BÁO cáo môn lý THUYẾT NHẬN DẠNG NHẬN DẠNG vân TAY

MỤC LỤC
CH NG 1 : GI I THI UƯƠ Ớ Ệ 3
CH NG 2: PH NG PHÁP NH N D NG VN TAYƯƠ ƯƠ Ậ Ạ 7
CH NG 3. M NG NEURAL NHÂN T OƯƠ Ạ Ạ 18
3.1 T NG QUAN V NEURAL – M NG NEURALỔ Ề Ạ 18
3.2 M T S M HÌNH M NG NEURONỘ Ố Ơ Ạ 23
CH NG 4: NH N D NG VÂN TAY B NG M NG NEURALƯƠ Ậ Ạ Ằ Ạ 36
CH NG 5: TH C NGHI M VÀ K T QUƯƠ Ự Ệ Ế Ả 42
5.1 CH NG TRÌNHƯƠ 42
5.2 L U GI I THU TƯ ĐỒ Ả Ậ 42
5.3 K T QUẾ Ả 48
5.4 ÁNH GIÁ K T QUĐ Ế Ả 50
1
DANH MỤC HÌNH ẢNH
2
CHƯƠNG 1 : GIỚI THIỆU
1.1. GIỚI THIỆU
Ngày nay, các kỹ thuật sinh trắc học ngày càng được ứng dụng rộng rãi.
Trong đó, nhận dạng vân tay được xem là một trong những kỹ thuật hoàn thiện và
đáng tin cậy nhất để xác nhận một người. Gần đây, kỹ thuật này được chú ý nhiều
và người ta thấy rằng nó thích hợp với những ứng dụng có cơ sở dữ liệu nhỏ,
nhưng không thuận tiện cho những ứng dụng có phạm vi lớn. Đa số các hệ thống
bảo mật hiện nay được bảo vệ bằng password và PIN (Personal Identification
Number), nhưng các phương pháp này đã được chứng minh là không hiệu quả.
Bởi vì, password là những con số khó nhớ, dễ quên và dễ bị đánh cắp. Bằng cách
sử dụng vân tay và mật mã, việc xác nhận một người có thể được thực hiện bằng
một hệ thống nhận dạng vân tay an toàn và thuận tiên. Hình 1.1 là cấu trúc cơ bản
của hệ thống nhận dạng dấu vân tay. Đầu tiên, dấu vân tay của một người cần
được lấy mẫu (bằng một thiết bị có thể chụp được vân tay – Biometric sensor) và
lưu vào cơ sở dữ liệu (Registration module). Sau đó, khi cần xác nhận người đó
cung cấp lại một dấu vân tay khác, dấu vân tay này sẽ được so sánh với dấu vân

tay trong cơ sở dữ liệu để quyết định chấp nhận hay từ chối dựa trên một giá trị
ngưỡng đối sánh.
Hình 1: Cấu trúc cơ bản của hệ thống nhận dạng dấu vân tay
Hiện nay, trên thị trường thế giới đã có bán nhiều loại thiết bị chụp vân
tay(Fingerprint reader, Fingerprint scanner) với các chất lượng khác nhau. Bảng
3
1.1 giới thiệu một số loại thiết bị chụp vân tay và các thông số kỹ thuật của chúng.
Hình 1.2 là ảnh vân tay được chụp từ các thiết bị này. Chi tiết hơn có thể tham
khảo ở [15], [16].
Hình 2: Một số loại thiết bị chụp vân tay và các thông số kỹ thuật của chúng
4
Hình 3: Ảnh vân tay được chụp từ các thiết bị trên:
a) Biometrika FX2000
b) Digital Persona UareU2000
c) Identix DFR200
d) Ethentica TactilSense T-FPM
e) STMicroelectronics TouchChip TCS1AD, f) Veridicom FPS110,
g) Atmel FingerChip AT77C101B, h) Authentec AES4000.
Để đánh giá một hệ thống nhận dạng vân tay ta cần phân tích hai loại lỗi đó
là:Lỗi từ chối nhầm (False Reject Rate: FRR) và lỗi chấp nhận nhầm (False
Accept Rate: FAR)
5
Giá trị của hai loại lỗi này có mối quan hệ với nhau thông qua giá trị ngưỡng
đối sánh T (threshold) là sai lệch cho phép giữa mẫu cần đối sánh với mẫu được
lưu trong cơ sở dữ liệu. Khi chọn giá trị ngưỡng thấp thì lỗi từ chối nhầm sẽ tăng,
lỗi chấp nhận nhầm sẽ giảm và ngược lại:
Hệ thống thường được đánh giá theo hai cách:
1. Tỷ lệ lỗi cực tiểu SUMmin = (FAR + FRR)min : theo quan điểm dù là loại
lỗi gì thì cũng là lỗi, do đó tỷ lệ lỗi cực tiểu SUMmin là hệ số lỗi nhỏ nhất mà hệ
thống có thể đạt được.

