tóm tắt luận văn thạc sĩ kỹ thuật mô HÌNH hóa hệ PHỨC hợp ỨNG DỤNG MẠNG NƠRON

ĐẠI HỌC THÁI NGUYÊN
TRƯỜNG ĐẠI HỌC KỸ THUẬT CÔNG NGHIỆP
TÓM TĂT LUẬN VĂN THẠC SỸ KỸ THUẬT
MÔ HÌNH HÓA HỆ PHỨC HỢP
ỨNG DỤNG MẠNG NƠRON
Ngành : TỰ ĐỘNG HÓA
Mã Số :
Học Viên : TÔ THẾ DIỆN
HD Khoa học: TS. NGUYỄN ĐỨC THĂNG
THÁI NGUYÊN 2011
1
MỤC LỤC
Trang
Chương 1. Giới thiệu chung 4
1.1. Tính cấp thiết của đề tài 4
1.2. Ý nghĩa khoa học và thực tiễn của đề tài 4
1.3. Mục đích của đề tài 5
1.4. Nội dung thực hiện 5
1.5. Phương pháp nghiên cứu 5
Chương 2. Tổng quan về hệ phức hợp 6
2.1. Định nghĩa 6
2.2. Các tính năng của hệ phức hợp 6
2.3. Phân loại hệ thống phức hợp 7
2.3.1. Hệ thống hỗn loạn 7
2.3.2. Hệ thống thích nghi phức hợp 7
2.3.3. Hệ thống phi tuyến 8
2.4. Mô hình hóa hệ phức hợp 8
2.4.1. Mô hình hóa là gì 8
2.4.2. Mô hình hóa hệ phức hợp 8
Chương 3. Tổng quan về mạng nơron nhân tạo 10
3.1. Lịch sử phát triển của mạng nơron nhân tạo 10

3.2. Các tính chất của mạng nơron nhân tạo 10
3.3. Mô hình mạng nơron 10
3.3.1. Mô hình mạng nơron sinh học 10
3.3.1.1. Chức năng, tổ chức và hoạt động của bộ não con người 10
3.3.1.2. Mạng nơron sinh học 11
3.3.2. Mạng nơron nhân tạo 11
3.3.2.1. Khái niệm 11
3.3.2.2. Phân loại mạng nơron nhân tạo 11
3.3.2.3. Phương thức làm việc của mạng nơron nhân tạo 12
3.3.2.4. Các luật học 12
3.3.3. Mô hình toán học mạng nơron truyền thẳng và mạng nơron hồi quy 13
3.3.3.1. Mạng nơron truyền thẳng 13
3.3.3.2. Mạng nơron hồi quy 14
3.4. Phạm vi ứng dụng của mạng nơron 14
3.4.1. Những bài toán thích hợp 14
3.4.2. Các lĩnh vực ứng dụng của mạng nơron 14
3.4.3. Ưu nhược điểm của mạng nơron 15
2
3.5. Quá trình huấn luyện mạng nơron nhiều lớp 15
3.5.1. Quá trình thực hiện 15
3.5.2. Quy tắc chuỗi 16
3.5.3. Độ chính xác của lan truyền ngược 16
Chương 4. Hệ thống xử lý nước thải 17
4.1. Các thông số đánh giá ô nhiễm và yêu cầu xử lý 17
4.1.1. Các thông số đánh giá ô nhiễm nước thải 17
4.1.2. Yêu cầu xử lý 17
4.2. Quy trình của một hệ thống xử lý nước thải 17
4.2.1. Xử lý sơ cấp 18
4.2.2. Xử lý sinh học trong điều kiện kỵ khí 18
4.2.3. Xử lý bằng phân hủy Ozon 18

4.2.4. Tuyển nổi thứ cấp và lắng thứ cấp 19
4.2.5. Xử lý và tái sử dụng bùn 19
4.3. Công nghệ xử lý nước thải công nghiệp 19
4.3.1. Đặc trưng của nước thải công nghiệp 19
4.3.2. Thuyết minh quy trình công nghệ 19
Chương 5. Mô hình hóa hệ thống xử lý nước thải sử dụng mạng nơron 21
5.1. Mô hình hóa quá trình xử lý nước thải 21
5.2. Mạng nơ ron nhân tạo và mô hình thống kê kinh điển 22
5.2.1. Sự tương đồng 22
5.2.2. Sự khác nhau 22
5.3. Ứng dụng trong kỹ thuật môi trường 23
5.4. Phát triển mô hình 23
5.4.1. Phương pháp luận 23
5.4.1.1. Thu thập dữ liệu và xử lý dữ liệu 23
5.4.1.2. Xây dựng mô hình 23
5.4.1.3. Luyện mạng 24
5.4.1.4. Kiểm chứng mạng 24
5.4.1.5. Khai thác mô hình 24
5.4.2. Xây dựng chương trình máy tính 24
5.5. Ứng dụng mô hình cho trạm xử lý nước thải 26
5.5.1. Tổng quát chung 26
5.5.2. Trạm xử lý nước thải của nhà máy NatSteelVina.Thái Nguyên 27
5.5.2.1. Giới thiệu về hệ thống xử lý nước thải 27
5.5.2.2. Thu thập số liệu 28
5.5.2.3. Xử lý số liệu 28
3
5.5.2.4. Luyện và mô phỏng 28
5.6. Một số vấn đề về tự động hóa xử lý nước thải 30
5.6.1. Mục đích áp dụng tự động hóa xử lý nước thải 30
5.6.2. Yêu cầu và cơ sở xây dựng hệ thống tự động hoá 30

Kết luận và kiến nghị 33
Tài liệu tham khảo 34
4
CHƯƠNG I
GIỚI THIỆU CHUNG
1.1. TÍNH CẤP THIẾT CỦA ĐỀ TÀI
Sự phát triển không ngừng của khoa học công nghệ làm xuất hiện các đối tượng điều
khiển có độ phức tạp ngày càng tăng. Khoa học phức hợp (Complexity science) là môn
khoa học nghiên cứu về các hệ thống phức hợp. Nói đơn giản, một hệ thống là phức hợp
nếu nó chứa nhiều thành phần con tương tác với nhau và nếu hệ thống đó lại biểu hiện
những tính chất, những lối hành xử mà chúng ta không thể suy ra một cách hiển nhiên từ
tương tác của những thành phần cấu thành nó. Yêu cầu thực tế đặt ra là phải điều khiển
các hệ thống động ngày càng phức tạp trong điều kiện ngày càng quan tâm tới các yếu tố
bất định cũng như đòi hỏi chất lượng điều khiển ngày càng cao. Các vấn đề trên không thể
được đáp ứng một cách trọn vẹn và đồng thời nếu chỉ dùng các lý thuyết điều khiển kinh
điển sẵn có. Đây chính là động lực cho sự ra đời các lý thuyết điều khiển hiện đại, hứa hẹn
một hướng giải quyết triệt để các bài toán điều khiển phi tuyến phức tạp[3].
Trong thời gian gần đây, mạng nơron đã thâm nhập vào nhiều lĩnh vực khác nhau
như: trong y học; trong công tác dự báo; các bài toán nhận dạng {[7],[9],[2]}, …Mạng
nơron bắt chước cơ chế “học” của bộ não người, mạng nơron “học” các hành vi của hệ
thống từ các dữ liệu đầu vào và đầu ra của hệ thống đó. Mạng nơron có khả năng tổng quát
hóa tốt. Chính khả năng “học” và khả năng tổng quát hóa tốt này cho phép mạng nơron
mô tả có hiệu quả các mối quan hệ phi tuyến phức tạp, các vấn đề thay đổi theo thời gian
và đặc biệt là trong điều kiện nhiễu. Các hệ thống phức hợp thường được đặc trưng bởi
một số các biến lớn, các tính chất không chắc chắn, phi tuyến. Do đó mạng nơron sẽ giải
quyết được những hạn chế còn tồn tại trong các lý thuyết điều khiển kinh điển.
Hiện nay, vấn đề xử lý nước thải đã xây dựng một số lý thuyết tính toán song còn ở
mức độ đơn giản, điều kiện tính toán thường là lý tưởng hóa và kết quả thu được chỉ mang
tính chất gần đúng, ước lượng mà chưa sát với kết quả thực. Bài toán xử lý nước thải được
xem là một hàm phức hợp của các thông số đầu ra với các thông số đầu vào và các thông

