TIỂU LUẬN MÔN HỌC MẠNG NEURAL

Tiếu luận mạng Neural
ĐẠI HỌC ĐÀ NẴNG
TRƯỜNG ĐẠI HỌC BÁCH KHOA
oOo
TIỂU LUẬN MÔN HỌC:
MẠNG NEURAL

Giảng viên hướng dẫn :TS. Phan Văn Hiền
Học viên thực hiện :Võ Anh Tuấn
Lớp :CH Tự Động Hóa
Khoá :K24

Đà Nẵng, tháng 05/2013
MỞ ĐẦU
Võ Anh Tuấn TĐH K24 - Trang 1

Tiếu luận mạng Neural
Trong thiết kế điều khiển, khi biết được mô hình toán học của đối tượng điều
khiển (gọi tắt là đối tượng) thì ta dễ dàng có thể thiết kế được một bộ điều khiển
để thu được đáp ứng của hệ thống theo mong muốn, đồng thời cũng đảm bảo
được tính ổn định, bền vững của hệ thống. Tuy nhiên, không phải lúc nào ta
cũng biết được mô hình toán học của đối tượng.
Với những quá trình vật lý phức tạp, ta hoàn toàn không thể thu được mô
hình toán học phản ánh quá trình vật lý đó. Do đó ta rất khó có thể thiết kế được
một bộ điều khiển đảm bảo các tính năng và chỉ tiêu chất lượng như mong muốn
cho toàn hệ thống. Trong trường hợp này, để thiết kế một bộ điều khiển, ít nhất
ta phải biết một mô hình xấp xỉ của đối tượng. Mô hình xấp xỉ đó được gọi là
mô hình đồng dạng của đối tượng. Việc ước lượng mô hình xấp xỉ đó được gọi
là nhận dạng đối tượng điều khiển.
Với khả năng học, mạng nơ-ron tỏ ra rất thích hợp trong việc nhận dạng đối
tượng điều khiển. Mạng nơ-ron được chia ra làm hai loại là mạng nơ-ron truyền

thẳng và mạng nơ-ron hồi quy. Trong đó, khả năng nhận dạng mẫu của mạng
nơ-ron truyền thẳng kết hợp với luật học lan truyền ngược là rất tốt.
NHẬN DẠNG ĐỐI TƯỢNG ĐIỀU KHIỂN DÙNG MẠNG NƠ-RON
Giả sử ta có hệ thống nhận dạng đối tượng dùng mạng nơ-ron như hình 1:
Võ Anh Tuấn TĐH K24 - Trang 2
Mạng nơ-ron
Đối tượng P
y
x
1
x-x
1

x
+
+
-
Mạng nơ-ron
Đối tượng P
y=d
y
1
d-y
1

x
+
+
-
Hình 1: Cấu trúc mạng nơ-ron nhận dạng đối tượng điều khiển

a) Mô hình thuận
b) Mô hình ngược
a) b)
Tiếu luận mạng Neural
Ta sử dụng mô hình thuận (hình 1.a) để nhận dạng đối tượng. Tín hiệu vào x
được đưa vào đồng thời cho cả đối tượng P và mạng nơ-ron. Tín hiệu ra của
mạng nơ-ron y
1
được so sánh với tín hiệu ra y của đối tượng P. Ta có sai lệch
Trong đó:
+ d=y là tín hiệu ra của đối tượng ứng với tín hiệu vào x , đây cũng chính là
tín hiệu ra mong muốn đạt được của mạng nơ-ron.
+ y
1
là tín hiệu ra thực của mạng nơ-ron.
Chuẩn của vec-tơ sai lệch ׀׀
1
y - d ׀׀ sẽ được sử dụng để đào tạo mạng nơ-ron.
Nó sẽ được lan truyền ngược trên toàn cấu trúc mạng để thay đổi khối lượng liên
kết giữa các nơ-ron để giảm thiểu độ sai lệch này. Kết quả ta sẽ có một mạng
nơ-ron sau khi đào tạo sẽ thực hiện một ánh xạ x → y
1
~ y với bất kỳ một cấp
chính xác bất kỳ nào mà ta mong muốn. Mạng nơ-ron sau khi đào tạo chính là
mô hình đồng dạng của đối tượng điều khiển.
Tương tự như vậy, ta sử dụng cấu trúc nhận dạng mô hình ngược của đối
tượng P như hình 1-b. Tín hiệu ra y của đối tượng P được sử dụng làm tín hiệu
vào của mạng nơ-ron. Tín hiệu ra của mạng nơ-ron x
1
được so sánh với tín hiệu

