17
ĐẠI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC CÔNG NGHỆ NGUYỄN THỌ THÔNG HỆ TƯ VẤN MỜ TRỰC CẢM VÀ ỨNG DỤNG TRONG CHẨN ĐOÁN BỆNH LUẬN VĂN THẠC SĨ CÔNG NGHỆ THÔNG TIN

HỆ TƯ VẤN MỜ TRỰC CẢM VÀ ỨNG DỤNG TRONG CHẨN …repository.vnu.edu.vn/bitstream/VNU_123/8617/1/00050006992.pdfVí dụ 1: Xem xét tập dữ liệu của Samuel

  • Upload
    others

  • View
    5

  • Download
    0

Embed Size (px)

Citation preview

Page 1: HỆ TƯ VẤN MỜ TRỰC CẢM VÀ ỨNG DỤNG TRONG CHẨN …repository.vnu.edu.vn/bitstream/VNU_123/8617/1/00050006992.pdfVí dụ 1: Xem xét tập dữ liệu của Samuel

ĐẠI HỌC QUỐC GIA HÀ NỘI

TRƯỜNG ĐẠI HỌC CÔNG NGHỆ

NGUYỄN THỌ THÔNG

HỆ TƯ VẤN MỜ TRỰC CẢM

VÀ ỨNG DỤNG TRONG CHẨN ĐOÁN BỆNH

LUẬN VĂN THẠC SĨ CÔNG NGHỆ THÔNG TIN

Hà Nội – 2014

Page 2: HỆ TƯ VẤN MỜ TRỰC CẢM VÀ ỨNG DỤNG TRONG CHẨN …repository.vnu.edu.vn/bitstream/VNU_123/8617/1/00050006992.pdfVí dụ 1: Xem xét tập dữ liệu của Samuel

ĐẠI HỌC QUỐC GIA HÀ NỘI

TRƯỜNG ĐẠI HỌC CÔNG NGHỆ

NGUYỄN THỌ THÔNG

HỆ TƯ VẤN MỜ TRỰC CẢM

VÀ ỨNG DỤNG TRONG CHẨN ĐOÁN BỆNH

Ngành: Công nghệ thông tin

Chuyên ngành: Hệ thống thông tin

Mã số: 60480104

LUẬN VĂN THẠC SĨ CÔNG NGHỆ THÔNG TIN

NGƯỜI HƯỚNG DẪN KHOA HỌC: TS. LÊ HOÀNG SƠN

PGS.TS. NGUYỄN ĐÌNH HÓA

Hà Nội – 2014

Page 3: HỆ TƯ VẤN MỜ TRỰC CẢM VÀ ỨNG DỤNG TRONG CHẨN …repository.vnu.edu.vn/bitstream/VNU_123/8617/1/00050006992.pdfVí dụ 1: Xem xét tập dữ liệu của Samuel

3

Mục lục

MỞ ĐẦU ....................................................................... Error! Bookmark not defined.

CHƢƠNG 1. TỔNG QUAN VỀ TẬP MỜ TRỰC CẢM, HỆ TƢ VẤN VÀ BÀI

TOÁN CHẨN ĐOÁN BỆNH ......................................................................................... 6

I. Bài toán chẩn đoán bệnh ....................................................................................... 6

1. Giới thiệu ........................................................................................................ 6

2. Bài toán chẩn đoán bệnh ................................................................................. 6

3. Ví dụ bài toán chẩn đoán bệnh ....................................................................... 6

II. Tổng quan về tập mờ trực cảm .......................................................................... 8

1. Tập rõ .............................................................................................................. 8

2. Tập mờ ............................................................................................................ 8

3. Tập mờ trực cảm ........................................................................................... 10

III. Hệ tƣ vấn .......................................................... Error! Bookmark not defined.

1. Giới thiệu ...................................................... Error! Bookmark not defined.

2. Định nghĩa hệ tƣ vấn..................................... Error! Bookmark not defined.

3. Một số thuật toán trong RS ........................... Error! Bookmark not defined.

4. Một số nghiên cứu liên quan ........................ Error! Bookmark not defined.

IV. Kết luận ............................................................ Error! Bookmark not defined.

CHƢƠNG 2. HỆ TƢ VẤN MỜ TRỰC CẢM .............. Error! Bookmark not defined.

I. Giới thiệu ............................................................. Error! Bookmark not defined.

II. Hệ tƣ vấn mờ trực cảm ..................................... Error! Bookmark not defined.

1. Hệ tƣ vấn mờ trực cảm đơn tiêu chí và đa tiêu chí ..... Error! Bookmark not

defined.

