Gần đây, các hướng nghiên cứu trên tập mờ nâng cao đang nhận được nhiều sự quan tâm từ nhiều nhà nghiên cứu, điển hình là các nghiên cứu về tập mờ viễn cảnh. Tập mờ viễn cảnh đã được đề xuất để giải quyết các vấn đề về dữ liệu nhiễu nhằm nâng cao hiệu suất phân cụm. Với việc có 4 thuộc tính: Độ khẳng định, độ phủ định, độ do dự và độ từ chối giúp cho mô hình tối ưu sử dụng tập mờ viễn cảnh có nhiều lựa chọn hơn, có thể đem lại kết quả chính xác hơn.Trong bài báo này, chúng tôi đề xuất một phương pháp phân cụm bán giám sát mờ viễn cảnh mới có tên gọi PFSFCM. Phương pháp đề xuất được so sánh thực nghiệm với phương pháp phân cụm mờ viễn cảnh (FCPFS) và phương pháp phân cụm bán giám sát mờ an toàn có trọng số tin cậy (CS3FCM) về hiệu suất phân cụm trên cả bộ dữ liệu UCI và dữ liệu ảnh vệ tinh vùng nước.Các kết quả thực nghiệm chỉ ra rằng, phương pháp đề xuất của chúng tôi có hiệu suất tốt so với các phương pháp liên quan.
Cùng với sự phát triển mạnh mẽ của nền kinh tế và giao thương hàng hóa hiện nay, ngành vận tải cũng đang có những bước tiến vượt bậc về cả số lượng và chất lượng. Một trong những yếu tố quan trọng ảnh hưởng đến năng suất của quá trình vận tải chính là quá trình đóng gói và điều phối hàng hóa vào các phương tiện vận chuyển một cách phù hợp. Trong bài báo này chúng tôi trình bày về bài toán Bin Packing 2D và các lĩnh vực ứng dụng bài toán. Bin Packing là dạng bài toán đóng thùng sao cho tất cả các đồ vật có thể tích khác nhau được đóng gói vào số lượng thùng sử dụng là ít nhất. Để trả lời cho câu hỏi này, bài báo này đã nghiên cứu về một số phương pháp đã từng sử dụng thông qua việc khảo cứu và tổng hợp dựa trên các bài báo của các nhà xuất bản uy tín để lọc ra các bài báo gốc và các bài có ảnh hưởng nhất để khảo sát và phân tích. Bài báo đã đưa ra các ưu nhược điểm trong từng phương pháp và đề xuất hướng phát triển trong tương lai.
Phân cụm dữ liệu và các lĩnh vực ứng dụng là một trong những hướng nghiên cứu nhận được nhiều sự quan tâm từ các nhà khoa học trong những năm gần đây. Trong quá trình thu thập dữ liệu, có thể một số dữ liệu có độ tin cậy thấp hơn (sai giá trị, thuộc tính không chính xác, v.v.) tồn tại trong toàn bộ tập dữ liệu. Điều này sẽ làm giảm hiệu suất phân cụm với các nhiễu và ngoại lệ có thể xảy ra. Một số hướng nghiên cứu đã được đưa ra để giải quyết vấn đề này. Thứ nhất, đối với các dữ liệu sai giá trị, sai thuộc tính có thể sử dụng các phương pháp phân cụm bán giám sát mờ an toàn. Thứ hai, đối với các điểm dữ liệu nhiễu có thể sử dụng khái niệm tập mờ viễn cảnh, cho dù đã có một số nghiên cứu liên quan nhằm tăng chất lượng phân cụm, tuy nhiên chỉ dừng lại ở tập mờ truyền thống. Trong bài báo này, chúng tôi đề xuất một phương pháp mới trong phân vùng dữ liệu theo độ tin cậy dựa trên phân cụm mờ viễn cảnh có tên gọi PT2FCM. Thuật toán đề xuất được so sánh thực nghiệm với một số phương pháp liên quan như phân cụm bán giám sát mờ trên tập mờ viễn cảnh (FCPFS), phân cụm bán giám sát mờ an toàn (CS3FCM), v.v. Các kết quả thực nghiệm cho thấy, phương pháp đề xuất có chất lượng phân cụm tốt so với các phương pháp liên quan trong cùng tập dữ liệu.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
hi@scite.ai
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.