2. Mức độ lỗi cân bằng (Equal Error Rate: EER): đó là điểm mà FAR và FRR
bằng nhau.
Hình 4: Mối quan hệ giữa FAR, FRR, SUM và EER theo ngưỡng T
TỔNG QUAN TÌNH HÌNH NGHIÊN CỨU
Các phương pháp nhận dạng vân tay kinh điển đều dựa vào việc đối sánh
(matching) các điểm đặc trưng (feature) trên vân tay. Có nhiều phương pháp đối
sánh khác nhau. Trong bài này, chúng tôi nghiên cứu phương pháp đối sánh bằng
mạng neural nhân tạo (Artificial Neural Network).
1.2. Ý NGHĨA ĐỀ TÀI
Đề tài giới thiệu một hướng nghiên cứu và ứng dụng lĩnh vực nhận dạng vân
tay vào thực tiễn. Một lĩnh vực đã khá phổ biến trên thế giới nhưng còn hạn chế ở
Việt Nam.
6
CHƯƠNG 2: PHƯƠNG PHÁP NHẬN DẠNG VN TAY
2.1. CÁC ĐIỂM ĐẶC TRƯNG TRÊN ẢNH VÂN TAY
Trên các ảnh vân tay có các điểm đặc trưng (là những điểm đặc biệt mà vị trí
của nó không trùng lặp trên các vân tay khác nhau) được phân thành hai loại:
singularity và minutiae
• Singularity: Trên vân tay có những vùng có cấu trúc khác thường so với
những vùng bình thường khác (thường có cấu trúc song song), những vùng
như vậy goi là singularity. Có hai loại singularity là core và delta.
Hình 5: Các điểm singularity core và delta
Core thường có một số dạng như sau:
• Minutiae: Khi dò theo từng đường vân ta sẽ thấy có những điểm đường
vân kết thúc (Ridge Ending) hoặc rẽ nhánh (Bifurcation), những điểm này
7
được gọi chung là minutiaae.
Hình 6: Các điểm minutiae Ridge Ending (điểm kết thúc) vàBifurcation (điểm rẽ nhánh)
2.2 TRÍCH CÁC ĐIỂM ĐẶC TRƯNG
Bằng các phương pháp xử lý ảnh ta có thể tìm được vị trí các điểm đặc trưng

trên các ảnh vân tay.
2.2.1 Trích các điểm singularity
a. Trường định hướng (orientation field)
Ảnh vân tay là ảnh định hướng, các đường vân là các đường cong theo các
hướng xác định. Góc hợp bởi phương của một điểm trên đường vân với phương
ngang được gọi là hướng của điểm đó. Tập hợp các hướng của các điểm trên ảnh
vân tay gọi là trường định hướng của ảnh vân tay đó.
Hình 7: Anh vân tay (a) và trường định hướng của nó (b)
Phương pháp xác định trường định hướng như sau [5], [14]:
− Chia ảnh vân tay thành các khối nhỏ hơn kích thước WxW
8
− Tính gradient theo hai hướng x, y là Gx, Gy tại mỗi điểm (pixel) trong khối
− Khi đó hướng của điểm chính giữa của khối được xác định theo công thức:

Hàm orientation.m thực hiện tính trường định hướng được giới thiệu trong phần phụ lục.
b. Xác định các điểm singularity bằng chỉ số Poincare (Poincare index) [3]
Giả sử (i,j) là một điểm bất kỳ trên ảnh vân tay, C là một đường cong
khépkính xung quanh (i,j) thì chỉ số Poincare tại (i,j) là tổng đại số các độ sai lệch
hướng của các điểm liền kề nhau trên đường cong C.

