tóm tắt luận văn thạc sĩ kỹ thuật NGHIÊN cứu ỨNG DỤNG MẠNG NƠRON TRONG NHẬN DẠNG và điều KHIỂN đối TƯỢNG ĐỘNG học PHI TUYẾN

1

ĐẠI HỌC THÁI NGUYÊN
TRƯỜNG ĐẠI HỌC KỸ THUẬT CÔNG NGHIỆP







PHẠM VĂN HƯNG









NGHIÊN CỨU ỨNG DỤNG MẠNG NƠRON TRONG
NHẬN DẠNG VÀ ĐIỀU KHIỂN ĐỐI TƯỢNG ĐỘNG HỌC PHI TUYẾN


Chuyên ngành : Tự Động Hóa
Mã số :



TÓM TẮT LUẬN VĂN THẠC SỸ KỸ THUẬT

THÁI NGUYÊN - 2010
2

Luận văn được hoàn thành tại Trường Đại học Kỹ thuật Công nghiệp Thái
Nguyên.
Cán bộ HDKH : PGS.TS. Nguyễn Hữu Công
Phản biện 1 : PGS.TS. Nguyễn Doãn Phước
Phản biện 2 : TS. Nguyễn Duy Cương
Luận văn đã được bảo vệ trước hội đồng chấm luận văn, họp tại: Phòng cao
học số 3, trường Đại học Kỹ thuật Công nghiệp Thái Nguyên. Vào 10 giờ
00 phút
ngày 07 tháng 10 năm 2010.
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
Trong những năm gần đây mạng nơron nhân tạo ANN (Artificial Neural
Network) ngày càng được ứng dụng rộng rãi trong nhận dạng, điều khiển và tính
toán mềm vì những ưu điểm như khả năng xử lý song song, tố
c độ cao … nên

được ứng dụng trong nhiều lĩnh vực như: công nhiệp, năng lượng, y học, tài
nguyên nước và khoa học môi trường. Đặc biệt trong lĩnh vực kỹ thuật môi trường,
ANN ngày càng chứng tỏ được vai trò trong nhận dạng và điều khiển các quá trình
xử lý phức tạp mà các phương pháp khác không có được.
Tuy nhiên các tác giả đã nghiên cứu ở trên khi luyện mạng nơron sử dụng các
Toolbox của Matlab, thường ta sẽ không loạ
i bỏ được những mẫu học bị nhiễu. Đề
tài sẽ đưa ra một thuật toán loại bỏ những mẫu học bị nhiễu và sẽ làm giảm sai số
trong quá trình huấn luyện mạng. Ta sẽ nghiên cứu cho một số đối tượng động học
phi tuyến.
Căn cứ vào những nhận xét, đánh giá trên, tôi chọn đề tài: “Nghiên cứu ứng
dụng mạng nơron trong nhận d
ạng và điều khiển đối tượng động học phi
tuyến” .
Kết cấu của luận văn gồm:
Mở đầu
Chương 1: Tổng quan việc ứng dụng mạng nơron trong nhận dạng và điều
khiển đối tượng động học phi tuyến
Chương 2: Nhận dạng đối tượng động học phi tuyến sử dụng mạng nơ
ron
Chương 3: Ứng dụng mạng nơron để điều khiển bể xử lý nước thải theo mô
hình mẫu
3

Chương 4: Nghiên cứu cải tiến thuật toán học của mạng nơron trong bài toán
nhận dạng bể xử lý nước thải
Kết luận và kiến nghị
Tôi xin trân trọng bày tỏ lòng biết ơn sâu sắc đến thầy HDKH. PGS.TS
Nguyễn Hữu Công - Người đã hướng dẫn tận tình và giúp đỡ tôi hoàn thành luận
văn thạc sĩ này.

