tóm tắt luận văn thạc sĩ kỹ thuật NGHIÊN cứu hệ mờ NƠRON THEO mô HÌNH TAKAGI – SUGENO đề NHẬN DẠNG

ĐẠI HỌC THÁI NGUYÊN
TRƯỜNG ĐẠI HỌC KỸ THUẬT CÔNG NGHIỆP

TRẦN TRUNG DŨNG
NGHIÊN CỨU HỆ MỜ NƠRON
THEO MÔ HÌNH TAKAGI – SUGENO ĐỀ NHẬN DẠNG
VÀ ĐIỀU KHIỂN ĐỐI TƯỢNG ĐỘNG HỌC PHI TUYẾN
Chuyên ngành : Tự Động Hóa
Mã số :
TÓM TẮT LUẬN VĂN THẠC SĨ KỸ THUẬT
THÁI NGUYÊN - 2013
Luận văn được hoàn thành tại trường Đại học Kỹ thuật Công
nghiệp Thái Nguyên.
Cán bộ HDKH : TS. Đỗ Trung Hải
Phản biện 1 : TS. Trần Xuân Minh
Phản biện 2 : PGS.TS. Võ Quang Lạp
Luận văn đã được bảo vệ trước hội đồng chấm luận văn, họp tại:
Phòng cao học số 2, trường Đại học Kỹ thuật Công nghiệp Thái Nguyên.
Vào 15 giờ 00 phút ngày 25 tháng 01 năm 2013.
Có thể tìm hiểu luận văn tại Trung tâm Học liệu tại Đại học Thái
Nguyên và Thư viện trường Đại học Kỹ thuật Công nghiệp Thái Nguyên.
MỞ ĐẦU
1. Tính cấp thiết của đề tài
Ngày nay cùng với sự phát triển của công nghệ vật liệu thì các
ngành khoa học khác cũng phát triển không ngừng và mang lại hiệu quả
cao khi được ứng dụng vào trong thực tế.
Với lĩnh vực tự động hoá một trong những lý thuyết mà các nhà
khoa học trên thế giới cũng như trong nước đang quan tâm nghiên cứu và
ứng dụng đó là lý thuyết mờ, mạng nơron, điều khiển thích nghi, điều
khiển tối ưu, điều khiển bền vững Đây là vấn đề khoa học đã có từ vài
thập niên, nhưng việc ứng dụng nó vào sản xuất, cũng như sự kết hợp

chúng với nhau để tạo ra một quy luật điều khiển có đủ những ưu điểm
của các lý thuyết thành phần vẫn đang là lĩnh vực khoa học cần quan tâm
và nghiên cứu.
Đối tượng điều khiển trong thực tế thường là một hệ phi tuyến với
các tham số không được biết đầy đủ trước. Các tham số này có thể là xác
định hoặc bất định và chịu ảnh hưởng của nhiễu tác động. Vì vậy, việc
nghiên cứu ứng dụng lý thuyết mờ và mạng nơron để xây dựng thuật toán
nhận dạng và điều khiển đối tượng phi tuyến nhằm phục vụ cho bài toán
điều khiển là cần thiết và cũng là hướng nghiên cứu chính của bản luận
văn này.
2. Mục đích nghiên cứu
Việc điều khiển hệ thống theo yêu cầu mong muốn là vấn đề tồn
tại thực tế cần nghiên cứu giải quyết. Hiện nay phương tiện lý thuyết và
thực nghiệm cho phép thực hiện được các bài toán nhận dạng và điều
khiển đối tượng phi tuyến với độ chính xác cao đáp ứng được yêu cầu của
bài toán điều khiển.
1
2
Mục tiêu của luận văn là nghiên cứu về nhận dạng và điều khiển
bám đối tượng; nghiên cứu mạng nơron; nghiên cứu lý thuyết mờ cũng
như khả năng kết hợp giữa chúng để nhận dạng và điều khiển bám đối
tượng động học phi tuyến.
3. Đối tượng và phạm vi nghiên cứu
Đối tượng nghiên cứu:
- Xây dựng cấu trúc hệ mờ nơron theo mô hình Takagi - Sugeno
để nhận dạng và điều khiển dạng đối tượng động học phi tuyến. Ứng dụng
kết quả để nhận dạng online và điều khiển đối tượng thực tế.
Phạm vi nghiên cứu:
- Khai thác các nghiên cứu lý thuyết về nhận dạng và điều khiển
đối tượng; mạng nơron; lý thuyết mờ hiện nay, nhằm kết hợp giữa các lý

