nghiên cứu điều khiển vị trí của phản ứng nam châm điện bằng phương pháp ứng dụng bộ điều khiển nơron dự báo

S húa bi Trung tõm Hc liu i hc Thỏi Nguyờn

I HC THI NGUYấN
TRNG I HC K THUT CễNG NGHIP




LUN VN THC S K THUT
NGNH: T NG HểA

NGHIấN CU IU KHIN V TR CA PHN
NG NAM CHM IN BNG PHNG PHP
NG DNG B IU KHIN NRON D BO




RON VN HểA







THI NGUYấN 2011


THI NGUYấN - 2011


Roãn văn hoá luận văn thạc sĩ kỹ thuật tự động hoá
tn
2011

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

BỘ GIÁO DỤC VÀ ĐÀO TẠO
ĐẠI HỌC THÁI NGUYÊN
ĐẠI HỌC THÁI NGUYÊN
TRƢỜNG ĐẠI HỌC KỸ THUẬT CÔNG NGHIỆP

ĐẠI HỌC THÁI NGUYÊN
TRƢỜNG ĐẠI HỌC KỸ THUẬT CÔNG NGHIỆP




LUẬN VĂN THẠC SĨ KỸ THUẬT



NGHIÊN CỨU ĐIỀU KHIỂN VỊ TRÍ CỦA PHẦN
ỨNG NAM CHÂM ĐIỆN BẰNG PHƢƠNG PHÁP
ỨNG DỤNG BỘ ĐIỀU KHIỂN NƠRON DỰ BÁO




Ngành: TỰ ĐỘNG HÓA
Mã số:23.04.3898
Học Viên: ROÃN VĂN HÓA
Ngƣời HD Khoa học: TS. PHẠM HỮU ĐỨC DỤC

THÁI NGUYÊN 2011



THÁI NGUYÊN - 2011


Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên





LUẬN VĂN THẠC SĨ KỸ THUẬT
NGÀNH: TỰ ĐỘNG HOÁ


TÊN ĐỀ TÀI:
NGHIÊN CỨU ĐIỀU KHIỂN VỊ TRÍ CỦA PHẦN ỨNG NAM CHÂM
ĐIỆN BẰNG PHƢƠNG PHÁP ỨNG DỤNG BỘ ĐIỀU KHIỂN NƠRON
DỰ BÁO

Học viên : ROÃN VĂN HÓA
Lớp : Cao học K12 - TĐH

CÁN BỘ HƢỚNG DẪN KHOA HỌC HỌC VIÊN

TS. PHẠM HỮU ĐỨC DỤC ROÃN VĂN HÓA

BAN GIÁM HIỆU
KHOA SAU ĐẠI HỌC









Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên



LỜI CAM ĐOAN


Tôi xin cam đoan luận văn này là công trình do tôi tổng hợp và nghiên
cứu. Trong luận văn có sử dụng một số tài liệu tham khảo như đã nêu trong
phần tài liệu tham khảo.

Tác giả luận văn




Roãn Văn Hóa























Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

LỜI NÓI ĐẦU

Trong hệ thống điều khiển hiện đại, có rất nhiều phương pháp điều khiển
đảm bảo tốt chất lượng điều khiển.Trong điều khiển tự động, để điều khiển chính
xác đối tượng khi chưa biết rõ được thông số, trước tiên ta phải hiểu rõ đối tượng
đó. Đặc biệt đối với các đối tượng phi tuyến ta cần nhận dạng được đặc tính vào - ra
của nó để đảm bảo tạo ra tín hiệu điều khiển thích nghi được lựa chọn chính xác
hơn. Những bộ điều khiển hiện đại thường được sử dụng như lôgic mờ,
mạng nơron, mạng nơron mờ để nhận dạng và điều khiển thích nghi hệ thống phi
tuyến. Ngày nay trên thế giới người ta dựa vào cấu trúc mạng nơron sinh vật để làm
mạng nơron nhân tạo áp dụng vào các ngành khoa học kỹ thuật.
Trong thời gian của khoá học cao học, chuyên ngành Tự động hoá tại trường
Đại học Kỹ thuật Công nghiệp Thái Nguyên, được sự tạo điều kiện giúp đỡ của nhà
trường và thầy giáo TS. Phạm Hữu Đức Dục em đã lựa chọn đề tài của mình là:
“Nghiên cứu điều khiển vị trí của phần ứng nam châm điện bằng phƣơng pháp
ứng dụng bộ điều khiển nơron dự báo”. Trong quá trình thực hiện đề tài, được sự
hướng dẫn nhiệt tình của thầy giáo Tiến sĩ Phạm Hữu Đức Dục, sự giúp đỡ của bạn
bè cùng với sự nỗ lực, cố gắng của bản thân đến nay bản luận văn của em đã hoàn
thành. Dù đã có nhiều cố gắng, xong bản luận văn vẫn không tránh khỏi những
thiếu sót và hạn chế, em rất mong nhận được sự góp ý của các thầy để bản luận văn
của em được hoàn thiện hơn.
Em xin trân trọng cảm ơn!
Học viên

