Phương pháp mô hình hóa mờ sử dụng phân cụm dữ liệu.

- NGUYỄN THỊ THI PHƢƠNG PHÁP MÔ HÌNH HÓA MỜ SỬ DỤNG PHÂN CỤM DỮ LIỆU LUẬN VĂN THẠC SĨ KỸ THUẬT.
- Tên đề tài : Phƣơng pháp mô hình hóa mờ sử dụng phân cụm dữ liệu Tôi – Nguyễn Thị Thi- cam kết Luận văn là công trình nghiên cứu của bản thân tôi dƣới sự hƣớng dẫn của PGS.TS.
- 4 TÓM TẮT NỘI DUNG ĐỒ ÁN TỐT NGHIỆP Đồ án giới thiệu các Phƣơng pháp mô hình hóa mờ sử dụng phân cụm dữ liệu áp dụng trong bài toán Dự báo giá của cổ phiếu trong thị trƣờng chứng khoán.
- Sử dụng kỹ thuật mô hình hóa mờ trong dự báo tài chính có ý nghĩa thực tiễn rất lớn, đặc biệt trong lĩnh vực thị trƣờng chứng khoán, và việc sử dụng phƣơng pháp mới này góp phần làm tăng độ chính xác trong kết quả tính toán so với các phƣơng pháp đã từng đƣợc sử dụng trƣớc đây với tập mờ loại một thông thƣờng.
- Mô hình xây dựng trong đồ án dựa trên nền tảng Hệ suy diễn mờ Mamdani, đƣợc kết cấu từ một bộ các mô hình mờ nhúng.
- sau đó lựa chọn ra mô hình phù hợp nhất để suy diễn với bất cứ một dữ liệu đầu vào cho trƣớc nào.
- Kết qủa thực nghiệm trên dữ liệu cổ phiếu do Michio Sugeno và Takahiro Yasukawa cung cấp trong “A Fuzzy-Logic-Based Approach to Qualitative Modeling” lEEE TRANSACTIONS ON FUZZY SYSTEMS, VOL.
- 3 TÓM TẮT NỘI DUNG ĐỒ ÁN TỐT NGHIỆP.
- 10 1.1 Giới thiệu đề tài.
- Nội dung đồ án.
- Kết luận.
- 12 CHƢƠNG II: CÁC KHÁI NIỆM CƠ BẢN.
- 13 2.1 Giới thiệu.
- 13 2.2 Các khái niệm cơ bản.
- 13 2.2.1 Tập mờ loại một (Type 1 fuzzy sets.
- 13 2.2.2 Một số dạng hàm thuộc loại một và các tính chất.
- 17 2.2.4 Tập mờ loại hai (Type 2 fuzzy sets.
- 18 2.2.5 Tập mờ loại hai rời rạc (Discrete Type 2 Fuzzy Sets.
- 21 2.2.6 Biểu diễn tập mờ loại hai theo các tập mờ nhúng.
- 22 2.3 Mô hình hóa mờ.
- 23 2.3.1 Quá trình Mô hình hóa mờ.
- 23 2.3.2 Kiến trúc của một Mô hình mờ.
- 25 2.3.3 Những vấn đề chính đặt ra trong quá trình mô hình hoá mờ.
- 27 2.3.4 Mô hình mờ Mamdani.
- 27 2.4 Tổng quan về Phân cụm dữ liệu.
- 29 2.4.1 Giới thiệu về Phân cụm dữ liệu.
- Kiểu dữ liệu và độ đo tƣơng tự.
- Các ứng dụng của Phân cụm dữ liệu.
- Phân cụm dữ liệu và Mô hình hóa mờ.
- 32 CHƢƠNG III: CÁC PHƢƠNG PHÁP MÔ HÌNH HÓA MỜ.
- 33 3.1 Phƣơng pháp xây dựng Mô hình mờ loại một sử dụng kỹ thuật phân cụm.
- 33 3.1.1 Phƣơng pháp sử dụng kỹ thuật phân cụm.
- 33 3.1.2 Đánh giá phƣơng pháp xây dựng mô hình mờ sử dụng tập mờ loại 1.
- 35 3.2 Phƣơng pháp xây dựng Mô hình mờ sử dụng tập mờ loại hai rời rạc.