Trong đó: N
p
là tổng số điểm trên đường cong “số” C ư(x,y) là hướng tại điểm (x,y)
Dựa vào chỉ số Poincare ta có thể xác định các điểm singularity như sau:
Hình 2.5 minh họa cách tính chỉ số poincare tại điểm (i,j) với số điểm trên
đường cong “số” Np = 8
9
Hình 2.5: Cách tính chỉ số poincare tại điểm (i,j) với N
p
= 8

Hàm poincare.m thực hiên việc tính chỉ số Poincare theo thuật toán trên và
hàm singularity.m xác định các điểm singularity dựa vào chỉ số Poincare (Phụ
lục).
2.2.2. Trích các điểm minutiae
Có hai phương pháp chính để tìm các điểm minutiae: trích các điểm minutiae
từ ảnh binary và trích các điểm minutiae trực tiếp từ ảnh xám.
a.Trích các điểm minutiae từ ảnh binary [5]
Hình 8: Sơ đồ mô tả thuật toán trích các điểm minutiae từ ảnh binary
Ý tưởng chính của phương pháp này là từ ảnh xám ban đầu ta sử dụng các bộ
lọc thích hợp để phát hiện và làm mảnh đường vân dưới dạng một pixel (ridge
detection), biến đổi ảnh xám ban đầu thành ảnh binary (có giá trị là 0 hoặc 1)
tương ứng. Sau đó, các điểm minutiae sẽ được trích như sau: giả sử (x,y) là một
điểm trên đường vân đã được làm mãnh và N0, N1, …,N7 là 8 điểm xung quanh
nó thì
7
• (x,y) là một điểm kết thúc nếu ∑ Ni= 1
i=0
7
• (x,y) là một điểm rẽ nhánh nếu ∑ Ni> 2
i=0
10
Hình 9: Các kết quả của thuật toán
b. Trích các điểm minutiae trực tiếp từ ảnh xám [1]
- Dò theo đường vân (Ridge line following) Giả sử I là một ảnh xám có kích
thước là m
x
n và nếu coi chiều thứ ba z là mức xám tại điểm (i,j) thì bề mặt của ảnh
vân tay I có dạng như sau:
Hình 10: Bề mặt của ảnh vân tay với các đường vân (ridge) và các rãnh (ravine)
Theo quan điểm toán học thì đường vân là tập hợp các điểm cực đại dọc theo

một hướng xác định. Việc xác định các điểm minutiae trực tiếp từ ảnh xám dựa
11
vào thuật toán dò theo đường vân. Thuật toán này dựa vào việc xác định các điểm
cực đại dọc theo hướng của đường vân.
•Xác định điểm cực đại
Giả sử ((i
t
, j
t
),ư,ĩ ) là thiết diện của đường vân có điểm chính giữa l (i
t
, j
t
) ,
hướng của thiết diện ư = ϕ
t
+ ð / 2 (ϕ
t
là hướng của đường vân tại(i
t
, j
t
) ) và bề
rộng của thiết diện m = 2ĩ+1 pixel (hình 2.9). Khi đó, đượcxác định như sau:
và điểm cực đại có thể được xác định bằng cách so sánh mức xám giữa các điểm
trong
Hình 11: Thiết diện của ường vận tải
•Tóm lại việc tìm các điểm minutiae bằng thuật toán dò theo đường vân được
thực hiện như sau (chi tiết xem ở tài liệu tham khảo[1]):
− Lấy một điểm bất kì (is,js) trên ảnh I