Roãn Văn Hóa

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên



MỤC LỤC

Trang
Trang 1
Lời cam đoan
Lời nói đầu
Mục lục
Danh mục các ký hiệu, các chữ viết tắt
Danh mục các hình vẽ, đồ thị
PHẦN MỞ ĐẦU 1
CHƢƠNG 1 - MẠNG NƠRON 4
1.1 Các khái niệm cơ bản 4
1.1.1 Mô hình nơron sinh học 4
1.1.1.1 Xử lý thông tin trong bộ não 5
1.1.1.2 Các đặc tính cơ bản của não người 5
1.1.2 Phần tử xử lý 6
1.1.3 Các loại mô hình cấu trúc mạng nơ ron 13
1.1.4 Các tính chất của mạng nơ ron 15
1.1.5 Các luật học 15

1.1.5.1 Học có giám sát 16
1.1.5.2 Học củng cố 16
1.1.5.3 Học không có giám sát 16
1.2 Các mạng nơron truyền thẳng sử dụng luật học giám sát 19
1.2.1 Mạng Adaline 19
1.2.1.1 Phần tử Adaline 19
1.2.1.2 Mạng Adaline 21
1.2.2 Mạng percepron một lớp 22
1.2.2.1 Cấu trúc 22
1.2.2.2 Luật học 23
1.2.3 Mạng truyền thẳng nhiều lớp 24

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên



1.2.3.1 Cấu trúc 24
1.2.3.2 Luật học lan truyền ngược 25
1.3 Ứng dụng của mạng nơron trong nhận dạng và điều khiển 29
1.3.1 Các vấn đề chung 29
1.3.2 Mô tả toán học ở dạng rời rạc 30
1.3.3 Ứng dụng của mạng nơron trong nhận dạng 32
1.3.3.1 Mô hình nhận dạng song song 32
1.3.3.2 Mô hình nhận dạng nối tiếp - song song 34
1.3.4 Ứng dụng của mạng nơron trong điều khiển 35
1.3.4.1 Điều khiển ngược thích nghi 35
1.3.4.2 Điều khiển ngược thích 36
1.3.4.3 Mô hình điều khiển phi tuyến 37
1.3.4.4 Mô hình điều khiển dự báo 37
1.3.4.5 Điều khiển thích nghi theo mô hình mẫu hoặc điều khiển nơron thích

nghi 38
1.3.4.6 Đánh giá thích nghi 39
1.3.4.7 Phản hồi tuyến tính hóa phản hồi thích nghi dùng mạng nơron 40
1.3.4.8 Điều khiển thích nghi trực tiếp ổn định 41
1.3.4.9 Những hạn chế và chú ý 42
Kết luận chƣơng 1 44
CHƢƠNG 2 – MÔ HÌNH NƠ RON, MẠNG NƠ RON TRUYỀN THẲNG,
MÔ HÌNH SIMULINK NEURAL TOOLBOX CỦA MATLAB VÀ ỨNG
DỤNG CỦA MATLAB TRONG ĐIỀU KHIỂN 46
2.1. Mô hình nơron và mạng nơron truyền thẳng 46
2.1.1 Nơron có tín hiệu vào ở dạng véc tơ 46
2.1.2 Một lớp nơron 47
2.1.3 Mạng nơron truyền thẳng nhiều lớp 49
2.2 Simulink neural toolbox của matlab 51
2.2.1 Khối các hàm chuyển đổi 51

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên



2.2.2 Khối đầu vào 51
2.2.3 Khối các hàm trọng số 52
2.2.4 Khối các hệ thống điều khiển 52
2.2.5 Hàm gensim 52
2.3 Các mô hình ứng dụng mạng nơron của Matlab trong điều khiển 53
2.3.1. Bộ điều khiển dự báo sử dụng mạng nơron 55
2.3.1.1 Nhận dạng đối tượng 55
2.3.1.2 Điều khiển dự báo 56
2.3.2 Bộ điều khiển Narma - L2 57
2.3.2.1 Quá trình nhận dạng 57