Tôi xin chân thành cám ơn Ban Giám Hiệu Trường Đại Học Kỹ thuật Công
nghiệp, Khoa đào tạo sau Đại học các thầy cô ở Khoa Điện, Khoa Điện tử –
Trường Đại học Kỹ thuật Công nghiệp đã đóng góp nhiều ý kiến và tạo điều kiện
thuận lợi cho tôi hoàn thành luận văn.
Tôi xin chân thành cám ơn!
Thái Nguyên, ngày 14 tháng 10 năm 2010
Người thực hiện



Phạm Văn Hưng
4

w
1

p
+


f

w
2

p
w
n

p

.
.
b
1
H
ình 1.2 Mô hình nơron nhiều
đ
ầu
a n
CHƯƠNG 1
TỔNG QUAN VIỆC ỨNG DỤNG MẠNG NƠRON TRONG
NHẬN DẠNG VÀ ĐIỀU KHIỂN ĐỐI TƯỢNG ĐỘNG HỌC PHI TUYẾN
1.1. Giới thiệu tóm tắt về mạng nơron
1.1.1 Mạng nơron sinh học
Mạng nơron là sự tái tạo bằng kỹ thuật những chức năng của hệ thần kinh
con người. Trong quá trình tái tạo không phải tất cả các chức n
ăng của bộ não con
người có đều được tái tạo mà chỉ có những chức năng cần thiết. Bên cạnh đó có
những chức năng mới được tạo ra nhằm giải quyết một bài toán điều khiển đã định
trước.
1.1.2 Mạng nơron nhân tạo (Artificial Neural network - ANN)
Từ những nghiên cứu tính chất cơ bản của mạng nơron sinh học. Người ta thay thế
nhữ
ng tính chất này bằng một mô hình toán học tương đương được gọi là mạng
nơron nhân tạo. Mạng nơron nhân tạo có thể được chế tạo bằng nhiều cách khác
nhau vì vậy trong thực tế tồn tại rất nhiều kiểu mạng nơron nhân tạo.

1.1.3 Cấu trúc mạng nơron
Trong điều khiển tự động, để xây dựng được các hệ thống đi
ều khiển tự
động, trước tiên phải xác định được mô hình thích hợp cho đối tượng và xác định
các tham số của mô hình. Ở đây mô hình được sử dụng để thay thế cho đối tượng
là một mạng nơron. Vậy ta phải xác định được cấu trúc hợp lý cho mạng nơron và
huấn luyện các tham số của mạng. Tuỳ theo các đặc tính của mạng nơron là động
học tuyến tính, phi tuyến tĩ
nh, hay động học phi tuyến mà ta có thể phân thành 3
loại như sau:
5

¾ Mạng nơron động học tuyến tính: Quan hệ vào và ra của mạng nơron có
tính chất động học tuyến tính.
¾ Mạng nơron phi tuyến tĩnh: Quan hệ vào và ra của mạng có tính chất phi
tuyến tĩnh.
¾ Mạng nơron động học phi tuyến: Quan hệ vào và ra của mạng có tính chất
động học và phi tuyến.
1.1.4 Huấn luyện mạng nơron
Trong hai bài toán nhận dạng và thiết k
ế bộ điều khiển nơron ta phải xác
định cấu trúc và tham số của mạng nơron. Đầu tiên là phải xác định cấu trúc của
mạng, sau đó là xác định tham số của mạng. Việc xác định tham số của mạng được
thực hiện bằng phương pháp huấn luyện mạng.

 Phương pháp huấn luyện mạng nơron động học phi tuyến
 Ứng dụng m
ạng nơron trong điều khiển tự động
Nhờ sự phát triển mạnh mẽ về khả năng tính toán và xử lý ngày càng mạnh
của máy tính, nhờ đó mà trong lĩnh vực điều khiển tự động mạng nơron được ứng
dụng để giải quyết hai bài toán sau:
¾ Nhận dạng đối tượng. Các đối tượng ở đây với đặc tính có thể là động
học tuyến tính, phi tuyến tĩnh hoặc động học phi tuyến.
¾ Thiết kế bộ điều khiển nơron.
Theo lý thuyết đã chứng minh mạng nơron là một bộ xấp xỉ đa năng có thể
dùng làm mô hình toán học để thay thế cho một đối tượng với sai số cho trước nào
đó. Đồng thời khả năng xấp xỉ đa năng của mạng nhiề
u lớp tạo ra một sự lựa chọn
ưa thích cho việc mô hình hoá các đối tượng phi tuyến và thực hiện các bộ điều
khiển phi tuyến đa năng.
Mạng nơron được ứng dụng trong điều khiển tự động với 3 bài toán:
¾ Điều khiển dự báo mô hình: Model Predictive Control (MPC).
¾ Điều khiển tuyến tính hoá phản hồi: NARMA-L2 (Feedback
Linearization Cotrol).
¾ Điều khiển theo mô hình mẫu: Model Reference Control.
1.2.
Tình hình nghiên cứu trong và ngoài nước liên quan đến đề tài
1.2.1 Tình hình nghiên cứu trong nước
6