số vận hành, chưa có một mô hình toán học mô tả đầy đủ các mối liên hệ đó[11]. Trong
trường hợp này, ứng dụng nơron nhân tạo mô hình hóa hệ thống xử lý nước thải là một
(trong những khả năng) hướng đi cần thiết.
Đây cũng là lý do tác giả lựa chọn đề tài nghiên cứu này với hy vọng bước đầu đưa
ứng dụng mạng nơron nhân tạo vào mô hình hóa hệ phức hợp và cụ thể là bài toán mô
hình hóa hệ thống xử lý nước thải ứng dụng mạng nơron.
1.2. Ý NGHĨA KHOA HỌC VÀ THỰC TIỄN CỦA ĐỀ TÀI
 Ý nghĩa khoa học: Kết quả nghiên cứu của đề tài sẽ góp phần bổ sung phương
pháp giải quyết cũng như cách tiếp cận bài toán mô hình hóa và điều khiển hệ phức hợp.
5
 Ý nghĩa thực tiễn: Kết quả nghiên cứu của đề tài là cơ sở để giải quyết một số bài
toán điều khiển hệ phức hợp cụ thể ứng dụng mạng nơron.
1.3. MỤC ĐÍCH CỦA ĐỀ TÀI
Đề tài được thực hiện với các mục tiêu xác định như sau:
 Tìm hiểu và tiếp cận về hệ phức hợp
 Nghiên cứu khả năng ứng dụng của mạng nơron nhân tạo xây dựng mô hình và mô
phỏng hệ phức hợp và cụ thể ở đây là bài toán xử lý nước thải.
1.4. NỘI DUNG THỰC HIỆN
Với các mục tiêu trên, luận văn thực hiện những nội dung sau:
 Chương 1. Giới thiệu chung
 Chương 2. Tổng quan về hệ phức hợp: Chương này sẽ giới thiệu một cách tổng
quát hệ phức hợp, qua đó nêu được vị trí và tầm quan trọng của mạng nơron nhân tạo.
 Chương 3. Tổng quan về mạng nơron nhân tạo: Trong phạm vi có hạn, luận văn sẽ
trình bày một cách cô đọng nhất phần lý thuyết cũng như các thuật toán của mạng nơron.
 Chương 4. Giới thiệu về hệ thống xử lý nước thải: Trong chương này, tác giả sẽ đề
cập đến quy trình cũng như công nghệ xử lý nước thải hiện nay.
 Chương 5. Giải bài toán phức hợp cụ thể đó là ứng dụng mạng nơron mô hình hóa
hệ thống xử lý nước thải: Chương này trình bày quá trình xây dựng chương trình ứng dụng
mạng nơron trên nền ngôn ngữ Matlab để tính toán đầu ra cho hệ thống xử lý nước thải.
 Cuối cùng là kết luận và kiến nghị.

1.5. Phương pháp nghiên cứu
 Nghiên cứu lý thuyết: Nghiên cứu sách, giáo trình, bài báo, báo cáo khoa học, luận
văn và các tài liệu liên quan.
 Tìm hiểu các công cụ mô phỏng
 Kiểm nghiệm và đánh giá kết quả dựa trên mô hình mô phỏng.
6
CHƯƠNG II
TỔNG QUAN VỀ HỆ PHỨC HỢP
2.1. ĐỊNH NGHĨA
Một hệ thống phức hợp là hệ thống chứa nhiều thành phần con tương tác với nhau và
nó biểu hiện những tính chất, những lối hành xử mà chúng ta không thể suy ra một cách
hiển nhiên từ tương tác của những thành phần cấu thành nó[3].
Hình 2.1. Bản đồ trực quan tổ chức khoa học hệ thống phức hợp
Những hệ thống động học nằm ngoài trạng thái cân bằng và có tính phi tuyến mới là
những hệ thống quan trọng trong vũ trụ. Những hệ thống phức hợp như: kinh tế, thị trường
chứng khoán,…Như vậy, có thể sẽ không có một lý thuyết đơn giản cho các hệ thống phức
hợp. Tuy nhiên, chúng ta có thể phân loại chúng và xếp chúng thành nhóm để nghiên cứu.
Đặc trưng quan trọng nhất của hệ phức hợp là gì?
Đó là hiện tượng đột sinh. Hiện tượng đột sinh là hiện tượng xuất hiện những quy
luật, những hình thái, những trật tự mới từ hiệu ứng tập thể của các tương tác giữa các
thành phần trong hệ thống. Ví dụ: Nhiệt độ và các định luật về chất khí; tổ chức quần thể
loài kiến; hiện tượng ùn tắc giao thông.
Tất cả các ví dụ về hệ thống phức hợp ở trên thể hiện một số đặc điểm chung:
1. Chúng bao gồm một số lượng lớn các đại lượng tương tác.
2. Hệ phức hợp thường là hệ phân cấp, hơn nữa thường có nhiều cấp.
3. Hệ phức hợp thường là hệ động, nghĩa là thay đổi theo thời gian t theo nghĩa tổng
quát nhất, không chỉ là thay đổi trạng thái mà thay đổi cả phần tử, cấu trúc, hành vi và mục
tiêu của nó.
4. Hành vi của chúng không nổi lên kết quả từ sự tồn tại của một trung tâm
điều khiển.

