zunia.vn

Tuyển sinh 2024 dành cho Gen-Z

zunia.vn

» Khoa Học Tự Nhiên

Phương pháp tích hợp cơ sở tri thức xác suất dựa trên lý thuyết Demspter-Shaper

Chia sẻ: _ _ | Ngày: | Loại File: PDF | Số trang:3

Báo xấu

15
lượt xem 3
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Lý thuyết Dempster-Shafer là một công cụ điển hình và được sử dụng rộng rãi để xử lý thông tin không chắc chắn và hợp nhất dữ liệu, và nó được sử dụng rộng rãi trong các lĩnh vực khác nhau. Bài viết đề xuất một mô hình tích hợp cơ sở tri thức (CSTT) xác suất bằng cách kết hợp lý thuyết xác suất và một số luật hợp nhất được phát triển từ lý thuyết Demspter-Shaper.

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: Phương pháp tích hợp cơ sở tri thức xác suất dựa trên lý thuyết Demspter-Shaper

Tuyển tập Hội nghị Khoa học thường niên năm 2023. ISBN: 978-604-82-7522-8 PHƯƠNG PHÁP TÍCH HỢP CƠ SỞ TRI THỨC XÁC SUẤT DỰA TRÊN LÝ THUYẾT DEMSPTER-SHAPER Nguyễn Văn Thẩm Trường Đại học Thủy lợi, email: thamnv@tlu.edu.vn 1. GIỚI THIỆU CHUNG (i) m     0 Với sự phát triển của công nghệ máy tính, (ii)  m     1     Internet và các lĩnh vực liên quan khác, công nghệ tổng hợp thông tin đã và đang phát triển Hàm  : Γ     0,1 được gọi là độ đo vượt bậc. Việc thực hiện hợp nhất thông tin xác suất của  trên Γ    nếu: cần phải xử lý rất nhiều thông tin không chắc   Θ   m  Ε  chắn. Các công cụ lý thuyết hiện có để xử lý ΕΘ thông tin không chắc chắn bao gồm lý thuyết Định nghĩa 2. [2] Đặt F, G   and xác suất, lý thuyết tập mờ, lý thuyết bằng  0,1 . Một ràng buộc xác suất (RBXS) là chứng Dempster-Shafer, lý thuyết entropy thông tin. Lý thuyết Dempster-Shafer là một một biểu thức có dạng c    , trong đó công cụ điển hình và được sử dụng rộng rãi c   F |G  . để xử lý thông tin không chắc chắn và hợp Định nghĩa 3. [2] Một cơ sở tri thức nhất dữ liệu, và nó được sử dụng rộng rãi (CSTT) xác suất  là một tập hữu hạn các trong các lĩnh vực khác nhau. RBXS: Bài báo đề xuất một mô hình tích hợp cơ sở   1 , ,  n  tri thức (CSTT) xác suất bằng cách kết hợp lý thuyết xác suất và một số luật hợp nhất được trong đó,  i  ci  i  i  1, n phát triển từ lý thuyết Demspter-Shaper. Định nghĩa 4. [2] Một hồ sơ TTXS  trên tập các sự kiện  là một bộ    , , 2. NỘI DUNG trong đó  là một tập hữu hạn gồm n sự 2.1. Một số khái niệm kiện và  là một đa tập hữu hạn gồm h CSTT xác suất. Đặt   E1 ,, E n  là một tập hợp các sự Định nghĩa 5. [2] Một hồ sơ TTXS kiện được biểu thị trong không gian mẫu  .    ,  là hồ sơ TTXS nhất quán nếu và Với F, G   , đặt FG là giao của F và G , F chỉ nếu    :  nhất quán. ˆ ˆ ˆ là phủ định của F . Let Θ  E1E 2  E n là hội Đặt  U ,   =1 nếu Θ  U , ngược lại đầy đủ của  với Ei  E i , E i  . Đặt h=2n và ˆ  U ,   =0. Đặt A   aij nh là ma trận đặc Γ     Θ1 , , Θ h  là tập các hội đầy đủ của  trưng của CSTT xác suất  , trong đó và E1E 2 …E n = . Hội đầy đủ thỏa mãn U , kí aij    Fi Gi ,  j  1  i     Fi Gi ,  j  i . hiệu Θ  U , nếu U xuất hiện dương trong Θ . Định lý 1. [2] Cho CSTT xác suất  . Một Định nghĩa 1. [1] Hàm m : Γ     0,1  BPA của  tương ứng với lời giải tối ưu  * được gọi là phép gán xác suất cơ bản (Basic của bài toán tối ưu: n probability assignment-BPA) nếu thỏa mãn arg  minhn  i  các tính chất sau: ( , )R i 1 42
Tuyển tập Hội nghị Khoa học thường niên năm 2023. ISBN: 978-604-82-7522-8 với các ràng buộc:  2.3. Mô hình đề xuất    A    0, A    0 Bài toán tích hợp các CSTT xác suất dựa h      i  1,  0,   0 i 1 trên khoảng cách được định nghĩa: (1) Đầu vào: Một hồ sơ CSTT xác suất. Định lý 2. [2] Đặt F, G   . Hàm (2) Đầu ra: Một CSTT xác suất.  : Γ     0,1 thỏa mãn các luật xác suất: (3) Phạm vi bài toán: CSTT được biểu (P0)   F     Θ diễn bằng ràng buộc xác suất. ΘΓ  ,ΘF (4) Tiến trình tích hợp: (P1)   FG     Θ ΘΓ   ,ΘFG - Bước 1: Tìm các BPA của mỗi CSTT (P2)   FG     G    F G  i trong hồ sơ CSTT xác suất  theo Định lý 1. 2.2. Một số luật hợp nhất - Bước 2: Hợp nhất các BPA theo các Định nghĩa 6. [1,3] Đặt m1 và m2 là hai Định nghĩa 6, 7, 8. BPA, luật Dempster (Dempster Rule) DSR - Bước 3: Tìm xác suất mới sau tiến trình được định nghĩa như sau: tích hợp theo Định lý 2.  0 NÕu    Mô hình tổng quát tích hợp các CSTT khả      m năng được minh họa như Hình 1. 1    Ng−îc l¹i trong đó,    m1  i  m2   j  i, j  1, h i  j    m1  i  m2   j  i, j  1, h i  j  Định nghĩa 7. [1,3] Đặt m1 và m2 là hai BPA, luật hợp tổng quát (Generalized Combination Rule) GCR được định nghĩa như sau: m 1    m 2    Õu    N       1  m      m  Ng−îc l¹i  1  trong đó, m     1   m1  i  m2   j   1 i  j    m1  i  m2   j  và i  j  Hình 1. Mô hình tích hợp CSTT xác suất   m1  i  m2   j  i, j  1, h i  j  2.3. Ví dụ tính toán và thảo luận Định nghĩa 8. [1] Đặt m1 và m2 là hai Vietnam Airlines thực hiện một cuộc khảo BPA, luật hội chuyển TCR (Transferable sát về các chuyến bay bằng cách lấy ý kiến Conjunctive Rule) được định nghĩa như sau: của khách hàng, tiếp viên và phi công (gọi m    m1  i  m2   j  chung là các chuyên gia). Họ được yêu cầu i  j  trong đó đưa ra một số nhận định (tri thức) về: Tỷ lệ NÕu    để một chuyến bay theo lịch trình khởi hành  0  đúng giờ (D), tỷ lệ một chuyến bay đến đúng i    m i  m i  1,2 1  m    Ng−îc l¹i giờ (A); và tỷ lệ một chuyến bay đến đúng  i giờ khi khởi hành đúng giờ là (A|D). 43
