tóm tắt luận văn thạc sĩ kỹ thuật nghiên cứu hệ mờ nơron theo mô hình takagi – sugeno để nhận dạng đối tượng phi tuyến

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 đối tượng phi tuyến nhằm phục vụ cho bài toán điều khiển là
cần thiết và hướng nghiên cứu chính của bản luận văn này là “Nghiên cứu
hệ Mờ Nơron theo mô hình Takagi – Sugeno để nhận dạng đối tượng
phi tuyến“.
2. Mục tiêu 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 đối tượng phi
tuyến với độ chính xác cao đáp ứng được yêu cầu của bài toán điều khiển.
Mục tiêu của luận văn là nghiên cứu về nhận dạng đối tượng; nghiên
cứu mạng nơron; nghiên cứu lý thuyết mờ cũng như khả năng kết hợp giữa
chúng để nhận dạng đối tượng phi tuyến.
3. Đối tượng và phạm vi nghiên cứu
2
Đối tượng nghiên cứu:

- Xây dựng cấu trúc hệ mờ nơron theo mô hình Takagi – Sugeno để
nhận dạng đối tượng. Ứng dụng kết quả để nhận dạng online và offline cho
một vài đối tượng thực tế.
Phạm vi nghiên cứu:
- Khai thác các nghiên cứu lý thuyết về nhận dạng đối tượng; mạng
nơron; lý thuyết mờ hiện nay, nhằm kết hợp giữa các lý thuyết trên để tìm
được cấu trúc và thuật toán nhận dạng 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
luôn được quan tâm trong 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. Nội dung nghiên cứu
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
1.4. Kết luận chương 1
Chương 2: Nhận dạng đối tượng bằng hệ mờ nơron theo mô hình
Takagi – Sugeno
2.1 Đặt vấn đề
2.2 Đối tượng phi tuyến
2.3 Ứng dụng bộ điều khiển Mờ - Nơron trong nhận dạng hệ thống
2
2.4 Ứng dụng hệ Mờ Nơron theo mô hình Takagi – Sugeno để nhận

dạng đối tượng phi tuyến
2.5 Kết luận chương 2
Chương 3: Mô phỏng kiểm chứng bằng phần mềm Matlab –
Simulink.
3.1. Nhận dạng Off-line
3.2. Nhận dạng On-line
3.3. Kết luận chương 3
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
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]
1.1.3.1 Một số phương pháp nhận dạng thông số hệ thống Off-line
• Phương pháp xấp xỉ vi phân:
• Phương pháp Gradient:
• Phương pháp tìm kiếm trực tiếp:
• Phương pháp tựa tuyến tính:
• Phương pháp sử dụng hàm nhạy:
1.1.3.2 Một số phương pháp nhận dạng thông số hệ thống On-line
• Phương pháp bình phương cực tiểu:
• Phương pháp xấp xỉ ngẫu nhiên
• Phương pháp Kalman mở rộng
Kết luận: Ở trên đã tóm tắt một số phương pháp nhận dạng đơn giản.
Kết quả đạt được của các phương pháp trên đã được sử dụng trong thực tế
nhưng hạn chế là chỉ ứng dụng được trong những đối tượng có tính phi
tuyến thấp. Khi đối tượng có tính phi tuyến cao, độ bất ổn định lớn và số