− Tìm hướng ư
s
tại điểm (is,js)
− Tìm điểm cực đại (ic,jc) gần (is,js) nhất
12
Hình 12: Điểm cực đại (ic,jc) tương ứng với (is,js)
− Tìm hướng ư
c
tại điểm (ic,jc)
− Dịch chuyển theo hướng ư
c
một đoạn ì
− Tinh chỉnh lại điểm cực đại (ic,jc) và hướng ư
c
− Tiếp tục quá trình này để dò theo đường vân (ridge following) cho đến
khi không phát hiện được điểm cực đại (ic,jc) thì đó là điểm Ridge
Ending hoặc chạm vào một đường vân khác thì đó là điểm Bifurcation
(mỗi đường vân sau khi được dò sẽ được gán nhãn)
− Tiếp theo chọn một điểm (is,js) khác và thực hiện lại quá trình trên cho
đến khi dò hết tất cả các đường vân.
Hình 13: Dịch chuyển theo đường vân từng đoạn ì
2.3 LÀM NỔI ẢNH VÂN TAY
Các ảnh vân tay thường được lấy bằng hai phương pháp: từ mực hoặc từ các
13
sensor. Các ảnh vân tay được lấy từ mực thường có chất lượng thấp và không
đồng đều. Phần này sẽ giới thiệu phương pháp dùng bộ lọc Gabor để cải thiện
chất lượng của ảnh vân tay [8], [13], [14].
Hàm Gabor là một công cụ hữu dụng cho việc xử lý ảnh. Nó có đặc tính chọn
lọc trong miền không gian lẫn tần số. Hàm Gabor 2_D thực có dạng như sau:

trong đó:
ư là hướng của bộ lọc
T là chu kỳ của hàm cos (thường được chọn từ thực nghiệm có giá trị
[0,1])
ĩ
x
, ĩ
y
là các độ lệch chuẩn (thường được chọn từ thực nghiệm có giá trị
[0,4])
Các bước thực hiện:
1. Chuẩn hóa mức xám: nếu I(x,y) là mức xám tại điểm (x,y) của ảnh I thì mức
xám chuẩn hóa N
i
(x,y) được xác định theo công thức sau:
Trong đó: M
0
, V
0
là mean và variance mong muốn (thường được chọn là
100) M
i,
V
i
là mean và variance của ảnh I
Chú ý: nếu mức xám của các vùng khác nhau trên ảnh I không đồng đều
thì có thể chia I thành các khối nhỏ và chuẩn hoá theo từng khối.
14
Hình 14: ảnh I và ảnh chuẩn hóa của nó
(Hàm normalize.m thực hiện chuẩn hóa mức xám được giới thiệu ở phụ lục)

2. Xác định trường định hướng theo phương pháp đã giới thiệu ở trên
3. Sử dụng hàm lọc Gabor cho ảnh đã chuẩn hóa trong miền tần số
− Chia ảnh cần lọc thành từng khối nhỏ kích thước WxW
−Xác định hướng của khối (dựa vào trường định hướng)
−Hướng ư của bộ lọc là hướng của khối
−Sử dụng phép biến đổi FFT và phép biến đổi IFFT cho từng khối ảnh và
hàm Gabor
15
Hình 15: Kết quả lọc bằng hàm gabor_filter.m (phụ lục) với T = 0.6, ĩx = 1, ĩy = 2
2.4 ĐỐI SÁNH (MATCHING)
Hầu hết các phương pháp nhận dạng vân tay đều dựa vào việc đối sánh vị trí
các điểm đặc trưng. Gần đây, một số tác giả đã kết hợp thêm một số đặc tính khác
của ảnh vân tay để nâng cao hiệu quả đối sánh như: Orientation field [9] hoặc
Density map [10]. Chi tiết xem ở tài liệu tham khảo, ở đây tôi xin giới thiệu
phương pháp đối sánh vị trí các điểm đặc trưng mà tôi đã sử dụng, phương pháp
này gần giống với các phương pháp được nêu ở [4] và [11]. Hàm matching.m (phụ
lục) thực hiện đối sánh hai ảnh vân tay theo phương pháp này.
Giả sử I và I’ lần lượt là các ảnh vân tay mẫu và ảnh vân tay cần đối sánh,
m = {x, y, } là các điểm đặc trưng được xác định bởi tọa độ (x,y) và hướng .
trong đó: m, n lần lượt là số điểm đặc trưng của I và I’.
Khi đó, điểm m
'
∈ I
'
được coi là “giống” với điểm m ∈ I nếu độ sai lệch
về không gian và độ sai lệch về hướng nhỏ hơn các giá trị ngưỡng r
0
và
0
:

16
Nếu

Thì I’ được coi là giống I. Trong đó T là phần trăm số điểm sai lệch cho phép.
17
CHƯƠNG 3. MẠNG NEURAL NHÂN TẠO
3.1 TỔNG QUAN VỀ NEURAL – MẠNG NEURAL
1. Bộ não và neuron sinh học
Tế bào thần kinh còn gọi là “neuron”. Nghiên cứu sinh học về bộ não con
người cho thấy rằng các neuron là đơn vị cơ sở đảm nhiệm những chức năgn xử
lý nhất định trong hệ thần kinh, bao gồm: não, tủy sống và các dây thần kinh .
Mỗi neuron có phần thân và nhân bên trong (gọi là soma), một đầu thần kinh ra
(gọi là dendrite) . Các dây thần kinhvào tạo thành một lưới dày đặc xung
quanhthân tế bào, chiếm diện tích khoảng 0,25mm2, còn dây thần kinh tạo rathành
trụcdài có thể từ 1 cm đến hàng mét. Đường kính nhân tế bào thường chỉ là 10-4
m.trục dây thần kinh ra cũng có thể phân nhánh theo dạng cây để nối với dây
thầnkinh vào hoặc trực tiếp với nhân tế bào các neuron khác thông qua các khớp
nối (gọi là synapse). Thông thường, mỗi neuron có thể gồm vài chục cho tới hàng
trăm khớp nối để nối với các neuron khác. Người ta ước lượng rằng lưới các dây
thần kinh ra cùng với các khớp nối bao phủ diện tích khoảng 90% bề mặt neuron.
Hình 16: Cấu tạo mạng neural sinh học
Các tín hiệu truyền trong dây thần kinh vào và dây thần kinh ra của các
neural là tính hiệu điện, được thực hiện thông qua các quá trình phản ứng và giải
phóng các chất hữu cơ. Các chất này được phát ra từ các khớp nối dẫn tới các dây
thần kinh vào sẽ làm tăng hay giảm điện thế của nhân tế bào. Khi điện thế này đạt
đến một mức ngưỡng nào đó sẽ tạo ra một xung điện dẫn tới trục dây thần kinh ra.
Xung này được truyền theo trục, tới các nhánh rẽ khi chạm tới các khớp nối với
18
các neuron khác và sẽ giải phóng các chất truyền điện. Thường chia khớp nối
thành 2 loại: khớp nối kích thích (excitatory) và khớp nối ức chế(inhibitory).

