[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"_public_topic_publications_b%E1%BB%99%20l%E1%BB%8Dc%20kalman{\"limit\":5}":3,"_public_topic_byId_bộ lọc kalman":53},{"code":4,"data":5,"meta":19},"SUCCESS",{"latest":6,"mostCited":7,"vietnamFeatured":24,"vietnamLatest":52},[],[8],{"publicationId":9,"title":10,"originalTitle":11,"authorNames":12,"authorCount":16,"journalName":17,"vietnamJournal":18,"publishDate":19,"publishYear":19,"totalCitation":20,"url":21,"doi":22,"summary":23},"3ab7f429-4162-447d-93d2-4a07af7cc222","Ước lượng dòng carbon bề mặt dựa trên bộ lọc Kalman chuyển đổi tổ hợp cục bộ với cửa sổ đồng hóa ngắn và cửa sổ quan sát dài: kiểm thử mô phỏng hệ thống quan sát trong GEOS-Chem 10.1","Estimating surface carbon fluxes based on a local ensemble transform Kalman filter with a short assimilation window and a long observation window: an observing system simulation experiment test in GEOS-Chem 10.1",[13,14,15],"Yun Liu","Eugenia Kalnay","Ning Zeng",6,"Geoscientific Model Development",false,null,29,"https:\u002F\u002Fgmd.copernicus.org\u002Farticles\u002F12\u002F2899\u002F2019\u002F","10.5194\u002Fgmd-12-2899-2019","\u003Cp>\u003Cb>Nghiên cứu phát triển thuật toán\u003C\u002Fb> xây dựng hệ thống đồng hóa dữ liệu dòng carbon bề mặt dựa trên \u003Cb class=\"publication-topic-keywords\">bộ lọc Kalman\u003C\u002Fb> chuyển đổi tổ hợp cục bộ (\u003Ci>LETKF\u003C\u002Fi>) kết hợp mô hình khí quyển \u003Ci>GEOS-Chem\u003C\u002Fi>. Phương pháp mới tích hợp kỹ thuật làm mịn ra-vào tại chỗ (RIP) với cửa sổ đồng hóa ngắn và cửa sổ quan sát 7 ngày nhằm tăng tốc độ hội tụ và giảm sai số phân tích. Tác giả chỉ ra thuật toán có khả năng mở rộng hiệu quả cho các mô hình khí hậu phức tạp khác.\u003C\u002Fp>",[25,41],{"publicationId":26,"title":27,"originalTitle":19,"authorNames":28,"authorCount":32,"journalName":33,"vietnamJournal":34,"publishDate":35,"publishYear":36,"totalCitation":37,"url":38,"doi":39,"summary":40},"8f1ba8f5-00c1-4aec-9a81-6b99100a6f3a","Nghiên cứu, ứng dụng bộ lọc Kalman trong theo dõi mục tiêu rađa 3D",[29,30,31],"Cao Minh Tri","Nguyen Khanh Son","Nguyen Van Kiem",4,"Tạp chí Nghiên cứu Khoa học và Công nghệ quân sự",true,"2025-02-21",2025,1,"https:\u002F\u002Fonline.jmst.info\u002Findex.php\u002Fjmst\u002Farticle\u002Fview\u002F1413","10.54939\u002F1859-1043.j.mst.101.2025.64-71","\u003Cp>\u003Cb>Nghiên cứu mô phỏng thuật toán\u003C\u002Fb> đánh giá hiệu quả của \u003Cb class=\"publication-topic-keywords\">bộ lọc Kalman\u003C\u002Fb> \u003Ci>3D\u003C\u002Fi> trong việc ước lượng độ cao và bám bắt quỹ đạo \u003Ci>mục tiêu rađa cơ động cao (UAV, máy bay chiến đấu)\u003C\u002Fi>. Kết quả thử nghiệm cho thấy thuật toán nâng cao độ chính xác ước lượng vị trí, vận tốc và tối ưu hóa khối lượng tính toán trong không gian ba chiều. Tác giả đề xuất giải pháp tích hợp bộ lọc lên máy tính xử lý cấp 2 của đài rađa.