Luận án Mô hình dự báo chuỗi thời gian ngôn ngữ dựa trên đại số gia tử

Nội dung text: Luận án Mô hình dự báo chuỗi thời gian ngôn ngữ dựa trên đại số gia tử

1. 98 Quan sát giá trị sai số dự báo MSE và MAPE của mô hình dự báo HO-LTS so với mô hình dự báo của Singh trong Bảng 3.19, ta thấy rõ ràng phương pháp dự báo HO-LTS sử dụng ĐSGT cho độ chính xác cao hơn. Như vậy, mô hình dự báo HO-LTS đã cho kết quả dự báo về dữ liệu EUA và năng suất nông sản Lahi của Ấn Độ có độ chính xác khá tốt. Mô hình dự báo HO-LTS có nhiều tiềm năng có thể khai thác nếu kết hợp với các kỹ thuật tính toán tiên tiến khác như phân cụm, mạng nơ-ron hay các tính toán tối ưu KẾT LUẬN CHƯƠNG 3 Nhu cầu nghiên cứu mở rộng mô hình dự báo LTS-FM là thiết yếu để có thể nâng cao tính ứng dụng của mô hình vào các dữ liệu thực tế. Trong chương này, một số nghiên cứu mở rộng cho mô hình đã được đề xuất: - Đề xuất mô hình dự báo WLTS-FM có tính tới trọng số của các quan hệ lô-gic ngôn ngữ. - Đề xuất việc mở rộng không gian ngôn ngữ cho mô hình dự báo. Việc mở rộng không gian ngôn ngữ đã được bàn luận trong [CT7]. - Đề xuất việc tối ưu mô hình dự báo. Việc tối ưu mô hình có thể là tối ưu đơn (chỉ tối ưu tham số mờ của cấu trúc ĐSGT) hoặc tối ưu kép (tối ưu tham số mờ và tối ưu việc lựa chọn các từ ngôn ngữ trong mô hình). Việc kết hợp mô hình dự báo LTS-FM và giải thuật PSO cũng đã được thực nghiệm và bàn luận trong [CT8]. - Đề xuất mô hình dự báo bậc cao HO-LTS. Trong mô hình bậc cao, không phải lúc nào mô hình bậc cao hơn cũng cho kết quả tốt hơn, cần linh hoạt lựa chọn bậc của mô hình đối với từng bài toán cụ thể. Kết quả nghiên cứu này đã được công bố trong [CT6]. Chương 3 mới chỉ đề xuất một số kết quả ban đầu nhằm mở rộng nghiên cứu mô hình dự báo LTS-FM. Có rất nhiều hướng khác nhau để cải tiến mô hình nhằm nâng cao độ chính xác dự báo và cải thiện hiệu năng của mô hình. Các cải tiến nên tiếp tục được nghiên cứu như mô hình đa nhân tố, phát triển các mô hình lai với các kỹ thuật tính toán tiến hóa, mạng nơ-ron nhân tạo, phân cụm hay các mô hình máy học. Thêm vào đó, việc ứng dụng các kết quả nghiên cứu mới nhất về
2. 100 KẾT LUẬN CỦA LUẬN ÁN Luận án đã tiến hành nghiên cứu áp dụng phương pháp tính toán của ĐSGT vào bài toán dự báo chuỗi thời gian. Các kết quả chính của luận án bao gồm: - Đề xuất khái niệm về chuỗi thời gian ngôn ngữ LTS (Linguistic Time Series), quan hệ lô-gic ngôn ngữ LLR (Linguistic Logical Relationship) và nhóm quan hệ lô-gic ngôn ngữ LLRG (Linguistic Logical Relationship Group). - Đề xuất mô hình dự báo chuỗi thời gian ngôn ngữ LTS-FM, tiến hành thực nghiệm để đánh giá kết quả dự báo của mô hình. - Đề xuất một số nghiên cứu mở rộng mô hình dự báo chuỗi thời gian ngôn ngữ như mô hình dự báo có trọng số WLTS-FM; khả năng mở rộng không gian ngôn ngữ; tối ưu mô hình với hai mô hình dự báo LTSPSO và LTSPSCO; mô hình dự báo bậc cao HO-LTS. Luận án cũng đã tiến hành thực nghiệm, so sánh, đánh giá kết quả dự báo của các mô hình được đề xuất với một số mô hình dự báo khác. Qua so sánh, bước đầu ta thấy kết