thuyết trên để tìm được cấu trúc, thuật toán nhận dạng và điều khiển đối
tượng phi tuyến.
- Xây dựng mô hình mô phỏng bằng phần mềm Matlab -
Simulink.
4. Ý nghĩa khoa học và thực tiễn của đề tài
Đây là vấn đề khoa học, đang được các nhà khoa học trên thế giới
và trong nước quan tâm nghiên cứu.
Vấn đề nghiên cứu có tính ứng dụng thực tiễn vì bài toán nhận
dạng và điều khiển luôn được quan tâm trong các các bài toán điều khiển
thực tế hiện nay. Đồng thời, với sự phát triển về mặt công nghệ đã tạo ra
các thiết bị kỹ thuật cho phép thực hiện được các thuật toán nhận dạng và
điều khiển phức tạp với khối lượng tính toán lớn mà trước đây khó thực
hiện được.
5. Kết cấu luận án
2
Mở đầu.
Chương 1: Tổng quan về nhận dạng; lý thuyết mờ; mạng nơron.
1.1. Tổng quan về nhận dạng.
1.2. Tổng quan về lý thuyết mờ.
1.3. Tổng quan về mạng Nơron.
Chương 2: Nhận dạng và điều khiển đối tượng bằng hệ mờ nơron
theo mô hình Takagi - Sugeno.
2.1. Đặt vấn đề.
2.2. Đối tượng phi tuyến.
3.3. Ứng dụng hệ Mờ Nơron theo mô hình Takagi - Sugeno để
nhận dạng và điều khiển đối tượng phi tuyến.
Chương 3: Mô phỏng kiểm chứng bằng phần mềm Matlab -
Simulink.
3.1. Lựa chọn hệ chuyển động cho việc mô phỏng
3.2. Mô phỏng các thuật toán nhận dạng và điều khiển với đối

tượng là robot 1 khớp nối
Kết luận.
3
CHƯƠNG 1
TỔNG QUAN VỀ NHẬN DẠNG; LÝ THUYẾT MỜ;
MẠNG NƠRON
1.1. Tổng quan về nhận dạng
1.1.1. 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 được. 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 được của hệ thống.
Khái niệm về bài toán nhận dạng được Zadch định nghĩa vào năm
1962 với hai điểm cơ bản sau:
- Nhận dạng là phương pháp thực nghiệm nhằm xác định một mô
hình cụ thể trong lớp các mô hình thích hợp trên cơ sở quan sát các tín
hiệu vào ra.
- Mô hình tìm được phải có sai số với đối tượng là nhỏ nhất.
Theo định nghĩa này thì những bài toán nhận dạng sẽ phải được
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 lưỡng tuyến tính.
- Loại tín hiệu quan sát được (tiền định/ngẫu nhiên).
- Phương thức mô tả sai lệch giữa mô hình thực và đối tượng.
1.1.2. Sơ lược về sự phát triển của các phương pháp nhận dạng
1.1.3. Các phương pháp nhận dạng hệ phi tuyến
1.2. Tổng quan về lý thuyết mờ
1.3. Tổng quan về mạng nơron
4

