NHẬN DẠNG ĐỐI TƯỢNG ĐIỀU KHIỂN DÙNG MẠNG NEURAL (TIỂU LUẬN MÔN HỌC ĐIỀU KHIỂN NEURAL )

Tiểu luận: NHẬN DẠNG ĐỐI TƯỢNG ĐIỀU KHIỂN DÙNG MẠNG NEURAL
BỘ GIÁO DỤC VÀ ĐÀO TẠO
ĐẠI HỌC ĐÀ NẴNG
TRƯỜNG ĐẠI HỌC BÁCH KHOA
  
TIỂU LUẬN
MÔN HỌC : ĐIỀU KHIỂN NEURAL
Giảng viên : TS. Phan Văn Hiền
Học viên : Huỳnh Văn Minh
Lớp : Cao học Tự động hóa
Khóa : K24 (2011-2013)
Đà Nẵng 05/2013
Học viên: Huỳnh Văn Minh – TĐH_ K24 Trang 1
Tiểu luận: NHẬN DẠNG ĐỐI TƯỢNG ĐIỀU KHIỂN DÙNG MẠNG NEURAL
MỞ ĐẦU
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:

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 d-y
1
.
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
Học viên: Huỳnh Văn Minh – 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)
Tiểu luận: NHẬN DẠNG ĐỐI TƯỢNG ĐIỀU KHIỂN DÙNG MẠNG NEURAL
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, 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 nơ-ron là
giá trị mong muốn nhận được của hệ thống. Chuẩn của vec-tơ sai lệch ׀׀d-y׀׀được sử

Học viên: Huỳnh Văn Minh – TĐH_ K24 Trang 3
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
Tiểu luận: NHẬN DẠNG ĐỐI TƯỢNG ĐIỀU KHIỂN DÙNG MẠNG NEURAL
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.
VÍ DỤ NHẬN DẠNG HỆ THỐNG
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:
Học viên: Huỳnh Văn Minh – TĐH_ K24 Trang 4
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)
Tiểu luận: NHẬN DẠNG ĐỐI TƯỢNG ĐIỀU KHIỂN DÙNG MẠNG NEURAL
)(
))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)
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:
Học viên: Huỳnh Văn Minh – TĐH_ K24 Trang 5
Tiểu luận: NHẬN DẠNG ĐỐI TƯỢNG ĐIỀU KHIỂN DÙNG 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:
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
Học viên: Huỳnh Văn Minh – TĐH_ K24 Trang 6
Tiểu luận: NHẬN DẠNG ĐỐI TƯỢNG ĐIỀU KHIỂN DÙNG MẠNG NEURAL
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
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)');
Sau khi mô phỏng, ta được kết quả như ở hình 4:
Học viên: Huỳnh Văn Minh – TĐH_ K24 Trang 7
Tiểu luận: NHẬN DẠNG ĐỐI TƯỢNG ĐIỀU KHIỂN DÙNG MẠNG NEURAL
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]

)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;
Học viên: Huỳnh Văn Minh – TĐH_ K24 Trang 8
Hình 4: Đáp ứng của mạng nơ-ron và đáp ứng thực của đối tượng ứng với đầu
vào là tín hiệu ngầu nhiên
Tiểu luận: NHẬN DẠNG ĐỐI TƯỢNG ĐIỀU KHIỂN DÙNG MẠNG NEURAL
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)');
Sau khi mô phỏng, ta được kết quả như ở hình 5:
Học viên: Huỳnh Văn Minh – TĐH_ K24 Trang 9
Hình 5: Đáp ứng của mạng nơ-ron và đáp ứng thực của đối tượng
ứng với một đầu vào khác
Tiểu luận: NHẬN DẠNG ĐỐI TƯỢNG ĐIỀU KHIỂN DÙNG MẠNG NEURAL
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 Huynh_Van_Minh_dothi.m như sau:
% Tao khung do thi ve tu file 'Name'dap ung ham sin cos
figNumber=figure('Name','DAP_UNG_HAM_SIN_COS','NumberTitle','on','Visible','
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]);
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');
Học viên: Huỳnh Văn Minh – TĐH_ K24 Trang 10
Tiểu luận: NHẬN DẠNG ĐỐI TƯỢNG ĐIỀU KHIỂN DÙNG MẠNG NEURAL
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','HUYNH VAN MINH 2013- 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);
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:
Học viên: Huỳnh Văn Minh – TĐH_ K24 Trang 11
Tiểu luận: NHẬN DẠNG ĐỐI TƯỢNG ĐIỀU KHIỂN DÙNG MẠNG NEURAL
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.

Học viên: Huỳnh Văn Minh – TĐH_ K24 Trang 12
Hình 6: Đáp ứng của mạng nơ-ron và đáp ứng thực của đối tượng
ứng với một đầu vào khác