Một giải pháp ứng dụng trí tuệ nhân tạo cho nhà thông minh

Tạp Chí Khoa Học Giáo Dục Kỹ Thuật Số 57 (04/2020) 
Trường Đại Học Sư Phạm Kỹ Thuật TP. Hồ Chí Minh 
35 
MỘT GIẢI PHÁP ỨNG DỤNG TRÍ TUỆ NHÂN TẠO 
CHO NHÀ THÔNG MINH 
AN APPROACH FOR APPLYING ARTIFICIAL INTELLIGENCE 
TO SMART-HOME 
Nguyễn Tất Bảo Thiện1, Trương Tiến Sỹ2 
1Trường Đại học Thủy lợi, Việt Nam 
2Học viện Công nghệ Bưu chính Viễn thông, Cơ sở tại TP. Hồ Chí Minh, Việt Nam 
Ngày toà soạn nhận bài 20/3/2019, ngày phản biện đánh giá 9/04/2019, ngày chấp nhận đăng 20/5/2019 
TÓM TẮT 
Trong những năm gần đây, cùng với sự phát triển của khoa học và công nghệ, đặc biệt là 
lĩnh vực trí tuệ nhân tạo đã len lỏi vào trong mọi lĩnh vực của cuộc sống mà ngôi nhà chúng 
ta đang ở cũng không phải là một ngoại lệ. Các căn nhà mà ở đó các thiết bị được điều khiển 
bằng giọng nói đã và đang là xu hướng phát triển của nhà thông minh. Trong bài báo này, 
chúng tôi có ứng dụng thêm các mô hình máy học vào các căn nhà điều khiển thiết bị bằng 
giọng nói nhằm tăng cường tính chính xác cũng như tính linh hoạt của hệ thống (ví dụ như 
khi người điều khiển có thể nói những “ý định điều khiển” gần giống với những gì đã được 
lập trình thì hệ thống điều khiển vẫn hiểu và thực hiện). Với việc ứng dụng các mô hình máy 
học như mạng nơ ron nhiều lớp, véc-tơ hỗ trợ một lớp thì chúng tôi đã xây dựng một bộ xử lý 
trung tâm làm nhiệm vụ phân loại dữ liệu và đưa ra quyết định điều khiển thiết bị cho nhà 
thông minh. 
Từ khóa: máy học; mạng nơron nhiều lớp; nhà thông minh; nhận diện giọng nói; véc-tơ hỗ 
trợ một lớp. 
ABSTRACT 
In recent years, along with the development of science and technology, especially the 
techniques of artificial intelligence has appeared in many areas of life in that smart-home is 
not an exception. The houses of which devices were controlled through the voice recognition 
has been the trend of smart-home development. In this article, we applied machine learning 
models to a smart-home with voice-controlled devices to enhance the accuracy and flexibility 
of the system (for example, when the operator says "control intents" which are similar to the 
programmed keywords, the control system still understands and executes). With the 
applications of machine learning models such as multi-layer neural networks and one-class 
support vector machine, we have already built a processing centre to classify data and make 
control decisions for smart-homes. 
Keywords: machine learning; multi-layer perceptron; one-class support vector; smart-home; 
speech recognition. 
1. ĐẶT VẤN ĐỀ 
Nhà thông minh là một căn nhà được 
tích hợp các phương pháp, hệ thống nhằm 
vận hành và kiểm soát các thiết bị điện tử để 
giảm thiểu hoạt động của con người ở mức 
tối thiểu. Nhà thông minh được thiết kế và 
phát triển để điều khiển và giám sát các thiết 
bị khác nhau như đèn, cảm biến nhiệt độ, độ 
ẩm, thiết bị phát hiện khói và cháy cũng như 
hệ thống an ninh [1]. Một trong những ưu 
điểm nổi bật nhất của nhà thông minh là các 
thiết bị trong nhà có thể được điều khiển và 
quản lý dễ dàng bằng điện thoại thông minh, 
máy tính bảng hay máy tính xách tay [2]. 
