[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"_public_topic_publications_m%C3%B4%20h%C3%ACnh%20h%E1%BB%97n%20h%E1%BB%A3p%20gaussian{\"limit\":5}":3,"_public_topic_byId_m%C3%B4%20h%C3%ACnh%20h%E1%BB%97n%20h%E1%BB%A3p%20gaussian":11},{"code":4,"data":5,"meta":10},"SUCCESS",{"latest":6,"mostCited":7,"vietnamFeatured":8,"vietnamLatest":9},[],[],[],[],null,{"code":4,"data":12,"meta":10},{"id":13,"title":14,"description":15,"content":16,"term":13,"englishTitle":10,"synonyms":10,"definition":10,"discipline":10,"references":10,"faqs":10,"createUser":17,"publishUser":21,"keywords":22,"keywordCount":23,"enrichTopicLink":24,"status":25,"createTime":26,"updateTime":27,"publishTime":28,"linkEnrichedTime":10,"publicationScanTime":10,"contentErrorMessage":10,"viewCount":29,"wikidataId":10,"relateTopics":30},"mô hình hỗn hợp gaussian","Mô hình hỗn hợp gaussian là gì? Các bài nghiên cứu khoa học","Mô hình hỗn hợp Gaussian là kỹ thuật thống kê dùng để mô tả dữ liệu phức tạp bằng tổ hợp nhiều phân phối Gaussian, giúp nhận dạng mẫu và phân cụm dữ liệu. Mỗi Gaussian đại diện cho một cụm tiềm ẩn, kết hợp xác suất mềm, cho phép mô hình hóa dữ liệu đa chế độ và hỗ trợ các ứng dụng trong học máy, xử lý tín hiệu và thị giác máy tính. ","\u003Cdiv>\u003Ch2>Giới thiệu về mô hình hỗn hợp Gaussian\u003C\u002Fh2>\n\u003Cp>Mô hình hỗn hợp Gaussian (Gaussian Mixture Model – GMM) là một kỹ thuật thống kê mạnh mẽ, được sử dụng để mô tả phân phối dữ liệu phức tạp bằng cách kết hợp nhiều phân phối Gaussian cơ bản. GMM là một công cụ quan trọng trong học máy, phân tích dữ liệu, nhận dạng mẫu, phân cụm dữ liệu và xử lý tín hiệu. Nó cho phép mô hình hóa các dữ liệu đa chế độ (multi-modal) mà các phân phối Gaussian đơn lẻ không thể thể hiện đầy đủ.\u003C\u002Fp>\n\u003Cp>Mỗi thành phần Gaussian trong GMM đại diện cho một cụm tiềm ẩn của dữ liệu, với trung bình và ma trận hiệp phương sai riêng biệt. Việc kết hợp các thành phần này bằng trọng số thích hợp cho phép mô hình hóa các đặc trưng phức tạp và sự biến thiên trong dữ liệu. GMM cung cấp xác suất mềm (soft assignment), nghĩa là mỗi điểm dữ liệu có xác suất thuộc về từng cụm, thay vì phân loại cứng như K-means.\u003C\u002Fp>\n\u003Cp>GMM được ứng dụng rộng rãi trong các lĩnh vực như nhận dạng giọng nói, phân đoạn hình ảnh, phát hiện dị thường và mô hình hóa dữ liệu tài chính. Việc sử dụng GMM giúp phân tích dữ liệu chính xác hơn và cung cấp thông tin xác suất quan trọng cho các quyết định quản lý và dự đoán.\u003C\u002Fp>\n\n\u003Ch2>Lịch sử và phát triển\u003C\u002Fh2>\n\u003Cp>Khái niệm mô hình hỗn hợp Gaussian xuất hiện trong các nghiên cứu thống kê truyền thống từ giữa thế kỷ 20. Ban đầu, GMM được áp dụng trong nhận dạng tiếng nói và xử lý tín hiệu để mô tả các mẫu dữ liệu phức tạp mà một phân phối Gaussian đơn lẻ không thể đại diện. Trong nhận dạng tiếng nói, mỗi Gaussian đại diện cho một âm vị, giúp mô hình hóa sự biến đổi tự nhiên của giọng nói.\u003C\u002Fp>\n\u003Cp>Sự phát triển của công nghệ máy tính và học máy đã thúc đẩy ứng dụng GMM trong nhiều lĩnh vực khác. Thuật toán Expectation-Maximization (EM) trở thành phương pháp chuẩn để ước lượng tham số GMM, giúp xác định trung bình, ma trận hiệp phương sai và trọng số của từng thành phần Gaussian. EM đã tạo điều kiện cho việc áp dụng GMM trong các tập dữ liệu lớn và phức tạp.