CHƯƠNG 2
NHẬN DẠNG VÀ ĐIỀU KHIỂN ĐỐI TƯỢNG BẰNG HỆ MỜ
NƠRON THEO MÔ HÌNH TAKAGI - SUGENO
2.1. Đặt vấn đề
Như đã biết hệ mờ và mạng nơron đều có khả năng làm việc trong
những hệ thống không chắc chắn, không chính xác và điều kiện môi
trường khắc nhiệt. Hệ thống mờ và mạng nơron đã có nhiều ví dụ thực
hiện đánh giá và so sánh chúng. Mạng nơron và logic mờ có thể sử dụng
thích hợp khi một hoặc nhiều trạng thái biến đổi liên tục và không có mô
hình toán của đối tượng hoặc có nhưng quá phức tạp cho việc đánh giá
nhanh và đầy đủ trong phép toán thời gian thực.
Ngày nay các nhà thiết kế đã áp dụng rộng rãi và có hệ thống logic
mờ và mạng nơron trong lĩnh vực điều khiển. Ưu điểm của hệ mờ là làm
việc tốt với những kinh nghiệm của các chuyên gia được thể hiện một
cách có hệ thống qua các luật mờ cơ bản if-then, còn mạng nơron là khả
năng học và sử lý song song. Logic mờ và mạng Nơron là các phần có thể
bổ sung cho nhau.
Những nét cơ bản và đặc trưng của hệ mờ và mạng nơron đã cho
phép tích hợp chúng lại, hình thành một cách tiếp cận đầy triển vọng, hiệu
quả đạt được từ hai hệ Mờ-Nơron và khắc phục những nhược điểm của
chúng để kết hợp thành một hệ thống mới. Hệ thống mới này sẽ có ưu
điểm của cả hai: mạng nơron (khả năng học, khả năng tối ưu hoá, sự kết
nối về cấu trúc) và hệ mờ (Sự thông minh của con người qua luật mờ if-
then, sự thuận lợi của việc am hiểu kiến thức chuyên môn một cách chặt
chẽ của các chuyên gia).
5
Các hệ thống tích hợp có thể học và thích nghi, chúng học những
liên kết mới, những tập mẫu mới và những hàm chức năng mới. Mẫu của
chúng được xuất phát từ kinh nghiệm chuẩn hóa hoặc lượng tử hoá những
mẫu thay đổi nhưng thống kê những tập đại diện của nguyên mẫu hoặc

tương đương. Một cách khái quát, chúng ta có thể kết hợp những mặt tiêu
biểu của hai công nghệ logic mờ và mạng nơron trong các trường hợp sau:
Hệ mờ - nơron: Sử dụng mạng nơron như một công cụ trong mô
hình mờ.
Mạng nơron - mờ: Mờ hoá các mô hình mạng nơron thông
thường.
Hệ lai nơron - mờ: Hợp nhất công nghệ mờ và mạng nơron vào
trong các hệ thống lai.
Hệ mờ - nơron đó là những hệ mờ có phương pháp tiếp cận đặc
trưng tự động điều chỉnh của mạng nơron, nhưng không có sự thay đổi
chức năng của chúng (mờ hoá, giải mờ, suy luận mờ và những hàm logic
mờ cơ bản). Trong hệ thống này, mạng nơron được sử dụng trong việc
làm tăng quá trình xử lý của tập mờ.
Mạng nơron - mờ giữ lại những thuộc tính cơ bản và cấu trúc của
mạng nơron và quá trình mờ hoá được tạo ra từ những nguyên lý cơ bản
của chúng. Trong mạng nơron - mờ, nơron “cứng” trở thành mờ và đáp
ứng lại khi có sự kích hoạt của các nơron lớp thấp hơn. Trong cách tiếp
cận này nơi mà những hiểu biết được hình thức hoá trong thuật ngữ của
tập mờ và sau đó có thể được ứng dụng trong từng lớp hoặc từng nút
mạng để nâng cao thuật toán học của mạng nơron.
Hệ lai nơron - mờ: cả hai công nghệ logic mờ và mạng nơron
được dùng tách biệt, thành lập hai hệ thống con tách riêng nhau thực hiện
6
những công việc riêng của chúng qua những hàm chức năng khác nhau
trong một hệ thống kết hợp. Các hệ thống con nơron - mờ sử dụng sức
mạnh riêng của chúng và bổ sung cho nhau có hiệu quả để đạt được mục
đích đề ra.
Chính nhờ vào các ưu điểm của Hệ Mờ - Nơron thì việc ứng dụng
nó trong công tác nhận dạng hệ thống để phục vụ cho công tác điều khiển
các hệ thống chưa rõ thông số, cấu trúc là rất hiệu quả. Việc nghiên cứu