2. Ma trận mờ trực cảm và ma trận hợp thành mờ trực cảm . Error! Bookmark

not defined.

3. Ma trận tƣơng đồng mờ trực cảm và độ đo tƣơng tự mờ trực cảm ...... Error!

Bookmark not defined.

4. Thuật toán lọc cộng tác mờ trực cảm ........... Error! Bookmark not defined.

5. Kết luận ......................................................... Error! Bookmark not defined.

CHƢƠNG 3. KẾT QUẢ THỰC NGHIỆM VÀ SO SÁNHError! Bookmark not

defined.

I. Giới thiệu ............................................................. Error! Bookmark not defined.

1. Môi trƣờng thực nghiệm ............................... Error! Bookmark not defined.

2. Dữ liệu .......................................................... Error! Bookmark not defined.

II. Kết quả thực nghiệm và so sánh ...................... Error! Bookmark not defined.

1. Minh họa IFCF ............................................. Error! Bookmark not defined.

2. Đánh giá ........................................................ Error! Bookmark not defined.

KẾT LUẬN ................................................................... Error! Bookmark not defined.

Page 4: HỆ TƯ VẤN MỜ TRỰC CẢM VÀ ỨNG DỤNG TRONG CHẨN …repository.vnu.edu.vn/bitstream/VNU_123/8617/1/00050006992.pdfVí dụ 1: Xem xét tập dữ liệu của Samuel

4

TÀI LIỆU THAM KHẢO ............................................................................................. 11

Page 5: HỆ TƯ VẤN MỜ TRỰC CẢM VÀ ỨNG DỤNG TRONG CHẨN …repository.vnu.edu.vn/bitstream/VNU_123/8617/1/00050006992.pdfVí dụ 1: Xem xét tập dữ liệu của Samuel

5

Danh mục các bảng

Bảng 1. Quan hệ giữa bệnh nhân và triệu chứng ( PSR ) ............................................................. 7

Bảng 2. Quan hệ giữa triệu chứng và bệnh ( SDR ) ...................................................................... 7

Bảng 3. Quan hệ giữa bệnh nhân và bệnh ( PDR ) ....................................................................... 7

Bảng 4. Bệnh của bệnh nhân ...................................................................................................... 7

Bảng 5. Quan hệ giữa bệnh nhân và bệnh ( PDR ) trong phƣơng pháp của De, Biswas và Roy

.................................................................................................. Error! Bookmark not defined.

Bảng 6. Ma trận PDS ................................................................ Error! Bookmark not defined.

Bảng 7. Ma trận PDW ................................................................ Error! Bookmark not defined.

Bảng 8. Ma trận giảm thiểu ...................................................... Error! Bookmark not defined.

Bảng 9. Quan hệ giữa bệnh nhân và bệnh khi sử dụng hàm Hamming .. Error! Bookmark not

defined.

Bảng 10. Quan hệ giữa bệnh nhân và bệnh khi sử dụng hàm Euclidean Error! Bookmark not

defined.

Bảng 11. Tập dữ liệu huấn luyện với các giá trị * cần đƣợc dự báo ....... Error! Bookmark not

defined.

Bảng 12. Tập dữ liệu huấn luyện thô với các giá trị * cần đƣợc dự báo . Error! Bookmark not

defined.

Bảng 13. Tập dữ liệu đầy đủ đƣợc xác định bởi phƣơng pháp của Hassan và Syed, các giá trị

in đậm thể hiện bệnh của bệnh nhân......................................... Error! Bookmark not defined.

Bảng 14. Tập dữ liệu đầy đủ đƣợc xác định bởi phƣơng pháp của Davis và cộng sự [9], các

giá trị in đậm thể hiện bệnh có thể mắc phải nhất .................... Error! Bookmark not defined.

Bảng 15. MC-IFRS cho chẩn đoán bệnh với các giá trị * cần đƣợc dự báo . Error! Bookmark

not defined.

Bảng 16. Miêu tả về tập dữ liệu thực nghiệm........................... Error! Bookmark not defined.

Bảng 17. Tập dữ liệu huấn luyện với các giá trị * cần đƣợc dự báo ....... Error! Bookmark not

defined.

Bảng 18. Tập dữ liệu SC-IFRS đƣợc trích xuất với các giá trị * cần đƣợc dự báo ........... Error!

Bookmark not defined.

Bảng 19. Bệnh đƣợc khuyến nghị, bệnh với khả năng mắc cao nhất đƣợc in đậm ........... Error!