- 35 3.2.1 Ý tƣởng của phƣơng pháp.
- 35 3.2.2 Kiến trúc và Sơ đồ tổng thể của phƣơng pháp.
- 37 3.2.3 Xây dựng Mô hình mờ sử dụng tập mờ loại hai rời rạc.
- 39 3.2.3.1 Phân cụm FCM (Fuzzy C-Means Clustering.
- 39 3.2.3.2 Sinh hàm thuộc.
- 41 3.2.3.3 Xây dựng các mô hình mờ loại môt nhúng.
- Xây dựng bảng tra cứu m.
- 48 4.1 Giới thiệu bài toán.
- 48 4.2 Xây dựng mô hình Dự báo giá cổ phiếu với mô hình mờ loại một sử dụng phân cụm.
- 51 4.2.1 Chức năng và phạm vi sử dụng.
- 52 4.3 Xây dựng mô hình Dự báo giá cổ phiếu sử dụng mô hình mờ loại hai rời rạc.
- 54 4.3.1 Xây dựng mô hình mờ nhúng.
- 54 4.3.2 Xây dựng hệ thống dự báo giá cổ phiếu.
- 59 4.3.2.1 Chức năng và phạm vi sử dụng.
- 63 4.4 Đánh giá phƣơng pháp.
- 72 8 DANH MỤC BẢNG VÀ HÌNH VẼ Hình 2.1: Một số dạng hàm thuộc thông dụng Hình 2.2: Hàm thuộc có mức chuyển đổi tuyến tính Hình 2.3: Miền xác định và miền tin cậy của một tập mờ Hình 2.4 Hàm thuộc tuyến tính từng khúc dạng tam giác (trimf) và dạng hình thang (trapmf Hình 2.5: Một số dạng hàm thuộc trơn Hình 2.6: (a) Hàm thuộc loại một, (b) Vết mờ hàm thuộc loại một, (c) FOU………….16 Hình 2.7: Ví dụ về hàm thuộc loại hai Hình 2.8: (a): Miền tô đen là FOU của một tập mờ loại hai.
- Độ thuộc sơ cấp Jx1 và Jx2 tại điểm x1 và x Hình 2.9: Sơ đồ quá trình mô hình hoá mờ và ba giai đoạn chính của nó……………..21 Hình 2.10: Cơ chế suy diễn mờ Hình 2.11: Mô hình mờ Mamdani sử dụng product và max lần lƣợt cho phép toán AND mờ và OR mờ Hình 2.12: Mô hình mờ Mamdani sử dụng min và max lần lƣợt cho phép toán AND mờ và OR mờ Hình 3.1: Kiến trúc mô hình mờ sử dụng tập mờ loại hai Hình 3.2: Kiến trúc mô hình mờ loại hai đƣợc sử dụng Hình 3.3: Kiến trúc và nguyên tắc hoạt động của mô hình mờ loại một nhúng………...33 Hình 3.4: Sơ đồ tổng thể của phƣơng pháp Hình 3.5: Dạng hàm thuộc của các biến đầu vào và biến đầu ra Hình 4.1 : Bộ dữ liệu luyện tập của cổ phiếu A Hình 4.2: Bộ dữ liệu kiểm thử của cổ phiếu A Hình 4.3: Biểu đồ phân rã chức năng của hệ thống Hình 4.4: Biểu đồ mức khung cảnh Hình 4.5: Thiết kế form giao diện chƣơng trình Hình 4.6 :Tập luật cơ sở của Michio Sugeno và Takahiro Yasukawa Hình 4.7: Khai báo số biến vào ra mô hình Hình 4.8: Dạng hàm thuộc tƣơng ứng với các biến vào ra Hình 4.9: Tập luật đƣợc học từ tập dữ liệu huấn luyện Hình 4.10: Cấu trúc mô hình suy diễn, hàm thuộc của các biến vào ra và tập luật của mô hình mờ nhúng thứ nhất Hình 4.11: Cấu trúc mô hình suy diễn, hàm thuộc của các biến vào ra và tập luật của mô hình mờ nhúng thứ nhất Hình 4.12: Biểu đồ phân rã chức năng của hệ thống sử dụng mô hình mờ loại hai rời rạc54.