 Nguyễn Đắc Nam (2008),“Nghiên cứu ứng dụng mạng nơron truyền thẳng
nhiều lớp nhận dạng vị trí robot hai khâu”, Luận văn Thạc sỹ, Trường Đại
học Kỹ thuật Công nghiệp.
 Vũ Thanh Du,“Nghiên cứu ứng dụng mạng nơron để nhận dạng và điều
khiển hệ thống phi tuyến”, Luận văn Thạc s

ỹ, Trường Đại học Kỹ thuật
Công nghiệp.
 Nguyễn Sĩ Dũng, Lê Hoài Quốc,“Một số thuật toán về huấn luyện mạng
neural network trên cơ sở phương pháp conjugate Gradient”, Đại học Công
nghiệp TPHCM và Đại học Bách khoa TPHCM.
 Nguyễn Kỳ Phùng, Nguyễn Khoa Việt Trường,“Mô hình hoá các quá trình
xử lý nước thải bằng mạng nơron nhân tạo”,Trường Đại học Khoa học Tự
nhiên Đại học Quốc gia Thành phố Hồ Chí Minh.
 Đỗ Trung Hải (2008) “Ứng dụng lý thuyết mờ và mạng nơron để điều khiển
hệ chuyển động”, Luận án tiến sỹ, Trường Đại học Bách khoa Hà Nội.
1.2.2 Tình hình nghiên cứu ngoài nước
 R.K. Al Seyab, Y. Cao (2007)“Nonlinear system identification for
predictive control using continuous time recurrent neural networks and
automatic differentiation”, School of Engineering Cranfield University,
College Road, Cranfield, Bedford MK43 0AL, UK, Science Direct.
 Maciej Lawrynczuk (2010), “Training or neural models for predictive
control”, Insitute of control and computation Engineering, Faculty of
Electronics and Information Technology, Warsaw University of
Technology, ul. Nowowiejska 15/19, 00-665 Warsaw, Poland,
Neurocomputing 73.
 Jaroslava Žilková, Jaroslav Timko, Peter Girovský, “Nonlinear System
Control Using Neural Networks”, Department of Electrical Drives and
Mechatronic, Technical University of Kosice, Hungary.
 Ghania Debbache - Abdelhak bennia (2006), “Neural network base MRAC
control of dynamic nonlinear systems” Electrical Engineering Institute,
Oum El-Bouaghi University 04000 Oum El-Bouaghi Algeria -Electronic
Department, Constantine University 25000 Constantine Algeria.


7

1.2.3 Nhận xét và lựa chọn hướng nghiên cứu
Các nghiên cứu trong nước về cơ bản còn dừng lại ở mức độ sử dụng các
thuật toán huấn luyện mạng cơ bản và áp dụng cho những đối tượng có mô hình
chưa có độ phức tạp cao. Tuy nhiên trong những năm gần đây các tác giả trong
nước cũng đang chuyển hướng nghiên cứu sang lĩnh vực tìm ra thuật toán luyện
mạng mới nhằm cải tiến thuật toán học cơ bản cũng như tăng độ hội tụ và giảm
thời gian huấn luyện mạng.
Các công trình nghiên cứu ngoài nước hầu hết đều theo hướng áp dụng
những thuật toán mới nhằm giải quyết những bài toán nhận dạng mô hình động
học phi tuyến. Tuy nhiên với đối tượng động học phi tuyến thì việc nhận dạng và
điều khiển sẽ gặp rất nhiều khó khăn đòi hỏi phải giải các bài toán tối ưu để tăng
độ hội tụ trong quá trình tính toán và giảm thời gian luyện mạng.
1.3. Kết luận chương 1
Đã giới thiệu tóm tắt về kiến thức cơ bản của mạng nơron. Đồng thời giới
thiệu các dạng mô hình của mạng nơron, các thuật toán huấn luyệ
n mạng và các
bài toán với mạng nơron.
Căn cứ việc phân tích tình hình nghiên cứu trong và ngoài nước để làm tiền
đề định hướng nghiên cứu cho đề tài này. Hi vọng kết quả sẽ áp dụng tốt cho
những dạng bài toán nhận dạng và điều khiển đối tượng động học phi tuyến
trên cơ sở mạng nơron như bể xử lý nước thải để giải quyết vấn đề
đang tồn
tại của nhiều quốc gia.
CHƯƠNG 2
NHẬN DẠNG ĐỐI TƯỢNG ĐỘNG HỌC PHI TUYẾN
SỬ DỤNG MẠNG NƠRON
2.1. Giới thiệu hệ động học phi tuyến
2.1.1 Giới thiệu chung
Hệ động học phi tuyến bao gồm hai đặc tính là tính động học và tính phi

