám phá ra m t lu t thích nghi đ tìm đ u ra đ c k t h p v i đ u vào m i t t p các m u d li u h c đ u vào mong mu n

u đi m: ph ng pháp này đ n gi n h n các ph ng pháp khác, nó ch cho

bi t m t m u (kh u ph n) có th a đi u ki n hay không Chúng ta ch c n cho

h th ng h c các m u (kh u ph n) positive, t c là các kh u ph n đã đ c

ch p nh n Sau nó, h th ng có th đ c dùng đ xác đ nh m t kh u ph n có

th đ c ch p nh n hay không Chúng ta có xem h th ng này nh m t hàm nhi u bi n, giá tr c a hàm có th d ng ho c âm tùy thu c vào giá tr đ u vào

Khuy t đi m: chính vì tính đ n gi n mà ph ng pháp này không cho k t qu

t i u, h n n a ch t l ng c a h th ng c ng không đ c đ m b o Ngoài ra,

ph ng pháp này c ng c n d li u đ h c nên ph ng pháp này không th s

d ng trong bài toán xác đ nh kh u ph n n

1.2.6 Logic m

Trong th c t , các thông tin mà chúng ta nh n đ c th ng là các thông tin không rõ ràng ho c không đ y đ Các ph ng pháp nêu trên không th x lý các thông tin d ng này Các ph ng pháp trên h u h t yêu c u thông tin ph i rõ ràng và

đ y đ Tuy m t s ph ng pháp khoáng phá d li u có th ch p nh n các d li u không đ y đ nh ng giá tr c a các thu c tính là giá tr rõ ràng, không nh p nh ng

Do v y, chúng ta ch có th s d ng logic m đ x lý các thông tin không rõ ràng

Các thông tin tr c khi đ c x lý s đ c m hóa Sau đó, thông tin đ c

m hóa s đ c áp d ng các lu t c a h th ng đ cho ra k t qu m Các lu t này

đ c xây d ng khi xây d ng h th ng và các tham s c ng đ c đi u ch nh đ thích

h p các thông tin mà h th ng x lý Sau khi có k t qu m , k t qu này l i đ c gi i

m và chúng ta thu đ c k t qu mong mu n

Trong bài toán xác đ nh kh u ph n n, các d li u đ u vào c a h th ng là không chính xác hay không rõ ràng M i món n bao g m nhi u thành ph n nh calo, đ m, ch t béo,…M i kh u ph n l i có nhi u món n, do đó c ng có nhi u thành

ph n Giá tr các thành ph n này th ng không chính xác do quá trình ch bi n món

n và chúng th ng dao đ ng trong m t kho ng cho tr c Ngoài ra, các đi u ki n v dinh d ng c ng nh các đi u ki n biên c ng không rõ ràng Ch ng h n chúng ta có

th ch p nh n m t kh u ph n n n u l ng đ m c a nó n m trong m t kho ng cho phép (đ c xác đ nh tr c) Ho c kho ng th i gian gi a hai l n s d ng liên ti p c a

m t món n càng lâu càng t t Các thông tin đó đ u không rõ ràng Chính vì v y, vi c

s d ng logic m trong bài toán này là hoàn toàn t nhiên Các giá tr m s đ c đánh giá b ng h th ng m và k t qu đ u ra sau khi đ c gi i m s cho ta bi t

“ch t l ng” c a kh u ph n n t ng ng Các kh u ph n ng viên s l n l t đ c đánh giá và kh u ph n đ c đánh cao nh t s đ c ch n