Bookmark not defined.

Page 6: HỆ TƯ VẤN MỜ TRỰC CẢM VÀ ỨNG DỤNG TRONG CHẨN …repository.vnu.edu.vn/bitstream/VNU_123/8617/1/00050006992.pdfVí dụ 1: Xem xét tập dữ liệu của Samuel

6

Bảng 20. Kết quả của thực nghiệm ngẫu nhiên trên bộ dữ liệu HEART Error! Bookmark not

defined.

Bảng 21. Kết quả của thực nghiệm k-fold trên bộ dữ liệu HEART ........ Error! Bookmark not

defined.

Bảng 22. Kết quả của thực nghiệm ngẫu nhiên trên bộ dữ liệu RHC ..... Error! Bookmark not

defined.

Bảng 23. Kết quả của thực nghiệm k-fold trên bộ dữ liệu RHC ............. Error! Bookmark not

defined.

Page 7: HỆ TƯ VẤN MỜ TRỰC CẢM VÀ ỨNG DỤNG TRONG CHẨN …repository.vnu.edu.vn/bitstream/VNU_123/8617/1/00050006992.pdfVí dụ 1: Xem xét tập dữ liệu của Samuel

7

Danh mục các hình vẽ, đồ thị

Hình 1. Tập rõ và biểu diễn tập rõ ................................................................................... 8

Hình 2. Ví dụ tập mờ ....................................................................................................... 9

Hình 3. Thuật toán IFCF................................................ Error! Bookmark not defined.

Hình 4. Phân bố 2 chiều của HEART ............................ Error! Bookmark not defined.

Hình 5. Phân bố 2 chiều của RHC ................................. Error! Bookmark not defined.

Hình 6. Kết quả MAE của thực nghiệm ngẫu nhiên trên bộ dữ liệu HEART....... Error!

Bookmark not defined.

Hình 7. Kết quả MAE của thực nghiệm k-fold trên bộ dữ liệu HEART .............. Error!

Bookmark not defined.

Hình 8. Kết quả MAE của thực nghiệm ngẫu nhiên trên bộ dữ liệu RHC ............ Error!

Bookmark not defined.

Hình 9. Kết quả MAE của thực nghiệm k-fold trên bộ dữ liệu RHC . Error! Bookmark

not defined.

Page 8: HỆ TƯ VẤN MỜ TRỰC CẢM VÀ ỨNG DỤNG TRONG CHẨN …repository.vnu.edu.vn/bitstream/VNU_123/8617/1/00050006992.pdfVí dụ 1: Xem xét tập dữ liệu của Samuel

8

CHƯƠNG 1. TỔNG QUAN VỀ TẬP MỜ TRỰC CẢM, HỆ TƯ

VẤN VÀ BÀI TOÁN CHẨN ĐOÁN BỆNH

I. Bài toán chẩn đoán bệnh

1. Giới thiệu

Bài toán chẩn đoán bệnh là bài toán rất phổ biến trong y học. Nó là một khâu

rất quan trọng trong quy trình điều trị của bệnh nhân. Bernegger và cộng sự [5] cho

rằng chẩn đoán là khâu trung tâm trong y học lâm sàng và việc chẩn đoán chính xác là

một yêu cầu quan trọng trong các quyết định điều trị đúng. Chẩn đoán bệnh là dự báo

khả năng mắc bệnh cho bệnh nhân dựa vào những thông tin triệu chứng mà bệnh nhân

gặp phải. Với mức độ quan trọng của chẩn đoán trong điều trị bệnh nhân nên vấn đề

nâng cao chất lƣợng chẩn đoán là vấn đề đang đƣợc quan tâm hàng đầu.

2. Bài toán chẩn đoán bệnh

Định nghĩa 1 [46]: Cho nPPP ,..,1 là tập bệnh nhân, mSSS ,..,1 là tập triệu

chứng, kDDD ,..,1 là tập bệnh. Mối quan hệ giữa bệnh nhân và triệu chứng đƣợc

thể hiện bởi tập mjniSPRR ji

PS

PS ,1;,1|, . Ở đây ji

PS SPR , thể hiện cấp độ

bệnh nhân iP có triệu chứng jS và đƣợc biểu diễn bằng giá trị số hay giá trị mờ, mờ

