Tải bản đầy đủ (.pdf) (85 trang)

nghiên cứu điều khiển nồng độ của sản phẩm trong bể chứa phản ứng có khuấy bằng phương pháp ứng dụng bộ điều khiển nơron theo mô hình mẫu

Bạn đang xem bản rút gọn của tài liệu. Xem và tải ngay bản đầy đủ của tài liệu tại đây (1.06 MB, 85 trang )

Nghiên cứu điều khiển nồng độ của sản phẩm trong bể chứa phản ứng có khuấy
bằng phương pháp ứng dụng bộ điều khiển nơron theo mô hình mẫu – Lương
Trung Thành (Tự động hóa)

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

1


PHẦN MỞ ĐẦU
I.Tính cấp thiết của đề tài.
Bộ não con người là sản phẩm hoàn hảo của tạo hoá. Để tiếp cận khả năng
tư duy của bộ não, người ta sử dụng khả năng suy diễn của hệ mờ dựa trên các
luật logic mờ. Để tiếp cận khả năng học, người ta đưa ra mô hình mạng nơron,
do vậy cấu trúc mạng nơron là điều rất đáng được quan tâm. Để tiếp cận cả hai
khả năng học và tư duy của bộ não người, người ta nghiên cứu khả năng tích
hợp của mạng nơron và hệ mờ. 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. Bộ điều khiển nơron theo mô hình mẫu là phần tử phi
tuyến, nên điều khiển nó rất khó, đòi hỏi phải có độ chính xác cao. Vì vậy cần
ứng dụng bộ điều khiển thông minh là BĐK nơron theo mô hình mẫu. Được sự
tạo điều kiện giúp đỡ của nhà trường và Tiến sỹ Phạm Hữu Đức Dục, em đã lựa
chọn đề tài tốt nghiệp của mình là “Nghiên cứu điều khiển nồng độ của sản
phẩm trong bể chứa có khuấy bằng phương pháp ứng dụng bộ điều khiển nơron
theo mô hình mẫu.”
II. Ý nghĩa khoa học và thực tiễn của đề tài.
1. Ý nghĩa khoa học.
Điều khiển tự động đóng vai trò quan trọng trong sự phát triển 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 …
Mô hình điều khiển theo mô hình mẫu để điều khiển đối tượng, sao cho tín
hiệu cần điều khiển bám theo được tín hiệu của mô hình mẫu. Mô hình mạng
Nghiên cứu điều khiển nồng độ của sản phẩm trong bể chứa phản ứng có khuấy
bằng phương pháp ứng dụng bộ điều khiển nơron theo mô hình mẫu – Lương
Trung Thành (Tự động hóa)

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

2

nơron được sử dụng để hỗ trợ trong qúa trình học của bộ điều khiển. Do đó đề
tài sẽ đề cập tới việc ứng dụng bộ điều khiển theo mô hình mẫu để điều khiển
nồng độ của sản phẩm trong một bể chứa phản ứng có khuấy.

2. Ý nghĩa thực tiễn.

Kết quả nghiên cứu của đề tài có thể làm cơ sở cho việc thiết kế các mô
hình điều khiển theo mô hình mẫu trong các nhà máy công nghiệp, đặc biệt làm
tài liệu hỗ trợ cho việc học tập của sinh viên đại học và học viên cao học.

III. Mục đích của đề tài.

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 nơron theo mô hình mẫu hệ thống được điều khiển, làm cơ sở cho
việc tạo ra tín hiệu điều khiển thích nghi được lựa chọn chính xác.
Tổng quan mạng nơron, đi sâu nghiên cứu mạng nơron truyền thẳng nhiều
lớp

Nghiên cứu bộ điều khiển nơron theo mô hình mẫu
Nghiên cứu động học của bể khuấy
Nghiên cứu các bộ điều khiển nơron dự báo, bộ điều khiển NAMA-L2, bộ
điều khiển nơron theo mô hình mẫu và bộ điều khiển nơron dự báo
Nghiên cứu các phương pháp nhận dạng điều khiền
Ứng dụng bộ điều khiển nơron theo mô hình mẫu để điều khiển nồng độ
của sản phẩm trong bể chứa phản ứng có khuấy

