nguyên cứu và xây dựng hệ thống quản lý và dự đoán xu thế giá chứng khoán dựa trên nền tảng mã nguồn mở

ĐẠI HỌC QUỐC GIA HÀ NỘI
TRƯỜNG ĐẠI HỌC CÔNG NGHỆ
Vũ Đức Việt
NGUYÊN CỨU VÀ XÂY DỰNG HỆ THỐNG
QUẢN LÝ
VÀ DỰ ĐOÁN XU THẾ GIÁ CHỨNG
KHOÁN DỰA
TRÊN NỀN TẢNG MÃ NGUỒN MỞ
KHOÁ LUẬN TỐT NGHIỆP ĐẠI HỌC HỆ CHÍNH
QUY
Ngành: Công nghệ thông tin
Cán bộ hướng dẫn: TS. Nguyễn Hà Nam
HÀ NỘI – 2010
1
TÓM TẮT
Bài toán dự báo tài chính ngày càng được nhiều người quan tâm trong bối cảnh phát
triển kinh tế xã hội ở Việt Nam hiện nay. Đầu tư vào thị trường chứng khoán đòi hỏi
nhiều kinh nghiệm và hiểu biết của các nhà đầu tư. Các kĩ thuật khai phá dữ liệu được áp
dụng nhằm dự báo sự lên xuống của thị trường là một gợi ý giúp các nhà đầu tư có thể ra
các quyết định giao dịch. Khóa luận này giới thiệu một kỹ thuật khai phá dữ liệu hiệu quả
được sử dụng rộng rãi trong nhiều lĩnh vực đó là mô hình mạng nơ ron và cách áp dụng
vào dữ liệu thời gian thực. Cấu trúc và hoạt động cũng như cách thiết kế mạng cho dữ liệu
thời gian thực áp dụng trong bài toán dự báo tài chính được trình bày chi tiết nhằm làm rõ
cách áp dụng mô hình vào bài toán thực tế.
2
MỤC LỤC
TÓM TẮT
MỤC LỤC
DANH MỤC HÌNH VẼ
DANH MỤC BẢNG BIỂU
Chương 1. GIỚI THIỆU 1

Chương 2. GIỚI THIỆU VỀ KHAI PHÁ DỮ LIỆU VÀ PHÁT HIỆN TRI THỨC . 2
2.1. Khai phá dữ liệu và phát hiện tri thức 2
2.2 Tại sao phải tiến hành khai phá dữ liệu? 4
2.3. Kiến trúc điển hình của một hệ khai phá dữ liệu 5
2.4. Các bài toán khai phá dữ liệu điển hình 6
2.5. Các ứng dụng điển hình của khai phá dữ liệu 8
2.6. Kết luận 8
Chương 3. CƠ SỞ LÝ THUYẾT CỦA MẠNG NORON CHO VẤN ĐỀ DỰ BÁO 9
3.1. Khái niệm về mạng noron 9
3.2. Mô hình của một noron nhân tạo và hàm truyền 9
3.2.1. Mô hình của một noron 9
3.2.2. Hàm truyền 12
3.3. Mô hình của mạng noron 14
3.3.1. Mạng tiến 14
3.3.2. Mạng hồi quy 16
3.4. Phương pháp học và thuật toán lan truyền ngược cho mạng 17
3.4.1. Cơ sở lý thuyết học của mạng 17
3
3.4.2. Thuật toán lan truyền ngược (back – propagation) 18
Chương 4. MẠNG NORON CHO QUÁ TRÌNH DỰ ĐOÁN 23
4.1. Mô hình mạng noron cho việc dự báo 23
4.2. Các bước thiết kế mô hình 24
4.2.1. Chọn lựa các biến 25
4.2.2. Thu thập dữ liệu 25
4.2.3. Tiền xử lý dữ liệu 25
4.2.4. Phân hoạch tập dữ liệu 26
4.2.5. Xác định cấu trúc mạng 27
4.2.6. Xác định tiêu chuẩn đánh giá 30
4.2.7. Huấn luyện mạng nơ ron 32
4.2.8. Triển khai 33