quả dự báo của các mô hình đề xuất tốt hơn so với các mô hình đối sánh. Bên cạnh đó, việc sử dụng mô hình dự báo chuỗi thời gian ngôn ngữ có một số ưu điểm sau đây: - Mô hình có thể trực tiếp tính toán kết quả dự báo dựa trên ngữ nghĩa của các từ ngôn ngữ trong mô hình thay vì việc phải tính toán trên khoảng của phương pháp dự báo chuỗi thời gian mờ. Việc tính toán trực tiếp sẽ làm mô hình tính toán trở nên đơn giản và linh hoạt hơn. - Những luật ngôn ngữ (quan hệ lô-gic ngôn ngữ) trong các thực nghiệm dễ hiểu hơn cho người đọc do chúng minh họa cách suy luận của con người. Những luật này cũng dễ dàng được biểu diễn trong các ngôn ngữ lập trình và thuận tiện cho việc tính toán. Tuy vậy, để kết quả dự báo đạt được độ chính xác cao hơn cũng như nâng cao hiệu năng của việc tính toán dự báo, mô hình cũng cần được tiếp tục nghiên cứu cải tiến với một số hướng chính như sau:
3. 102 DANH MỤC CÔNG TRÌNH KHOA HỌC CỦA TÁC GIẢ LIÊN QUAN ĐẾN LUẬN ÁN [CT1] Nguyễn Duy Hiếu, Vũ Như Lân, Nguyễn Cát Hồ, “Dự báo chuỗi thời gian mờ dựa trên ngữ nghĩa”, Kỷ yếu Hội nghị Quốc gia lần thứ 8 về Nghiên cứu cơ bản và ứng dụng Công nghệ thông tin (FAIR), pp. 232–243, Hà Nội, 2015, doi:10.15625/vap.2015.000156. [CT2] Nguyễn Duy Hiếu, Nghiêm Văn Tính, Vũ Như Lân, “Một phương pháp mới dự báo chuỗi thời gian mờ dựa trên ngữ nghĩa ngôn ngữ”, Kỷ yếu Hội nghị Quốc gia lần thứ 9 về Nghiên cứu cơ bản và ứng dụng Công nghệ thông tin (FAIR), pp. 435–443, Cần Thơ, 2016, doi: 10.15625/vap.2016.00053. [CT3] Nguyễn Duy Hiếu, “Tối ưu tham số trong bài toán dự báo chuỗi thời gian mờ sử dụng đại số gia tử”, Tạp chí Khoa học Trường Đại học Tây Bắc, pp. 108– 119, vol.12, 2018. [CT4] Nguyen Duy Hieu, Nguyen Cat Ho, Vu Nhu Lan, “An efficient fuzzy time series forecasting model based on quantifying semantics of words”, in The 14th IEEE-RIVF International Conference on Computing and Communication Technologies, Ho Chi Minh, 2020, doi: 10.1109/RIVF48685.2020.9140755. [CT5] Nguyen Duy Hieu, Nguyen Cat Ho, Vu Nhu Lan, “Enrollment Forecasting Based on Linguistic Time Series”, Journal of Computer Science and Cybernetics, vol. 36, no. 2, pp. 119–137, 2020, doi: 10.15625/1813- 9663/36/2/14396. [CT6] Nguyen Duy Hieu, Pham Dinh Phong, “A Novel High-order Linguistic Time Series Forecasting Model with the Growth of Declared Word-set”, International Journal of Advanced Computer Science and Applications, vol.12, no.6, pp. 63- 71, 2021 (ESCI, Scopus), doi: 10.14569/IJACSA.2021.0120609. [CT7] Nguyen Duy Hieu, Nguyen Cat Ho, Pham Dinh Phong, Vu Nhu Lan, Pham Hoang Hiep, “Scalable human knowledge about numeric time series variation and its role in improving forecasting results”, Journal of Computer Science and Cybernetics, vol. 38, no. 2, pp. 103–130, 2022, doi: 10.15625/1813- 9663/38/2/16125. [CT8] Pham Dinh Phong, Nguyen Duy Hieu, Mai Van Linh, “A Hybrid Linguistic Time Series Forecasting Model combined with Particle Swarm Optimization”, in Proc. of the International Conference on Electrical, Computer and Energy Technologies (ICECET 2022), Prague, 2022.