\u003C\u002Fp>",{"publicationId":42,"title":43,"originalTitle":19,"authorNames":44,"authorCount":32,"journalName":48,"vietnamJournal":34,"publishDate":49,"publishYear":36,"totalCitation":19,"url":50,"doi":19,"summary":51},"08b478d7-4283-4ffb-a2b4-299631c3b2fe","MÔ HÌNH THỰC NGHIỆM ĐÁNH GIÁ ẢNH HƯỞNG RUNG ĐỘNG ĐẾN ƯỚC LƯỢNG GÓC NGHIÊNG CỦA QUADROTOR SỬ DỤNG BỘ LỌC KALMAN VÀ CẢM BIẾN MPU6050",[45,46,47],"Dương Mạnh Hùng","Nguyễn Trung Tấn","Phan Nhật Giang","Tạp chí khoa học và công nghệ năng lượng","2025-09-30","https:\u002F\u002Fvjol.info.vn\u002Findex.php\u002FTCDHDL\u002Farticle\u002Fview\u002F131933","\u003Cp>\u003Cb>Nghiên cứu thực nghiệm điều khiển\u003C\u002Fb> triển khai mô hình giá quay ba trục sử dụng \u003Ci>vi điều khiển STM32F303CCT6\u003C\u002Fi> kết hợp cảm biến \u003Ci>MPU6050\u003C\u002Fi> nhằm tinh chỉnh tham số \u003Cb class=\"publication-topic-keywords\">bộ lọc Kalman\u003C\u002Fb> cho thiết bị bay \u003Ci>quadrotor\u003C\u002Fi>. Thuật toán lọc giúp khử nhiễu rung động cơ học, nâng cao độ chính xác ước lượng góc nghiêng và đảm bảo ổn định các kênh điều khiển góc quay. Tác giả kết luận mô hình có tính ứng dụng cao trong phát triển hệ thống điều khiển bay tự động.\u003C\u002Fp>",[],{"code":4,"data":54,"meta":19},{"id":55,"title":56,"description":57,"content":58,"term":55,"englishTitle":19,"synonyms":19,"definition":19,"discipline":19,"references":19,"faqs":19,"createUser":59,"publishUser":19,"keywords":62,"keywordCount":83,"enrichTopicLink":34,"status":84,"createTime":85,"updateTime":86,"publishTime":19,"linkEnrichedTime":87,"publicationScanTime":88,"contentErrorMessage":19,"viewCount":89,"relateTopics":90},"bộ lọc kalman","Bộ lọc kalman là gì? Các nghiên cứu khoa học về Bộ lọc kalman","Bộ lọc Kalman là một thuật toán toán học dùng để ước lượng trạng thái của hệ thống động theo thời gian từ các dữ liệu đo bị nhiễu.\nNó kết hợp mô hình dự đoán và quan sát thực tế để liên tục điều chỉnh kết quả, giúp xác định trạng thái hệ thống một cách chính xác và hiệu quả.","\u003Ch2>Bộ lọc Kalman là gì?\u003C\u002Fh2>\u003Cp>Bộ lọc Kalman (Kalman Filter) là một {{topic|%7B%22topic%22%3A%22thu%E1%BA%ADt%20to%C3%A1n%22%7D}} ước lượng trạng thái động được sử dụng rộng rãi trong các hệ thống kỹ thuật và khoa học. Nó cho phép dự đoán trạng thái hiện tại và tương lai của một hệ thống từ các quan sát bị nhiễu, đồng thời liên tục cập nhật các ước lượng này khi có dữ liệu mới. Bộ lọc này đặc biệt hiệu quả trong các hệ thống có biến động theo thời gian và có yếu tố ngẫu nhiên, chẳng hạn như cảm biến đo đạc trong robot, vệ tinh, máy bay, xe tự hành hoặc thiết bị đeo thông minh.\u003C\u002Fp>\u003Cp>Thuật toán được giới thiệu lần đầu tiên bởi nhà toán học Rudolf E. Kalman vào năm 1960. Ban đầu được ứng dụng trong điều khiển bay và dẫn đường tên lửa, bộ lọc Kalman đã nhanh chóng được áp dụng rộng rãi trong nhiều lĩnh vực khác, từ tài chính, y tế đến {{topic|%7B%22topic%22%3A%22th%E1%BB%8B%20gi%C3%A1c%20m%C3%A1y%20t%C3%ADnh%22%7D}} và Internet of Things (IoT).