4.3 Tổng kết 34
Chương 5. XÂY DỰNG CHƯƠNG TRÌNH VÀ 35
ĐÁNH GIÁ 35
5.1. Vài nét về các phần mềm nguồn mở được sử dụng 35
5.1.1. Weka 35
5.1.2. Jstock 37
5.2. Mô hình kết hợp giữa hai gói phần mềm mã nguồn mở 38
5.2.1. Chuyển dữ liệu thời gian thực 39
5.2.2. Xác định mô hình phù hợp 40
5.2.3. Chuyển kết quả cho stock hiển thị 43
5.3. Đánh giá với một số mô hình khác 43
5.3.1. Mô hình cây quyết định 44
5.3.2. Mô hình phân lớp xác suất ngây thơ naïve bayes 46
4
Chương 6. KẾT LUẬN 49
TÀI LIỆU THAM KHẢO 50
5
DANH MỤC HÌNH VẼ
Hình 2.1 – Quá trình khai phá tri thức [1] 3
Hình 2.2 – Kiến trúc điển hình của một hệ thống khai phá dữ liệu [2] 5
Hình 2.3 – Bảng thống kê xu thế phát triển khai phá dữ liệu [1] 8
Hình 3.1 - Mô hình của một noron[2] 10
Hình 3.2 – Mô hình của một noron được vẽ lại [2] 11
Hình 3.3 – Hàm ngưỡng 12
Hình 3.4 – Hàm vùng tuyến tính 13
Hình 3.5 – Hàm tuyến tính 13
Hình 3.6 – Hàm sigma với các độ dốc khác nhau 14
Hình 3.7 – Mô hình mạng tiến đơn mức 15
Hình 3.8 – Mô hình mạng tiến đa mức 16
Hình 3.9 – Mô hình mạng tiến có sự phản hồi 17

Hình 4.1 – Mô hình dự đoán sử dụng mạng noron 23
Hình 4.2 – Tỷ lệ kích thước giữa các tập huấn luyện [9] 27
Hình 4.3 – Độ hội tụ: 3 tầng, 20 nơ ron ẩn, 50 bước 29
Hình 4.4 – Độ hội tụ: 3 tầng, 20 nơ ron ẩn, 100 bước 29
Hình 4.5 – Độ hội tụ: 3 tầng, 20 nơ ron ẩn, 300 bước 29
Hình 4.6 – Độ hội tụ: 3 tầng, 50 nơ ron ẩn, 5 bước 30
Hình 4.7 – Độ hội tụ: 3 tầng, 50 nơ ron ẩn, 50 bước 30
Hình 5.1 – Giao diện chính của weka 36
Hình 5.2 – Giao diện chính của Jstock 37
Hình 5.3 – Mô hình hệ thống khóa luận xây dựng 38
Hình 5.4 – Kết quả huấn luyện mạng noron bằng dòng lệnh weka 42
Hình 5.5 – Mô hình cây quyết định 45
6
DANH MỤC BẢNG BIỂU
Bảng 4.1 – Tổ chức dữ liệu của mô hình 26
Bảng 5.1 – Huấn luyện mạng noron 44
Bảng 5.2 – Huấn luyện cây quyết định 46
Bảng 5.3 – Huấn luyện naïve bayes 48
Bảng 5.4 – So sánh các mô hình 48
7
Chương 1. GIỚI THIỆU
Trong những năm gần đây, người ta thường nhắc đến khai phá dữ liệu (datamining)
– khái niệm được dùng để tham chiếu đến quá trình phát hiện tri thức và khai phá dữ liệu
(KDD – Knowledge Discovery and Data mining) – như là một phương pháp xác định ra
tri thức từ một lượng dữ liệu khổng lồ. Sự phát triển của công nghệ thông tin và việc ứng
dụng công nghệ thông tin trong nhiều lĩnh vực của đời sống, kinh tế xã hội trong nhiều
năm qua cũng đồng nghĩa với lượng dữ liệu đã được các cơ quan thu thập và lưu trữ ngày
một tích luỹ nhiều lên. Hơn nữa thông tin thu thập được từ nhiều chiều khác nhau và gây
nhiễu cho nhau đã thực sự trở thành một vấn đề nan giải cho con người để xử lý lượng
thông tin lớn đang tăng lên từng ngày một. Với những lý do như vậy, các phương pháp

