nghiên cứu ứng dụng bộ điều khiển narma - l2 vào thiết bị lái tự động vào góc bay của máy bay boeing

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

ĐẠI HỌC THÁI NGUYÊN
TRƢỜNG ĐẠI HỌC KỸ THUẬT CÔNG NGHIỆP



LUẬN VĂN THẠC SĨ KỸ THUẬT
NGÀNH: TỰ ĐỘNG HÓA





NGHIÊN CỨU ỨNG DỤNG BỘ ĐIỀU KHIỂN
NARMA-L2 VÀO THIẾT BỊ LÁI TỰ ĐỘNG

GÓC BAY CỦA MÁY BAY BOEING


BÙI THỊ THU PHƢƠNG










THÁI NGUYÊN - 2010







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

ĐẠI HỌC THÁI NGUYÊN
TRƢỜNG ĐẠI HỌC KỸ THUẬT CÔNG NGHIỆP



LUẬN VĂN THẠC SĨ KỸ THUẬT

NGHIÊN CỨU ỨNG DỤNG BỘ ĐIỀU KHIỂN
NARMA-L2 VÀO THIẾT BỊ LÁI TỰ ĐỘNG
GÓC BAY CỦA MÁY BAY BOEING




Ngành : TỰ ĐỘNG HÓA
Học viên : BÙI THỊ THU PHƢƠNG
Cán bộ hƣớng dẫn khoa học: TS. PHẠM HỮU ĐỨC DỤC






THÁI NGUYÊN - 2010







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





Bùi Thị Thu Phương

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 Tiến sĩ Phạm Hữu Đức Dục em đã lựa chọn đề tài của
mình là: “Nghiên cứu ứng dụng bộ điều khiển Narma - L2 vào thiết bị lái tự
động góc bay của máy bay BOEING”. Trong quá trình thực hiện đề tài, được

sự hướng dẫn nhiệt tình của 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



Bùi Thị Thu Phương




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

MỤC LỤC


Lời cam đoan. Trang
Mục lục
Danh mục các chữ viết tắt, tiếng nƣớc ngoài.
Danh mục các hình vẽ, đồ thị
PHẦN MỞ ĐẦU. 1
CHƢƠNG I. TỔNG QUAN VỀ MẠNG NƠRON NHÂN TẠO 3
1.1. Các loại mô hình cấu trúc mạng nơron 3
1.2. Các tính chất của mạng nơron 5
1.3.Các luật học 5
1.3.1. Học có giám sát 6

1.3.2. Học củng cố 6
1.3.3. Học không có giám sát 7
1.4. Ứng dụng của mạng nơron trong nhận dạng và điều khiển 11
1.4.1. Các vấn đề chung 11
1.4.2. Mô tả toán học của đối tượng ở rời rạc 11
1.4.3. Ứng dụng của mạng nơ ron trong nhận dạng 13
1.4.3.1. Mô hình nhận dạng song song 14
1.4.3.2. Mô hình nhận dạng nối tiếp - song song 16
1.4.4. Ứng dụng của mạng nơron trong điều khiển 17
1.4.4.1. Bộ điều khiển ổn định 18
1.4.4.2. Điều khiển ngược thích nghi 18
1.4.4.3. Mô hình điều khiển phi tuyến 19
1.4.4.4. Mô hình điều khiển dự báo 20




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

1.4.4.5. Điều khiển thích nghi theo mô hình mẫu hoặc điều khiển 21
nơron thích nghi.
1.4.4.6. Đánh giá thích nghi 22
1.4.4.7. Phản hồi tuyến tính hóa phản hồi thích nghi dùng mạng nơron 23
1.4.4.8. Điều khiển thích nghi trực tiếp ổn định 24
CHƢƠNG II. CÁC MÔ HÌNH CỦA MẠNG MỜ NƠRON TRONG 29
MATLAB VÀ ỨNG DỤNG TRONG NHẬN DẠNG VÀ ĐIỀU KHIỂN
2.1. Giới thiệu Simulink neural toolbox của matlab 29
2.1.1. Khối các hàm chuyển đổi 29
2.1.2. Khối đầu vào 30
2.1.3. Khối các hàm trọng số 30

