LUẬN VĂN THẠC SỸ NHẬN DẠNG VÂN TAY

Trang 1
Nhaọn daùng vaõn tay

i Hc Quc Gia Tp. H Chớ Minh
TRNG I HC BCH KHOA






NGUYN HONG HUY



NHN DNG VN TAY


Chuyờn ngnh : K thut in t





LUN VN THC S

TP. H CH MINH, thỏng 07 nm 2007
Trang 2
Nhận dạng vân tay







GIỚI THIỆU

1. Giới thiệu
2. Tổng quan tình hình nghiên cứu
3. Ý nghóa đề tài
Trang 3
Nhận dạng vân tay
CHƯƠNG 1:
GIỚI THIỆU

1.1 GIỚI THIỆU

Ngày nay, các kỹ thuật sinh trắc học ngày càng được ứng dụng rộng rãi. Trong
đó, nhận dạng vân tay được xem là một trong những kỹ thuật hoàn thiện và đáng
tin cậy nhất để xác nhận một người. Gần đây, kỹ thuật này được chú ý nhiều và
người ta thấy rằng nó thích hợp với những ứng dụng có cơ sở dữ liệu nhỏ, nhưng
không thuận tiện cho những ứng dụng có phạm vi lớn.
Đa số các hệ thống bảo mật hiện nay được bảo vệ bằng password và PIN
(Personal Identification Number), nhưng các phương pháp này đã được chứng
minh là không hiệu quả. Bởi vì, password là những con số khó nhớ, dễ quên và
dễ bò đánh cắp. Bằng cách sử dụng vân tay và mật mã, việc xác nhận một người
có thể được thực hiện bằng một hệ thống nhận dạng vân tay an toàn và thuận
tiên.
Hình 1.1 là cấu trúc cơ bản của hệ thống nhận dạng dấu vân tay. Đầu tiên, dấu
vân tay của một người cần được lấy mẫu (bằng một thiết bò có thể chụp được
vân tay – Biometric sensor) và lưu vào cơ sở dữ liệu (Registration module). Sau
đó, khi cần xác nhận người đó cung cấp lại một dấu vân tay khác, dấu vân tay
này sẽ được so sánh với dấu vân tay trong cơ sở dữ liệu để quyết đònh chấp nhận
hay từ chối dựa trên một giá trò ngưỡng đối sánh.



Hình 1.1: Cấu trúc cơ bản của hệ thống nhận dạng dấu vân tay

Trang 4
Nhận dạng vân tay
Hiện nay, trên thò trường thế giới đã có bán nhiều loại thiết bò chụp vân tay
(fingerprint reader, fingerprint scanner) với các chất lượng khác nhau. Bảng 1.1
giới thiệu một số loại thiết bò chụp vân tay và các thông số kỹ thuật của chúng.
Hình 1.2 là ảnh vân tay được chụp từ các thiết bò này. Chi tiết hơn có thể tham
khảo ở [15], [16].

Bảng 1.1: Một số loại thiết bò chụp vân tay và các thông số kỹ thuật của chúng

Trang 5
Nhận dạng vân tay








Hình 1.2: Ảnh vân tay được chụp từ các thiết bò trên: a) Biometrika FX2000,
b) Digital Persona UareU2000, c) Identix DFR200,
d) Ethentica TactilSense T-FPM,
e) STMicroelectronics TouchChip TCS1AD, f) Veridicom FPS110,
g) Atmel FingerChip AT77C101B, h) Authentec AES4000.

Trang 6
Nhận dạng vân tay
Để đánh giá một hệ thống nhận dạng vân tay ta cần phân tích hai loại lỗi đó là:
lỗi từ chối nhầm (False Reject Rate: FRR) và lỗi chấp nhận nhầm (False Accept
Rate: FAR)

Giá trò của hai loại lỗi này có mối quan hệ với nhau thông qua giá trò ngưỡng đối
sánh T (threshold) là sai lệch cho phép giữa mẫu cần đối sánh với mẫu được lưu
trong cơ sở dữ liệu. Khi chọn giá trò ngưỡng thấp thì lỗi từ chối nhầm sẽ tăng, lỗi
chấp nhận nhầm sẽ giảm và ngược lại.
Hệ thống thường được đánh giá theo hai cách:
1. Tỷ lệ lỗi cực tiểu SUM
min
= (FAR + FRR)
min
: theo quan điểm dù là loại lỗi
gì thì cũng là lỗi, do đó tỷ lệ lỗi cực tiểu SUM
min
là hệ số lỗi nhỏ nhất mà
hệ thống có thể đạt được.
2. Mức độ lỗi cân bằng (Equal Error Rate: EER): đó là điểm mà FAR và FRR
bằng nhau.