2.3.2.2 Bộ điều khiển NARMA-L2 59
2.3.3 Bộ điều khiển theo mô hình mẫu 61
2.4 Nhập và xuất dữ liệu 62
2.5 Nhập và xuất dữ liệu huấn luyện 65
Kết luận chƣơng 2 68
CHƢƠNG III. ỨNG DỤNG BỘ ĐIỀU KHIỂN NƠRON DỰ BÁO VÀO
ĐIỀU KHIỂN VỊ TRÍ CỦA PHẦN ỨNG NAM CHÂM ĐIỆN 69
3.1 Mô tả đối tƣợng điều khiển là vị trí của phần ứng nam châm điện 69
3.2 Ứng dụng bộ điều khiển nơron dự báo vào điều khiển vị trí 71
của phần ứng nam châm điện
3.2.1 Thiết lập sơ đồ điều khiển 71
3.2.2 Quá trình mô phỏng 71
Kết luận chƣơng 3 78
CHƢƠNG IV: KẾT LUẬN CHUNG VÀ KIẾN NGHỊ 79
4.1 Kết luận chung 79
4.2 Kiến nghị 79
TÀI LIỆU THAM KHẢO 80


Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên



DANH MỤC CÁC CHỮ VIẾT TẮT, TIẾNG NƢỚC NGOÀI

STT

Ký hiệu
Diễn giải
1

Neural
Nơron
2
Artificial Neural
Nơron nhân tạo
3
Artificial Neural Networks
Mạng nơron nhân tạo
4
Back Propagation Learaning Rule
Luật học lan truyền ngược
5
Fuzzy logic
Lôgic mờ
6
Fuzzy Neural Networks
Mạng nơron mờ
7
Single Layer Feedforward NetWorks
Mạng truyền thẳng một lớp
8
Multilayer Feedforward NetWorks
Mạng truyền thẳng nhiều lớp
9
Output Layer
Lớp ra
10
Hidden layer
Lớp ẩn
11

Feedback network
Mạng phản hồi
12
Laterat feedback network
Mạng phản hồi bên
13
Recurrent Networks
Mạng hồi quy
14
Lateral - inhibition network
Mạng cấu trúc ngang - hạn chế
15
Exitatory inputs
Đầu vào kích thích
16
Inhibition inputs
Đầu vào hạn chế
17
Parameter learning rules
Luật học thông số
18
Structure learning rules
Luật học cấu trúc
19
Hybrid learning rules
Luật học lai
20
Self-organizing
Tự tổ chức
21

Transfer Function
Khối các hàm chuyển đổi
22
Net Input Functions
Khối đầu vào
23
Weight Functions
Khối các hàm trọng số
24
NN Predictive Control
Mô hình điều khiển dự báo
25
NARMA - L2 Control
Điều khiển NARMA - L2
26
Model Reference Control
Điều khiển theo mô hình mẫu






Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên



DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ

STT

Ký hiệu
Diễn giải tên hình vẽ
1
Hình 1.1
Mô hình một dạng nơron sinh học
2
Hình 1.2
Mô hình phần tử xử lý thứ i, dạng M-P
3
Hình 1.3
Đồ thị các dạng hàm chuyển đổi a(.)
4
Hình 1.4
Mô hình đơn giản của nơron thứ i
5
Hinh 1.5
Cấu trúc của một số loại mạng nơron thường gặp
6
Hình 1.6
Sơ đồ ba kiểu học của mạng nơron
7
Hình 1.7
Luật học trạng số ở dạng cơ bản
8
Hình 1.8
Phần tử Adaline với phương pháp học có giám sát
9
Hình 1.9
Sơ đồ cấu trúc của mạng Adaline có hai phần tử Adaline
10

Hình 1.10
Mô hình mạng perceptron một lớp
11
Hình 1.11
Mạng nơron truyền thẳng ba lớp
12
Hình 1.12
Mô hình nhận dạng
13
Hình 1.13
Cấu trúc của mô hình nhận dạng cho đối tượng phi
tuyến dạng 3 sử dụng các mạng nơron N
1
và N
2

14
Hình 1.14
Bộ điều khiển ổn định
15
Hình 1.15
Hệ thống điều khiển ngược thích nghi
16
Hình 1.16
Mô hình điều khiển phi tuyến
17
Hình 1.17
Mô hình điều khiển dự báo
18
Hình 1.18

Điều khiển thích nghi theo mô hình mẫu
19
Hình 1.19
Mô hình đánh giá thích nghi
20
Hình 1.20
Phương pháp phản hồi tuyến tính hoá thích nghi dùng
mạng nơron
21
Hình 1.21
Điều khiển thích nghi trực tiếp ổn định
22
Hình 1.22
Các vùng điều khiển
23
Hình 2.1
Mô hình nơron

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên



24
Hình 2.2
Mô hình nơron thu gọn
25
Hình 2.3
Mô hình một lớp nơron
26
Hình 2.4

Mô hình một lớp nơron thu gọn
27
Hình 2.5
Mạng một lớp rút gọn
28
Hình 2.6
Mô hình của mạng nơron truyền thẳng 3 lớp
29
Hình 2.7
Mô hình của mạng nơron truyền thẳng 3 lớp thu gọn
30
Hình 2.8
Các khối trong Neural Network Toolbox của Matlab
31
Hình 2.9
Khối các hàm chuyển đổi
32
Hình 2.10
Khối đầu vào
33
Hình 2.11
Khối các hàm trọng số
34
Hình 2.12
Khối các bộ điều khiển
35
Hình 2.13
Sơ đồ nhận dạng đối tượng
36
Hình 2.14