\u003C\u002Fp>\u003Ch2>Bản chất toán học\u003C\u002Fh2>\u003Cp>Bộ lọc Kalman hoạt động dựa trên mô hình {{topic|%7B%22topic%22%3A%22h%E1%BB%87%20th%E1%BB%91ng%20tuy%E1%BA%BFn%20t%C3%ADnh%22%7D}} rời rạc và sử dụng {{topic|%7B%22topic%22%3A%22l%C3%BD%20thuy%E1%BA%BFt%20x%C3%A1c%20su%E1%BA%A5t%22%7D}} để kết hợp thông tin từ {{topic|%7B%22topic%22%3A%22m%C3%B4%20h%C3%ACnh%20d%E1%BB%B1%20%C4%91o%C3%A1n%22%7D}} và dữ liệu quan sát. Mục tiêu là giảm thiểu sai số trung bình bình phương của ước lượng trạng thái.\u003C\u002Fp>\u003Cp>Mô hình bao gồm hai phương trình chính:\u003C\u002Fp>\u003Cp>\u003Cstrong>1. Phương trình trạng thái (State transition model):\u003C\u002Fstrong>\u003C\u002Fp>\u003Cp>\u003Cscript type=\"math\u002Ftex\">x_k = A x_{k-1} + B u_k + w_k\u003C\u002Fscript>\u003C\u002Fp>\u003Cp>\u003Cstrong>2. Phương trình quan sát (Observation model):\u003C\u002Fstrong>\u003C\u002Fp>\u003Cp>\u003Cscript type=\"math\u002Ftex\">z_k = H x_k + v_k\u003C\u002Fscript>\u003C\u002Fp>\u003Cp>Trong đó:\u003C\u002Fp>\u003Cul>\u003Cli>\u003Cscript type=\"math\u002Ftex\">x_k\u003C\u002Fscript>: vector trạng thái tại thời điểm \u003Cscript type=\"math\u002Ftex\">k\u003C\u002Fscript> (ví dụ: vị trí, vận tốc)\u003C\u002Fli>\u003Cli>\u003Cscript type=\"math\u002Ftex\">u_k\u003C\u002Fscript>: vector điều khiển đầu vào (nếu có)\u003C\u002Fli>\u003Cli>\u003Cscript type=\"math\u002Ftex\">z_k\u003C\u002Fscript>: quan sát đo được tại thời điểm \u003Cscript type=\"math\u002Ftex\">k\u003C\u002Fscript>\u003C\u002Fli>\u003Cli>\u003Cscript type=\"math\u002Ftex\">A\u003C\u002Fscript>: ma trận chuyển trạng thái\u003C\u002Fli>\u003Cli>\u003Cscript type=\"math\u002Ftex\">B\u003C\u002Fscript>: ma trận điều khiển\u003C\u002Fli>\u003Cli>\u003Cscript type=\"math\u002Ftex\">H\u003C\u002Fscript>: ma trận quan sát\u003C\u002Fli>\u003Cli>\u003Cscript type=\"math\u002Ftex\">w_k, v_k\u003C\u002Fscript>: nhiễu hệ thống và nhiễu đo, đều được giả định là nhiễu trắng Gaussian với trung bình bằng 0 và {{topic|%7B%22topic%22%3A%22hi%E1%BB%87p%20ph%C6%B0%C6%A1ng%20sai%22%7D}} \u003Cscript type=\"math\u002Ftex\">Q\u003C\u002Fscript>, \u003Cscript type=\"math\u002Ftex\">R\u003C\u002Fscript>\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>Các bước trong thuật toán Kalman\u003C\u002Fh2>\u003Cp>Quy trình Kalman bao gồm hai giai đoạn chính: \u003Cstrong>dự đoán (predict)\u003C\u002Fstrong> và \u003Cstrong>cập nhật (update)\u003C\u002Fstrong>.\u003C\u002Fp>\u003Ch3>1. Giai đoạn dự đoán\u003C\u002Fh3>\u003Cp>Ước lượng trạng thái và sai số dựa trên mô hình:\u003C\u002Fp>\u003Cp>\u003Cscript type=\"math\u002Ftex\">\\hat{x}_{k|k-1} = A \\hat{x}_{k-1|k-1} + B u_k\u003C\u002Fscript>\u003Cscript type=\"math\u002Ftex\">P_{k|k-1} = A P_{k-1|k-1} A^T + Q\u003C\u002Fscript>\u003C\u002Fp>\u003Ch3>2. Giai đoạn cập nhật\u003C\u002Fh3>\u003Cp>Cập nhật ước lượng với thông tin mới từ phép đo:\u003C\u002Fp>\u003Cp>\u003Cscript type=\"math\u002Ftex\">K_k = P_{k|k-1} H^T (H P_{k|k-1} H^T + R)^{-1}\u003C\u002Fscript>\u003Cscript type=\"math\u002Ftex\">\\hat{x}_{k|k} = \\hat{x}_{k|k-1} + K_k (z_k - H \\hat{x}_{k|k-1})\u003C\u002Fscript>\u003Cscript type=\"math\u002Ftex\">P_{k|k} = (I - K_k H) P_{k|k-1}\u003C\u002Fscript>\u003C\u002Fp>\u003Cp>Trong đó \u003Cscript type=\"math\u002Ftex\">K_k\u003C\u002Fscript> là ma trận Kalman Gain, xác định mức độ tin tưởng vào phép đo so với mô hình.\u003C\u002Fp>\u003Ch2>Ưu điểm\u003C\u002Fh2>\u003Cul>\u003Cli>\u003Cstrong>Hiệu quả tính toán:\u003C\u002Fstrong> Bộ lọc Kalman rất nhanh và hiệu quả, phù hợp với các {{topic|%7B%22topic%22%3A%22h%E1%BB%87%20th%E1%BB%91ng%20th%E1%BB%9Di%20gian%20th%E1%BB%B1c%22%7D}}.\u003C\u002Fli>\u003Cli>\u003Cstrong>Độ chính xác cao:\u003C\u002Fstrong> Cho kết quả tối ưu trong trường hợp nhiễu có phân phối Gaussian.\u003C\u002Fli>\u003Cli>\u003Cstrong>Tính mềm dẻo:\u003C\u002Fstrong> Có thể mở rộng cho {{topic|%7B%22topic%22%3A%22h%E1%BB%87%20phi%20tuy%E1%BA%BFn%22%7D}} hoặc hệ có nhiều cảm biến.\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>Hạn chế\u003C\u002Fh2>\u003Cul>\u003Cli>Giả {{topic|%7B%22topic%22%3A%22%C4%91%E1%BB%8Bnh%20tuy%E1%BA%BFn%22%7D}} tính và {{topic|%7B%22topic%22%3A%22ph%C3%A2n%20ph%E1%BB%91i%20chu%E1%BA%A9n%22%7D}} có thể không thực tế trong nhiều ứng dụng.\u003C\u002Fli>\u003Cli>Nhạy cảm với việc thiết lập ma trận nhiễu \u003Cscript type=\"math\u002Ftex\">Q\u003C\u002Fscript> và \u003Cscript type=\"math\u002Ftex\">R\u003C\u002Fscript>.\u003C\u002Fli>\u003Cli>Không phù hợp với dữ liệu bị mất mát hoặc gián đoạn nghiêm trọng.\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>Biến thể nâng cao\u003C\u002Fh2>\u003Cp>Để xử lý các {{topic|%7B%22topic%22%3A%22h%E1%BB%87%20th%E1%BB%91ng%20phi%20tuy%E1%BA%BFn%22%7D}}, người ta sử dụng các {{topic|%7B%22topic%22%3A%22bi%E1%BA%BFn%20th%E1%BB%83%22%7D}} sau:\u003C\u002Fp>\u003Ch3>1. Extended Kalman Filter (EKF)\u003C\u002Fh3>\u003Cp>EKF tuyến tính hóa {{topic|%7B%22topic%22%3A%22m%C3%B4%20h%C3%ACnh%20phi%20tuy%E1%BA%BFn%22%7D}} tại mỗi thời điểm bằng cách dùng đạo hàm Jacobian. Thích hợp cho hệ thống có độ phi tuyến nhẹ. Tuy nhiên, EKF có thể gây ra lỗi nếu mô hình phi tuyến mạnh.\u003C\u002Fp>\u003Ch3>2. Unscented Kalman Filter (UKF)\u003C\u002Fh3>\u003Cp>UKF sử dụng phương pháp sigma-point để ước lượng {{topic|%7B%22topic%22%3A%22ph%C3%A2n%20ph%E1%BB%91i%20x%C3%A1c%20su%E1%BA%A5t%22%7D}}, cho độ chính xác cao hơn EKF mà không cần đạo hàm. Đây là lựa chọn phổ biến trong robot và hàng không vũ trụ.\u003C\u002Fp>\u003Ch3>3. Particle Filter\u003C\u002Fh3>\u003Cp>Dành cho các hệ thống có nhiễu phi Gaussian hoặc phi tuyến mạnh. Sử dụng kỹ thuật lấy mẫu Monte Carlo, nhưng có chi phí tính toán cao hơn nhiều.