Phát hiện quan trọng nhất về bộ não sinh học là các liên kết khớp thần kinh
khá mềm dẻo, có thể biến động và sửa đổi theo thời gian tùy thuộc vào các dạng
kích thích. Hơn nữa, các neuron có thể sản sinh các liên kết mới với các neuron
khác; đôi khi, lưới các neuron có thể di trú từ vùng này sang vùng khác trong bộ
não. Đây là cơ sở quan trọng để giải thích cho cơ chế học của bộ não con người.
Các chức năng cơ bản của bộ não bao gồm:
- Bộ nhớ được tổ chức theo các bó thông tin và truy cập theo nội dung.
- Bộ não có thể tổng quát hóa, có thể truy xuất các tri thức hay các mối liên
kết chung của các đối tượng tương ứng với một khái niệm chung nào đó.
- Bộ não có khả năng điều chỉnh hoặc tiếp tục thực hiện ngay khi có những
sai do thông tin bị thiếu hay thiếu chính xác. Ngoài ra, bộ não còn có thể phát hiện
và phục hồi các thông tin bị mất dựa trên sự tương tự giữa các đối tượng.
- Bộ não có khả năng xuống cấp và thay thế dần. Khi có những trục trặc tại
các vùng não (do chấn thương) hoặc bắt gặp những thông tin hoàn toàn mới lạ, bộ
não vẫn có thể được tiếp tục làm việc.
- Bộ não có khả năng học.
Nhìn chung, tính toán sơ bộ cho thấy rằng dù bộ vi xử lý máy tính điện tử có
thể tính toán nhanh hơn hàng triệu lần so với neuron của bộ não, nhưng xét
tổng thể thì bộ não lại tính toán nhanh hơn hàng tỷ lần. Ngoài ra, cũng dễ thấy
rằng bộ não con người có thể lưu trữ nhiều thông tin hơn các máy tính hiện đại, dù
rằng điều này không phải đúng mãi mãi bởi lẽ bộ não tiến hóa chậm còn bộ nhớ
máy tính thì được nâng cấp rất nhanh nhờ những tiến bộ của khoa học kỹ thuật.
2. Mô hình neuron nhân tạo và mạng neuron nhân tạo
Mạng neuron nhân tạo (Artificial neural network – ANN) là mạng bao gồm
các nút (neuron, đơn vị xử lý) được nối với nhau bởi các liên kết neuron. Mỗi liên
kết kèm theo một trọng số nào đó, đặc trưng cho đặc tính kích hoạt hoặc ức chế
giữa các neuron. Có thể xem các trọng số là phương tiện để lưu thông tin dài hạn
trong mạng neuron, còn nhiệm vụ của quá trình huấn luyện (học) là cập nhật các
trọng số khi có thêm thông tin về các mẫu học, hay nói cách khác, các trọng số
được điều chỉnh sao cho dáng điệu vào ra của nó mô phỏng hoàn toàn phù hợp

19
môi trường đang xem xét.
a. Mô hình nhân tạo
Hình 17: Mô hình neural nhân tạo
Mỗi nueron được nối với các neuron khác và nhận được các tín hiệu từ chúng
với các trọng số wj.
- Tổng thông tin vào có trọng số là:
- Net = ∑ w
j
s
j
, đây là thành phần tuyến tính của neuron
- Hàm kích hoạt g đóng vai trò biến đổi từ Nét sang tín hiệu
đầu ra out
- Out = g(Net), đây là thành phần phi tuyến của mạng neuron
- Một số dạng hàm kích hoạt thường dùng trong thực tế:
Trong đó :
S= (s
1
, s
2
, , s) : vector tín hiệu vo
W= (w
1
, w
2
, w
n
) : vector trọng số
: là ngưỡng đóng vai trị lm tăng tính thích nghi và khả năng tính

toán của mạng neuron
20
b. Mạng Neuron nhn tạo
Mạng neuron nhân tạo, sau đây gọi tắt là mạng neuron,được xây dựng trên cơ
sở mạng neuron sinh học, là hệ thống bao gồm nhiều phần tử xử lý đơn giản
(neuron), hoạt động song song. Tính năng của hệ thống này tùy thuộc vào cấu trúc
của hệ, các trọng số liên kết và cấu trúc của chúngcho phù hợp với mẫu học. trong
mạng neuron, các neuron đón nhận tín hiệu vào gọi là neuron vào, cịn cc neuron
đưa thông tin ra gọi là nueron ra. Các thông số cấu trúc mạng neuron bao gồm:
- Số tín hiệu vo, số tín hiệu ra.
- Số lớp neuron
- Số neuron trn mỗi lớp ẩn
- Số lượng liên kết của mỗi neuron (đầy đủ, bộ phận, ngẫu nhiên)
- Cc trọng số lin kết
b.1 Phn loại mạng Neuron
- Theo kiểu lin kết neuron, ta cĩ mạng neuron truyền thẳng (feed-forward
neural network) v mạng neuron hồi qui (recurrent neural network). Trong mạng
neuron truyền thẳng, các liên kết neuron đi theo một hướng nhất định , không có
chu trình. Ngược lại, mạng neuron hồi qui cho phép các liên kết neuron tạo thành
chu trình. Vì cc thơng tin ra của cc neuron được truyền lại cho chính các neuron
nên đ gĩp phần kích hoạt cho chng v tạo ra khả năng lưu giữ trạng thái trong của
nó dưới dạng các ngưỡng kích hoạt ngoài các trọng số liên kết neuron.
- Theo số lớp, ta cĩ mạng neuron một lớp (single-layer) v mạng neuron đa
lớp (multi-layer). Trong đó, thông thường lớp neuron vào chỉ chịu trách nhiệm
truyền đưa tín hiệu vào, không thực hiện một tính toán nào, nên khi tính số lớp của
mạng ta không tính lớp này vào.
b.2 Cch nhìn về mạng neuron
+ Cĩ thể xem mạng neuron như một công cụ toán học, một bảng tra. Giả sử
mạng neuron NN có m neuron vào và n neuron ra, khi đó với mỗi vector tín hiệu
vào X= (x1, x2, , xm) sau quá trình tính tốn tại cc neuron ẩn sẽ nhận được kết