quản trị và khai thác cơ sở dữ liệu truyền thống ngày càng không đáp ứng được thực tế đã
làm phát triển một khuynh hướng kỹ thuật mới đó là Kỹ thuật phát hiện tri thức và khai
phá dữ liệu (KDD - Knowledge Discovery and Data Mining).
Có nhiều kỹ thuật để khai phá dữ liệu trong đó kỹ thuật dựa vào mạng Noron khá là
phổ biến [2]. Một trong những ứng dụng kinh điển của mạng Noron là lớp các bài toán dự
đoán vì mạng Noron ngoài khả năng dự đoán với độ chính xác cao nó còn có ưu điểm là
mềm dẻo và thích nghi cao với môi trường, rất thích hợp cho bài toán dự đoán với dữ liệu
thay đổi nhanh theo thời gian. Chính vì vậy, khóa luận sẽ sử dụng mạng Noron để dự
đoán xu thế của giá chứng khoán.
Các hệ thống chứng khoán thường là những hệ thống rất phức tạp vì vậy rất khó có
thể dự đoán được dữ liệu của nó. Nó phụ thuộc vào rất nhiều yếu tố trong đó có những
yếu tố không thể định lượng được như: tâm lý, sự mù quáng của nhà đầu tư…. Mặc dù
vậy thị trường chứng khoán không phải là một quá trình ngẫu nhiên và nó có quy luật của
nó và có thể dự đoán được. Tìm ra được xu hướng của thị trường chứng khoán sẽ là chìa
khóa giúp cho quá trình hỗ trợ quyết định của nhà đầu tư.
Trước sự hấp dẫn của các ứng dụng của mạng noron, sự phát triển đi lên của thị
trường chứng khoán, cùng sự động viên khuyến khích của thầy hướng dẫn, tôi đã quyết
định thực hiện những nghiên cứu về mạng noron để dự báo xu thế thị trường chứng khoán
nhằm đưa ra những gợi ý cho nhà đầu tư. Do thời gian làm khóa luận có hạn nên tôi mới
chỉ xây dựng được các thành phần cơ bản nhất của phần mềm. Các tính năng nâng cao tôi
sẽ cố hoàn thiện sau này.
1
Chương 2. GIỚI THIỆU VỀ KHAI PHÁ DỮ LIỆU
VÀ PHÁT HIỆN TRI THỨC
2.1. Khai phá dữ liệu và phát hiện tri thức
Phát hiện tri thức trong cơ sở dữ liệu (Knowledge Discovery in Databases – KDD)
(đôi khi còn được gọi là khai phá dữ liệu) là một quá trình không đơn giản nhằm nhận
dạng ra những mẫu có giá trị, mới, hữu ích tiềm năng và hiểu được trong dữ liệu. Đây là
lĩnh vực nghiên cứu và triển khai được phát triển rất nhanh chóng và có phạm vi rất rộng
lớn, lại được rất nhiều nhóm nghiên cứu tại nhiều trường đại học, viện nghiên cứu, công