\u003C\u002Fp>\n\u003Cp>Ngày nay, GMM được tích hợp với các kỹ thuật học sâu và dữ liệu lớn, mở rộng khả năng mô hình hóa các phân phối phi Gaussian, cải thiện độ chính xác và khả năng dự báo trong các hệ thống nhận dạng mẫu, phân tích hình ảnh và dự đoán dữ liệu.\u003C\u002Fp>\n\n\u003Ch2>Cấu trúc và thành phần chính\u003C\u002Fh2>\n\u003Cp>Một GMM được xác định bởi các thành phần cơ bản sau:\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>Tổng số thành phần Gaussian K, xác định số cụm tiềm ẩn trong dữ liệu.\u003C\u002Fli>\n  \u003Cli>Trọng số \u003Ci>w_k\u003C\u002Fi> của từng Gaussian, đại diện cho tầm quan trọng của thành phần đó trong hỗn hợp, với điều kiện \u003Ci>\\sum_{k=1}^K w_k = 1\u003C\u002Fi>.\u003C\u002Fli>\n  \u003Cli>Trung bình \u003Ci>\\mu_k\u003C\u002Fi> và ma trận hiệp phương sai \u003Ci>\\Sigma_k\u003C\u002Fi> của từng Gaussian, xác định hình dạng và vị trí của cụm dữ liệu.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>Công thức tổng quát của GMM cho một điểm dữ liệu x được biểu diễn như sau:\u003C\u002Fp>\n\u003Cscript type=\"math\u002Ftex\">\np(x) = \\sum_{k=1}^{K} w_k \\mathcal{N}(x \\mid \\mu_k, \\Sigma_k)\n\u003C\u002Fscript>\n\u003Cp>Trong đó \u003Ci>\\mathcal{N}(x \\mid \\mu_k, \\Sigma_k)\u003C\u002Fi> là hàm mật độ Gaussian chuẩn với trung bình \u003Ci>\\mu_k\u003C\u002Fi> và ma trận hiệp phương sai \u003Ci>\\Sigma_k\u003C\u002Fi>. Trọng số \u003Ci>w_k\u003C\u002Fi> xác định xác suất điểm dữ liệu thuộc về thành phần k, đảm bảo tổng các trọng số bằng 1.\u003C\u002Fp>\n\u003Cp>Bảng dưới đây minh họa các tham số cơ bản trong GMM:\u003C\u002Fp>\n\u003Ctable border=\"1\">\n\u003Ctbody>\u003Ctr>\n\u003Cth>Tham số\u003C\u002Fth>\n\u003Cth>Mô tả\u003C\u002Fth>\n\u003Cth>Ghi chú\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>K\u003C\u002Ftd>\n\u003Ctd>Số thành phần Gaussian\u003C\u002Ftd>\n\u003Ctd>Xác định số cụm tiềm ẩn trong dữ liệu\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>w_k\u003C\u002Ftd>\n\u003Ctd>Trọng số của Gaussian\u003C\u002Ftd>\n\u003Ctd>Đảm bảo tổng = 1\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>μ_k\u003C\u002Ftd>\n\u003Ctd>Trung bình Gaussian\u003C\u002Ftd>\n\u003Ctd>Xác định vị trí cụm\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>Σ_k\u003C\u002Ftd>\n\u003Ctd>Ma trận hiệp phương sai\u003C\u002Ftd>\n\u003Ctd>Xác định hình dạng và hướng của cụm\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\n\u003Ch2>Nguyên lý hoạt động\u003C\u002Fh2>\n\u003Cp>Nguyên lý cơ bản của GMM là mô tả dữ liệu bằng tổ hợp nhiều Gaussian, mỗi Gaussian đại diện cho một chế độ dữ liệu tiềm ẩn. Mỗi điểm dữ liệu được xem là sinh ra từ một trong các thành phần Gaussian với xác suất tương ứng.\u003C\u002Fp>\n\u003Cp>Ước lượng tham số GMM thường sử dụng thuật toán Expectation-Maximization (EM). Quá trình EM gồm hai bước lặp lại:\u003C\u002Fp>\n\u003Col>\n  \u003Cli>\u003Cb>Expectation step:\u003C\u002Fb> Tính xác suất mỗi điểm dữ liệu thuộc về từng Gaussian dựa trên tham số hiện tại.