vào của đối tượng P. Chuẩn của véc-tơ sai lệch ׀׀x-x
1
׀׀ sẽ được sử dụng để đào
tạo mạng nơ-ron. Nó được lan truyền ngược trên toàn cấu trúc mạng để thay đổi
khối lượng liên kết giữa các nơ-ron để làm giảm thiểu độ sai lệch này. Mạng
nơ-ron sau khi đào tạo sẽ chính là mô hình ngược của đối tượng P. Nó thực hiện
một ánh xạ ngược y→x
1
~x với bất kỳ một cấp chính xác bất kỳ nào mà ta mong
muốn. Tuy nhiên, nếu mô hình ngược của đối tượng P không tồn tại duy nhất,
Võ Anh Tuấn TĐH K24 - Trang 3
Tiếu luận mạng Neural
nghĩa là ứng với một giá trị của y sẽ có nhiều hơn một giá trị của x, thì ta không
thể thực hiện nhận dạng thành công được, chẳng hạn như trên hình 2. Trong
trường hợp này, mạng nơ-ron chỉ thực hiện được một ánh xạ ngược y→x
1
bằng
giá trị trung bình của các giá trị x.
Khi tham số của đối tượng thay đổi trong quá trình hoạt động, các khối lượng
của mạng nơ-ron sẽ được thay đổi thích nghi với sự thay đổi tham số đó của đối
tượng nếu mạng được đào tạo on-line. Như vậy nhận dạng đối tượng điều khiển
dùng mạng nơ-ron mang tính thích nghi với sự thay đổi tham số của đối tượng
trong quá trình hoạt động. Hình 3-a trình bày một cấu trúc mạng được đào tạo
on-line để nhận dạng một đối tượng điều khiển trong một hệ hở. Trong mô hình
này có hai mạng nơ-ron A và B. Bộ điều khiển nơ-ron B là một phiên bản sao
chép y nguyên theo mạng nơ-ron A. Mạng nơ-ron A được đào tạo nhận dạng mô
hình ngược của đối tượng. Mạng nơ-ron B sẽ bám theo mạng nơ-ron A sau mỗi
một bước đào tạo, nên tín hiệu vào d của bộ điều khiển nơ-ron B sẽ bằng tín
hiệu ra y của đối tượng P, có nghĩa là d=y. Vậy tín hiệu vào của bộ điều khiển
nơ-ron B chính là tín hiệu mong muốn nhận được của hệ thống. Nhưng ta lưu ý

rằng sơ đồ này chỉ có thể thực hiện được khi mô hình ngược của đối tượng tồn
tại duy nhất. Mặt khác, sơ đồ này không kinh tế vì phải sử dụng đến hai mạng
nơ-ron. Sơ đồ điều khiển hình 3-b có chức năng giống như sơ đồ điều khiển trên
hình 5-a, nhưng nó chỉ cần duy nhất một mạng nơ-ron. Tín hiệu vào mạng
Võ Anh Tuấn TĐH K24 - Trang 4
0
y
a
y
b
y
x
a
x
b
x
a)
0
y
a
y
b
y
x
a
x
b
x
b)
y