ty ở nhiều quốc gia trên thế giới quan tâm, cho nên có rất nhiều cách tiếp cận khác nhau
đối với lĩnh vực phát hiện tri thức trong CSDL. Chính vì lý do đó các nhà khoa học trên
thế giới đã dùng nhiều thuật ngữ khác nhau, mà các thuật ngữ này được coi là mang cùng
nghĩa với KDD như chiết lọc tri thức (knowledge extraction), phát hiện thông tin
(information discovery), thu hoạch thông tin (information harvesting), khai quật dữ liệu
(data archaeology), xử lý mẫu dữ liệu (data pattern processing) Hơn nữa, trong nhiều
trường hợp, hai khái niệm "Phát hiện tri thức trong cơ sở dữ liệu" và "khai phá dữ liệu"
còn được dùng thay thế nhau. Hai khái niệm khai phá dữ liệu và phát hiện tri thức trong
các CSDL thường cặp đôi với nhau [1].
Quá trình KDD thường bao gồm nhiều bước là:
-
-
-
-
-
-
Làm sạch dữ liệu (Data Cleaning): Khử nhiễu và các dữ liệu mâu thuẫn.
Tích hợp dữ liệu (Data Integration): Kết hợp nhiều nguồn dữ liệu khác
nhau.
Lựa chọn dữ liệu (Data Selection): Chắt lọc lấy những dữ liệu liên quan
đến nhiệm vụ phân tích sau này.
Biến đổi dữ liệu (Data Transformation): Biến đổi dữ liệu thu được về dạng
thích hợp cho quá trình khai phá.
Khai phá dữ liệu (Data Mining): Sử dụng những phương pháp thông minh
để khai thác dữ liệu nhằm thu được các mẫu mong muốn.
Đánh giá kết quả (Pattern Evaluation): Sử dụng các độ đo để đánh giá kết
quả thu được.
2
-
Biểu diễn tri thức (Knowledge Presentation): Sử dụng các công cụ biểu

diễn trực quan để biểu diễn những tri thức khai phá được
cho người dùng.
Hình 2.1 – Quá trình khai phá tri thức [1]
Quá trình trên được thừa nhận là không tầm thường theo nghĩa là quá
trình đó không
chỉ nhiều bước mà còn được thực hiện lặp, và quan trọng hơn quá trình đó
bao hàm một
mức độ tìm kiếm tự động. Trong mô hình chúng ta đã coi KDD là một quá
trình bao gồm
nhiều bước thực hiện, trong đó, khai phá dữ liệu là một bước thực hiện
chính yếu. Cách
hiểu như vậy đã quy định có sự phân biệt giữa hai khái niệm khai phá dữ
liệu và KDD.
Từ đây có thể đi đến một khái niệm về khai phá dữ liệu:
Khai phá dữ liệu là một bước trong quá trình phát hiện tri thức trong
cơ sở dữ liệu,
thi hành một thuật toán khai phá dữ liệu để tìm ra các mẫu từ dữ liệu theo
khuôn dạng
thích hợp.
3
Có thể nhận xét rằng, khái niệm khai phá dữ liệu là khá rộng lớn, nhưng không
phải tất cả mọi công việc liên quan đến dữ liệu đều được coi là khai phá dữ liệu, chẳng
hạn như những việc xử lý truy vấn đơn giản như tra cứu một số điện thoại, hay thống kê
ra những học sinh giỏi của một lớp, thì không thể coi đó là khai phá dữ liệu. Nhưng
những công việc như gom nhóm các tài liệu trả về từ máy tìm kiếm theo từng ngữ cảnh
thì lại được xem là khai phá dữ liệu [1] . Chính vì sự phong phú và đa dạng này mà dẫn
đến thực trạng là tồn tại một số quan niệm khác nhau về chuyên ngành nghiên cứu gần
gũi nhất với lĩnh vực khai phá dữ liệu.
2.2 Tại sao phải tiến hành khai phá dữ liệu?
Trong những năm gần đây, khai phá dữ liệu trở thành một lĩnh vực nghiên cứu rộng

