MỘT MÔ HÌNH CƠ SỞ ĐỐI TƯỢNG XÁC SUẤT MỜ
Chương 1: MỞ ĐẦU
1.1 Phạm vi và mục tiêu
Như chúng ta đã biết, mô hình hướng đối tượng truyền thống (conventional object- oriented model) Đã chứng tỏ nhiều ưu điểm trong các vấn đề mô hình hóa, thiết kế và hiện thực các hệ thống lớn, từ phần mềm cho đến cơ sở dữ liệu (CSDL). Đó là nhờ mô hình này có khả năng biểu diễn trạng thái và hành vi của các đối tượng cũng như sự phân cấp, phân loại và quan hệ giữa chúng trong các ứng dụng thực tế. Hơn nữa, mô hình hướng đối tượng còn giúp tối ưu dữ liệu và tái sử dụng mã khi xây dựng hệ thống thông qua cơ chế thừa kế thông tin giữa các lớp đối tượng. Tuy nhiên, trong mô hình hướng đối tượng truyền thống các mối quan hệ cũng như trạng thái và hành vi của các đối tượng luôn luôn được thể hiện một cách chắc chắn và chính xác (Atkinson và Altair, 1989; Bertino và Martino, 1993).
Điều này là không hoàn toàn phù hợp với thực tế, như đã được chỉ ra trong Cross (1996) Và Parsons (1999), bởi vì thông tin về các đối tượng trong thế giới thực có thể mơ hồ, không chắc chắn và không đầy đủ.
Hệ quả là các ứng dụng dựa trên mô hình CSDL hướng đối tượng truyền thống không biểu diễn được các đối tượng mà thông tin về chúng không được xác định một cách chắc chắn và chính xác. Điều đó làm hạn chế khả năng mô hình hóa và giải quyết các bài toán áp dụng trong thế giới thực. Chẳng hạn, các ứng dụng mô hình CSDL truyền thống không thể trả lời được các truy vấn kiểu như “tìm tất cả sinh viên có chiều cao là 1.65m hoặc 1.67m với xác suất từ 60% đến 80%”; Hay “tìm tất cả những bệnh nhân trẻ có tiền sử Một mô hình cơ sở đối tượng xác suất mờ 2 bệnh viêm thanh quản hoặc viêm họng hạt với xác suất từ 50% đến70%”; Hoặc “tìm tất cả các gói bưu kiện có thể tích khoảng 25000 cm3 và được vận chuyển trong thời gian 36 hoặc 48 giờ từ Hà Nội đến Sài Gòn với xác suất ít nhất là 90%”, v.v. Trong đó trẻ và khoảng 25000 là những khái niệm và giá trị không chính xác. Để khắc phục được các hạn chế như vậy, cần phải xây dựng các mô hình dữ liệu có khả năng biểu diễn và xử lý được các đối tượng mà các thông tin về chúng có thể không chắc chắn và không chính xác.
Như đã chỉ ra trong Zadeh (1968), Dubois và Prade (1993), Baldwin, Lawry và Martin (1996) Và Nguyen, Wang và Wu (2004), lý thuyết xác suất có thể mô hình hóa tính không chắc chắn của thông tin, còn lý thuyết tập mờ và logic mờ có thể biểu diễn tính mơ hồ và thiếu chính xác của nó. Vì vậy, một giải pháp tự nhiên để vượt qua giới hạn của mô hình cơ sở đối tượng truyền thống là mở rộng mô hình này bằng cách áp dụng các kết quả của lý thuyết xác suất và lý thuyết tập mờ.