36 
Tạp Chí Khoa Học Giáo Dục Kỹ Thuật Số 57 (04/2020) 
Trường Đại Học Sư Phạm Kỹ Thuật TP. Hồ Chí Minh 
Hiện nay, các công ty công nghệ lớn của 
thế giới đã và đang phát triển các ứng dụng 
phục vụ cho nhà thông minh như Google 
Assistant của Google, HomeKit của Apple 
v.v. Tại Việt Nam, các công ty công nghệ 
cũng đã phát triển các sản phẩm như Bkav 
Smarthome, nhà thông minh của Lumi. Các 
sản phẩm này thường tập trung vào việc điều 
khiển các thiết bị từ xa thông qua thiết bị di 
động, công tắc cảm biến hay qua các ứng 
dụng trên nền tảng di động. 
Đã có những nghiên cứu về việc ứng 
dụng trí tuệ vào nhà thông minh mà điển hình 
là việc sử dụng giọng nói để điều khiển các 
thiết bị trong nhà [3] [4]. Aml A. Arriany và 
Mohamed S. Musbah đã đề xuất giải pháp 
điều khiển các thiết bị trong nhà bằng giọng 
nói thông qua bộ tự động nhận diện giọng 
nói, bộ xử lý trung tâm và bộ điều khiển 
trung tâm để điều khiển các thiết bị như đèn, 
quạt. Noriyuki Kawarazaki và Tadashi 
Yoshidome đã xây dựng hệ thống điều khiển 
thiết bị bằng giọng nói thông qua bộ PMRC 
(Programmable multi remote controller). Khi 
người điều khiển gửi lệnh bằng giọng nói đến 
hệ thống, PMRC gửi tín hiệu đến các thiết bị 
điện dân dụng để điều khiển chúng. Điểm 
chung của các nghiên cứu này là việc tập 
trung xây dựng mô hình điều khiển các thiết 
bị từ xa bằng giọng nói. Tức là khi con người 
điều khiển thiết bị trong nhà bằng giọng nói 
thì chúng sẽ được chuyển về dạng văn bản để 
so sánh với các từ khóa đã được lập trình sẵn 
từ trước (như tắt đèn, mở đèn, ). 
Trong bài báo này, chúng tôi tập trung 
xây dựng các mô hình máy học để xử lý dữ 
liệu văn bản thu được từ bộ nhận dạng giọng 
nói nhằm tăng cường sự chính xác cũng như 
sự linh hoạt của hệ thống điều khiển thiết bị 
thông qua giọng nói. (ví dụ khi chuỗi điều 
khiển nhận được là “bật điện lên” thì đối với 
các hệ thống trên, chuỗi thu được này không 
trùng với bất kỳ “từ khóa” nào hết. Vì thế hệ 
thống sẽ không điều khiển thiết bị, việc này 
sẽ gây khó khăn cho người sử dụng khi họ 
phải nhớ các từ khóa để điều khiển thiết bị). 
Với việc áp dụng các mô hình máy học vào 
việc phân tích dữ liệu văn bản thu được, 
chúng tôi có thể giúp hệ thống điều khiển 
“hiểu” được ý muốn của con người nhằm 
tăng tính chính xác và sự linh hoạt cho hệ 
thống. 
2. MÔ HÌNH ĐIỀU KHIỂN THIẾT BỊ 
BẰNG GIỌNG NÓI 
Mô hình điều khiển các thiết bị trong 
nhà bằng giọng nói bao gồm 3 bộ xử lý dữ 
liệu được mô tả trong Hình 1: 
 Bộ chuyển đổi giọng nói thành văn bản 
với nhiệm vụ chính là biến đổi giọng nói 
thành văn bản. 
 Bộ xử lý trung tâm gồm các mô hình 
máy học có chức năng phân loại các văn bản 
thu được từ bộ nhận dạng giọng nói. 
