Đang tải... (xem toàn văn)
NGHIÊN CỨU CÁC DẠNG PHỤ THUỘC KẾT NỐI VÀ PHỤ THUỘC ĐA TRỊ TRONG CSDL MỜ
ĐẠI HỌC HUẾ TRƯỜNG ĐẠI HỌC KHOA HỌC KHOA CÔNG NGHỆ THÔNG TIN NHÓM 4 – CAO HỌC KHOA HỌC MÁY TÍNH B (NĂM HỌC 2010 – 2012) NGHIÊN CỨU CÁC DẠNG PHỤ THUỘC KẾT NỐI VÀ PHỤ THUỘC ĐA TRỊ TRONG CSDL MỜ TIỂU LUẬN MÔN HỌC LOGIC MỜ Huế, tháng 02/2012 1 ĐẠI HỌC HUẾ TRƯỜNG ĐẠI HỌC KHOA HỌC KHOA CÔNG NGHỆ THÔNG TIN NHÓM 4 – CAO HỌC KHOA HỌC MÁY TÍNH B (NĂM HỌC 2010 – 2012) NGHIÊN CỨU CÁC DẠNG PHỤ THUỘC KẾT NỐI VÀ PHỤ THUỘC ĐA TRỊ TRONG CSDL MỜ TIỂU LUẬN MÔN HỌC LOGIC MỜ GIÁO VIÊN GIẢNG DẠY: NHÓM HỌC VIÊN THỰC HIỆN: TS. NGUYỄN CÔNG HÀO TRẦN NHƯ ĐĂNG TUYÊN LÊ BÁ MINH PHONG NGUYỄN THỊ THANH TÂM NGUYỄN THỊ THÀNH NGUYỄN VŨ CÁT TƯỜNG Huế, tháng 02/2012 2 MỤC LỤC Trang MỤC LỤC 3 Trang 3 CHƯƠNG I. CÁC DẠNG PHỤ THUỘC KẾT NỐI TRONG CƠ SỞ DỮ LIỆU MỜ 4 I. ĐẶC VẤN ĐỀ 4 II. CƠ SỞ DỮ LIỆU QUAN HỆ 5 2.1. Mô hình dữ liệu quan hệ mờ loại 1 7 2.2. Mô hình dữ liệu quan hệ mờ loại 2 8 III. ĐẲNG THỨC MỜ 10 3.1. Đẳng thức mờ của tập thông thường và bất thường: 14 3.2. Đẳng thức trên các miền khác nhau 16 3.3. Hàm phụ thuộc mờ sử dụng đẳng thức mờ: 18 V. PHÉP NỐI MỜ 19 VI. CÁCH THỨC DUY TRÌ PHỤ THUỘC HÀM 20 VII. LIÊN KẾT PHỤ THUỘC MỜ 27 VIII. KẾT LUẬN 30 CHƯƠNG II. PHỤ THUỘC ĐA TRỊ TRONG CƠ SỞ DỮ LIẸU MỜ 30 III. PHỤ THUỘC ĐA TRỊ 35 TÀI LIỆU THAM KHẢO 44 3 CHƯƠNG I. CÁC DẠNG PHỤ THUỘC KẾT NỐI TRONG CƠ SỞ DỮ LIỆU MỜ I. ĐẶC VẤN ĐỀ Các cơ sở dữ liệu quan hệ cổ điển không thể giải quyết được tình trạng khi các dữ liệu thông thường là thiếu rõ ràng, như các cơ sở dữ liệu được thiết kế chủ yếu phục vụ hiệu quả cho việc lưu trữ và thuận lợi cho việc thu hồi. Chúng chỉ tập trung vào các dữ liệu mô tả thông tin chính xác và quan tâm đến các dữ liệu được xác định rõ ràng. Tuy nhiên, trong thực tế, các dữ liệu thường được biết đến một phần (không đầy đủ) hoặc không chính xác. Ví dụ, thay vì quy định cụ thể tuổi của một cậu bé “Ram” là 21 tuổi (hoặc chúng ta không được thông tin đầy đủ về tuổi chính xác của Ram, nhưng biết chắc chắn rằng Ram là một cậu bé), thì đơn giản là có thể nói là “Ram trẻ”. Bởi vì, hình thức thông thường của một cơ sở dữ liệu quan hệ cổ điển không có giá trị thuộc tính có thể chứa các giá trị như “trẻ” hay “cũ”. Tương tự như một bảng trong một cơ sở dữ liệu quan hệ có thể lưu trữ dữ liệu như sinh viên đại học đang nghiên cứu đề tài, nhưng không thể lưu trữ các giá trị đến mức độ là các sinh viên nào thích chủ đề gì. Tương tự, nếu sinh viên đại học đã lựa chọn nhiều đối tượng nhưng anh ta không biết sự khác nhau của các đối tượng này một cách chính xác, thì hình thức thông thường thứ nhất của cơ sở dữ liệu quan hệ cổ điển sẽ không cho phép thông tin này được đại diện như là một giá trị của một bộ dữ liệu. Ngoài ra, đôi khi một quan hệ với chính nó là một phần các bộ dữ liệu thuộc nó. Ví dụ, nếu chúng ta quan tâm đến việc lưu trữ các thông tin về các