Hình 1.3 biểu diễn mối quan hệ giữa FAR, FRR, SUM và EER theo ngưỡng T

Hình 1.3: Mối quan hệ giữa FAR, FRR, SUM và EER theo ngưỡng T

Số lỗi chấp nhận nhầm của các vân tay khác nhau
Tổng số lần đối sánh của các vân tay khác nhau
FAR
=
Số lỗi tư
ø
chối nhầm của các vân tay khác nhau
Tổng số lần đối sánh của các vân tay khác nhau
FRR
=
FAR FRR
EER
SUM
min
SUM = FAR + FRR
T
1
0
Trang 7
Nhận dạng vân tay
1.2 TỔNG QUAN TÌNH HÌNH NGHIÊN CỨU
Các phương pháp nhận dạng vân tay kinh điển đều dựa vào việc đối sánh
(matching) các điểm đặc trưng (feature) trên vân tay. Có nhiều phương pháp đối

sánh khác nhau. Trong bài này, chúng tôi nghiên cứu phương pháp đối sánh
bằng mạng neural nhân tạo (Artificial Neural Network).

1.3 Ý NGHĨA ĐỀ TÀI
Đề tài giới thiệu một hướng nghiên cứu và ứng dụng lónh vực nhận dạng vân tay
vào thực tiễn. Một lónh vực đã khá phổ biến trên thế giới nhưng còn hạn chế ở
Việt Nam.





Trang 8
Nhận dạng vân tay







PHƯƠNG PHÁP
NHẬN DẠNG VÂN TAY

1. Các điểm đặc trưng trên ảnh vân tay
2. Trích các điểm đặc trưng
3. Làm nổi ảnh vân tay
4. Đối sánh (matching)
Trang 9
Nhận dạng vân tay

CHƯƠNG 2:

PHƯƠNG PHÁP NHẬN DẠNG VÂN TAY

2.1 CÁC ĐIỂM ĐẶC TRƯNG TRÊN ẢNH VÂN TAY
Trên các ảnh vân tay có các điểm đặc trưng (là những điểm đặc biệt mà vò trí
của nó không trùng lặp trên các vân tay khác nhau) được phân thành hai
loại: singularity và minutiae

¾ Singularity: Trên vân tay có những vùng có cấu trúc khác thường so với
những vùng bình thường khác (thường có cấu trúc song song), những vùng
như vậy goi là singularity. Có hai loại singularity là core và delta.


Hình 2.1: Các điểm singularity core và delta

Core thường có một số dạng như sau:


Hình 2.2: Một số loại core thường gặp.
core
delta
Trang 10
Nhận dạng vân tay
¾ Minutiae: Khi dò theo từng đường vân ta sẽ thấy có những điểm đường
vân kết thúc (Ridge Ending) hoặc rẽ nhánh (Bifurcation), những điểm này
được gọi chung là minutiaae.

Hình 2.3: Các điểm minutiae Ridge Ending (điểm kết thúc) và
Bifurcation (điểm rẽ nhánh)

2.2 TRÍCH CÁC ĐIỂM ĐẶC TRƯNG
Bằng các phương pháp xử lý ảnh ta có thể tìm được vò trí các điểm đặc trưng
trên các ảnh vân tay.
2.2.1 Trích các điểm singularity
a. Trường đònh hướng (orientation field)
Ảnh vân tay là ảnh đònh hướng, các đường vân là các đường cong theo các
hướng xác đònh. Góc hợp bởi phương của một điểm trên đường vân với
phương ngang được gọi là hướng của điểm đó. Tập hợp các hướng của các
điểm trên ảnh vân tay gọi là trường đònh hướng của ảnh vân tay đó.
Trang 11
Nhận dạng vân tay

Hình 2.4: ảnh vân tay (a) và trường đònh hướng của nó (b)

Phương pháp xác đònh trường đònh hướng như sau [5], [14]:
− Chia ảnh vân tay thành các khối nhỏ hơn kích thước WxW
− Tính gradient theo hai hướng x, y là Gx, Gy tại mỗi điểm (pixel) trong khối
− Khi đó hướng của điểm chính giữa của khối được xác đònh theo công thức:

()
⎟
⎟
⎟
⎠
⎞
⎜
⎜

⎜
⎝
⎛
−
=
∑∑
∑∑
==
==
−
W
i
W
j
yx
W
i
W
j
yx
jiGjiG
jiGjiG
11
22
11
1
),(),(
),(),(2
tan
2

1
ϕ


Hàm orientation.m thực hiện tính trường đònh hướng được giới thiệu trong
phần phụ lục.

b. Xác đònh các điểm singularity bằng chỉ số Poincare (Poincare index) [3]
Giả sử (i,j) là một điểm bất kỳ trên ảnh vân tay, C là một đường cong khép
kính xung quanh (i,j) thì chỉ số Poincare tại (i,j) là tổng đại số các độ sai lệch
hướng của các điểm liền kề nhau trên đường cong C.

π
ππ
π
−
−≤+
<
=Δ
)(
2/)()(
2/)()(
)(
kd
kdkd
kdkd
k
∑
−
=

Δ=
1
0
)(),(
Np
k
kjiPoincare
),(),()(
11 kkkk
yxyxkd
ϕ
ϕ
−
=
++
Trang 12
Nhận dạng vân tay

Trong đó: N
p
là tổng số điểm trên đường cong “số” C
ϕ(x,y) là hướng tại điểm (x,y)

Dựa vào chỉ số Poincare ta có thể xác đònh các điểm singularity như sau:

Hình 2.5 minh họa cách tính chỉ số poincare tại điểm (i,j) với số điểm trên
đường cong “số” N
p
= 8

Hình 2.5: Cách tính chỉ số poincare tại điểm (i,j) với N
p
= 8


Hàm poincare.m thực hiên việc tính chỉ số Poincare theo thuật toán trên và
hàm singularity.m xác đònh các điểm singularity dựa vào chỉ số Poincare (phụ
lục).

(i,j) không phải là điểm singularity
(i,j) là điểm whorl
(i,j) là điểm loop
(i,j) là điểm delta

0
0
0
0
180
180
360
0
),(
−
=jiPoincare
Trang 13
Nhận dạng vân tay

2.2.2. Trích các điểm minutiae
Có hai phương pháp chính để tìm các điểm minutiae: trích các điểm minutiae
từ ảnh binary và trích các điểm minutiae trực tiếp từ ảnh xám.
a. Trích các điểm minutiae từ ảnh binary [5]

Hình 2.6: Sơ đồ mô tả thuật toán trích các điểm minutiae từ ảnh binary

Ý tưởng chính của phương pháp này là từ ảnh xám ban đầu ta sử dụng các bộ
lọc thích hợp để phát hiện và làm mảnh đường vân dưới dạng một pixel
(ridge detection), biến đổi ảnh xám ban đầu thành ảnh binary (có giá trò là 0
hoặc 1) tương ứng.
Sau đó, các điểm minutiae sẽ được trích như sau: giả sử (x,y) là một điểm
trên đường vân đã được làm mãnh và N
0
, N
1
, …, N
7
là 8 điểm xung quanh nó
thì
• (x,y) là một điểm kết thúc nếu
1
7
0
=
∑
=i
i
N

• (x,y) là một điểm rẽ nhánh nếu
2
7
0
>
∑
=i
i
N





Trang 14
Nhận dạng vân tay


Hình 2.7: Các kết quả của thuật toán


Trang 15
Nhận dạng vân tay

b. Trích các điểm minutiae trực tiếp từ ảnh xám [1]
¾ Dò theo đường vân (Ridge line following)
Giả sử I là một ảnh xám có kích thước là m
x
n và nếu coi chiều thứ ba z là
mức xám tại điểm (i,j) thì bề mặt của ảnh vân tay I có dạng như sau:

Hình 2.8: Bề mặt của ảnh vân tay với các đường vân (ridge) và các rãnh (ravine)

Theo quan điểm toán học thì đường vân là tập hợp các điểm cực đại dọc theo
một hướng xác đònh. Việc xác đònh các điểm minutiae trực tiếp từ ảnh xám
dựa vào thuật toán dò theo đường vân. Thuật toán này dựa vào việc xác đònh
các điểm cực đại dọc theo hướng của đường vân.
¾ Xác đònh điểm cực đại
Giả sử
),),,((
σ
φ
tt
jiΩ là thiết diện của đường vân có điểm chính giữa là
),(
tt
ji , hướng của thiết diện 2/
π
ϕ
φ
+
=
t
(
t
ϕ
là hướng của đường vân tại
),(
tt
ji