- Hình 4.13: Biểu đồ mức khung cảnh hệ thống sử dụng mô hình mờ loại hai rời rạc……55 Hình 4.14: Thiết kế form giao diện chƣơng trình Hình 4.15: Giao diện chƣơng trình Hình 4.16: Chọn bộ dữ liệu huấn luyện Hình 4.17: Chức năng Optimal c Hình 4.18: Thực hiện kiểm thử và hiện mô hình mờ nhúng tƣơng ứng…………………60 Hình 4.19 : Bảng kết quả kiểm thử trên hai hệ thống THUẬT NGỮ VÀ CÁC TỪ VIẾT TẮT THUẬT NGỮ Ý NGHĨA FCM Fuzzy C-means Fuzzy Clustering Phân cụm mờ T1FS – Type 1 Fuzzy Set Tập mờ loại một T2FS – Type 2 Fuzzy Set Tập mờ loại hai IT2FS – Interval Type 2 Fuzzy Set Tập mờ loại hai khoảng DT2FS- Discrete Type 2 Fuzzy Sets Tập mờ loại hai nhúng FOU – Footprint Of Uncertainty Chân đế của sự không chắc chắn UMF – Upper Membership Function Hàm thuộc trên LMF – Lower Membership Function Hàm thuộc dƣới RMSE- Root Mean Square Error Sai số bình phƣơng tiêu chuẩn 11 CHƢƠNG I: GIỚI THIỆU ĐỀ TÀI 1.1 Giới thiệu đề tài Đề tài “Phƣơng pháp mô hình hóa mờ sử dụng phân cụm dữ liệu” là một trong những phƣơng pháp của logic mờ trong bài toán xây dựng mô hình hóa mờ.
- Đồ án không chỉ giúp ta hiểu đƣợc về lí thuyết tập mờ nâng cao, xây dựng đƣợc mô hình mờ mà còn giúp ta có thề mở rộng hƣớng phát triển, xây dựng đƣợc mô hình với độ chính xác cao hơn có thể áp dụng đƣợc vào bài toán thực tế.
- 1.2 Mục tiêu và giải pháp 1.2.1 Mục tiêu Nghiên cứu và nắm rõ các khái niệm cơ bản về logic mờ, cũng nhƣ những ứng dụng của chúng trong lĩnh vực mô hình hóa mờ, sử dụng phân cụm dữ liệu.
- 1.2.2 Nội dung và các vấn đề cần giải quyết - Nghiên cứu, tìm hiểu các kiến thức liên quan về phân cụm dữ liệu cũng nhƣ hệ logic mờ - Đọc, hiểu, nắm rõ các khái niệm liên quan đến hệ logic mờ và các yêu cầu để thiết kế một mô hình logic mờ - Xây dựng một mô hình hóa mờ sử dụng phân cụm dữ liệu trong quá trình mờ hóa 1.3.
- Nội dung gồm có: Chương I: Giới thiệu đề tài Chƣơng này nhằm giới thiệu nội dung của đề tài, mục tiêu và giải pháp cho đề tài.
- Chương II: Các khái niệm cơ bản Giới thiệu các khái niệm cơ bản về logic mờ cũng nhƣ mô hình hóa mờ.
- 12 Chương III: Các Phương pháp mô hình hóa mờ Đƣa ra các Phƣơng pháp xây dựng tập các mô hình hiện nay Chương IV: Phân tích thiết kế hệ thống mô hình hóa sử dụng phân cụm dữ liệu Thực hiện mô phỏng hệ thống bằng công cụ Matlab.
- So sánh và đánh giá với các phƣơng pháp khác.
- Chương V: Kết luận và hướng phát triển Đƣa ra kết luận những kết quả đạt đƣợc, những kết quả hƣớng tới và so sánh với kết quả khi sử dụng những phƣơng pháp khác.
- 13 CHƢƠNG II: CÁC KHÁI NIỆM CƠ BẢN 2.1 Giới thiệu Kỹ thuật mô hình hóa mờ là một hƣớng tiếp cận của bài toán mô hình hóa.
- Để trình bày một cách có hệ thống, đồ án đƣa ra các khái niệm cơ bản trong lý thuyết tập mờ có liên quan.
- Tiếp theo sẽ trình bày các vấn đề về mô hình hóa nói chung và xoay quanh vần đề chính - mô hình mờ.