IV. Đối tƣợng nghiên cứu.
Nồng độ của sản phẩm trong bể chứa phản ứng có khuấy.
Nghiên cứu điều khiển nồng độ của sản phẩm trong bể chứa phản ứng có khuấy
bằng phương pháp ứng dụng bộ điều khiển nơron theo mô hình mẫu – Lương
Trung Thành (Tự động hóa)

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

3


V. Nhiệm vụ nghiên cứu.
Nghiên cứu điều khiển nồng độ của sản phẩm trong bể chứa có khuấy
bằng phương pháp ứng dụng bộ điều khiển nơron theo mô hình mẫu

VI. Phƣơng pháp nghiên cứu.
Tìm hiểu tài liệu và các công trình nghiên cứu liên quan tới bộ điều khiển
nơron theo mô hình mẫu
Lựa chọn đối tượng, mô tả toán học và nghiên cứu mô hình hóa mô
phỏng.
Lựa chon các giải pháp phù hợp cho 1 lớp đối tượng.














Nghiên cứu điều khiển nồng độ của sản phẩm trong bể chứa phản ứng có khuấy
bằng phương pháp ứng dụng bộ điều khiển nơron theo mô hình mẫu – Lương
Trung Thành (Tự động hóa)

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

4



CHƢƠNG 1. MẠNG NƠRON

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 nơron 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
Nghiên cứu điều khiển nồng độ của sản phẩm trong bể chứa phản ứng có khuấy
bằng phương pháp ứng dụng bộ điều khiển nơron theo mô hình mẫu – Lương
Trung Thành (Tự động hóa)

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


5

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 thẳng 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 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 tê 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 biêt 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 goi 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.Câc 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.

Nghiên cứu điều khiển nồng độ của sản phẩm trong bể chứa phản ứng có khuấy
bằng phương pháp ứng dụng bộ điều khiển nơron theo mô hình mẫu – Lương
Trung Thành (Tự động hóa)

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

6

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.
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 x
1
w
i1
và Pitts đề xuất năm 1943 x
i
w
ij
v
i
y
i
Phần tử xử lý có dạng nhiều vào

một ra ( MISO). Hình vẽ 1.2 mô x
m-1
w
i(m-1)
w
im
= b
i
tả mô hình của phần tử xử lý (mô x
m
= -1
hình một nơron) thứ i, dạng M-P, Hình1.2.
trong đó có các phần sau đây. Mô hình phần tử xử lý 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 trươc
nơron này hoặc được lấy từ cac 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 thành phần dịch chuyển
(bias) b
i

w
im
= b
i
(1.1)


a(.)
Nghiên cứu điều khiển nồng độ của sản phẩm trong bể chứa phản ứng có khuấy
bằng phương pháp ứng dụng bộ điều khiển nơron theo mô hình mẫu – Lương
Trung Thành (Tự động hóa)

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

7


Tín hiệu ra
Có một tín hiệu ra y
i


Bộ cộng
Thực hiện phép tính tổng trọng V
i
bằn 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
tạo ra được tín hiệu ra y
i
.
Net
i
=V=



1
1
m
j
WijXj
+b
i
x
m
(1.2)
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
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 liêu 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 như hình vẽ dưới đây còn có tên gọi
là hàm chuyển đổi dạng bước nhảy có biểu thức sau:
1 nếu v


0
a(v) = sgn(v) = (1.5)

Nghiên cứu điều khiển nồng độ của sản phẩm trong bể chứa phản ứng có khuấy
bằng phương pháp ứng dụng bộ điều khiển nơron theo mô hình mẫu – Lương
Trung Thành (Tự động hóa)

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

8


0 nếu v < 0

- 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) = (1.6)

- 1 nếu v< 0

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 hoà

Hàm chuyển đổi dạng tuyến tính bão hòa (Hình 1.3c), có biểu thức sau:
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 1.3 d), 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)
Nghiên cứu điều khiển nồng độ của sản phẩm trong bể chứa phản ứng có khuấy
bằng phương pháp ứng dụng bộ điều khiển nơron theo mô hình mẫu – Lương
Trung Thành (Tự động hóa)