) và bề rộng của thiết diện m = 2σ+1 pixel (hình 2.9). Khi đó, Ω được
xác đònh như sau:


và điểm cực đại có thể được xác đònh bằng cách so sánh mức xám giữa các
điểm trong Ω
Trang 16
Nhận dạng vân tay


Hình 2.9: Thiết diện của đường vân tại

¾ Tóm lại việc tìm các điểm minutiae bằng thuật toán dò theo đường vân
được thực hiện như sau (chi tiết xem ở tài liệu tham khảo[1]):
− Lấy một điểm bất kì (is,js) trên ảnh I
− Tìm hướng ϕ
s
tại điểm (is,js)
− Tìm điểm cực đại (ic,jc) gần (is,js) nhất


Hình 2.10: Điểm cực đại (ic,jc) tương ứng với (is,js)

− Tìm hướng ϕ
c
tại điểm (ic,jc)
− Dòch chuyển theo hướng ϕ
c
một đoạn μ
−

Tinh chỉnh lại điểm cực đại (ic,jc) và hướng ϕ
c
− Tiếp tục quá trình này để dò theo đường vân (ridge following) cho đến
khi không phát hiện được điểm cực đại (ic,jc) thì đó là điểm Ridge
Ending hoặc chạm vào một đường vân khác thì đó là điểm Bifurcation
(mỗi đường vân sau khi được dò sẽ được gán nhãn)
− Tiếp theo chọn một điểm (is,js) khác và thực hiện lại quá trình trên cho
đến khi dò hết tất cả các đường vân.
Trang 17
Nhận dạng vân tay


Hình 2.11: Dòch chuyển theo đường vân từng đoạn μ

Tất cả các thuật toán trên được thực hiện bằng hàm minutiae.m (phụ lục)

2.3 LÀM NỔI ẢNH VÂN TAY
Các ảnh vân tay thường được lấy bằng hai phương pháp: từ mực hoặc từ các
sensor. Các ảnh vân tay được lấy từ mực thường có chất lượng thấp và không
đồng đều. Phần này sẽ giới thiệu phương pháp dùng bộ lọc Gabor để cải thiện
chất lượng của ảnh vân tay [8], [13], [14].
Hàm Gabor là một công cụ hữu dụng cho việc xử lý ảnh. Nó có đặc tính chọn
lọc trong miền không gian lẫn tần số. Hàm Gabor 2_D thực có dạng như sau:
⎟
⎟
⎠
⎞
⎜
⎜
⎝

⎛
⎟
⎟
⎠
⎞
⎜
⎜
⎝
⎛
⎥
⎥
⎦
⎤
⎢
⎢
⎣
⎡
+−=
T
xyx
Tyxg
yx
φφφ
π
σσ
φ
2
cos
2
1

exp),;,(
2
2
2
2


φφ
φ
φ
φ
φ
cossin
sincos
yxy
yxx
+−=
+
=

trong đó:
φ là hướng của bộ lọc
T là chu kỳ của hàm cos (thường được chọn từ thực nghiệm có giá trò [0,1])
σ
x
, σ
y
là các độ lệch chuẩn (thường được chọn từ thực nghiệm có giá trò
[0,4])
Trang 18

Nhận dạng vân tay

Các bước thực hiện:
1. Chuẩn hóa mức xám: nếu I(x,y) là mức xám tại điểm (x,y) của ảnh I thì mức
xám chuẩn hóa N
i
(x,y) được xác đònh rheo công thức sau:

trong đó:
M
0
, V
0
là mean và variance mong muốn (thường được chọn là 100)
M
i,
V
i
là mean và variance của ảnh I
Chú ý: nếu mức xám của các vùng khác nhau trên ảnh I không đồng đều thì có
thể chia I thành các khối nhỏ và chuẩn hoá theo từng khối.