4. 104 improved method for forecasting enrollments based on fuzzy time series and particle swarm optimization,” Expert Syst. Appl., vol. 36, no. 3 PART 2, pp. 6108–6117, 2009, doi: 10.1016/j.eswa.2008.07.043. [13] S. T. Li, S. C. Kuo, Y. C. Cheng, and C. C. Chen, “Deterministic vector long-term forecasting for fuzzy time series,” Fuzzy Sets Syst., vol. 161, no. 13, pp. 1852–1870, 2010, doi: 10.1016/j.fss.2009.10.028. [14] W. Zhang, S. Zhang, S. Zhang, D. Yu, and N. N. Huang, “A multi-factor and high-order stock forecast model based on Type-2 FTS using cuckoo search and self-adaptive harmony search,” Neurocomputing, vol. 240, no. 71301142, pp. 13–24, 2017, doi: 10.1016/j.neucom.2017.02.054. [15] N. R. Ali and K. R. Ku-mahamud, “High-order rtv-fuzzy time series forecasting model based on trend variation,” J. Theor. Appl. Inf. Technol., vol. 96, no. 21, 2018. [16] C. A. Severiano, P. C. L. Silva, H. J. Sadaei, and F. G. Guimarães, “Very short-term solar forecasting using fuzzy time series,” IEEE Int. Conf. Fuzzy Syst., 2017, doi: 10.1109/FUZZ-IEEE.2017.8015732. [17] C. Kocak, E. Egrioglu, and E. Bas, “A new explainable robust high-order intuitionistic fuzzy time-series method,” Soft Comput., vol. 4, 2021, doi: 10.1007/s00500-021-06079-4. [18] S.-M. Chen and N.-Y. Chung, “Forecasting Enrollments Using High-Order Fuzzy Time Series and Genetic Algorithms,” Int. J. Intell. Syst., vol. 21, pp. 485–501, 2006. [19] R. Enayatifar, H. J. Sadaei, A. H. Abdullah, and A. Gani, “Imperialist competitive algorithm combined with refined high-order weighted fuzzy time series (RHWFTS-ICA) for short term load forecasting,” Energy Convers. Manag., vol. 76, pp. 1104–1116, 2013, doi: 10.1016/j.enconman.2013.08.039. [20] E. Bas, C. Grosan, E. Egrioglu, and U. Yolcu, “High order fuzzy time series method based on pi-sigma neural network,” Eng. Appl. Artif. Intell., vol. 72, pp. 350–356, Jun. 2018, doi: 10.1016/j.engappai.2018.04.017.
