Thông tin Đề tài

Tên đề tài Nghiên cứu các phương pháp rút gọn đặc trưng theo tiếp cận mô hình tập thô mở rộng và ứng dụng vào bài toán phân lớp đối tượng trong ảnh viễn thám
Mã số đề tài VAST01.10/20-21
Cơ quan chủ trì (Cơ quan thực hiện) Viện Công nghệ Thông tin
Thuộc Danh mục đề tài Hướng Công nghệ thông tin, điện tử, tự động hóa và công nghệ vũ trụ (VAST01)
Họ và tên PGS.TS. Nguyễn Long Giang
Thời gian thực hiện 01/01/2020 - 31/12/2021
Tổng kinh phí 600 triệu đồng
Xếp loại Xuất sắc
Mục tiêu đề tài

- Đề xuất các phương pháp rút gọn thuộc tính trong hệ thông tin không đầy đủ dựa trên mô hình tập thô dung sai theo hướng tiếp cận lai ghép filter-wrapper nhằm tối thiểu hóa tập thuộc tính và nâng cao hiệu quả của mô hình phân lớp.
- Ứng dụng phương pháp đề xuất vào việc giải quyết bài toán rút gọn thuộc tính trong mô hình phân lớp ảnh viễn thám.

Kết quả chính của đề tài

Về khoa học:

- Đề xuất thuật toán filter-wrapper tìm tập rút gọn bảng quyết định không đầy đủ sử dụng khoảng cách

- Đề xuất các thuật toán gia tăng filter-wrapper tìm tập rút gọn bảng quyết định không đầy đủ thay đổi sử dụng khoảng cách trong các trường hợp: bổ sung, loại bỏ tập đối tượng; bổ sung, loại bỏ tập thuộc tính.

- Hỗ trợ đào tạo 01 NCS, đào tạo 01 ThS theo hướng nghiên cứu của đề tài.

- Công bố 03 bài báo khoa học liên quan đến nội dung nghiên cứu của đề tài. Trong đó: 02 bài báo quốc tế thuộc danh mục SCIE; 01 bài báo trên Kỷ yếu hội thảo quốc gia “Một số vấn đề chọn lọc trong CNTT&TT” năm 2020.

Về ứng dụng:

- Xây dựng chương trình thử nghiệm phân lớp ảnh viễn thám (thành 02 lớp: 1 - có tàu thuyền; 0 - không có tàu thuyền) sử dụng các thuật toán rút gọn thuộc tính đề xuất.

- Thử nghiệm, đánh giá kết quả chạy chương trình phân lớp ảnh viễn thám trên các bộ số liệu mẫu ảnh viễn thám từ vệ tinh VNREDsat-1 và các ảnh viễn thám khác.

Sản phẩm cụ thể giao nộp:

- Các bài báo đã công bố (liệt kê): 02 bài báo được đăng trong tạp chí SCIE, 01 bài báo trên Kỷ yếu hội thảo quốc gia.
1.    Nguyen Truong Thang, Nguyen Long Giang, Hoang Viet Long, Nguyen Anh Tuan, Tran Manh Tuan, Ngo Duy Tan, “Efficient Algorithms for Dynamic Incomplete Decision Systems”, International Journal of Data Warehousing and Mining, Volume 17, Issue 3, pp. 44-67 (SCIE), 2021.
2.    Nguyen Long Giang, Le Hoang Son, Nguyen Anh Tuan, Tran Thi Ngan, Nguyen Nhu Son, Nguyen Truong Thang (2021), “Filter-Wrapper Incremental Algorithms for Finding Reduct in Incomplete Decision Systems when Adding and Deleting an Attribute Set”, International Journal of Data Warehousing and Mining,  Volume 17, Issue 2, pp. 39-62, (SCIE), 2021.
3.    Nguyễn Anh Tuấn, Nguyễn Văn Thiện, Nguyễn Long Giang, “Về các thuật toán gia tăng filter-wrapper tìm tập rút gọn của bảng quyết  định không đầy đủ khi bổ sung, loại bỏ tập thuộc tính”, Kỷ yếu Hội thảo quốc gia lần thứ XXIII “Một số vấn đề chọn lọc của CNTT&TT”, Quảng Ninh, 5-6/11/2020, Tr. 477-482.
- Các sản phẩm cụ thể (mô tả sản phẩm, nơi lưu giữ)

- Báo cáo khoa học về phương pháp filter-wrapper rút gọn thuộc tính trong bảng quyết định không đầy đủ theo tiếp cận tập thô dung sai

- Báo cáo khoa học về phương pháp gia tăng filter-wrapper rút gọn thuộc tính trong bảng quyết định không đầy đủ thay đổi theo tiếp cận tập thô dung sai

- Chương trình thử nghiệm phân lớp ảnh viễn thám

- Báo cáo kết quả thử nghiệm chương trình

- Báo cáo tổng hợp kết quả thực hiện đề tài

- Bài báo khoa học (minh chứng trong báo cáo tổng hợp kết quả thực hiện đề tài)

- Hỗ trợ đào tạo 01 NCS, đào tạo 01 ThS (minh chứng trong báo cáo tổng hợp kết quả thực hiện đề tài)

Những đóng góp mới

- Đề xuất thuật toán filter-wrapper IDS_FW_DAR tìm tập rút gọn của bảng quyết định không đầy đủ sử dụng khoảng cách.
- Đề xuất các thuật toán gia tăng filter-wrapper tìm tập rút gọn của bảng quyết định thay đổi sử dụng khoảng cách: thuật toán IDS_IFW_AO, IDS_IFW_DO trong trường hợp bổ sung, loại bỏ tập đối tượng;  thuật toán IDS_IFW_AA, IDS_IFW_DA trong trường hợp bổ sung, loại bỏ tập thuộc tính.
Đề tài áp dụng các thuật toán đề xuất thực hiện rút gọn thuộc tính trong bài toán phân lớp ảnh viễn thám (thành 02 lớp: 1 - có tàu thuyền; 0 - không có tàu thuyền) nhằm nâng cao hiệu quả của mô hình phân lớp.

Ảnh nổi bật đề tài
1655265665422-38. nlg.png