Theo tinh thần đó, trong những năm qua đã có nhiều mô hình cơ sở dữ liệu hướng đối tượng mờ và xác suất được nghiên cứu và xây dựng nhằm mô hình hóa các đối tượng thế giới thực đúng với bản chất vốn có của chúng. Các mô hình như vậy có thể được gọi là mô hình cơ sở đối tượng mờ (fuzzy object base model) Hoặc mô hình cơ sở đối tượng xác suất (probabilistic object base model). Một số ít mô hình áp dụng cả xác suất và tâp mờ để mô hình hóa đối tượng gọi là mô hình cơ sở đối tượng xác suất mờ (fuzzy probabilistic object base model). Tương tự như đối với mô hình cơ sở đối tượng truyền thống, một mô hình cơ sở đối tượng mờ hay xác suất cũng có thể dựa trên logic hoặc thủ tục. Nghĩa là, các tính chất lớp (class property) Được biểu diễn như các luật hoặc các thủ tục. Các mô hình này là rất đa dạng, mở rộng mô hình cơ sở đối tượng truyền thống ở các khía cạnh khác nhau và với các mức độ khác nhau.
Các mô hình CSDL mờ có thể mô hình hóa thông tin không chính xác nhưng không biểu diễn được thông tin không chắc chắn hàm chứa tính xác suất; Trong khi các CSDL xác suất cho phép biểu diễn thông tin không chắc chắn nhưng lại không thể hiện được thông tin không chính xác hàm chứa tính mơ hồ. Các mô hình CSDL xác suất mờ có thể mô hình hóa được cả thông tin không chắc chắn và không chính xác. Tuy nhiên, khó có mô hình nào có thể biểu diễn và xử lý hết mọi khía cạnh không chắc chắn và không chính xác về thông tin của các đối tượng trong thế giới thực. Điều này là do độ phức tạp về lý thuyết khi phát triển mô hình hoặc sự không hiệu quả về ứng dụng nếu có một mô hình như vậy. Hơn nữa, cho đến nay ít có mô hình kết hợp được cả hai yếu tố không chắc chắn và không chính Một mô hình cơ sở đối tượng xác suất mờ 3 xác trên một nền tảng lý thuyết chặt chẽ. Vì vậy, các mô hình CSDL xác suất và mờ vẫn được tiếp tục nghiên cứu và phát triển để đáp ứng các mục tiêu ứng dụng khác nhau.
Gần đây, Eiter và cộng sự (2001) Đã giới thiệu một mô hình cơ sở đối tượng xác suất gọi là POB (Probabilistic Object Base). Đây là một mô hình mở rộng mô hình CSDL hướng đối tượng xác suất của Kornatzky và Shimony (1994) Với các chiến lược kết hợp xác suất để biểu diễn và xử lý các thuộc tính đối tượng được thể hiện bởi các phân bố xác suất cận dưới và cận trên của một tập giá trị. Không chỉ mở rộng phép chọn trong mô hình của Kornatzky và Shimony, các tác giả này còn xây dựng một đại số đối tượng hoàn chỉnh trên POB và giới thiệu các tính chất và thuật toán xác định tính nhất quán (consistent) Của các lược đồ cơ sở đối tượng xác suất. Tuy nhiên, thiếu sót chính của mô hình POB là không cho phép giá trị thuộc tính mờ và chưa thể hiện được phương thức lớp (class method). Chẳng hạn, để biểu diễn giá trị thuộc tính sun, mô tả nhu cầu về ánh sáng của các thực vật, trong POB đã sử dụng các giá trị liệt kê mild, medium và heavy mà không có bất kỳ một diễn dịch nào. Trong khi dó, thực tế các giá trị như vậy có bản chất là mờ, không chính xác theo mức độ ánh sáng của mặt trời. Hơn nữa, nếu không có một sự diễn dịch chúng không thể đo được và sự phân bố xác suất của chúng không thể tính toán được.
Mặc dù không biểu diễn được thông tin không chính xác và chưa xem xét phương thức lớp, POB là một mô hình cơ sở đối tượng xác suất có nhiều ưu điểm. POB được xây dựng trên một cơ sở lý thuyết chặt chẽ, bao trùm mô hình CSDL hướng đối tượng truyền thống, có thể phân cấp xác suất các lớp đối tượng, biểu diễn và thao tác được thông tin không chắc chắn của chúng. Mô hình POB sẽ có phạm vi ứng dụng rộng hơn nếu nó được tích hợp thêm khả năng biểu diễn thông tin không chính xác và các phương thức tính toán của các đối tượng. Đó là động lực thúc đẩy chúng tôi xây dựng một mô hình cơ sở đối tượng xác suất mờ bằng cách mở rộng mô hình POB với giá trị thuộc tính mờ và phương thức lớp.