trực cảm. Tƣơng tự, quan hệ giữa triệu chứng và bệnh nhân đƣợc thể hiện bởi tập

kjmiDSRR ji

SD

SD ,1;,1|, . Ở đây ji

SD DSR , phản ánh khả năng triệu chứng

iS sẽ dẫn đến bệnh jD . Bài toán chẩn đoán bệnh nhằm xác định mối quan hệ giữa

bệnh nhân và bệnh đƣợc thể hiện bởi tập kjniDPRR ji

PD

PD ,1;,1|, . Ở đây

ji

PD DPR , nhận giá trị 0 hoặc 1 tƣơng ứng với bệnh nhân iP có bị bệnh jD hay

không. Bài toán chẩn đoán bệnh có thể thể hiện ngắn gọn bởi ánh xạ: PDSDPS RRR ,

3. Ví dụ bài toán chẩn đoán bệnh

Ví dụ 1: Xem xét tập dữ liệu của Samuel và Balamurugan [35] bao gồm bốn

bệnh nhân P = {Ram, Mari, Sugu, Somu}, năm triệu chứng S = {Temperature,

Headache, Stomach-pain, Cough, Chest-pain} và năm bệnh D = {Viral-Fever, Malaria,

Typhoid, Stomach, Heart}. Quan hệ giữa bệnh nhân – triệu chứng và triệu chứng –

bệnh đƣợc cho trong Bảng 1 và 2.

Page 9: HỆ TƯ VẤN MỜ TRỰC CẢM VÀ ỨNG DỤNG TRONG CHẨN …repository.vnu.edu.vn/bitstream/VNU_123/8617/1/00050006992.pdfVí dụ 1: Xem xét tập dữ liệu của Samuel

9

P Temperature Headache Stomach_pain Cough Chest_pain

Ram (0.8, 0.1) (0.6, 0.1) (0.2, 0.8) (0.6, 0.1) (0.1, 0.6)

Mari (0, 0.8) (0.4, 0.4) (0.6, 0.1) (0.1, 0.7) (0.1, 0.8)

Sugu (0.8, 0.1) (0.8, 0.1) (0, 0.6) (0.2, 0.7) (0, 0.5)

Somu (0.6, 0.1) (0.5, 0.4) (0.3, 0.4) (0.7, 0.2) (0.3, 0.4)

Bảng 1. Quan hệ giữa bệnh nhân và triệu chứng ( PSR )

S Viral-Fever Malaria Typhoid Stomach Heart

Temperature (0.4, 0) (0.7, 0) (0.3, 0.3) (0.1, 0.7) (0.1, 0.8)

Headache (0.3, 0.5) (0.2, 0.6) (0.6, 0.1) (0.2, 0.4) (0, 0.8)

Stomach_pain (0.1, 0.7) (0, 0.9) (0.2, 0.7) (0.8, 0) (0.2, 0.8)

Cough (0.4, 0.3) (0.7, 0) (0.2, 0.6) (0.2, 0.7) (0.2, 0.8)

Chest_pain (0.1, 0.7) (0.1, 0.8) (0.1, 0.9) (0.2, 0.7) (0.8, 0.1)

Bảng 2. Quan hệ giữa triệu chứng và bệnh ( SDR )

Quan hệ giữa bệnh nhân và bệnh đƣợc cho bởi các giá trị mờ trực cảm (IFV)

đƣợc thể hiện trong Bảng 3

P Viral_Fever Malaria Typhoid Stomach Heart

Ram (0.4, 0.1) (0.7, 0.1) (0.6, 0.1) (0.2, 0.4) (0.2, 0.6)

Mari (0.3, 0.5) (0.2, 0.6) (0.4, 0.4) (0.6, 0.1) (0.1, 0.7)

Sugu (0.4, 0.1) (0.7, 0.1) (0.6, 0.1) (0.2, 0.4) (0.2, 0.5)

Somu (0.4, 0.1) (0.7, 0.1) (0.5, 0.3) (0.3, 0.4) (0.3, 0.4)

Bảng 3. Quan hệ giữa bệnh nhân và bệnh ( PDR )

Bệnh mà bệnh nhân có khả năng mắc phải nhất đƣợc cho trong Bảng 4. Nó

đƣợc xác định từ Bảng 3 bằng việc sử dụng một phƣơng pháp giải mờ đơn giản, đó là

cực đại độ thuộc của các bệnh.