Sơ đồ cấu trúc mạng nơron nhận dạng đối tượng
37
Hình 2.15
Sơ đồ điều khiển theo mô hình dự báo
38
Hình 2.16
Cấu trúc của mạng nơron nhận dạng
39
Hình 2.17
Mô hình NAMA-L2
40
Hình 2.18
Mô hình NARMA-L2 sau khi đã nhận dạng được đối
tượng, sử dụng trong bước điều khiển tìm tín hiệu điều
khiển u
41
Hình 2.19
Mô hình mạng nơron mô tả đối tượng và bộ điều khiển
dùng mạng nơron đã được cài đặt trong NEURAL
NETWORK TOOLBOX
42
Hình 2.20
Cửa số tới Export Network
43
Hình 2.21
Cửa sổ mạng nơron xuất đối tượng điều khiển
44
Hình 2.22
Cửa sổ xuất trên đĩa
45

Hình 2.23
Cửa sổ tới Import Network
46
Hình 2.24
Cửa sổ mạng nơron nhập đối tượng
47
Hình 2.25
Cửa sổ xuất dữ liệu huấn luyện
48
Hình 2.26
Cửa sổ lưu dữ liệu trên đĩa

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên



49
Hình 3.1
Hệ thống treo bóng từ
50
Hình 3.2
Sơ đồ ứng dụng bộ điều khiển nơron dự báo điều khiển
phần ứng nam châm điện
51
Hình 3.3
Thông số bộ điều khiển nơron dự báo trước khi thực
hiện quá trình nhận dạng
52
Hình 3.4
Cửa sổ nhận dạng đối tượng

53
Hình 3.5
Đồ thị tín hiệu vào - ra của đối tượng điều khiển là phần
ứng của nam châm điện
54
Hình 3.6
Thông số của mạng nơron sử dụng trong bộ điều khiển
nơ ron dự báo
55
Hình 3.7
Kết quả kiểm tra dữ liệu cho bộ điều khiển: Tín hiệu
vào; Tín hiệu ra của đối tượng; Tín hiệu ra của mạng
nơron; Sai lệch
56
Hình 3.8
Đồ thị dòng điện điều khiển i
57
Hình 3.9
Đồ thị vị trí đặt y_dat là vị trí mong muốn (nét đứt); Đồ
thị vị trí y sau khi thực hiện điều khiển

1
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên



PHẦN MỞ ĐẦU
1 Tính cấp thiết của đề tài
Bộ não của con người là một sản phẩm hoàn hảo của tạo hóa, có khả năng
học và tư duy sáng tạo. Hiện nay, trong lĩnh vực điều khiển, con người đang cố
gắng tiếp cận bộ não của mình. Để tiếp cận khả năng tư duy của bộ não, người ta sử
dụng khả năng suy diễn của hệ mờ (Fuzzy systems) dựa trên các luật logic mờ. Để
tiếp cận khả năng học, người ta đưa ra mô hình mạng nơ ron (Neural networks) gồm
các nơ ron liên kết với nhau thành mạng phỏng theo cấu trúc mạng thần kinh con
người. Mỗi một nơ ron riêng lẻ có tốc độ xử lý thông tin thấp, nhưng khi các nơ ron
được ghép thành mạng thì tốc độ xử lý thông tin của nó rất cao. Cấu trúc của mạng
nơ ron là điều rất đáng được quan tâm, vì việc nghiên cứu riêng lẻ mỗi nơ ron đã
được chỉ ra là không có ý nghĩa khoa học mà cần nghiên cứu khi chúng được liên
kết với nhau thành mạng.
Trong công nghiệp tự động hoá giữ một vai trò quan trọng trong quá trình
sản xuất. Nhận dạng hệ thống là một trong những công việc đầu tiên phải thực hiện
khi giải quyết một bài toán điều khiển tự động, nó quyết định chất lượng và hiệu
quả của công việc điều khiển hệ thống về sau. Để điều khiển chính xác đối tượng
khi chưa biết rõ được thông số, trước tiên ta phải hiểu rõ đối tượng đó.
Nam châm điện là đối tượng phi tuyến cho nên việc điều khiển chúng rất khó
khăn đòi hỏi phải có độ chính xác cao. Vì vậy ta dùng bộ điều khiển thông minh
như nơ ron.
2 Ý nghĩa khoa học và thực tiễn của đề tài
2.1 Ý nghĩa khoa học

