Nghiên cứu và thử nghiệm một số kỹ thuật dự đoán ứng dụng cho thị trường chứng khoán việt nam
Bạn đang xem bản rút gọn của tài liệu. Xem và tải ngay bản đầy đủ của tài liệu tại đây (1.76 MB, 71 trang )
LUẬN VĂN THẠC SỸ KỸ THUẬT
TRẦN ANH TUẤN
MỤC LỤC
LỜI CAM ĐOAN........................................................................................3
DANH MỤC CÁC KÝ HIỆU, CÁC CHỮ VIẾT TẮT..................................4
DANH MỤC CÁC BẢNG...........................................................................6
DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ........................................................7
MỞ ĐẦU ....................................................................................................9
CHƢƠNG 1: CƠ SỞ LÝ THUYẾT ........................................................... 11
1.1.Các phƣơng pháp dự đoán thị trƣờng chứng khoán Việt Nam ................ 11
1.2.Hệ chuyên gia neuro-fuzzy ................................................................... 12
1.2.1 Sự kết hợp giữa logic mờ và mạng nơron ...................................... 12
1.2.2 Hệ chuyên gia neuro-fuzzy theo kiến trúc ANFIS .......................... 22
1.2.3 Mô tả một ứng dụng hệ ANFIS trong thị trƣờng chứng khoán
Istanbul ................................................................................................. 26
1.3.Phân tích kỹ thuật trong thị trƣờng chứng khoán ................................... 26
1.3.1 Phân tích kỹ thuật ......................................................................... 26
1.3.2 Nghiên cứu một số phƣơng pháp phân tích kỹ thuật trong thị trƣờng
chứng khoán .......................................................................................... 27
1.4.Kết chƣơng .......................................................................................... 37
CHƢƠNG 2: ỨNG DỤNG LÝ THUYẾT CHO THỬ NGHIỆM HỆ DỰ
ĐOÁN THỊ TRƢỜNG CHỨNG KHOÁN VIỆT NAM .............................. 39
2.1 Phát biểu bài toán thử nghiệm............................................................... 39
2.2 Xây dựng bộ chỉ số phân tích kỹ thuật đầu vào và bộ đầu ra cho việc học
và kiểm thử ............................................................................................... 40
2.2.1 Bộ chỉ số phân tích kỹ thuật đầu vào ............................................. 40
2.2.2 Bộ tỉ lệ biến động tăng/giảm ngày giao dịch tiếp theo đầu ra .......... 49
2.3 Xây dựnghệ chuyên gia neuro-fuzzy theo kiến trúc ANFIS dự đoán giá
chứng khoán thị trƣờng chứng khoán Việt Nam .......................................... 51
2.3.1 Nguyên tắc thiết kế....................................................................... 51
2.3.2 Mô hình thiết kế và giải thuật........................................................ 53
2.4 Kết chƣơng .......................................................................................... 56
CHƢƠNG 3: THỬ NGHIỆMVÀ ĐÁNH GIÁ HỆ DỰ ĐOÁN THỊ
TRƢỜNG CHỨNG KHOÁN VIỆT NAM ................................................. 57
3.1 Thử nghiệm hệ dự đoán thị trƣờng chứng khoán Việt Nam .................... 57
- 1 / 71 -
LUẬN VĂN THẠC SỸ KỸ THUẬT
TRẦN ANH TUẤN
3.1.1 Mục tiêu xây dựng phần mềm ....................................................... 57
3.1.2 Công nghệ sử dụng....................................................................... 57
3.1.3 Kiến trúc ứng dụng....................................................................... 58
3.1.4 Mô tả bộ dữ liệu chi tiết ................................................................ 59
3.1.5 Kết quả thử nghiệm ...................................................................... 60
3.2 Đánh giá hệ dự đoán thị trƣờng chứng khoán Việt Nam......................... 61
3.2.1 Đánh giá chung ............................................................................ 61
3.2.2 Đánh giá chi tiết ........................................................................... 61
3.3 Một số hình ảnh chƣơng trình ............................................................... 62
3.4 Kết chƣơng .......................................................................................... 65
KẾT LUẬN VÀ KIẾN NGHỊ .................................................................... 67
A. Kết luận............................................................................................. 67
B. Kiến nghị ........................................................................................... 69
C. Hƣớng phát triển của đề tài ................................................................. 70
DANH MỤC TÀI LIỆU THAM KHẢO..................................................... 71
- 2 / 71 -
LUẬN VĂN THẠC SỸ KỸ THUẬT
TRẦN ANH TUẤN
LỜI CAM ĐOAN
Tôi cam đoan :
- Những nội dung trong luận văn này là do tôi thực hiện dƣới sự hƣớng dẫn
trực tiếp của PGS.TS Huỳnh Quyết Thắng.
- Mọi tham khảo dùng trong luận văn đều đƣợc trích dẫn rõ ràng tên tác giả,
tên công trình, thời gian, địa điểm công bố .
- Mọi sao chép không hợp lệ, vi phạm quy chế đào tạo, hay gian trá, tôi xin
hoàn toàn chịu trách nhiệm.