*
x
1
x
2
Hình 2: Ví dụ nhận dạng mô hình ngược
Mô hình ngược tồn tại duy nhất
Mô hình ngược không tồn tại duy nhất
Tiếu luận mạng Neural
nơ-ron là giá trị mong muốn nhận được của hệ thống. Chuẩn của vec-tơ sai lệch
׀׀d-y׀׀được sử dụng để đào tạo mạng nơ-ron. Mạng nơ-ron được đào tạo chính là
mô hình ngược của đối tượng.
Chú ý rằng, các sơ đồ nhận dạng điều khiển ở trên chỉ dùng cho các hệ thống
tĩnh, nghĩa là tín hiệu vào/ra là bất biến với thời gian. Đối với hệ thống động,
mạng nơ-ron sẽ cần đến các tín hiệu ra của hệ thống ở các thời điểm trước đó để
nhận dạng đối tượng. Vì thế ta sẽ thêm vào các khâu lấy trễ tín hiệu ra và dùng
làm tín hiệu vào cấp cho mạng nơ-ron.
NHẬN DẠNG HỆ THỐNG
Võ Anh Tuấn TĐH K24 - Trang 5
Hình 3: Điều khiển hệ hở với mạng nơ-ron nhận dạng mô hình ngược
a) Dùng hai mạng nơ-ron
b) Dùng một mạng nơ-ron
Mạng nơ-ron
Đối tượng P
y
x
1
x-x
1

x
+
+
-
a)
Bộ điều khiển
nơ-ron B
d
Mạng nơ-ron Đối tượng P
y
y
1
d-y
x
+
+
-
b)
Tiếu luận mạng Neural
Trong phần này, ta sẽ thực hiện minh hoạ một ví dụ đơn giản thông qua mô
phỏng trên MATLAB. Như đã trình bày, mục đích của nhận dạng đối tượng là
để tìm ra một mô hình phù hợp của đối tượng phi tuyến bằng cách quan sát các
tín hiệu vào/ra của đối tượng đó. Đối với một quá trình phi tuyến cho trước, ta
cần phải tính được mối quan hệ về mặt hàm số giữa tín hiệu vào và tín hiệu ra.
Bản thân của đối tượng là một hộp đen có cấu trúc chưa biết. Tất cả những gì
mà ta có thể quan sát được là những gì đi vào và đi ra khỏi hộp đen. Đối với quá
trình nhận dạng như thế, áp dụng mạng nơ-ron để nhận dạng sẽ cho kết quả tốt
nhất.
Ta xét một ví dụ sau:
Một hệ thống phi tuyến được mô tả bởi phương trình:

)(
))1(())((5,8
)5,2)()(2)1()((
)1(
22
ku
kyky
kykyky
ky
pp
ppp
p
+
−++
++−
=+
Đối tượng này hoạt động ổn định đối với u(k)
є
[-2,2]. Mục đích trong ví dụ
này là đào tạo mạng nơ-ron thẳng theo luật học lan truyền ngược để sau khi
đào tạo, tín hiệu ra của mạng và tín hiệu thực của đối tượng là trùng nhau ứng
với cùng một đầu vào. Phần dưới đây trình bày các bước thiết kế mạng nơ-ron
để nhận dạng đối tượng một cách tuần tự.
1. Tìm một cặp dữ liệu vào/ra để đào tạo mạng nơ-ron:
Trong ví dụ này, ta mô phỏng hệ phi tuyến trên để tìm dữ liệu đào tạo. Trong
các hệ thống thực, dữ liệu đào tạo thu được từ thực nghiệm. Ta tạo vec-tơ tín
hiệu vào u [-2,2]. Mục đích là để tạo một vec-tơ tín hiệu vào ngẫu nhiên để phát
ra một vec-tơ các tín hiệu ra tương ứng. Trong ví dụ này, ta tạo ra một vec-tơ có
301 tín hiệu vào ngẫu nhiên. Mô phỏng đáp ứng của đối tượng phi tuyến sử
dụng vec-tơ tín hiệu vào ngẫu nhiên đó để tạo ra các cặp dữ liệu đào tạo.

