Nghiên cứu thuật toán tìm nghiệm tối ưu toàn cục trong quá trình luyện mạng nơ - ron - ứng dụng để nhận dạng, điều khiển đối tượng động học phi tuyến

Số hóa bởi Trung tâm Học liệu - ĐHTN

ĐẠI HỌC THÁI NGUYÊN
ĐẠI HỌC KỸ THUẬT CÔNG NGHIỆP



BÁO CÁO ĐỀ TÀI NGHIÊN CỨU CẤP BỘ


Nghiên cứu thuật toán tìm nghiệm tối ƣu toàn cục
trong quá trình luyện mạng nơ-ron - ứng dụng để
nhận dạng, điều khiển đối tƣợng động học phi tuyến.

Mã số: B2009 – TN 02 - 13




Chủ nhiệm đề tài:
ThS. Nguyễn Thị Thanh Nga








Thái Nguyên, 2011

Số hóa bởi Trung tâm Học liệu - ĐHTN


NHỮNG NGƢỜI THAM GIA THỰC HIỆN ĐỀ TÀI
1. NCS. Nguyễn Thị Thanh Nga, Khoa Điện -Trƣờng ĐHKTCN, Thạc sỹ Chuyên
ngành: Tự động hóa.
2. PGS.TS. Nguyễn Hữu Công, Khoa Điện tử - Trƣờng ĐHKTCN, Tiến sỹ
Chuyên ngành: Điều khiển tự động.
3. TS. Đỗ Trung Hải, Khoa Điện – Trƣờng ĐHKTCN, Tiến sĩ Chuyên ngành: Tự
động hóa.
4. ThS. Chu Minh Hà, Khoa Điện – Trƣờng ĐHKTCN, ThS. Chuyên ngành: Tự
động hóa.
5. KS. Đỗ Duy Cốp, Khoa Điện tử - Trƣờng ĐHKTCN.
6. ThS. Ngô Minh Đức, Khoa Điện – Trƣờng ĐHKTCN, ThS. Chuyên ngành: Tự
động hóa.
7. CN. Ng. Thị Kim Chung, Phòng QLKH& QHQT - Trƣờng ĐHKTCN.
ĐƠN VỊ PHỐI HỢP CHÍNH
1. Trung tâm thí nghiệm - Trƣờng Đại học Kỹ thuật Công nghiệp – ĐHTN
2. Khoa điện – Trƣờng ĐH Kỹ thuật Công nghiệp - ĐHTN
3. Khoa điện tử – Trƣờng ĐH Kỹ thuật Công nghiệp - ĐHTN
4. Công ty TNHH một thành viên Phát triển Công nghệ Điện tử Tự động hoá,
Viện NC Điện tử, Tin học, Tự động hoá.

Số hóa bởi Trung tâm Học liệu - ĐHTN

MỤC LỤC

NHỮNG NGƢỜI THAM GIA THỰC HIỆN ĐỀ TÀI 1
ĐƠN VỊ PHỐI HỢP CHÍNH 1

MỤC LỤC 3
DANH MỤC BẢNG BIỂU 4
DANH MỤC CÁC CHỮ VIẾT TẮT 6
THÔNG TIN KẾT QUẢ NGHIÊN CỨU 7
MỞ ĐẦU 11
CHƢƠNG 1 : GIỚI THIỆU VỀ VIỆC ỨNG DỤNG MẠNG NƠ-RON TRONG
NHẬN DẠNG VÀ ĐIỀU KHIỂN ĐỐI TƢỢNG ĐỘNG HỌC PHI TUYẾN 13
1.1. Giới thiệu tóm tắt về mạng nơ-ron 13
1.1.1. Mạng nơ-ron sinh học 13
1.1.2. Mạng nơ-ron nhân tạo (Artificial Neural network - ANN) 14
1.1.3. Cấu trúc mạng nơ-ron 15
1.1.4. Huấn luyện mạng nơ-ron 17
1.2. Nhận dạng đối tƣợng động học phi tuyến sử dụng mạng nơ-ron 19
1.2.1. Giới thiệu hệ động học phi tuyến 19
1.2.2. Nhận dạng hệ động học phi tuyến 20
1.2.3. Nhận dạng hệ thống sử dụng mạng nơ-ron 22
1.2.3.1. Khả năng sử dụng mạng nơ-ron trong nhận dạng 22
1.2.3.2. Mô hình nhận dạng hệ thống sử dụng mạng nơ-ron 23
1.2.3.3. Nhận dạng hệ thống sử dụng mạng nơ-ron 26
1.3. Thiết kế bộ điều khiển nơ-ron theo mô hình mẫu 29
1.3.1. Hệ thống điều khiển theo mô hình mẫu 29
1.3.2. Hệ thống điều khiển theo mô hình mẫu trên cơ sở mạng nơ-ron 29
1.4. Kết luận chƣơng 1 30
CHƢƠNG 2: NGHIÊN CỨU THUẬT TOÁN TÌM NGHIỆM TỐI ƢU TOÀN
CỤC TRONG QUÁ TRÌNH LUYỆN MẠNG NƠ-RON 31
2.1. Lan truyền ngƣợc 31
2.1.1. Mặt chất lượng 33
2.1.2. Tính hội tụ và điều kiện tối ưu 34
2.1.2.1. Tính hội tụ 34
2.1.2.2. Điều kiện tối ƣu 35

2.2 Thuật toán vƣợt khe 38

Số hóa bởi Trung tâm Học liệu - ĐHTN

2.2.1. Giới thiệu 40
2.2.2. Nguyên lý vượt khe 41
2.2.3. Xác định bước vượt khe 44
2.3 Giải thuật di truyền GA 48
2.4 Luyện mạng nơ-ron kết hợp thuật toán vƣợt khe và giải thuật di truyền 50
CHƢƠNG 3: ỨNG DỤNG THUẬT TOÁN VƢỢT KHE TRONG QUÁ TRÌNH
LUYỆN MẠNG NƠ-RON 52
3.1. Công tác chuẩn bị 52
3.1.1. Điều chỉnh trọng số lớp ra 52
3.1.2. Điều chỉnh trọng số lớp ẩn 53
3.2. Ví dụ 1 55
3.2.1. Cấu trúc mạng 55
3.2.2. Các thư viện và hàm mạng . 73
3.2.2.1. Thƣ viện 57
3.2.2.2. Hàm khởi tạo trọng số 58
3.2.2.3. Thủ tục tính bƣớc học vƣợt khe 59
3.2.2.4. Thủ tục huấn luyện mạng, HUANLUYENVUOTKHE() 61
3.2.3. Kết quả chạy chương trình và so sánh 61
3.2.3.1. Chạy chƣơng trình. 61
3.2.3.2. So sánh các phƣơng án 64
3.3. Ví dụ 2 66
3.3.1. Nhận dạng hệ thống động học phi tuyến 66
3.3.2. Mô hình toán học của hệ thống xử lý nước thải 66
3.3.3. Ứng dụng mạng nơ-ron để nhận dạng đối tượng 68
3.4. Ví dụ 3 70
3.4.1. Thiết kế bộ điều khiển nơ-ron theo mô hình mẫu 70