 Bộ điều khiển trung tâm là nơi kết nối 
với các thiết bị đèn, quạt, cửa và nhận lệnh 
điều khiển từ bộ xử  ... . 
X_train = [[0, 0, 1, ..., 0, 0, 0],[0, 0, 0, ..., 0, 
0, 0],[0, 0, 1, ..., 0, 0, 0],...,[0, 0, 0, ..., 1, 0, 
0],[0, 0, 0, ..., 1, 1, 0],[0, 0, 0, ..., 1, 1, 0]]) 
Mô hình One-class SVM là một loại mô 
hình máy học có giám sát và dữ liệu đầu vào 
của mô hình sẽ là các véc-tơ đặc trưng còn 
dữ liệu đầu ra là các nhãn 1 hoặc -1 đã được 
giải thích ở phần 3. Với các cơ sở toán học 
của mô hình đã được trình bày ở mục 3.2. 
Chúng tôi sử dụng thư viện Scikit Learning 
của ngôn ngữ lập trình Python để xây dựng 
mô hình One-class SVM. Trong quá trình 
huấn luyện, chúng tôi đã điều chỉnh các 
thông số của mô hình One-class SVM để đáp 
ứng được việc phân loại dữ liệu mới có phải 
là dữ liệu điều khiển thiết bị hay không với 
các kernel và thông số khác nhau để chọn ra 
mô hình giúp cho tập dữ liệu của chúng tôi 
đạt kết quả tốt. Kết quả đối với từng kernel 
được trình bày trong bảng 3. 
Bảng 3. Kết quả huấn luyện mô hình One-
class SVM với các kernel khác nhau 
 Rbf Poly Sigmod Linear 
Tol 0.001 0.001 0.001 0.001 
Nu 0.002 0.216 0.052 0.026 
Degree(d) X 3 X X 
gamma(γ) 0.01 0.01 0.01 X 
coef0 (r) X 0.0 0.0 X 
Kết quả 64% 88% 98% 96.7% 
Trong đó, các thông số tol, degree, 
gamma, coef0 là được giữ nguyên ở các mô 
hình. Chúng tôi thực hiện vòng lặp for để tìm 
ra giá trị nu giúp cho mô hình đạt kết quả tốt 
nhất khi đưa ma trận véc-tơ đặc trưng vào 
huấn luyện với hàm clf.fit (X_train). Sử dụng 
tập nhãn đã được tạo từ trước của tập dữ liệu 
và so sánh với kết quả đầu ra của mô hình. 
Chúng tôi đã tìm được các thông số giúp cho 
mô hình có kết quả phân loại tốt nhất. 
clf = svm.OneClassSVM(nu=0.052, 
kernel="sigmoid", tol =0.001, gamma=0.01) 
Với nu là giới hạn trên của training 
errors và giới hạn dưới của support vectors, 
tol là dung sai cho quá trình dừng, gamma là 
hệ hố kernel. 
Chạy thử tập dữ liệu kiểm thử với mô 
hình OCSVM vừa được xây dựng. Tập dữ 
liệu này bao gồm một số câu lệnh thuộc loại 
câu lệnh điều khiển và một số câu không 
thuộc loại này lưu ở 2 file test_fail và 
test_accept. Sau quá trình tiền xử lý và trích 
chọn đặc trưng giống với tập dữ liệu huấn 
luyện thì kết quả sẽ là một ma trận X_test 
chứa các véc-tơ đặc trưng. Để kiểm tra sự 
chính xác của mô hình thì chúng tôi tạo một 
ma trận chứa các nhãn phân loại của tập dữ 
liệu kiểm thử bằng bằng cách dán nhãn 1 nếu 
dữ liệu đó thuộc file test_accept và -1 nếu dữ 
liệu đó thuộc file_fail với hàm 
np.concatenate: 
label=np.concatenate((1*np.ones(len(test_fa
il)),np.ones(len(test_accept)))) 
Sau khi đưa tập dữ liệu kiểm thử qua mô 
hình OCSVM với hàm clf.predict(X_test) thì 
44 
Tạp Chí Khoa Học Giáo Dục Kỹ Thuật Số 57 (04/2020) 
Trường Đại Học Sư Phạm Kỹ Thuật TP. Hồ Chí Minh 
kết quả trả về sẽ là một ma trận y_pred chứa 
các nhãn 1 hoặc -1 do mô hình dự đoán và số 
phần tử bằng với số lượng các câu lệnh thuộc 
tập dữ liệu kiểm thử. Từ ma trận này, chúng tôi 
tiến hành so sánh với ma trận nhãn label bằng 
hàm accuracy_score (label, y_pred)*100. Kết 
quả ở bảng 3 cho thấy mô hình OCSVM có sự 
phân loại chính xác gần như 100% đối với bài 
toán phân loại dữ liệu này. 