2.1.4. Khối các hệ thống điều khiển 31
2.2. Các mô hình ứng dụng của Matlab trong điều khiển 31
2.2.1. Bộ điều khiển dự báo sử dụng mạng nơron 33
2.2.1.1. Nhận dạng đối tượng 34
2.2.1.2. Điều khiển dự báo 35
2.2.2. Bộ điều khiển Narma - L2 41
2.2.2.1. Quá trình nhận dạng 41
2.2.2.2. Bộ điều khiển NARMA-L2 43
2.2.3. Điều khiển theo mô hình mẫu 48
CHƢƠNG III. ỨNG DỤNG BỘ ĐIỀU KHIỂN NARMA - L2 VÀO 57
THIẾT BỊ LÁI TỰ ĐỘNG GÓC BAY CỦA MÁY BAY BOEING
3.1. Động học góc bay của máy bay 58
3.2. Ứng dụng bộ điều khiển NARMA - L2 vào thiết bị lái tự động 60
góc bay của máy bay Boeing.




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

3.2.1. Thiết lập sơ đồ điều khiển 61
3.2.1.1. Giai đoạn nhận dạng 62
3.2.1.2. Giai đoạn điều khiển 65
3.2.2. Thiết lập mô hình điều khiển mô phỏng 66
3.2.3. Kết quả mô phỏng 67
3.2.3.1. Kết quả mô phỏng ở giai đoạn nhận dạng 67
3.2.3.2. Kết quả mô phỏng ở giai đoạn điều khiển 69
CHƢƠNG IV: KẾT LUẬN CHUNG VÀ KIẾN NGHỊ 73
4.1. Kết luận chung 73
4.2. Kiến nghị 73

TÀI LIỆU THAM KHẢO 74


















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
27
Nonlinear Autoregressive-
MovingAverage - NARMA
Mô hình trung bình trượt-phi
tuyến tự hồi quy





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 1.1a
Mạng nơron truyền thẳng một lớp
2
Hình 1.1b
Mạng nơron truyền thẳng nhiều lớp
3
Hình 1.1c
Mạng nơron chỉ có một nơron tự hồi quy
4
Hình 1.1d
Mạng nơron hồi quy một lớp
5
Hình 1.1e
Mạng có cấu trúc ngang - hạn chế
6
Hình 1.1f
Mạng nơron hồi quy nhiều lớp
7
Hình 1.2a
Học có giám sát
8
Hình 1.2b
Học củng cố
9
Hình 1.2c
Học không có giám sát
10

Hình 1.3
Luật học trạng số ở dạng cơ bản
11
Hinh 1.4
Mô hình nhận dạng
12
Hình 1.5
Mô hình nhận dạng song song
13
Hình 1.6
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 1.7
Mô hình nhận dạng nối tiếp - song song
15
Hình 1.8
Bộ điều khiển ổn định
16
Hình 1.9
Hệ thống điều khiển ngược thích nghi
17
Hình 1.10
Mô hình điều khiển phi tuyến
18
Hình 1.11

Mô hình điều khiển dự báo
19
Hình 1.12
Điều khiển thích nghi theo mô hình mẫu
20
Hình 1.13
Mô hình đánh giá thích nghi




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

21
Hình 1.14
Phương pháp phản hồi tuyến tính hoá thích nghi dùng
mạng nơron
22
Hình 1.15
Điều khiển thích nghi trực tiếp ổn định
23
Hình 1.16
Các vùng điều khiển
24
Hình 2.1
Các khối trong Neural Network Toolbox của Matlab
25
Hình 2.2
Khối các hàm chuyển đổi
26

Hình 2.3
Khối đầu vào
27
Hình 2.4
Khối các hàm trọng số
28
Hình 2.5
Khối các bộ điều khiển
29
Hình 2.6
Sơ đồ nhận dạng đối tượng
30
Hình 2.7
Sơ đồ cấu trúc mạng nơron nhận dạng đối tượng
31
Hình 2.8
Sơ đồ điều khiển theo mô hình dự báo
32
Hình 2.9
Mô hình bể chứa phản ứng có khuấy
33
Hình 2.10
Sơ đồ bộ điều khiển dự báo dùng mạng nơron điều khiển
bể chứa phản ứng có khuấy
34
Hình 2.11
Cửa sổ khối Neural Network Predictive Controller
35
Hình 2.12
Cửa sổ nhận dạng đôi tượng