- 2.2 Các khái niệm cơ bản Mô hình mờ là cơ cấu tính toán dựa trên các khái niệm của lý thuyết tập mờ, các tập luật if-then mờ, cùng với cơ chế suy diễn mờ.
- Lý thuyết tập mờ lần đầu tiên đƣợc Lotfi.A.Zadeh, một giáo sƣ thuộc trƣờng Đại học Caliornia, Berkley, giới thiệu trong một công trình nghiên cứu vào năm 1965.
- Lý thuyết tập mờ bao gồm logic mờ, số học mờ, quy hoạch toán học mờ, hình học tôpô mờ, lý thuyết đồ thị mờ, và phân tích dữ liệu mờ, mặc dù thuật ngữ logic mờ thƣờng đƣợc dùng chung cho tất cả.
- Logic mờ là siêu tập hợp các phép toán thông thƣờng Đại số Boolean để mở rộng chấp nhận khái niệm gần đúng nằm giữa hai khái niệm tƣơng ứng với hai mức logic hoàn toàn đúng và hoàn toàn sai.
- 2.2.1 Tập mờ loại một (Type 1 fuzzy sets) Khái niệm tập mờ (Fuzzy sets) Một tập mờ A là một hàm số, gọi là hàm thuộc(MemberShip function) xác định trên khoảng giá trị U mà đối số x xác định cho bởi.
- A đƣợc gọi là hàm thuộc của tập mờ A Tập mờ thƣờng đƣợc biểu diễn nhƣ sau: 111.
- với U liên tục Về mặt logic, tập mờ diễn tả độ thuộc chân lý của một phát biểu, với 0 đại diện cho phát biểu hoàn toàn sai và 1 đại diện cho phát biểu hoàn toàn đúng.
- Ta có thể xây dựng hàm thuộc nhƣ sau: 1.
- 0.6Ax Và tập mờ Ax x x x x.
- Đó là khái niệm cơ bản của tập mờ thông thƣờng, còn gọi là tập mờ loại một.
- Các hệ mờ đƣợc xây dựng từ tập mờ này đã đƣợc ứng dụng rất nhiều trong thực tiễn.
- Tuy nhiên các hệ mờ loại 1 tiềm ẩn các khó khăn nhất định.
- Đó là để phát triển bất cứ hệ logic mờ nào, ngƣời thiết kế phải xây dựng hàm thuộc cho tập mờ 2.2.2 Một số dạng hàm thuộc loại một và các tính chất Hàm thuộc là đƣờng cong định nghĩa mỗi điểm tƣơng ứng ở không gian đầu vào ánh xạ tƣơng ứng sang mức trực thuộc một giá trị ngôn ngữ nằm giữa 0.0 và 1.0.
- page 37 Fuzzy Logic Toolbox User’s Guide) Hình 2.1: Một số dạng hàm thuộc thông dụng 15 Các hàm thuộc F(x) có dạng “trơn” đƣợc gọi là các hàm thuộc kiểu S.
- Một hàm thuộc tuyến tính từng đoạn gọi là hàm thuộc có mức chuyển đổi tuyến tính.
- Hình 2.2: Hàm thuộc có mức chuyển đổi tuyến tính Hàm thuộc có mức chuyển đổi tuyến tính từng mức đƣợc xác định bởi các đặc tính nhƣ: Độ cao của tập mờ F (trên tập nền X) là giá trị: h = MxsupF(x) (2-2) Kí hiệu MxsupF(x) chỉ giá nhỏ nhất trong tất cả các giá trị chặn trên của F.
- Một tập mờ có ít nhất một phần tử có độ thuộc bằng 1 đƣợc gọi là tập mờ chính tắc tức là h=1.
- Ngƣợc lại tập mờ có h 0} (2-3) Miền tin cậy của tập mờ F trên tập nền X đƣợc kí hiệu bởi T là tập con của X thỏa mãn: T.
- x M| F(x Hình 2.3: Miền xác định và miền tin cậy của một tập mờ Một số dạng hàm thuộc trong logic mờ: Hình 2.4 Hàm thuộc tuyến tính từng khúc dạng tam giác (trimf) và dạng hình thang (trapmf)

Xem thử không khả dụng, vui lòng xem tại trang nguồn
hoặc xem Tóm tắt