MỤC LỤC
MỞ ĐẦU ………………………………………………………………………………………………………….1
CHƯƠNG 1: BÀI TOÁN PHÂN LỚP VÀ MỘT SỐ PHƯƠNG PHÁP TIẾP CẬN…3
1.1 PHÁT BIỂU BÀI TOÁN PHÂN LỚP ……………………………………………………………3
1.1.1 Mẫu (pattern/sample) …………………………………………………………………………….3
1.1.2 Nhận dạng mẫu là gì? …………………………………………………………………………….3
1.1.3 Các bài toán nhận dạng mẫu thường gặp …………………………………………………..4
1.2 MẠNG NEURAL NHÂN TẠO…………………………………………………………………….4
1.2.1 Mạng Neural sinh học ……………………………………………………………………………5
1.2.2 Mạng Neural nhân tạo ……………………………………………………………………………6
1.3 PPHƯƠNG PHÁP K LÁNG GIỀNG GẦN NHẤT ………………………………………..10
1.3.1 Thuật toán k láng giềng gần nhất là gì?……………………………………………………10
1.3.2 Thuật toán KNN………………………………………………………………………………….11
CHƯƠNG 2: BẢN ĐỒ TỰ TỔ CHỨC………………………………………………………………15
2.1 Giới thiệu…………………………………………………………………………………………………15
2.2 Thuật toán………………………………………………………………………………………………..16
2.3 Phân tích………………………………………………………………………………………………….22
CHƯƠNG 3: KANTS – HỆ KIẾN NHÂN TẠO CHO PHÂN LỚP ……………………..24
3.1 Giới thiệu…………………………………………………………………………………………………24
3.2 Các khái niệm mở đầu ……………………………………………………………………………….25
3.2.1 Mô hình nhận thức bầy đàn và hệ kiến nhân tạo ……………………………………….25
3.2.2 Nhắc lại SOM – bản đồ tự tổ chức………………………………………………………….27
3.2.3 Ant System…………………………………………………………………………………………27
3.3 Mô hình kiến tự tổ chức……………………………………………………………………………..29
CHƯƠNG 4: KẾT QUẢ VÀ THỰC NGHIỆM ………………………………………………….34
4.1 Xây dựng chương trình kiểm thử …………………………………………………………………34
4.2 Chuẩn bị dữ liệu kiểm tra……………………………………………………………………………35
4.3 Sự phụ thuộc chất lượng thuật toán vào các tham số ……………………………………….36
4.3.1 β-δ – Độ ngẫu nhiên theo mùi………………………………………………………………..374.3.2 Tham số k trong thuật toán k láng giềng gần nhất……………………………………..39
4.3.3 Kích thước lưới …………………………………………………………………………………..39
4.3.4 Bán kính lân cận………………………………………………………………………………….40
4.3.5 Tham số q0…………………………………………………………………………………………40
4.3.6 Tham số bán kính trọng tâm cr ………………………………………………………………40
4.3.7 Tham số bay hơi………………………………………………………………………………….41
4.3.8 Số lần lặp tối thiểu và cách xác định điều kiện dừng của thuật toán ……………..41
4.4 Mở rộng của KANTS ………………………………………………………………………………..41
4.4.1 Giới thiệu Ensembler learning ……………………………………………………………….41
4.4.2 Áp dụng ensembler learning vào bài toán phân lớp với KANTS………………….44
CHƯƠNG 5: KẾT LUẬN ………………………………………………………………………………..46