rãi trong ngành công nghiệp thông tin, nguyên nhân chủ yếu là do khối lượng khổng lồ
của dữ liệu mà con người tạo ra, đi kèm với nó là sự cần thiết của việc rút trích tri thức từ
những dữ liệu đó. Thông tin và tri thức có thể được áp dụng vào nhiều lĩnh vực từ phân
tích thị trường tài chính, phát hiện giả mạo, cho đến điều khiển sản xuất và nghiên cứu
khoa học.
Nhìn vào hai lĩnh vực sinh ra nhiều dữ liệu nhất đó là thương mại và khoa học.
Trong lĩnh vực thương mại, hàng ngày hàng giờ con người đang tạo ra, thu thập và lưu trữ
lại rất nhiều dữ liệu, như dữ liệu web, dữ liệu về thương mại điện tử, dữ liệu về việc thanh
toán tại các cửa hàng và các dữ liệu thanh toán trong các tài khoản… Tính cạnh tranh
trong kinh doanh là rất cao, cho nên việc phân tích dữ liệu để cung cấp dịch vụ tốt hơn, có
nhiều tiện ích cho khách hàng, và đón bắt chính xác nhu cầu của khách hàng rất quan
trọng. Trong lĩnh vực khoa học, dường như lượng dữ liệu sinh ra và thu thập lại còn lớn
hơn nhiều, lên tới hàng GB/giờ, chẳng hạn như dữ liệu từ vệ tinh, từ các ảnh chụp vũ trụ
và từ các mô phỏng thử nghiệm khoa học. Khai phá dữ liệu giúp các nhà khoa học trong
việc phân lớp dữ liệu và hỗ trợ trong việc đưa ra các quyết định.
Cùng với sự phát triển của khoa học, của ngành cơ sở dữ liệu không thể không kể
đến là sự phát triển của ngành công nghiệp máy tính, người ta đã tạo ra những phương
tiện lưu trữ lớn hơn, những máy tính rẻ hơn, tốc độ cao hơn, trợ giúp cho quá trình thu
thập dữ liệu cũng như khai phá chúng.
4
Trong quá trình tác nghiệp, người ta thường phải đưa ra các quyết định, tuy nhiên,
với lượng dữ liệu khổng lồ như thế, người ta không thể sử dụng hết, hoặc nếu muốn sử
dụng thì phải mất thời gian quá nhiều, như vậy có nguy cơ đánh mất cơ hội. Do đó, việc
sử dụng máy tính để khai phá dữ liệu nhằm giúp đỡ con người trong công việc càng được
thúc đẩy mạnh mẽ, làm sao với các dữ liệu đã thu thập được có thể đưa ra hành động
mang lại lợi ích tối đa.
2.3. Kiến trúc điển hình của một hệ khai phá dữ liệu
Dưới đây là kiến trúc của một hệ thống khai phá dữ liệu:
Hình 2.2 – Kiến trúc điển hình của một hệ thống khai phá dữ liệu [2]
Trong kiến trúc hệ thống này, các nguồn dữ liệu cho các hệ thống khai phá dữ liệu

bao gồm hoặc Cơ sở dữ liệu, hoặc Kho dữ liệu, hoặc World Wide Web, hoặc kho chứa dữ
liệu kiểu bất kỳ khác, hoặc tổ hợp các kiểu đã liệt kê nói trên. Cơ sở tri thức, bao chứa các
5
tri thức miền ứng dụng hiện có, được sử dụng trong thành phần hệ thống khai phá dữ liệu
để làm tăng tính hiệu quả của thành phần này. Một số tham số của thuật toán khai phá dữ
liệu tương ứng sẽ được tinh chỉnh theo tri thức miền sẵn có từ cơ sở tri thức trong hệ
thống. Cơ sở tri thức còn được sử dụng trong việc đánh giá các mẫu đã khai phá được
xem chúng có thực sự hấp dẫn hay không, trong đó có việc đối chứng mẫu mới với các tri
thức đã có trong cơ sở tri thức. Nếu mẫu khai phá được là thực sự hấp dẫn thì chúng được
bổ sung vào cơ sở tri thức để phục vụ cho hoạt động tiếp theo của hệ thống. Như vậy,
nguồn tri thức bổ sung vào cơ sở tri thức ở đây không chỉ từ lập luận lôgic theo các hệ
toán lôgic để có tri thức mới, không chỉ do con người hiểu biết thêm về thế giới khách
quan để bổ sung vào mà còn là tri thức được phát hiện một cách tự động từ nguồn dữ liệu
[1].
2.4. Các bài toán khai phá dữ liệu điển hình
Mô tả khái niệm/lớp (concept/class description):
Dữ liệu có thể được kết hợp với khái niệm hoặc lớp. Ví dụ ta có chia dữ liệu về sản
phẩm điện tử thành các lớp sản phẩm như máy tính, máy in, máy chiếu… Mỗi lớp/khái
niệm được miêu tả riêng một cách tổng quan và chính xác. Việc miêu tả này có được
thông qua: sự mô tả tính chất của dữ liệu (data characterization) hoặc phân biệt dữ liệu
(data discrimination) hoặc kết hợp cả hai.
Mô tả tính chất dữ liệu (data characterization): là sự tổng hợp những đặc tính chung
nhất của lớp dữ liệu. ví dụ: đối với những người khách hàng tiêu nhiều tiền ta có thể tổng
hợp những đặc điểm của người đó như sau: tuổi đời trung niên, có việc làm ổn định, có
khả năng thanh toán cao.
Phân biệt dữ liệu (data discrimination): là sự so sánh những đặc tính chung một lớp
đối tượng dữ liệu với những đặc tính chung của một lớp đối tượng dữ liệu khác từ một tập
những lớp tương phản. ví dụ: so sánh hai đối tượng khách hàng, một đối tượng thường
xuyên mua điện thoại còn một đối tượng ít khi mua điện thoại. điều này đem đên một sự
so sánh giữa hai đối tượng, đối tượng thứ nhất thường là những người trẻ tuổi còn đối