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

9

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 (Hình 1.3g) có biểu thức sau:
a(v) = v



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 1.3. (a): 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 1.3. (b ): Hàm giới hạn cứng đối xứng

Nghiên cứu điều khiển nồng độ của sản phẩm trong bể chứa phản ứng có khuấy
bằng phương pháp ứng dụng bộ điều khiển nơron theo mô hình mẫu – Lương
Trung Thành (Tự động hóa)

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

10















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 1.3.(c): Hàm tuyến tính bão hòa







1

0.8

0.6

0.4


0.2


0


Nghiên cứu điều khiển nồng độ của sản phẩm trong bể chứa phản ứng có khuấy
bằng phương pháp ứng dụng bộ điều khiển nơron theo mô hình mẫu – Lương
Trung Thành (Tự động hóa)

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

11

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

-
2
-
1 0 1 2 3

4
v
5


Hình 1.3. (d ): Hàm tuyến tính bão hòa đối xứng







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 1.3. (e ):Hàm sigmoid









1

0.8

0.6

0.4

0.2

Nghiên cứu điều khiển nồng độ của sản phẩm trong bể chứa phản ứng có khuấy
bằng phương pháp ứng dụng bộ điều khiển nơron theo mô hình mẫu – Lương
Trung Thành (Tự động hóa)

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

12


0



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

4
v
5


Hình 1.3.(f): Hàm tang hy perbolic






5

4

3

2

1


0

1

2

3

4

5


4 3 2 1 0 1 2 3 4
v
5


Hình 1.3( g): Hàm tuyến tính

Mô hình ở dạng ký hiệu đơn giản của nơron thứ i được trình bày như hình
1.4. Trong đó nơron được ký hiệu là một vòng tròn được xem như là một tế bào
thần kinh, nó có mối liên kết với các nơron khác qua các trọng số w
ij
,
j = (1,2,….,x
m
), có một đầu ra là [x
1,
x
2
, ,x
m
], và có một đầu ra là y
i
.
.
Trong đó
thành phần 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 nơron nào cũng cần phải có phần tử này.

x

1
w
i1

Nghiên cứu điều khiển nồng độ của sản phẩm trong bể chứa phản ứng có khuấy
bằng phương pháp ứng dụng bộ điều khiển nơron theo mô hình mẫu – Lương
Trung Thành (Tự động hóa)

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

13

.

nơron thứ i
.
. y
i
w
ij
x
j


.


.

w

im
= b
i


.



.



x
m
= -1

Hình 1.4. Mô hình đơn giản của nơron thứ i

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
Nghiên cứu điều khiển nồng độ của sản phẩm trong bể chứa phản ứng có khuấy
bằng phương pháp ứng dụng bộ điều khiển nơron theo mô hình mẫu – Lương
Trung Thành (Tự động hóa)

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

14

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.
Hình 1.5e mô tả mạng cấu trúc ngang - hạn chế (Lateral-inhibition
network), mạng này có 2 loại tín hiệu đầu vào khac nhau: các đầu vào kích thích
(Exitatory inputs) ứng với các tín hiệu vào có gắn kí hiệu vòng rỗng (0) và đầu
vào hạn chế (Inhibition inputs) với các tín hiệu vào có gắn kí hiệu vòng đặc(


).
Hình 1.1f mô tả mạng hồi quy nhiều lớp.

x
1


x
2


x
m

, (b)













y

1

y
2


y
n






x
1


x
2
y

x
m

(c)
x
1
y
1

y
2
x
2




x
m
y
n
(d)


x
1
y
1

x
2
y
2

x
2
y
n
(a)



y
2


y
n



y
n



y
n

y
1

x
2
y
2

x
m
y

n
(a)



y
1


y
2


y
n



Nghiên cứu điều khiển nồng độ của sản phẩm trong bể chứa phản ứng có khuấy
bằng phương pháp ứng dụng bộ điều khiển nơron theo mô hình mẫu – Lương
Trung Thành (Tự động hóa)

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

15

x
1

x

2

x
m

(f)






(e)



(a) Mạng nơron truyền thẳng một lớp
(b). Mạng nơron truyền thẳng nhiều lớp
(c). Mạng nơron chỉ có một nơron tự hồi quy
(d). Mạng nơron hồi quy một lớp
(e) Mạng có cấu trúc ngang - hạn chế
(f) Mạng nơron hồi quy nhiều lớp.

