Home
Giới thiệu
Tài khoản
Đăng nhập
Quên mật khẩu
Đổi mật khẩu
Đăng ký tạo tài khoản
Liệt kê
Công trình khoa học
Bài báo trong nước
Bài báo quốc tế
Sách và giáo trình
Thống kê
Công trình khoa học
Bài báo khoa học
Sách và giáo trình
Giáo sư
Phó giáo sư
Tiến sĩ
Thạc sĩ
Lĩnh vực nghiên cứu
Tìm kiếm
Cá nhân
Nội dung
Góp ý
Hiệu chỉnh lý lịch
Thông tin chung
English
Đề tài NC khoa học
Bài báo, báo cáo khoa học
Hướng dẫn Sau đại học
Sách và giáo trình
Các học phần và môn giảng dạy
Giải thưởng khoa học, Phát minh, sáng chế
Khen thưởng
Thông tin khác
Tài liệu tham khảo
Hiệu chỉnh
Số người truy cập: 108,300,792
Thuật toán khai luật kết hợp mờ với tối ưu hóa phân vùng mờ cho các hệ thống quyết định thông minh
Tác giả hoặc Nhóm tác giả:
Trinh T. T. Tran, Tu N. Nguyen, Thuan T. Nguyen, Giang L. Nguyen, Chau N. Truong
Nơi đăng:
Springer, International Journal of Fuzzy Systems, SCIE (Q1);
S
ố:
24;
Từ->đến trang
: 2617–2630;
Năm:
2022
Lĩnh vực:
Chưa xác định;
Loại:
Bài báo khoa học;
Thể loại:
Quốc tế
TÓM TẮT
Khai phá luật kết hợp mờ là một trong những bài toán quan trọng trong học máy mờ. Luật kết hợp mờ nhằm mục đích xử lý dữ liệu định lượng thiếu quyết đoán trong luật kết hợp cổ điển. Tuy nhiên, tập mờ các thuộc tính định lượng và hàm liên thuộc của chúng phụ thuộc vào ý kiến chuyên gia, chủ quan hoặc có sẵn. Trong bài báo này, chúng tôi đề xuất thuật toán Node-list Pre-order Size Fuzzy Frequent (NPSFF) trong khai thác luật kết hợp mờ dựa trên cấu trúc dữ liệu Node-list kết hợp với cấu trúc Preorder Size Code phù hợp cho việc tổ chức dữ liệu mờ và thao tác trên cấu trúc này. Tổ chức này tăng tốc độ xây dựng cây và tìm các tập mục mờ phổ biến. Để tăng hiệu quả của thuật toán NPSFF, chúng tôi đã thực hiện tiền xử lý dữ liệu bằng cách áp dụng kỹ thuật phân cụm lan truyền ái lực (AP) để chỉ định số lượng cụm phù hợp. Tiếp theo, chúng tôi chuyển đổi các giá trị định lượng của các cụm thành các giá trị mờ bằng phương pháp phân vùng mờ. Kết quả thử nghiệm cho thấy hiệu quả thuật toán NPSFF luôn tốt hơn thuật toán FFP Growth và MFFP về thời gian thực hiện và sử dụng bộ nhớ
ABSTRACT
Fuzzy association rule mining is one of the important problems in fuzzy machine learning. The fuzzy association rule is intended to handle quantitative data that was indecisive in the classical association rule. However, the fuzzy set of quantitative attributes and their membership functions depends on expert opinion, subjective or available. In this paper, we propose a Node-list Pre-order Size Fuzzy Frequent (NPSFF) algorithm in fuzzy association rule mining based on Node-list data structure combined with the Preorder Size Code structure suitable for the organization of fuzzy data and the manipulation of this structure. This organization speeds up tree building and finds frequent fuzzy item sets. To increase the efficiency of the NPSFF algorithm, we performed the data preprocessing by applying affinity propagation clustering (AP) technique to specify the suitable number of clusters. Next, we convert the quantitative values of the clusters to the fuzzy values using fuzzy partitioning method. Experiment results show that NPSFF algorithm efficiency is always better than FFP Growth and MFFP algorithms in execution time and memory usage
© Đại học Đà Nẵng
Địa chỉ: 41 Lê Duẩn Thành phố Đà Nẵng
Điện thoại: (84) 0236 3822 041 ; Email: dhdn@ac.udn.vn