tượng thứ 2 thường là những người trung tuổi.
Phân tích kết hợp (association analysis):
6
Từ một hoặc một vài sự kiện của đối tượng xảy ra kết hợp với nhau có thể kéo theo
những sự kiện khác xảy ra.
Ví dụ: một người mua máy tính thì rất có thể họ sẽ mua phần mềm, ta có thể viết
dưới dạng luật như sau:
Buys(X, “computer”) =>> buys(X, “software”)
[support = 1%, confident = 50%]
X: đại diện cho người
Support = 1%: có 1% khách hàng đã mua đồng thời máy tính và phần mềm
Confident = 50%: khả năng mỗi khách hàng mua đồng thời là 50%
Trên đây là luật kết hợp một chiều. ta có thể có luật kết hợp nhiều chiều như sau:
Age(X, “20….29”) ^ income(X, “20…29K”) =>> buys(X, “PC”) [support = 2%,
confident = 60%]
Phân loại và dự đoán (classification and prediction)
Sự phân loại là quá trình tìm một mô hình (model) mà mô tả và phân biệt những lớp
đối tượng với nhau. Mục đích của việc sử dụng mô hình là để dự đoán (predict) những
lớp đối tượng chưa biết. Mô hình được suy dẫn ra dựa trên sự phân tích một tập dữ liệu
huấn luyện (training data) (đối tượng dữ liệu mà ta đã biết). Hình thức biểu diễn: cây
quyết định (decision tree), luật phân loại (classification rule), mạng nơron (neural
network).
Phân cụm (cluster analysis):
Khác với phân loại và dự đoán, phân cụm phân tích những đối tượng dữ liệu mà
không cần xem xét những lớp đã biết. phân cụm dựa trên phương pháp: cực đại hóa sự
tương đồng của lớp bên trong và cực tiểu hóa sự tương đồng của lớp bên ngoài. Tức là
những cụm đối tượng được thành lập để những đối tượng trong một cụm thì rất giống
nhau nhưng khác rất nhiều so với những đối tượng trong cụm khác.
Phân tích tiến hóa:
Phân tích tiến hóa dữ liệu miêu tả và mô hình xu hướng về những sự thay đổi của