2.2. CÁC TÍNH NĂNG CỦA HỆ THỐNG PHỨC HỢP
Hệ thống phức hợp có thể có những tính năng sau:
• Khó xác định ranh giới:
7
Xác định ranh giới của một hệ thống phức hợp có thể gặp khó khăn. Người quan sát
sẽ đưa ra quyết định cuối cùng.
• Hệ thống phức hợp có thể được mở:
Hệ thống phức hợp thường là các hệ thống mở - nghĩa là chúng tồn tại trong một
đường dốc nhiệt động lực học và tiêu tán năng lượng.
• Hệ thống phức hợp có thể được lồng vào nhau:
Các thành phần trong một hệ thống phức hợp có thể là những hệ thống phức hợp của
chính bản thân chúng.
• Hệ thống phức hợp có thể có bộ nhớ:
Lịch sử của một hệ thống phức hợp có thể rất quan trọng. Bởi vì hệ thống phức hợp
là những hệ thống động học, chúng thay đổi theo thời gian và trạng thái trước có thể có
ảnh hưởng đến trạng thái hiện tại.
• Có thể tạo ra những hiện tượng nổi:
Hệ thống phức hợp có thể biểu hiện những hành vi đặc trưng, điều này nhằm để
khẳng định rằng: trong khi các kết quả có thể được xác định đầy đủ bằng hoạt động của
các thành phần cơ bản trong hệ thống thì chúng có thể có các thuộc tính mà chỉ được
nghiên cứu ở một mức độ cao hơn.
• Mối quan hệ không tuyến tính:
Trên thực tế, điều này có nghĩa là một sự thay đổi nhỏ có thể gây ra ảnh hưởng lớn,
tác động có tỷ lệ tương ứng hoặc thậm chí không có tác động nào.
• Mối quan hệ có chứa vòng lặp thông tin phản hồi:
Cả hai tín hiệu phản hồi âm và khuếch đại luôn luôn được tìm thấy trong các hệ
thống phức hợp. Những tác động từ hành vi của một phần tử được phản hồi theo cách mà
các yếu tố chính nó thay đổi.
2.3. PHÂN LOẠI HỆ THỐNG PHỨC HỢP
2.3.1. Hệ thống Chaotic

Đối với một hệ thống động được phân loại như hệ thống Chaotic thì hầu hết các nhà
khoa học sẽ phải đồng ý rằng nó có các thuộc tính sau[24]:
a. Nó nhất định (phải) nhạy cảm với các điều kiện đầu.
b. Nó nhất định sẽ có sự pha trộn về cấu trúc.
c. Tập quỹ đạo mang tính chu kỳ của nó nhất định (phải) dày đặc.
2.3.2. Hệ thống thích nghi phức hợp
Hệ thống thích nghi phức hợp là trường hợp đặc biệt của các hệ thống phức tạp.
Chúng rất phức tạp ở chỗ chúng đa dạng và được tạo thành từ nhiều yếu tố liên kết nội bộ
và thích nghi ở chỗ chúng có khả năng thay đổi và học hỏi từ những kinh nghiệm.
8
2.3.3. Hệ thống phi tuyến
Các hành vi của các hệ thống phi tuyến là không tùy thuộc vào nguyên tắc của sự
chồng chất trong khi các hệ thống tuyến tính phụ thuộc vào sự chồng chất. Như vậy, một
hệ thống phi tuyến là nó có hành vi không thể được thực hiện như một tổng hợp của các
hành vi bộ phận (hoặc bội số của chúng).
2.4. MÔ HÌNH HÓA HỆ THỐNG PHỨC HỢP
2.4.1. Mô hình hóa là gì?
Một trong những phương pháp quan trọng nhất để nghiên cứu hệ thống là phương
pháp mô hình hóa, nhất là đối với những hệ thống mà người ta không thể tiến hành thực
nghiệm trên chúng. Phương pháp mô hình hóa là không nghiên cứu trực tiếp đối tượng mà
thông qua việc nghiên cứu một đối tượng khác “tương tự” hay là “hình ảnh” của nó mà có
thể sử dụng được các công cụ khoa học. Kết quả nghiên cứu trên mô hình được áp dụng
vào cho đối tượng thực tế. [3]
2.4.2. Mô hình hóa hệ phức hợp
Các mô hình phức hợp của hệ thống động luôn là một đề tài nghiên cứu đầy thách
thức vì trong thực tế các mô hình không thể miêu tả chính xác được bản chất hệ thống.
Một hệ thống thực sự thường là phi tuyến với một kích thước vô hạn, nhiễu, các nhiễu
loạn bên ngoài và các đặc tính có thể thay đổi theo thời gian. Không thể mô tả những đặc
điểm động này bằng các phương trình toán học và đạt được mức độ chính xác cao cho
cùng một đầu vào/đầu ra của mô hình với các hệ thống thực tế trên toàn bộ phổ tần số.[21]

Sự phát triển mạnh mẽ của máy tính và vi điện tử đồng thời với việc giảm chi phí
thực hiện điều này sẽ mở đường cho việc thiết kế hệ thống điều khiển phức tạp dựa trên
mô hình hệ thống phức tạp hơn nhiều. Ngoài ra, việc thực hiện không còn bị giới hạn bởi
các hạn chế tính toán trong quá khứ, những vấn đề điều khiển và các phạm vi mới nổi lên,
mang lại những thách thức mới và nhu cầu mới, kỹ thuật điều khiển phi truyền thống. Các
mô hình truyền thống của một hệ thống thực tế là một hệ thống tuyến tính bất biến theo
thời gian như hình thức sau:

DuCxY
BuAxX
+=
+=
.
(2.1)
Hoặc hàm truyền dưới dạng đầu vào/đầu ra:

usGY )(
=
(2.2)
Các mô hình này thỏa mãn nhu cầu của một lớp rộng các vấn đề điều khiển. Lý do là
nhiều hệ thống điện được thiết kế để hoạt động như tuyến tính, bất biến theo thời gian
trong dải tần số quan tâm.
Điều khiển các hệ thống phức hợp sử dụng mạng nơron
9
Trong thời gian gần đây, mạng nơron đã thâm nhập vào nhiều lĩnh vực khác nhau
chẳng hạn như: trong y học; trong công tác dự báo; các hệ thống nhận dạng tiếng nói,…
Mạng nơron bắt chước cơ chế “học” của bộ não người, chúng “học” các hành vi của hệ
thống từ các dữ liệu đầu vào và đầu ra của hệ thống đó. Đặc biệt, chúng có khả năng tổng
quát hóa tốt. Chính khả năng “học” và khả năng tổng quát hóa tốt này cho phép mạng
nơron mô tả có hiệu quả các mối quan hệ phi tuyến phức tạp, các vấn đề thay đổi theo thời

gian và đặc biệt là trong điều kiện nhiễu. Do đó, mạng nơron sẽ giải quyết được những hạn
chế còn tồn tại trong các lý thuyết điều khiển kinh điển.
Trong đề tài này, tác giả ứng dụng mạng nơron để mô hình hóa hệ phức hợp, với bài
toán cụ thể là mô hình hóa hệ thống xử lý nước thải. Chính vì thế nên trong chương tiếp
theo, tác giả sẽ đi tìm hiểu về mạng nơron nhân tạo.
10
CHƯƠNG III
TỔNG QUAN VỀ MẠNG NƠRON NHÂN TẠO
3.1. LỊCH SỬ PHÁT TRIỂN CỦA MẠNG NƠRON NHÂN TẠO
Quá trình nghiên cứu và phát triển nơron nhân tạo có thể chia ra 4 giai đoạn sau:
Giai đoạn 1: Có thể tính từ cuối TK 19, đầu TK 20, các công trình nghiên cứu của họ
chỉ mới dừng lại ở lý thuyết tổng quát và một số mô hình mạng nơron đơn giản.
Giai đoạn 2: Vào những năm 1960, một số mô hình nơron hoàn thiện hơn đã được
đưa ra như: Mô hình Perceptron rất được quan tâm vì nguyên lý đơn giản, nhưng nó cũng
có hạn chế vì nó không dùng được cho các hàm logic phức.
Giai đoạn 3: Có thể tính vào đầu thập niên 80. Những đóng góp lớn cho mạng nơron
trong giai đoạn này phải kể đến Grossberg, Kohonen, Rumelhart và Hopfield.
Giai đoạn 4: Tính từ năm 1987 đến nay, rất nhiều công trình được nghiên cứu để ứng
dụng mạng nơron vào các lĩnh vực như: kỹ thuật tính [10], điều khiển {[6],[1]}, bài toán
nhận dạng {[7]; [9]; [2]}, thống kê [8], Cho đến nay mạng nơron đã tìm và khẳng định
được vị trí của mình trong rất nhiều ứng dụng khác nhau.
3.2. CÁC TÍNH CHẤT CỦA MẠNG NƠ RON NHÂN TẠO
- Là hệ phi tuyến: Mạng nơron có khả năng to lớn trong lĩnh vực nhận dạng và điều
khiển các đối tượng phi tuyến.
- Là hệ xử lý song song: Mạng nơron có cấu trúc song song, do đó 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 số liệu quá khứ, có khả năng tự chỉnh
khi số liệu đầu vào bị mất, có thể điều khiển on-line.
- Là hệ nhiều biến, nhiều đầu vào, nhiều đầu ra (MIMO): rất tiện dụng khi điều khiển
đối tượng có nhiều biến số.