Học viên
Trần Anh Tuấn
- 3 / 71 -
LUẬN VĂN THẠC SỸ KỸ THUẬT
TRẦN ANH TUẤN
DANH MỤC CÁC KÝ HIỆU, CÁC CHỮ VIẾT TẮT
Ý nghĩa
Ký hiệu và chữ viết tắt
ANFIS
Hệ mờ - nơron Adaptive Neutral Fuzzy Inference
System
NEURO-FUZZY
Hệ mờ - nơron
SMA
Phƣơng pháp phân tích kỹ thuật dự đoán SMA
EMA
Phƣơng pháp phân tích kỹ thuật dự đoán EMA
Bollinger Bands
Phƣơng pháp phân tích kỹ thuật dự đoán Bollinger
Bands
ADX
Phƣơng pháp phân tích kỹ thuật dự đoán ADX(Average
Directional Movement Index)
TAZ
Phƣơng pháp phân tích kỹ thuật dự đoán TAZ
PSAR
Phƣơng pháp phân tích kỹ thuật dự đoán
PSAR(PARABOLIC SAR)
SKD
Phƣơng pháp phân tích kỹ thuật dự đoán SDK
(Stochastic %D %K)
RSI
Phƣơng pháp phân tích kỹ thuật dự đoán RSI( Relative
Strength Index)
MFI
Phƣơng pháp phân tích kỹ thuật dự đoán MFI(Money
Flow Index)
CCI
Phƣơng pháp phân tích kỹ thuật dự đoán
CCI(Commodity Channel Index)
WILLIAMS%R hay
Phƣơng pháp phân tích kỹ thuật dự đoán
WILLR
WILLIAMS%R
MACD
Phƣơng pháp phân tích kỹ thuật dự đoán MACD
DATE
Ngày giao dịch
HIGH
Giá cao nhất trong ngày giao dịch
LOW
Giá thấp nhất trong ngày giao dịch
CLOSE
Giá đóng cửa trong ngày giao dịch
- 4 / 71 -
LUẬN VĂN THẠC SỸ KỸ THUẬT
TRẦN ANH TUẤN
Ý nghĩa
Ký hiệu và chữ viết tắt
VOLUME
Số lƣợng giao dịch trong ngày
BB(21,2) Upper
Ngƣỡng trên Bollinger Bands
BB(21,2) AVE
Ngƣỡng trung bình Bollinger Bands
BB(21,2) LOWER
Ngƣỡng dƣới Bollinger Bands
ADX(14)
Chỉ số ADX của 14 kỳ giao dịch gần nhất
SMA(10)
Chỉ số SMA của 10 kỳ giao dịch gần nhất
SMA(100)
Chỉ số SMA của 100 kỳ giao dịch gần nhất
EMA(30)
Chỉ số EMA của 30 kỳ giao dịch gần nhất
SAR(0.02,0.2)
Chỉ số SAR với thông số 0.02,0.2
%K(14,3)
Chỉ số SDK của 14 kỳ giao dịch gần nhất
%D(14,3)
RSI(14)
Chỉ số RSI của 14 kỳ giao dịch gần nhất
MFI(14)
Chỉ số MFI của 14 kỳ giao dịch gần nhất
CCI(14)
Chỉ số CCI của 14 kỳ giao dịch gần nhất
MACD(12,26)
Chỉ số MACD
EMA(9)
Chỉ số EMA của 9 kỳ giao dịch gần nhất
Divergency
Hệ số hội tụ của MACD
Hose
Sở giao dịch chứng khoán TP Hồ Chí Minh
Hnx
Sở giao dịch chứng khoán TP Hà Nội
xltrader
Là công cụ tính toán ra chỉ số của các phƣơng pháp kỹ
thuật khác nhau
- 5 / 71 -
LUẬN VĂN THẠC SỸ KỸ THUẬT
TRẦN ANH TUẤN
DANH MỤC CÁC BẢNG
Bảng 1: Bảng thông số khởi tạo hệ thống........................................................... 60
Bảng 2: Bảng thông số tối ƣu trên bộ dữ liệu học ............................................... 61
- 6 / 71 -
LUẬN VĂN THẠC SỸ KỸ THUẬT
TRẦN ANH TUẤN
DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ
Hình 1: Mô hình hệ mờ - nơron......................................................................... 13
Hình 2: Cấu trúc chung của hệ mờ-nơron .......................................................... 14
Hình 3: Nơron mờ ............................................................................................ 17
Hình 4: Nơron mờ AND ................................................................................... 17
Hình 5: Nơron mờ OR ...................................................................................... 18
Hình 6: Mô hình mạng nơron mờ cơ bản ........................................................... 21
Hình 7: Sơ đồ cấu trúc ANFIS .......................................................................... 22
Hình 8: Cách thức sử dụng phƣơng pháp kỹ thuật Bollinger Bands ..................... 28
Hình 9: Cách thức sử dụng phƣơng pháp kỹ thuật ADX ..................................... 30
Hình 10: Cách sử dụng phƣơng pháp kỹ thuật TAZ............................................ 30
Hình 11: Cách sử dụng phƣơng pháp kỹ thuật PSAR ......................................... 31
Hình 12: Cách sử dụng phƣơng pháp kỹ thuật SKD ........................................... 32
Hình 13: Cách sử dụng phƣơng pháp kỹ thuật RSI ............................................. 33
Hình 14: Cách sử dụng phƣơng pháp kỹ thuật MFI ............................................ 34