P Viral_Fever Malaria Typhoid Stomach Heart

Ram 0 1 0 0 0

Mari 0 0 0 1 0

Sugu 0 1 0 0 0

Somu 0 1 0 0 0

Bảng 4. Bệnh của bệnh nhân

Page 10: HỆ TƯ VẤN MỜ TRỰC CẢM VÀ ỨNG DỤNG TRONG CHẨN …repository.vnu.edu.vn/bitstream/VNU_123/8617/1/00050006992.pdfVí dụ 1: Xem xét tập dữ liệu của Samuel

10

II. Tổng quan về tập mờ trực cảm

1. Tập rõ

Định nghĩa 2 [6]: Cho tập nền X và x là phần tử của tập X . Một tập C trên tập X

là một tập hợp rõ, với x là phần tử của tập hợp C , chỉ có thể có Cx hoặc Cx . Có

thể sử dụng hàm x để mô tả khái niệm thuộc về. Hàm x đƣợc gọi là hàm thuộc

hay hàm đặc trƣng của tập hợp C .

C xif 0

C xif 1x

(1)

Ví dụ 2: 4321 ,,, XXXXX

0)(;1)(;1)(;1)( 4321 xxxx

Biểu diễn tập rõ theo đồ thị

Hình 1. Tập rõ và biểu diễn tập rõ

2. Tập mờ

Lý thuyết mờ đƣợc biết đến lần đầu tiên trong nghiên cứu về tập mờ của Lotfi

A. Zadeh, Dieter Klaua (1965) và nhanh chóng đƣợc ứng dụng rộng rãi trong hầu hết

các lĩnh vực khoa học kỹ thuật nhƣ kinh tế, nông nghiệp, dịch vụ, y tế, v.v.

Trong thực tế khi định nghĩa một tập các số lớn hơn 100 và ký hiệu là A , ta

định nghĩa nhƣ sau

100| xxA

Khi đó rất dễ xác định đƣợc các phần tử chắc chắn thuộc và không thuộc khái

niệm A . Tuy nhiên, nếu đƣa ra khái niệm về tập nhà giàu (với những ngƣời có thu

nhập hơn hay bằng 10 triệu một tháng) và ký hiệu là B

10000000| tntnB

Khi đó ta bảo một ngƣời có thu nhập là 10 triệu/tháng là thuộc nhà giàu, tuy

nhiên bằng trực giác bình thƣờng nó sẽ không hợp lý nếu gọi ngƣời có thu nhập

9999999/tháng không phải là nhà giàu.

Vì vậy, khái niệm tập mờ xuất hiện để giải quyết các tập không có ranh giới rõ

ràng hay những dữ liệu không chắc chắn.

Page 11: HỆ TƯ VẤN MỜ TRỰC CẢM VÀ ỨNG DỤNG TRONG CHẨN …repository.vnu.edu.vn/bitstream/VNU_123/8617/1/00050006992.pdfVí dụ 1: Xem xét tập dữ liệu của Samuel

11

2.1. Định nghĩa tập mờ

Xét tập X khác rỗng. Ta sẽ gọi X là không gian nền.

Định nghĩa 3 [54]: A là tập mờ trên không gian nền X nếu A đƣợc xác định bởi

hàm

1,0: XA (2)

A là hàm thuộc (membership function) còn xA là độ thuộc của x vào tập mờ A

Ví dụ 3:

Hình 2. Ví dụ tập mờ

Ví dụ 4: 1A một vài quả cam

Ví dụ 5: 2A “số thực gần 10” có hàm thuộc 2101

1

xxA

Ta sẽ ký hiệu AxF tập mờ trên X

2.2. Các phép toán đại số trên tập mờ

Các phép toán trên tập mờ đƣợc định nghĩa thông qua các hàm thuộc của chúng

và đƣợc xây dựng tƣơng tự nhƣ các phép toán trong tập mờ kinh điển.

a) Phép hợp

Cho BA, là hai tập mờ trên khôn gian nền X , có hàm thuộc BA , khi đó phép

hợp BA là tập mờ trên X với hàm thuộc cho bởi

Xxxxx BABA ,,max (3)

b) Phép giao

Cho BA, là hai tập mờ trên khôn gian nền X , có hàm thuộc BA , khi đó phép

hợp BA là tập mờ trên X với hàm thuộc cho bởi

Xxxxx BABA ,,min (4)

c) Phép lấy phần bù

Cho A là một tập mờ trên khôn gian nền X , có hàm thuộc BA , khi đó phần

bù CA là tập mờ trên X với hàm thuộc cho bởi

Page 12: HỆ TƯ VẤN MỜ TRỰC CẢM VÀ ỨNG DỤNG TRONG CHẨN …repository.vnu.edu.vn/bitstream/VNU_123/8617/1/00050006992.pdfVí dụ 1: Xem xét tập dữ liệu của Samuel

12

Xxxx AAC ,1 (5)

d) Phép chứa và phép bằng nhau

Cho xFBA , . Ta nói

BA nếu xx BA với mọi Xx

BA nếu xx BA với mọi Xx

(6)