3.3. MÔ HÌNH MẠNG NƠRON
3.3.1. Mô hình mạng nơron sinh học
3.3.1.1. Chức năng, tổ chức và hoạt động của bộ não con người
Bộ não người có chức năng hết sức quan trọng trong đời sống của con người. Nó hầu
như kiểm soát hết hành vi của con người từ hoạt động cơ bắp đơn giản đến những hoạt
động phức tạp như học tập, nhớ, suy luận, tư duy, sáng tạo,…
Hình 3.1. Bộ não người
11
Hoạt động của cả hệ thống thần kinh bao gồm não bộ và các giác quan như sau:
Trước hết con người bị kích thích bởi các giác quan từ bên ngoài hoặc trong cơ thể.
Sự kích thích đó được biến thành các xung điện bởi chính các giác quan tiếp nhận kích
thích. Những tín hiệu này được chuyển về trung ương thần kinh là não bộ để xử lý. Trong
thực tế, não bộ liên tục nhận thông tin xử lý, đánh giá và so sánh với thông tin lưu trữ để
đưa ra các quyết định thích đáng.
3.3.1.2. Mạng nơron sinh học
• Cấu tạo
Hình 3.2. Mô hình mạng nơron sinh học
Một nơron điển hình có 3 phần tử chính:
- Thân nơron (soma): Nhân của nơron được đặt ở đây.
- Các nhánh (dendrite): Đây chính là các mạng cây của các dây thần kinh để nối các
soma với nhau.
- Sợi trục (Axon): Đây là một kết nối, hình trụ dài và mang các tín hiệu từ đó ra
ngoài. Phần cuối của sợi trục được chia thành nhiều nhánh nhỏ. Mỗi nhánh nhỏ kết thúc
trong một cơ quan nhỏ hình củ hành được gọi là nơi tiếp giáp hai tế bào thần kinh mà tại
đây các nơron đưa các tín hiệu của nó vào các nơron khác. Những điểm tiếp nhận với các
khớp thần kinh trên các nơron khác có thể ở các nhánh hay chính thân nơron.
3.3.2. Mạng nơron nhân tạo
3.3.2.1. Khái niệm
Mạng nơron nhân tạo là một mô phỏng xử lý thông tin được xây dựng trên mô hình
một số tính chất của mạng nơron sinh học, tuy nhiên, khác với mô hình nhận thức, phần

lớn các ứng dụng lại có bản chất kỹ thuật. Mạng nơron nhân tạo là máy mô phỏng cách
hoạt động của bộ não thực hiện nhiệm vụ của nó. Một mạng nơron nhân tạo là bộ xử lý
song song phân tán lớn, nó giống bộ não người về 2 mặt:
- Tri thức được nắm bắt bởi nơron thông qua quá trình học
- Độ lớn của trọng số kết nối nơron đóng vai trò khớp nối cất giữ thông tin.
3.3.2.2. Phân loại mạng nơron
• Dựa vào số lớp có trong mạng:
Mạng một lớp: là tập hợp các phần tử nơron có đầu vào và đầu ra trên mỗi một phần tử.
12
Mạng nhiều lớp: Gồm một lớp đầu vào và một lớp đầu ra riêng biệt, Các lớp nằm giữa
lớp đầu vào và lớp đầu ra gọi là các lớp ẩn (hidden layers).
• Dựa vào đường truyền tín hiệu trong mạng:
Mạng truyền thẳng: Là mạng hai hay nhiều lớp mà quá trình truyền tín hiệu từ đầu ra của
lớp này đến đầu vào lớp kia theo một hướng.
Mạng phản hồi: Là mạng trong đó có một hoặc nhiều đầu ra của phần tử lớp sau truyền
ngược tới đầu vào lớp trước.
Mạng tự tổ chức: Là mạng có khả năng sử dụng những kinh nghiệm quá khứ để thích
ứng với những biến đổi của môi trường (không dự báo trước). Loại mạng này thuộc nhóm
tự học, thích nghi không cần có tín hiệu chỉ đạo bên ngoài.
3.3.2.3. Phương thức làm việc của mạng nơron
Phương thức làm việc của mạng nơron nhân tạo có thể chia làm hai giai đoạn:
- Tự tái tạo (Reproduction)
- Giai đoạn học (Learning Phase)
Mạng nơron khi mới hình thành chưa có tri thức, tri thức của mạng hình thành dần
sau một quá trình học. Mạng nơron được dạy bằng cách dựa vào những đầu vào kích thích
và hình thành những đáp ứng tương ứng, những đáp ứng phù hợp với từng loại kích thích
sẽ được lưu giữ, giai đoạn này được gọi là giai đoạn học của mạng.
3.3.2.4.Các luật học
Hình 3.13. Cấu trúc huấn luyện mạng nơron
Có ba phương pháp học:

- Học có giám sát (Supervised Learning):
Là quá trình học ở mỗi thời điểm thứ i khi đưa tín hiệu
i
x
vào mạng nơron, tương
ứng sẽ có đáp ứng mong muốn
i
d
của đầu ra cho trước ở thời điểm đó (hình 3.14). Hay,
trong quá trình học có giám sát, mạng nơron được cung cấp liên tục các cặp số liệu mong
muốn vào/ra ở từng thời điểm
),(
11
dx
,
),(
22
dx
,…,
),(
kk
dx
,…khi cho đầu vào thực của
mạng là
k
x
tương ứng sẽ có tín hiệu đầu ra cũng được lặp lại là
k
d
giống như mong muốn.