chiều lớn thì cần phải có cách tiếp cận khác, đó là sử dụng lý thuyết mờ và
mạng Nơron để nhận dạng hệ phi tuyến.
1.2. Tổng quan về lý thuyết mờ [1] [2]
Kết luận: hệ điều khiển mờ dựa trên cơ sở logic mờ có ưu điểm là
thời gian tác động nhanh, tính bền vững và ổn định cao, dễ dàng thiết kế và
thay đổi theo công nghệ sản xuất, đặc biệt là các hệ điều khiển mờ sử dụng
được các kinh nghiệm vận hành và điều khiển chuyên gia trong thuật toán
điều khiển. Chính vì các lý do trên mà điều khiển mờ được ứng dụng trong
4
những hệ thống có độ phi tuyến cao, những hệ thống mà thiếu thông tin
vào ra hoặc thông tin không chính xác nên được ứng dụng để điều khiển
những hệ thống khó hoặc không xác định được mô hình của đối tượng.
1.3. Tổng quan về mạng nơron [1] [2]
1.4. Kết luận chương 1
Chương 1 đã nêu tổng quan về nhận dạng gồm định nghĩa về nhận
dạng, sơ lược về sự phát triển của các phương pháp nhận dạng và nêu mốt
số số phương pháp nhận dạng đơn giản.Tổng quan về Hệ mờ dựa trên cơ
sở logic với luật điều khiển IF – THEN có ưu điểm là thời gian tác động
nhanh, tính bền vững và ổn định cao, dễ dàng thiết kế và thay đổi theo
công nghệ sản xuất, đặc biệt là các hệ điều khiển mờ sử dụng được các
kinh nghiệm vận hành và điều khiển chuyên gia trong thuật toán điều
khiển, tổng quan về mạng Nơron đã nêu lên lịch sử phát triển của mạng
Nơron, cấu tạo một số mạng Nơron, nêu một số ứng dựng của mạng Nơron
trong thực tế. Kết quả đạt được của các phương pháp trên là đã được sử
dụng trong thực tế . Khi đối tượng có tính phi tuyến cao, độ bất ổn định
lớn và số chiều lớn thì cần phải sử dụng lý thuyết mờ và mạng Nơron để
nhận dạng hệ phi tuyến. Chính vì các lý do trên mà Hệ Mờ - Nơron được
ứng dụng nhiều trong nhận dạng những hệ thống có độ phi tuyến cao,
những hệ thống mà thiếu thông tin vào ra hoặc thông tin không chính xác
hoặc không xác định được mô hình của đối tượng.

5
CHƯƠNG 2
NHẬN DẠNG ĐỐI TƯỢNG PHI TUYẾN BẰNG HỆ MỜ NƠRON
THEO MÔ HÌNH TAKAGI – SUGENO
2.1. Đặt vấn đề
2.2 Đối tượng phi tuyến [5]
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 trong nhận dạng hệ thống
Trong phần này ta nghiên cứu phương pháp kết hợp mạng nơron vào
bộ điều khiển logic mờ cơ bản, bộ điều khiển có cấu trúc như vậy gọi là bộ
điều khiển mờ - nơron (NFCs) hay còn gọi là hệ mờ - nơron. Nguyên tắc
của bộ điều khiển mờ - nơron là ứng dụng quá trình học của mạng để
chỉnh lại hàm liên thuộc của các tập mờ với mong muốn đầu ra thỏa mãn
yêu cầu điều khiển được đề ra.
Ta xét một mô hình nhận dạng có dạng tổng quát như hình vẽ:
Theo sơ đồ trên đây khâu nhận dạng chính là một bộ điều khiển mờ -
nơron. Xét một cấu trúc NFCs như hình vẽ 2.9, trong cấu trúc này, lớp vào
và lớp ra của mạng miêu tả trạng thái đầu vàovà tín hiệu điều khiển đầu ra,
lần lượt các lớp ẩn sẽ thực hiện chức năng như hàm liên thuộc và các luật
mờ.
6
Đối tượng
Khâu nhận
dạng
∑
-
+
Cơ cấu

thích nghi
Kích thích
đầu vào
e(k)
Hình 2.8 Sơ đồ cấu trúc nhận dạng tổng quát
Với cấu trúc 5 lớp chúng ta sẽ xây dựng các hàm tổng hợp cơ bản
của từng lớp. Mỗi nút trong mạng đều có hàm tổng hợp f, hàm tổng hợp
này sẽ kết hợp các thông tin từ các nút khác. Hàm tổng hợp được xác định
từ tín hiệu vào đối với nút và các trọng số liên kết (2.12).
)w, ,w,w,u, ,u,u(f
)k(
p
)k(
2
)k(
1
)k(
p
)k(
2
)k(
1i
=
net
(2.12)
Trong đó
)k(
p
)k(
2