\u003C\u002Fli>\n  \u003Cli>\u003Cb>Maximization step:\u003C\u002Fb> Cập nhật trọng số, trung bình và ma trận hiệp phương sai dựa trên xác suất vừa tính.\u003C\u002Fli>\n\u003C\u002Fol>\n\u003Cp>Quá trình lặp lại cho đến khi log-likelihood hội tụ, giúp tìm được các tham số tối đa hóa xác suất dữ liệu quan sát.\u003C\u002Fp>\n\u003Cp>Nguyên lý này giúp GMM linh hoạt mô tả các phân phối phức tạp, phân loại dữ liệu mềm (soft clustering) và tính xác suất từng điểm thuộc về cụm. Nó là cơ sở cho nhiều ứng dụng trong nhận dạng mẫu, phân đoạn hình ảnh và phân tích dữ liệu.\u003C\u002Fp>\n\u003Ch2>Ứng dụng trong phân cụm và nhận dạng mẫu\u003C\u002Fh2>\n\u003Cp>Mô hình hỗn hợp Gaussian (GMM) được sử dụng rộng rãi trong phân cụm dữ liệu nhờ khả năng mô tả dữ liệu đa chế độ. Khác với K-means, GMM sử dụng xác suất mềm (soft clustering) để xác định xác suất một điểm dữ liệu thuộc về từng cụm, giúp mô hình hóa dữ liệu không tuyến tính và phức tạp.\u003C\u002Fp>\n\u003Cp>Trong nhận dạng mẫu, GMM giúp phân loại dữ liệu dựa trên xác suất, được sử dụng trong nhận dạng giọng nói, phân đoạn hình ảnh, nhận dạng chữ viết tay và phát hiện dị thường. Mỗi Gaussian trong mô hình có thể đại diện cho một nhóm đặc trưng hoặc mẫu tiềm ẩn trong dữ liệu.\u003C\u002Fp>\n\u003Cp>GMM cũng được ứng dụng trong xử lý tín hiệu, bao gồm nhận dạng âm thanh, lọc tiếng ồn, và phân tích phổ. Khả năng mô tả phân phối xác suất liên tục giúp GMM trở thành công cụ mạnh trong các bài toán thống kê và học máy.\u003C\u002Fp>\n\n\u003Ch2>Ưu điểm và hạn chế\u003C\u002Fh2>\n\u003Cp>Ưu điểm của GMM:\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>Có khả năng mô tả dữ liệu đa chế độ và phân phối phức tạp.\u003C\u002Fli>\n  \u003Cli>Cho phép phân loại mềm, cung cấp xác suất thuộc về từng cụm thay vì phân loại cứng.\u003C\u002Fli>\n  \u003Cli>Ứng dụng linh hoạt trong nhiều lĩnh vực như tín hiệu, hình ảnh, tài chính và y tế.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>Hạn chế của GMM:\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>Độ nhạy cao với số lượng Gaussian K và việc khởi tạo tham số.\u003C\u002Fli>\n  \u003Cli>Cần dữ liệu đủ lớn để ước lượng tham số chính xác.\u003C\u002Fli>\n  \u003Cli>Giả định Gaussian cho từng cụm, nếu dữ liệu thực tế không Gaussian, có thể làm giảm hiệu quả mô hình.\u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Ch2>Thuật toán và ước lượng tham số\u003C\u002Fh2>\n\u003Cp>Ước lượng tham số GMM thường sử dụng thuật toán Expectation-Maximization (EM). Các bước cơ bản của EM gồm:\u003C\u002Fp>\n\u003Col>\n  \u003Cli>Khởi tạo trọng số, trung bình và ma trận hiệp phương sai cho từng Gaussian.\u003C\u002Fli>\n  \u003Cli>Lặp lại các bước Expectation và Maximization cho đến khi log-likelihood hội tụ.\u003C\u002Fli>\n  \u003Cli>Đánh giá log-likelihood cuối cùng để xác định sự hội tụ của mô hình.\u003C\u002Fli>\n\u003C\u002Fol>\n\u003Cp>Công thức cập nhật trong EM:\u003C\u002Fp>\n\u003Cscript type=\"math\u002Ftex\">\nw_k = \\frac{1}{N} \\sum_{i=1}^{N} \\gamma_{ik}, \\quad \\mu_k = \\frac{\\sum_{i=1}^{N} \\gamma_{ik} x_i}{\\sum_{i=1}^{N} \\gamma_{ik}}, \\quad \\Sigma_k = \\frac{\\sum_{i=1}^{N} \\gamma_{ik} (x_i-\\mu_k)(x_i-\\mu_k)^T}{\\sum_{i=1}^{N} \\gamma_{ik}}\n\u003C\u002Fscript>\n\u003Cp>Trong đó, \u003Ci>\\gamma_{ik}\u003C\u002Fi> là xác suất điểm dữ liệu \u003Ci>x_i\u003C\u002Fi> thuộc về Gaussian thứ k, N là tổng số điểm dữ liệu, \u003Ci>\\mu_k\u003C\u002Fi> và \u003Ci>\\Sigma_k\u003C\u002Fi> là trung bình và ma trận hiệp phương sai cập nhật cho Gaussian thứ k, và \u003Ci>w_k\u003C\u002Fi> là trọng số của thành phần đó.