Hình 2.12: ảnh I và ảnh chuẩn hóa của nó

(Hàm normalize.m thực hiện chuẩn hóa mức xám được giới thiệu ở phụ lục)


Trang 19

Nhận dạng vân tay

2. Xác đònh trường đònh hướng theo phương pháp đã giới thiệu ở trên
3. Sử dụng hàm lọc Gabor cho ảnh đã chuẩn hóa trong miền tần số
− Chia ảnh cần lọc thành từng khối nhỏ kích thước WxW
− Xác đònh hướng của khối (dựa vào trường đònh hướng)
− Hướng φ của bộ lọc là hướng của khối
− Sử dụng phép biến đổi FFT và phép biến đổi IFFT cho từng khối ảnh và
hàm Gabor



Hình 2.13: Kết quả lọc bằng hàm gabor_filter.m (phụ lục)
với T = 0.6, σ
x
= 1, σ
y
= 2

Trang 20
Nhận dạng vân tay

2.4 ĐỐI SÁNH (MATCHING)
Hầu hết các phương pháp nhận dạng vân tay đều dựa vào việc đối sánh vò trí các
điểm đặc trưng. Gần đây, một số tác giả đã kết hợp thêm một số đặc tính khác
của ảnh vân tay để nâng cao hiệu quả đối sánh như: Orientation field [9] hoặc
Density map [10]. Chi tiết xem ở tài liệu tham khảo, ở đây tôi xin giới thiệu
phương pháp đối sánh vò trí các điểm đặc trưng mà tôi đã sử dụng, phương pháp
này gần giống với các phương pháp được nêu ở [4] và [11]. Hàm matching.m
(phụ lục) thực hiện đối sánh hai ảnh vân tay theo phương pháp này.

Giả sử I và I’ lần lượt là các ảnh vân tay mẫu và ảnh vân tay cần đối sánh,
{}
θ
,, yxm =
là các điểm đặc trưng được xác đònh bởi tọa độ (x,y) và hướng θ.

{}
{
}
{}{}
njyxmmmmI
miyxmmmmI
jjjjn
iiiim
1,,,,, ,,
1,,,,, ,,
''''''
2
'
1
'
21
===
=
=
=
θ
θ

trong đó: m, n lần lượt là số điểm đặc trưng của I và I’.

Khi đó, điểm
''
Im ∈ được coi là “giống” với điểm Im
∈
nếu độ sai lệch về
không gian và độ sai lệch về hướng nhỏ hơn các giá trò ngưỡng r
0
và θ
0
:

()
()
0
''
0
2'2''
,
)()(,
θθθ
≤−=
≤−+−=
ijij
ijijij
mmdd
ryyxxmmsd

Nếu




thì I’ được coi là giống I. Trong đó T là phần trăm số điểm sai lệch cho phép.
Tổng số điểm của I – số điểm giống nhau

Tổng số điểm của I
< ngưỡng T
Trang 21
Nhận dạng vân tay








MẠNG NEURAL
NHÂN TẠO

1. Tổng quan về neural – mạng neural
2. Một số mô hình mạng neural
Trang 22
Nhận dạng vân tay

CHƯƠNG 3:

MẠNG NEURAL NHÂN TẠO


3.1 TỔNG QUAN VỀ NEURAL – MẠNG NEURAL
1. Bộ não và neuron sinh học
Tế bào thần kinh còn gọi là “neuron”. Nghiên cứu sinh học về bộ não con
người cho thấy rằng các neuron là đơn vò cơ sở đảm nhiệm những chức năgn xử
lý nhất đònh trong hệ thần kinh, bao gồm: não, tủy sống và các dây thần kinh .
Mỗi neuron có phần thân và nhân bên trong (gọi là soma), một đầu thần kinh ra
(gọi là dendrite). Các dây thần kinhvào tạo thành một lưới dày đặc xung quanh
thân tế bào, chiếm diện tích khoảng 0,25mm
2
, còn dây thần kinh tạo rathành trục
dài có thể từ 1 cm đến hàng mét. Đường kính nhân tế bào thường chỉ là 10
-4
m.
trục dây thần kinh ra cũng có thể phân nhánh theo dạng cây để nối với dây thần
kinh vào hoặc trực tiếp với nhân tế bào các neuron khác thông qua các khớp nối
(gọi là synapse). Thông thường, mỗi neuron có thể gồm vài chục cho tới hàng
trăm khớp nối để nối với các neuron khác. Người ta ước lượng rằng lưới các dây
thần kinh ra cùng với các khớp nối bao phủ diện tích khoảng 90% bề mặt
neuron.