Hình 15: Cách sử dụng phƣơng pháp kỹ thuật CCI............................................. 35
Hình 16: Cách sử dụng phƣơng pháp kỹ thuật WILLR ....................................... 36
Hình 17: Cách sử dụng phƣơng pháp kỹ thuật MACD........................................ 37
Hình 18: Sơ đồ logic các tập mờ của phƣơng pháp kỹ thuật Bollinger Bands ...... 40
Hình 19: Sơ đồ các tập mờ của thuộc tính Bollinger Bands................................. 41
Hình 20: Sơ đồ các tập mờ của thuộc tính ADX ................................................. 42
Hình 21: Sơ đồ các tập mờ của thuộc tính TAZ.................................................. 43
Hình 22: Sơ đồ các tập mờ của thuộc tính SDK ................................................. 44
Hình 23: Sơ đồ các tập mờ của thuộc tính RSI ................................................... 45
Hình 24: Sơ đồ các tập mờ của thuộc tính MFI .................................................. 46
Hình 25:Sơ đồ các tập mờ của thuộc tính CCI.................................................... 47
Hình 26: Sơ đồ các tập mờ của thuộc tính WILLR ............................................. 48
Hình 27: Sơ đồ các tập mờ của thuộc tính output ............................................... 49
- 7 / 71 -
LUẬN VĂN THẠC SỸ KỸ THUẬT
TRẦN ANH TUẤN
Hình 28:Mô hình hệ chuyên gia neuro-fuzzy dự đoán giá chứng khoán thị trƣờng
chứng khoán Việt Nam ..................................................................................... 53
Hình 29: Mô hình kiến trúc ứng dụng ................................................................ 58
Hình 30: Dữ liệu giá hàng ngày của chứng khoán BVH đƣợc xử lý để tính toán ra
các chỉ số kỹ thuật qua ứng dụng XLTRADER .................................................. 62
Hình 31: Dữ liệu học của chứng khoán BVH sau khi tính toán ra chỉ số.............. 63
Hình 32: Dữ liệu kiểm tra của chứng khoán BVH .............................................. 63
Hình 33: Bảng mô tả thông số hệ thống ............................................................. 64
Hình 34: Kết quả hệ thống học để kết xuất bộ tham số tối ƣu.............................. 64
Hình 35: Thông số nhập hệ thống để Dự đoán dữ liệu ........................................ 65
Hình 36: Kết quả dự đoán dữ liệu ...................................................................... 65
- 8 / 71 -
LUẬN VĂN THẠC SỸ KỸ THUẬT
TRẦN ANH TUẤN
MỞ ĐẦU
Việc dự báo lợi nhuận cổ phiếu chính xác trên thị trƣờng chứng khoán
trong nhiều năm qua là thách thức không nhỏ của nhiều nhà khoa học tính
toán, có rất nhiều bài báo/luận văn/đề tài về dự đoán thị trƣờng chứng khoán
của nhiều thị trƣờng trên thế giới. Tuy nhiên tại thị trƣờng chứng khoán Việt
Nam thì chƣa có nhiều bài báo/luận văn/đề tài dạng này, vì vậy tác giả hi vọng
thông qua luận án thạc sĩ này để đóng góp một phần tri thức về công nghệ kỹ
thuật điện toán mềm cho việc dự đoán trên thị trƣờng chứng khoán Việt Nam.
Mỗi ngày thị trƣờng chứng khoán Việt Nam đều có giá đóng cửa của tất cả
các mã chứng khoán, đây là một nguồn thông tin vô cùng hữu ích với phƣơng
pháp tính toán kỹ thuật đầu tƣ, có rất nhiều phƣơng pháp kỹ thuật dự đoán
hiệu quả và đƣợc công nhận rộng khắp trong giới đầu tƣ chứng khoán trên thế
giới. Có thể kể ra rất nhiều phƣơng pháp đầu tƣ hiệu quả nhƣ: Bollinger bands,
SMA, EMA, TAZ, RSI, MFI, CCI, ADX, MACD, WILLIAM %R, … Hiện
tại các công ty tài chính đa quốc gia, hay các công ty quỹ đầu tƣ chứng khoán
tại Việt Nam đang sử dụng những chƣơng trình tính toán đầu tƣ chứng khoán
theo phƣơng pháp kỹ thuật với giá rất đắt đỏ do các công ty nƣớc ngoài sở hữu
hoặc sản xuất nhƣ HSBC, Reuters, Standard Chartered Bank, …. Việc có một
nghiên cứu và thử nghiệm một số kỹ thuật dự đoán ứng dụng cho thị trƣờng
chứng khoán Việt Nam để tạo tiền đề hình thành một sản phẩm Việt tuân thủ
các tiêu chuẩn khoa học tính toán và giá rẻ là thực sự rất cần thiết.