Biểu diễn trong MATLAB, ta có:
yp(1)=0; %yp(1)=y(k-1)
Võ Anh Tuấn TĐH K24 - Trang 6
Tiếu luận mạng Neural
yp(2)=0; %yp(2)=y(k)
u=rands(1,301)*2; %-2<=u(k)<=2
for k=2:301
yp(k+1)=yp(k)*(yp(k-1)+2)*(yp(k)+2.5)/(8.5+yp(k)^2+yp(k-1)^2)+u(k);
out(k-1)=(yp(k+1)-u(k))/20; %output traing data
in(k-1)=yp(k)/20; %input training data
end;
Chú ý rằng dữ liệu đào tạo vào và ra đều được chia cho hệ số tỉ lệ và trong ví
dụ này, hệ số tỉ lệ là 20. Việc chia cho hệ số tỉ lệ là cần thiết khi sử dụng các
hàm kích thích dạng sigmoid để nén dữ liệu. Người thiết kế phải có kinh nghiệm
trong việc chọn hệ số ti lệ một cách phù hợp để mạng nơ-ron hội tụ nhanh hơn.
Hệ số tỉ lệ lớn quá hoặc nhỏ quá cũng đều ảnh hưởng đáng kể đến các đặc tính
hội tụ của mạng.
2. Thiết lập các vec-tơ dữ liệu vào/ra để đào tạo mạng nơ-ron:
Ở đây, dữ liệu vào plantin được thiết lập thành một cặp dưới dạng:































=



















+ )300(
)299(
, ,
)4(
)3(
,
)3(
)2(
,
)2(
)1(
)1(
)(
in
in
in
in
in
in
in
in
ky

ky
p
p
Và dữ liệu ra plantout cho mỗi cặp dữ liệu vào tương ứng được thiết lập dưới
dạng:
{ } { } { } { }
[ ]
)299(, ,)3(,)2(,)1( outoutoutout
Biểu diễn trong MATLAB, ta có:
plantin=[in(1:299);in(2:300)];
plantout=out(1:299);
3. Chọn sơ đồ mạng nơ-ron, chọn phương pháp đào tạo và thiết lập các
tham số chỉ tiểu trong quá trình đào tạo:
Võ Anh Tuấn TĐH K24 - Trang 7
Tiếu luận mạng Neural
Ở đây, ta chọn sơ đồ mạng nơ-ron thẳng 3 lớp, trong đó có 1 lớp ẩn có 10
nơ-ron. Lớp nơ-ron vào và ra đều có 1 nơ-ron. Các nơ-ron đều sử dụng hàm kích
thích dạng tansig. Đào tạo mạng theo thuật toán lan truyền ngược kết hợp với
thuật toán tìm tối ưu Levenberg-Marquardt.
Trước tiên, ta khởi tạo các khối lượng, sau đó thiết lập số epochs đào tạo và
sai số nhỏ nhất có thể chấp nhận được. Ta có thể phải tăng số epochs để quá
trình đào tạo mạng hội tụ. Mặt khác, ta cũng có thể tăng giá trị sai số nhỏ nhất
có thể chấp nhận được để quá trình đào tạo mạng hội tụ. Trong ví dụ này, ta
chọn epochs=500 và sai số nhỏ nhất là 0,0005.
Biểu diễn trong MATLAB, ta có:
net=newff(minmax(plantin),[1 10 1],{'tansig' 'tansig' 'tansig'}, 'trainlm',
'learngdm','mse')
net=init(net);
net.iw{1,1}
net.b{1}