3.4.2. Mô hình mạng nơ-ron của bộ điều khiển 71
3.5. Ví dụ 4 73
3.6. Kết luận chƣơng 3 76
3.7. Hƣớng phát triển tiếp theo 76
PHỤ LỤC 1 77
PHỤ LỤC 2 92
PHỤ LỤC 3 96
TÀI LIỆU THAM KHẢO 98


Số hóa bởi Trung tâm Học liệu - ĐHTN

DANH MỤC BẢNG BIỂU, HÌNH VẼ

Bảng 1.1: Các hàm cơ bản 1
Bảng 3.1. Các hàm kích hoạt (transfer function) tiêu biểu 73
Bảng 3.2: Tập hồ sơ mẫu đầu vào {0 1 2 3 4 5 6 7 8 9} 81

Hình 1.1: Mạng nơ-ron đơn giản gồm 2 nơ-ron 13
Hình 1.2: Mô hình nơ-ron nhiều đầu vào 14
Hình 1.3: Mạng nơ-ron có đặc tính động học và tuyến tính 16
Hình 1.4: Sơ đồ dùng để huấn luyện mạng 18
Hình 1.5: Điều khiển theo nguyên tắc phản hồi đầu ra 20
Hình 1.6: Mô hình nhận dạng cơ bản 24
Hình 1.7: Bổ sung thông tin đầu vào cho mạng 24
Hình 1.8: Mô hình mạng nơ-ron nhiều lớp 25
Hình 1.9: Mô hình nhận dạng song song 27
Hình 1.10: Mô hình nhận dạng nối tiếp - song song 28
Hình 1.11. Nhận dạng hệ phi tuyến dùng mạng nơ-ron 28
Hình 1.12: Sơ đồ hệ thống điều khiển mô hình mẫu 29

Hình 1.13: Sơ đồ hệ thống điều khiển mô hình mẫu sử dụng mạng nơ-ron 29
Hình 1.14: Sơ đồ hệ thống huấn luyện NN controller 30
Hình 2.1: Mặt sai số dạng lòng khe 33
Hình 2.2: Quỹ đạo dao động với sai số dạng lòng khe 35
Hình 2.3: Hàm khe 42
Hình 2.4: Xác định bước vượt khe
v

44
Hình 2.5: Lưu đồ thuật toán tính bước vượt khe 47
Hình 2.6: Bước lặp k = 1 48
Hình 2.7: Chu kỳ hoạt động của giải thuật di truyền 49
Hình 2.8: Sơ đồ thuật toán kết hợp giải thuật vượt khe và di truyền cho luyện mạng
MLP 50
Hình 3.1: Cấu trúc mạng nơ-ron 56
Hình 3.2: Sơ đồ nhận dạng hệ thống xử lý nước thải bằng mạng nơ-ron 66
Hình 3.3: Sơ đồ hệ thống xử lý nước thải 67
Hình 3.4 Tập mẫu vào ra của bể xử lý nước thải 68
Hình 3.5: Đồ thì sai lệch giữa mô hình nơ-ron và mô hình đối tượng 69
Hình 3.6 Sơ đồ huấn luyện bộ điều khiển nơ-ron NN controller 70
Hình 3.7: Sơ đồ hệ thống điều khiển 71

Số hóa bởi Trung tâm Học liệu - ĐHTN

Hình 3.8: Hàm trọng lượng của mô hình mẫu 71
Hình 3.9: Mô hình mẫu trong Simulink 72
Hình 3.10: Đồ thì sai lệch giữa tín hiệu ra của đối tượng và mô hình mẫu 73
Hình 3.10: Hoạt động của mạng MLP thuần túy và MLP cải tiến 76

Số hóa bởi Trung tâm Học liệu - ĐHTN

CÁC TỪ VIẾT TẮT
ADLINE ADAptive Linear Neural, mạng tuyến tính thích nghi đơn lớp
ANN Artificial Neural Network, mạng nơ-ron nhân tạo
BPTT BackPropagation-Through-Time, lan truyền ngƣợc xuyên tâm
LDDN Layered Digital Dynamic Network, mạng nơ-ron động
LMS Least Mean Square, trung bình bình phƣơng nhỏ nhất
NNs Neural NetworkS, mạng nơ-ron
RTRL Real-Time Recurrent Learning, thuật học hồi qui thời gian thực
SDBP Steepest Descent BackProbagation, thuật toán lan truyền ngƣợc giảm
dốc nhất
OBP Optical BackProbagation, thuật toán lan truyền ngƣợc “tốc độ ánh sáng”
VLBP Variable Learning rate BackProbagation algorithm, thuật toán lan truyền
ngƣợc với tốc độ học thay đổi.


Số hóa bởi Trung tâm Học liệu - ĐHTN

TÓM TẮT KẾT QUẢ NGHIÊN CỨU
ĐỀ TÀI KHOA HỌC VÀ CÔNG NGHỆ CẤP BỘ

Tên đề tài: Nghiên cứu thuật toán tìm nghiệm tối ƣu toàn cục trong quá trình
luyện mạng nơ-ron - ứng dụng để nhận dạng, điều khiển đối tƣợng động học phi
tuyến.
Mã số: B2009 – TN 02 - 13
Chủ nhiệm đề tài: ThS. Nguyễn Thị Thanh Nga
E mail: ;
Cơ quan chủ trì đề tài: Đại học Thái Nguyên;
Đơn vị phối hợp chính: Khoa Điện, Khoa Điện tử, Trƣờng Đại học Kỹ thuật Công
nghiệp – Đại học Thái Nguyên;

Thời gian thực hiện: 24 tháng (Từ tháng 04/2009 đến tháng 04/2011)
1. Mục tiêu
- Đƣa ra đƣợc thuật toán tìm nghiệm tối ƣu toàn cục trong quá trình luyện mạng
nơ-ron.
- Áp dụng trong thực tế để điều khiển hệ thống xử lý nƣớc thải, cánh tay robot hoặc
đối tƣợng phi tuyến khác trong công nghiệp.
2. Nội dung chính
- Nghiên cứu lí thuyết về mạng nơ-ron trong nhận dạng và điều khiển đối tƣợng
động học phi tuyến.
- Nghiên cứu lí thuyết về thuật toán vƣợt khe và xây dựng thuật toán tính bƣớc
học vƣợt khe.
- Xây dựng thuật toán huấn luyện mạng nơ-ron kết hợp giữa thuật toán lan truyền
ngƣợc và bƣớc học vƣợt khe.
- Viết và cài đặt chƣơng trình huấn luyện mạng nơ-ron trên C++ để giải bài toán
tối ƣu tĩnh.
- Viết và cài đặt chƣơng trình huấn luyện mạng nơ-ron trên Matlab để nhận dạng
và điều khiển đối tƣợng động học phi tuyến.
3. Kết quả chính đạt đƣợc
3.1. Sản phẩm khoa học
1. Cong Nguyen Huu, Dung Nguyen Tien, Nga Nguyen Thi Thanh; Research
and Development of an adaptive control system for extremal systems; The 2009
International Forum On Strategic Technologies (IFOST 2009); October 21 – 23, 2009