Điều khiển tự động đóng vai trò quan trọng trong sự phát triển của khoa
học và kỹ thuật. Lĩnh vực này hữu hiệu khắp nơi từ hệ thống điều khiển trong các
quy trình sản xuất hiện đại, và ngay cả trong đời sống hàng ngày …
Phần lớn việc điều khiển vị trí của phần ứng nam châm điện từ trước tới nay
thường được dựa trên lý thuyết điều khiển tuyến tính. Theo đó, các yếu tố phi tuyến, bất
định trong mô hình động học của nam châm điện được bỏ qua và động học của nam châm
điện được xấp xỉ bằng các mô hình tuyến tính. Sự phát triển của khoa học kỹ thuật đã tạo
2
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên



ra thách thức trong vấn đề nâng cao độ chính xác điều khiển vị trí của phần ứng nam châm
điện. Do đó đề tài sẽ đề cập tới việc điều khiển vị trí của phần ứng nam châm điện bằng
phương pháp ứng dụng bộ điều khiển nơ ron dự báo.
2.2 Ý nghĩa thực tiễn
Kết quả nghiên cứu của đề tài có thể làm cơ sở cho việc thiết kế các hệ
thống điều khiển vị trí của phần ứng nam châm điện, đặc biệt làm tài liệu hỗ trợ cho
việc học tập của sinh viên.
3 Mục đích nghiên cứu
Nghiên cứu ứng dụng mạng nơron trong quá trình nhận dạng và điều khiển
hệ thống phi tuyến nói chung. Đặc biệt nghiên cứu sâu hơn về việc ứng dụng bộ
điều khiển nơ ron dự báo nhận dạng hệ thống được điều khiển, làm cơ sở cho việc
tạo ra tín hiệu điều khiển i(t) (dòng điện một chiều) sao cho đối tượng cần điều
khiển y(t) (vị trí phần ứng) bám theo được y(t) mẫu.
4 Đối tƣợng nghiên cứu
Đối tượng nghiên cứu của đề tài là: “Nghiên cứu điều khiển vị trí của phần
ứng nam châm điện bằng phương pháp ứng dụng bộ điều khiển nơ ron dự báo”.
5 Nhiệm vụ nghiên cứu
* Nghiên cứu ứng dụng của mạng nơron trong nhận dạng và điều khiển.

* Nghiên cứu các mô hình ứng dụng của Matlab trong điều khiển.
* Tìm hiểu về động học vị trí của phần ứng nam châm điện.
* Ứng dụng bộ điều khiển nơ ron dự báo điều khiển vị trí phần ứng nam
châm điện.
* Mô phỏng kết quả bằng phần mềm Matlab Simulink trên máy tính.
6 Phƣơng pháp nghiên cứu
a. Tham khảo sách giáo khoa, giáo trình, bài báo, luận văn và các tài liệu liên
quan đến đề tài.
b. Tiến hành khảo sát thí nghiệm bằng mô phỏng và hiệu chỉnh.
c. Đánh giá và kết luận.
7 Cấu trúc của luận văn
Nội dung của luận văn được chia làm 4 chương:
3
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên



Chương 1 - Mạng nơ ron
Chương 2 - Mô hình nơ ron, mạng nơ ron truyền thẳng, mô hình Simulink neural
toolbox của Matlab và ứng dụng của Matlab Simulink trong điều khiển
Chương 3 - Ứng dụng bộ điều khiển nơ ron dự báo vào điều khiển vị trí của phần
ứng nam châm điện
Chương 4 - Kết luận và kiến nghị

4
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên



CHƢƠNG 1 - MẠNG NƠ RON

1.1 CÁC KHÁI NIỆM CƠ BẢN
1.1.1 MÔ HÌNH NƠRON SINH HỌC
Bộ não con người có khoảng 10
11
nơron sinh học ở nhiều dạng khác nhau
.Mô hình của một dạng nơ ron sinh học được mô tả trên hình vẽ. Cấu trúc chung
của một nơron sinh học gồm ba phần chính là thân, bên trong có nhân, cây và trục

.Cây gồm các dây thần kinh liên kết với thân. Trục có cấu trúc đơn, dài liên kết với
thân. Phần cuối của trục có dạng phân nhánh. Trong mỗi nhánh có một cơ cấu nhỏ
là khớp thần kinh, từ dây nơron sinh học này liên kết bằng tín hiệu tới các nơron
khác. Sự thu nhận thông tin của nơron sinh học được thực hiện từ cây hoặc thân của
nó. Tín hiệu thu, nhận ở dạng các xung điện.