hệ Mờ Nơron theo mô hình Takagi - Sugeno để nhận dạng và điều khiển
đối tượng phi tuyến sẽ mạng lại nhiều lợi ích cho khoa học điều khiển.
2.2. Đối tượng phi tuyến
2.2.1. Mô tả hệ phi tuyến
2.2.2. Mô hình tĩnh của hệ phi tuyến
2.2.3. Mô hình động của hệ phi tuyến
2.3. Ứng dụng hệ Mờ Nơron theo mô hình Takagi - Sugeno để nhận
dạng và điều khiển đối tượng phi tuyến
2.3.1. Bài toán nhận dạng
Xét hệ mờ nơron với luật mờ Takagi - Sugeno (T-S)
Giả sử luật mờ thứ j có dạng:
j j j
1 1 2 2 n n
j j j j
j 0 1 1 2 2 n n
if x is A and x is A and and x is A
then y f a a x a x a x= = + + + +
(2.12)
Với:
i
x
là biến đầu vào
y là biến đầu ra.
A
i
j
là biến ngôn ngữ của mệnh đề điều kiện với hàm liên
thuộc
j
i

i
A
(x )
µ

j
i
a
là hệ số và
j 1 m; i 1 n= =
7
Để đơn giản mà không mất tính tổng quát ta chọn hệ có 2 đầu vào
và một đầu ra với 2 luật hợp thành R
1
và R
2
. Khi đó luật mờ T-S có dạng:
1 1 1 1 1
1 1 1 2 2 1 0 1 1 2 2
R :if x is A and x is A then y f a a x a x
= = + +
(2.13)
2 2 2 2 2
2 1 1 2 2 2 0 1 1 2 2
R :if x is A and x is A then y f a a x a x
= = + +
(2.14)
x;x
21
là các biến đầu vào.

Hàm đầu ra
y
được xác định bởi:
1 1 2 2
1 2
f f
y
µ + µ
=
µ + µ
(2.15)
Với:
1 1
1 2
2 2
1 2
1 1 2
A A
2 1 2
A A
(x ). (x )
(x ). (x )
µ = µ µ
µ = µ µ
(2.16)
Mạng nơron thực hiện luật mờ (2.13), (2.14) có cấu trúc như hình
2.8:
Lớp 1: làm nhiệm vụ nhận tín hiệu vào.
8
x

1
x
2
A
1
1
A
1
2
A
2
2
A
2
1
1
1
1
A
(x )µ
lớp 1
lớp 2
lớp 3
lớp 4
lớp 5
2
1
1
A
(x )µ

1
2
2
A
(x )µ
2
2
2
A
(x )µ
1
µ
2
µ
1
µ
2
µ
Hình 2.8: Cấu trúc mạng nơron theo luật mờ T-S
y
)
Lớp 2: thực hiện chức năng như mờ hóa tạo hàm liên thuộc. Hàm
liên thuộc thường chọn có dạng hàm Gaus:
j
i
i
j
A
2
i i

j
i
1
(x )
x m
1 [ ]
µ =
−
+
σ
(2.17)
j
i 2
i
j
i
j
i
x m
( )
i
A
(x ) e
−
−
σ
µ =
(2.18)
ij ij
m ; σ

lần lượt là tâm và độ rộng của hàm liên thuộc
Lớp 3: thực hiện phép toán trong mệnh đề điều kiện, ở đây thực
hiện theo luật tích đại số.
1 1
1 2
2 2
1 2
1 1 2
A A
2 1 2
A A
(x ). (x )
(x ). (x )
µ = µ µ
µ = µ µ
(2.19)
Lớp 4: thực hiện phép toán trong mệnh đề kết luận tính f
1
và f
2
theo (2.13), (2.14).
Lớp 5: tính giá trị đầu ra của hệ (giải mờ):
1 2
1 2
1 2 1 2
y f f
µ µ
= +
µ + µ µ + µ
)