Số hóa bởi Trung tâm Học liệu - ĐHTN

– Ho Chi Minh city, Vietnam; Session 5 - Renewable Energy and Energy
Conservation, page 235 - 238.
2. Cong Nguyen Huu, Nga Nguyen Thi Thanh, Huy Nguyen Phƣơng; Research
on the application of genetic algorithm combined with the “cleft-overstep” algorithm
for improving learning process of MLP neural network with special error surface.;

The 7th International Conference on Natural Computation (ICNC'11) and the 8th
International Conference on Fuzzy Systems and Knowledge Discovery (FSKD'11),
2011.
3. Nguyễn Hữu Công, Nguyễn Thị Thanh Nga, Phạm Văn Hƣng; Nghiên cứu
ứng dụng mạng hồi quy thời gian liên tục trong nhận dạng và điều khiển hệ thống
xử lý nước thải, Tạp chí khoa học công nghệ Đại học Thái Nguyên số 12 tập 74 năm
2010.
3.2. Sản phẩm đào tạo
1. Luận văn cao học (2):
- “Nghiên cứu ứng dụng mạng nơ-ron trong nhận dạng và điều khiển đối tƣợng
động học phi tuyến”, 2010. Học viên: Phạm Văn Hƣng. GVHD: PGS.TS: Nguyễn Hữu
Công.
- Luận văn cao học: “Ứng dụng mạng nơ-ron chẩn đoán sự cố trong máy biến áp
lực”, 2010. Học viên: Bùi Đức Cƣờng. GVHD: PGS.TS: Nguyễn Hữu Công.
2. 01 đề tài nghiên cứu khoa học cấp trƣờng:
“Nghiên cứu một phƣơng pháp mới giải bài toán tối ƣu tĩnh với hàm mục tiêu
có dạng đặc biệt”, 2011. Chủ nhiệm đề tài: KS. Đỗ Duy Cốp
3. Hƣớng dẫn 01 đề tài Nghiên cứu khoa học sinh viên.
“Ứng dụng thuật toán vƣợt khe để nhận dạng đối tƣợng điều khiển trong bài
toán điều khiển quá trình”. Sinh viên: Nguyễn Tiến Mạnh. GVHD: Nguyễn Thị
Thanh Nga.


Số hóa bởi Trung tâm Học liệu - ĐHTN

SUMMARY RESEARCH RESULT OF SCIENTIFIC AND
TECHNOLOGICAL THEME IN MINISTRY LEVEL
Topic: Research the algorithm to find global optimal solution in process of training
neural network – Applying to identify, control kinematics nonlinear object.
Code: B2009 – TN02 - 13

Promotor: Master of science Nguyen Thi Thanh Nga
E mail: ;
Administrative agency: Thai Nguyen University
Co-ordinate agency: The Faculty of Electrical Engineering + The Faculty of
Electronics Engineering, Thai Nguyen University of Technology
Time: 24 months (From 04/2009 to 04/2011)
4. Objects
- Offer the algorithm to find global optimal solution in process of training neural
network
- Apply in practice to control sewage treatment system, robot arm or other
nonlinear objects in industry
2. Content
- Theorical research about neural network in identifying and controlling
kinematic nonlinear object.
- Theorical research about cleft – overstep algorithm and build the algorithm to
calculate steps
- Build the algorithm to train neural network in combining between back
propagation and cleft - overstep
- Write and install the program to train neural network by C++ to solve static
optimal problem
- Write and install program to train neural network by Matlab to identify and
control kinematics nonlinear object.
3. Results:
3.1. Scientific products
1. Cong Nguyen Huu, Dung Nguyen Tien, Nga Nguyen Thi Thanh; Research
and Development of an adaptive control system for extremal systems; The 2009
International Forum On Strategic Technologies (IFOST 2009); October 21 – 23, 2009
– Ho Chi Minh city, Vietnam; Session 5 - Renewable Energy and Energy
Conservation, page 235 - 238.
2. Cong Nguyen Huu, Nga Nguyen Thi Thanh, Huy Nguyen Phƣơng; Research

on the application of genetic algorithm combined with the “cleft-overstep” algorithm

Số hóa bởi Trung tâm Học liệu - ĐHTN

for improving learning process of MLP neural network with special error surface.;
The 7th International Conference on Natural Computation (ICNC'11) and the 8th
International Conference on Fuzzy Systems and Knowledge Discovery (FSKD'11),
2011.
3. Nguyễn Hữu Công, Nguyễn Thị Thanh Nga, Phạm Văn Hƣng; Nghiên cứu
ứng dụng mạng hồi quy thời gian liên tục trong nhận dạng và điều khiển hệ thống
xử lý nước thải, Tạp chí khoa học công nghệ Đại học Thái Nguyên số 12 tập 74 năm
2010.
3.2. Training products
1. Master‟s thesis (2)
- “Research and apply neural network to identify and control kinematics nonlinear
object”. 2010, Student Pham Van Hung, Supervisor: Ass.Professor. Doctor Nguyen
Huu Cong.
- Master thesis: “Applying neural network to diagnose faults in instrument
transformer”, 2010: Student: Bui Duc Cuong. Supervisor Ass.Professor Doctor
Nguyen Huu Cong
2. 01 scientific researching topic in university level
“Research the new method to solve static optimal problem with special
objective function”, 2011. Promotor: Do Duy Cop
3. Supervising 01 scientific researching topic in student level “Applying cleft –
overstep algorithm to identify object in process control problem”. Student:
Nguyen Tien Manh. Supervisor: Nguyen Thi Thanh Nga