5. 106 [30] P. Singh and B. Borah, “Forecasting stock index price based on M-factors fuzzy time series and particle swarm optimization,” Int. J. Approx. Reason., vol. 55, no. 3, pp. 812–833, 2014, doi: 10.1016/j.ijar.2013.09.014. [31] H.-H. Chu, T.-L. Chen, C.-H. Cheng, and C.-C. Huang, “Fuzzy dual-factor time-series for stock index forecasting,” Expert Syst. Appl., vol. 36, p. 7, 2009. [32] A. Singh, S. S. Gautam, and S. R. Singh, “A New Type 2 Fuzzy Time Series Forecasting Model Based on Three-Factors Fuzzy Logical Relationships,” Int. J. Uncertainty, Fuzziness Knowledge-Based Syst., 2019, doi: 10.1142/s0218488519500120. [33] J. Il Park, D. J. Lee, C. K. Song, and M. G. Chun, “TAIFEX and KOSPI 200 forecasting based on two-factors high-order fuzzy time series and particle swarm optimization,” Expert Syst. Appl., vol. 37, no. 2, pp. 959–967, 2010, doi: 10.1016/j.eswa.2009.05.081. [34] S. M. Chen and S. W. Chen, “Fuzzy forecasting based on two-factors second-order fuzzy-trend logical relationship groups and the probabilities of trends of fuzzy logical relationships,” IEEE Trans. Cybern., vol. 45, no. 3, pp. 405–417, 2015, doi: 10.1109/TCYB.2014.2326888. [35] A. M. S. M. Yusuf A. A. Hamisu, “A novel two – factor high order fuzzy time series with applications to temperature and futures exchange forecasting,” Niger. J. Technol., vol. 36, no. 4, p. 11, 2017. [36] N. Y. Wang and S. M. Chen, “Temperature prediction and TAIFEX forecasting based on automatic clustering techniques and two-factors high- order fuzzy time series,” Expert Syst. Appl., vol. 36, no. 2 PART 1, pp. 2143–2154, 2009, doi: 10.1016/j.eswa.2007.12.013. [37] H. K. Yu, “Weighted fuzzy time series models for TAIEX forecasting,” Phys. A Stat. Mech. its Appl., vol. 349, no. 3–4, pp. 609–624, 2005, doi: 10.1016/j.physa.2004.11.006. [38] R. Efendi, Z. Ismail, and M. M. Deris, “A new linguistic out-sample approach of fuzzy time series for daily forecasting of Malaysian electricity
6. 108 no. May, 2021, doi: 10.1007/s41066-021-00265-3. [49] S. M. Chen, X. Y. Zou, and G. C. Gunawan, “Fuzzy time series forecasting based on proportions of intervals and particle swarm optimization techniques,” Inf. Sci. (Ny)., vol. 500, pp. 127–139, 2019, doi: 10.1016/j.ins.2019.05.047. [50] E. Egrioglu, C. H. Aladag, U. Yolcu, and A. Z. Dalar, “A Hybrid High Order Fuzzy Time Series Forecasting Approach Based on PSO and ANNs Methods,” Am. J. Intell. Syst., vol. 6, no. 1, p. 8, 2016. [51] O. Cagcag Yolcu and F. Alpaslan, “Prediction of TAIEX based on hybrid fuzzy time series model with single optimization process,” Appl. Soft Comput., vol. 66, pp. 18–33, 2018, doi: 10.1016/j.asoc.2018.02.007. [52] I.-H. Kuo et al., “Forecasting TAIFEX based on fuzzy time series and particle swarm optimization,” Expert Syst. Appl., vol. 37, p. 9, 2010. [53] Y.-L. Huang et al., “A hybrid forecasting model for enrollments based on aggregated fuzzy time series and particle swarm optimization,” Expert Syst. Appl., vol. 38, p. 10, 2011. [54] S. M. T. F. G. M.Mahnam, “A Particle Swarm Optimization Algorithm for Forecasting Based on Time Variant fuzzy Time Series,” Int. J. Ind. Eng. Prod. Res., vol. 23, no. 4, p. 9, 2012. [55] S. M. Chen and Y. C. Chang, “Multi-variable fuzzy forecasting based on fuzzy clustering and fuzzy rule interpolation techniques,” Inf. Sci. (Ny)., vol. 180, no. 24, pp. 4772–4783, 2010, doi: 10.1016/j.ins.2010.08.026. [56] C.-H. Cheng, J.-W. Wang, and G.-W. Cheng, “Multi-attribute fuzzy time series method based on fuzzy clustering,” Expert Syst. Appl., vol. 34, p. 8, 2008. [57] W. Wang and X. Liu, “Fuzzy forecasting based on automatic clustering and axiomatic fuzzy set classification,” Inf. Sci. (Ny)., vol. 294, no. 2, pp. 78– 94, 2015, doi: 10.1016/j.ins.2014.09.027. [58] Y. C. Chang and S. M. Chen, “Temperature prediction based on fuzzy clustering and fuzzy rules interpolation techniques,” Conf. Proc. - IEEE Int.