)k(
1
u, ,u,u
là tín hiệu vào nút
)k(
p
)k(
2
)k(
1
w, ,w,w
là các trọng số liên kết
k là chỉ số lớp.
Qua hàm tác động a của mỗi nút sẽ tính được giá trị đầu ra của chúng
)f(a)(ao
i
)k(
i
===
netoutput
(2.13)
Lớp 1: các nút trong lớp này truyền trực tiếp tín hiệu từ đầu vào sang
lớp kế tiếp:
)1(
i
uf
=
,
f
=

a
, các trọng số kết nối
1w
)1(
i
=
(2.14)
7
Hình 2.9 Cấu trúc tổng quát của hệ mờ nơron
x
1
x
2
y
1
…
……
……
……
……
.
x
n
y
m
lớp 1
lớp 2
lớp 3
lớp 4 lớp 5
Lớp 2: mỗi nút trong lớp thể hiện một hàm liên thuộc của tín hiệu đầu

vào. giả sử hàm liên thuộc dạng chuông ta có, ta có:
2
ij
2
ij
)2(
i
ijij
j
x
)mu(
),m(Mf
i
σ
−
−=σ=
và
f
e
=
a
(2.15)
Trong đó:
ij
σ;m
ij
lần lượt là tâm và độ rộng của hàm liên thuộc thứ j với
biến đầu vàò x
i
.

Lớp 3: các liên kết trong lớp này thực hiện việc kết hợp các mệnh đề
điều kiện của luật mờ.

)u, ,u,umin(f
)3(
p
)3(
2
)3(
i
=
, và
fa
=
(2.16)
Các trọng số kết nối trong lớp 3 (
)3(
i
w
) có giá trị đồng nhất.
Lớp 4: mỗi nút trong lớp này tương ứng với mệnh đề kết luận của luật
mờ.
∑
=
i
)4(
i
uf
và
)f,1min(a =

(2.17)
Lớp 5: lớp này sẽ thực hiện việc tính giá trị đầu ra của mạng (giải mờ).
Nếu
ij
σ;m
ij
lần lượt là tâm và độ rộng của hàm liên thuộc thứ j với biến đầu
ra thứ i và sử dụng giải mờ theo phương pháp trọng tâm thì:

∑∑
σ==
j
)5(
ijijij
j
)5(
ij
)5(
ij
u)m(uwf
và
∑
σ
=
j
)5(
ijij
u
f
a

(2.18)
Trọng số của lớp này là
)5(
ij
)5(
ij
)5(
ij
mw
σ=
Sử dụng thuật toán lan truyền ngược cho quá trình học. Xét một đầu ra
tổng quát hàm mục tiêu sai lệch được xác định:
2d
))t(y)t(y((
2
1
E −=
(2.19)
Trong đó:
)t(y
d
là đầu ra mong muốn
)t(y
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 tiểu
hoá hàm mục tiêu sai lệch bằng cách sử dụng phép lặp (ví dụ chỉnh định
trọng số liên kết)

)

w
E
()t(w)1t(w
∂
∂
−η+=+
(2.20)
Với hệ số học được xác định trong khoảng:
10 <η<
8
w
)a(
)a(
E
w
)functionactivation(
)functionactivation(
E
w
E
∂
∂
⋅
∂
∂
=
∂
∂
⋅
∂

∂
=
∂
∂

(2.21)
Với hệ NFCs như Hình 2.9 luật cập nhật các thông số của các lớp được
thực hiện như sau:
2.4. Ứng dụng hệ Mờ - Nơron theo mô hình Takagi – Sugeno để nhận
dạng đối tượng phi tuyến
Để nhận dạng hệ thống trong luận văn dùng hệ Mờ - Nơron với luật
mờ Takagi - Sugeno (T-S). Mô hình mờ (T-S) lần đầu tiên được đề xuất
bởi Takagi và Sugeno vào năm 1985. Điểm khác nhau cơ bản giữa hai mô
hình mờ Takagi - Sugeno và mô hình mờ Mamdani là mệnh đề kết luận
của các luật mờ. Mệnh đề kết luận trong mô hình mờ T-S luôn là những
hàm giá trị thực, nó thay thế cho các tập mờ.
Giả sử luật mờ thứ j trong mô hình mờ T-S có dạng:
j j j
1 1 2 2 n n
j j j j
j 0 1 1 2 2 n n
NÕu x lµ A vµ x lµ A vµ vµ x lµ A
Th× y f a a x a x a x
= = + + + +
(2.40)
Với: x
i
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
)x(
i
A
j
i
µ
;
j
i
a
là hệ số.
Trong đó:
1 ni == ;m 1j
Nếu f
j
là một hằng số không phụ thuộc vào các giá trị x
1
, x
2
, , x
n
thì
mô hình mờ T-S được gọi là mô hình bậc không.
Nếu f
j
được xác định như (2.40) thì mô hình mờ T-S được gọi là mô
hình bậc một.
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:
2
1
21
1
1
1
01
xaxaaif:R ++==
1
1
22
1
11
fy then A is x and A is x
(2.41)
2
2
21
2
1
2
02
xaxaaif:R ++==
2
2