Hình 3.14. Mô hình học có giám sát và học củng cố
13
- Học củng cố (Reinforcement Learning):
Tín hiệu d có thể được đưa từ bên ngoài môi trường (hình 3.14), tín hiệu này có thể
không được đưa đầy đủ mà chỉ đưa đại diện 1bit có tính chất kiểm tra quá trình đúng hay
sai. Tín hiệu đó được gọi là tín hiệu củng cố (Reinforcement signal).
- Học không có giám sát (Unsupervised Learning):
Học không có giám sát hoàn toàn không có tín hiệu từ bên ngoài (hình 3.15). Giá trị
mục tiêu điều khiển không được cung cấp và không được tăng cường. Mạng phải khám
phá các mẫu, các nét đặc trưng, tính cân đối, tính tương quan,…trong khi tự khám phá các
đặc trưng mạng tự thay đổi thông số, vấn đề đó còn gọi là tự tổ.
Hình 3.15. Học không có giám sát.
3.3.3. Mô hình toán học mạng nơron truyền thẳng và mạng nơron hồi quy
3.3.3.1. Mạng nơron truyền thẳng
a, Mạng truyền thẳng một lớp
Là mô hình liên kết cơ bản và đơn giản nhất. Các nơron tổ chức lại với nhau tạo
thành một lớp, tín hiệu được truyền theo một hướng nhất định nào đó. Các đầu vào được
nối với các nơron theo trọng số khác nhau, sau quá trình xử lý cho ra một chuỗi các tín
hiệu đầu ra.
Hình 3.17. Mô hình mạng truyền thẳng 1 lớp
b, Mạng truyền thẳng nhiều lớp
Khi giải bài toán phức tạp thì mạng nơron truyền thẳng một lớp với cấu trúc đơn giản
sẽ gặp rất nhiều khó khăn. Để khắc phục nhược điểm này người ta đã xây dựng mạng
truyền thẳng gồm nhiều lớp kết hợp với nhau.
Hình 3.18. Mạng nơron nhiều lớp truyền thẳng
3.3.3.2. Mạng nơron hồi quy
14

Hinh 3.20. Mạng nơron hồi quy nhiều lớp
a, Mạng nơron hồi quy không hoàn toàn

Cấu trúc mạng nơron hồi quy không hoàn toàn phần lớn là cấu trúc truyền thẳng
nhưng có cả sự lựa chọn cho một bộ phận có cấu trúc hồi quy. Trong nhiều trường hợp,
trọng số của cấu trúc hồi quy được duy trì không đổi, như vậy luật học lan truyền ngược
có thể dễ dàng được sử dụng. Trong các mạng loại này, sự truyền thẳng được xảy ra rất
nhanh hoặc không phụ thuộc vào thời gian. Mạng có thể nhận dãy mẫu dựa vào tình trạng
cuối cùng của dãy và có thể dự báo tiếp theo cho tín hiệu của dãy theo thời gian.
b, Mạng nơron hồi quy hoàn toàn
Là một trong những mạng nơron hồi quy đầu tiên được Gossberg xây dựng để học và
biểu diễn các mẫu bất kỳ. Loại mạng hồi quy hoàn toàn có tác dụng nhận số lượng mẫu
nhiều hơn. Với mạng hồi quy hoàn toàn đã hình thành quan điểm thực hiện và luyện mạng
hồi quy từ mạng truyền thẳng nhiều lớp được xây dựng từ một lớp cho mỗi bước tính.
Khái niệm này được gọi là lan truyền ngược theo thời gian phù hợp khi quan tâm đến các
dãy với độ lớn T là nhỏ.
3.4. PHẠM VI ỨNG DỤNG CỦA MẠNG NƠRON
3.4.1. Những bài toán thích hợp
Mạng nơron được coi như một hộp đen để biến đổi véctơ đầu vào m biến thành véctơ
đầu ra n biến. Nói chung bài toán có thể áp dụng cho mạng nơron có 4 loại:
- Mô hình hóa (Modening).
- Phân loại (classification).
- Liên kết và kỹ thuật dịch chuyển cửa sổ (asosiation and moving window).
- Biến đổi, thực hiện ánh xạ từ không gian đa biến này vào không gian đa biến khác
tương ứng (Transformation add mapping).
3.4.2. Các lĩnh vực ứng dụng của mạng nơron
Từ khi ra đời và phát triển cho tới nay thì mạng nơron được ứng dụng trong rất nhiều
lĩnh vực. Có thể liệt kê một số lĩnh vực ứng dụng mạng nơron điển hình như sau:
* Lĩnh vực vũ trụ hàng không:
* Trong y học
* Trong quốc phòng
* Trong điều khiển tự động
Ngoài ra còn ứng dụng trong lĩnh vực: Công nghệ giải trí, công nghiệp, bảo hiểm,…

15
3.4.3. Ưu nhược điểm của mạng nơron
3.4.3.1. Ưu điểm
- Xử lý song song
- Thiết kế hệ thống thích nghi
- Không đòi hỏi các đặc trưng mở rộng của bài toán (chủ yếu dựa trên tập học).
- Có thể chấp nhận lỗi do tính song song.
3.4.3.2. Nhược điểm
- Không có các quy tắc, hướng dẫn thiết kế rõ ràng đối với một ứng dụng nhất định.
- Không có cách tổng quát để đánh giá hoạt động bên trong mạng.
- Việc học đối với mạng có thể khó (hoặc không thể) thực hiện.
- Khó có thể đoán trước được hiệu quả của mạng trong tương lai.
3.5. QUÁ TRÌNH HUẤN LUYỆN MẠNG NƠRON NHIỀU LỚP
Trong phần này chúng ta sẽ chỉ ra một phương pháp huấn luyện là phương pháp lan
truyền ngược. Kỹ thuật cơ bản của phương pháp lan truyền ngược là cập nhật trọng số
theo hướng giảm độ dốc.
Như đã nêu, mạng nhiều lớp có đầu ra của lớp trước là đầu vào của lớp tiếp theo. Sơ
đồ cấu trúc được cho như hình vẽ 3.20.
Biểu thức toán học mô tả sự hoạt động như (3.13)
).(
1111
++++
+=
mmmmm
bawfa
với m = 0,1,2,…,M-1. (3.13)
Trong đó M là số lớp cấu trúc trong mạng. Các nơron của lớp thứ nhất nhận tín hiệu
đầu vào từ bên ngoài:
pa
=

0
(3.14)
Đầu ra của các nơron ở lớp cuối cùng của mạng được coi là đầu ra của mạng:
m
ay
=
(3.15)
3.5.1. Quá trình thực hiện
Thuật toán lan truyền ngược của mạng nhiều lớp là một phương pháp làm giảm độ
dốc. Phương pháp này được dùng để cập nhật những thông số sao cho giảm thiểu sai số
của mô hình. Sai số được đo bằng phương pháp trung bình bình phương sai lệch. Tập hợp
mẫu vào ra được cho dưới dạng như (3.16):
{ }
11
,tp

{ }
22
,tp
…
{ }
qq
tp ,
(3.16)
Trong đó Pq là một đầu vào của mạng, và tq tương ứng là một đầu ra. Mỗi một đầu
vào tác động vào mạng sẽ có một đầu ra thực được so sánh với đáp ứng mẫu. Hàm thông
số của mạng được xác định theo biểu thức tổng bình phương sai lệch cực tiểu như (3.17):
∑∑
==
−==

Q
q
qq
Q
q
q
atexF
1
2
1
2
)()(
(3.17)
16
Trong đó x là véctơ bao gồm cả trọng số liên kết và độ dốc của mạng. Nếu mạng có
nhiều đầu ra thì biểu thức tổng quát được tính như (3.18):
∑∑
==
−−==
Q
q
qq
T
qq
Q
q
q
T
q
atateexF

