Đang chuẩn bị liên kết để tải về tài liệu:
Tóm tắt Luận án tiến sĩ Toán học: Nghiên cứu phát triển một số thuật toán phân cụm bán giám sát sử dụng mạng nơron min max mờ và ứng dụng

Mục đích nghiên cứu của luận án nhằm xây dựng thuật toán cải tiến phân cụm bán giám sát mờ dựa trên lan truyền nhãn. Thông tin bổ trợ là một tỷ lệ phần trăm nhỏ của các mẫu được dán nhãn. Đề xuất mô hình phân cụm bán giám sát mờ kết hợp, thuật toán học tự xác định thông tin bổ trợ là nhãn của một phần mẫu cho thuật toán phân cụm bán giám sát mờ | Tóm tắt Luận án tiến sĩ Toán học: Nghiên cứu phát triển một số thuật toán phân cụm bán giám sát sử dụng mạng nơron min max mờ và ứng dụng 1 BỘ GIÁO DỤC VÀ ĐÀO TẠO BỘ QUỐC PHÕNG VIỆN KHOA HỌC VÀ CÔNG NGHỆ QUÂN SỰ ----------------------- VŨ ĐÌNH MINH NGHIÊN CỨU PHÁT TRIỂN MỘT SỐ THUẬT TOÁN PHÂN CỤM BÁN GIÁM SÁT SỬ DỤNG MẠNG NƠRON MIN-MAX MỜ VÀ ỨNG DỤNG Chuyên ngành: C sở to n học cho tin học Mã số: 9 46 01 10 TÓM TẮT LUẬN ÁN TIẾN SĨ TOÁN HỌC Hà Nội - 2019 2 Công trình được hoàn thành tại: VIỆN KHOA HỌC VÀ CÔNG NGHỆ QUÂN SỰ BỘ QUỐC PHÒNG Người hướng dẫn khoa học: 1. PGS. TS. Lê Bá Dũng 2. TS. Nguyễn Doãn Cường Phản biện 1: PGS.TS Bùi Thu Lâm Học viện Kỹ thuật quân sự Phản biện 2: PGS.TS Phùng Trung Nghĩa Đại học Thái Nguyên Phản biện 3: TS Nguyễn Đỗ Văn Viện Khoa học và Công nghệ quân sự Luận án được bảo vệ trước Hội đồng đánh giá luận án cấp Viện họp tại Viện KH&CN quân sự vào hồi ngày tháng năm 2019. Có thể tìm hiểu luận án tại thư viện: - Thư viện Viện KH&CN quân sự - Thư viện Quốc gia Việt nam 1 MỞ ĐẦU 1. Tính cấp thiết của luận n Phân cụm bán giám sát mờ là một mở rộng của phân cụm mờ bằng cách sử dụng các thông tin biết trước làm tăng chất lượng của cụm. Các thông tin biết trước hay còn gọi là các thông tin bổ trợ nhằm mục đích hướng dẫn, giám sát và điều khiển quá trình phân cụm. Mô hình mạng nơron min-max mờ (FMNN) do giáo sư Patrick K. Simpson đề xuất dựa trên những ưu điểm của việc kết hợp logic mờ, mạng nơron nhân tạo, lý thuyết min-max mờ để giải quyết bài toán phân lớp và phân cụm. FMNN là mô hình học gia tăng dựa trên các tập siêu hộp mờ cho khả năng xử lý các bộ dữ liệu quy mô lớn. Chẩn đoán bệnh gan dựa trên số liệu của kết quả xét nghiệm men gan có thể được hình thành như là một vấn đề nhận dạng mẫu. Việc sử dụng FMNN được coi là một cách tiếp cận có hiệu quả. Một trong những lý do để FMNN được sử dụng trong y tế là khả năng sinh .