22
2
11
fy then A is x and A is x
(2.42)
x ;
21
x
là các biến đầu vào.
Hàm đầu ra
y
được xác định bởi:
21
2211
µµ
µµ
+
+
=
ff
y
(2.43)
9
Với:
)x().x(
)x().x(
2
A
1
A

2
2
A
1
A
1
2
2
2
1
1
2
1
1
µµ=µ
µµ=µ
(2.44)
Mạng nơron thực hiện luật mờ (2.41),(2.42) có cấu trúc như Hình 2.10:
Lớp 1: nhiệm vụ truyền tín hiệu đầu vào sang lớp tiếp theo.
Lớp 2: tất cả các nút trong lớp này thực hiện chức năng như hàm liên
thuộc. Đầu ra của chúng chỉ rõ độ thoả mãn của biến đầu vào x
i
với mỗi
biến A
i
j
. Hàm liên thuộc thường chọn có dạng:
2
j
i

j
ii
i
A
]
mx
[1
1
)x(
j
i
σ
−
+
=µ
(2.45)
2
j
i
j
i
i
j
i
)
mx
(
i
A
e)x(

σ
−
−
=µ
(2.46)
ij
;
σ
ij
m
lần lượt là tâm và độ rộng của hàm liên thuộc
Lớp 3: thực hiện phép toán trong mệnh đề điều kiện, có thể thực hiện
theo luật min, max hoặc tích đại số.
)x().x(
)x().x(
2
A
1
A
2
2
A
1
A
1
2
2
2
1
1

2
1
1
µµ=µ
µµ=µ
(2.47)
Lớp 4: thực hiên phép toán:
21
2
2
21
1
1
;
µ+µ
µ
=µ
µ+µ
µ
=µ

(2.48)
Lớp 5: tính giá trị đầu ra của hệ:
2211
ffy
µµ
+=
(2.49)
Chúng ta có thể cập nhật các thông số của mạng theo các biểu thức từ
(2.22) đến (2.39).

10
x
1
x
2
A
1
1
A
1
2
A
2
2
A
2
1
)x(
1
A
1
1
µ
lớp 1
lớp 2
lớp 3
lớp 4
lớp 5
)x(
1

A
2
1
µ
)x(
2
A
1
2
µ
)x(
2
A
2
2
µ
1
µ
2
µ
1
µ
2
µ
Hình 2.10 Cấu trúc mạng nơron theo luật mờ T-S
y
2.5. Kết luận chương 2
Trong chương 2 đã nêu tổng quan về đối tượng phi tuyến gồm mô tả
về đối tượng phi tuyến, mô hình tĩnh và động của hệ phi tuyến.
Ứng dụng Hệ Mờ - Nơron theo mô hình Takagi – Sugeno để nhận