\u003C\u002Fp>\u003Ch2>Ứng dụng thực tế\u003C\u002Fh2>\u003Cul>\u003Cli>\u003Cstrong>Hệ thống định vị GPS\u002FINS:\u003C\u002Fstrong> Kết hợp tín hiệu GPS với dữ liệu từ {{topic|%7B%22topic%22%3A%22c%E1%BA%A3m%20bi%E1%BA%BFn%20qu%C3%A1n%20t%C3%ADnh%22%7D}} để ước lượng vị trí chính xác hơn. Xem ví dụ tại \u003Ca href=\"https:\u002F\u002Fwww.vectornav.com\u002Fresources\u002Finertial-navigation-primer\u002Fkalman-filter\">VectorNav\u003C\u002Fa>.\u003C\u002Fli>\u003Cli>\u003Cstrong>Robot tự hành:\u003C\u002Fstrong> Dùng trong SLAM để đồng thời xây dựng bản đồ và định vị robot. Thư viện \u003Ca href=\"https:\u002F\u002Fwww.robotis.us\u002Fturtlebot-3\u002F\">TurtleBot\u003C\u002Fa> có tích hợp EKF cho mục đích này.\u003C\u002Fli>\u003Cli>\u003Cstrong>Thị giác máy tính:\u003C\u002Fstrong> Theo dõi đối tượng trong video bằng Kalman Filter kết hợp với OpenCV. Tham khảo tại \u003Ca href=\"https:\u002F\u002Fdocs.opencv.org\u002F4.x\u002Fdc\u002Fd2c\u002Ftutorial_real_time_pose.html\">OpenCV Pose Tracking\u003C\u002Fa>.\u003C\u002Fli>\u003Cli>\u003Cstrong>Ứng dụng tài chính:\u003C\u002Fstrong> Dự báo chỉ số thị trường hoặc điều chỉnh mô hình dự đoán {{topic|%7B%22topic%22%3A%22gi%C3%A1%20c%E1%BB%95%20phi%E1%BA%BFu%22%7D}} trong {{topic|%7B%22topic%22%3A%22th%E1%BB%9Di%20gian%20th%E1%BB%B1c%22%7D}}.\u003C\u002Fli>\u003Cli>\u003Cstrong>Y tế:\u003C\u002Fstrong> Ứng dụng trong thiết bị theo dõi nhịp tim hoặc huyết áp liên tục để loại bỏ {{topic|%7B%22topic%22%3A%22nhi%E1%BB%85u%22%7D}} cảm biến.\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>Tham khảo và học thêm\u003C\u002Fh2>\u003Cp>Để tìm hiểu chi tiết hơn về bộ lọc Kalman, bạn có thể tham khảo các tài nguyên sau:\u003C\u002Fp>\u003Cul>\u003Cli>\u003Ca href=\"https:\u002F\u002Fwww.kalmanfilter.net\u002F\">KalmanFilter.net\u003C\u002Fa> – Giới thiệu trực quan và thực hành\u003C\u002Fli>\u003Cli>\u003Ca href=\"https:\u002F\u002Fwww.cs.unc.edu\u002F~welch\u002Fkalman\u002F\">An Introduction to the Kalman Filter – Greg Welch and Gary Bishop\u003C\u002Fa>\u003C\u002Fli>\u003Cli>\u003Ca href=\"https:\u002F\u002Fautomaticaddison.com\u002Fkalman-filter-explained-with-python-code-from-scratch\u002F\">Kalman Filter Explained with Python\u003C\u002Fa>\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>Kết luận\u003C\u002Fh2>\u003Cp>Bộ lọc Kalman là một trong những công cụ ước lượng trạng thái mạnh mẽ và phổ biến nhất hiện nay. Với khả năng tích hợp dữ liệu từ nhiều nguồn và giảm nhiễu hiệu quả, nó là thành phần không thể thiếu trong các {{topic|%7B%22topic%22%3A%22h%E1%BB%87%20th%E1%BB%91ng%20c%E1%BA%A3m%20bi%E1%BA%BFn%22%7D}}, điều khiển và dự báo. Từ hàng không, robot, thị giác máy tính đến y tế và tài chính, Kalman Filter đã chứng minh tính ứng dụng và {{topic|%7B%22topic%22%3A%22%C4%91%E1%BB%99%20tin%20c%E1%BA%ADy%22%7D}} trong thực tế.