1.1.4. CÁC TÍNH CHẤT CỦA MẠNG NƠRON
Mạng nơron có một số tính chất sau đây:
- Là hệ phi tuyến
- Là hệ xử lý song song: mạng nơron có cấu trúc song song, do đó có tốc
độ tính toán rất cao, rất phù hợp với lĩnh vực nhận dạng và điều khiển.
- Là hệ học và thích nghi: Mạng được luyện từ các số liệu quá khứ, có khả
năng tự điều chỉnh khi số liệu đầu vào bị mất, có thể điều khiển on-line

- Là hệ nhiều biến, là hệ nhiều đầu vào, nhiều đầu ra (MIMO) rất tiện
dùng khi điều khiển đối tượng khi có nhiều biến số.
1.1.5. CÁC LUẬT HỌC
Mạng nơron sử dụng hai nhóm luật học:
nhóm các luật học thông số (Parameter learning rules) và nhóm các luật học cấu
trúc (Structure learning rules)
Các luật học trong nhóm học thông số có nhiệm vụ tính toán cập nhập giá
trị của trọng số liên kết các nơron trong mạng.
Hình 1.5. Cấu trúc của một số loại mạng nơron thường gặp

Nghiên cứu điều khiển nồng độ của sản phẩm trong bể chứa phản ứng có khuấy
bằng phương pháp ứng dụng bộ điều khiển nơron theo mô hình mẫu – Lương
Trung Thành (Tự động hóa)

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

16

Các luật học trong nhóm học cấu trúc có nhiệm vụ đưa ra cấu trúc hợp lý
của mạng như thay đổi số lượng nơron hay thay đổi số lượng liên kết của các
nơron có trong mạng
Hai nhóm luật học trên có thể được áp dụng đồng thời (khi đó gọi là các
luật học lai - hybrid learning rules) học cả cấu trúc và thông số, hoặc được áp
dụng riêng rẽ.
Sau đây trình bày các luật học thông số với các giả thiết:
- Cấu trúc của mạng nơron gồm số lượng lớp nơron, số lượng nơron và
cách thức liên kết của các trọng số có trong mạng đã hợp lý
- Ma trận trọng số đã bao gồm tất cả các phần tử thích ứng
Nhiệm vụ của học thống số là đưa ra phương pháp nào đó để tìm ra ma
trận trọng số điều chỉnh từ ma trận trọng số tùy chọn ban đầu với cấu trúc của

mạng nơron đã được xác định từ trước, thỏa mãn điều kiện sai lệch trong phạm
vi cho phép.
Để làm được việc đó, mạng nơron sử dụng các phương pháp học thích
ứng để tính toán được các ma trận trọng số điều chỉnh w đặc trưng cho mạng.
Có 3 kiểu học là: Học có giám sát, học củng cố và học không có giám sát.
1.1.5.1. Học có giám sát
Cho trước p cặp mẫu tín hiệu vào – ra sau đây:
(x
(1)
,d
(1)
),…,(x
(k)
,d
(k)
), …,(x
(p)
,d
(p)
),
Với x là véc tơ tín hiệu mẫu đầu vào x = [(x
(1)
,x
(2)
,…, x
(p)
]
T
và d là véc tơ tín
hiệu đầu ra mong muốn d = [(d

(1)
,d
(2)
,…, d
(p)
]
T
Khi đưa một mẫu tín hiệu là x
(k)
vào đầu vào của mạng nơron, ở đầu ra có
một tín hiệu ra tương ứng là y
(k)
. Sai lệnh giữa hai véc tơ tín hiệu d, y có nhiệm
vụ điều chỉnh véc tơ trọng số w của mạng nơron sao cho véc tơ tín hiệu ra y của
mạng bám theo được véc tơ tín hiệu ra mong muốn d, nói cách khác là để giảm
thiểu sai lệch giữa chúng. Như vậy kiểu học có giám sát (Hình 1.6a) có đặc điểm
là cần có tín hiệu đầu ra mong muốn d được lấy từ bên ngoài.
Nghiên cứu điều khiển nồng độ của sản phẩm trong bể chứa phản ứng có khuấy
bằng phương pháp ứng dụng bộ điều khiển nơron theo mô hình mẫu – Lương
Trung Thành (Tự động hóa)