7. 110 2009, doi: 10.1016/j.eswa.2009.02.057. [67] M. Khashei, S. Reza Hejazi, M. Bijari, R. Hejazi, and M. Bijari, “A new hybrid artificial neural networks and fuzzy regression model for time series forecasting,” Fuzzy Sets Syst., vol. 159, no. 7, pp. 769–786, 2007, doi: 10.1016/j.fss.2007.10.011. [68] C. H. Aladag, U. Yolcu, and E. Egrioglu, “A high order fuzzy time series forecasting model based on adaptive expectation and artificial neural networks,” Math. Comput. Simul., vol. 81, no. 4, pp. 875–882, 2010, doi: 10.1016/j.matcom.2010.09.011. [69] C. Kocak, A. Zafer, D. Ozge, C. Yolcu, E. Bas, and E. Egrioglu, “A new fuzzy time series method based on an ARMA-type recurrent Pi-Sigma artificial neural network,” Soft Comput., vol. 1, no. 2011, 2019, doi: 10.1007/s00500-019-04506-1. [70] M. Y. Chen, “A high-order fuzzy time series forecasting model for internet stock trading,” Futur. Gener. Comput. Syst., vol. 37, pp. 461–467, 2014, doi: 10.1016/j.future.2013.09.025. [71] B. Sarıca, E. Eğrioğlu, and B. Aşıkgil, “A new hybrid method for time series forecasting: AR–ANFIS,” Neural Comput. Appl., vol. 29, no. 3, pp. 749– 760, 2018, doi: 10.1007/s00521-016-2475-5. [72] E. Egrioglu, E. Bas, and U. Yolcu, “Intuitionistic high-order fuzzy time series forecasting method based on pi-sigma artificial neural networks trained by artificial bee colony,” Granul. Comput., 2018, doi: 10.1007/s41066-018-00143-5. [73] P. Singh and Y.-P. Huang, “A High-Order Neutrosophic-Neuro-Gradient Descent Algorithm-Based Expert System for Time Series Forecasting,” Int. J. Fuzzy Syst., 2019, doi: 10.1007/s40815-019-00690-2. [74] E. Egrioglu, E. Bas, U. Yolcu, and M. Yen, “Picture fuzzy time series : Defining , modeling and creating a new forecasting method,” Eng. Appl. Artif. Intell., vol. 88, p. 13, 2020, doi: 10.1016/j.engappai.2019.103367. [75] Y. Zhang, H. Qu, W. Wang, and J. Zhao, “A Novel Fuzzy Time Series
8. 112 10.1007/s41066-020-00220-8. [84] C. Luo, C. Tan, X. Wang, and Y. Zheng, “An evolving recurrent interval type-2 intuitionistic fuzzy neural network for online learning and time series prediction,” Appl. Soft Comput. J., vol. 78, pp. 150–163, 2019, doi: 10.1016/j.asoc.2019.02.032. [85] X. Fan, Y. Wang, and M. Zhang, “Network traffic forecasting model based on long-term intuitionistic fuzzy time series,” Inf. Sci. (Ny)., vol. 506, pp. 131–147, 2020, doi: 10.1016/j.ins.2019.08.023. [86] R. M. Pattanayak, H. S. Behera, and S. Panigrahi, “A Non-Probabilistic Neutrosophic Entropy-Based Method For High-Order Fuzzy Time-Series Forecasting,” Arab. J. Sci. Eng., no. July, 2021, doi: 10.1007/s13369-021- 05718-0. [87] Abhishekh and S. Kumar, “Handling higher order time series forecasting approach in intuitionistic fuzzy environment,” J. Control Decis., vol. 0, no. 0, pp. 1–18, 2019, doi: 10.1080/23307706.2019.1591310. [88] R. Mohan, H. S. Behera, and S. Panigrahi, “A novel probabilistic intuitionistic fuzzy set based model for high order fuzzy time series forecasting Engineering Applications of Artificial Intelligence A novel probabilistic intuitionistic fuzzy set based model for high order fuzzy time series