Mục đích của luận án thạc sĩ này là để thử nghiệm một bộ chỉ số kỹ thuật
thông dụng và hiệu quả đƣợc nhiều chuyên gia trong nghành chứng khoán
trong nƣớc và nƣớc ngoài công nhân tính hiệu quả (RSI, SDK, MFI, CCI,
WILLIAM %R), và ứng dụng linh hoạt vào mô hình hệ chuyên gia điều chỉnh
neuro-fuzzy cho việc dự đoán thị trƣờng chứng khoán Việt Nam. Kết quả đạt
đƣợc của luận án thạc sĩ này là xây dựng thành công một chƣơng trình tuân
thủ theo cơ sở lý thuyết về hệ chuyên gia Neuro-Fuzzy theo kiến trúc ANFIS
- 9 / 71 -
LUẬN VĂN THẠC SỸ KỸ THUẬT
TRẦN ANH TUẤN
về việc dự đoán đƣợc việc Mua/Giữ/Bán một chứng khoán vào ngày giao dịch
tiếp theo.
Luận văn này bao gồm 3 chƣơng
Chƣơng 1: Cơ sở lý thuyết.
Chƣơng 2: Ứng dụng lý thuyết cho thử nghiệm hệ dự đoán thị trƣờng
chứng khoán tại Việt Nam.
Chƣơng 3: Thử nghiệm và đánh giá hệ dự thị trƣờng chứng khoán tại Việt
Nam.
Luận văn này đƣợc hoàn thành tại trƣờng Đại học Bách khoa Hà Nội, dƣới
sự dẫn dắt của PGS.TS Huỳnh Quyết Thắng. Nhân dịp này tác giả bày tỏ lòng
kính trọng và biết ơn sâu sắc tới Thầy, đã trực tiếp hƣớng dẫn giúp đỡ tác giả
hoàn thành luận văn.
Luận văn không tránh khỏi những thiếu sót, tác giả mong nhận đƣợc các ý
kiến góp ý của Thầy, Cô và các Bạn.
Hà Nội, tháng 3 năm 2016
Tác giả
- 10 / 71 -
LUẬN VĂN THẠC SỸ KỸ THUẬT
TRẦN ANH TUẤN
CHƢƠNG 1: CƠ SỞ LÝ THUYẾT
1.1. Các phƣơng pháp dự đoán thị trƣờng chứng khoán Việt Nam
Trong tài liệu “Surveying stock market forecasting techniques – Part II: Soft
computing methods” của George S. Atsalakis và Kimon P. Valavanis đã tổng
hợp rất nhiều phƣơng pháp khác nhau đƣợc ứng dụng tại rất nhiều thị trƣờng
chứng khoán quốc tế [4], tác giả tổng hợp lại các nội dung chính cơ bản nhƣ sau :
• 29 bài báo về công nghệ dự đoán cho các thị trƣờng chứng khoán (châu âu,
châu mỹ, một số nƣớc Châu Á nhƣ Hong Kong, Singapore, …)
• 91 bộ thông số đầu vào cho từng công nghệ dự đoán của các tác giả (chỉ số
INDEX, giá cuối ngày, giá cao, giá thấp, số lƣợng giao dịch, các chỉ số
phân tích kỹ thuật, các thông số vĩ mô, tỉ giá, …)
• 98 các phƣơng pháp công nghệ và kích thƣớc dữ liệu học (3 tháng đến
nhiều năm) đƣợc so sánh trong từng bài báo
• 73 các phƣơng pháp công nghệ đƣợc dùng đồng thời trong từng bài báo
(ANNs, LR, MLR, ARMA, ARIMA, GA, RW, B & H, khác).
• 73 các phƣơng pháp độ đo lỗi đƣợc sử dụng làm của từng bài báo (RSME,
HIT, R2, MAD, MAPE, MSE, …)
George S. Atsalakis và Kimon P. Valavanis [4] đã kết luận rằng “các quan sát
cho thấy rằng các mô hình mạng thần kinh và các mô hình neuro-fuzzy rất thích
hợp cho các dự báo thị trƣờng chứng khoán. Các thí nghiệm chứng minh rằng kỹ
thuật của các mô hình trong bài báo thực hiện tốt hơn các mô hình thông thƣờng
trong hầu hết các trƣờng hợp. Chúng cho kết quả với độ chính xác cao dựa trên
kết quả giao dịch từ các sở giao dịch của các thị trƣờng”, chính những kết quả
trên, tác giả đã quyết định thử nghiệm công nghệ dự đoán neuro-fuzzy và và lựa
chọn bộ dữ liệu chỉ số phân tích kỹ thuật làm đầu vào cho công nghệ dự đoán
neuro-fuzzy.