\u003C\u002Fp>\n\n\u003Ch2>Ứng dụng thực tiễn\u003C\u002Fh2>\n\u003Cp>GMM được áp dụng trong nhiều lĩnh vực thực tiễn:\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>\u003Cb>Xử lý tiếng nói:\u003C\u002Fb> Nhận dạng âm vị và mô hình hóa giọng nói (\u003Ca href=\"https:\u002F\u002Fwww.isca-speech.org\u002F\" target=\"_blank\">ISCA Speech Resources\u003C\u002Fa>).\u003C\u002Fli>\n  \u003Cli>\u003Cb>Thị giác máy tính:\u003C\u002Fb> Phân đoạn ảnh, phát hiện đối tượng, nhận dạng khuôn mặt (\u003Ca href=\"https:\u002F\u002Fopencv.org\u002F\" target=\"_blank\">OpenCV\u003C\u002Fa>).\u003C\u002Fli>\n  \u003Cli>\u003Cb>Phân tích dữ liệu:\u003C\u002Fb> Phân cụm khách hàng, dự đoán xác suất rủi ro trong tài chính và kinh doanh (\u003Ca href=\"https:\u002F\u002Fwww.sciencedirect.com\u002Ftopics\u002Fcomputer-science\u002Fgaussian-mixture-model\" target=\"_blank\">ScienceDirect – GMM Applications\u003C\u002Fa>).\u003C\u002Fli>\n  \u003Cli>\u003Cb>Phát hiện dị thường:\u003C\u002Fb> Nhận diện các điểm dữ liệu bất thường trong mạng lưới cảm biến, an ninh mạng, và hệ thống giám sát.\u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Ch2>Xu hướng và công nghệ mới\u003C\u002Fh2>\n\u003Cp>GMM đang được tích hợp với các kỹ thuật học sâu và dữ liệu lớn để nâng cao hiệu quả phân cụm và nhận dạng mẫu. Việc kết hợp GMM với mạng nơ-ron sâu (Deep Neural Networks) giúp mô hình hóa các phân phối phi Gaussian phức tạp hơn, phù hợp với dữ liệu thực tế đa dạng.\u003C\u002Fp>\n\u003Cp>Các xu hướng mới bao gồm sử dụng GMM trong học trực tuyến (Online Learning), xử lý dữ liệu thời gian thực và kết hợp với các thuật toán AI để tự động điều chỉnh số lượng Gaussian và các tham số, giúp mô hình thích ứng với thay đổi dữ liệu liên tục.\u003C\u002Fp>\n\n\u003Ch2>Tham khảo\u003C\u002Fh2>\n\u003Cul>\n  \u003Cli>\u003Ca href=\"https:\u002F\u002Fwww.sciencedirect.com\u002Ftopics\u002Fcomputer-science\u002Fgaussian-mixture-model\" target=\"_blank\">ScienceDirect – Gaussian Mixture Model\u003C\u002Fa>\u003C\u002Fli>\n  \u003Cli>\u003Ca href=\"https:\u002F\u002Ftowardsdatascience.com\u002Fgaussian-mixture-models-explained-5f6d3f4ed91d\" target=\"_blank\">Towards Data Science – GMM Explained\u003C\u002Fa>\u003C\u002Fli>\n  \u003Cli>\u003Ca href=\"https:\u002F\u002Fopencv.org\u002F\" target=\"_blank\">OpenCV – Computer Vision\u003C\u002Fa>\u003C\u002Fli>\n  \u003Cli>\u003Ca href=\"https:\u002F\u002Fwww.isca-speech.org\u002F\" target=\"_blank\">ISCA – Speech Recognition Resources\u003C\u002Fa>\u003C\u002Fli>\n  \u003Cli>\u003Ca href=\"https:\u002F\u002Fwww.mathworks.com\u002Fhelp\u002Fstats\u002Fgaussian-mixture-models.html\" target=\"_blank\">MathWorks – Gaussian Mixture Models\u003C\u002Fa>\u003C\u002Fli>\n\u003C\u002Ful>\n\u003C\u002Fdiv>",{"id":18,"researcherId":10,"name":19,"imageUrl":20},2889,"Lê Xuân