loài nguy cấp, một số trong đó là “một phần nguy cơ tuyệt chủng”, “ít có nguy cơ tuyệt chủng”, “nguy cơ tuyệt chủng hơn”… mô hình dữ liệu quan hệ cổ điển sẽ không giải quyết được mục đích. Như vậy khả năng đại diện của một cơ sở dữ liệu quan hệ chỉ đơn giản là thất bại trong việc đại diện không chính xác (mờ) dữ liệu và do đó phần mở rộng logic mờ dựa trên hệ thống quản lý cơ sở dữ liệu đã được đề xuất. Tuy nhiên, lý thuyết cơ sở dữ liệu quan hệ mật thiết đến việc nghiên cứu dữ liệu phụ thuộc (như phụ thuộc chức năng, phụ thuộc nhiều giá trị tham gia phụ thuộc ) các phụ thuộc dữ liệu đại diện các ràng buộc trên dữ liệu và do đó 4 chúng phải đáp ứng tất cả các trạng thái quan hệ của cơ sở dữ liệu. Khái niệm về sự phụ thuộc chức năng trong cơ sở dữ liệu quan hệ được mở rộng, do đó phụ thuộc chức năng mờ được cho là phản ánh một phần lớn ngữ nghĩa của thế giới thực. Hơn nữa, từ khi phụ thuộc chức năng không thể để đại diện cho tất cả các khó khăn, phụ thuộc nhiều giá trị cũng được mở rộng trong khuôn khổ mờ và một số tác giả đề xuất phiên bản của họ phụ thuộc nhiều giá trị mờ. Tuy nhiên, tham gia phụ thuộc vẫn còn đại diện cho một ràng buộc mạnh mẽ hơn. Các thiết lập tham gia phụ thuộc kết hợp với một giản đồ quan hệ R xác định theo định nghĩa chính xác những lược đồ cơ sở dữ liệu có thể đại diện cho một R lược đồ quan hệ mà không mất thông tin. Do đó, tham gia phụ thuộc cũng cần phải được mở rộng khuôn khổ mờ. Từ khi một lược đồ quan hệ thông thường nhất thiết cần phân tích, thì các khái niệm về tham gia phụ là rất quan trọng. Từ đó, tham gia phụ thuộc trong cơ sở dữ liệu quan hệ rất thích hợp để nghiên cứu trong khuôn khổ mờ. Mục tiêu của tiểu luận là mở rộng các khái niệm về tham gia phụ thuộc vào khuôn khổ của loại 1 và loại 2 cơ sở dữ liệu quan hệ mờ, đồng thời thảo luận kết quả trong khuôn khổ mờ. Nội dung chương này gồm các nội dung: Đầu tiên là giới thiệu sơ bộ và các khái niệm cơ bản. Phần tiếp theo, chúng ta sẽ thảo luận về cơ sở dữ liệu quan hệ mờ phổ biến nhất có sẵn trong văn học và giới thiệu loại 1 và loại 2 cơ sở dữ liệu quan hệ mờ mà chúng ta nghiên cứu trong tiểu luận này. Sau đó, sẽ giới thiệu các khái niệm về chức năng mờ và đẳng thức mờ dựa trên chúng. Sử dụng định nghĩa của đẳng thức mờ để thảo luận về sự phụ thuộc chức năng mờ (FFD) trong loại 1 và loại 2 cơ sở dữ liệu quan hệ mờ. Hai phần kế tiếp sẽ thảo luận về phép chiếu mờ được sử dụng để xác định tham gia phụ thuộc mờ. Kế sau, chúng ta sẽ nghiên cứu các điều kiện bảo quản phụ thuộc tài sản của FFD. Cuối cùng là giới thiệu tham gia phụ thuộc mờ và các điều kiện cho lossless tham gia phân tích được đề xuất. II. CƠ SỞ DỮ LIỆU QUAN HỆ Cơ sở dữ liệu mờ được phát triển để nắm bắt các thông tin không chắc chắn khác nhau xảy ra trong thế giới thực. Chúng mở rộng các cơ sở dữ liệu cổ điển trong hai lĩnh vực: Lưu trữ và cập nhật thông tin không chắc