- 11 / 71 -
LUẬN VĂN THẠC SỸ KỸ THUẬT
TRẦN ANH TUẤN
1.2. Hệ chuyên gia neuro-fuzzy
1.2.1 Sự kết hợp giữa logic mờ và mạng nơron
1.2.1.1
Khái niệm
Khi khảo sát mạng nơron và logic mờ, ta thấy mỗi loại đều có điểm mạnh,
điểm yếu riêng của nó [1]:
- Đối với logic mờ, ta dễ dàng thiết kế một hệ thống mong muốn chỉ bằng
các luật Nếu - thì (If-Then) gần với việc xử lý của con ngƣời. Thêm nữa, ta
dễ dàng sử dụng những hiểu biết của mình về đối tƣợng để tối ƣu hệ thống
một cách trực tiếp.Tuy nhiên, đi đôi với các ƣu điểm hệ điều khiển mờ còn
tồn tại một số khuyết nhƣ việc thiết kế và tối ƣu hóa hệ logic mờ đòi hỏi
phải có một số kinh nghiệm về điều khiển đối tƣợng, đối với những ngƣời
mới thiết kế lần đầu điều đó hoàn toàn không đơn giản. Mặt khác còn hàng
loạt những câu hỏi khác đặt ra cho ngƣời thiết kế mà nếu chỉ dừng lại ở tƣ
duy logic mờ thì hầu nhƣ chƣa có lời giải, ví dụ: Số tập mờ trong mỗi biến
ngôn ngữ cần chọn bao nhiêu là tối ƣu? Hình dạng các tập mờ thế nào? Vị
trí mỗi tập mờ ở đâu? Việc kết hợp các tập mờ nhƣ thế nào? Trọng số của
mỗi luật điều khiển bằng bao nhiêu? Nếu nhƣ tri thức cần đƣa vào hệ đƣợc
thể hiện dƣới dạng các tập dữ liệu (điều này thƣờng gặp khi thu thập và xử
lý dữ liệu để nhận dạng đối tƣợng) thì làm thế nào ? ...
- Đối với mạng nơron, chúng có một số ƣu điểm nhƣ xử lý song song nên tốc
độ xử lý rất nhanh, mạng nơron có khả năng học hỏi, ta có thể huấn luyện
mạng để xấp xỉ một hàm phi tuyến bất kỳ, đặc biệt khi đã biết một tập dữ
liệu vào/ra... Song nhƣợc điểm cơ bản của mạng nơron là khó giải thích rõ
ràng hoạt động của mạng nơron nhƣ thế nào. Do vậy việc chỉnh sửa trong
mạng nơron rất khó khăn.
Từ những phân tích trên, chúng ta thấy rằng nếu kết hợp logic mờ và mạng
nơron, ta sẽ có một hệ lai với ƣu điểm của cả hai [1]: logic mờ cho phép thiết kế
hệ dễ dàng, tƣờng minh trong khi mạng nơron cho phép học những gì mà ta yêu
cầu về bộ điều khiển.
- 12 / 71 -
LUẬN VĂN THẠC SỸ KỸ THUẬT
TRẦN ANH TUẤN
Mờhóa
Suy diờ
n
Giờ
i mờ
Hình 1: Mô hình hệ mờ - nơron
1.2.1.2
Kết hợp điều khiển mờ và mạng nơron
Có nhiều cách khác nhau để kết hợp mạng nơron với logic mờ. Cấu trúc chung
của hệ Mờ - Nơron (fuzzy-neuro) nhƣ hình 2. Sử dụng các nơron mô tả dƣới đây,
sự mờ hoá có thể đạt đƣợc rất dễ dàng. Mỗi biến ngôn ngữ đƣợc xây dựng bằng 1
nơron. Chú ý rằng kiểu hàm của nơron không nhất thiết phải là hàm Gaus mà có
thể là hàm khác. Trong phần này hàm liên thuộc kiểu tam giác có thể không đƣợc
sử dụng vì chúng không trơn. Các nơron mờ hoá đóng vai trò lớp vào của mạng
[1].
- 13 / 71 -
LUẬN VĂN THẠC SỸ KỸ THUẬT
TRẦN ANH TUẤN
Nờ
U
THÌ
Vào 1
Ra
Vào 2
Mờhóa
Suy diờ
n mờ
Giờ
i mờ
Hình 2: Cấu trúc chung của hệ mờ-nơron
Biểu diễn luật If-Then theo cấu trúc mạng nơron
- Đối với hệ SISO (single input-single output), luật điều khiển có dạng [1]:
Luật Ri = Nếu x là
Mỗi luật của
Thì y là
với
,
là các tập mờ, i = 1,..., n.
có thể chuyển thành một mẫu dữ liệu cho mạng nơron đa
tầng bằng cách lấy phần “Nếu” làm đầu vào và phần “Thì” làm đầu ra của mạng.
Từ đó ta chuyển khối luật thành tập dữ liệu sau:
{(
,
),...,(
,
)}.
- Đối với hệ MISO (multiple input-single output), việc biểu diễn khối luật
dƣới dạng tập dữ liệu cũng tƣơng tự nhƣ đối với hệ SISO
Luật
: Nếu x là
và y là
Thì z là
với
,
,
là các tập mờ, i =
1,..., n.