Số hóa bởi Trung tâm Học liệu - ĐHTN

MỞ ĐẦU

- Mạng nơ-ron có khả năng xử lý song song với tốc độ xử lý nhanh, có khả năng
học thích nghi, nó thích ứng trong quá trình tự chỉnh trong điều chỉnh tự động. Nó có
khả năng tổng quát hóa do đó có thể áp dụng để dự báo lỗi hệ thống tránh đƣợc những
sự cố đáng tiếc mà các hệ thống khác có thể gây ra. Tuy nhiên, một nhƣợc điểm khi
dùng mạng nơ-ron là chƣa có phƣơng pháp luận chung khi thiết kế cấu trúc mạng cho
các bài toán nhận dạng và điều khiển mà phải cần tới kiến thức của chuyên gia. Mặt
khác khi xấp xỉ mạng nơ-ron với một hệ phi tuyến sẽ khó khăn khi luyện mạng vì có
thể không tìm đƣợc điểm tối ƣu toàn cục Vậy, tồn tại lớn nhất gặp phải là tìm
nghiệm tối ƣu toàn cục, đặc biệt áp dụng cho các bài toán lớn, các hệ thống điều khiển
quá trình.
- Hiện nay, việc nghiên cứu kết hợp các thuật toán tìm nghiệm tối ƣu toàn cục và
mạng nơ-ron đã đƣợc một số tác giả nghiên cứu áp dụng cho bài toán tối ƣu tĩnh; tuy
nhiên trong lĩnh vực nhận dạng và điều khiển các đối tƣợng phi tuyến còn rất hạn chế.
- Nội dung đề tài sẽ đi nghiên cứu một thuật toán tìm điểm tối ƣu toàn cục trong
quá trình luyện mạng nơ-ron thuật toán vƣợt khe có xét đến sự kết hợp với giải thuật di
truyền để ứng dụng trong nhận dạng và điều khiển, mở ra khả năng ứng dụng trong
thực tế.
Bản thuyết minh bao gồm 3 chƣơng, mỗi chƣơng nghiên cứu và giải quyết một số
vấn đề cơ bản sau:
Chƣơng 1: Giới thiệu về mạng nơ-ron trong nhận dạng và điều khiển đối
tƣợng động học phi tuyến
Giới thiệu tổng quan về mạng nơ-ron: mạng sinh học, mạng nhân tạo, cấu trúc
mạng, huấn luyện mạng. Phƣơng pháp nhận dạng và điều khiển đối tƣợng động học
phi tuyến sử dụng mạng nơ-ron.
Chƣơng 2: Nghiên cứu thuật toán tìm nghiệm tối ƣu toàn cục trong quá
trình luyện mạng nơ-ron
Giới thiệu một thuật toán, thuật toán vƣợt khe, để tính toán bƣớc học vƣợt khe
nhằm cải tiến tốc độ hội tụ trong quá trình giải các bài toán tối ƣu có mặt chất lƣợng
dạng lòng khe. Đồng thời đặt ra vấn đề kết hợp giữa giải thuật di truyền và thuật toán
vƣợt khe trong quá trình luyện mạng nơ-ron.

Số hóa bởi Trung tâm Học liệu - ĐHTN

Chƣơng 3: Ứng dụng của thuật toán vƣợt khe trong quá trình luyện mạng
nơ-ron.
Chƣơng 3 sẽ đƣa ra ví dụ đƣợc lập trình trong C++, trong Matlab để chứng
minh sự vƣợt trội của bƣớc học vƣợt khe so với các bƣớc học khác thƣờng đƣợc sử
dụng trong Toolbox của Matlab; cũng nhƣ các ví dụ về nhận dạng và điều khiển đối
tƣợng động học phi tuyến sử dụng mạng nơ-ron.

Số hóa bởi Trung tâm Học liệu - ĐHTN

CHƢƠNG 1
GIỚI THIỆU VỀ MẠNG NƠ-RON TRONG NHẬN DẠNG VÀ ĐIỀU KHIỂN ĐỐI
TƢỢNG ĐỘNG HỌC PHI TUYẾN
1.1. Giới thiệu tóm tắt về mạng nơ-ron
1.1.1 Mạng nơ-ron sinh học
Mạng nơ-ron là sự tái tạo bằng kỹ thuật những chức năng của hệ thần kinh con
ngƣời. Trong quá trình tái tạo không phải tất cả các chức năng của bộ não con ngƣời
có đều đƣợc tái tạo mà chỉ có những chức năng cần thiết. Bên cạnh đó có những chức
năng mới đƣợc tạo ra nhằm giải quyết một bài toán điều khiển đã định trƣớc.
Mạng nơ-ron bao gồm vô số các nơ-ron đƣợc liên kết truyền thông với nhau
trong mạng. Hình 1.1 là một phần của mạng nơ-ron bao gồm hai nơ-ron.

Thân nơ-ron đƣợc giới hạn trong một màng membrane và trong cùng là nhân.
Từ thân nơ-ron còn có rất nhiều đƣờng rẽ nhánh gọi là rễ.
Đƣờng liên lạc liên kết nơ-ron này với nơ-ron khác đƣợc gọi là axon, trên axon
có các đƣờng rẽ nhánh. Nơ-ron có thể liên kết với các nơ-ron khác qua các rễ. Chính vì
sự liên kết đa dạng nhƣ vậy nên mạng nơ-ron có độ liên kết cao.
Các rễ của nơ-ron đƣợc chia thành 2 loại: loại nhận thông tin từ các nơ-ron qua
các axon là loại rễ đầu vào, loại đƣa thông tin từ nơ-ron đến axon khác là rễ đầu ra.
Đặc điểm quan trọng của một nơ-ron là có thể có nhiều rễ đầu vào nhƣng chỉ có
một rễ đầu ra. Đặc điểm này giống khâu điều khiển có nhiều đầu vào và một đầu ra.
Quá trình hoạt động của một nơ-ron là một quá trình tự nhiên. Ở trạng thái cân
bằng (trạng thái tĩnh) điện áp của màng membran khoảng -75mV. Khi có tác động bên
ngoài vào nơ-ron với mức điện áp khoảng 35mV thì trong tế bào xảy ra hàng loạt các
phản ứng hoá học tạo thành các lực làm nơ-ron bị kích hoạt. Thế năng sinh ra khi nơ-
Hình 1.1: Mạng nơron đơn giản gồm 2 nơron

Số hóa bởi Trung tâm Học liệu - ĐHTN

ron ở trạng thái bị kích thích hoàn toàn chỉ tồn tại trong vài ms, sau đó nơ-ron lại trở
lại trạng thái cân bằng cũ. Thế năng này đƣợc truyền vào mạng qua các axon và có khả
năng kích thích hoặc kìm hãm tự nhiên các nơ-ron khác trong mạng. Một nơ-ron sẽ ở
trạng thái kích thích khi tại đầu vào xuất hiện một tín hiệu tác động vƣợt qua ngƣỡng
cân bằng của nơ-ron.
Một tính chất quan trọng của nơ-ron sinh học là các đáp ứng theo kích thích có
khả năng thay đổi theo thời gian. Các đáp ứng có thể tăng lên, giảm đi hoặc hoàn toàn
biến mất. Qua các nhánh axon liên kết tế bào nơ-ron này với tế bào nơ-ron khác. Sự
thay đổi trạng thái của một nơ-ron cũng kéo theo sự thay đổi trạng thái của những nơ-
ron khác và do đó là sự thay đổi của toàn bộ mạng nơ-ron. Việc thay đổi trạng thái của
mạng nơ-ron có thể thực hiện qua một quá trình dạy hoặc do khả năng học tự nhiên.
1.1.2 Mạng nơ-ron nhân tạo (Artificial Neural network - ANN)

Từ những nghiên cứu tính chất cơ bản của mạng nơ-ron sinh học. Ngƣời ta thay
thế những tính chất này bằng một mô hình toán học tƣơng đƣơng đƣợc gọi là mạng
nơ-ron nhân tạo. Mạng nơ-ron nhân tạo có thể đƣợc chế tạo bằng nhiều cách khác
nhau vì vậy trong thực tế tồn tại rất nhiều kiểu mạng nơ-ron nhân tạo.