dạng đối tượng phi tuyến. Đã xây dựng được cấu trúc tổng quát của hệ mờ
- nơron cũng như đưa ra thuật toán cập nhật thông số của mạng nơron
trong quá trình nhận dạng hệ phi tuyến.
11
CHƯƠNG 3
MÔ PHỎNG KIỂM CHỨNG BẰNG PHẦN MỀM
MATLAB - SIMULINK
3.1. Nhận dạng Off-line
3.1.1 Nhận dạng đối tượng 1 đầu vào
Cho đối tượng phi tuyến có dạng: y = 0.15sin(x)+ sin(3x)e
-5x
(3.1)
Với bộ số liệu gồm có 1501 bộ dữ liệu vào – ra thể hiện tại Phụ lục
PL02b, đoạn chương trình nhận dạng thể hiện trong Phụ lục PL01a.
Thiết lập Hệ Mờ - Nơron theo mô hình T-S với hàm liên thuộc có dạng
[gbellmf], thực hiện phép and theo luật tích đại số, giải mờ theo phương
pháp trung bình. Với 10 hàm liên thuộc đầu vào và 10 luật mờ khi đó cấu
trúc của mạng có dạng như hình 3.1, dạng hàm liên thuộc trước khi huấn
luyện như hình 3.2. Sau 587 chu kỳ huấn luyện mạng thì hàm liện thuộc
của đầu vào có dạng như hình 3.3, tín hiệu ra của mạng, tín hiệu ra của đối
tượng và sai lệch giữa chúng như hình 3.4.
12
Hình 3.1 Cấu trúc mạng nhận dạng
Nhận xét: Với đối tượng phi tuyến trên sau khi thực hiện quá trình
nhận dạng bằng Hệ mờ - nơron theo mô hình T-S, sau 587 chu kỳ huấn
luyện đã đạt tới sai lệch là 0.000176283, với sai số này là rất nhỏ.
3.1.2 Nhận dạng đối tượng 2 đầu vào
Cho đối tượng phi tuyến có dạng: y = sin(0.2x
1
)+ sin(5x

2
) e
-5x2
(3.2)
Với bộ số liệu gồm có 1001 bộ dữ liệu vào - ra thể hiện tại Phụ lục
PL02b, đoạn chương trình nhận dạng thể hiện trong Phụ lục PL01b.
Thiết lập Hệ Mờ - Nơron theo mô hình T-S với hàm liên thuộc có dạng
[gbellmf], thực hiện phép and theo luật tích đại số, giải mờ theo phương
pháp trung bình. Với 6 hàm liên thuộc đầu vào của x
1
, 5 hàm liên thuộc
đầu vào của x
2
và 30 luật mờ khi đó cấu trúc của mạng có dạng như hình
3.5, dạng hàm liên thuộc trước khi huấn luyện như hình 3.6. Sau 1200 chu
kỳ huấn luyện mạng thì hàm liện thuộc của đầu vào có dạng như hình 3.7,
13
Hình 3.2 Dạng hàm liên thuộc trước
khi nhận dạng
Hình 3.3 Dạng hàm liên thuộc sau
khi nhận dạng
Hình 3.4 Tín hiệu đầu ra của đối tượng,
mạng và sai lệch giữa chúng
tín hiệu ra của mạng, tín hiệu ra của đối tượng và sai lệch giữa chúng như
hình 3.8.

14
Hình 3.5 Cấu trúc mạng nhận
dạng
Hình 3.8 Tín hiệu đầu ra của đối tượng, mạng và sai lệch giữa chúng

Hình 3.6 Dạng hàm liên thuộc trước khi nhận dạng
Hình 3.7 Dạng hàm liên thuộc sau khi nhận dạng
Nhận xét: Với đối tượng phi tuyến trên sau khi thực hiện quá trình
nhận dạng bằng Hệ mờ - nơron theo mô hình T-S, sau 1200 chu kỳ huấn
luyện đã đạt tới sai lệch là rất nhỏ.
3.1.3 Nhận dạng đối tượng 3 đầu vào
Cho đối tượng phi tuyến có dạng:
y = 0.15sin(2x
1
)+ 0.5sin(5x
2
)+ sin(2x
3
) e
-5x3
(3.3)
Với bộ số liệu gồm có 501 bộ dữ liệu vào - ra thể hiện tại Phụ lục
PL02c, đoạn chương trình nhận dạng thể hiện trong Phụ lục PL01c.
Thiết lập Hệ Mờ - Nơron theo mô hình T-S với hàm liên thuộc có dạng
[gbellmf], thực hiện phép and theo luật tích đại số, giải mờ theo phương
pháp trung bình. Với 4 hàm liên thuộc đầu vào của x
1
, 5 hàm liên thuộc
đầu vào của x
2,
7 hàm liên thuộc đầu vào của x
3
và 140 luật mờ khi đó cấu
trúc của mạng có dạng như hình 3.9, dạng hàm liên thuộc trước khi huấn
luyện như hình 3.10a,b,c. Sau 420 chu kỳ huấn luyện mạng thì hàm liện