Mô hình mở rộng này, được chúng tôi gọi là FPOB (Fuzzy Probabilistic Object Base), không chỉ thừa kế được các ưu điểm của POB mà còn có thể biểu diễn và xử lý được thông tin không chính xác của các đối tượng thực tế. Chẳng hạn, trong FPOB, các giá trị mild, medium và heavy của thuộc tính sun đã nói trên có thể được định nghĩa và xử lý như các tập mờ. Các thao tác của các đối tượng trên các giá trị tập mờ thông qua các phương thức của chúng cũng được hỗ trợ trong FPOB. Ví dụ, thể tích không chính xác của Một mô hình cơ sở đối tượng xác suất mờ 4 một gói bưu kiện có thể được tính toán thông qua các kích thước không chính xác của nó với một xác suất nhất định. Ngoài ra, trong thực tế có thể có những tính chất lớp (class property) Không chắc chắn áp dụng được cho mọi đối tượng của lớp. Chẳng hạn, khoảng 5% loài chim có thể không biết bay hay một số bệnh nhân không phải luôn luôn có tiền sử bệnh trước khi được khám bệnh v.v.. Trong đó biết bay và tiền sử bệnh tương ứng là các tính chất thường có của lớp chim và lớp bệnh nhân. Vì thế, luận án cũng nghiên cứu để FPOB biểu diễn được khả năng áp dụng không chắc chắn (uncertain applicability) Của các tính chất lớp.
Cơ sở toán học để xây dựng FPOB là lý thuyết xác suất, lý thuyết tập mờ (Zadeh,1965; Kandel, 1986; Klir và Yuan, 1994) Và những kết quả nghiên cứu về lý thuyết xác suất của các sự kiện mờ (Zadeh, 1968; Baldwin, Lawry và Martin, 1996; Dubois và Prade,1993; Nguyen, Wang và Wu, 2004). Nói một cách cụ thể hơn, để phát triển mô hình FPOB như mục tiêu đề ra, luận án dựa trên lý thuyết xác suất và lý thuyết tập mờ để đề xuất các công cụ toán học, kết hợp tập mờ và xác suất thành một khung nhất quán, làm cơ sở cho việc biểu diễn và xử lý thông tin không chắc chắn và không chính xác của các đối tượng.
Thực hiện điều này, chúng tôi định nghĩa các bộ ba xác suất mờ (fuzzy probabilistic triple) Và phương thức xác suất mờ (fuzzy probabilistic method) Như là các khái niệm cơ sở để mô hình hóa giá trị không chắc chắn và không chính xác của các đối tượng. Sử dụng lý thuyết đại số trừu tượng (abstract algebra), chúng tôi phát triển một đại số các bộ ba xác suất mờ làm cơ sở để thực hiện các thao tác và tính toán của phương thức đối tượng trong cơ sở đối tượng xác suất mờ. Dựa trên mô hình bầu cử của các tập mờ và phép gán khối (mass assignment) Chúng tôi đề nghị một độ đo xác suất của các quan hệ hai ngôi trên các tập mờ làm cơ sở để diễn dịch các biểu thức chọn mờ trong FPOB. Các chiến lược kết hợp các bộ ba xác suất trong POB cũng được mở rộng thành các chiến lược kết hợp các bộ ba xác suất mờ để kết hợp giá trị của các đối tượng trong các phép toán đại số đối tượng như kết, giao, hợp và trừ trên FPOB.
Trên cơ sở toán học đã được đề nghị, chúng tôi mở rộng tất cả các khái niệm trong POB như kiểu, giá trị, lược đồ, thể hiện thành các khái niệm tương ứng trong FPOB. Các phép toán đại số trong POB cũng được mở rộng thành các phép toán đại số tương ứng trong FPOB để truy vấn các đối tượng với giá trị thuộc tính và phương thức không chắc chắn và không chính xác. Một mô hình cơ sở đối tượng xác suất mờ.