Thân nơron

Trục nơron
Khớp
thần
kinh Nhân nơron Cây


Hình 1.1. Mô hình một dạng nơron sinh học
Mỗi tế bào thần kinh có một màng, nhiệm vụ của nó là giữ cho các chất nuôi
tế bào không tràn ra ngoài. Ở phần tử nội bào và ngoại bào có dung dịch muối lỏng
làm cho chúng bị phân ra thành các ion âm và các ion dương. Các ion dương có
trong màng tạo ra điện thế màng với trạng thái cân bằng lực: lực đẩy của các ion
dương ra khỏi tế bào cân bằng với lực hút chúng vào trong tế bào.
Điện thế màng là phần tử quan trọng trong quá trình truyền tin của hệ thần
kinh. Khi thay đổi khả năng thẩm thấu ion của màng thì điện thế màng của tế bào bị
thay đổi và tiến tới một ngưỡng nào đó, đồng thời sinh ra dòng điện, dòng điện này
5
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

gây ra phản ứng kích thích làm thay đổi khả năng thẩm thấu ion của các tế bào thần
kinh tiếp theo.
1.1.1.1 Xử lý thông tin trong bộ não
Thông tin được tiếp nhận từ các giác quan và chuyển vào các tế bào thần kinh
vận động và các tế bào cơ. Tại mỗi tế bào thần kinh tiếp nhận thông tin, điện thế của
nó tăng lên, nếu điện thế này vượt ngưỡng sẽ tạo dòng điện trong tế bào thần kinh, ý
nghĩa dòng điện đó được giải mã và lưu ở thần kinh trung ương, kết quả xử lý thông
tin được gửi đến các tế bào cơ.
Các tế bào thần kinh đều đưa ra các tín hiệu giống nhau, do đó không thể phân
biệt được đó là tế bào thần kinh của loài động vật nguyên thủy hay cuả một giáo sư
đáng kính. Các khớp thần kinh chỉ cho phép các tín hiệu phù hợp qua chúng, còn
các tín hiệu khác thì bị cản lại. Lượng tín hiệu đã được biến đổi được gọi là cường
độ khớp thần kinh – đó chính là trọng số của nơron trong mạng nơron.
Tại sao việc nghiên cứu về mạng thần kinh lại có tầm quan trọng như vậy? Có
thể trả lời ngắn gọn là do sự giống nhau của các tín hiệu của tế bào thần kinh đơn lẻ,
nên chức năng thật sự của bộ não không phụ thuộc vào vai trò của một tế bào thần
kinh, mà phụ thuộc vào toàn bộ các tế bào thần kinh, tức là phụ thuộc vào kiểu kết
nối của các tế bào thần kinh liên kết với nhau để tạo nên một mạng thần kinh hay
một mạng nơron.
1.1.1.2 Các đặc tính cơ bản của não ngƣời
- Tính phân lớp: Các vùng trong bộ não được phân thành nhiều lớp, ở đó thông tin
được xử lý theo tính chất tương ứng của mỗi lớp đặc thù.
- Tính mô đun: Các vùng của bộ nhớ được phân thành các mô đun được mã hóa
bằng các định nghĩa mối quan hệ tích hợp giữa các tín hiệu vào qua các giác quan
với các tín hiệu ra.
- Mối liên kết: Liên kết giữa các lớp dẫn đến các dữ liệu dùng chung được xem
như các liên hệ phản hồi khi truyền tín hiệu.
- Xử lý phân tán các tín hiêu vào: Các tín hiệu vào được truyền qua nhiều kênh
thông tin khác nhau, được xử lý bởi các phương pháp đặc biệt.

6
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên



1.1.2 Phần tử xử lý
Mô hình phần tử xử lý (processing Phần tử xử lý thứ i
elements) dạng M - P, do Culloch và Pitts x
1
w
i1
đề xuất năm 1943. x
i
w
ij
v
i
y
i
Phần tử xử lý có dạng nhiều vào một
ra (MISO). (Hình1.2) mô tả mô hình của phần x
m-1
w
i(m-1)
w
im
=b
i

tử xử lý (hay mô hình một nơron) thứ i, dạng x

m
=-1

M – P trong đó có các phần sau đây. Hình1.2. Mô hình phần tử xử lý
(mô hình một nơron) thứ i, dạng M-P
Tín hiệu đầu vào
Có m tín hiệu đầu vào. Trong đó (m-1) tín hiệu là tín hiệu kích thích ở đầu vào
là (x
1
, , x
j
,…, x
m-1
), chúng được lấy từ đầu ra của các nơron được đặt trước nơron
này hoặc được lấy từ các nguồn tín hiệu đầu vào khác. Các tín hiệu kích thích đầu
vào này được đưa qua một bộ trọng số (weight) w
ij
đặc trưng cho mức độ liên kết
giữa các nơron thứ j (j= 1,2,…,m-1) với nơron thứ i. Trọng số liên kết có giá trị
dương tương ứng với khớp thần kinh bị kích thích, ngược lại có giá trị âm tương
ứng với khớp thần kinh bị kiềm chế .
Riêng thành phần tín hiệu vào thứ m là x
m
được gọi là ngưỡng (threshold) có
giá trị x
m
= -1. Tín hiệu x
m
được đưa qua thành phần dịch chuyển (bias) b
i

w
im
=b
i
(1.1)