Các lu t s d ng trong h th ng m đ c xây d ng d a trên các đi u ki n (đi u ki n dinh d ng c ng nh đi u ki n biên) và các thông tin m nh kho ng giá

tr c a ch t đ m mà m t kh u ph n n ph i có,…Các thông tin này đ u s n có nên

vi c xây d ng lu t s đ n gi n h n vì chúng ta có c s đ xây d ng lu t C ng chính

vì có c s nên chúng ta có th đánh giá các lu t đ c xây d ng t t hay không Vì chúng ta có th đánh giá sát các đi u ki n đ i v i m t kh u ph n n nên chúng ta có

th nh n đ c m t kh u ph n n t i u ây là lý do quan tr ng trong vi c ch n l a

ph ng pháp s d ng trong bài toán xác đ nh kh u ph n n

Tuy nhiên, khi xây d ng h th ng, chúng ta s g p ph i v n đ k t h p các lu t

l i v i nhau Chúng ta không th s d ng các lu t riêng r đ đánh giá kh u ph n n

vì các thông s c a m t kh u ph n n đ u liên quan m t thi t v i nhau Ngoài ra, chúng ta c ng ph i gán các tr ng s cho t ng lu t vì không ph i lu t nào c ng quan

tr ng nh nhau Ch ng h n kh u ph n có ch a hai món n k nhau s đ c đánh giá khác nh th nào v i kh u ph n có l ng đ m th a i u này làm n y sinh v n đ xây d ng b tr ng s cho các lu t

Vi c xây d ng tr ng s có th tham kh o ý ki n c a chuyên gia và c ng có

th dùng ph ng pháp th sai ho c k t h p c hai Vi c k t h p các lu t l i v i nhau

c ng không quá khó kh n vì lý thuy t m đã xây d ng đ c các mô hình k t h p

V n đ là chúng ta ph i xác đ nh đ c mô hình nào phù h p v i bài toán c a chúng

ta

1.3 Lý do s d ng Logic m

Trong m c trên, chúng ta đã tham kh o s l c m t s k thu t trong l nh v c AI

có th áp d ng cho bài toán , đã nêu lên m t s u khuy t đi m c a t ng k thu t, và qua

đó ph n nào nói lên đ c vì sao l i s d ng logic m cho bài toán c a chúng ta Trong m c này chúng ta s th o lu n chi ti t h n v lý do s d ng logic m

Thông th ng, các bài toán đ c gi i quy t theo ki u:

Hình 1-1 Các b c gi i quy t m t v n đ

T t c các thao tác x lý chính là ánh x t nh ng d li u thu th p đ c đ đ a ra

m t k t qu t ng ng v i nh ng d li u đ u vào đó Chúng ta s d ng m t h p đen (Black Box) đ th c hi n vi c ánh x này Nh v y thì trong h p đen c a chúng ta s ch a

nh ng gì? Nh m c trên đã trình bày, có r t nhi u th có th đ t vào trong h p đen này:

H th ng m , h th ng tuy n tính, h chuyên gia, m ng neural nhân t o, ph ng trình vi phân, các phép toán n i suy … Tuy có nhi u cách có th làm cho h p đen ho t đ ng,

nh ng cu i cùng vi c s d ng FL v n là cách t i u nh t Lotfi Zadeh - cha đ c a lý thuy t t p m , đã t ng nh n xét: “Trong h u h t các tr ng h p, b n có th xây d ng m t

h th ng ph c t p mà không c n ph i s d ng FL, tuy nhiên vi c s d ng FL s nhanh h n

và chi phí r h n”

Sau đây là m t s nh n xét chung v FL:

¬ Logic m là m t khái ni m r t d hi u: Nh ng khái ni m toán h c đ ng sau các suy lu n m r t đ n gi n i u đó làm cho h m đ p “t nhiên” khi

ng i đ c ti p c n v i nó, đ ng th i ng i đ c có kh n ng đào sâu vào

v n đ n y sinh trong th c t đ u ch mang giá tr t ng đ i cho dù b n có

th c hi n và ki m tra nó c n th n đ n ch ng nào Suy lu n m đ a s hi u

bi t không đ y đ này vào ngay trong quá trình x lý mà không c n ph i

đ i cho đ n khi có đ y đ m i thông tin v v n đ c n x lý

¬ Logic m có th mô hình hóa các hàm phi tuy n v i đ ph c t p b t kì: B n

t ng tr i c a các chuyên gia am hi u h th ng mà b n xây d ng

¬ Logic m có th đ c s d ng xen k v i các k thu t truy n th ng: Các h

th ng m không thay th hoàn toàn các ph ng pháp đi u khi n truy n

th ng Trong nhi u tr ng h p, logic m còn nâng cao và đ n gi n hóa các thao tác đi u khi n truy n th ng này