4.2.2. Mô hình Multi-layer Perceptron 
Tập dữ liệu huấn luyện hơn 200 câu lệnh 
điều khiển thiết bị được chia theo 6 file 
tương ứng như bảng 1. Với các bước tiền xử 
lý đã được trình bày từ mục 3.1. 
Trích chọn đặc trưng: sự trích chọn đặc 
trưng đối với từng loại mô hình máy học là 
khác nhau. Với dữ liệu đầu vào của mô hình 
MLP đã là các câu lệnh điều khiển thì các từ 
trong câu lệnh đó sẽ có một ý nghĩa nào đó 
giúp cho việc phân nhóm dữ liệu dễ dàng 
hơn. Tương tự như mô hình OCSVM, chúng 
tôi sử dụng phương pháp Bag-of-words để 
véc-tơ hóa dữ liệu đầu vào, việc lựa chọn các 
đặc trưng của mô hình này cũng khác một ít 
so với mô hình OCSVM, các từ “tối”, 
“sáng”, “lạnh”  thì không có nhiều ý nghĩa 
đối với mô hình OCSVM nhưng nó lại giúp 
mô hình MLP phân loại chính xác hơn ở một 
số trường hợp. Chính vì thế, véc-tơ đặc trưng 
của mô hình MLP có số chiều lớn hơn véc-tơ 
đặc trưng của mô hình OCSVM. 
X_train = [[0, 1, 0, ..., 1, 0, 0],[0, 1, 0, ..., 0, 0, 
0],[1, 1, 0, ..., 1, 0, 0],...,[0, 0, 0, ..., 0, 1, 0]] 
Mô hình MLP là một mô hình máy học 
có giám sát, tức là dữ liệu đi vào sẽ là một 
cặp (feature vector, label). Ma trận labels 
được tạo ra bằng cách nhân một ma trận 
np.one (ma trận 1) có số chiều bằng số dữ 
liệu trong từng tập dữ liệu với giá trị tương 
ứng từ 1 đến 6 được trình bày trong bảng 2: 
np.concatenate((np.ones(len(batden)),2*np.o
nes(len(tatden)),3*np.ones(len(batquat)),4*n
p.ones(len(tatquat)),5*np.ones(len(mocua)),6
*np.ones(len(dongcua)))) 
Với các cơ sở toán học của mô hình đã 
được trình bày ở mục 3.3. Chúng tôi xây 
dựng mô hình MLP này với thư viện Scikit-
learning được hỗ trợ sẵn trong ngôn ngữ 
Python. Trong quá trình huấn luyện mô hình 
với ma trận véc-tơ đặc trưng X_train và ma 
trận labels tương ứng bằng hàm 
mlp.fit(X_train,lables) thì chúng tôi đã điều 
chỉnh các thông số để giúp cho mô hình phân 
loại chính xác các câu lệnh thuộc nhóm lệnh 
nào cũng như đáp ứng được hiệu suất xử lý 
của hệ thống. 
MLPClassifier(hidden_layer_sizes=20,tol=0.