net.trainParam.epochs=500;
net.trainParam.goal=0.0005;
4. Đào tạo mạng nơ-ron:
Biểu diễn trong MATLAB, ta có:
net=train(net, plantin, plantout);
5. Tìm đáp ứng của mạng nơ-ron :
Với các tín hiệu vào ngẫu nhiên đã sử dụng để đào tạo, đồng thời so sánh đáp
ứng của mạng nơ-ron với đáp ứng thực của đối tượng.
Biểu diễn trong MATLAB, ta có:
Võ Anh Tuấn TĐH K24 - Trang 8
Tiếu luận mạng Neural
trainedout=sim(net,plantin);
plot(plantout,'k');
hold on;
plot(trainedout,'r');
legend ('Dap ung thuc cua doi tuong','Dap ung cua mang noron')
axis([0,300,-0.1,0.35]);
xlabel('timestep');
ylabel('Plant(solid) NN Output(dotted)');
Kết hợp các phần đã phân tích trên đây, ta có đoạn chương trình hoàn chỉnh
viết trong MATLAB có tên file Dap_ung_ngau_nhien.m như sau:
%Thiet lap cap du lieu vao/ra de dao tao mang noron
yp(1)=0;
yp(2)=0;
u=rands(1,301)*2;
for k=2:301
yp(k+1)=yp(k)*(yp(k-1)+2)*(yp(k)+2.5)/(8.5+yp(k)^2+yp(k-1)^2)+u(k);
out(k-1)=(yp(k+1)-u(k))/20;
in(k-1)=yp(k)/20;
end;

%%Thiet lap cac vecto du lieu vao/ra cho dao tao mang noron
plantin=[in(1:299);in(2:300)];
plantout=out(1:299);
%%Chon so do mang noron, phuong phap dao tao va thiet lap cac tham so
%% chi tieu trong qua trinh dao tao
Võ Anh Tuấn TĐH K24 - Trang 9
Tiếu luận mạng Neural
net=newff(minmax(plantin),[1 10 1],{'tansig' 'tansig' 'tansig'}, 'trainlm',
'learngdm','mse')
net=init(net);
net.iw{1,1}
net.b{1}
net.trainParam.epochs=500;
net.trainParam.goal=0.0005;
%%Dao tao mang noron
net=train(net, plantin, plantout);
%%Tim dap ung cua mang noron, Mo phong dap ung va tin hieu vao
trainedout=sim(net,plantin);
plot(plantout,'k');
hold on;
plot(trainedout,'r');
legend ('Dap ung thuc cua doi tuong','Dap ung cua mang noron');
axis([0,300,-0.1,0.35]);
xlabel('Timestep');
ylabel('Plant(solid) NN Output(dotted)');
Võ Anh Tuấn TĐH K24 - Trang 10
Tiếu luận mạng Neural
Sau khi mô phỏng, ta được kết quả như ở hình 4:
Nhận xét kết quả: Đáp ứng của mạng nơ-ron được đào tạo và đáp ứng thực
của đối tượng tương đối trùng nhau.

Bây giờ, ta muốn rằng mạng nơ-ron vừa được đào tạo ở trên có thể đưa ra
các đáp ứng trùng với đáp ứng thực của đối tượng ứng với cùng một tín hiệu vào
khác với các tín hiệu vào đã được sử dụng để đào tạo mạng. Nếu hai đáp ứng
trùng nhau thì mạng nơ-ron đó có thể sử dụng để nhận dạng đối tượng rất tốt.
Còn nếu hai đáp ứng chưa trùng nhau thì ta cần phải quay lại bước 1 để thu thêm
dữ liệu đào tạo và đào tạo thêm cho mạng.
Trong ví dụ này, ta tìm đáp ứng của mạng nơ-ron và đáp ứng thực của đối
tượng ứng với tín hiệu vào theo hàm sin và cos:
)1,0sin(5,2)( kku
π
=
với k є [0,200]
Võ Anh Tuấn TĐH K24 - Trang 11
Hình 4: Đáp ứng của mạng nơ-ron và đáp ứng thực của đối tượng ứng với đầu
vào là tín hiệu ngầu nhiên
Tiếu luận mạng Neural
)2,0cos(5,1)( kku
π
=
với k є [200,600]
Biểu diễn trong MATLAB lấy tên file Dap_ung_ham_sin_cos.m như sau:
%Thiet lap cap du lieu vao/ra de dao tao mang noron
yp(1)=0;
yp(2)=0;
out1(1)=0;
out1(2)=0;
for k=2:600
if(k<=200) u(k)=2.5*sin(0.1*pi*k);
else
u(k)=1.5*sin(0.2*pi*k);