Tập dữ liệu của khối luật là: {( , ), }, 1 ≤ i ≤ n.
- Đối với hệ MIMO thì khối luật :
: Nếu x là
và y là
Thì r là
và s là
mờ, i = 1,..., n.
- 14 / 71 -
với
,
,
,
là các tập
LUẬN VĂN THẠC SỸ KỸ THUẬT
TRẦN ANH TUẤN
Tập dữ liệu của khối luật là: {( , ),( ,
)}, 1 ≤ i ≤ n.
Phƣơng pháp Umano - Ezawa
Theo phƣơng pháp này, một tập mờ đƣợc biểu diễn bởi một số xác định các
giá trị của hàm liên thuộc của nó [1]. Ta thực hiện theo các bƣớc sau :
- Đặt [ ,
định của tất cả
- Đặt [ ,
của tất cả
] chứa miền xác định của biến ngôn ngữ đầu vào (tức miền xác
)
] chứa miền xác định của biến ngôn ngữ đầu ra (tức miền xác định
)
- Với M, N nguyên dƣơng, M ≥ 2 và N ≥ 2 ta đặt:
=
+ (i - 1)( –
)/(N – 1),
=
+ (j - 1)( -
)/(M – 1)
với 1 ≤ i ≤ N và 1 ≤ j ≤ M.
- Rời rạc hóa các tập mờ thành tập các cặp vào-ra
{( ( ),...,
Đặt
=
(
( ),
)),( ( ),..., (
=
))}, với 1 ≤ i ≤ N.
( ), khi đó mạng nơron mờ sẽ chuyển thành mạng
nơron rõ với N đầu vào và M đầu ra. Từ đó có thể cho mạng học bằng giải thuật
huấn luyện mạng nơron đã biết.
Xét một hệ có 3 luật mờ với các tập mờ vào và ra nhƣ nhƣ sau:
: Nếu x là
Thì y là
;
: Nếu x là
Thì y là
;
: Nếu x là
Thì y là
;
với các hàm phụ thuộc:
(x) = 1- 2x ; 0 ≤ x ≤ -12
(x) = 1 – 2|x - 0,5| ; 0 ≤ x ≤ 1
(x) = 2x -1 ; 1/2≤ x ≤ l
= -y ; -1 ≤ y ≤ 0
= 1 – 2|y| ; -12≤ y ≤12
= y ; 0 ≤ y ≤ 1.
- 15 / 71 -
LUẬN VĂN THẠC SỸ KỸ THUẬT
TRẦN ANH TUẤN
+ Tập dữ liệu đƣợc rút ra từ các luật này có dạng:
{(
,
), (
,
), (
,
)}.
+ Đặt [ ,
] = [0 1] là miền xác định của biến ngôn ngữ đầu vào.
+ Đặt [ ,
] = [-1 1] là miền xác định của biến ngôn ngữ đầu ra.
+ Đặt M = N = 5, Ta có:
= (i - 1)/4, với 1 ≤ i ≤ 5
⇒
= 0;
và
= 1 + (j - 1)2/4 = -3/2 + j/2, với 1 ≤ j ≤ 5
⇒
= -1;
= 0,25;
= -0,5;
= 0,5;
= 0;
= 0,75;
- 0,5;
=1
= 1.
+ Tập dữ liệu gồm 3 cặp vào-ra là:
{(
,...,
),(
,...,
)}
{(
,...,
),(
,...,
)}
{(
,...,
),(
,...,
)}
với
=
;
=
=
=
;
;
=
=
Nhƣ vậy ta có:
{(1;0,5;0;0;0),(1;0,5;0;0;0)}
{10;0,5;1;0,5;0),(0;0;1;0;0)}
{10;0;0;0,5;1),(0;0;0;0,5;1)}
1.2.1.3
Nơron mờ
Theo định nghĩa Nơron mờ có các tín hiệu vào-ra và các trọng số đều là số
thực, hai nơron ở đầu vào không làm thay đổi tín hiệu nên đầu ra của nó cũng là
đầu vào nhƣ Hình 4:
- 16 / 71 -
LUẬN VĂN THẠC SỸ KỸ THUẬT
TRẦN ANH TUẤN
Hình 3: Nơron mờ
Tín hiệu
kết hợp với trọng số wi tạo thành tích:
=
, i = 1,2.
Đầu vào của nơron ở tầng ra là sự kết hợp của các p i theo phép cộng:
+
-
Nơron
này
dùng
=
một
+
hàm
.
chuyển
f
để
tạo
Ví dụ hàm chuyển là hàm dạng chữ S đơn cực [1]:
f(x) = 1/(1+
y = f(
)
+
f(x) = 1/(1+
),
)
Nơron mờ AND
Hình 4: Nơron mờ AND
Tín hiệu
và trọng số
đƣợc kết hợp bởi conorm S tạo thành:
= S( , ), i = 1,2
Các
đƣợc tính bởi norm T để tạo đầu ra của nơron.
