Dự đoán biến đổi ảnh viễn thám dựa trên suy diễn mờ
Một trong những hướng nghiên cứu rất phổ biến ở lớp bài toán này có
thể kể đến việc sử dụng các hệ suy diễn như Mamdani. Hệ suy diễn này là một
trong những hệ suy diễn cổ điển nhất, với hệ cơ sở luật dễ hiểu, chấp nhận nhiều
loại đầu vào khác nhau, và đã chứng minh hiệu quả qua nhiều ứng dụng cũng
như nghiên cứu khác nhau. Hàng loạt các nghiên cứu khác nhau [27–33] với kết
quả rất tốt ở nhiều lĩnh vực khác nhau như đánh giá rủi ro của môi trường sống
động vật, phát hiện sớm các bệnh như ung thư vú, mức độ nghiêm trọng của
bệnh Thalassemia, đánh giá hiệu suất nhân lực, xử lý ảnh, dự đoán lỗi phần
mềm, v.v Ngoài những ưu điểm nổi bật như kể trên, hệ suy diễn Mamdani cũng
có những hạn chế như chưa có cơ chế học, cập nhật các tham số.
Một hướng nghiên cứu khác thường được sử dụng để giải quyết vấn đề
này đó là sử dụng hệ suy diễn mờ nơ ron thích nghi (ANFIS). Hệ ANFIS là sự
kết hợp giữa ANN và hệ suy diễn mờ thông thường bằng cơ chế học của ANN
thông qua các luật IF-THEN với các hàm mờ hoá xác định, điều này giúp khắc
phục được hạn chế của cả hai nhóm phương pháp, không chỉ vậy ANFIS còn có
khả năng học được những dữ liệu gây nhiễu từ tập hợp các luật IF-THEN này.
Một ưu điểm khác có thể kể đến đó là khả năng tự học và ghi nhớ của mạng
nơ ron, điều này có ý nghĩa vô cùng quan trọng đặc biệt khi giúp mô hình huấn
luyện trở nên ổn định hơn. Đối với hướng này đã có rất nhiều đề xuất với nhiều
12
ứng dụng khác nhau [34–38] như hệ thống đánh giá giám sát hiệu suất cho thiết
bị trao đổi nhiệt dạng ống, đánh giá mức độ lưu lượng giao thông, lập bản đồ,
khử nhiễu ảnh, giấu thông tin trong ảnh v.v Sau này, nhằm tận dụng các ưu
điểm của hệ suy diễn mờ, cũng như khắc phục một số hạn chế của các phương
pháp trước đó, hệ suy diễn mờ phức đã được ra đời. Đối với các hệ suy diễn mờ
thông thường trong lớp bài toán dự đoán biến đổi ảnh viễn thám, các hệ mờ
thường thường biểu diễn không đầy đủ các ý nghĩa của đầu vào như ma trận
biến đổi cho các bài toán dự đoán biến đổi, việc sử dụng dữ liệu hệ suy diễn kết
hợp với giá trị phần phức bổ sung thêm cho mô hình mờ các thông tin giúp xác
định rõ hơn các đặc trưng của ảnh, yếu tố phức này đã chứng minh được hiệu
quả trong rất nhiều nghiên cứu khác nhau [39–43].