chắn trong tự nhiên cho các xử lý truy vấn không chắc chắn. Các giá trị không chắc chắn trong một hệ thống cơ sở dữ liệu có thể được phân thành hai loại: Giá trị thuộc tính không 5 chính xác trong một bộ hoặc một phần của một bộ trong một quan hệ. Cơ sở dữ liệu mờ là rất tốt để kết hợp tính không chắc chắn của cả hai loại này. Trong số các phương pháp tiếp cận khác nhau được đề xuất trong các tài liệu cơ sở dữ liệu mờ để đại diện cho tính không chắc chắn các giá trị thuộc tính, chúng ta sẽ thảo luận những phương pháp quan trọng. Nói cách khác là hai cách tiếp cận phổ biến nhất. Đầu tiên là cách tiếp cận dựa trên đặc điểm của tính không chắc chắn bằng cách sử dụng về ngôn ngữ, ví dụ người nghèo, công bằng… và mức độ giống nhau giữa một cặp từ ngữ ngôn ngữ học được đặc trưng bởi một ma trận tương tự. Tuy nhiên, trong mối quan hệ tương tự như một số khía cạnh của max- min bắc cầu đã được quan sát thấy gây ra khó khăn trong việc mô hình hóa các mối quan hệ giữa các yếu tố tên miền. Mặc dù phần mở rộng được thêm vào nó để xử lý mờ, phương pháp tiếp cận tương tự trên vẫn còn phụ thuộc rất nhiều vào giá trị rời rạc. Các mô hình mờ quan hệ được mở rộng bằng cách thay thế ma trận tương tự với các mối quan hệ gần gũi (không phải bắc cầu) về các lĩnh vực vô hướng. Cách tiếp cận thứ hai là dựa trên lý thuyết khả năng Zadeh trong đó sử dụng khả năng phân phối như một giá trị của một thuộc tính để nắm bắt tính không chắc chắn của các loại đầu tiên. Loại thứ hai của tính không chắc chắn là thành viên một phần của một bộ trong một quan hệ cho phép một bộ là một thành viên một phần của quan hệ, ví dụ các động vật được coi là “có một chút nguy cơ tuyệt chủng” là thành viên một phần của mối quan hệ có nguy cơ tuyệt chủng. Một bộ chứa thành viên một phần trong quan hệ được gọi là bộ quan trọng. Các cách tiếp cận dựa trên mô tả trên được cho là tổng quát và phổ biến, lý do quan trọng là nó xử lý tất cả các loại thông tin không chính xác. Chúng tôi sẽ cung cấp các ký hiệu cơ bản và các khái niệm trong hai mô hình dựa trên dữ liệu quan hệ mờ được nói đến trong tiểu luận này. Các mô hình được biết đến như loại 1 & loại 2 của mô hình dữ liệu quan hệ mờ. Trong quá trình giới thiệu, chúng tôi sẽ hiển thị hai mô hình như thế nào để nắm bắt tất cả các tính không chắc chắn một cách tốt hơn. Cho n tập vũ trụ U 1 , U 2 , , U n , quan hệ mờ r là một tập hợp con mờ của U 1 × U 2 × × U n và μ r : U 1 × U 2 × × Un → [0,1], μ r biểu thị thành viên của bộ và có các giá trị giữa 0 và 1. 