Do đó

BA nếu xx BA với mọi Xx (7)

2.3. Một số tính chất

Cho xFCBA ,, .

a) Giao hoán

ABBA ; ABBA (8)

b) Kết hợp

CBACBA ; CBACBA (9)

c) Lũy đẳng

AAA ; AAA (10)

d) Phân phối

CABACBA ; CABACBA (11)

e) Đồng nhất

A Ø A và AXA (12)

f) Hấp thu

ABAA và ABAA (13)

g) Luật De Morgan

CCCBABA và CCC

BABA (14)

h) Cuộn

AACC (15)

i) Dạng tương đương

BABABABA CCCC (16)

3. Tập mờ trực cảm

Lý thuyết tập mờ thông thƣờng (tập mờ loại một) gặp phải vấn đề đó là để phát

triển một hệ logic mờ phải xây dựng hàm thuộc cho các tập mờ sử dụng trong hệ, hay

Page 13: HỆ TƯ VẤN MỜ TRỰC CẢM VÀ ỨNG DỤNG TRONG CHẨN …repository.vnu.edu.vn/bitstream/VNU_123/8617/1/00050006992.pdfVí dụ 1: Xem xét tập dữ liệu của Samuel

13

TÀI LIỆU THAM KHẢO

[1] Agarwal, M., Hanmandlu, M., Biswas, K. K. (2011). Generalized intuitionistic

fuzzy soft set and its application in practical medical diagnosis problem.

Proceeding of IEEE International Conference on Fuzzy Systems (FUZZ 2011),

2972-2978.

[2] Ahn, J. Y., Han, K. S., Oh, S. Y., Lee, C. D. (2011). An application of interval-

valued intuitionistic fuzzy sets for medical diagnosis of headache. International

Journal of Innovative Computing, Information and Control, 7(5), 2755 – 2762.

[3] Albeanu, G., Popentiu-Vladicescu, F.L. (2010). Intuitionistic fuzzy methods in

software reliability modelling. Journal of Sustainable Energy, 1(1), 30 - 34.

[4] Atanassov, K. T. (1986). Intuitionistic fuzzy sets. Fuzzy sets and Systems, 20(1),

87-96.

[5] Bernegger, G., Musalek, M., Rehmann-Sutter, C. (2012). An alternative view on

the task of prognosis. Critical reviews in oncology/hematology, 84, S17-S24.

[6] Cantor, Georg (1874), “Ueber eine Eigenschaft des Inbegriffes aller reellen

algebraischen Zahlen”, Journal für die reine und angewandte Mathematik 77:

258–262

[7] Connors, A.F., et al. (1996). The effectiveness of right heart catheterization in the

initial care of critically III patients. Jama, 276(11), 889-897.

[8] Cuong, B. C., Son, L. H., Chau, H. T. M. (2010). Some context fuzzy clustering

methods for classification problems. Proceedings of the 2010 ACM Symposium

on Information and Communication Technology (pp. 34-40).

[9] Davis, D. A., Chawla, N. V., Blumm, N., Christakis, N., Barabási, A. L. (2008).

Predicting individual disease risk based on medical history. Proceedings of the

17th ACM conference on Information and knowledge management, 769-778.

[10] De, S. K., Biswas, R., Roy, A. R. (2001). An application of intuitionistic fuzzy

sets in medical diagnosis. Fuzzy Sets and Systems, 117(2), 209-213.

[11] Duan, L., Street, W. N., Xu, E. (2011). Healthcare information systems: data

mining methods in the creation of a clinical recommender system. Enterprise

Information Systems, 5(2), 169-181.

[12] Feng, F., Li, C., Davvaz, B., Ali, M. I. (2010). Soft sets combined with fuzzy sets

and rough sets: a tentative approach. Soft Computing, 14(9), 899-911.

Page 14: HỆ TƯ VẤN MỜ TRỰC CẢM VÀ ỨNG DỤNG TRONG CHẨN …repository.vnu.edu.vn/bitstream/VNU_123/8617/1/00050006992.pdfVí dụ 1: Xem xét tập dữ liệu của Samuel

14

[13] Feng, F., Liu, X., Leoreanu-Fotea, V., Jun, Y. B. (2011). Soft sets and soft rough

sets. Information Sciences, 181(6), 1125-1137.

[14] Hassan, S., Syed, Z. (2010). From netflix to heart attacks: collaborative filtering

in medical datasets. Proceedings of the 1st ACM International Health Informatics

Symposium, 128-134.