Cấu trúc một nơ-ron bao gồm:
p
1
, p
2
, …. p
n
: n đầu vào
w
1
, w
2
… w
n
: n trọng số
b : tham số bù
a = f(n) : hàm truyền
Đứng về mặt hệ thống, một nơ-ron là một hệ thống MISO quen thuộc với nhiều

đầu vào và một đầu ra.
w
1

p
1

+


f

.
.
.
b
1
Hình 1.2: Mô hình nơron nhiều đầu vào
a
n
w
2

p
2

w
n

p

n


Số hóa bởi Trung tâm Học liệu - ĐHTN

Quan hệ giữa các đầu vào và ra của một nơ-ron đƣợc biểu diễn bằng phƣơng
trình toán học nhƣ sau:
 
1
2
12
1
w
w
.
w * . . . w
.
.
w
m
k k m
k
m
n p b p p p b p b





     









Dƣới đây là một số hàm f cơ bản thƣờng đƣợc sử dụng.
Bảng 1.1: Các hàm cơ bản
Hàm a = f(n)
BLM 10 mô tả
a = tansig(n)
1
1
2
2



 n
e
a

a= logsig(n)
1
1
n
a
e





a = radbas(n)
2
n
ae




a = satlins(n)
a = -1 nếu n ≤ -1
a = n nếu -1 ≤ n ≤ 1
a = 1 nếu n ≥ 1
a = hardlim(n)
a = 1 nếu n ≥0
a = -1 nếu n < 0
a = purelin(n)
a = n
1.1.3 Cấu trúc mạng nơ-ron
Trong điều khiển tự động, để xây dựng đƣợc các hệ thống điều khiển tự động,
trƣớc tiên phải xác định đƣợc mô hình thích hợp cho đối tƣợng và xác định các tham
số của mô hình. Ở đây mô hình đƣợc sử dụng để thay thế cho đối tƣợng là một mạng
nơ-ron. Vậy ta phải xác định đƣợc cấu trúc hợp lý cho mạng nơ-ron và huấn luyện các
tham số của mạng. Tuỳ theo các đặc tính của mạng nơ-ron là động học tuyến tính, phi
tuyến tĩnh, hay động học phi tuyến mà ta có thể phân thành 3 loại nhƣ sau:

Số hóa bởi Trung tâm Học liệu - ĐHTN

 Mạng nơ-ron động học tuyến tính: Quan hệ vào và ra của mạng nơ-ron có tính
chất động học tuyến tính.
 Mạng nơ-ron phi tuyến tĩnh: Quan hệ vào và ra của mạng có tính chất phi
tuyến tĩnh.
 Mạng nơ-ron động học phi tuyến: Quan hệ vào và ra của mạng có tính chất
động học và phi tuyến.
 Mạng nơ-ron động học phi tuyến
Là một mạng nơ-ron gồm nhiều lớp có các hàm truyền phi tuyến và các khâu
trễ. Đây là một loại mạng nơ-ron mà quan hệ vào và ra của nó không những thể hiện
tính phi tuyến mà còn thể hiện cả tính động học, do đó cấu trúc mạng sẽ phức tạp hơn
so với hai loại mạng ở trên và việc huấn luyện mạng cũng khó khăn hơn.
Trong phần này chỉ trình bày một mạng nơ-ron có đặc tính động học phi tuyến
đơn giản. Hình 1.3 dƣới đây là sơ đồ cấu trúc một mạng nơ-ron có đặc tính động học
phi tuyến.









Các khâu TDL - 1 và TDL - 2 là các khâu trễ đầu vào và trễ đầu ra hay khâu
phản hồi. Trong khi chọn cấu trúc mạng nơ-ron ta phải chú ý đến việc chọn số nhịp trễ
thích hợp tại vì khi tăng nhịp trễ sẽ làm tăng số lƣợng các trọng số của mạng nơ-ron.
Ta phải cố gắng giảm số nhịp trễ đến mức ít nhất có thể, có nghĩa là khi chƣa biết cấu
trúc thì chọn nhịp trễ nhỏ nhất, sau đó tăng dần số nhịp trễ nếu nhƣ sai lệch còn lớn.
Khối IW

11
là một ma trận các trọng số liên kết giữa đầu vào thứ nhất với lớp
vào có kích thƣớc q hàng và m+1 cột. Khối LW
21
là ma trận các trọng số liên kết giữa
Hình 1.3: Mạng nơron có đặc tính động học phi tuyến
b
1
1


t

LW
32

LW
21

IW
11

b
2
1
TDL-1
0 1 m

p
LW

13

TDL-2
1 2 n
1
q
r
q x n
q x
(m+1)

qx1
r x
q
b
3
1
n x 1
(m+1) x 1
r x
1
1 x r
1 x 1

Số hóa bởi Trung tâm Học liệu - ĐHTN

các đầu ra của lớp vào với các nơ-ron lớp ẩn có kích thƣớc r hàng và q cột. Khối LW
32

là ma trận các trọng số liên kết giữa các đầu ra của lớp ẩn với các nơ-ron của lớp ra có

kích thƣớc 1 hàng và r cột. Khối LW
13
là ma trận các trọng số liên kết giữa đầu ra của
lớp ra với các nơ-ron của lớp vào có kích thƣớc q hàng và n cột.
Hàm f ở trong cùng một lớp đƣợc chọn giống nhau. Lớp vào và lớp ẩn cùng sử
dụng các hàm tansig, lớp ra sử dụng hàm purelin.
Các khối b
1
, b
2
và b
3
là các véctơ tham số bù, có số hàng bằng số nơ-ron có
trong lớp tƣơng ứng và có một cột.
Một cách tổng quát, cấu trúc mạng nơ-ron động học phi tuyến là giống nhƣ
trên, nhƣng số lớp của mạng có thể lớn hơn hoặc ít hơn và phải có khâu trễ, có thể là
trễ đầu vào hoặc trễ đầu ra hoặc là cả hai loại trễ. Vậy cấu trúc của mạng nơ-ron động
học phi tuyến đơn giản sẽ có cấu trúc hai lớp với trễ đầu vào hoặc trễ đầu ra.
Nhìn vào cấu trúc của mạng nơ-ron này ta thấy nó là một hệ động học phi
tuyến. Tính động học của mạng đƣợc thể hiện ở các khâu trễ đầu vào và trễ phản hồi.
Tính phi tuyến thể hiện ở các hàm truyền phi tuyến tansig. Nhƣ vậy mô hình mạng nơ-
ron này có thể đƣợc sử dụng để thay thế mô hình toán học của đối tƣợng có đặc tính
động học phi tuyến.
Khi nhận dạng đối tƣợng động học phi tuyến sử dụng mô hình mạng nơ-ron
trên thì cần phải chọn cấu trúc hợp lý. Để đơn giản đầu tiên nên chọn cấu trúc mạng
đơn giản nhất, tức là có hai lớp không có lớp ẩn. Mặt khác vì đối tƣợng xét ở đây có
quan hệ một vào và một ra, cho nên số nơ-ron của lớp ra luôn là một và để đơn giản
hơn nữa có thể chọn hàm f của lớp ra là hàm purelin. Vấn đề còn lại là chọn số nơ-ron
lớp vào và số nhịp trễ của hai khâu trễ đầu vào và trễ phản hồi.
Nhƣ đã trình bày ở trên, số nơ-ron một lớp sẽ quyết định số hàng và số nhịp trễ