(2.20)
Ở đây thuật toán học được sử dụng là thuật toán lan truyền ngược.
Xét đầu ra tổng quát với hàm mục tiêu sai lệch được xác định là:
[ ]
2
1
E (y *(t) y(t)
2
= −
)
(2.21)
Trong đó:
y*(t)
là đầu ra mong muốn.

y(t)
)
là đầu ra hiện tại.
Luật học sẽ thay đổi các trọng số liên kết trong các nút hoặc thông
số của mỗi nút (như tâm hoặc độ rộng hàm liên thuộc) theo hướng cực
9
tiểu hoá hàm mục tiêu sai lệch bằng cách sử dụng phép lặp (ví dụ chỉnh
định trọng số liên kết). Trọng số liên kết ở bước thứ (t+1) sẽ được tính
theo bước thứ t như sau:

E
w(t 1) w(t) ( )
w
∂
+ = + η −

∂
(2.22)
E E (a)
w (a) w
∂ ∂ ∂
= ×
∂ ∂ ∂
(2.23)
Trong đó:
η
là hệ số học được xác định trong khoảng:
0 1< η <
.
a là hàm tác động.
Với hệ NFCs như hình 2.8 luật cập nhật các thông số của các lớp
được thực hiện từ lớp đầu ra cho đến lớp đầu vào đã được đề cập đến ở
[8].
Khi đó lưu đồ thuật toán của đoạn chương trình cập nhật thông số
trong bài toán nhận dạng trực tuyến hệ thống sử dụng hệ mờ - nơron như
hình (2.9):
10
11
Hình 2.9: Lưu đồ cập nhật thông số
Bắt đầu
Gán các giá trị trọng số đầu cho các lớp mạng
( gọi chung là W
cũ
)
Tính đạo hàm của hàm mục tiêu sai lệch theo ∆W
Tính các giá trị mới

η là hệ số học
Gán các giá trị mới cho mạng
và quay lại bước (II)
(I)
(II)
(III)
(IV)
Kết thúc khi E ≤ E
CP
(V)
2.3.2. Bài toán điều khiển
Sau khi đã nhận dạng đối tượng, dựa vào tham số của đối tượng ta
thiết kế bộ điều khiển. Giả thiết đối tượng điều khiển có dạng chuẩn và
không mất tính tổng quát xét hệ có dạng chuẩn gồm 2 biến trạng thái và
có cấu trúc theo [9]:
=


= +


=

&
&
1 2
2
1
x x
x F(x) G(x).u

y x
(2.24)
Trong đó:
x = (x
1
, x
2
); F(x); G(x) là các hàm đã nhận dạng được bằng hệ mờ-
nơron.
Vấn đề đặt ra là phải xác định tín hiệu điều khiển u để tín hiệu ra
của hệ thống bám theo tín hiệu mong muốn. Từ (2.24) ta viết lại:
= =


= = +


=

& &
&& &
1 2
2
1
y x x
y x F(x) G(x).u
y x
(2.25)
Từ (2.25) xác định được tín hiệu điều khiển u:
( )

= −
&&
1
u y F(x)
G(x)
(2.26)
Trong (2.26)
F(x)
,
G(x)
đã xác định bằng quá trình nhận dạng,
ta phải đi xác định
&&
y
.
Từ mô hình nhận dạng, giá trị đầu ra của mô hình là
y
)
, giả thiết
đầu ra của hệ trùng với đầu ra của mô hình nhận dạng khi đó:
=
)
&&
&&
y y
(2.27)
12
( )
= −
)