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

17

1.1.5.2. Học củng cố
Trong quá trình học giám sát, giả thiết rằng đáp ứng đầu ra của mạng đã
đạt được giá trị mong muốn nhưng ở một mẫu vào – ra nào đó bị cho rằng có kết
quả không đáng tin cậy, vì vậy cần phải tiến hành kiểm tra lại mẫu nói trên. Khi
đó chỉ có một bit tín hiệu của mẫu cần kiểm tra đóng vai trò là tín hiệu củng cố

được đưa vào mạng để góp phần khẳng định kết quả quá trình học có giám sát
đúng hay sai. Kiểu học này được gọi là kiểu học củng cố (Hình 1.6b). Kiểu học
này cũng có tín hiệu củng cố được lấy từ bên ngoài nên nó chỉ là một trường hợp
đặc biệt của kiểu học có giám sát.
1.1.5.3. Học không có giám sát
Kiểu học này có đặc điểm là không có tín hiệu lấy từ bên ngoài. Mạng cần
phải tự mình tìm ra các mẫu, nét đặc trưng, sự tương thích, phân loại trong dữ
liệu đầu vào và mã hóa thành các mẫu ở đầu ra. Trong quá trình học không giám
sát (Hình 1.6c) nếu mạng không thay đổi thông số của nó thì được gọi là tự tổ
chức (self-organizing)
Hình 1.7. trình bày luật học trong số ở dạng cơ bản nhất cho nơron thứ i.
Trong đó véc tơ tín hiệu vào: x = [(x
1
,x
2
,…, x
j
, x
m
]
T
có thể được lấy từ các
nơron khác hoặc được lấy từ bên ngoài. Thành phần thông số ngưỡng có thể
được thay thế bằng thành phần thứ m của véc tơ tín hiệu vào x là x
m
= -1 được
kết nối với trọng số w
im
= b
i

.
Véc tơ trọng số liên kết của nơron thứ i là : w
i
= [ w
i1
, w
i2
,…, w
im
]
T









Mạng
nơron

W
Máy phát
tín hiệu
sai lệch
X
Y
Tín hiệu

ra

d
Tín hiệu ra
mong muốn

Tín hiệu
sai lệch
Nghiên cứu điều khiển nồng độ của sản phẩm trong bể chứa phản ứng có khuấy
bằng phương pháp ứng dụng bộ điều khiển nơron theo mô hình mẫu – Lương
Trung Thành (Tự động hóa)

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

18







































Hình 1.6. Sơ đồ ba kiểu học của mạng nơron
(a). Học có giám sát
(b). Học củng cố
(c). Học không có giám sát

x
1

w
i1

x
2
w
i2
Tín hiệu vào
Mạng
nơron
W
X
Y
Tín hiệu ra

(c)
Nơron
thứ i
Tín hiệu
củng cố
Mạng
nơron

W
Máy phát
tín hiệu
đánh giá
X
Y
Tín hiệu

vào
Tín hiệu
ra

Tín hiệu
đánh giá
(b)
Nghiên cứu điều khiển nồng độ của sản phẩm trong bể chứa phản ứng có khuấy
bằng phương pháp ứng dụng bộ điều khiển nơron theo mô hình mẫu – Lương
Trung Thành (Tự động hóa)

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

19


y
i
w
ij
x
j
w
i

w
ij


d

i
x
m-1
x r





x
m
=-1


Hình 1.7. Luật học trọng số ở dạng cơ bản

- Yêu cầu đối với hai kiểu học có giám sát và học củng cố
Cần phải có tín hiệu mong muốn ở đầu ra d
i
, các trọng số của noirron thứ
i được điều chính theo giá các trị của tín hiệu vào, tín hiệu đầu ra và tín hiệu
đầu ra mong muốn của nó. Nghĩa là cần đưa ra một luật học với mục đích là
thay đổi vectơ trọng số w
i
sao cho các tín hiệu đầu ra của nơron thứ i là y
i
bám
theo được tín hiệu đầu ra mong muốn d
i
(Hình 1.7).