11
)()()(
(3.18)
Sử dụng phương pháp xấp xỉ, chúng ta sẽ thay thế tổng bình phương sai lệch bằng sai
lệch của đáp ứng hiện tại.
)}()({)}()({)( kaktkaktxF
T
−−=
Λ
(3.19)
Trong đó bình phương sai lệch đã được xét tại thời điểm k.
Thuật toán giảm độ dốc theo phương pháp xấp xỉ bình phương sai lệch là:
m
ij
m
ij
m
ij
w
F
akwkw
∂
∂
−=+
Λ
)()1(
(3.20)
m
i
m

i
m
ij
w
F
akbkb
∂
∂
−=+
Λ
)()1(
(3.21)
3.5.2. Quy tắc chuỗi
Với mạng nhiều lớp, trọng số là hàm ẩn của các hàm trọng lượng ở các lớp ẩn, vì thế
các phép đạo hàm sẽ tính khó khăn. Bởi vì sai lệch là hàm ẩn của các trọng số ở các lớp ẩn
nên chúng ta sẽ sử dụng quy tắc chuỗi toán học để tính đạo hàm riêng trong các biểu thức
(3.20) và (3.21).
m
ij
m
i
m
i
m
ij
w
n
n
F
w

F
∂
∂
×
∂
∂
=
∂
∂
ΛΛ
(3.22)
m
i
m
i
m
i
m
i
b
n
n
F
b
F
∂
∂
×
∂
∂

=
∂
∂
ΛΛ
(3.23)
3.5.3. Độ chính xác của lan truyền ngược
Nhiệm vụ của chúng ta là tính toán độ chính xác
m
S
, nó cần đến các ứng dụng khác
của quy tắc chuỗi. Đó là quá trình chúng ta cho số hạng lan truyền ngược, bởi vì nó biểu
diễn mỗi liên hệ phản hồi và độ chính xác ở lớp m được tính từ độ chính xác của lớp m+1.
)).((.2 atnFS
m
m
m
−−=
•
(3.33)
).()).((
11
++
•
=
mTmm
m
m
SwnFS
(3.34)
1;2; ;2;1 −−= MMm

17
CHƯƠNG IV
GIỚI THIỆU VỀ HỆ THỐNG XỬ LÝ NƯỚC THẢI
4.1. CÁC THÔNG SỐ ĐÁNH GIÁ Ô NHIỄM VÀ YÊU CẦU XỬ LÝ
4.1.1. Các thông số đánh giá ô nhiễm nước thải
- Độ pH: Chỉ số này cho ta biết cần thiết phải trung hòa hay không và tính lượng hóa chất
cần thiết trong quá trình xử lý đông tụ keo, khử khuẩn,…
- Hàm lượng các chất rắn: Tổng chất rắn các thành phần quan trọng của nước thải, được
xác định phần còn lại khô sau khi cho bay hơi.
- Màu: Nước thải thường có màu nâu đen hoặc màu đỏ nâu.
- Oxy hòa tan (DO): Phân tích chỉ số oxy hòa tan (DO) là một trong những chỉ tiêu quan
trọng đánh giá sự ô nhiễm của nước và giúp ta đề ra biện pháp xử lý thích hợp.
- Chỉ số BOD: là chỉ tiêu thông dụng nhất để xác định mức độ ô nhiễm của nước thải.
- Chỉ số COD: Chỉ số này được dùng rộng rãi để đặc trưng cho hàm lượng chất hữu cơ
của nước thải và sự ô nhiễm của nước tự nhiên.
4.1.2. Yêu cầu xử lý
Do nguồn nước sạch ngày càng cạn kiệt và thiếu hụt nghiêm trọng. Điều đó khiến
việc cung cấp nước sạch cho con người trở thành vấn đề hết sức khó khăn. Chình vì vậy,
xử lý nước thải là một vấn đề đang được chú trọng và nghiên cứu.
4.2. QUY TRÌNH CỦA MỘT HỆ THỐNG XỬ LÝ NƯỚC THẢI
Hình 4.1. Quy trình của một hệ thống xử lý nước thải
18
4.2.1. Xử lý sơ cấp
Song chắn rác: Dùng để giữ lại các tạp chất thô như giấy, rác, túi nilon, vỏ cây và
các tạp chất lớn có trong nước thải nhằm đảm bảo cho máy bơm, các công trình và thiết bị
xử lý nước thải hoạt động ổn định.
Bể lắng cát: Dùng để loại những hạt cặn lớn vô cơ chứa trong nước thải mà chủ yếu
là cát.
Tuyển nổi I: Trong xử lý nước thải tuyển nổi thường được sử dụng để khử các chất
lơ lửng và nén bùn cặn.

Bể lắng I: Lắng là một phương pháp đơn giản nhất để tách các chất bẩn không hoà
tan ra khỏi nước thải.
4.2.2. Xử lý phân hủy sinh học trong điều kiện kỵ khí
Quá trình chuyển hoá chất hữu cơ nhờ vi sinh kỵ khí chủ yếu được diễn ra theo
nguyên lý lên men qua các bước sau:
- Vi sinh vật phân huỷ các chất hữu cơ phức tạp và lipit thành các chất hữu cơ đơn
giản có trọng lượng riêng nhẹ.
- Vi khuẩn tạo men axit, biến đổi các chất hữu cơ đơn giản thành axit hữu cơ.
- Vi khuẩn tạo men metan chuyển hoá hydro và các axit được tạo thành ở giai đoạn
trước thành khí metan và cacbonic.
Ưu điểm của phương pháp là tiết kiệm năng lượng, nhân công và xử lý triệt để. Hiệu
suất xử lý: COD giảm 60-65%.
4.2.3. Xử lý phân hủy bằng ozone
Hiện nay, để xử lý nước thải người ta thường áp dụng nhóm các phương pháp sau
một cách độc lập hoặc kết hợp:
Phương pháp cơ học: Lắng cặn, gạt nổi, lọc…
Phương pháp hóa lý: Dùng hóa chất để trung hòa, tạo huyền phù, tạo kết tủa, hấp
phụ trao đổi…
Ozone phản ứng trực tiếp với chất tan
Ozone khi hòa tan vào nước sẽ tác dụng với chất hữu cơ (P), tạo thành dạng oxy hóa
của chúng theo phương trình động học sau:
d[P]/dt = kP [P][O3]. (4.2)
Ozone phản ứng với chất tan theo cơ chế gốc.
Khi tan vào nước tinh khiết, ozone sẽ phân hủy tạo thành gốc OH theo phản ứng kiểu
dây chuyền. phương trình tốc độ phân hủy ozone như sau:
d[O3] /dt = kA[O3] + kB[OH¯ ]1/2[O3]3/2 (4.3)
Trong đó, kA = 2 k22; kB = 2k25 ( k23/ k26 )1/2
19
4.2.4. Tuyển nổi thứ cấp và lắng thứ cấp
Sau khi được xử lý qua công đoạn phân hủy kỵ khí và phân hủy ozone, nước thải vẫn