6 Một lược đồ quan hệ R trong mô hình dữ liệu quan hệ mờ được định nghĩa như là một tập hữu hạn các thuộc tính {A 1 , A 2 , } và được ký hiệu là là R(A 1 , A 2 , , A n ) hoặc chỉ đơn giản là R. Một ví dụ của quan hệ R được gọi là r. Tương ứng với mỗi thuộc tính A i , 1 ≤ i ≤ n, thiết lập một dom(A i ), được gọi là các miền của A i , tuy nhiên miền A i có thể là một tập mờ, hoặc một tập con mờ. Trong lý thuyết cơ sở dữ liệu, một mối quan hệ mờ r trên một chương trình quan hệ R(A 1 , A 2 , , A n ) được định nghĩa là một tập hợp con mờ dom(A 1 ) × dom(A 2 ) × × dom(A n ). Tùy thuộc vào sự phức tạp của dom(A i ), i = 1,2, , n mà mô hình dữ liệu quan hệ mờ được phân loại thành hai loại. Tương tự quan hệ cổ điển, một mối quan hệ mờ r được biểu diễn như một bảng với một cột bổ sung cho μ r (t) biểu thị giá trị thành viên của bộ t trong r. μ r (t)> 0, chỉ ra rằng những bộ dữ liệu được hiển thị trong bảng và cho tất cả các bộ dữ liệu bị mất trong bảng thì μ r (t) = 0. 2.1. Mô hình dữ liệu quan hệ mờ loại 1 Mối quan hệ mờ loại 1 có thể được coi là phần mở rộng mức độ đầu tiên của mối quan hệ cổ điển, nơi mà chúng ta có thể nắm bắt tính không chắc chắn trong liên kết giữa các thực thể. Trong mối quan hệ mờ loại 1, dom(A i ) có thể là một tập hợp con cổ điển hoặc một tập hợp con mờ U i , ví dụ như xem xét một lược đồ quan hệ R(N, J, X, S) “có nhiều kinh nghiệm” và “hưởng lương cao” của người lao độngtrong vũ trụ thích hợp. Giả sử rằng vũ trụ của kinh nghiệm là U X , tập hợp các số nguyên trong phạm vi từ 0-30 và U S là vũ trụ về tiền lương gồm tập hợp các số nguyên trong phạm vi 10.000 – 1.000.000. Một thể hiện nhân viên có công ăn lương được đưa ra ở bảng sau: Name Job Experience Salary μ John Kỹ sư 8 60.000 0,67 Ashok Quản lý 9 70.000 0,80 Mối quan hệ trên cho thấy rằng khả năng xuất hiện của nhân viên John là kỹ sư, người có kinh nghiệm 8 năm và mức lương 60,000 là 0,67 trong khoảng từ 0 đến 1. Giải thích tương tự cho các bộ dữ liệu khác. Nói chung, bất kỳ thuộc tính A i nào của một lược đồ quan hệ cho phép các chức năng thành viên của dom(A i ) được ký hiệu bởi μ Ai , i=1,2,… ,n thì dom(A 1 ) × dom(A 2 ) × × dom(A n ) là một tập con mờ của U = U 1 ×U 2 × × U n . Do đó 7 mối quan hệ mờ loại 1 r cũng là một tập hợp con mờ U có chức năng thành viên μ r . Ngoài ra, cho tất cả (u 1 , u 2 ,…, u n ) U, ∈ μ r đáp ứng là μ r (u 1 , u 2 , , u n ) ≤ min((μ A1 (u 1 ), μ A2 (u 2 ), … , μ An (u n ) (1) Nói cách khác, μ r (u 1 , u 2 , , u n ) là một thước đo mờ của liên kết trong một tập các tên miền giá trị {u 1 , u 2 , , u n }. Chúng ta xem ví dụ: U 1 =dom(A 1 )=Name, U 2 =dom(A 2 )=Job và U 3 =dom(A 3 )=Experience U 4 =dom(A 4 )=salary Ngoài ra, giả sử rằng các thuộc tính "kinh nghiệm cao" được định nghĩa là: μ High-Expereince (x)=(1+|x-10| / 4) -1 nếu x ≤ 10 và μ High-Expereince (x)=1 nếu x>10 Và các thuộc tính của “lương cao” được định nghĩa là: μ High-salary (x)=(1 + |s – 60.000| / 20.000) -1 nếu s ≤ 60.000 μ High-salary (x)= 1 nếu s > 60.000 Với u 1 =John, u 2 =Engineer, u 3 =8, u 4 =60.000 thì: μ A1 = 1 (John là một thuộc tính rõ) μ A2 = 1 (vì Engineer là một thuộc tính rõ của Job) μ A3 (u 3 )= μ High−Experience = (1+|8 - 10| / 4) -1 = (1+2/ 4) -1 =0,67 μ A4 (u 4 ) = μ High-salary (60.000)=(1 + |60.000 – 60.000| / 20.000) -1 =1 Do đó cấp thành viên là min (1, 1, 0,67, 1) = 0,67 Vì vậy, bộ dữ liệu (John, kỹ sư, kinh nghiệm, tiền lương) được chèn vào trong bảng với một giá trị thành viên là 0,67. Tương tự, các bộ dữ liệu khác của mối quan hệ được chèn vào với điểm số thành viên của mình. 2.2. Mô hình dữ liệu quan hệ mờ loại 2 Mặc dù các mối quan hệ mờ loại cho phép đại diện cho tính không chắc chắn kết hợp giữa các giá trị dữ liệu, song vai trò của nó trong việc nắm bắt sự không chắc chắn trong các giá trị dữ liệu là khá hạn chế. Ví dụ, trong mô hình quan hệ mờ loại 1 cho nhân viên là R(Name, Job, Experience, Salary) không được phép chỉ định tiền lương của John là trong 8 khoảng 30.000-40.000 USD hoặc kinh nghiệm của một nhân viên Jack là "ít". Vì vậy, trả lời các truy vấn với các giá trị không chính xác? Các mối quan hệ mờ loại 2 cung cấp khái quát hơn bằng cách cho phép dom(A i ) có thể là tập hợp các tập mờ. Bằng cách mở rộng dom(A i ), quan hệ loại 2 đại diện rộng hơn của tính không chắc chắn trong các giá trị dữ liệu. Nó có thể được xem xét tổng quát mức độ thứ hai của quan hệ cổ điển. Trong quan hệ mô hình dữ liệu mờ loại 2, với bất kỳ thuộc tính A i thì dom(A i ) có thể được xem xét như là một tập hợp các tập mờ trong U i , do đó một bộ t = (a 1 , a 2 ,…, a n ) trong D = dom(A 1 ) × dom(A 2 ) × … × dom (A n ) trở thành một tập hợp con mờ U = U 1 × U 2 × × U n với μ r (u 1 , u 2 , , u n ) = min((μ A1 (u 1 ), μ A2 (u 2 ), … , μ An (u n ) (2), trong đó u i ∈ U i , i = 1,2, , n. Để áp dụng định nghĩa của tập hợp mờ, chức năng thành viên μ r : D → [0,1] phải đáp ứng các điều kiện sau đây: Μ r (t) ≤ max [min { μ a1 (u 1 ), μ a2 (u 2 ),… , μ an (u n )}] (3) Trong đó t = (a1, a2, …, an) ∈ D Ví dụ 1: Hãy xem xét một mối quan hệ mờ EMPLOYEE(Name, Age, Department, salary, Expertise-Domain) trong một Trung tâm nghiên cứu Đại học (Bảng I), trong đó có các thông tin về tên, tuổi, khoa, tình trạng tiền lương và lĩnh vực chuyên môn của nhân viên. Trong mối quan hệ EMPLOYEE, dom(Name) và dom(Department) được giả định là bộ rõ ràng trong khi dom(Age), dom (tiền lương) và dom (Giám định-Domain) là tập hợp của các tập mờ trong các vũ trụ U AGE , U salary và U ED . Bộ đầu tiên xác định rằng khả năng của một người cụ thể là “Dass” từ 56 năm làm việc tại khoa Toán, có mức lương thấp với lĩnh vực chuyên môn bao gồm cả phân tích Vector, Đại số hiện đại và Đại số tuyến tính lên đến mức 0,7, 0,8 và 0,6 là 0,7. Giải thích tương tự có thể được thực hiện cho các bộ dữ liệu khác và các chức năng thành viên có thể được đưa ra bởi: µ high (y) = (1 + |y – 60.000|/20.000) -1 nếu y ≤ 60.000 = 1 nếu y > 60.000 = 1 - µ low (y) Trong đó y ∈ U salary 9 BẢNG 1. EMPLOYEE Name Age Department Expertise Domain μ t 1 Dass 56 Maths {0,7/Vector Analysis,0,8/Modern Algebra,0,6/Linear Algebra} 0,7 t 2 Jain {0,7/53, 1/54, 0,08/55} Mgnt Risk Management 0,9 t 