- 17 / 71 -
đầu
ra.
LUẬN VĂN THẠC SỸ KỸ THUẬT
TRẦN ANH TUẤN
y = AND( , ) = T( , )= T(S(
, ),S(
, )).
Nếu T = min và S = max thì nơron mờ AND chính là luật hợp thành min-max
y = min{
∨
∨
,
}.
Nơron mờ OR
Hình 5: Nơron mờ OR
Tín hiệu
và trọng số
đƣợc kết hợp bởi norm T tạo thành [1]:
= T( , ), i = 1,2.
đƣợc tính bởi conorm S tạo đầu ra của nơron:
Các
y = OR( , ) = S( , ) = S(T(
, ),T(
, )).
Nếu T = min và S = max thì nơron mờ OR chính là hợp thành max-min
y = max{
1.2.1.4
∧ ,
∧ }
Huấn luyện mạng nơron mờ
Giả sử cần thực hiện ánh xạ:
= f( ) = f(
Ta có tập dữ liệu : {( , ),...,( ,
,...,
), với k = 1,..., K.
)}.
Dùng luật If-Then (nếu - thì) để thực hiện ánh xạ này:
Ri : Nếu
là
và... và
là
thì y = , 1 ≤ i ≤ m
với Aij (1<=j<=n) là các tập mờ có dạng hình tam giác và
Đặt
là giá trị ra của hệ khi ta đƣa vào
Ký hiệu
=
là số thực.
.
là giá trị ra của luật thứ i, đƣợc định nghĩa theo tích Larsen:
)
(cũng có thể định nghĩa các t-norm khác).
Giải mờ theo phƣơng pháp trung bình trọng tâm ta có[1]:
- 18 / 71 -
LUẬN VĂN THẠC SỸ KỸ THUẬT
TRẦN ANH TUẤN
Sai lệch của mẫu thứ k là:
Dùng phƣơng thức giảm để học
trong phần kết quả của luật
: Cho rằng
mỗi biến ngôn ngữ có 7 tập mờ: {NB, NM, NS, ZE, PS, PM, PB}.
Các hàm liên thuộc có hình dạng tam giác đƣợc đặc trƣng bởi 3 tham số: tâm,
độ rộng trái, độ rộng phải. Các tham số này của tam giác cũng đƣợc học bằng
phƣơng thức giảm.
Ví dụ [1]: xét 2 luật mờ SISO
: Nếu x là
Thì y =
: Nếu x là
Thì y =
Giả sử
với
,
và
,
,
đƣợc định nghĩa bởi :
là các giá trị khởi tạo ban đầu.
Vậy giá trị ra của luật là:
=
;
=
;
Giá trị ra của hệ mờ:
=
Giả sử chúng ta có tập dữ liệu cần học:
{( ,
),...,( ,
)}.
Nhiệm vụ của chúng ta là xây dựng 2 luật mờ dựa trên các tập mờ đã sửa đổi,
sao cho kết quả tạo ra tƣơng thích với các cặp vào-ra cho trƣớc.
Định nghĩa sai lệch cho mẫu thứ k:
=
( , , ,
, , )=
Dùng phƣơng thức giảm để học [1]:
- 19 / 71 -
LUẬN VĂN THẠC SỸ KỸ THUẬT
TRẦN ANH TUẤN
tƣơng tự:
Luật học sẽ đơn giản hơn nếu ta dùng các hàm liên thuộc có dạng Hình 8:
khi đó
+
= 1, ∀x
Việc sửa đổi đƣợc thực hiện nhƣ sau [1]:
- 20 / 71 -
LUẬN VĂN THẠC SỸ KỸ THUẬT
TRẦN ANH TUẤN
và :
Mạng nơron cho hệ mờ này gồm 5 lớp:
T
N
z
x
T
N
Hình 6: Mô hình mạng nơron mờ cơ bản
Lớp 1: Giá trị ra từ nút chính là độ phụ thuộc của biến đối với tập mờ.
Lớp 2: Tạo giá trị ra của luật:
=
;
=
.
Những nút này đƣợc gán nhãn T bởi vì chúng ta có thể chọn nhiều phép
toán t-norm khác nhau cho phép AND (VÀ).
Lớp 3: Lấy trung bình:
;
Lớp 4: Giá trị ra của nơron là tích của và
- 21 / 71 -
LUẬN VĂN THẠC SỸ KỸ THUẬT
TRẦN ANH TUẤN
Lớp 5: Kết hợp tạo giá trị ra cuối cùng của hệ: z =
+
1.2.2 Hệ chuyên gia neuro-fuzzy theo kiến trúc ANFIS
1.2.2.1
Giới thiệu
Mạng thích nghi dựa trên cơ sở hệ suy luận mờ (Adaptve Network-based
Fuzzy
Inference
System-ANFIS), đƣợc Jang đề xuất năm 1992. Sử dụng các luật
học mờ nhƣ sau [2]:
Luật học thứ j là
If
is
and
có dạng:
is
and ... and
is
Then
Với là các biến ngôn ngữ đầu vào (i=l,2,3,...,n), y là biến đầu ra
biến ngôn ngữ mờ của biến đầu vào
ngôn ngữ đầu vào (j=l,2,3,...n),
tính (
,
(
là các
là hàm liên thuộc của mỗi biến
thuộc tập hợp R là các hệ số của hàm tuyến
.