forecas,” Eng. Appl. Artif. Intell., vol. 99, no. March, p. 104136, 2021, doi: 10.1016/j.engappai.2020.104136. [89] K. Bisht and S. Kumar, “Intuitionistic Fuzzy Set-Based Computational Method for Financial Time Series Forecasting,” Fuzzy Inf. Eng., vol. 10, no. 3, pp. 307–323, 2018, doi: 10.1080/16168658.2019.1631557. [90] O. Cagcag Yolcu, E. Bas, E. Egrioglu, and U. Yolcu, “A new intuitionistic fuzzy functions approach based on hesitation margin for time-series prediction,” Soft Comput., vol. 2, 2019, doi: 10.1007/s00500-019-04432-2. [91] E. Bas, U. Yolcu, and E. Egrioglu, “Picture Fuzzy Regression Functions Approach for Financial Time Series based on Ridge Regression and Genetic Algorithm,” J. Comput. Appl. Math., p. 112656, 2019, doi:
9. 114 doi: 10.1007/s40815-018-0589-x. [101] T. Vovan and T. Lethithu, “A Fuzzy Time Series Model Based on Improved Fuzzy Function and Cluster Analysis Problem,” Commun. Math. Stat., 2020, doi: 10.1007/s40304-019-00203-5. [102] D. Tran, N. Tran, G. Nguyen, and B. M. Nguyen, “A Proactive Cloud Scaling Model Based on Fuzzy Time Series and SLA Awareness,” Procedia Comput. Sci., vol. 108C, pp. 365–374, 2017. [103] H. Tung, N. D. Thuan, and V. M. Loc, “Method of forecasting time series based on hedge algebras based fuzzy time series,” in FAIR Conference, 2016, pp. 610–618, doi: 10.15625/vap.2016.00075. [104] V. M. Loc and V. H. Dung, “Hedge Algebra Approach for Fuzzy Time series To Improve Result Of Time Series Forecasting,” EAI Endorsed Trans., pp. 1–11, 2018. [105] M. L. Vu, T. Y. Pham, T. Nghia, and H. Pham, “Time Series Forecasting Using Fuzzy Time Series With Hedge Algebras Approach,” vol. 7, no. 12, pp. 125–133, 2017. [106] V. M. Loc and H. P. T. Nghia, “Context-aware approach to improve result of forecasting enrollment in fuzzy time series,” Int. J. Emerg. Technol. Eng. Res., vol. 5, no. 2, pp. 28–33, 2017. [107] N. D. Thuan and H. Tung, “Using Fuzzy Time Series Model Based on Hedge Algebras and Relationship Groups Following Time Points for Forecasting Time Series,” in Communications in Computer and Information Science, Nov. 2020, vol. 1306, pp. 401–410, doi: 10.1007/978-981-33- 4370-2_28. [108] N. C. Ho and W. Wechler, “Hedge Algebras: An algebraic approach to structure of sets of linguistic truth values,” Fuzzy Sets Syst., vol. 35, pp. 281– 293, 1990. [109] N. C. Ho and W. Wechler, “Extended hedge algebras and their application to fuzzy logic,” Fuzzy Sets Syst., vol. 52, pp. 259–281, 1992. [110] N. C. Ho, V. N. Lan, and L. X. Viet, “Optimal hedge-algebras-based
10. 116 10.1155/2019/3590527. [120] D. Vukadinovic, M. Basic, C. Ho Nguyen, T. Duy Nguyen, N. Lan Vu, and M. Bubalo, “Optimization of a Hedge-Algebra-Based Speed Controller in a Stand-Alone WECS,” Sep. 2020, doi: 10.23919/SPLITECH49282.2020.9243706. [121] D. Vukadinovic, M. Basic, C. H. Nguyen, T. Duy Nguyen, N. L. Vu, and I. Grgic, “Hedge-Algebra Speed Controller-Experimental Implementation in a Sensorless Stand-Alone WECS,” Nov. 2020, doi: 10.1109/INDEL50386.2020.9266203. [122] C. N. Huu, T. N. Kien, D. N. Tien, and H. L. T. Thu, “A research on parabolic trough solar collector system control based on hedge