đối tượng qua thời gian. Điều này giúp dự đoán được tương lai.
7
2.5. Các ứng dụng điển hình của khai phá dữ liệu
Dưới đây là bảng thống kê những xu thế phát triển của các lĩnh vực ứng dụng khai
phá dữ liệu điển hình trong các năm 2003, 2004, 2006 và xu hướng phát triển của chúng.
Hình 2.3 – Bảng thống kê xu thế phát triển khai phá dữ liệu [1]
2.6. Kết luận
Trong chương này tôi đã trình bày những nét cơ bản về khai phá dữ liệu và những
ứng dụng của nó. Có thể nói lĩnh vực khai phá dữ liệu là khá mới mẻ và có xu hướng tăng
trưởng cao trong những năm tới. Trong chương tới, tôi sẽ giới thiệu một kỹ thuật được sử
dụng khá phổ biến trong khai phá dữ liệu đó là kỹ thuật sử dụng mạng noron.
8
Chương 3. CƠ SỞ LÝ THUYẾT CỦA MẠNG
NORON CHO VẤN ĐỀ DỰ BÁO
3.1. Khái niệm về mạng noron.
Lý thuyết về mạng noron [3] [2] được xuất phát từ ý tưởng mô phỏng cấu trúc bộ
não con người. Thực tế có thể coi bộ não con người là một máy tính hay một hệ thống xử
lý thông tin song song, phi tuyến và cực kỳ phức tạp. Nó có khả năng tự tổ chức các bộ
phận cấu thành nó như là các tế bào thần kinh (noron) hay các khớp nối thần kinh
(synapse). Việc mô phỏng này dựa trên những nghiên cứu về thần kinh sinh học. Bộ não
con người có khả năng nhận dạng mẫu và điều khiển vận động rất tốt, do đó điểm mạnh
của mạng noron cũng chính là những khả năng này.
Định nghĩa mạng noron [6]: mạng nơ ron nhân tạo, artificial neural network,
(thường được gọi ngắn gọn là mạng nơ ron, neural network) là mạng các phần tử (gọi là
nơ ron) kết nối với nhau thông qua các liên kết (gọi là trọng số liên kết) để thực hiện một
công việc nào đó. Khả năng xử lý của mạng nơ ron được hình thành thông qua quá trình
hiệu chỉnh trọng số liên kết giữa các nơ ron, nói cách khác là học từ tập hợp các mẫu huấn
luyện.
Như vậy một mạng noron được cấu thành từ các noron riêng biệt. Cách thức kết hợp
các noron này với nhau sẽ tạo ra một mạng có tính chất riêng. Do đó để hiểu về mạng

noron trước tiên chúng ta sẽ tìm hiểu về cấu trúc của một noron.
3.2. Mô hình của một noron nhân tạo và hàm truyền
3.2.1. Mô hình của một noron
Một noron nhân tạo là một đơn vị tính toán hay đơn vị xử lý thông tin cơ sở cho hoạt
động của một mạng. Chúng có khả năng nhận đầu vào, xử lý đầu vào đó, đưa dữ liệu đã
được xử lý ra output và liên lạc với các nơron khác để gửi output này đi. Sơ đồ dưới đây
chỉ ra mô hình của một noron nhân tạo [2]:
9
Hình 3.1 - Mô hình của một noron[2].
Trong mô hình trên bao gồm các thành phần sau:
x1, x2, ……, xm: các tín hiệu đầu vào. Thường được biểu diễn dưới dạng vecto m
chiều X=(x1, x2, … , xm). Các tín hiệu này có thể là đầu ra của các nơ ron trước nó hoặc
đầu vào ban đầu của mạng.
Các trọng số của liên kết Wkj (j = 1,m). Tín hiệu đầu vào xj liên kết với noron k sẽ
được nhân với Wkj. Trong đó k là chỉ số của noron trong mạng, j là chỉ số đầu vào của
noron đang xét.
Bộ tổ hợp tuyến tính ∑ để tính tổng các tín hiệu đầu vào, đã được nhân với các trọng
số tương ứng.
Giá trị ngưỡng bk của noron thứ k, để làm tăng hoặc giảm giá trị của bộ cộng ∑.
Tăng nếu dương, giảm nếu âm. Ngưỡng có thể thay đổi trong quá trình học.
uk là tổng các giá trị kích hoạt lên nơ ron thứ k, giá trị này chính là đầu ra của hàm
tổng và là tham số đầu vào cho hàm kích hoạt. Ta có công thức cho uk như sau:
= .
10
Hàm kích hoạt (activation function) hay còn gọi là hàm truyền để giới hạn biên độ
đầu ra của noron. Hàm kích hoạt như là một hàm nén giới hạn phạm vi biên độ cho phép
của đầu ra trong một khoảng giá trị hữu hạn nào đó, thường là trong đoạn [0, 1] hoặc [-1,
1] . Hàm truyền là có tính chất quyết định đến mạng noron. Vì vậy cần phải chọn lựa cho
ứng dụng một hàm phù hợp.
Tín hiệu đầu ra yk của noron k chính là kết quả của quá trình xử lý tại noron này.