[15] Hosseini, R., Ellis, T., Mazinani, M., Dehmeshki, J. (2011). A genetic fuzzy

approach for rule extraction for rule-based classification with application to

medical diagnosis. Proceeding of European Conference on Machine Learning

and Principles and Practice of Knowledge Discovery in Databases (ECML

PKDD), 5-9.

[16] Hung, W. L., Yang, M. S. (2008). On similarity measures between intuitionistic

fuzzy sets. International Journal of Intelligent Systems, 23(3), 364-383.

[17] Irfan Ali, M. (2011). A note on soft sets, rough soft sets and fuzzy soft sets.

Applied Soft Computing, 11(4), 3329-3332.

[18] Jafarian, E., Rezvani, M. A. (2013). A valuation-based method for ranking the

intuitionistic fuzzy numbers. Journal of Intelligent and Fuzzy Systems, 24(1),

133-144.

[19] Kala, R., Janghel, R. R., Tiwari, R., Shukla, A. (2011). Diagnosis of breast cancer

by modular evolutionary neural networks. International Journal of Biomedical

Engineering and Technology, 7(2), 194-211.

[20] Khatibi, V., Montazer, G. A. (2009). Intuitionistic fuzzy set vs. fuzzy set

application in medical pattern recognition. Artificial Intelligence in Medicine,

47(1), 43-52.

[21] Kononenko, I. (2001). Machine learning for medical diagnosis: history, state of

the art and perspective. Artificial Intelligence in medicine, 23(1), 89-109.

[22] Littlestone, N., & Warmuth, M. K. (1994). The weighted majority

algorithm.Information and computation, 108(2), 212-261.

[23] Meenakshi, A. R., Kaliraja, M. (2011). An application of interval valued fuzzy

matrices in medical diagnosis. Int. J. Math. Anal, 5(36), 1791-1802.

[24] Meisamshabanpoor, Mahdavi, M. (2012). Implementation of a Recommender

System on Medical Recognition and Treatment. International Journal of e-

Education, e-Business, e-Management and e-Learning, 2(4), 315 – 318.

Page 15: HỆ TƯ VẤN MỜ TRỰC CẢM VÀ ỨNG DỤNG TRONG CHẨN …repository.vnu.edu.vn/bitstream/VNU_123/8617/1/00050006992.pdfVí dụ 1: Xem xét tập dữ liệu của Samuel

15

[25] Meng, D., Zhang, X., Qin, K. (2011). Soft rough fuzzy sets and soft fuzzy rough

sets. Computers & Mathematics with Applications, 62(12), 4635-4645.

[26] Moein, S., Monadjemi, S. A., Moallem, P. (2009). A Novel Fuzzy-Neural Based

Medical Diagnosis System. International Journal of Biological and Medical

Sciences, 4(3), 146 – 150.

[27] Neog, T. J., Sut, D. K. (2011). An Application of Fuzzy Soft Sets in Medical

Diagnosis using Fuzzy Soft Complement. International Journal of Computer

Applications, 33, 30 – 33.

[28] Own, C. M. (2009). Switching between type-2 fuzzy sets and intuitionistic fuzzy

sets: an application in medical diagnosis. Applied Intelligence, 31(3), 283-291.

[29] Parthiban, L., Subramanian, R. (2008). Intelligent heart disease prediction system

using CANFIS and genetic algorithm. International Journal of Biological,

Biomedical and Medical Sciences, 3(3), 157 - 160.

[30] Pawlak, Z. (2002). Rough sets and intelligent data analysis. Information

sciences, 147(1), 1-12.

[31] Ricci, F., Rokach, L., Shapira, B. (2011). Introduction to recommender systems

handbook (pp. 1-35). Springer US.

[32] Rocchio, J. J. (1971). Relevance feedback in information retrieval.

[33] Rodriguez, R. M., Martinez, L., Herrera, F. (2012). Hesitant fuzzy linguistic term

sets for decision making. IEEE Transactions on Fuzzy Systems, 20(1), 109-119.

[34] Salton, G. (1989). Automatic text processing: The transformation, analysis, and

retrieval of. Reading: Addison-Wesley.

[35] Samuel, A. E., Balamurugan, M. (2012). Fuzzy max-min composition technique

in medical diagnosis. Applied Mathematical Sciences, 6(35), 1741-1746.

[36] Sanchez, E. (1976). Resolution of composition fuzzy relation equations.

Information Control, 30, 38-48.