36
Hình 2.13
Bộ dữ liệu huấn luyện
37
Hình 2.14
Đáp ứng của mô hình đối tượng sau quá trình huấn luyện
38
Hình 2.15
Đồ thị tín hiệu đầu ra đối tượng và tín hiệu mẫu
39
Hình 2.16
Cấu trúc của mạng nơron nhận dạng
40
Hình 2.17
Mô hình NARMA-L2
41
Hình 2.18
Mô hình NARMA-L2sau khi đã nhận dạng được đối
tượng, sử dụng trong bước điều khiển tìm tín hiệu điều




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

khiển u
42
Hình 2.19
Mô hình nam châm điện
43

Hình 2.20
Cửa sổ mô hình khối bộ điều khiển NARMA - L2
44
Hình 2.21
Cửa sổ khối nhận dạng đối tượng
45
Hình 2.22
Đồ thị tín hiệu đầu ra đối tượng và tín hiệu mẫu
46
Hình 2.23
Mô hình mạng nơron mô tả đối tượng và bộ điều khiển
dùng mạng nơron đã được cài đặt trong Neural Network
Toolbook
47
Hình 2.24
Mô hình tay máy một khâu
48
Hình 2.25
Khối điều khiển tay máy một khâu theo mô hình mẫu sử
dụng mạng nơron
49
Hình 2.26
Khối Model Reference Control
50
Hình 2.27
Đồ thị dữ liệu vào ra của quá trình huấn luyện bộ điều
khiển
51
Hình 2.28
Đồ thị đáp ứng vòng kín của hệ thống sau quá trình huấn

luyện
52
Hình 2.29
Đồ thị tín hiệu đầu ra của đối tượng và tín hiệu mẫu
53
Hình 3.1
Mô hình động học của máy bay
54
Hình 3.2
Sơ đồ ứng dụng bộ điều khiển NARMA-L2 là thiết bị lái
tự động điều khiển đối tượng là góc bay

.
55
Hình 3.3
Cấu trúc của hai mạng nơron nhận dạng hàm f(.) và hàm
g(.).
56
Hình3. 4
Mô hình NARMA-L2sau khi đã nhận dạng được đối
tượng, tính toán tín hiệu điều khiển

trong giai đoạn điều
khiển.




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

57
Hình 3.5
Sơ đồ trên MATLAB Simulink ứng dụng bộ điều khiển
NARMA-L2 đóng vai trò là thiết bị lái tự động điều
khiển góc bay

của máy bay.
58
Hình 3.6
Tín hiệu vào

ở dạng ngẫu nhiên trong giai đoạn nhận
dạng
59
Hình 3.7
Đồ thị tín hiệu ra

của đối tượng trong giai đoạn nhận
dạng.
60
Hình 3.8
Đồ thị sai lệch E học tín hiệu vào - ra trong giai đoạn
nhận dạng.
61
Hình 3.9
Đồ thị tín hiệu điều khiển là góc bánh lái ở đuôi máy bay

(rad)
62
Hình 3.10

Đồ thị góc tấn

(rad)
63
Hình3. 11
Góc bay


(rad) (nét liền) và góc bay mong muốn
m

(rad)(nét đứt)













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


PHẦN MỞ ĐẦU
1. Tính cấp thiết của đề tài:

Máy bay là phương tiện bay hiện đại, cao cấp, ngày nay đóng vai trò không
thể thiếu trong kinh tế và đặc biệt trong quân sự. Máy bay là phương tiện hiện
đại đòi hỏi đảm bảo kỹ thuật rất khắt khe vì các tai nạn máy bay thường gây thiệt
hại rất lớn về nhân mạng và tài sản. Một trong những đối tượng quan trọng cần
điều khiển tự động trên máy bay là góc bay. Đây là đối tượng khó điều khiển vì
phương trình động học của nó có dạng phi tuyến. Yêu cầu đặt ra đối với thiết bị
điều khiển góc bay là cần tạo ra được tín hiệu điều khiển bảo đảm góc bay của
máy bay bám theo được góc bay mong muốn với độ chính xác cao. Vì vậy vấn
đề đặt ra là cần trang bị cho máy bay một thiết bị lái tự động để điều khiển góc
bay của nó bám theo được góc bay mong muốn với độ chính xác cao mà không
cần có người điều khiển. Mạng nơron được xây dựng mô phỏng theo cấu trúc
của bộ não con người với các luật học hữu hiệu, chúng có khả năng học bộ dữ
liệu vào-ra của đối tượng phi tuyến nhiều vào-nhiều ra (MIMO) với độ chính xác
cao. Hiện nay nó đang được ứng dụng nhiều vào các lĩnh vực nhận dạng, nhận
mẫu và điều khiển. Trong chương trình 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 Tiến sĩ Phạm Hữu Đức Dục, em đã lựa chọn
đề tài tốt nghiệp của mình là: “Nghiên cứu ứng dụng bộ điều khiển Narma L2
vào thiết bị lái tự động góc bay của máy bay BOEING”.
2. Ý nghĩa khoa học và thực tiễn của đề tài.
a. Ý nghĩa khoa học:




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

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 tên lửa, máy
bay không người lái, người máy, tay máy trong các quy trình sản xuất hiện đại,

và ngay cả trong đời sống hàng ngày: điều khiển nhiệt độ, độ ẩm… Phần lớn
việc thiết kế điều khiển góc bay cho máy bay 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 máy bay được bỏ qua và động học của máy bay được xấp
xỉ bằng các mô hình tuyến tính. Sự phát triển của không quân ngày nay, với tốc
độ bay lớn, sức động cơ mạnh .v.v đã tạo ra thách thức trong vấn đề nâng cao
độ chính xác thiết kế bộ phận điều khiển tự động góc bay của máy bay. Do đó đề
tài sẽ đề cập tới việc ứng dụng bộ điều khiển Narma -L2, bộ điều khiển trung
bình trượt, phi tuyến tự hồi quy L2 vào trong thiết bị lái tự động điều khiển góc
bay của máy bay Boeing.
b.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 máy bay trong nước, đặc biệt làm tài liệu hỗ trợ cho việc học
tập của sinh viên.
3. 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 NARMA - L2 nhận dạng hệ thống được điều khiển, làm cơ
sở cho việc tạo ra tín hiệu điều khiển thích nghi được lựa chọn chính xác.
Luận văn này được chia làm bốn chương:
Chương1. Tổng quan về ứng dụng của mạng nơron trong nhận dạng và
điều khiển.




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

Chương 2. Các mô hình của mạng mờ nơron trong Matlab và ứng dụng
trong nhận dạng và điều khiển.

Chương 3. Ứng dụng bộ điều khiển NARMA - L2 vào thiết bị lái tự động
góc bay của máy bay Boeing.
Chương 4: Kết luận chung và kiến nghị.





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

CHƢƠNG I
TỔNG QUAN VỀ ỨNG DỤNG CỦA MẠNG NƠRON
TRONG NHẬN DẠNG VÀ ĐIỀU KHIỂN
1.1. 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 chính nó.
Cấu trúc của mạng nơron là kiểu kết nối hình học của mỗi nơron liên kết
trong mạng, đây là đặc điểm quan trọng của từng mạng nơron, dựa vào đó tiến
hành phân loại chúng. Hình 1.1 mô tả một số loại nơron thường gặp.
Hình 1.1a 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 1.1b 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 1.1b) là loại mạng nơron truyền thẳng có 3 lớp, có liên kết không
đầy đủ.