- Yêu cầu đối với kiểu học không có giám sát
Trọng số của nơron thứ i chỉ phụ thuộc vào giá trị của sự kết hợp của tín
hiệu đầu vào and/or với tín hiệu đầu ra.
Nói chung các luật học trọng số đều có sự thay đổi giá trị của véctơ trọng
số liên kết của nơron thứ i là w
i
tại thời điểm t phù hợp với tín hệu học r và tín
hệu vào x(t):
w
i
(t)= rx(t) (1.1)
Với  là số dương gọi là hằng số học (learning constant) đặc trưng cho tốc độ
học của mạng, thông thường 0 <  < 1
Tín hiệu học r thông thường phụ thuộc vào w
i
, x, d
i

r = f
r
(w
i
, x, d
i
) (1.2)
Biểu thức tính véc tơ trọng số của nơron thứ i tại (t+1) như sau:
w
i
(t+1) = (w
i

(t) + f
t
(w
i
(t), x(t), d
i
(t))x(t) (1.3)
Ở dạng liên tục có thể viết lại là
Nghiên cứu điều khiển nồng độ của sản phẩm trong bể chứa phản ứng có khuấy
bằng phương pháp ứng dụng bộ điều khiển nơron theo mô hình mẫu – Lương
Trung Thành (Tự động hóa)

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

20



dt
tdw
i
)(
rx(t) (1.4)
Từ các biểu thức trên ta thấy rằng ở các luật học trọng số nói chung
đều tập trung vào xác định tín hiệu học r trong biểu thức cập nhật trọng số của
mạng nơron.
1.2. CÁC MẠNG NƠRON TRUYỀN THẲNG SỬ DỤNG LUẬT HỌC GIÁM
SÁT
1.2.1. MẠNG ADALINE
Phần này trình bày phần tử Adaline và mạng Adaline, trong đó bao gồm

cấu trúc, luật học và các ví dụ ứng dụng chúng trong các bài toán nhận mẫu.
1.2.1.1. Phần tử Adaline
Phần tử Adaline ( Adaptive Linear Element –phần tử tuyến tính thích nghi)
được Windrow và Hoffddeef xuất vào năm 1960 và đươc coi là hệ thống tự học
thông minh đơn giản nhất.
Cấu trúc
Chỉ có nơron tuyến tính
Tín hiệu vào x có dạng vectơ cột có m phần tử x = [ x
1
,x
2
,x
m
]
T
có một
tín hiệu ra y; véctơ trọng số: w = [w
1
,w
2
,w
m
]
T
; hàm chuyển đổi a(.) có
dạng tuyến tính.
Tín hiệu ra y được tính theo biểu thức:
y = a(v) = a[



m
j
WjXi
1
] =


m
j
WjXi
1
(1.5)
Hoặc : y = a(v) = a( w
T
x) = w
T
x (1.6)
Với w
T
là chuyển vị của vectơ w
Luật học
Cho trước bộ mẫu tín hiệu vào – ra gồm p phần tử:
{ (x
(1)
,d
(1)
), (x
(2)
,d
(2)

), , (x
(p)
,d
(p)
)} (1.7)
Trong đó mẫu tín hiệu đầu vào thứ k:
Nghiên cứu điều khiển nồng độ của sản phẩm trong bể chứa phản ứng có khuấy
bằng phương pháp ứng dụng bộ điều khiển nơron theo mô hình mẫu – Lương
Trung Thành (Tự động hóa)