algebra,” in 11th International Conference on Control, Automation, Robotics and Vision, ICARCV 2010, 2010, no. December, pp. 715–720, doi: 10.1109/ICARCV.2010.5707904. [123] B. L. Hoang, D. N. Tien, F. Luo, and P. H. Nguyen, “Dissolved oxygen control of the activated sludge wastewater treatment process using Hedge Algebraic control,” in Proceedings - 2014 7th International Conference on BioMedical Engineering and Informatics, BMEI 2014, 2014, no. Bmei, pp. 827–832, doi: 10.1109/BMEI.2014.7002886. [124] N. T. Duy and V. N. Lan, “Interpolation Based on Semantic Distance Weighting in Hedge Algebra and Its Application,” J. Comput. Sci. Cybern., vol. 33, no. 1, pp. 19–33, 2017, doi: 10.15625/1813-9663/33/1/9834. [125] C. H. Nguyen, W. Pedrycz, T. L. Duong, and T. S. Tran, “A genetic design of linguistic terms for fuzzy rule based classifiers,” Int. J. Approx. Reason., vol. 54, no. 1, pp. 1–21, 2013. [126] C. H. Nguyen, T. S. Tran, and D. P. Pham, “Modeling of a semantics core of linguistic terms based on an extension of hedge algebra semantics and its application,” Knowledge-Based Syst., vol. 67, p. 19, 2014. [127] C. H. Nguyen, V. T. Hoang, and V. L. Nguyen, “A discussion on interpretability of linguistic rule based systems and its application to solve
11. 118 [136] H. Van Pham and P. Moore, “Robot coverage path planning under uncertainty using knowledge inference and hedge algebras,” Machines, vol. 6, no. 4, pp. 1–20, 2018, doi: 10.3390/MACHINES6040046. [137] H. Van Pham, F. Asadi, N. Abut, and I. Kandilli, “Hybrid spiral STC-hedge algebras model in knowledge reasonings for robot coverage path planning and its applications,” Appl. Sci., vol. 9, no. 9, pp. 1–16, 2019, doi: 10.3390/app9091909. [138] T. Nguyen Van, S. Y. Yi, and P. Bui Khoi, “Hedge algebras-based admittance controller for safe natural human–robot interaction,” Adv. Robot., vol. 34, no. 24, pp. 1546–1558, 2020, doi: 10.1080/01691864.2020.1852958. [139] N. T. Duy and V. D. Vuong, “Designing Hedge Algebraic Controller and Optimizing By Genetic Algorithm for Serial Robots Adhering Trajectories,” J. Comput. Sci. Cybern., vol. 36, no. 3, pp. 265–283, 2020, doi: 10.15625/1813-9663/36/3/14349. [140] L. A. Zadeh, “Fuzzy Sets,” Inf. Control, vol. 8, pp. 338–353, 1965, doi: 10.1016/S0019-9958(65)90241-X. [141] P. Singh, “Fuzzy Time Series Modeling Approaches: A Review,” in Applications of Soft Computing in Time Series Forecasting, Springer, 2016. [142] S. M. Chen and C. D. Chen, “Handling forecasting problems based on high- order fuzzy logical relationships,” Expert Syst. Appl., vol. 38, no. 4, pp. 3857–3864, 2011, doi: 10.1016/j.eswa.2010.09.046. [143] R. E. James Kennedy, “Particle Swarm Optimization,” Proc. IEEE Int. Conf. neural Netw., pp. 1942–1948, 1995. [144] N. C. Ho and H. V Nam, “An algebraic approach to linguistic hedges in Zadeh’s fuzzy logic,” Fuzzy Sets Syst., vol. 129, p. 26, 2002. [145] N. C. Ho, “A topological completion of refined hedge algebras and a model of fuzziness of linguistic terms and hedges,” Fuzzy Sets Syst., vol. 158, p. 16, 2007. [146] N. C. Ho and N. Van Long, “Fuzziness measure on complete hedge algebras