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

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 1.1c 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 1.1d 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 1.1e mô tả mạng cấu trúc ngang - hạn chế (Lateral-inhibition
network), mạng này có 2 loại tín hiệu đầu vào khác 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 1.1 f mô tả mạng hồi quy nhiều lớp.
x
1

x
2



x
m

(b)










x
1


x
2
y

x
m

(c)
x
1
y
1

x
2
y
2

x
m
y
n
(d)


x
1
y
1

x
2
y
2

x
m

y
n
(a)



y
1


y
2


y
n







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

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.
1.2. 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.
1.3. 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)
Hình 1.1. Cấu trúc của một số loại mạng nơron thường gặp


y
1


y
2


y
n
.









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

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 .
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.
1.3.1. 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




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

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 1.2a) có đặc điểm
là cần có tín hiệu đầu ra mong muốn d được lấy từ bên ngoài.
1.3.2. 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 1.2b). 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.
1.3.3. 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 1.2c) nếu mạng không thay đổi thông số của nó thì được gọi là tự tổ
chức (self-organizing)
Hình 1.3 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




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

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
(a)




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

Hình 1.2. Sơ đồ ba kiểu học của mạng nơron
(a). Học có giám sát
(b). Học củng cố
(c). Học không có giám

Tín hiệu
vào
Mạng
nơron

W
X
Y
Tín hiệu
ra
(c)
Tín hiệu
củng cố
Mạng
nơron

W
Máy phát
tín hiệu
đánh giá
X
Y
Tín hiệu
vào
Tín hiệu
ra
d
Tín hiệu

đánh giá
(b)




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





x
1
w
i1

x
2
w
i2

y
i
w
ij
x
j
w
i

w
ij


d
i
x
m-1
x r





x
m
=-1




Hình 1.3 Luật học trạng 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 nơron 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 1.3).
- 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.
Nơron
thứ i
Máy phát
tín hiệu học
w
im
=b
i




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

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 hiệu học r và tín
hiệu 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


dt
)t(dw
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.
* Nhận xét:
Trong hai loại mạng nơron truyền thẳng nhiều lớp và mạng nơron hồi quy
thì mạng nơron truyền thẳng nhiều lớp có:
- Cấu trúc đơn giản vì có các phần tử truyền tín hiệu từ lớp vào đến lớp ra,
không có các tín hiệu phản hồi giữa các nơron.
- Luật học lan truyền ngược của sai lệch rất hiệu quả.
So với mạng nơron hồi quy thì mạng nơron hồi quy có:
- Cấu trúc phức tạp vì có các phần tử truyền tín hiệu ở đầu ra của nơron
lớp ra ngược tín hiệu ở đầu vào.




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

Vì vậy trong luận văn này chọn mạng nơron truyền thẳng nhiều lớp đóng
vai trò là thiết bị lái tự động điều khiển góc bay của máy bay.



1.4. Ứng dụng của mạng nơron trong nhận dạng và điều khiển

1.4.1.Các vấn đề chung.
Mạng nơron đã được ứng dụng thành công trong nhiều lĩnh vực như: các
hệ thống điều khiển, xử lý hình ảnh, tiếng nói, tối ưu, truyền thông, y học…
Vì có yêu cầu ngày càng tăng về điều khiển, các hệ thống động học phức
tạp với điều kiện thông tin không đầy đủ hoặc không xác định nên việc sử dụng
mạng nơron rất hấp dẫn bởi khả năng học tập để xấp xỉ hàm và phân loại mẫu
của mạng. Ngoài ra còn bởi tính xử lý song song mạnh mẽ của phần cứng thực
thi mạng.
Thông thường người ta hay dùng mạng nơron truyền thẳng nhiều lớp với
luật dạy học có giám sát. Ưu điểm lớn nhất của các mạng loại này là khả năng
tổng quát hoá ánh xạ đầu vào - đầu ra để có thể xấp xỉ bất cứ hàm nào với độ
chính xác tuỳ ý. Chủ yếu mạng nơron sử dụng để nhận dạng và điều khiển hệ
thống.
1.4.2. Mô tả toán học của đối tƣợng ở rời rạc
Xét hệ thống có phương trình trạng thái ở dạng sau đây:


x
(t)=

[ x(t), u(t)]
y(t)= [x(t)] (1.5)
với x(t) = [x
1
(t), x
2
(t), x
n
(t)]
T

u(t) = [u
1
(t), u
2
(t), u
p
(t)]
T