chưa đạt tiêu chuẩn thải ra môi trường. Vì vậy, cần có thêm hệ thống bể tuyển nổi thứ cấp
và lắng thứ cấp.
4.2.5. Xử lý và tái sử dụng bùn thải
Bùn thải sinh ra trong nhà máy xử lý nước thải chủ yếu ở bể lắng I, bể phân huỷ sinh
học và bể lắng II. Lượng bùn cặn này sẽ được hút ra bằng máy bơm. Việc xử lý bùn thải là
cần thiết vì sẽ ảnh hưởng trực tiếp đến môi trường đất nếu chúng ta không tiến hành xử lý.
4.3. CÔNG NGHỆ XỬ LÝ NƯỚC THẢI CÔNG NGHIỆP
Hình 4.2. Quy trình công nghệ xử lý nước thải.
4.3.1. Đặc trưng của nước thải công nghiệp
Nước thải công nghiệp gồm hai loại chính: nước thải sinh hoạt từ các khu văn phòng
và nước thải sản xuất từ các nhà máy sản xuất. Đặc tính nước thải sinh hoạt thường là ổn
định so với nước thải sản xuất. Nước thải sinh hoạt ô nhiễm chủ yếu bởi các thông số
BOD5, COD, SS, Tổng N, Tổng P, dầu mỡ - chất béo. Các thông số ô nhiễm nước thải
công nghiệp chỉ xác định được ở từng loại hình và công nghệ sản xuất cụ thể.
4.3.2. Thuyết minh quy trình công nghệ.
Nước thải phát sinh từ các nhà máy trong khu công nghiệp theo mạng lưới thoát nước
chảy vào hố thu của trạm xử lý. Tại đây, để bảo vệ thiết bị và hệ thống đường ống công
nghệ phía sau, song chắn rác thô được lắp đặt trong hố để loại bỏ các tạp chất có kích
thước lớn ra khỏi nước thải. Sau đó nước thải sẽ được bơm lên bể điều hòa.
Tại bể điều hòa, hệ thống phân phối khí sẽ hòa trộn đồng đều nước thải trên toàn diện
tích bể, ngăn ngừa hiện tượng lắng cặn ở bể sinh ra mùi khó chịu, đồng thời có chức năng
20
điều hòa lưu lượng và nồng độ nước thải đầu vào. Nước thải từ bể điều hòa được bơm
sang bể phản ứng. Tại bể phản ứng, hóa chất keo tụ được châm vào bể với liều lượng nhất
định và được kiểm soát chặt chẽ bằng bơm định lượng hóa chất. Dưới tác dụng của hệ
thống cánh khuấy với tốc độ lớn được lắp đặt trong bể, hóa chất keo tụ được hòa trộn
nhanh và đều vào trong nước thải. Hỗn hợp nước thải này tự chảy qua bể keo tụ tạo bông.
Dưới tác dụng của chất trợ keo tụ và hệ thống cánh khuấy với tốc độ chậm, các bông cặn li
ti sẽ chuyển động, va chạm, dính kết và hình thành nên những bông cặn có kích thước và
khối lượng lớn gấp nhiều lần các bông cặn ban đầu, tạo điều kiện thuận lợi cho quá trình

lắng ở bể lắng. Hỗn hợp nước và bông cặn ở bể keo tụ tạo bông tự chảy sang bể lắng. Bùn
trong hỗn hợp nước thải được giữ lại ở đáy bể lắng. Phần bùn này được bơm qua bể chứa
bùn, phần nước sau khi tách bùn sẽ chảy về bể trung gian, sau đó được bơm vào bể SBR.
Tại đây, Vi sinh vật được cung cấp oxy sẽ sử dụng chất hữu cơ cho quá trình tăng trưởng.
Nitơ cũng được loại bỏ nhờ thời gian lưu nước kéo dài. SBR là bể kết hợp giữa bể hiếu khí
và bể lắng nên không cần hoàn lưu bùn. Nước thu được sau xử lý ở bể SBR được bơm
sang bể trung gian. Nước được bơm từ bể trung gian qua bể lọc áp lực đa lớp vật liệu: sỏi
đỡ, cát thạch anh và than hoạt tính, để loại bỏ các hợp chất hữu cơ hòa tan, các nguyên tố
dạng vết, những chất khó hoặc không phân giải sinh học. Nước thải sau khi qua bể lọc áp
lực sẽ đi qua bể nano dạng khô để loại bỏ lượng cặn còn sót lại trong nước thải, đồng thời
khử trùng nước thải. Nước sau khi qua bể nano dạng khô đạt yêu cầu xả thải vào nguồn
tiếp nhận theo quy định hiện hành của pháp luật.
Bùn ở bể chứa bùn được được bơm qua máy ép bùn băng tải để loại bỏ nước, giảm
khối tích bùn. Bùn khô được các cơ quan chức năng thu gom và xử lý định kỳ.
21
CHƯƠNG V
MÔ HÌNH HÓA HỆ THỐNG XỬ LÝ NƯỚC THẢI
SỬ DỤNG MẠNG NƠ RON
5.1. MÔ HÌNH HÓA QUÁ TRÌNH XỬ LÝ NƯỚC THẢI
Một khâu của hệ thống xử lý nước thải có thể được sơ đồ hóa như sau:
Hình 5.1. Sơ đồ hóa của 1 khâu đại diện trong hệ thống xử lý nước thải
Trong đó:
i
x
: thể hiện cho các thông số đầu vào như: pH, DO, COD, BOD, …

f
: thể hiện các quá trình xử lý có thể là bể lắng sơ bộ, bể lắng cát,…

i

y
: Thể hiện cho các thông số đầu ra như: pH, DO, BOD,…
Theo sơ đồ trên thì ta có thể xem mỗi khâu là một hàm số nào đó chứa đựng mối liên
hệ giữa các thông số đầu vào và những thông số đầu ra. Cũng có thể hiểu một hệ thống xử
lý nước thải là một hàm số tổng hợp của những hàm con này.
Một cách tổng quát, các công cụ sử dụng để mô hình hóa quá trình xử lý nước thải có
thể được phân loại như sau[11]:
Theo đặc điểm của dữ liệu được sử dụng: ta có mô hình xác định còn gọi là mô hình
vật lý và mô hình thống kê.
Xét về mặt phương pháp luận, người ta chia thành mô hình theo nguyên lý chiếc hộp
trắng “White box” và mô hình theo nguyên lý chiếc hộp đen “Black box”. Bên cạnh đó
còn có mô hình kết hợp giữa hai loại mô hình trên gọi là mô hình Hybrid.
Xét theo trạng thái: người ta chia mô hình ra làm hai loại: tĩnh và động.
Hình 5.2. Phân loại các công cụ mô hình hóa.
22
Hình 5.3. Hướng lựa chọn các kỹ thuật mô hình hóa cho các hệ thống.
Qua hình 5.3, ta có thể thấy rằng mạng nơron nhân tạo được sử dụng khi ta không
nắm được bản chất của hiện tượng. Còn với hệ thống xử lý nước thải thì bản chất của hiện
tượng khá phức tạp, khó khiểm soát chúng ta cũng có thể thu được “tri thức” từ nó song sẽ
gặp rất nhiều khó khăn khi dùng phương pháp khác. Ta thấy rằng, mạng nơron nhân tạo là
một giải pháp tốt cho việc mô phỏng quá trình xử lý nước thải.
5.2. MẠNG NƠRON NHÂN TẠO VÀ MÔ HÌNH THỐNG KÊ KINH ĐIỂN
5.2.1. Sự tương đồng
Các thành phần của hai loại mô hình cũng như thuật ngữ sử dụng tương đồng và có ý
nghĩa, vai trò như nhau [14]. Bảng 5.1 các thuật ngữ của mạng nơron và mô hình thống kê.
Mạng nơron nhân tạo Mô hình thống kê
Thông số đầu vào Biến độc lập
Thông số đầu ra Giá trị được dự báo
Giá trị luyện được Biến phụ thuộc
Lỗi Sai số