quả ra Y= (y1, y2, , yn) và ta qui ước viết Y = out (X,NN).
21
+ Mạng neuron như một hệ thống thích nghi, có khả năng học (huấn luyện)
để tinh chỉnh các trọng số liên kết cũng như cấu trúc của chúng sao cho phù hợp
với các mẫu học (samples) . Thường phân biệt 3 kỹ thuật học:
+ Học cĩ gim st (supervised learning), cịn gọi l học cĩ thầy: Mạng được cung
cấp một tập mẫu học {(x,d)} theo nghĩa x là các tín hiệu vào thì kết quả đúng của
hệ phải là d. Ở mỗi lần học, vector tín hiệu vào x được đưa vào mạng, sau đó so
sánh sự sai khác giữa các kết quả ra đúng d với kết quả tính toán Y. Sai số này
được dùng để hiệu chỉnh lại các trọng số liên kết trong mạng. quá trình cứ tiếp tục
cho đến khi thỏa mn một tiu chuẩn no đó. Có 2 cách sử dụng tập mẫu học: hoặc
dùng các mẫu lần lượt – hết mẫu này đến mẫu khác, hoặc sử dụng đồng thời tất cả
các mẫu cùng một lúc.
Hình 18: Mô hình học có giám sát
+ Học khơng cĩ gim st (unsupervised learning), cịn gọi l học khơng
thầy: Trong kỹ thuật học này, sẽ không có sự hồi tiếp từ môi trường để cho biết
tínhiệu ra yêu cầu của mạng nên như thế nào, hoặc chúng có đúng chưa – giống
như học có giám sát, mà nói chung mạng neuron phải tự nó phát hiện ra bất cứ
mối liên hệ có liên quan có thể tồn tại trong giữ liệu vào (chẳng hạn như: các
mẫu, các đặc trưng, các quy tắc, sự tương quan) và chuyển mối liên hệ đ pht hiện
ny sang đầu ra. Mạng học với cơ chế này gọi là mạng tự tổ chức. Thí dụ, mạng
neuron học không thầy có thể cho chúng ta biết một mẫu đầu vào mới đồng dạng
như thế nào với mẫu đặc trưng đ thấy trong qu khứ (sự đồng dạng); hoặc một dạng
neuronkhác có thể xây dựng một tập những cái rìu trn cơ sở sự tương tự của những
thí dụ trước đó (phân tích thành phần chủ yếu)v.v…
22
Hình 19: Mô hình học không có giám sát
+ Học tăng cường (Reinforced learning): Như đ giới thiệu ở trn, kỹ thuật học
cĩ gim st l hiệu chỉnh dần gi trị tín hiệu đầu ra tương ứng với từng cặp mẫu tín
hiệu vào-ra. Tuy nhiên thực tế nhiều khi không thể có được các thông tin chi