[37] Shinoj, T. K., John, S. J. (2012). Intuitionistic Fuzzy Multi sets and its

Application in Medical Diagnosis. World Academy of Science, Engineering and

Technology, 6, 1418-1421.

[38] Son, L.H. (2014a). Enhancing Clustering Quality of Geo-Demographic Analysis

Using Context Fuzzy Clustering Type-2 and Particle Swarm Optimization.

Applied Soft Computing, 22, 566 – 584.

Page 16: HỆ TƯ VẤN MỜ TRỰC CẢM VÀ ỨNG DỤNG TRONG CHẨN …repository.vnu.edu.vn/bitstream/VNU_123/8617/1/00050006992.pdfVí dụ 1: Xem xét tập dữ liệu của Samuel

16

[39] Son, L.H. (2014b). HU-FCF: A Hybrid User-Based Fuzzy Collaborative Filtering

Method in Recommender Systems. Expert Systems With Applications, 41(15),

6861 – 6870.

[40] Son, L.H. (2014c). Optimizing Municipal Solid Waste Collection Using Chaotic

Particle Swarm Optimization in GIS Based Environments: A Case Study at

Danang City, Vietnam. Expert Systems With Applications, 41 (18), 8062–8074.

[41] Son, L.H. (2015). DPFCM: A Novel Distributed Picture Fuzzy Clustering Method

on Picture Fuzzy Sets. Expert Systems With Applications, 42 (1), 51-66.

[42] Son, L.H., Cuong, B.C., Lanzi, P.L., Thong, N.T. (2012). A novel intuitionistic

fuzzy clustering method for geo-demographic analysis. Expert Systems with

Applications, 39(10), 9848-9859.

[43] Son, L.H., Cuong, B.C., Long, H.V. (2013). Spatial interaction–modification

model and applications to geo-demographic analysis. Knowledge-Based

Systems, 49, 152-170.

[44] Son, L.H., Lanzi, P.L., Cuong, B.C., Hung, H.A. (2012). Data Mining in GIS: A

Novel Context-Based Fuzzy Geographically Weighted Clustering Algorithm.

International Journal of Machine Learning and Computing, 2(3), 235 – 238.

[45] Son, L.H., Linh, N.D., Long, H.V. (2014). A lossless DEM compression for fast

retrieval method using fuzzy clustering and MANFIS neural network.

Engineering Applications of Artificial Intelligence, 29, 33–42.

[46] Son, L. H., & Thong, N. T. (2015). Intuitionistic fuzzy recommender systems: An

effective tool for medical diagnosis. Knowledge-Based Systems, 74, 133-150.

[47] Szmidt, E., Kacprzyk, J. (2001). Intuitionistic fuzzy sets in some medical

applications. Proceeding of Computational Intelligence. Theory and

Applications, 148-151.

[48] Szmidt, E., Kacprzyk, J. (2003). An intuitionistic fuzzy set based approach to

intelligent data analysis: an application to medical diagnosis. Proceeding

of Recent advances in intelligent paradigms and applications, 57-70.

[49] Szmidt, E., Kacprzyk, J. (2004). A similarity measure for intuitionistic fuzzy sets

and its application in supporting medical diagnostic reasoning. Proceeding of

Artificial Intelligence and Soft Computing (ICAISC 2004), 388-393.

Page 17: HỆ TƯ VẤN MỜ TRỰC CẢM VÀ ỨNG DỤNG TRONG CHẨN …repository.vnu.edu.vn/bitstream/VNU_123/8617/1/00050006992.pdfVí dụ 1: Xem xét tập dữ liệu của Samuel

17

[50] Tan, K. C., Yu, Q., Heng, C. M., Lee, T. H. (2003). Evolutionary computing for

knowledge discovery in medical diagnosis. Artificial Intelligence in Medicine,

27(2), 129-154.

[51] University of California (2007). UCI Repository of Machine Learning Databases.

URL: http://archive.ics.uci.edu/ml/

[52] Xiao, Z., Yang, X., Niu, Q., Dong, Y., Gong, K., Xia, S., Pang, Y. (2012). A new

evaluation method based on D–S generalized fuzzy soft sets and its application in

medical diagnosis problem. Applied Mathematical Modelling, 36(10), 4592-4604.

[53] Yao, Y. (2010). Three-way decisions with probabilistic rough sets. Information

Sciences, 180(3), 341-353.

[54] Zadeh, L. A. (1965). Fuzzy sets. Information and Control, 8, 338-353.

[55] Zhang, X., Zhou, B., Li, P. (2012). A general frame for intuitionistic fuzzy rough

sets. Information Sciences, 216, 34-49.