Tiếp theo, từ mô hình FPOB nói trên, chúng tôi mở rộng định nghĩa lớp bằng cách kết hợp mỗi tính chất của lớp với một khoảng xác suất để biểu diễn khả năng áp dụng không chắc chắn của tính chất đó đối với các đối tượng của lớp. Các khái niệm, giá trị, lược đồ, thể hiện, thừa kế và các phép toán đại số được mở rộng tương ứng để cho phép truy vấn đối tượng với khả năng áp dụng không chắc chắn của tính chất lớp. Một hệ quản trị cho FPOB, gọi là FPDB4O được Ma và CS. (2007) Hiện thực, cho thấy triển vọng ứng dụng của FPOB để mô hình hóa dữ liệu và giải quyết các bài toán thực tế.
1.2 Những đóng góp chính của luận án
Sau đây là những đóng góp chính của luận án này đối với lĩnh vực cơ sở dữ liệu và lĩnh vực tính toán mềm (soft computing):
1. Phát triển một đại số bộ ba xác suất mờ để hỗ trợ thao tác và tính toán trên các đối tượng mà giá trị của các tính chất của chúng là không chắc chắn và không chính xác.
Đưa ra một diễn dịch xác suất của các quan hệ hai ngôi trên các tập mờ và một mở rộng mờ của các chiến lược kết hợp các bộ ba xác suất làm cơ sở để định nghĩa các phép toán đại số trên FPOB.
2. Giới thiệu khái niệm phương thức xác suất mờ và mở rộng các khái niệm kiểu, giá trị, giá trị bộ xác suất, lược đồ và thể hiện trong POB với tập mờ và phương thức để biểu diễn thông tin không chắc chắn và không chính xác của các đối tượng trong FPOB.
3. Mở rộng tất cả các phép toán đại số trên POB với tập mờ và phương thức lớp để thao tác và truy vấn các đối tượng có thông tin không chắc chắn và không chính xác trong FPOB.
4. Mở rộng các khái niệm kiểu, giá trị, lược đồ, thể hiện và các phép toán đại số trên FPOB làm cơ sở để biểu diễn và truy vấn các đối tượng với các tính chất lớp không chắc chắn.
1.3 Cấu trúc của luận án
Luận án được chia thành bảy chương và một phụ lục. Chương 1 trình bày phạm vi, mục tiêu và ý nghĩa về lý thuyết cũng như ứng dụng của đề tài luận án, giới thiệu cấu trúc, Một mô hình cơ sở đối tượng xác suất mờ 6 các qui ước ký hiệu và viết tắt trong luận án. Mỗi chương tiếp theo, từ Chương 2 đến Chương 6 có một phần giới thiệu và một phần kết luận.
Chương 2 giới thiệu tổng quan về các nghiên cứu và ứng dụng của các mô hình CSDL mờ và xác suất. Đó là các mở rộng ở các khía cạnh khác nhau và ở mức độ khác nhau của mô hình CSDL truyền thống để mô hình hóa thông tin không chắc chắn và không chính xác trong thực tế. Các cách tiếp cận, ưu điểm và hạn chế của các mô hình đã được đề nghị là động lực để phát triển mô hình FPOB.
Chương 3 trình bày cơ sở toán học để phát triển mô hình FPOB. Đó là các khái niệm cơ bản, nền tảng của lý thuyết xác suất và lý thuyết tập mờ được luận án tham khảo hoặc đề xuất làm cơ sở để biểu diễn và xử lý thông tin không chắc chắn và không chính xác của các đối tượng trong FPOB. Các khái niệm được luận án đề nghị như diễn dịch xác suất của các quan hệ hai ngôi trên các tập mờ (probabilistic interpretation of binary relations on fuzzy sets) Và đại số bộ ba xác suất mờ (fuzzy probabilistic triple algebra) Đã được giới thiệu trong Nguyen và Cao (2004) Và Nguyen và Cao (2007).
Chương 4 trình bày các khái niệm kiểu, thuộc tính, phương thức, giá trị, lược đồ, sự thừa kế và thể hiện của các cơ sở đối tượng xác suất mờ. Đây là các yếu tố cơ bản của mô hình dữ liệu FPOB. Các khái niệm kiểu, giá trị, lược đồ, sự thừa kế và thể hiện trong FPOB là các mở rộng tương ứng của các khái niệm này trong POB với tập mờ và phương thức lớp. Nội dung của chương này dựa trên Cao và Nguyen (2005) Và Nguyen và Cao (2006).