&&
1
u y F(x)
G(x)
(2.28)
Gọi giá trị ra mong muốn (giá trị đặt) của hệ là y*. Khi đó sai lệch
giữa đầu ra mong muốn và đầu ra của hệ là:
e y* y= −
)
(2.29)
Với mong muốn e→0 trong khoảng thời gian hữu hạn. Giả thiết e
là nghiệm của phương trình vi phân tuyến tính:
+ α + α =
&& &
1 2
e e e 0
(2.30)
Từ (2.30) nếu các nghiệm của phương trình đặc tính có phần thực
âm thì e→0 sau một khoảng thời gian hữu hạn. Ở đây việc xác định các hệ
số α
1
, α
2
của (2.30) được thực hiện theo phương pháp gán điểm cực.
Từ (2.29), (2.30) ta có:
1 2
y* y e e 0− + α + α =
)
&&
&

&&
(2.31)
Thay (2.31) vào (2.28) ta tìm được:
( )
+α + α −
=
&& &
1 2
y * e e F(x)
u
G(x)
(2.32)
Từ (2.32) ta thấy nếu tham số của đối tượng thay đổi, qua quá
trình nhận dạng các hàm, thay đổi theo dẫn đến tín hiệu điều khiển u sẽ
thay đổi phù hợp với sự thay đổi của đối tượng. Cấu trúc tổng quát nhận
dạng trực tuyến và điều khiển hệ như hình 2.10.
13
1
S
x
1
S
y
*
y
x
1
x
2
y

y
u
.
(-)
F
(x)
G
(x)
HÖ ®éng häc phi tuyÕn m« h×nh
Bé ®iÒu
khiÓn
víi luËt
(2.32)
M¹ng
n¬ ron
M¹ng
n¬ ron
HÖ ®éng häc phi
tuyÕn thùc tÕ
Hình 2.10: Mô hình cấu trúc hệ nhận dạng và điều khiển
14
CHƯƠNG 3
MÔ PHỎNG KIỂM CHỨNG BẰNG PHẦN MỀM
MATLAB - SIMULINK
3.1. Lựa chọn hệ chuyển động cho việc mô phỏng
Đặc điểm chung của đa số các hệ chuyển động trong thực tế là hệ
phi tuyến, có chứa các tham số bất định và phạm vi tốc độ biến thiên của
tham số cũng khó xác định. Có các phần tử và khối thiết bị không thể viết
được mô hình toán, không biết được chính xác và đầy đủ tín hiệu vào.
Robot một khớp nối có phương trình động học như (3.1) theo [9]:

1 2
2 2
2 2
1
x x
g d 1
x ) x .u
l ml ml
y x
=



=− + +


=


&
&
1
[ sin(x ]
(3.1)
Hay
1 2
2 1 2 1 2
x x
x F(x ,x ) G(x ,x ).u

=


= −

&
&
(3.2)
Với
1
x = θ
là vị trí góc;
2
x
= θ
&
là vận tốc góc; m là trọng lượng
của tay máy; l là chiều dài tay máy; u là mômen tác động vào hệ; d là hệ
số ma sát; g là gia tốc trọng trường.
Cấu trúc điều khiển được thực hiện theo hình 2.10.
Chọn các tham số của hệ phục vụ cho quá trình mô phỏng như
sau:
2
m 2 1 6 kg m
= = = =
2
kg; l m; g 9,8m/s ; d /s
15
3.2. Mô phỏng các thuật toán nhận dạng và điều khiển với đối tượng
là robot 1 khớp nối

3.2.1. Cấu trúc nhận dạng và điều khiển
Hình 3.1: Sơ đồ cấu trúc nhận dạng và điều khiển dùng
matlab-simulink
3.2.2 Kết quả mô phỏng
16
Với tín hiệu đặt có dạng y = sin(0,02t)
Hình 3.2: Tín hiệu ra mong muốn (tín hiệu đặt) y*, tín hiệu ra của đối
tượng y và sai lệch e giữa chúng khi mô phỏng trong thời gian 25 giây
17
0 5 10 15 20 25
-0.2
-0.1
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
[rad]
[s]
y
e
y*
Hình 3.3: Sai lệch e giữa tín hiệu ra mong muốn (tín hiệu đặt) y*, tín hiệu
ra của đối tượng y khi mô phỏng trong thời gian 25 giây
18
0 5 10 15 20 25