Tín hiệu ra
Có một tín hiệu ra là y
i
.
Bộ cộng
Thực hiện phép tính tổng trọng v
i
bằng cách so sánh tổng trọng của (m - 1) kích
thích đầu vào với giá trị trọng lượng của ngưỡng, nếu tổng trọng của (m - 1) đầu
vào vượt qua trọng lượng của ngưỡng thì nơron ở trạng thái bị kích thích để tao ra
được tín hiệu ra y
i
.
net
i
= v
i
=



1

1
m
j
WijXj
+b
i
x
m
(1.2)


a(.)
7
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên



Thành phần b
i
về cơ bản giống với trọng số w
ij
, nó chỉ khác là luôn liên kết tín
hiệu x
m
= -1. Do đó cũng có thể coi b
i
là trong số liên kết thứ m là w
m
của nơron thứ
i. Nối với tín hiệu thứ m là x

m
luôn có giá trị là -1. Viết lại biểu thức (1.2) ở dạng
sau đây:
net
i
= V=



1
1
m
j
WijXj
+b
i
x
m
(1.3)
Với w
im
=b
i
và x
m=
-1
Hàm chuyển đổi
Hàm chuyển đổi (tranferfunction), có tài liệu gọi là hàm hoạt hóa activation
function, có nhiệm vụ biến đổi tổng trọng v
i

(hoặc net
i
) thành tín hiệu đầu ra y
i
:
y
i
= a(net
i
) = a(v
i
) (1.4)
Trong đó a(.) là ký hiệu của hàm chuyển đổi.
Có các dạng chuyển đổi thường dùng như sau:
- Hàm chuyển đổi dạng giới hạn cứng
Hàm chuyển đổi dạng giới hạn cứng, (hình 1.3a) còn có tên gọi là hàm chuyển đổi
dạng bước nhảy có biểu thức sau:
1 nếu v

0
a(v) = sgn(v) =
0 nếu v< 0 (1.5)

- Hàm chuyển đổi dạng giới hạn cứng đối xứng
Hàm chuyển đổi dạng giới hạn cứng đối xứng (symmetric hard limit tranfer
function), còn gọi là hàm dấu (hình 1.3b) có biểu thức như sau:
1 nếu v

0
a(v) = sgn(v) =

-1 nếu v< 0 (1.6)

Các nơron có hàm chuyển đổi a(.) ở dạng hàm giới hạn cứng đối xứng được gọi là
phần tử ngưỡng tuyến tính (Linear Threshold Unit - LTU).
- Hàm chuyển đổi dạng tuyến tính bão hòa
Hàm chuyển đổi dạng tuyến tính bão hòa, (hình 1.3c), có biểu thức sau:
8
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên



1 nếu v> 0
a(v) = v nếu 0

v

1 (1.7)
0 nếu v<1
- Hàm chuyển đổi dạng tuyến tính bão hòa đối xứng
Hàm chuyển đổi dạng tuyến tính bão hòa đối xứng, (hình 1.3d), có biểu thức sau:
-1 nếu v<-1
a(v) = v nếu -1

v

1 (1.8)
0 nếu v>1
- Hàm chuyển đổi dạng sigmoid
Hàm chuyển đổi dạng sigmoid, (hình1.3e), có biểu thức sau:
a (v) =

v
e


1
1
(1.9)
- Hàm chuyển đổi dạng hypebolic
Hàm chuyển đổi dạng hypebolic, hình (1.3f), có dạng sau:
a (v)=
v
e


1
2
- 1 (1.10)
trong đó

>0 là hệ số tốc độ của các dạng hàm chuyển đổi (1.9), (1.10)
Các nơron có hàm chuyển đổi a(.) ở các dạng hàm sigmoi hoặc tang hypecbolic
được gọi là phần tử mức tuyến tính
Mạng nơron thường sử dụng các nơron ở các dạng LTU và LGU.
- Hàm chuyển đổi dạng tuyến tính
Hàm chuyển đổi dạng tuyến tính (hình1.3g), có biểu thức sau:
a(v) = v (1.11)