Niên","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLuyWIkhyP2W5E59cKwN7ciI2nbjMGUpXO9rVQquC826ujzkqhU=s96-c",{"id":18,"researcherId":10,"name":19,"imageUrl":20},[13],1,false,"PUBLISHED","2025-11-13T18:02:17.460+00:00","2025-11-13T18:16:26.144+00:00","2025-11-13T18:16:26.140+00:00",164,[31,42,53,64,75,81,92,103,109,115],{"id":32,"title":33,"term":34,"englishTitle":35,"definition":36,"discipline":37,"disciplineCode":38,"disciplineLabel":39,"disciplineColor":40,"disciplineIcon":41},"máy quang phổ echelle","Máy quang phổ echelle (echelle spectrometer) là gì?","Máy quang phổ echelle","echelle spectrometer","Máy quang phổ echelle là loại máy quang phổ nhiễu xạ độ phân giải cao, kết hợp cách tử echelle làm việc ở bậc nhiễu xạ cao với phần tử tán sắc chéo đặt vuông góc để tách các bậc phổ chồng lấp thành ảnh phổ hai chiều trên đầu thu mảng. Kiến trúc này cho phép ghi nhận đồng thời dải bước sóng rộng với năng suất phân giải lớn mà không cần quét cơ học.","NATURAL_SCIENCES","natural-sciences","Khoa học tự nhiên","#0E9F9C","atom",{"id":43,"title":44,"term":45,"englishTitle":46,"definition":47,"discipline":48,"disciplineCode":49,"disciplineLabel":50,"disciplineColor":51,"disciplineIcon":52},"hẹp tắc động mạch nội sọ","Hẹp tắc động mạch nội sọ là gì? Cơ chế và điều trị","Hẹp tắc động mạch nội sọ","intracranial arterial stenosis","Hẹp tắc động mạch nội sọ là tình trạng thu hẹp lòng mạch hoặc bít tắc hoàn toàn một hay nhiều động mạch lớn bên trong hộp sọ, làm giảm lưu lượng máu nuôi não và gây nguy cơ cao đột quỵ thiếu máu não, trong đó căn nguyên phổ biến nhất là xơ vữa động mạch.","MEDICAL_HEALTH_SCIENCES","medical-health-sciences","Khoa học y - dược","#D6336C","stethoscope",{"id":54,"title":55,"term":56,"englishTitle":57,"definition":58,"discipline":59,"disciplineCode":60,"disciplineLabel":61,"disciplineColor":62,"disciplineIcon":63},"phép biện chứng","Phép biện chứng (dialectic) là gì?","Phép biện chứng","dialectic","Phép biện chứng là một truyền thống phương pháp luận và lý luận triết học, trong thời cổ đại chỉ nghệ thuật đối thoại hỏi đáp truy tìm chân lý, còn trong triết học cận hiện đại chỉ học thuyết về sự vận động, mối liên hệ và chuyển hóa của khái niệm hoặc hiện thực thông qua mâu thuẫn.","HUMANITIES","humanities","Nhân văn và nghệ thuật","#9333EA","book-open",{"id":65,"title":66,"term":67,"englishTitle":68,"definition":69,"discipline":70,"disciplineCode":71,"disciplineLabel":72,"disciplineColor":73,"disciplineIcon":74},"vật liệu hybrid","Vật liệu hybrid (hybrid material) là gì?","Vật liệu hybrid","hybrid material","Vật liệu hybrid (vật liệu lai) là vật liệu cấu tạo từ hỗn hợp trộn lẫn mật thiết giữa thành phần hữu cơ, vô cơ hoặc cả hai, thường đan xen ở thang kích thước nhỏ hơn 1 µm (IUPAC, 2007) nhằm tạo ra tính chất hiệp đồng vượt trội so với từng thành phần đơn lẻ.","ENGINEERING_TECHNOLOGY","engineering-technology","Kỹ thuật và công nghệ","#5B62F4","cpu",{"id":76,"title":77,"term":78,"englishTitle":79,"definition":80,"discipline":37,"disciplineCode":38,"disciplineLabel":39,"disciplineColor":40,"disciplineIcon":41},"đường cong quantum seiberg witten","Đường cong quantum Seiberg-Witten là gì? Cơ chế và ứng dụng","Đường cong quantum Seiberg-Witten","quantum