thuộc của đầu vào có dạng như hình 3.11a,b,c, tín hiệu ra của mạng, tín
hiệu ra của đối tượng và sai lệch giữa chúng như hình 3.12.
15
Hình 3.9 Cấu trúc mạng nhận dạng
Hình 3.10a Dạng hàm liên thuộc trước
khi nhận dạng của đầu vào 1
Hình 3.10b Dạng hàm liên thuộc trước
khi nhận dạng của đầu vào 2
Nhận xét: Với đối tượng phi tuyến ba đầu vào (3.3) sau khi thực
hiện quá trình nhận dạng offline bằng Hệ mờ - nơron theo mô hình T-S,
sau 420 chu kỳ huấn luyện đã đạt tới sai lệch là 0.000364908, với sai số
này là rất nhỏ có thể chấp nhận được.
16
Hình 3.10c Dạng hàm liên thuộc trước
khi nhận dạng của đầu vào 3
Hình 3.11a Dạng hàm liên thuộc sau
khi nhận dạng của đầu vào 1
Hình 3.11b Dạng hàm liên thuộc sau
khi nhận dạng của đầu vào 2
Hình 3.11c Dạng hàm liên thuộc sau
khi nhận dạng của đầu vào 3
Hình 3.12 Tín hiệu đầu ra của đối tượng, mạng
và sai lệch giữa chúng
3.2 Nhận dạng đối tượng On-line
Xét đối tượng nhận dạng là tay máy một khâu như hình 3.13, theo [3] ta
đặt:
J: Mômen quán tính của cánh tay máy.
M: Khối lượng của cánh tay máy.
m: Khối lượng vậy nặng.
l: Chiều dài cánh tay máy.

l
c
: Khoảng cách từ trọng tâm tay máy đến
trục quay.
B: Hệ số ma sát nhớt.
g: Gia tốc trọng trường.
u(t): Mômen tác động lên trục quay của
cánh tay máy.
Ɵ(t): Góc quay (vị trí) của cánh tay máy.
Theo định luật Newton ta có:
(J + ml
2
)Ӫ(t) + B
θ

(t) + (ml + Ml
c
)gcosƟ = u(t)
=> Ӫ(t)
)(
)(
1
cos
)(
)(
)(
)(
222
tu
mlJ

g
mlJ
Mlcml
t
mlJ
B
+
+
+
+
−
+
−=
θθ

(3.4)
Ta viết phương trình dưới dạng Phương trình vi phân ta có:
Đặt biến trạng thái:



=
=
)()(
)()(
2
1
ttx
ttx
θ

θ

Ta có hệ phương trình trạng thái như sau:









=
+
+
+
+
−
+
−=
=
1
2
1
2
2
2
2
2
1

)(
1
cos
)(
)(
)(
xy
u
mlJ
xg
mlJ
Mlml
x
mlJ
B
dt
dx
x
dt
dx
c
(3.5)
Hay có dạng:
17
m
Ɵ
l
u
Hình 3.13 Mô hình tay máy một khâu




−=
=
GuxxFx
xx
),(
212
21


(3.6)
Trong đó:
1
2
2
2
21
cos
)(
)(
)(
),( xg
mlJ
Mlml
x
mlJ
B
xxF
c

+
+
−
+
−=
và
)(
1
2
mlJ
G
+
=
Từ hệ phương trình trên ta xây dựng sơ đồ cấu trúc của hệ như hình vẽ
Như vậy để nhận dạng đối tượng phi tuyến động có dạng tổng quát
như (3.6) ta có thể dùng mạng tĩnh với cấu trúc như hình 3.15. Trong đó
nhận dạng F(x
1
,x
2
) ta dùng Hệ mờ - nơron theo mô hình TS ở chế độ
online.
Thực tế để nhận dạng đối tượng (3.6) thì ta chỉ nhận dạng khâu
F(x
1
,x
2
) với sơ đồ trong Matlab simulink như hình 3.15 và sơ đồ hình 3.14
như hình 3.16.
18

Bộ
nhân
2
x

u
Bộ
cộng
(-)
Hệ mờ - nơron
nhận dạng F(x
1
,x
2
)
Khâu
tích
phân
Khâu
tích
phân
2
x
1
x