sẽ quyết định số cột của ma trận trọng số, nhƣ thế sẽ quyết định số lƣợng tham số của
mạng. Cho nên, cấu trúc ban đầu của mạng phải chọn đơn giản nhất có thể, sau đó sẽ
thay đổi tăng hoặc giảm dần số nơ-ron và số nhịp trễ nếu nhƣ sai lệch lớn.
Dựa trên cơ sở mô tả toán học của đối tƣợng ta có thể xác định đƣợc bậc tƣơng
đối của nó, trên cơ sở đó sẽ xác định số nhịp trễ tối thiểu của mạng nơ-ron.
1.1.4 Huấn luyện mạng nơ-ron
Trong hai bài toán nhận dạng và thiết kế bộ điều khiển nơ-ron ta phải xác định
cấu trúc và tham số của mạng nơ-ron. Đầu tiên là phải xác định cấu trúc của mạng, sau

Số hóa bởi Trung tâm Học liệu - ĐHTN

đó là xác định tham số của mạng. Việc xác định tham số của mạng đƣợc thực hiện
bằng phƣơng pháp huấn luyện mạng.
Với các bài toán động học tuyến tính và mạng nơ-ron phi tuyến ta có thể huấn
luyện mạng bằng thuật toán lan truyền ngƣợc, nhƣng với mạng nơ-ron động học phi
tuyến có khâu trễ phản hồi thì việc huấn luyện mạng sẽ khó khăn hơn nhiều vì cấu trúc
mạng có đƣờng hồi tiếp từ đầu ra của mạng qua khâu trễ trở về lớp vào, cho nên khi
huấn luyện sai lệch rất lớn.
Nguyên nhân là do các trọng số ban đầu chƣa phải là giá trị tối ƣu, dẫn đến đầu
ra của mạng có sai lệch lớn, mà đầu ra này lại đƣợc phản hồi trở về lớp vào làm cho
sai lệch càng lớn hơn. Do đó phải có phƣơng pháp huấn luyện mạng thích hợp để giải
quyết vấn đề này.
 Phương pháp huấn luyện mạng nơ-ron động học phi tuyến

Có hai loại mạng nơ-ron động học phi tuyến:
 Loại không có khâu trễ phản hồi, ta hoàn toàn có thể sử dụng các phƣơng pháp
huấn luyện mạng một cách bình thƣờng.
 Loại có khâu trễ phản hồi, Muốn huấn luyện mạng thì ta phải thay đổi cấu trúc
mạng nơ-ron mà vẫn đảm bảo yêu cầu là xác định đƣợc tham số của nó. Phƣơng
pháp áp dụng nhƣ sau: Thay tín hiệu ra qua khâu trễ phản hồi trở lại đầu vào

của mạng bằng tín hiệu đầu ra mẫu. Khi đó sẽ không còn đƣờng phản hồi ra có
trễ và tín hiệu ra mẫu đƣợc coi là đầu vào có trễ thứ hai của mạng nơ-ron. Sơ đồ
nhƣ hình 1.4.

Hình 1.4: Sơ đồ dùng để huấn luyện mạng
b
1
1


T

LW
32

LW
21

IW
11

b
2
1
TDL-1
0 1 m

P
LW
13

TDL-2
1 2 n
1
q
r
q x n
q x
(m+1)

qx1
r x
q
b
3
1
n x 1
(m+1) x 1
r x
1
1 x r
1 x 1

Số hóa bởi Trung tâm Học liệu - ĐHTN

Nhận xét:
Mạng sẽ có 2 đầu vào và 1 đầu ra. Cấu trúc này hoàn toàn có thể huấn luyện
mạng với thuật toán lan truyền ngƣợc trên cơ sở thuật toán Levenberg – Marquardt.
Tập tín hiệu để luyện mạng là những tín hiệu mẫu đƣợc đo từ đầu vào và đầu ra
của đối tƣợng nhƣ sau: Tác động dãy tín hiệu P bậc thang ngẫu nhiên bị hạn chế về

biên độ vào đối tƣợng và đo đƣợc tín hiệu ra mẫu T.
Kết quả nhận dạng đối tƣợng phụ thuộc rất nhiều vào tập mẫu đã chọn, thể hiện
qua các yếu tố sau đây: Tập mẫu có phản ánh đƣợc đặc tính động học phi tuyến của
đối tƣợng hay không. Chu kỳ trích mẫu phải đƣợc lựa chọn thích hợp. Chu kỳ càng
nhỏ thì lƣợng thông tin càng đầy đủ nhƣng số mẫu sẽ tăng lên và việc nhận dạng càng
chính xác nhƣng thời gian luyện mạng càng lớn và ngƣợc lại.
1.2. Nhận dạng đối tƣợng động học phi tuyến sử dụng mạng nơ-ron
1.2.1 Giới thiệu hệ động học phi tuyến
Hệ động học phi tuyến bao gồm hai đặc tính là tính động học và tính phi tuyến.
Tính phi tuyến đƣợc thể hiện ở hệ thống không thỏa mãn nguyên tắc xếp chồng. Tính
động học thể hiện ở các quan hệ vào ra, đầu ra không những phụ thuộc vào đầu vào
mà còn phụ thuộc vào sự biến thiên của đầu vào. Thông thƣờng hệ đƣợc biểu diễn bởi
quan hệ vi phân và tích phân.
Hệ tuyến tính đƣợc mô tả bằng một hệ phƣơng trình vi phân tuyến tính. Hệ tuyến
tính thỏa biểu diễn nhƣ sau:
y(t) = F(u(t))
và ánh xạ F thỏa mãn nguyên tắc xếp chồng:
F(a
1
(u
1
(t))+a
2
(u
2
(t)) = a
1
F(u
1
(t) + a

2
F(u
2
(t)) (1.1)
Trong đó: a
1
, a
2
: là các hằng số.
u(t): là véc tơ đầu vào với n tín tiệu.
y(t): là véc tơ đầu ra với m tín hiệu.
Ngoài ra ta còn có thể dễ dàng tách các thành phần đặc trƣng riêng cho từng chế
độ làm việc để nghiên cứu với những công cụ toán học chặt chẽ, chính xác mà lại đơn
giản. Sử dụng mô hình tuyến tính để mô tả hệ thống có nhiều ƣu điểm nhƣ:

Số hóa bởi Trung tâm Học liệu - ĐHTN

- Mô hình càng đơn giản, càng tốn ít chi phí. Các tham số mô hình tuyến tính dễ
dàng xác định đƣợc bằng các phƣơng pháp thực nghiệm (nhận dạng) mà không cần đi
từ phƣơng trình hóa lí phức tạp mô tả hệ.
- Tập các phƣơng pháp tổng hợp bộ điều khiển rất phong phú và không tốn nhiều
thời gian để thực hiện.
- Cấu trúc đơn giản của mô hình cho phép dễ dàng theo dõi đƣợc kết quả điều
khiển và chỉnh định lại mô hình cho phù hợp.
Chính vì những ƣu điểm của mô hình tuyến tính mà lý thuyết điều khiển tuyến
tính đã có ứng dụng rộng lớn. Ngay cả trong các trƣờng hợp đối tƣợng hay hệ thống là
phi tuyến cũng đƣợc tìm cách chuyển thể gần đúng sang một mô hình tuyến tính để
thực hiện các bài toán tổng hợp điều khiển. Ngƣợc lại với hệ tuyến tính là hệ phi
tuyến. Hệ này không thỏa mãn nguyên lý xếp chồng.
Tuy nhiên, phần lớn các đối tƣợng điều khiển trong công nghiệp lại mang tính

động học (quan hệ vào – ra) và phi tuyến, hoặc một hệ điều khiển mà trong đó có một
khâu phi tuyến (không áp dụng đƣợc nguyên lý xếp chồng). Bởi khâu phi tuyến có
trong hệ tạo ra những dải hoặc ngƣỡng để đƣa hệ hoạt động theo dải hoặc ngƣỡng, do
đó điều này sẽ làm giảm trạng thái không cần thiết khi hệ hoạt động. Với cùng một đối
tƣợng khi xét quan hệ vào – ra hoặc các quan hệ giữa các thông số liên quan thì quan
hệ này là tuyến tính nhƣng quan hệ khác lại không tuyến tính. Vì vậy không phải lúc
nào những giả thiết cho phép xấp xỉ hệ bằng bằng mô hình tuyến tính đƣợc thỏa mãn.
Do đó tùy theo bài toán mà coi đối tƣợng là tuyến tính hay phi tuyến.
1.2.2. Nhận dạng hệ động học phi tuyến
 Tại sao phải nhận dạng
Xét một bài toán điều khiển theo nguyên tắc phản hồi nhƣ trên hình 1.5:

Muốn tổng hợp đƣợc bộ điều khiển cho đối tƣợng hệ kín có đƣợc chất lƣợng nhƣ
mong muốn thì trƣớc tiên phải hiểu biết về đối tƣợng, tức là cần phải có một mô hình
Bộ điều
khiển
Đối tƣợng
điều khiển
w(t)
e(t)
u(t)
y(t)
-
Hình 1.5: Điều khiển theo nguyên tắc phản hồi đầu ra


Số hóa bởi Trung tâm Học liệu - ĐHTN

toán học mô tả đối tƣợng. Không thể điều khiển đối tƣợng khi không hiểu biết hoặc
hiểu sai lệch về nó. Kết quả tổng hợp bộ điều khiển phụ thuộc rất nhiều vào mô hình

mô tả đối tƣợng. Mô hình càng chính xác, hiệu suất công việc càng cao.
Việc xây dựng mô hình cho đối tƣợng đƣợc gọi là mô hình hóa. Ngƣời ta thƣờng
phân chia các phƣơng pháp mô hình hóa ra làm hai loại:
- Phƣơng pháp lý thuyết.
- Phƣơng pháp thực nghiệm.
Phƣơng pháp lý thuyết là phƣơng pháp thiết lập mô hình dựa trên các định luật
có sẵn về quan hệ vật lý bên trong và quan hệ giao tiếp với môi trƣờng bên ngoài của
đối tƣợng. Các quan hệ này đƣợc mô tả theo quy luật lý – hóa, quy luật cân bằng,
dƣới dạng những phƣơng trình toán học.
Trong các trƣờng hợp mà sự hiểu biết về những quy luật giao tiếp bên trong đối
tƣợng với môi trƣờng bên ngoài không đƣợc đầy đủ để có thể xây dựng đƣợc một mô
hình hoàn chỉnh, nhƣng ít nhất từ đó có thể cho biết các thông tin ban đầu về dạng mô
hình thì tiếp theo ngƣời ta phải áp dụng phƣơng pháp thực nghiệm để hoàn thiện nốt
việc xây dựng mô hình đối tƣợng trên cơ sở quan sát tín hiệu vào u(t) và ra y(t) của đối
tƣợng sao cho mô hình thu đƣợc bằng phƣơng pháp thực nghiệm thỏa mãn các yêu cầu
của phƣơng pháp lý thuyết đề ra. Phƣơng pháp thực nghiệm đó đƣợc gọi là nhận dạng
hệ thống điều khiển.
Nhƣ vậy khái niệm nhận dạng hệ thống điều khiển đƣợc hiểu là sự bổ xung cho
việc mô hình hóa đối tƣợng mà ở đó lƣợng thông tin ban đầu về đối tƣợng điều khiển
không đầy đủ.
 Định nghĩa
Nhận dạng hệ thống là xây dựng mô hình toán học của hệ (cấu trúc – tham số)
dựa trên các dữ liệu thực nghiệm đo đƣợc. Quá trình nhận dạng là quá trình hiệu chỉnh
các tham số của mô hình sao cho tín hiệu ra của mô hình tiến tới tín hiệu đo đƣợc của
hệ thống.
Khái niệm về bài toán nhận dạng đƣợc Zadeh định nghĩa vào năm 1962 với hai
điểm cơ bản sau:
- Nhận dạng là phƣơng pháp thực nghiệm nhằm xác định một mô hình cụ thể
trong lớp các mô hình thích hợp trên cơ sở quan sát các tìn hiệu vào ra.
- Mô hình tìm đƣợc phải có sai số với đối tƣợng là nhỏ nhất.