¬ Logic m d a vào ngôn ng t nhiên: C s c a logic m chính là các giao

ti p, suy lu n c a con ng i v s v t hi n t ng trong th gi i th c Chính

vì l đó mà có nhi u cách phát bi u khác nhau trong logic m

Phát bi u sau cùng có l là ý quan tr ng nh t mà chúng ta nên th o lu n thêm Ngôn ng t nhiên đ c chúng ta s d ng h ng ngày, đã đ c đ nh hình và hoàn thi n qua quá trình hàng ngàn n m l ch s c a xã h i loài ng i Các câu v n vi t b ng ngôn ng đ i

th ng có giá tr truy n thông r t l n Chúng ta ít khi ý th c đ c đi u này, b i vì nó là ngôn ng đ i th ng, chúng ta v n s d ng h ng ngày Chính vì logic m đ c xây d ng trên ngôn ng đ i th ng đã làm cho vi c s d ng logic m tr nên r t d dàng và thu n

M t vài ví d v vi c k t h p các ph ng pháp:

• M ng n ron + logic m : k t h p này th ng đ c s d ng trong các h th ng

nh n d ng nh nh n ch vi t, nh n d ng vân tay,…

• Thu t gi i di truy n + logic m : k t h p này th ng đ c s d ng trong các

h th ng đi u khi n t đ ng trong công nghi p hay các công vi c đ u t , ti p

r t lâu,.… i u này s làm gi m đáng k s l ng m u mà h th ng c n đánh giá K t qu

là chi phí cho vi c đánh giá s gi m xu ng nh ng kh u ph n n đ c ch n s v n t i u

ây là ph ng pháp lý t ng cho bài toán c a chúng ta: h th ng xây d ng đ c t o thành t ba b ph n:

• Thành ph n máy h c: đóng vai trò là b l c d li u, nh m t ng t c đ x lý c a b

đi u khi n m , b ng cách gi m s l ng d li u vào b đi u khi n m Thành ph n này g m

o B l c t nh: lo i b các kh u ph n có c c u n ng l ng không phù h p v i chu n dinh d ng Vì c c u n ng l ng trong th c ph m không thay đ i theo th i gian nên b l c s có các lu t t nh c ng nh các giá tr đi u ki n là

• Thành ph n b đi u khi n m : s bao g m hai b m

o B m th nh t: s phân tích các kh u ph n n sau khi đã đ c l c b t d

li u qua 2 b l c (b l c t nh và b l c đ ng) đ đ a ra t l ch n cho các

kh u ph n d a trên c c u n ng l ng

o B m th hai: D li u sau khi qua b l c máy h c đ c phân tích b i b

đi u khi n m th hai d a trên t l ch n theo c c u n ng l ng (đ c tính

b i b m th nh t) k t h p v i các đi u ki n giá ti n m c cho phép, đ dùng l i th p đ đ a ra t l ch n cu i cùng c a các kh u ph n

• Thành ph n m ng neural nhân t o: i u ch nh tr ng s cho b lu t m , d a trên

các m u ho c ki n th c c a chuyên gia

Trong 3 thành ph n xây d ng, b ph n ch y u c a h th ng là các b m , hai thành

ph n còn l i ch đóng vai trò h tr nh m t i u ho t đ ng c a b đi u khi n m :