Chương 5 trình bày các phép toán đại số đối tượng trên FPOB. Đó là các phép toán như chọn, chiếu, đổi tên, tích Descartes, kết, giao, hợp và trừ trên các tập đối tượng trong FPOB. Các phép toán này là mở rộng các phép toán đại số trong POB với tập mờ và phương thức đối tượng làm cơ sở để thao tác dữ liệu trên FPOB. Nội dung của chương này là mở rộng các kết quả trong Cao và Nguyen (2005), Nguyen và Cao (2006) Và Cao và Nguyen (2007).
----------------------------------------------------------
MỤC LỤC
Danh mục các bảng
Danh mục các hình
Chương 1: MỞ ĐẦU
1.1 Phạm vi và mục tiêu
1.2 Những đóng góp chính của luận án
1.3 Cấu trúc của luận án
1.4 Qui ước ký hiệu và viết tắt
Chương 2: TỔNG QUAN VỀ CƠ SỞ DỮ LIỆU MỜ VÀ XÁC SUẤT
2.1 Giới thiệu
2.2 Cơ sở dữ liệu quan hệ mờ và xác suất
2.3 Cơ sở dữ liệu hướng đối tượng mờ và xác suất
2.4 Mô hình cơ sở đối tượng xác suất của Eiter và cộng sự
2.5 Kết luận
Chương 3: CƠ BẢN VỀ XÁC SUẤT VÀ TẬP MỜ
3.1 Giới thiệu
3.2 Các chiến lược kết hợp các khoảng xác suất
3.3 Tập mờ
3.4 Phép gán khối và mô hình bầu cử tập mờ
3.5 Diễn dịch xác suất của các quan hệ trên tập mờ
3.6 Các hàm phân bố và bộ ba xác suất mờ
3.7 Các chiến lược kết hợp các bộ ba xác suất mờii
3.8 Đại số các bộ ba xác suất mờ
3.9 Kết luận
Chương 4: LƯỢC ĐỒ VÀ THỂ HIỆN CỦA CƠ SỞ ĐỐI TƯỢNG XÁC SUẤT MỜ
4.1 Giới thiệu
4.2 Mô hình ý niệm
4.3 Thuộc tính và phương thức
4.4 Kiểu và giá trị
4.5 Lược đồ
4.6 Sự thừa kế
4.7 Sự thể hiện
4.8 Phạm vi xác suất của lớp
4.9 Kết luận
Chương 5: CÁC PHÉP TOÁN ĐẠI SỐ
5.1 Giới thiệu
5.2 Phép chọn
5.3 Phép chiếu và phép đổi tên
5.4 Phép tích Descartes
5.5 Phép kết
5.6 Các phép giao, hợp và trừ
5.7 Tính chất của các phép toán đại số 5.8 Kết luận
Chương 6: MÔ HÌNH MỞ RỘNG VỚI CÁC TÍNH CHẤT LỚP KHÔNG CHẮC CHẮN
6.1 Giới thiệuiii
6.2 Mô hình ý niệm
6.3 Kiểu và giá trị
6.4 Lược đồ
6.5 Sự thể hiện và thừa kế không chắc chắn
6.6 Các phép toán đại số 6.7 Kết luận
Chương 7: TỔNG KẾT
7.1 Tóm tắt
7.2 Hệ quản trị cơ sở đối tượng xác suất mờ
7.3 Hướng phát triển
CÁC BÀI BÁO CỦA TÁC GIẢ LIÊN QUAN ĐẾN LUẬN ÁN
TÀI LIỆU THAM KHẢO
------------------------------------------------
keyword: download luan an tien si, ky thuat,mot mo hinh, co so, doi tuong xac suat, mo, nguyen hoa
linkdownload: LUẬN ÁN TIẾN SĨ KỸ THUẬT
Nhận xét
Đăng nhận xét