1
x
(+)
Hình 3.14 Sơ đồ cấu trúc hệ tay máy một khâu

F(x
1
,x
2
)
G
Hình 3.15 Sơ đồ nhận dạng F(x
1
,x
2
)
Với bộ các thông số của hệ như sau:
l = 0,5m, l
c
= 0,2m, m = 0,1kg, M = 0,2kg
J = 0,02 kg.m
2
, B = 0,005, g = 9,81m/s
2
Sau khi tiến hành chạy chương trình nhận dạng F(x
1
,x
2
) ta có kết quả
như sau:
Trong thời gian 30s nhận dạng ta có kết quả như sau:
- Đồ thị biến thiên của các trọng số trong mệnh đề kết luận của luật
T-S a
0
, a

1
, a
2
như hình 3.17a,b,c. Tâm m và độ rộng
σ
của hàm liên thuộc
biến thiên như hình 3.18.
19
Hình 3.16 Sơ đồ khối của khâu F(x
1
,x
2
) trong Matlab Simulink
0 5 10 15 20 25 30
0
5
10
15
20
25
30
35
40
Hình 3.17a Trọng số a
0
(30s)
0 5 10 15 20 25 30
0
5
10

15
20
25
Hình 3.17b Trọng số a
1
(30s)
rad/s
rad/s
s
s
- Kết quả nhận dạng thu được với tín hiệu ra của đối tượng, tín hiệu
ra của mô hình NFCs thể hiện trên hình 3.19a,b
20
Hình 3.17c Trọng số a
2
(30s)
0 5 10 15 20 25 30
-4
-2
0
2
4
6
8
10
Hình 3.18 Tâm m và độ rộng của hàm
liên thuộc (30s)
0 5 10 15 20 25 30
-5
0

5
10
15
20
25
30
0 5 1 0 15 20 25 3 0
-2 0
-1 5
-1 0
-5
0
5
10
15
20
0 5 10 15 20 25 30
-20
-15
-10
-5
0
5
10
15
20
Hình 3.19a Tín hiệu ra của đối
tượng (30s)
Hình 3.19b Tín hiệu ra của mô
hình NFCs(30s)

Trong thời gian 50s nhận dạng ta có kết quả như sau:
- Đồ thị biến thiên của các trọng số trong mệnh đề kết luận của luật
T-S a
0
, a
1
, a
2
như hình 3.20a,b,c. Tâm m và độ rộng
σ
của hàm liên thuộc
biến thiên như hình 3.21.
21
0 5 10 15 20 25 30 35 40 45 50
0
5
10
15
20
25
30
35
40
Hình 3.20a Trọng số a
0
(50s)
0 5 10 15 20 25 30 35 40 45 50
0
5
10

15
20
25
Hình 3.20b Trọng số a
1
(50s)
Hình 3.21 Tâm m và độ rộng của hàm
liên thuộc (50s)
0 5 10 15 20 25 30 35 40 45 50
-5
0
5
10
15
20
25
30
Hình 3.20c Trọng số a
2
(50s)
0 5 10 15 20 25 30 35 40 45 50
-4
-2
0
2
4
6
8
10
- Kết quả nhận dạng thu được với tín hiệu ra của đối tượng, tín hiệu

ra của mô hình NFCs và sai lệch giữa tín hiệu ra của đối tượng và mô hình
NFCs thể hiện trên hình 3.22a,b,c,d
22
0 5 1 0 15 20 25 3 0 3 5 40 45 50
-2 0
-1 5
-1 0
-5
0
5
1 0
1 5
2 0
Hình 3.22a Tín hiệu ra của đối
tượng (50s)
0 5 10 15 2 0 25 30 3 5 40 45 5 0
-2 0
-1 5
-1 0
-5
0
5
10
15
20
Hình 3.22b Tín hiệu ra của mô hình
NFCs(50s)
s
s
rad/s rad/s

0 5 10 15 20 25 30 35 40 45 50
-2 0
-1 5
-1 0
-5
0
5
10
15
20
Hình 3.22d Tín hiệu ra của đối
tượng và mô hình NFCs và sai số
giữa chúng (50s)
Hình 3.22c Sai số giữa tín hiệu ra
của đối tượng và mô hình NFCs(50s)
0 5 1 0 15 20 25 30 35 40 45 50
-1 0
-5
0
5
10
15
20
s
s
rad/s
rad/s
Nhận xét: Với lớp đối tượng phi tuyến (3.6) sau khi thực hiện quá
trình nhận dạng online theo sơ đồ (3.15) bằng Hệ Mờ - Nơ ron theo mô
hình T-S, với hàm liên thuộc có dạng (2.46) cho ta kết quả rất chính xác.