Hình 3.1 Cấu tạo mạng neural sinh học

Các tín hiệu truyền trong dây thần kinh vào và dây thần kinh ra của các
neural là tính hiệu điện, được thực hiện thông qua các quá trình phản ứng và giải
phóng các chất hữu cơ. Các chất này được phát ra từ các khớp nối dẫn tới các

Trang 23
Nhận dạng vân tay

dây thần kinh vào sẽ làm tăng hay giảm điện thế của nhân tế bào. Khi điện thế
này đạt đến một mức ngưỡng nào đó sẽ tạo ra một xung điện dẫn tới trục dây
thần kinh ra. Xung này được truyền theo trục, tới các nhánh rẽ khi chạm tới các
khớp nối với các neuron khác và sẽ giải phóng các chất truyền điện. Thường
chia khớp nối thành 2 loại: khớp nối kích thích (excitatory) và khớp nối ức chế
(inhibitory).
Phát hiện quan trọng nhất về bộ não sinh học là các liên kết khớp thần kinh
khá mềm dẻo, có thể biến động và sửa đổi theo thời gian tùy thuộc vào các dạng
kích thích. Hơn nữa, các neuron có thể sản sinh các liên kết mới với các neuron
khác; đôi khi, lưới các neuron có thể di trú từ vùng này sang vùng khác trong bộ
não. Đây là cơ sở quan trọng để giải thích cho cơ chế học của bộ não con người.
Các chức năng cơ bản của bộ não bao gồm:
- Bộ nhớ được tổ chức theo các bó thông tin và truy cập theo nội dung.
- Bộ não có thể tổng quát hóa, có thể truy xuất các tri thức hay các mối liên
kết chung của các đối tượng tương ứng với một khái niệm chung nào đó.
- Bộ não có khả năng điều chỉnh hoặc tiếp tục thực hiện ngay khi có những
sai do thông tin bò thiếu hay thiếu chính xác. Ngoài ra, bộ não còn có thể
phát hiện và phục hồi các thông tin bò mất dựa trên sự tương tự giữa các đối
tượng.
- Bộ não có khả năng xuống cấp và thay thế dần. Khi có những trục trặc tại
các vùng não (do chấn thương) hoặc bắt gặp những thông tin hoàn toàn mới
lạ, bộ não vẫn có thể được tiếp tục làm việc.
- Bộ não có khả năng học.
Nhìn chung, tính toán sơ bộ cho thấy rằng dù bộ vi xử lý máy tính điện tử
có thể tính toán nhanh hơn hàng triệu lần so với neuron của bộ não, nhưng xét
tổng thể thì bộ não lại tính toán nhanh hơn hàng tỷ lần. Ngoài ra, cũng dễ thấy
rằng bộ não con người có thể lưu trữ nhiều thông tin hơn các máy tính hiện đại,

dù rằng điều này không phải đúng mãi mãi bởi lẽ bộ não tiến hóa chậm còn bộ
nhớ máy tính thì được nâng cấp rất nhanh nhờ những tiến bộ của khoa học kỹ
thuật.
2. Mô hình neuron nhân tạo và mạng neuron nhân tạo
mạng neuron nhân tạo (Artificial neural network – ANN) là mạng bao gồm
các nút (neuron, đơn vò xử lý) được nối với nhau bởi các liên kết neuron. Mỗi
liên kết kèm theo một trọng số nào đó, đặc trưng cho đặc tính kích hoạt hoặc ức
chế giữa các neuron. Có thể xem các trọng số là phương tiện để lưu thông tin dài
hạn trong mạng neuron, còn nhiệm vụ của quá trình huấn luyện (học) là cập
nhật các trọng số khi có thêm thông tin về các mẫu học, hay nói cách khác, các
Trang 24
Nhận dạng vân tay

trọng số được điều chỉnh sao cho dáng điệu vào ra của nó mô phỏng hoàn toàn
phù hợp môi trường đang xem xét.
a. Mô hình nhân tạo



Hình 3.2 Mô hình neural nhân tạo

Mỗi nueron được nối với các neuron khác và nhận được các tín hiệu từ
chúng với các trọng số wj.
- Tổng thông tin vào có trọng số là:
- Net =
jj
sw
∑
, đây là thành phần tuyến tính của neuron
- Hàm kích hoạt g đóng vai trò biến đổi từ Nét sang tín hiệu đầu ra out

- Out = g(Net), đây là thành phần phi tuyến của mạng neuron
- Một số dạng hàm kích hoạt thường dùng trong thực tế:
+ Hàm bước: step(x)=
⎩
⎨
⎧
<
≥
0,0
0,1
x
x
(3.1)