end
%%Thiet lap cac vecto du lieu vao/ra cho dao tao mang noron
yp(k+1)=yp(k)*(yp(k-1)+2)*(yp(k)+2.5)/(8.5+yp(k)^2+yp(k-1)^2)+u(k);
out1(k)=yp(k)/20;
out1(k-1)=yp(k-1)/20;
nnout(k+1)=20*sim(net,[out1(k);out1(k-1)])+u(k);
end;
plot(yp,'k');
hold on;
plot(nnout,'r');
legend ('Dap ung thuc cua doi tuong','Dap ung cua mang noron');
axis([0,600,-4.0,10]);
xlabel('Timestep');
ylabel('Plant(solid) NN Output(dotted)');
Võ Anh Tuấn TĐH K24 - Trang 12
Tiếu luận mạng Neural
Sau khi mô phỏng, ta được kết quả như ở hình 5:
Nhận xét: Kết quả mô phỏng cho ta thấy đáp ứng của mạng nơ-ron được đào
tạo và đáp ứng thực của đối tượng tương đối trùng nhau. Do vậy ta không cần
phải đào tạo thêm cho mạng.
6 Màn hình giao diện(GUI):
Đây là màn hình giao diện giữa người và máy để vẽ đồ thị cho thấy được
độ bám của mạng nơ-ron theo đáp ứng thực của đối tượng . Đối với ví dụ trên ta
có thể thay đổi biên độ A hay hệ số góc ϕ của hàm sin hoặc cos thì ta thấy được
độ bám theo đối tượng thực của mạng nơ-ron tốt hay không tốt.
Biểu diễn trong MATLAB lấy tên file voanhtuan.m như sau:
Võ Anh Tuấn TĐH K24 - Trang 13
Hình 5: Đáp ứng của mạng nơ-ron và đáp ứng thực của đối tượng
ứng với một đầu vào khác
Tiếu luận mạng Neural

% Tao khung do thi ve tu file 'Name'dap ung ham sin cos
figNumber=figure('Name','DAP_UNG_HAM_SIN_COS','NumberTitle','on','Vis
ible','on');
colordef(figNumber,'black')
axes('Units','normalized','Position',[0.10 0.25 0.60 0.65]);
set(gcf,'DefaultUicontrolUnit','Normalized')
frame02 = uicontrol(gcf,'Style','frame', 'Position',[0.775 0.05 0.2 0.8]);
set(frame02,'BackgroundColor', [0.5 0.5 0.5]);
edit_k= uicontrol(gcf,'Style', 'Edit', 'String','4','Position',[0.8 0.1 0.1 0.05],
'HorizontalAlignment','Right','callback','DAP_UNG_HAM_SIN_COS');

slider_yp(k+1) = uicontrol(gcf, 'Style', 'Slider', 'Min', 0 ,'Max', 10, 'Value',4,
'Position',[0.8 0.17 0.15 0.05],'Callback','DAP_UNG_HAM_SIN_COS');
slider_out1(k-1) = uicontrol(gcf, 'Style', 'Slider', 'Min', 0,'Max',10, 'Value',1,
'Position',[0.8 0.32 0.15 0.05],'Callback','DAP_UNG_HAM_SIN_COS');
popup_out1(k)= uicontrol(gcf,'Style', 'Popupmenu', 'String','HAM SIN|HAM
COS','Value', 1,
'Position',[0.8 0.75 0.15 0.05],'Callback','DAP_UNG_HAM_SIN_COS');