Tuyển tập Hội nghị Khoa học thường niên năm 2023. ISBN: 978-604-82-7522-8 Từ kết quả của các chuyên gia cung cấp, ta Hình 2 thể hiện kết quả thu được sau tiến thu được hồ sơ CSTT xác suất gồm hai cơ sở trình tích hợp CSTT xác suất và cho thấy khi tri thức 1 và 2 được thể hiện trong Bảng 2 áp dụng các luật hợp nhất thì giá trị xác xuất cùng với giá trị xác suất mong đợi (MĐ) của của các RBXS (A) và (A|D) kết quả có giá trị mỗi RBXS trong CSTT xác suất sau tiến gần với kết quả mong muốn. Tuy nhiên, giá trình tích hợp. trị xác suất của ràng buộc (D) có độ lệnh cao Bước 1: Tìm các BPA của 1 và 2 . Theo so với giá trị mong đợi.   Định lý 1,   1 , 2 , 3 , 4  ,    1 , 2 , 3  .  0 0 1 1    A1   0.4 0.6 0.4 0.6   0.5 0.5 0 0     BPA của 1 tương lời giải tối ưu  * của bài toán tối ưu: arg  min43 1  2  3  ( , )R Hình 2. So sánh các kết quả tích hợp với các ràng buộc:     A1    0, A1    0, i  0 i  1,3 3. KẾT LUẬN 1  2  3  4  1, i  0 i  1, 4 Trong bài báo này, tôi đã đề xuất một mô Kết quả được thể hiện trong Bảng 1. hình tích hợp các CSTT xác suất bằng cách Bước 2: Hợp nhất các BPA theo các Định sử dụng ba luật hợp nhất được phát triển từ lý nghĩa 6, 7, 8. Kết quả thể hiện trong Bảng 1. thuyết Demspter-Shaper (luật DSR, luật GSR và luật TCR) để hợp nhất các BPA của các Bảng 1. Các các BPA của 1 và 2 CSTT xác suất đầu vào. Từ BPA thu được, i m1 m2 DSR GSR TCR tôi sử dụng các luật xác suất để thu được CSTT xác suất kết quả được biểu diễn bằng AD 0.4 0.4 0.20 0.18 0.16 các RBXS. Tuy nhiên, bài báo mới tập trung AD 0.4 0.6 0.71 0.73 0.64 ở khía cạnh lý thuyết mà chưa xem xét bài toán dưới góc độ thực hành. Do đó, tôi sẽ AD 0.2 0 0.09 0.09 0.08 xem xét bài toán tích hợp trên bộ dữ liệu thực  0 0 0.00 0.00 0.12 tế để kiểm thử các kết quả đề xuất. Bước 3: Tìm xác suất mới. Xét luật DSR, 4. TÀI LIỆU THAM KHẢO theo luật (P0),   A = 0.91,   D   0.29. [1] Gan, Dingyi & Yang, Bin & Tang, Theo luật (P1) và (P2),   A D   0.69. Kết Yongchuan. 2020. An Extended Base Belief quả thể hiện trong Bảng 2. Function in Dempster–Shafer Evidence Theory and Its Application in Conflict Data Bảng 2. CSTT xác suất trước Fusion. Mathematics. và sau tiến trình tích hợp [2] Van Tham Nguyen và công sự. 2021. A model for building probabilistic ci 1 2 MD DSR GSR TCR knowledge-based systems using divergence A 1.0 1.0 1.0 0.91 0.91 0.80 distances. Journal of Expert Systems with Applications. Elsevier. D 0.6 0.4 0.5 0.29 0.27 0.24 [3] Zhang, J., Deng, Y. 2017. A method to determine basic probability assignment in the A D 0.5 0.5 0.5 0.69 0.67 0.67 open world and its application in data fusion and classification. Appl Intell 46, 934-951. 44

CÓ THỂ BẠN MUỐN DOWNLOAD

THÔNG TIN

TRỢ GIÚP

HỖ TRỢ KHÁCH HÀNG

Theo dõi chúng tôi

Chịu trách nhiệm nội dung:

Nguyễn Công Hà - Giám đốc Công ty TNHH TÀI LIỆU TRỰC TUYẾN VI NA

LIÊN HỆ

Địa chỉ: P402, 54A Nơ Trang Long, Phường 14, Q.Bình Thạnh, TP.HCM

Hotline: 093 303 0098

Email: support@tailieu.vn

Giấy phép Mạng Xã Hội số: 670/GP-BTTTT cấp ngày 30/11/2015 Copyright © 2022-2032 TaiLieu.VN. All rights reserved.