tiếtnày. Do đó thường phải sử dụng thuật toán “học tăng cường”. trong học tăng
cường, dữ liệu huấn luyện rất thô và chúng chỉ “ ước lượng” để so sánh với “sự
truyền kiến thức” hồi tiếp trong học có giám sát.
Hình 20: Mô hình huấn luyện tăng cường
+ Các kỹ thuật học trong mạng neuron có thể nhằm vào việc hiệu chỉnh các trọng
số liên kết – gọi là học tham số; hoặc nhằm vào việc điều chỉnh, sửa đổi cấu trúc
của mạng, bao gồm số lớp, số neuron, kiểu v trọng số cc lin kết – gọi l học cấu trc.
3.2 MỘT SỐ MƠ HÌNH MẠNG NEURON
1. Mạng truyền thẳng (Feedforward neural Networks)
a. Mạng Perceptron đơn lớp
23
Hình 21: Mạng perceptron đơn lớp
-Tập mẫu tín hiệu vo: x
(k)
=[x
1
(k)
,x
2
(k)
,…,x
m
(k)
]
T;k=1 p, với p l số tập mẫu
huấn luyện; m l số tín hiệu vo trong một tập mẫu
-Tập mẫu tín hiệu ra tương ứng với tập mẫu tín hiệu vào: d
(k)
=[d
1

(k)
,d
2
(k)
,
…,d
n
(k)
]
T
- Tập tín hiệu ra thực tế ứng với tín hiệu mẫu x
(k)
: y
(k)
=[y
1
(k)
,y
2
(k)
,…,y
n
(k)
]
T
- Vector trọng số: w
i
=[w
i1,
w

i2
, …, w
im
]. i =1 n với n l số tín hiệu ra.
- Hm kích hoạt neuron: a(.)
- Mục tiu của qu trình huấn luyện mạng l:
a.1 Qui luật học Perceptron
Tín hiệu ra
mẫu
có dạng tuyến tính ngưỡng, chỉ nhận gi trị ± 1. từ (2.4) ta cĩ:
Y
i
(k) = sgn(w
i
T
x
(k)) = d
i
(k) (3.5)
a.2 Adaline (Adaptive linear Element)
Tính hiệu ra
mẫu
cĩ dạng tuyến tính dốc, từ (3.4) ta cĩ:
b. Mạng truyền thẳng đa lớp (Multilayer feedforward networks)
b.1 Lan truuyền ngược (Back propagation)
Thuật toán huấn luyện lan truyền ngược có một ý nghĩa quan trọng trong lịch
sử phát triển mạng neuron. Các mạng neuron được huấn luyện được huấn luyện
bằng thuật toán này gọi là mạng lan truyền ngược. với các tập học {(x(k), d(k)},
k=1 p, thuật toán lan truyền ngược đưa ra các thủ tục để thay đổi trọng số trong
24

mạng lan truyền ngược. Cơ sở của việc cập nhật các trọng số này là cơ chế suy
giảm gradient. Với một cặp tính hiệu mẫu vào-ra (x(k), d(k), thuật toán lan truyền
ngược thực hiện 2 giai đoạn. Đầu tiên, mẫu x(k)được lan truyền từ lớp vào đến lớp
ra và cho ra tín hiệu thật ở lớp ra là y(k). Sai số giữa tín hiệu thật ở lớp ra y(k) và
tín hiệu ra mẫu d(k)được lan truyền ngược trở lại từ lớp ra đến những lớp trước đó
để cập nhật lại trọng số cho chúng. Xét cụ thể một mạng neuron 3 lớp lan truyền
ngược (hình 3.7) để minh họa thuật toán lan truyền ngược và kết quả này hoàn
toàn có thể mở rộng cho những mạng có số lớp nhiều hơn.
Hình 22: Mạng neural 3 lớp lan truyền ngược
Mạng neuron 3 lớp lan truyền ngược hình 3.7 cĩ m neuron ở lớp vo, l
neuron ở lớp ẩn v n neuron ở lớp ra. Đầu tiên, xét cặp mẫu huấn luyện (x,d). với
tín hiệu mẫu đầu vào x ở lớp vào, neuron q ở lớp ẩn sẽ nhận được tín hiệu:
m
Net
q
= ∑ v
qj
x
j
(3.7)
j=1
Tín hiệu của neuron q ở lớp ẩn l:
25