Hay nó chính là giá trị của hàm kích hoạt. Mỗi noron chỉ có duy nhất một đầu ra. Công
thức chung của yk là:
Vì hệ số ngưỡng bk là tham số ngoài nên chúng ta có thể coi nó như một đầu vào x0
cố định có giá trị x0 = 1, và có trọng số của liên kết là Wk0 = bk. Một cách tương ứng,
chúng ta tổng hợp lại các công thức như sau:
=
(j = 0,m tức là ta đã thêm một liên kết mới)
Mô hình được vẽ lại như sau:
.
)
Hình 3.2 – Mô hình của một noron được vẽ lại [2]
11
= ( + )
= (
3.2.2. Hàm truyền
Như ở trên đã giới thiệu và sơ qua về hàm truyền, dưới đây tôi sẽ đưa ra một vài
hàm truyền cơ bản:
a. Hàm ngưỡng
Công thức
Đồ thị:
= ( )=
1
ế
ế
≥0
Hình 3.3 – Hàm ngưỡng
b. Hàm vùng tuyến tính
Công thức
Đồ thị
= ( )=

⎧1
⎪0
ế
1
ế>
ế
≥ 1
12
12
0
<0
⎨
2
2
1
> −≤ −
2
⎪
⎩
Hình 3.4 – Hàm vùng tuyến tính
c. Hàm tuyến tính
Công thức
Đồ thị
≤ 1)
Hình 3.5 – Hàm tuyến tính
13
= ( )= ( ớ −1 ≤
d. Hàm sigma
Công thức
Trong công thức trên thì a chính là tham số độ dốc của hàm sigma, bằng việc biến

đổi a chúng ta sẽ thu được các hàm sigma với các độ dốc khác nhau.
Đồ thị hàm sigma với một vài tham số độ dốc
Hình 3.6 – Hàm sigma với các độ dốc khác nhau
Các hàm truyền ở trên đều bị giới hạn trong đoạn [-1, 1] hoặc [0, 1]. Chúng ta cũng
có thể mở rộng giới hạn nếu muốn để phù hợp với ứng dụng.
3.3. Mô hình của mạng noron
Mô hình của mạng noron chính là cách kết nối các noron lại với nhau. Có hai mô
hình chính là mạng tiến (feed forward network) và mạng hồi quy (recurrent network).
3.3.1. Mạng tiến
Mạng tiến là mạng mà ở trong đó luồng dữ liệu từ đầu vào tới đầu ra của các noron
được truyền thẳng, không có sự phản hồi nào. Quá trình xử lý dữ liệu trong mạng có thể
mở rộng ra nhiều lớp do đó ta có thể chia thành mạng tiến đơn mức và mạng tiến đa mức
a.
Mạng tiến đơn mức
14
= ( )
Mạng tiến đơn mức chỉ gồm các đầu vào (input) được truyền trực tiếp cho một lớp
noron xử lý và đưa ra kết quả luôn.
Mô hình:
Hình 3.7 – Mô hình mạng tiến đơn mức
b.
Mạng tiến đa mức
Trong mạng tiến đa mức thì ở giữa các inputs và lớp noron output có thêm một hoặc
nhiều lớp noron xử lý trung gian nữa – những lớp noron xử lý trung gian này được gọi là
lớp ẩn (hidden units). Việc thêm này giúp cho mạng tăng khả năng xử lý, thống kê và ghi
nhớ. Tuy nhiên nếu có quá nhiều lớp ẩn mạng sẽ trở nên phức tạp trong tính toán và dễ
gây ra hiện tượng overfitting ( hiện tượng học quá).
Mô hình:
15
Hình 3.8 – Mô hình mạng tiến đa mức

3.3.2. Mạng hồi quy
Khác với mạng tiến, mạng hồi quy có sự kết nối phản hồi lại từ đầu ra quay ngược
trở lại làm tham số đầu vào. Việc này làm cho các thuộc tính của mạng là động tức là có
khả năng thay đổi trong quá trình hoạt động. Như vậy mạng sẽ có khả năng thích nghi cao
hơn.
16