001,activation='logistic',max_iter=100) 
Với hidden_layer_sizes là đại diện cho 
số lượng tế bào nơ-ron trong một lớp ẩn 
(hidden layer), tol là dung sai cho việc tối ưu 
hóa, activation là hàm hoạt động của lớp ẩn, 
max_iter là số lần lặp tối đa. 
Khi dữ liệu mới đi vào mô hình sẽ được 
dán nhãn đầu ra theo các nhóm mà chúng 
được phân loại dựa trên bảng 2. Các nhãn 
đầu ra này sẽ được gửi xuống bộ điều khiển 
trung tâm để thực hiện lệnh điều khiển. 
Chạy thử tập dữ liệu kiểm thử với mô 
hình MLP vừa được xây dựng. Chúng tôi lấy 
tập dữ liệu kiểm thử từ file test_accept để tiền 
xử lý và trích chọn đặc trưng tương tự như tập 
dữ liệu huấn luyện thì kết quả sẽ là một ma 
trận X_test chứa các véc-tơ đặc trưng. Sau đó 
chúng tôi tạo ra một ma trận label nhãn 
“chuẩn” để so sánh với ma trận y_pred (là ma 
trận chứa các nhãn điều khiển thiết bị tương 
ứng) thu được khi đưa dữ liệu kiểm thử qua 
mô hình MLP. Kết quả cho thấy mô hình MLP 
có sự phân loại chính xác gần như 100%. 
4.3. Kết quả thực nghiệm 
Chuẩn bị 
Chúng tôi xây dựng 2 mô hình điều 
khiển thiết bị bằng giọng nói. 
- Mô hình thứ nhất sử dụng phương pháp 
từ khóa: xây dựng dựa trên nguyên lý của bài 
báo [2] và các mô hình thực tế. Mô hình này 
bao gồm một bộ chuyển đổi giọng nói thành 
văn bản và một bộ điều khiển trung tâm. Bộ 
điều khiển trung tâm này sẽ nhận dữ liệu từ 
bộ chuyển đổi giọng nói thành văn bản và so 
sánh với các “từ khóa” đã được lập trình sẵn 
để có thể điều khiển thiết bị. 
Tạp Chí Khoa Học Giáo Dục Kỹ Thuật Số 57 (04/2020) 
Trường Đại Học Sư Phạm Kỹ Thuật TP. Hồ Chí Minh 
45 
- Mô hình thứ hai sử dụng các thuật toán 
máy học: mô hình này bao gồm bộ chuyển 
đổi giọng nói thành văn bản, bộ xử lý trung 
tâm và bộ điều khiển trung tâm. Chức năng 
và nhiệm vụ các các bộ xử lý này đã được 
trình bày ở phần 2. 
Thực nghiệm 
Chúng tôi thực hiện chạy song song hai 
mô hình này với đầu vào là bộ chuyển đổi 
giọng nói thành văn bản (Google Speed to 
Text) được sử dụng chung cho hai mô hình 
nhằm tăng tính khách quan trong việc đánh 
giá kết quả. 
Thực hiện lần lượt 50 câu lệnh điều 
khiển thiết bị đã được chuẩn bị từ trước trong 
môi trường yên tĩnh (trong phòng kín, không 
có người xung quanh) và môi trường có tiếng 
ồn (môi trường làm việc hàng ngày). Sau khi 
qua bộ chuyển đổi giọng nói thành văn bản 
thì các văn bản điều khiển này cùng lúc được 
đưa vào hai mô hình để điều khiển thiết bị. 
Kết quả thực nghiệm được chúng tôi trình 
bày tại bảng 4. 