radio_E = uicontrol(gcf,'Style', 'Radiobutton', 'String', 'Yes/No','Value', 1,
'Position',[0.8 0.45 0.15 0.05], 'callback','DAP_UNG_HAM_SIN_COS');
biendo = uicontrol(gcf, 'Style', 'Text', 'String', '[constan]', 'Position',[0.9 0.1 0.05
0.04],
'HorizontalAlignment','Right');
dienap = uicontrol(gcf, 'Style', 'Text', 'String', '[u(k)]', 'Position',[0.9 0.25 0.06
0.04],
'HorizontalAlignment','Right');
set(biendo,'BackgroundColor', [0.5 0.5 0.5]);
set(dienap,'BackgroundColor', [0.5 0.5 0.5]);
Võ Anh Tuấn TĐH K24 - Trang 14

Tiếu luận mạng Neural
nhan1 = uicontrol(gcf, 'Style', 'Text', 'String','bien do A', 'Position',[0.8 0.55 0.15
0.05],
'HorizontalAlignment','center');
set(nhan1,'BackgroundColor', [0.5 0.5 0.5]);
nhan2 = uicontrol(gcf, 'Style', 'Text', 'String','he so goc phi', 'Position',[0.8 0.5
0.15 0.05],
'HorizontalAlignment','center');
set(nhan2,'BackgroundColor', [0.5 0.5 0.5]);
nhan3 = uicontrol(gcf, 'Style', 'Text', 'String','Gia tri dat vao', 'Position',[0.8 0.37
0.15 0.05],
'HorizontalAlignment','center');
set(nhan3,'BackgroundColor', [0.5 0.5 0.5]);
nhan4 = uicontrol(gcf, 'Style', 'Text', 'String','Do thi dap ung thuc cua doi tuong
va dap ung mang neural',
'Position',[0.1 0.1 0.6 0.04],'HorizontalAlignment','center');
set(nhan4,'BackgroundColor', [0.5 0.5 0.9]);
nhan5 = uicontrol(gcf, 'Style', 'Text', 'String','Le Van Hung - neural thay
HIEN',
'Position',[0.1 0.05 0.6 0.04],'HorizontalAlignment','center');
set(nhan5,'BackgroundColor', [0.5 0.5 0.9]);
nhan6 = uicontrol(gcf, 'Style', 'Text', 'String','MENU DIEU KHIEN', 'Position',
[0.775 0.87 0.2 0.04],
'HorizontalAlignment','center');
set(nhan6,'BackgroundColor', [0.9 0.5 0.4]);
pause(0.5);
set(nhan5,'BackgroundColor', [0.9 0.0 0.9]);
pause(0.5);
set(nhan5,'BackgroundColor', [0.4 0.9 0.6]);
pause(0.5);

Võ Anh Tuấn TĐH K24 - Trang 15
Tiếu luận mạng Neural
set(nhan5,'BackgroundColor', [0.9 0.3 0.07]);
pause(0.5);
set(nhan5,'BackgroundColor', [0.9 0.9 0.0]);
Sau khi mô phỏng, ta được kết quả như ở hình 6:
KẾT LUẬN
Nhờ khả năng học, mạng có thể thích nghi với sự thay đổi tham số của đối
tượng điều khiển trong quá trình hoạt động. Vì thế, nhận dạng đối tượng điều
khiển sử dụng mạng nơ-ron là rất hiệu quả. Kết quả mô phỏng trên MATLAB
cũng cho thấy đáp ứng của mạng nơ-ron bám theo đáp ứng thực của đối tượng
điều khiển là rất tốt.

Võ Anh Tuấn TĐH K24 - Trang 16
Hình 6: Đáp ứng của mạng nơ-ron và đáp ứng thực của đối tượng
ứng với một đầu vào khác
Hình 6: Đáp ứng của mạng nơ-ron và đáp ứng thực của đối tượng
ứng với một đầu vào khác