+ Hàm dấu : sign(x)=
⎩
⎨
⎧
<−
≥
0,1
0,1
x
x
(3.2)

+ Hàm sigmoid 1: sigmoid(x)=
)(
1
1

θα
+−
+
x
e
(3.3)

+ Hàm sigmoid 2: sigmoid(x)=a .
1
1
)(
)(
+
−
+−
+−
θα
θα
x
x
e
e
(3.4)
Trong đó :
S=
), ,,(
21
sss
: vector tín hiệu vào
W=

), ,(
21 n
www : vector trọng số
θ
: là ngưỡng đóng vai trò làm tăng tính thích nghi và khả năng tính tốn
của mạng neuron

Trang 25
Nhaọn daùng vaõn tay

b. Mng neuron nhõn to
Mng neuron nhõn to, sau õy gi tt l mng neuron,c xõy dng trờn c
s mng neuron sinh hc, l h thng bao gm nhiu phn t x lý n gin
(neuron), hot ng song song. Tớnh nng ca h thng ny tựy thuc vo cu trỳc
ca h, cỏc trng s liờn kt v cu trỳc ca chỳngcho phự hp vi mu hc. trong
mng neuron, cỏc neuron ún nhn tớn hiu vo g
i l neuron vo, cũn cỏc neuron
a thụng tin ra gi l nueron ra. Cỏc thụng s cu trỳc mng neuron bao gm:
- S tớn hiu vo, s tớn hiu ra.
- S lp neuron
- S neuron trờn mi lp n
- S lng liờn kt ca mi neuron (y , b phn, ngu nhiờn)
- Cỏc trng s liờn kt
b.1 Phõn loi mng neuron
- Theo kiu liờn kt neuron, ta cú mng neuron truyn thng (feed-forward
neural network) v mng neuron hi qui (recurrent neural network). Trong mng
neuron truy
n thng, cỏc liờn kt neuron i theo mt hng nht nh , khụng cú
chu trỡnh. Ngc li, mng neuron hi qui cho phộp cỏc liờn kt neuron to thnh
chu trỡnh. Vỡ cỏc thụng tin ra ca cỏc neuron c truyn li cho chớnh cỏc neuron

nờn ó gúp phn kớch hot cho chỳng v to ra kh nng lu gi trng thỏi trong ca
nú di dng cỏc ngng kớch hot ngoi cỏc trng s liờn kt neuron.
- Theo s lp, ta cú mng neuron mt lp (single-layer) v mng neuron a
lp (multi-layer). Trong ú, thụng thng lp neuron vo ch
chu trỏch nhim
truyn a tớn hiu vo, khụng thc hin mt tớnh toỏn no, nờn khi tớnh s lp ca
mng ta khụng tớnh lp ny vo.
b.2 Cỏch nhỡn v mng neuron
+ Cú th xem mng neuron nh mt cụng c toỏn hc, mt bng tra. Gi s
mng neuron NN cú m neuron vo v n neuron ra, khi ú vi mi vector tớn hiu
vo X=
), ,,(
21 m
xxx sau quỏ trỡnh tớnh toỏn ti cỏc neuron n s nhn c kt qu
ra Y=
), ,,(
21 n
yyy v ta qui c vit Y = out (X,NN).
+ Mng neuron nh mt h thng thớch nghi, cú kh nng hc (hun luyn)
tinh chnh cỏc trng s liờn kt cng nh cu trỳc ca chỳng sao cho phự hp vi
cỏc mu hc (samples). Thng phõn bit 3 k thut hc:
+ Hc cú giỏm sỏt (supervised learning), cũn gi l hc cú thy: Mng c
cung cp mt tp mu hc {(x,d)} theo ngha x l cỏc tớn hiu vo thỡ kt qu
ỳng
ca h phi l d. mi ln hc, vector tớn hiu vo x c a vo mng, sau ú so
sỏnh s sai khỏc gia cỏc kt qu ra ỳng d vi kt qu tớnh toỏn Y. Sai s ny c
dựng hiu chnh li cỏc trng s liờn kt trong mng. quỏ trỡnh c tip tc cho
n khi tha món mt tiờu chun no ú. Cú 2 cỏch s dng tp mu hc: hoc dựng
cỏc mu ln lt ht m
u ny n mu khỏc, hoc s dng ng thi tt c cỏc

mu cựng mt lỳc.