• Thành ph n m ng neural: t i u đ chính xác c a b đi u khi n m

• Thành ph n b l c: t i u t c đ th c hi n c a b đi u khi n m

2.1.9 Cách l a ch n logic m cho t ng h th ng xây d ng

2.2 Khái quát v máy h c

2.2.1 nh ngh a

2.2.2 H c v i cây quy t đ nh

2.3 Khái quát v m ng neural

2.3.1 Não và neural sinh h c

2.3.2 M ng neural nhân t o

2.3.3 K t h p h m và m ng neural

2.1 Logic m

Hình 2-1 H th ng m và n n t ng ki n th c liên quan

2.1.1 T p m

2.1.1.1 Khái ni m t p m

M t cách t nhiên, đ xây d ng lý thuy t m , ng i ta ph i đi t

nh ng khái ni m nguyên thu nh t Gi ng nh trong toán h c, m t trong

nh ng khái ni m nguyên thu c a toán h c là t p h p, trong lý thuy t t p

m ng i ta đi t khái ni m t p m M t v n đ có tính nguyên t c trong quá trình xây d ng lý thuy t t p m là: "rõ đ c coi tr ng h p riêng c a

m " Vì v y trong m i tr ng h p, các k t qu đúng trong lý thuy t “t p rõ” nó c ng ph i đúng cho tr ng h p "t p m "

Trong toán h c truy n th ng (còn g i là toán h c c đi n) khái ni m

A x, 1(x):χ

χ

X x

Hàm χ rõ ràng xác đ nh các ph n t c a t p A Nh hàm χ ta có

th nói t p A là t p g m nh ng ph n t x màχ(x)=1 Bây gi , t p A có th

bi u di n b ng cách khác qua các ph n t c a t p X

|)1)(,

Nh v y, t p rõ là t p có đ ng biên rõ , trong khi t p m có đ ng biên m

2.1.1.2 Bi u di n t p m

Cho A là t p con c a t p X và µA là hàm thu c c a t p A , n u A có

h u h n ph n t khi đó t p m A có th bi u di n b ng cách li t kê

}))(,(, ,))(,(,))(,(

n

i A

x

x x

x x

x A

) (

) (

) (

1 1

1

µ µ

µ

+ +

|))(,

G i A là t p các đi m gi i khi đó t p m A đ c xác đ nh là :

A={(7, 0.05), (7.5,0.05), (8.0,0.1), (8.5, 0.2), (9.0,0.8), (9.5,0.8), (10,1.0 )}

Hay

0.10

0.10.9

8.05.8

2.00.8

1.05.7

05.00.7

05.0

+++++

M t hàm thành viên (Membership Function- MF) liên k t v i m t t p m cho tr c

b ng cách ánh x m t giá tr đ u vào thành giá tr t ng ng n m trong kho ng [0,1]

2.1.2.1 i m gi ng nhau và khác nhau gi a hàm đ c tr ng c a t p rõ và hàm thành viên c a t p m

• Gi ng nhau :

o Hàm đ c tr ng và hàm thành viên đ u cho bi t m t ph n t có thu c t p đã cho hay không

Ví d : Xét A là t p nh ng ng i cao Cho bi t: ng i có chi u cao t 170cm tr lên đ c cho là ng i cao

Xét ba giá tr chi u cao nh sau:

- Lan cao : 163cm

- Hùng cao : 169cm

- Thanh cao : 175cm Khi đó, ta có hàm đ c tr ng c a t p rõ và hàm thành viên c a t p m

c a t p A nh hình v sau:

<

)]

− )/(

−[2(

−1

≤

≤ )

− )/(

−2(

≤

γ

γβ

αγα

βα

αγαα

xêún

x êúnx

x êúnx

êú x n0

−

γβ

γβγγ

γγ

βγβγ

xif) /2;

,x;

(S

xif) /2;

,S(x;

c x b

c

x c

b x a a b

a x x

êún0

bêún

êún

êú n

d x c

d

x d

c x b

b x a a

b

a x

x

êún0

c êún

êú n1

êún

êú n

Hàm thành viên Gauss đ c xác đ nh nh sau:

2.1.3 Toán t t p m

Sau đây là m t s toán t m quan tr ng m r ng t toán t c a t p h p c đi n:

• Toán t h i m : Hàm thành viên c a A∪B là giá tr c c đ i c a hàm thành viên c a A và c a B:

))(),(max(

)()()(

x x

x x

x

B A

B A

B A

µµ

µµ

)()()(

x x

x x

x

B A

B A

B A

µµ

µµ

• Tích c a hai t p m : Tích c a hai t p m trong cùng m t không gian n n

là m t t p m m i A.B v i hàm thành viên b ng tích c a hàm thành viên A

• Nhân m t t p m v i m t s rõ: Khi m t t p m đ c nhân v i m t s rõ,

khi đó hàm thành viên c a nó đ c cho b i: ( x )

bù c nh sau:

))(()(x c A x

A µ

Hàm bù th ng dùng là hàm bù chu n c : S

a a

c S( )= 1− hay

X x x

0

,1)

t a

t a a

c

Ví d : D i đây là m t ví d đi n hình v hàm ph đ nh do Yager đ xu t:

0,)1()(

(),(()),(

trong đó i ph i th a mãn các ti n đ sau (cho ∀a,b,c∈[0,1]) :

- Có ph n t trung hòa : i(a,1) = a

- n đi u : b≤c⇒i(a,b)≤i(a,c)

- Giao hoán : i(a,b) = i(b,a)

- K t h p : i(a,i(b,c)) = i(i(a,b),c) Khi đó , hàm thành viên µC (x) có th suy ra đ c t các hàm thành viên )

),(a b a b

hay

X x x x

C( )=min[µ ( ),µ ( )], ∈µ

M t s hàm giao khác :

b a b a i

,0

1,

1,),(

),(a b a b

hay

X x x x

C( )=max[µ ( ),µ ( )], ∈µ

2.1.3.4 Nói thêm v các toán t m r ng c a các toán t AND và OR

Hình 2-8 Các toán t AND và OR 2.1.3.4.1 T-norm M r ng toán t AND

Toán t giao m còn đ c g i là toán t triangular norm (t-norm) T

Nh đã gi i thi u trên, ta có b n toán t t-norm chu n :

y )

m i n ( x ,

y ) ( x ,

Sau đây là hình v minh h a :

Hình 2-10 B n toán t t-norm chu n

Nh n xét:

- ∀ y x, ∈[0,1] , chúng ta luôn có:

y ) ( x ,

y ) ( x ,

y ) ( x ,

y ) ( x ,

Ví d minh h a :

Hình 2-11 Ví d v b n toán t t-norm chu n

Ngoài ra , còn có m t s toán t t-norm T khác:

n M

Hình 2-12 Toán t t-norm Nilpotent Minimum

i f

y ) ( x ,

i f

y ) ( x ,

i f

y ) ( x ,

y ) ( x ,

(

Hình 2-13 Toán t t-norm thu c h Frank

i f

y ) ( x ,

y ) ( x ,

λ

Hình 2-14 Toán t t-norm thu c H Hamacher

i f

y ) ( x ,

i f

y ) ( x ,

-i f

y ) ( x ,

y ) ( x ,

S S

( λ

λ λ

0

Hình 2-15 Toán t t-norm thu c H Schweizer-Sklar

y ) ( x ,

i f

y ) ( x ,

y ) ( x ,

[

0

λ λ λ

Hình 2-16 Toán t t-norm thu c H Yager

2.1.3.4.2 T-conorm M r ng toán t OR

Toán t h i m còn đ c g i là toán t t-conorm Nh đã đ c p trên, có

b n toán t t-conorm S chu n nh sau:

y )

m a x ( x ,

y ) ( x ,

y ) ( x ,

y ) ( x ,

y ) ( x ,

Ta có th ki m tra d dàng SD là toán t t-norm l n nh t , và SM là toán t norm nh nh t

i f

y )( x ,

i f

y )( x ,

i f

y )( x ,

y )( x ,

(

+ +

i f

y ) ( x ,

y ) ( x ,

x and

x ) ( m a x ( ( ( 1

i f

y ) ( x ,

i f

y ) ( x ,

-i f

y ) ( x ,

y ) ( x ,

S S

0

y ) ( x ,

i f

y ) ( x ,

y ) ( x ,

[ 0