Bảng 4. Kết quả thực nghiệm 
Mô hình Môi 
trường 
Nhận dạng 
giọng nói 
đúng 
Điều 
khiển 
đúng 
Tỷ lệ 
(50 
mẫu) 
Sử dụng so 
sánh từ khóa 
Yên 
tĩnh 
48 
37 74% 
Sử dụng các 
thuật toán 
máy học 
47 94% 
Sử dụng so 
sánh từ khóa Có 
tiếng 
ồn 
40 
29 58% 
Sử dụng các 
thuật toán 
máy học 
38 76% 
Từ kết quả ở bảng 4, đối với cùng một 
bộ chuyển đổi văn bản thành giọng nói cho ra 
các dữ liệu đầu vào giống nhau thì với mô 
hình sử dụng phương pháp so sánh từ khóa sẽ 
cho ra các kết quả sai ở những câu điều khiển 
không trùng với từ khóa được lập trình từ 
trước. Ví dụ: văn bản nhận được là “tắt cái 
đèn đi” hay “sáng rồi sao không tắt điện đi” 
trong khi từ khóa là “tắt đèn”. Cả hai văn bản 
nhận được đều có ý nghĩa là “tắt đèn” nhưng 
không trùng khớp với từ khóa dẫn tới việc hệ 
thống không điều khiển thiết bị theo ý muốn 
của người điều khiển. Trong khi đó, với mô 
hình áp dụng các thuật toán máy học thì cho 
ra kết quả điều khiển chính xác. Điều này 
giúp cho việc giao tiếp giữa người điều khiển 
và thiết bị trở nên bớt nhàm chán khi người 
sử dụng có thể điều khiển thiết bị bằng 
những câu nói khác nhau mà không cần quan 
tâm câu nói đó đã đúng từ khóa chưa. 
Ngoài ra, kết quả điều khiển thiết bị 
bằng giọng nói cũng bị ảnh hưởng rất lớn khi 
bộ chuyển đổi giọng nói thành văn bản nhận 
dạng sai nhất là đối với phương pháp sử dụng 
từ khóa vì chỉ cần nhận diện sai một từ khóa 
thôi thì kết quả điều khiển thiết bị sẽ không 
chính xác. 
5. KẾT LUẬN VÀ HƯỚNG NGHIÊN 
CỨU TIẾP THEO 
Trong nghiên cứu này, chúng tôi xây 
dựng một hệ thống điều khiển thông minh cho 
ngôi nhà dựa trên công nghệ nhận dạng giọng 
nói và máy học. Các mô hình máy học được 
vận dụng hiệu quả để xử lý các câu lệnh điều 
khiển, giúp cho hệ thống hoạt động thông 
minh và linh hoạt hơn so với các giải pháp tự 
động hóa cứng. Ngoài ra, giải pháp chúng tôi 
đề xuất cho thấy chính xác cao trong việc điều 
khiển thiết bị bằng giọng nói cũng như giúp 
cho con người có thể dễ dàng tiếp cận và sử 
dụng hệ thống (nhất là đối với những người 
già, người khuyết tật). Tuy nhiên, nghiên cứu 
này cũng còn một số hạn chế như bộ dữ liệu 
huấn luyện chưa đủ lớn nhất là đối với các dữ 
liệu tiếng Việt vì thế hệ thống vẫn có thể bị 
“đánh lừa” với các câu điều khiển thiết bị 
“lạ”. Với việc xây dựng thành công bộ xử lý 
trung tâm, hệ thống có thể kiểm soát các 
thông số của căn nhà thông qua các kết quả 
được thu thập từ các cảm biến, camera. Từ đó, 
hệ thống sẽ đưa ra các cảnh báo, lệnh điều 
khiển để giúp cho các thiết bị trong nhà hoạt 
động một cách ổn định. Ngoài ra, chúng tôi có 
thể xây dựng các ứng dụng khác như ứng 
dụng trả lời tự động bằng Google text to 
Speech (tương tự như hệ thống chatbox nhưng 
trả lời lại bằng giọng nói), nhận diện khuôn 
mặt khách khi khách ở trước cửa để thông báo 
cho chủ nhà v.v. Để làm được những ứng 
46 
Tạp Chí Khoa Học Giáo Dục Kỹ Thuật Số 57 (04/2020) 
Trường Đại Học Sư Phạm Kỹ Thuật TP. Hồ Chí Minh 
dụng này chúng ta cần có tập dữ liệu đủ lớn 
cho việc huấn luyện mô hình. 