\u003C\u002Fp>",{"id":37,"researcherId":19,"name":60,"imageUrl":61},"Nguyễn Ngọc Sơn","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLGfGsF1nYQqYK5BasTLhNu1dBrBXg2fcEgBNPXJ0p2gqLQnO7i=s96-c",[63,64,65,66,67,68,69,70,71,72,73,74,75,76,77,78,79,80,81,82],"thuật toán","thị giác máy tính","hệ thống tuyến tính","lý thuyết xác suất","mô hình dự đoán","hiệp phương sai","hệ thống thời gian thực","hệ phi tuyến","định tuyến","phân phối chuẩn","hệ thống phi tuyến","biến thể","mô hình phi tuyến","phân phối xác suất","cảm biến quán tính","giá cổ phiếu","thời gian thực","nhiễu","hệ thống cảm biến","độ tin cậy",20,"PUBLISHED","2023-08-15T12:59:14.168+00:00","2026-08-28T17:05:07.681+00:00","2026-08-28T17:05:07.283+00:00","2026-08-28T16:36:05.472+00:00",1742,[91,94,97,100,103,106,109,112,115,118],{"id":92,"title":93,"term":92,"englishTitle":19,"definition":19,"discipline":19,"disciplineCode":19,"disciplineLabel":19,"disciplineColor":19,"disciplineIcon":19},"thang điểm morisky 8","Thang điểm morisky 8 là gì? Các công bố khoa học về Thang điểm morisky 8",{"id":95,"title":96,"term":95,"englishTitle":19,"definition":19,"discipline":19,"disciplineCode":19,"disciplineLabel":19,"disciplineColor":19,"disciplineIcon":19},"chuỗi markov","Chuỗi markov là gì? Các công bố khoa học về Chuỗi markov",{"id":98,"title":99,"term":98,"englishTitle":19,"definition":19,"discipline":19,"disciplineCode":19,"disciplineLabel":19,"disciplineColor":19,"disciplineIcon":19},"matlab simulink","Matlab simulink là gì? Các công bố khoa học về Matlab simulink",{"id":101,"title":102,"term":101,"englishTitle":19,"definition":19,"discipline":19,"disciplineCode":19,"disciplineLabel":19,"disciplineColor":19,"disciplineIcon":19},"tán xạ","Tán xạ là gì? Các nghiên cứu khoa học về Tán xạ",{"id":104,"title":105,"term":104,"englishTitle":19,"definition":19,"discipline":19,"disciplineCode":19,"disciplineLabel":19,"disciplineColor":19,"disciplineIcon":19},"toán cao cấp","Toán cao cấp là gì? Các nghiên cứu khoa học về Toán cao cấp",{"id":107,"title":108,"term":107,"englishTitle":19,"definition":19,"discipline":19,"disciplineCode":19,"disciplineLabel":19,"disciplineColor":19,"disciplineIcon":19},"chất lượng thông tin","Chất lượng thông tin là gì? Nghiên cứu khoa học liên quan",{"id":110,"title":111,"term":110,"englishTitle":19,"definition":19,"discipline":19,"disciplineCode":19,"disciplineLabel":19,"disciplineColor":19,"disciplineIcon":19},"trắc nghiệm khách quan","Trắc nghiệm khách quan là gì? Các công bố khoa học về Trắc nghiệm khách quan",{"id":113,"title":114,"term":113,"englishTitle":19,"definition":19,"discipline":19,"disciplineCode":19,"disciplineLabel":19,"disciplineColor":19,"disciplineIcon":19},"simulink","Simulink là gì? Các công bố khoa học về Simulink",{"id":116,"title":117,"term":116,"englishTitle":19,"definition":19,"discipline":19,"disciplineCode":19,"disciplineLabel":19,"disciplineColor":19,"disciplineIcon":19},"dòng điện xoáy","Dòng điện xoáy là gì? Các công bố khoa học về Dòng điện xoáy",{"id":119,"title":120,"term":119,"englishTitle":19,"definition":19,"discipline":19,"disciplineCode":19,"disciplineLabel":19,"disciplineColor":19,"disciplineIcon":19},"arima","Arima là gì? Các công bố khoa học về Arima"]