LuanVan.vnLuận Văn
Gửi thư

MUSEAI: MÔ HÌNH ĐA TÁC TỬ KẾT HỢP APNET VÀ ĐIỀU PHỐI TRI THỨC ĐỘNG CHO KHÁM PHÁ BẢO TÀNG THÔNG MINH MUSEAI

Khoá luận tốt nghiệp · Đại học · năm 2026 · đề tài tham khảo

Loại tài liệuKhoá luận tốt nghiệp
Bậc họcĐại học
NgànhCông nghệ thông tin
Tác giảHuỳnh Thanh Phong
Cơ sở đào tạoTrường Đại học Cần Thơ
Năm2026
NguồnThư viện số Trường Đại học Cần Thơ · trang gốc

Tóm tắt

Luận văn xây dựng ứng dụng di động MUSEAI (Android), kết hợp trí tuệ nhân tạo, Multi-Agent RAG và Encoder-Decoder để nâng cao trải nghiệm tham quan tại Bảo tàng Quân khu 9. Để tối ưu hóa việc nhận diện hiện vật trong điều kiện phức tạp, nghiên cứu đóng góp ba cải tiến Deep Learning: (i) Hàm kích hoạt ANASP-ReLU và SN-ReLU; (ii) Hàm mất mát động PD-Loss tối ưu đa mục tiêu (gồm Cross-Entropy, LICCL, LICMRL, LPSL, và LUAER); (iii) Mô hình APNet tối ưu tham số cho thiết bị biên.Bên cạnh đó, hệ thống tích hợp RAG đóng vai trò “hướng dẫn viên AI” hỗ trợ tra cứu tiếng Việt. Về bảo mật, thuật toán mã hóa MEA-GQA trên trường hữu hạn Fp kết hợp giấu tin qua kênh Alpha của ảnh RGBA được đề xuất để bảo vệ dữ liệu. Thực nghiệm cho thấy APNet đạt độ chính xác 98,92% trên dữ liệu bảo tàng và 89,67% trên tập CIFAR-10. Mô hình RAG đạt trung bình R@2 = 72,98%, P@2 = 36,49%. Thuật toán MEA-GQA đảm bảo an toàn với hiệu ứng Avalanche xấp xỉ 50%. Toàn hệ thống hoạt động ổn định với tốc độ 304 yêu cầu/giây và độ trễ 11,546s. Từ khóa: ANASP-ReLU, APNet, Bảo tàng thông minh, Hệ thống mật mã lai, Multi-Agent RAG, MUSEAI, PD-Loss, SN-ReLU. This thesis develops MUSEAI, an Android-based mobile application that integrates artificial intelligence, Multi-Agent RAG, and an Encoder-Decoder mechanism to enhance the visitor experience at the Military Region 9 Museum. To optimize artifact recognition under complex conditions, the study contributes three Deep Learning advancements: (i) The ANASP-ReLU and SN-ReLU activation functions; (ii) A dynamic loss function, PD-Loss, for multi-objective optimization (comprising Cross-Entropy, LICCL, LICMRL, LPSL, and LUAER); (iii) The APNet model, parameter-optimized for edge devices. Additionally, the system incorporates a RAG framework functioning as an ’AI tour guide’ to support semantic retrieval in Vietnamese. Regarding security, the study proposes the MEA-GQA encryption algorithm based on the finite field Fp, combined with steganography via the Alpha channel of RGBA images for data protection. Experimental results indicate that APNet achieves 98.92% accuracy on the museum dataset and 89.67% on the CIFAR-10 dataset. The RAG model attains an average R@2 = 72.98% and P@2 = 36.49%. The MEA-GQA algorithm ensures security with an Avalanche Effect of approximately 50%. The entire system operates stably with a processing speed of 304 requests/second and a latency of 11.546s. Keywords: ANASP-ReLU, APNet, Hybrid Cryptosystem, Multi-Agent RAG, MUSEAI, PD-Loss, Smart Museum, SN-ReLU.
Bản toàn văn lưu tại thư viện Trường Đại học Cần Thơ

Thông tin và tóm tắt ở trên lấy từ kho số mở của thư viện trường. Bản toàn văn do thư viện trường quản lý — có nơi cho đọc trực tuyến, có nơi cần tài khoản bạn đọc của trường.

Mở tại thư viện trường ↗
Dùng tài liệu tham khảo cho đúng
  • Đọc để hiểu cách người trước đặt câu hỏi, chọn phương pháp, trình bày số liệu — rồi tự làm với dữ liệu và bối cảnh của bạn.
  • Ý, số liệu, bảng biểu lấy từ tài liệu này phải trích dẫn (tác giả, năm, tên đề tài, cơ sở đào tạo).
  • Đề tài trùng tên vẫn làm được nếu khác đơn vị khảo sát, thời gian hoặc cách tiếp cận — nêu rõ điểm khác trong phần mở đầu.

Hướng dẫn chọn đề tài, cấu trúc và số liệu cho ngành này: Luận văn công nghệ thông tin · Hỏi đáp từng chương với người hướng dẫn số: Học Giả Số · Công cụ số: Luận Văn Số.

Đề tài cùng ngành

Tác giả muốn gỡ, sửa thông tin hoặc bổ sung bản toàn văn: gửi yêu cầu qua trang Liên hệ, kèm đường dẫn trang này.