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

21

x
(k)
= [ x
1
(k)
,

x
2
(k)
,
…….
x
m
(k)
] (1.8)

với điều kiện: p

m, j = 1,2,… ,m; k = 1,2,……,p.
Để tín hiệu ra bám theo được tín hiệu mẫu d cần điều chỉnh giá trị của
trọng số w. Có nhiều phương pháp học được ứng dụng cho phần tử Adaline.
Sau đây trình bày phương pháp học có giám sát gọi là luật học Adaline,
còn gọi là luật học Widrow-Hoff, và luật học bình phương trung bình cực tiểu
x
1
w
1


x
2
w
2

y




x
m
w
m

r =d-y - + d




Hình 1.8. Phần tử Adaline với phương pháp học có giám sát

+ Luật học Adaline
Áp dụng tiêu chuẩn sai lệch bình phương cực tiểu để tìm biểu thức cập nhật
giá trị của w. Hàm trung bình bình phương của sai lệch được biểu diễn như
sau:
E =
2
1


(d
(k)
–y
(k)
)
2
=
2
1



p
k 1
( d
(k)
-



m
j 1
w
j
x
j
(k)
)
2
(1.9)


Sử dụng phương pháp hạ gradient tìm lượng điều chỉnh trọng số

w
j
theo
biểu thức:


w
j
= -

j
w
E



=



p
k 1
( d
(k)
- w
T
x
(k)
)x
j
(k)
(1.10)
Nghiên cứu điều khiển nồng độ của sản phẩm trong bể chứa phản ứng có khuấy
bằng phương pháp ứng dụng bộ điều khiển nơron theo mô hình mẫu – Lương
Trung Thành (Tự động hóa)

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

22

với

là hằng số học cần được chọn giá trị nhỏ.
Luật cập nhật tìm trọng số tại thời điểm (t+1):
w

j
(t+1) = w
j
(t) +

w
j
(1.11)

+ Luật học LMS
Tín hiệu học r được tính theo biểu thức:
r = -y = d - w
T
x (1.12)
Lượng điều chỉnh trọng số

w
j
được tính theo biểu thức:


w
j
=

rx (1.13)
Luật cập nhật tìm trọng số tại thời điểm (t+1)
W
j
(t+1) = w

j
(t)+

w

(1.14)
1.2.1.2. Mạng Adaline
Mạng Adaline ( mạng tuyến tính thích nghi) được Windrow và Hoff phát
triển từ phần tử Adaline.
Cấu trúc: Mạng Adaline là mạng một lớp có n phần tử Adaline
Hình 1.9 mô tả sơ đồ cấu trúc của mạng Adaline có 2 phần tử Adaline(n=2)
.Trong đó bao gồm vectơ tín hiệu vào x = [x
1
,x
2
]
T
, vectơ tín
hiệu ra y = [y
1
,y
2
]
T
ma trận trọng số

w
11
w
12

w =
w
21
w
22

1
1

x
1
w
11
y
1
w
12
w
21 2

x
2
w
22
y
2

Hình 1.9. Sơ đồ cấu trúc của mạng Adaline có hai phần tử Adaline

Luật học

Nghiên cứu điều khiển nồng độ của sản phẩm trong bể chứa phản ứng có khuấy
bằng phương pháp ứng dụng bộ điều khiển nơron theo mô hình mẫu – Lương
Trung Thành (Tự động hóa)

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

23

Sử dụng luật học Adaline ( hay luật học Widrow- Hoff). Căn cứ vào kết
quả đã đạt được của phần tử adaline ở phần trên, có được trung bình bình
phương sai lệch của mạng Adaline được biểu diễn như sau

E =
 
 
p
lik
n
lik1 1
2
1
(d
i
(k)
–y
i
(k)
)
2
=

 
 
p
lik
n
lik1 1
2
1
[d
i
(k)
–a(w
i
T
x
(k)
]
2


=
 
 
p
lik
n
lik1 1
2
1
[d

i
(k)
–a(


m
j 1
w
ij
x
j
(k)
)]
2
(1.15)

Để E đạt cực tiểu, sử dụng phương pháp hạ gradient tìm giá trị điều chỉnh
trọng số

w
ij
của phần tử mẫu vào - ra thứ k theo luật học delta như sau:


w
ij
=

Wij
E



=

[d
i
(k)
– a(v
i
(k)
]a

(v
i
(k)
)x
j
(k)
=

r x
j
(k)
(1.16)
Trong đó hằng số học là

được chọn có giá trị nhỏ.
Sử dụng hàm chuyển đổi tuyến tính: a(v) = v, trọng lượng đầu vào của
phần tử thứ i là:
V

i
(k)
= w
i
T
x
(k)
(1.17)
a’(v
i
(k)
) =
)(
)(
k
i
k
i
v
av


(1.18)
và tín hiệu học r được tính theo biểu thức:
r = [d
i
(k)
- a(w
i
T

x)]a’(w
i
T
x) (1.19)