Luyện mạng Ước lượng các hệ số
Hàm lỗi hay hàm chi phí Tiêu chí ước lượng
Dữ liệu để luyện Các quan sát
Các trọng số Các hệ số
Tổng quát hóa Nội suy và ngoại suy
5.2.2. Sự khác nhau
Mô hình thống kê đi xây dựng phương pháp luận tổng quát để đạt được tối ưu với ý
nghĩa thống kê.
Mạng nơron nhân tạo quan tâm đến khả năng dự báo chính xác và tìm hiểu cơ chế
hoạt động của vấn đề.
5.3. ỨNG DỤNG TRONG BÀI TOÁN XỬ LÝ NƯỚC THẢI
23
Trong bài toán xử lý nước thải, sử dụng mạng nơron đã được phát triển trong vòng
một vài thập niên trở lại đây. Hiện nay phần lớn các hệ thống xử lý nước thải đều vận
dụng những nguyên lý cơ lý, hóa sinh,…Vì các quá trình xảy ra trong đó rất phức tạp, để
giải quyết vấn đề này người ta đã dùng nguyên lý chiếc hộp trắng hoặc mô hình thống kê
kinh điển nhưng kết quả đạt được chưa cao, nhất là khi quá trình sinh hóa xảy ra.
Đó cũng là lý do mà hiện nay ngày càng nhiều các công trình nghiên cứu về khả năng
ứng dụng mạng nơron nhân tạo để mô phỏng các quá trình xử lý trong kỹ thuật môi
trường. Trong đó có thể kể đến một vài công trình nghiên cứu ứng dụng mạng nơron trong
kỹ thuật môi trường của: {[11]; [17]; [18]; [19]; [20]}.
Trong luận văn này, tác giả sẽ tìm hiểu ứng dụng của mạng nơron để dự báo đầu ra
của một hệ thống xử lý nước thải.
5.4. PHÁT TRIỂN MÔ HÌNH
5.4.1. Phương pháp luận
Khi phát triển mô hình mạng nơron người ta tiến hành thực hiện các bước sau:

Hình 5.4. Các bước phát triển mô hình
5.4.1.1. Thu thập dữ liệu và xử lý dữ liệu
Dữ liệu đóng một vai trò quan trọng trong các giải pháp ứng dụng mạng nơron. Chất

lượng, độ tin cậy, tính sẵn có và phù hợp của dữ liệu được sử dụng để phát triển hệ thống
giúp cho các giải pháp thành công.
5.4.1.2. Xây dựng mô hình
* Xác định thông số đầu vào mô hình.
Trong quá trình xây dựng mô hình thì việc lựa chọn các biến đầu vào hợp lý là rất
quan trọng. Vì các mạng nơron nhân tạo phụ thuộc vào các lớp dữ liệu cho sẵn. Giả sử vấn
đề đặt ra là khi ta chạy mô hình mạng nơron với một số lượng lớn các giá trị đầu vào và
dựa vào mạng nơron để xác định các thông số đầu vào quan trọng của mô hình thì thường
dẫn đến tăng kích thước của mạng. Điều này dẫn tới một số bất lợi như giảm tốc độ xử lý
của mạng và làm tăng số lượng dữ liệu cần thiết để ước lượng các trọng số có hiệu quả,
nhất là khi gặp phải những bài toán phức tạp, với nhiều giá trị đầu vào và nếu không có sự
sàng lọc để ưu tiên, lựa chọn các biến đầu vào một cách hợp lý thì vấn đề càng trở nên
24
trầm trọng. Do đó, chúng ta phải sử dụng các kỹ thuật phân tích để xác định các thông số
đầu vào thích hợp trong các mô hình mạng nơron đa biến.
* Xác định cấu trúc của mạng.
Cấu trúc của mạng được xác định bởi số lượng các trọng số kết nối (các thông số tự
do) và cách thức hình thành các “dòng chảy” (lan truyền dữ liệu trong mạng). Công việc
xác định cấu trúc của mạng là một trong những nhiệm vụ quan trọng nhất nhưng cũng khó
khăn nhất trong xây dựng mô hình.
5.4.1.3. Luyện mạng
Quá trình tối ưu hóa các trọng số kết nối được gọi là quá trình “luyện” mạng hay quá
trình “học”. Nó tương đương với quá trình ước lượng các tham số trong các mô hình thống
kê kinh điển. Mục tiêu của việc huấn luyện mạng đó là tìm ra tập các trọng số cho ta giá trị
nhỏ nhất toàn cục của chỉ số hiệu năng hay hàm lỗi.
Việc thực hiện huấn luyện mạng còn cần phải xem xét khả năng của mạng nơron với
một số nào đó lần thực hiện huấn luyện mạng trên các tập khởi tạo ban đầu của các tham
số. Sau khi thực hiện huấn luyện trên tất cả các tham số này cần thực hiện đánh giá lại kết
quả, từ đó đưa ra kết luận về số lần tối đa thực hiện huấn luyện cho mạng cho từng bài
toán cụ thể của mình.

Một phương pháp khác là thực hiện vẽ đồ thị có thể theo dõi trạng thái lỗi của mạng,
từ đó có thể quan sát được vùng mà mạng có trạng thái không thay đổi đối với dữ liệu vào.
5.4.1.4. Kiểm chứng mạng
Một khi mạng đã được luyện, khả năng của chúng phải được kiểm chứng bằng một
tập dữ liệu độc lập theo tiêu chí đã chọn. Nếu lỗi trong quá trình kiểm chứng có sự khác
biệt nhiều so với lỗi được nghi nhận trong quá trình luyện, điều đó chứng tỏ hai khả năng
xảy ra: Một là hai tập dữ liệu đã được sử dụng không đại diện được cho tổng thể, hai là
mạng đã được luyện quá khớp. Quá trình kiểm chứng kém đôi khi cũng do cấu trúc của
mạng thiếu hoặc đầu vào chưa xử lý,…
5.4.1.5. Khai thác mô hình
Sau khi mạng được kiểm chứng, ta có thể đưa nó vào khai thác và sử dụng:
- Sử dụng mô hình cho công tác nghiên cứu
- Sử dụng mô hình cho thiết kế
5.4.2. Xây dựng chương trình máy tính
Có rất nhiều chương trình được hỗ trợ để chạy các ứng dụng của mạng nơron. Có thể
kể đến như: Neural Works Predict, Neural Network Toolbox,…Trong đó, bộ công cụ
Neural Network Toolbox của Matlab được xem là rất hữu ích cho các ứng dụng kỹ thuật.
Matlab (Matrix Laboratory) là một ngôn ngữ lập trình thực hành bậc cao được sử
dụng để giải các bài toán về kỹ thuật. Matlab tích hợp được việc tính toán, thể hiện kết
25