Seiberg-Witten curve","Đường cong quantum Seiberg-Witten là phiên bản lượng tử hóa của đường cong đại số Seiberg-Witten cổ điển, thu được khi nâng tọa độ trên đường cong lên toán tử không giao hoán để tạo thành phương trình vi phân hoặc sai phân tuyến tính trong giới hạn Nekrasov-Shatashvili của lý thuyết chuẩn siêu đối xứng N = 2.",{"id":82,"title":83,"term":84,"englishTitle":85,"definition":86,"discipline":87,"disciplineCode":88,"disciplineLabel":89,"disciplineColor":90,"disciplineIcon":91},"sản xuất giống","Sản xuất giống (seed production) là gì?","Sản xuất giống","seed production","Sản xuất giống (seed production) là quá trình tổ chức nhân số lượng, kiểm soát chất lượng và cung ứng vật liệu nhân giống từ nguồn giống gốc nhằm duy trì độ thuần di truyền, phẩm chất sinh lý và trạng thái sạch bệnh của giống trong sản xuất nông nghiệp.","AGRICULTURAL_SCIENCES","agricultural-sciences","Khoa học nông nghiệp","#2F9E44","sprout",{"id":93,"title":94,"term":95,"englishTitle":96,"definition":97,"discipline":98,"disciplineCode":99,"disciplineLabel":100,"disciplineColor":101,"disciplineIcon":102},"lý thuyết hình ảnh","Lý thuyết hình ảnh (image theory) là gì?","Lý thuyết hình ảnh","image theory","Lý thuyết hình ảnh (image theory) là một lý thuyết tâm lý học mô tả quá trình ra quyết định cá nhân và tổ chức do Lee Roy Beach và Terence R. Mitchell đề xuất năm 1987. Thay vì tối đa hóa hữu dụng kỳ vọng, lý thuyết này cho rằng con người sàng lọc phương án dựa trên mức độ tương thích với hệ thống giá trị, mục tiêu và kế hoạch sẵn có.","SOCIAL_SCIENCES","social-sciences","Khoa học xã hội","#E08600","users",{"id":104,"title":105,"term":106,"englishTitle":107,"definition":108,"discipline":70,"disciplineCode":71,"disciplineLabel":72,"disciplineColor":73,"disciplineIcon":74},"tổng hợp urê","Tổng hợp urê (urea synthesis) là gì?","Tổng hợp urê","urea synthesis","Tổng hợp urê là quá trình hóa học và công nghệ chuyển hóa amoniac (NH3) và carbon dioxide (CO2) — hoặc các nguồn carbon, nitơ thay thế qua lộ trình điện hóa, quang hóa — thành urê (CO(NH2)2), hợp chất đạm nền tảng của ngành phân bón và hóa chất công nghiệp.",{"id":110,"title":111,"term":112,"englishTitle":113,"definition":114,"discipline":37,"disciplineCode":38,"disciplineLabel":39,"disciplineColor":40,"disciplineIcon":41},"hấp phụ hóa học","Hấp phụ hóa học (chemisorption) là gì?","Hấp phụ hóa học","chemisorption","Hấp phụ hóa học (chemisorption) là quá trình hấp phụ phát sinh từ sự hình thành liên kết hóa học mạnh giữa chất bị hấp phụ và các tâm hoạt tính trên bề mặt chất hấp phụ, tạo thành một đơn lớp trên bề mặt.",{"id":116,"title":117,"term":118,"englishTitle":119,"definition":120,"discipline":70,"disciplineCode":71,"disciplineLabel":72,"disciplineColor":73,"disciplineIcon":74},"mô đun đàn hồi động","Mô đun đàn hồi động (dynamic elastic modulus) là gì?","Mô đun đàn hồi động","dynamic elastic modulus","Mô đun đàn hồi động là đại lượng cơ học đặc trưng cho độ cứng đàn hồi của vật liệu dưới tải trọng biến thiên theo thời gian, dao động điều hòa hoặc sóng ứng suất biên độ nhỏ. Đại lượng này thường được xác định không phá hủy bằng đo tần số cộng hưởng, vận tốc xung siêu âm hoặc phân tích cơ động học."]