Luật cập nhật tìm trọng số tại thời điểm học (t+1):

w
ij
(t+1) = w
ij
(t) +

w
ij
(1.20)

1.2.2. MẠNG PERCEPRON MỘT LỚP
Mạng perceptron một lớp còn gọi là perceptron đơn giản
1.2.2.1. Cấu trúc
Nghiên cứu điều khiển nồng độ của sản phẩm trong bể chứa phản ứng có khuấy
bằng phương pháp ứng dụng bộ điều khiển nơron theo mô hình mẫu – Lương
Trung Thành (Tự động hóa)

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

24

Mạng perceptron một lớp có cấu trúc là một lớp nơron truyền thẳng được
mô tả trên hình vẽ 2.5. Trong đó:

Véc tơ tín hiệu vào: x = [x
1,
x
2,
x
3, ,
x
m
], với j = 1,2, ,m, thành phần
đầu vào thứ m là x
m
-1.
Véc tơ tín hiệu ra: y = [y
1,
y
2, ,
y
n
], với i=1,2, ,n,
Tín hiệu ra của mạng có biểu thức
y
i
= a(w
i
T
x) = a(


m
j 1

w
ij
x
j
) (1.21)
trong đó: a(.) là hàm chuyển đổi; w
ij
là trọng số liên kết giữa các tín hiệu vào thứ
j với nơron thứ i
Véc tơ trọng số liên kết giữa tín hiệu vào với nơron thứ i có dạng:
w
i
= [w
i1,
w
i2,
w
i3,……… ,
w
im
]
T

Véc tơ tín hiệu mẫu ra:


d = [d
1,
d
2,

d
3,………
d
n
]
T

Véc tơ sai lệch:

e = [ e
1,
e
2,…,
e
i,…….,
e
n
]
T

Với e
i
= d
i
-y
i
, trong đó: i = 1,2,… ,n


x

1
w
11
y
1


d
1
Bộ
- + mẫu
w
21
e
1
tín
hiệu
đầu
w
12
w
22
y
2
d
2
ra

x
2

- +
Nghiên cứu điều khiển nồng độ của sản phẩm trong bể chứa phản ứng có khuấy
bằng phương pháp ứng dụng bộ điều khiển nơron theo mô hình mẫu – Lương
Trung Thành (Tự động hóa)

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

25

. . e
2

. .
.w
1m
. .
. w
2m
. .
y
n
d
n
x
m
=-1 w
nm
- +



Hình 1.10. Mô hình mạng perceptron một lớp

1.2.2.2. Luật học
Cho trước bộ mẫu tín hiệu vào:
x
(k)
=[x
1
(k)
,x
2
(k)
,…… ,x
m
(k)
]
T

tương ứng với bộ mẫu tín hiệu ra:
d
(k)
= [d
1
(k)
, d
2
(k)
,……., d
n
(k)

]
T
với k = 1,2,…,p.
Trong đó p là số lượng cặp mẫu vào –ra. Điều mong muốn là sau khi học đạt
được:
y
(k)
= d
(k)
,
với tín hiệu ra của mạng:
y
(k)
= [y
1
(k)
, y
2
(k)
, y
n
(k)
]
T
.
Nghĩa là:
y
i
(k)
= a(w

i
T
x
(k)
) = a(


m
j 1
w
ij
x
j
(k)
) =d
i
(k)
(1.22)
Sau đây trinh bày luật học perceptron áp dụng cho mạng perceptron một lớp
được tạo bởi noeron LTU.
Xét mạng perceptron một lớp gồm có các noeron dạng LTU
Các đầu ra mong muốn d
i
(k)
có các giá trị là

1, tín hiệu ra của mạng có
dạng:
y
i

(k)
= sgn(w
i
T
x
(k)
) = d
i
(k)
với i = 1,2,….,n; k = 1,2,….,p.

×