9
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên



1

0.8

0.6

0.4

0.2


0


-
0.2
-
0.4
-
0.6
-
0.8
-

1
-
5
-
4
-
3
-
2
-
1 0 1 2 3

4
v
5


Hình 1.3a. Hàm giới hạn cứng



1

0.8


0.6

0.4



0.2


0


-
0.2


-
0.4


-
0.6

.
-
0.8


-
1

5
-
4
-
3
-
2
-
1 0 1 2 3

4
v
5


Hình 1.3b. Hàm giới hạn cứng đối xứng










10

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên






1

0.8

0.6

0.4

0.2


0


-
0.2
-
0.4
-
0.6
-
0.8
-

1
-
5
-
4
-
3
-
2
-
1 0 1 2 3

4
v
5


Hình 1.3c. Hàm tuyến tính bão hòa





1

0.8

0.6

0.4

0.2


0


-
0.2
-
0.4
-
0.6
-
0.8
-
1
-
5
-
4
-
3
-
2
-
1 0 1 2 3

4
v

5

Hình 1.3d. Hàm tuyến tính bão hòa đối xứng







11
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên






1

0.8

0.6

0.4

0.2


0

-0.2

-
0.4
-
0.6
-
0.8
-
1

-
5
-
4
-
3
-
2
-
1 0 1 2 3

4
v
5


Hình 1.3e. Hàm sigmoid

1

0.8

0.6

0.4

0.2


0


-
0.2
-
0.4
-
0.6
-
0.8
-
1
-
5
-
4

-
3
-
2
-
1 0 1 2 3

4
v
5

Hình 1.3f. Hàm tang hyperbolic









12
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên





5

4


3

2

1


0

1

2

3

4

5


4 3 2 1 0 1 2 3 4
v
5
Hình 1.3g. Hàm tuyến tính
Mô hình ở dạng ký hiệu đơn giản của nơ ron thứ i được trình bày như (hình 1.4).
Trong đó nơ ron được ký hiệu là một vòng tròn được xem như là một tế bào thần
kinh; nó có các mối liên kết với các nơ ron khác qua các trọng số w

ij
; j = (1,2,…,m);
có m đầu vào là [x
1
,x
2
,…,x
m
] và có một đầu ra là y
i
. Trong đó thành phần trọng số
thứ m là w
im
= b
i
được nối với tín hiệu đầu vào thứ m là x
m
= -1, nhưng không nhất
thiết nơ ron nào cần cũng phải có phần tử này.

x
1
w
i1

.

nơron thứ i
.
. y

i
w
ij
x
j


.


.

w
im
=b
i


.



.


x
m
=-1

Hình1.4. Mô hình đơn giản của nơron thứ i

13
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên



1.1.3 Các loại mô hình cấu trúc mạng nơron
Mạng nơron bao gồm sự liên kết của nhiều nơron. Đầu ra của mỗi nơron kết
nối với các nơron khác thông qua các trọng số, hoặc tự phản hồi trở về đầu vào của
cấu trúc của mạng nơron là kiểu kết nối hình học của mỗi nơron liên kết trong
mạng, đây là một đặc điểm quan trọng của từng mạng nơron, dựa vào đó tiến hành
phân loại chúng. (Hình 1.5) mô tả một số loại nơron thường gặp.
(Hình 1.5a) mô tả mạng truyền thẳng một lớp (single - layer feedforward
networks) có đặc điểm tất cả các nơron đều nhận tín hiệu vào từ nguồn bên ngoài
qua các biến trọng số và mỗi nơron đều cho ra một tín hiệu ra.
(Hình 1.5b) mô tả mạng truyền thẳng nhiều lớp (Multilayrer feedforward
networks). Lớp vào (Input layer) gồm các nơron nhận trực tiếp các tín hiệu vào lấy
từ bên ngoài. Lớp ra (Output layer) gồm các nơron có các tín hiệu ra, đưa ra bên
ngoài mạng. Lớp ẩn (hidden layer) gồm các nơron còn lại không nhận trực tiếp các
tín hiệu vào lấy từ bên ngoài và không cung cấp tín hiệu ra cho bên ngoài mạng, nó
chỉ có nhiệm vụ truyền tín hiệu từ các nơron ở lớp vào đến các nơron ở lớp ra.
Mạng nơron truyền thẳng nhiều lớp có một lớp vào, một lớp ra, có thể không có
hoặc có nhiều lớp ẩn. Một mạng được gọi là liên kết đầy đủ nếu mỗi nơron ở các
lớp trước liên kết với tất cả các nơron ở lớp ngay sau nó. Mạng nơron ở hình 1.5b là
loại mạng nơron truyền thẳng có 3 lớp, có liên kết không đầy đủ.
Nếu mạng nơron có các tín hiệu đầu ra được đưa ngược trở lại đầu vào của
các nơron ở các lớp trước nó hoặc chính nó thì mạng đó được gọi là mạng phản hồi
(Feedback network).
Mạng phản hồi ở các vòng kín được gọi là mạng hồi quy (recurrent network).
(Hình 1.5c) mô tả một loại mạng hồi quy đơn giản nhất, chỉ có một nơron có tín
hiệu ra tự phản hồi về đầu vào của chính nó.

Mạng một lớp có liên kết phản hồi như (hình 1.5d) có đặc điểm tín hiệu đầu
ra của mỗi nơron được đưa ngược trở lại đầu vào của chính nó hoặc của các nơron
khác được gọi là mạng hồi quy một lớp.