Số hóa bởi Trung tâm Học liệu - ĐHTN

Theo định nhĩa này thì những bài toán nhận dạng sẽ phải đƣợc phân biệt với nhau
ở ba điểm chính, đó là:
- Lớp mô hình thích hợp. Chẳng hạn lớp các mô hình tuyến tính không có cấu
trúc (không biết bậc của mô hình) hoặc có cấu trúc, lớp các loại mô hình lƣỡng tuyến
tính.
- Loại tín hiệu quan sát đƣợc (tiền định/ngẫu nhiên).
- Phƣơng thức mô tả sai lệch giữa mô hình thực và đối tƣợng.
 Các bước cơ bản để nhận dạng hệ thống
Nhận dạng hệ thống là ƣớc lƣợng mô hình của hệ thống dựa trên các dữ liệu vào
ra quan sát đƣợc.
Để xác định đƣợc mô hình của hệ thống từ các dữ liệu quan sát này ta phải có:
- Số liệu vào – ra.
- Tập các đầu vào tham gia vào mô hình.
- Tiêu chí lựa chọn mô hình.
 Quy trình nhận dạng gồm các bước
1) Thu thập số liệu vào – ra từ hệ thống.
2) Khảo sát số liệu. Lựa chọn phần có ích trong số liệu thu đƣợc, có thể sử dụng
bộ lọc nếu cần.
3) Lựa chọn và xác định cấu trúc mô hình.
4) Tính toán mô hình tốt nhất trong các dạng cấu trúc tìm đƣợc theo số liệu vào
ra và tiêu chí lựa chọn.
5) Khảo sát tính năng của mô hình tìm đƣợc.
Nếu mô hình đủ tốt thì dùng, ngƣợc lại thì quay về bƣớc 3 để tìm mô hình khác.
Có thể phải tìm phƣơng pháp ƣớc lƣợng khác (bƣớc 4) hoặc thu thập thêm số liệu vào
– ra (bƣớc 1 và 2).
1.2.3. Nhận dạng hệ thống sử dụng mạng nơ-ron
1.2.3.1. Khả năng sử dụng mạng nơ-ron trong nhận dạng

Có hai loại bài toán quan trọng trong lý thuyết điều khiển là các thuật toán điều
khiển và các phƣơng pháp nhận dạng mô hình. Các mô hình đối tƣợng thƣờng là phi
tuyến và động học phi tuyến có độ phức tạp cao và độ bất ổn định lớn. Sự hiểu biết về

Số hóa bởi Trung tâm Học liệu - ĐHTN

mô hình đối tƣợng có thể nghèo nàn do hạn chế về tri thức. Vì vậy mối liên hệ ngƣợc
là đặc điểm điển hình đƣợc sử dụng trong hệ điều khiển nhằm làm giảm độ bất ổn định
của đối tƣợng và môi trƣờng, đạt đến độ ổn định bền vừng. Tuy nhiên khi độ bất định
quá lớn, bộ điều khiển không còn phù hợp. Khi đó cần đến điều khiển thích nghi. Ở
đây các thông số của đối tƣợng đƣợc nhận dạng online và thông tin này đƣợc sử dụng
để thay đổi tham số của bộ điều khiển. Tất cả thực hiện đƣợc nhờ mạng nơ-ron.
Vì tính phi tuyến của các mạng nơ-ron (hàm kích hoạt phi tuyến), chúng đƣợc
dùng để mô tả các hệ thống phi tuyến phức tạp. Cybenko đã chứng minh rằng một hàm
liên tục có thể xấp xỉ tuỳ ý bằng một mạng truyền thẳng với chỉ một lớp ẩn.
Mạng nơ-ron là một trong những công cụ nhận dạng tốt nhất vì các đặc trƣng
sau: Khả năng học từ kinh nghiệm (khả năng đƣợc huấn luyện), khả năng khái quát
hoá cho các đầu vào không đƣợc huấn luyện, ví dụ dựa vào cách học mạng có thể sẽ
tiên đoán đầu ra từ đầu vào không biết trƣớc.
Mạng nơ-ron có khả năng xấp xỉ các hàm phi tuyến một cách đầy đủ và chính
xác, nó đƣợc sử dụng tốt cho các mô hình động học phi tuyến. Điều quan trọng đƣợc
sử dụng là thuật truyền ngƣợc tĩnh và động của mạng nơ-ron, nó đƣợc sử dụng để hiệu
chỉnh các tham số trong quá trình nhận dạng và điều khiển.
Nền tảng cho tính xấp xỉ hàm của mạng nơ-ron nhiều lớp là định lý Kolmgorov
và định lý Stone – Weierstrass. Các mạng nơ-ron nhân tạo đƣa ra những lợi thế qua
việc học sử dụng phân loại và xử lý song song, điều này rất phù hợp với việc dụng
trong nhận dạng và điều khiển.
1.2.3.2. Mô hình nhận dạng hệ thống sử dụng mạng nơ-ron
Khi xét một bài toán điều khiển, trƣớc tiên ta cần phải có những hiểu biết về đối
tƣợng: số đầu vào, số đầu ra, các đại lƣợng vật lý vào ra, dải giá trị của chúng, quy luật

thay đổi của các đại lƣợng trong hệ hay mô hình toán học cơ bản của nó,… Tuy nhiên
không phải đối tƣợng nào hay hệ nào cũng cung cấp đƣợc đầy đủ các thông tin nhƣ
trên cũng nhƣ xây dựng đƣợc mô hình thực từ những thông tin ấy. Việc nhận dạng là
việc đầu tiên và quan trọng để việc điều khiển đạt chất lƣợng mong muốn. Khi thông
số của đối tƣợng là cần thiết để việc điều khiển đạt chất lƣợng mong muốn. Khi thông
số của đối tƣợng tự thay đổi trong quá trình làm việc (đối tƣợng phi tuyến) và có tính
động học thì việc nhận dạng theo chúng sẽ phức tạp hơn nhiều so với đối tƣợng có
thông số bất biến. Trong phần này sẽ trình bày rõ ứng dụng hiệu quả của mạng nơ-ron
trong nhận dạng hệ thống động học phi tuyến.

Số hóa bởi Trung tâm Học liệu - ĐHTN

a). Nhận dạng tham số sử dụng mạng nơ-ron
Nhận dạng thông số chính là huấn luyện mạng. Mô hình cơ bản của mạng nơ-
ron đƣợc luyện để mô phỏng hành vi của đối tƣợng điều khiển giống nhƣ mô hình
truyền thống đƣợc biểu diễn trên Hình 1.6







Tín hiệu sai số
y
ˆ
ye 
là cơ sở cho quá trình luyện mạng. Mạng nơ-ron ở
đây có thể là mạng nhiều lớp hoặc các dạng khác và có thể sử dụng nhiều thuật luyện
mạng khác nhau.

Khi dạng thông tin vào mạng có thể bổ xung, ví dụ nhƣ trên Hình 1.7.








Trong đó:

: là thời gian trễ
Nhận dạng tham số là phƣơng pháp nhận dạng chủ động. Ngƣời ta đƣa vào hệ
thống tín hiệu vào xác định u(t), sau đó đo tín hiệu ra y(t). Ngƣời ta mô tả hệ thống
bằng một mô hình tham số và dùng phƣơng pháp bình phƣơng cực tiểu để hiệu chỉnh
sao cho đánh giá của véc tơ tham số trùng với véc tơ tín hiệu ra của hệ thống. Ngày
nay nhận dạng tham số đƣợc ứng dụng rất rộng rãi nhất là trong điều khiển số. Nhận
Đối tƣợng
điều khiển
Mạng
nơron
u
y
y
ˆ

e
-
Hình 1.6: Mô hình nhận dạng cơ bản
Đối tƣợng điều

khiển
Mạng
nơron
u(k)
y(k)
)k(y
ˆ

e(k)
-
Hình 1.7: Bổ sung thông tin đầu vào cho mạng