LỜI CẢM ƠN 
Công trình này được hỗ trợ bởi Học 
Viện Công nghệ Bưu chính Viễn thông và 
Trường Đại học Thủy Lợi. 
TÀI LIỆU THAM KHẢO 
[1] Felix, C. and Raglend, I.J., Home automation using GSM, International Conference on 
Signal Processing, Communication, Computing and Networking Technology, 21-22 
July 2011, Thuckafay, India. 
[2] Ramlee, R.A., Othman, M.A., Leong, M.H., Ismail, M.M. and Ranjit, S.S.S., Smart 
home system using android application, International Conference of Information and 
Communication Technology (ICoICT), 20-22 March 2013, Bandung, Indonesia. 
[3] Arriany, A.A. and Musbah, M.S., Applying voice recognition technology for smart 
home networks, International Conference on Engineering & MIS (ICEMIS), 22-24 Sept 
2016, Agadir, Marocco. 
[4] Kawarazaki, N. and Yoshidome, T., Remote control system of home electrical 
appliances using speech recognition, IEEE International Conference on Automation 
Science and Engineering (CASE), 20-24 Aug 2012, Seoul, South Korea. 
[5] Jain, S., Vaibhav, A. and Goyal, L., Raspberry Pi based interactive home automation 
system through E-mail, International Conference on Reliability Optimization and 
Information Technology (ICROIT), 6-8 Feb 2014, Faridabad, India. 
[6] D. V. Opdenbosch, M. Oelsch, A. Garcea, and E. Steinbach, A joint compression 
scheme for local binary feature descriptors and their corresponding bag-of-words 
representation, IEEE Visual Communications and Image Processing (VCIP), St. 
Petersburg, FL, USA, 2017. 
[7] Scholkopf, B., Platt, J., Shawe-Taylor, J., Smola, A., and Williamson, R., Estimating the 
support of a high-dimensional distribution, Neural Computation, 13(7):1443-1472, 2001. 
[8] Bounsiar, A. and Madden, M.G., Kernels for One-class Support Vector Machine, 
International Conference on Information Science & Applications (ICISA), 6-9 May 2014. 
[9] Gomez-Verdejo, V., Arenas-Garcia, J., Lazaro-Gredilla, M. and Navia-Vazquez, A., 
Adaptive One-Class Support Vector Machine, IEEE Transaction on Signal Processing, 
pp.2975-2981, June 2011. 
[10] Manevitz, L.M. and Yousef, M., One-class SVMs for Document Classification, Journal 
of Machine Learning Research 2.(1):139-154, 2002. 
[11] Wilson, E. and Tufts, D.W., Multilayer perceptron design algorithm, Proceedings of IEEE 
Workshop on Neural Networks for Signal Processing, 6-8 Sept 1994, Ermioni, Greece. 
[12] Alsmadi, M.K., Omar, K.B., Noah, S.A. and Almarsashdah, I., Performance 
Comparison of Multi-layer Perceptron (Back Propagation, Delta Rule and Perceptron) 
algorithms in Neural Networks, IEEE International Advance Computing Conference, 6-
7 March 2009, Patiala, India. 
[13] S. D. Patil and P. S. Sanjekar, Musical Instrument Identification Using SVM , MLP& 
AdaBoost with Formal Concept Analysis, 1st International Conference on Intelligent 
Systems and Information Management (ICISIM), 2017, Aurangabad, India. 
[14] Haykin, Neural Networks: A Comprehensive Foundation. New York, 1994. 
Tác giả chịu trách nhiệm bài viết: 
TS. Nguyễn Tất Bảo Thiện 
Trường Đại học Thủy lợi. 
Email: baothien@tlu.edu.vn