3 Arya {0,05/54, 0,5/55} Comp Engg Networking 0,6 t 4 Roy 58 Physical sciences {0,8/Magnetism, 0,7/Fluid Dynamics) 0,7 Bảng I, có thể được lưu ý rằng các giá trị của các thuộc tính trong một bộ chứa các tập mờ như “High” (tiền lương). Vấn đề quan trọng ở đây là tính bình đẳng của hai thuộc tính giá trị, không giống như cơ sở dữ liệu cổ điển bình đẳng không thể được trực tiếp tính trong cơ sở dữ liệu mờ. Trong cơ sở dữ liệu mờ, một so sánh của hai tập mờ là cần thiết để tính toán sự bình đẳng mờ, vì vậy nó trở nên cần thiết để đưa ra một cơ chế để đánh giá sự bình đẳng giữa hai tập mờ mờ. Trong tiểu luận này, chúng tôi sẽ sử dụng sự đẳng thức mờ dựa trên chức năng mờ được giới thiệu trong phần III. III. ĐẲNG THỨC MỜ Các dữ liệu phụ thuộc trong mô hình cơ sở dữ liệu quan hệ cần so sánh các giá trị thuộc tính của một mối quan hệ và cơ sở dữ liệu mờ. Trong phần này chúng tôi đưa ra một phương pháp để tính toán đẳng thức mờ của hai giá trị thuộc tính để tính toán sự ngang bằng của các giá trị thuộc tính xảy ra trong một lược đồ quan hệ mờ loại 2. Phương pháp này giữ cho một mô hình quan hệ mờ loại 1. Bên cạnh đó, trong tiểu luận này chúng tôi sẽ sử dụng một biện pháp chung của đẳng thức mờ dựa trên các khái niệm về chức năng mờ. Cách tiếp cận này không yêu cầu tính toán của mối quan hệ tương đồng khác nhau/ các biện pháp 10 [...]... Một phụ thuộc đa trị cũng như phụ thuộc hàm cơ bản nhất trong số các ràng buộc giá trị không rõ ràng Trong cơ sở dữ liệu quan hệ mở rộng lý thuyết tập mờ và lý thuyết khả năng, phụ thuộc hàm đã được nhiều nghiên cứu gần, trong khi phụ thuộc đa trị không có được như vậy Chỉ có hai tác giả kiểm tra phụ thuộc đa trị Họ giải quyết với mức độ phù hợp của các giá trị bộ với một sự phụ thuộc đa trị như các. .. cho cơ sở dữ liệu quan hệ mờ loại 2 Để khắc phục khó khăn này các tác giả đã đề xuất một đẳng thức kết nối mờ phù hợp với cả cơ sở dữ liệu quan hệ mờ loại 1 và loại 2 Trong các phần tiếp theo chúng ta sẽ sử dụng đẳng thức kết nối mờ để nghiên cứu sự phụ thuộc kết nối và duy trì thuộc tính phụ thuộc hàm trong quan hệ cơ sở dữ liệu mờ loại 1 và loại 2 VI CÁCH THỨC DUY TRÌ PHỤ THUỘC HÀM Mỗi cơ sở dữ liệu... 1: Duy trì phụ thuộc được tuân theo trong một cơ sở dữ liệu quan hệ mờ loại 2 chỉ khi tất cả các giá trị của các thuộc tính kết nối là nguyên tử Chứng minh: R và S là hai quan hệ mờ loại 2 và F1 và F2 là hai bộ của phụ thuộc mờ thoả mãn bởi R và S tương ứng Cho ri & sj được kết nối các thuộc tính của hai quan hệ mờ Q được kết nối vào quan hệ mờ tức là Q = R JOINf S Cho r, s, q biểu thị các trường hợp... thuộc đa trị như các giá trị nhị phân Tuy nhiên, các quan điểm sau đây là quan trọng về xử lí phụ thuộc đa trị, như được thể hiện trong phụ thuộc hàm Đầu tiên, mức độ tương thích của một giá trị bộ với một phụ thuộc đa trị bản chất là một giá trị chứa đựng trong khoảng [0,1], bởi vì thông tin mờ được cho phép trong cơ sở dữ liệu quan hệ mờ Thứ hai, một phụ thuộc đa trị cũng như phụ thuộc hàm chỉ đơn thuần... của các hệ thống cơ sở dữ liệu Sự phụ thuộc hàm là các phụ thuộc dữ liệu phổ biến nhất và tham dự rộng rãi Một số tác giả đã xác định phụ thuộc hàm trong cơ sở dữ liệu quan hệ mờ Các tác giả đã xác định sự phụ thuộc hàm mờ trong quan hệ mờ loại 1 và quan hệ mờ loại 2 của cơ sở dữ liệu quan hệ mờ như sau: Định nghĩa 3: Quan hệ mờ r trên một lược đồ quan hệ R = {A1, A2 , An} đáp ứng một phụ thuộc hàm mờ. .. mờ bộ dom(Bi) hoặc dom(A) = I dom ( B ) , tức là tập của các tập con mờ nằm trên miền của Bi i 17 Do đó, kết nối mờ tương thích, tham gia kiểm tra khả năng tương thích của hai tập thuộc tính X và Y trong môi trường mờ Vì vậy, nếu chúng ta muốn có sự kết nối của hai tập thuộc tính, thì chúng phải có được kết nối mờ tương thích 3.3 Hàm phụ thuộc mờ sử dụng đẳng thức mờ: Các ràng buộc toàn vẹn trong các. .. bảo cung cấp các giá trị nguyên của bộ 26 VII LIÊN KẾT PHỤ THUỘC MỜ Trong phần này, chúng ta xác định sự phụ thuộc liên kết mờ trong trường hợp loại 1 và loại 2 của cơ sở dữ liệu quan hệ mờ Sự phụ thuộc liên kết mờ vào một cơ sở dữ liệu quan hệ kinh điển xác định không mất mát khi phân tích một lược đồ quan hệ Chúng ta cố gắng để đạt được các kết quả tương tự trong cơ sở dữ liệu quan hệ mờ Định nghĩa... viên của t2 trong R’k được cho bởi: Do đó các giá trị thành viên của bộ dữ liệu t1 và t2 trong mối quan hệ R’k hơi mờ liên kết tạo ra được giá trị trước đó Từ khi Ri là tùy chọn qua phép chiếu của R, liên kết mờ của R1,R2, ,Rn sẽ tăng lên cho R Do đó: 28 Và phụ thuộc liên kết mờ là chủ đạo Trong cơ sở dữ liệu liên quan đến kinh điển sự phụ thuộc liên kết đã được gọi là tầm thường liên kết phụ thuộc khi... buộc trong số các ràng buộc toàn vẹn Do đó, phụ thuộc đa trị phải được xử lý trong cùng một cách như các ràng buộc khác Cuối cùng, việc xây dựng phụ thuộc đa trị phụ thuộc vào việc giải thích của họ Giải thích khác nhau tương ứng với sử dụng ý nghĩa của các chuyên gia khác nhau Giải thích khác nhau có thể có các bộ khác nhau của quy tắc suy luận hoàn hảo và đầy đủ, như được thể hiện trong phụ thuộc. .. tập con mờ (giá trị không nguyên) và do đó kết quả là mất mát VIII KẾT LUẬN Trong bài báo này, chúng ta đã đề xuất nhiều dữ liệu quan hệ phụ thuộc được gọi là liên kết mờ phụ thuộc để xác minh tính không mất mát khi liên kết một mối quan hệ bị xóa bỏ Chúng ta xét thấy ở trường hợp bình thường một tập mờ có thể xảy ra giá trị của một thuộc tính trong lược đồ quan hệ mờ loại 2 và đẳng thức mờ tập mờ có . TÍNH B (NĂM HỌC 2010 – 2012) NGHIÊN CỨU CÁC DẠNG PHỤ THUỘC KẾT NỐI VÀ PHỤ THUỘC ĐA TRỊ TRONG CSDL MỜ TIỂU LUẬN MÔN HỌC LOGIC MỜ Huế, tháng 02/2012 1 ĐẠI. TÍNH B (NĂM HỌC 2010 – 2012) NGHIÊN CỨU CÁC DẠNG PHỤ THUỘC KẾT NỐI VÀ PHỤ THUỘC ĐA TRỊ TRONG CSDL MỜ TIỂU LUẬN MÔN HỌC LOGIC MỜ GIÁO VIÊN GIẢNG DẠY: NHÓM