ANFIS có cấu trúc gồm các lớp nhƣ sau:
...
...
...
N
...
...
y
N
...
N
Hình 7: Sơ đồ cấu trúc ANFIS
Lớp 1 : Là lớp đầu vào, mỗi nơron thứ i có một tín hiệu vào
- 22 / 71 -
LUẬN VĂN THẠC SỸ KỸ THUẬT
TRẦN ANH TUẤN
Lớp 2: Mỗi phần tử là một hàm liên thuộc
có dạng hình tam giác,
hình Gauss, hoặc hàm hình vuông , … .Trong đó các thông số của các dạng hàm
liên thuộc ở lóp 2 là các thông số điều chỉnh.
Lớp 3: Mỗi phần tử π tƣơng ứng thực hiện một luật thứ j:
(1.1)
Lớp 4: Mỗi phần tử N tƣơng ứng thực hiện tính toán:
(1.2)
Lớp 5: Mỗi phần tử thứ j của lớp 5 thực hiện tính toán giá trị:
(1.3)
} là các thông số điều chỉnh.
Với {
Lớp 6: Chỉ có một phần tử thực hiện phép tổng tính giá trị đầu ra
(1.4)
Nếu cho trƣớc hàm liên thuộc đầu ra mong muốn là: f(x) =
Sử dụng tiêu chuẩn bình phƣơng của sai lệch giữa hàm đầu ra mong muốn
vói hàm đầu ra E= (
(1.5)
Để đạt đƣợc mong muốn E cực tiểu hay tín hiệu đầu ra y của ANFIS bám theo
đƣợc tín hiệu đầu ra mong muốn yd cần điều chỉnh bộ thông số của hàm liên
thuộc ở lớp 2 và bộ thông số {
} ở lớp 5.
Nhƣ vậy luật cập nhật giá trị các thông số điều chỉnh còn phụ thuộc vào dạng
hàm liên thuộc mà ANFIS sử dụng.
Để tiện cho việc tính toán, sau đây là các luật cập nhật giá trị các thông số điều
chỉnh khi ANFIS sử dụng các dạng hàm liên thuộc thƣờng dùng.
Trƣờng hợp dùng hàm liên thuộc có dạng hình tam giác
=1-
[2]
Các thông số điều chỉnh trong quá trình học của mạng ANFIS đƣợc cập nhật
theo các biểu thức sau:
- 23 / 71 -
LUẬN VĂN THẠC SỸ KỸ THUẬT
TRẦN ANH TUẤN
Trong đó
là hệ số học
Chứng minh đƣợc:
•
Trƣờng hợp hàm liên thuộc có dạng hình Gauss
[2]
Các thông số điều chỉnh trong quá trình học của mạng ANFIS đƣợc cập nhật
theo các biểu thức sau:
Trong đó
là hệ số học
Chứng minh đƣợc:
- 24 / 71 -
LUẬN VĂN THẠC SỸ KỸ THUẬT
TRẦN ANH TUẤN
Theo J.-S. R. Jangthì áp dụng công thức sau cho hệ số học [2]:
; (1.6)
trong đó step_size là bƣớc học đƣợc khai báo trƣớc với quy tắc sau trong quá
trình học:
- Sau 4 kỳ gần nhất sự sai lệch đều giảm thì tăng step_sizelên 10%.
- Sau 2 kỳ gần nhất một kỳ sự sai lệch tăng, một kỳ sự sai lệch giảm thì giảm
step_size xuống 10%.
1.2.2.2
Hạn chế của ANFIS
Anfis chỉ hỗ trợ cho các hệ thống mờ theo mô hình Sugèno và chúng cần có
những ràng buộc sau:
- Có một đầu ra đơn, giải mờ bằng phƣơng pháp trung bình trọng tâm. Tất cả
các hàm liên thuộc đầu ra phải cùng loại, hoặc tuyến tính hoặc bất biến.
- Không chia sẻ luật điều khiển. Các luật khác nhau không thể chia sẻ cùng
một hàm liên thuộc đầu ra, cụ thể là số lƣợng các hàm liên thuộc đầu ra phải bằng
sổ lƣợng các luật.
Có một trọng lƣợng nhất định (đồng nhất) cho mỗi một nguyên tắc.
Khi không train đủ những ràng buộc trên, cấu trúc FIS sẽ bị sai số.
Hơn nữa, anfis không thể chấp nhận các tuỳ chọn thông thƣờng mà suy luận
mờ cơ bản cho phép.Vì vậy chúng ta không thể tùy ý tạo ra các hàm liên thuộc và
các phƣơng pháp giải mờ của mình mà phải sử dụng những chức năng đã cho.
- 25 / 71 -