3.3. Kết luận chương 3
Qua kết quả mô phỏng nhận dạng đối tượng phi tuyến bằng phần
mềm Matlab – Simulink nhận thấy: dùng hệ mờ - nơron theo mô hình
Takagi – Sugeno để nhận dạng đối tượng phi tuyến cho ta kết quả nhận
dạng tương đối chính xác trong cả trường hợp nhận dạng on-line và nhận
dạng off-line.
Với hệ động học phi tuyến có dạng (3.6) thì ta có thể dùng mô hình
NFCs tĩnh để nhận dạng hệ động học phi tuyến với cấu trúc như hình 3.14
23
KẾT LUẬN
Luận văn đã giải quyết được các vấn đề sau:
Đề xuất hướng nghiên cứu dùng hệ mờ - nơron để nhận dạng hệ phi
tuyến. Luật mờ sử dụng trong hệ mờ - nơron này theo mô hình Sugeno.
Xây dựng được hệ mờ - nơron tĩnh với cấu trúc 5 lớp, trong đó: lớp 1
làm nhiệm vụ nhận tín hiệu vào; lớp 2 làm nhiệm vụ mờ hoá, tạo hàm liên
thuộc; các lớp 3, 4 lần lượt thực hiện các phép toán trong mệnh đề điều
kiện và mệnh đề kết luận của các luật mờ; lớp 5 tính tín hiệu ra của mạng -
giải mờ.
Đưa ra được thuật toán cập nhật các thông số trong quá trình nhận
dạng. Trong quá trình nhận dạng, mạng được luyện theo phương pháp lan
truyền ngược sai lệch. 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.
Với đối tượng động học phi tuyến có dạng (3.6) thì ta có thể dùng
mô hình NFCs tĩnh để nhận dạng hệ động học phi tuyến với cấu trúc như
hình 3.14 và cấu trúc của hệ NFCs như hình 2.9
Thông qua quá trình mô phỏng quá trình nhận dạng bằng ngôn ngữ
Matlab 7.01 ta nhận được kết quả nhận dạng có độ chính xác cao. .
Hướng đề xuất nghiên cứu tiếp theo:
Nghiên cứu hệ mờ - nơron động để nhận dạng các hệ động học phi

tuyến.
Nghiên cứu các phương pháp điều khiển hệ động học phi tuyến sau
khi đã nhận dạng được bằng hệ NFCs.
24
TÀI LIỆU THAM KHẢO
[1] Bùi Công Cường - Nguyễn Doãn Phước (2001), “Hệ mờ mạng
Nơron và ứng dụng”, Nhà xuất bản khoa học kỹ thuật.
[2] Nguyễn Như Hiển - Lại Khắc Lãi (2007), “Hệ Mờ & Nơron trong
kỹ thuật điều khiển”, Nhà Xuất bản khoa học tự nhiên và công nghệ, Hà
Nội.
[3] Huỳnh Thái Hoàng (2006), “Hệ thống điều khiển thông minh”,
Nhà xuất bản Đại học quốc gia Thành phố Hồ Chí Minh.
[4] Phan Xuân Minh - Nguyễn Doãn Phước (1999), “Lý thuyết điều
khiển Mờ”, Nhà Xuất bản khoa học và Kỹ thuật, Hà Nội.
[5] Nguyễn Doãn Phước - Phan Xuân Minh – Hán Thành Trung
(2003), “Hệ phi tuyến”, Nhà Xuất bản khoa học và Kỹ thuật, Hà Nội.
[6] Nguyễn Doãn Phước - Phan Xuân Minh, “Nhận dạng hệ thống
điều khiển”, Nhà xuất bản khoa học và kỹ thuật, Hà Nội.
[7] Nguyễn Trọng Thuần, Đỗ Trung Hải (2007), “Ứng dụng lý thuyết
mờ và mạng nơron để nhận dạng động học hệ có tính phi tuyến mạnh”,
Tạp chí Khoa học & công nghệ các trường Đại học kỹ thuật, Số 60, Trang
(21-26), Hà Nội.
25