-0.2
-0.15
-0.1
-0.05
0
0.05
0.1
0.15
0.2
0.25
[s]
[rad]
Hình 3.4: Sự thay đổi theo thời gian của tâm, độ rộng các hàm liên thuộc
và các giá trị a
i
j
ở mệnh đề kết luận trong quá trình nhận dạng
online và điều khiển trong thời gian 25 giây
19
0 5 10 15 20 25
-200
-150
-100
-50
0
50
100
150
[s]
[rad] [rad/s]

Hình 3.5: Tín hiệu ra mong muốn (tín hiệu đặt) y*, tín hiệu ra của đối
tượng y và sai lệch e giữa chúng khi mô phỏng trong thời gian 250 giây
20
0 50 100 150 200 250
-1
-0.5
0
0.5
1
1.5
[s]
[rad]
e
y và y* như trùng nhau
Hình 3.6: Sai lệch e giữa tín hiệu ra mong muốn (tín hiệu đặt) y*, tín hiệu
ra của đối tượng y khi mô phỏng trong thời gian 250 giây
21
0 50 100 150 200 250
-0.2
-0.15
-0.1
-0.05
0
0.05
0.1
0.15
0.2
0.25
[s]
[rad]

Hình 3.7: Sự thay đổi theo thời gian của tâm, độ rộng các hàm liên thuộc
và các giá trị a
i
j
ở mệnh đề kết luận trong quá trình nhận dạng online
và điều khiển trong thời gian 250 giây
22
0 50 100 150 200 250
-200
-150
-100
-50
0
50
100
150
[s]
[rad] [rad/s]
KẾT LUẬN
Đề tài đã nghiên cứu về nhận dạng, lý thuyết mờ, mạng nơron để
khái quát về cấu trúc, các luật học cũng như việc ứng dụng mạng nơron,
lý thuyết mờ trong nhận dạng và điều khiển phi tuyến. Cụ thể, đề tài đã đề
xuất hướng nghiên cứu dùng hệ mờ-nơron theo mô hình T-S để nhận dạng
và điều khiển đối tượng động học phi tuyến. Quá trình nhận dạng và điều
khiển online với các hàm liên thuộc được cập nhật và biến thiên liên tục
theo thông số của hệ thống.
Trong cấu trúc hệ mờ-nơron: mạng nơron được sử dụng như một
công cụ trong mô hình mờ, đó là những hệ mờ có phương pháp tiếp cận tự
động của mạng nơron. Ở đây không có sự thay đổi chức năng của hệ mờ
và mạng nơron được dùng để tận dụng khả năng tính toán và xử lý dữ

liệu. Cụ thể với cấu trúc hệ là 5 lớp và lựa chọn số nơron các lớp thích
hợp đảm bảo được tốc độ tính toán nhanh và cập nhật thích nghi thông số
để tối thiểu hoá sai lệch, mạng được luyện theo phương pháp lan truyền
ngược. Sau khi huấn luyện mạng tri thức của mạng đạt được chính là các
thông số của các hàm liên thuộc đầu vào và đầu ra của hệ.
Cấu trúc điều khiển theo hình 2.10 và luật điều khiển có dạng
(2.32) đảm bảo hệ ổn định và bám theo quĩ đạo đặt không phụ thuộc vào
điều kiện đầu. Các kết quả phân tích lý thuyết đã được mô phỏng cho hệ
phi tuyến dạng (3.1) là robot 1 khớp nối. Qua kết quả mô phỏng nhận thấy
ta có thể vừa nhận dạng trực tuyến vừa điều khiển hệ.
Qua kết quả mô phỏng cho thấy khả năng bám của hệ theo quỹ
đạo đặt là tốt, sai lệch giữa quỹ đạo đặt và quỹ đạo thực là rất nhỏ. Các
kết quả này đã chứng tỏ tính đúng đắn của thuật toán mà luận văn đã
nghiên cứu và đề xuất.
23