tuyến. Tính phi tuyến được thể hiện ở hệ thống không thỏa mãn nguyên tắc xếp
ch
ồng. 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 thường
hệ được biểu diễn bởi quan hệ vi phân và tích phân.
2.1.2 Mô hình mô tả hệ động học phi tuyến dưới dạng rời rạc
8

Bốn mô hình của các hệ thời gian rời rạc giới thiệu ở đây có thể biểu diễn
bằng các phương trình vi phân phi tuyến và các khối trễ.
2.2. Nhận dạng hệ động học phi tuyến
2.2.1. Khái quát chung
 Tại sao phải nhận dạng
Xét một bài toán điều khiển theo nguyên tắc phản hồi như trên hình 2.5:

Muốn tổng hợp được bộ điều khiể
n cho đối tượng hệ kín có được chất lượng
như mong muốn thì trước tiên phải hiểu biết về đối tượng, tức là cần phải có một
mô hình toán học mô tả đối tượng. Không thể điều khiển đối tượng 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 tượng. Mô hình càng chính xác, hiệu suất công việc càng
cao.
 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 Zadeh định nghĩa vào n
ăm 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 tìn hiệu vào ra.
- Mô hình tìm được phải có sai số với đối tượng là nhỏ nhất.
Theo định nhĩa này thì những bài toán nhận dạng sẽ phải được phân biệt với
nhau ở ba điểm chính, đó là:
- Lớp mô hình thích h
ợp. 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).
Bộ điều
khiển
Đối tượng
điều khiển
w(t)
e(t)
u(t)
y(t)
-
Hình 2.5: Điều khiển theo nguyên tắc phản hồi đầu ra
9

- Phương thức mô tả sai lệch giữa mô hình thực và đối tượng.
 Các bước cơ bản để nhận dạng hệ thống
Nhận dạng hệ thống là ước lượng mô hình của hệ thống dựa trên các dữ liệu
vào ra quan sát được.
Để xác định được mô hình của hệ thống từ các dữ liệu quan sát này ta phải có:
- Số liệu vào – ra.
- Tập các đầ

u 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 được, 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 được theo số liệu
vào ra và tiêu chí lựa ch
ọn.
5) Khảo sát tính năng của mô hình tìm được.
Nếu mô hình đủ tốt thì dùng. Ngược lại thì quay về bước 3 để tìm mô hình
khác. Có thể phải tìm phương pháp ước lượng khác (bước 4) hoặc thu thập thêm số
liệu vào – ra (bước 1 và 2).
Quy trình nhận dạng hệ thống có thể biểu diễn theo sơ đồ












Hình 2.6: Quy trình nhận dạng hệ thống
Tiến hành
thi

ếtkế
Dữ liệu
Lựa chọn tập
mô hình
Chọn tiêu chuẩn
phù h
ợp
Tính toán mô hình
Mô hình tốt
Thông tin
b
an đầu
Đúng: chấp
nh
ậ
n mô hình
Sai
10


2.2.2. Các phương pháp nhận dạng
 Nhận dạng thông số hệ thống ngoại tuyến (off-line)
Trong quá trình điều khiển các đối tượng động lực cần phải giải quyết bài
toán nhận dạng thông số mô hình hệ động lực. Hiện nay có hai hướng cơ bản mô
tả toán học các đối tượng động lực:
- Mô hình hàm truyền
- Mô hình không gian trạng thái
Loại mô hình hàm truyền phù hợp v
ới giai đoạn đầu phát triển lý thuyết điều
khiển và hướng đến các hệ tuyến tính dừng.

Loại mô hình không gian trạng thái tổng quát hơn và có thể hướng đến lớp
đối tượng rộng hơn như hệ phi tuyến, dừng và không dừng.
Quan điểm không gian trạng thái tỏ ra rất hiệu quả trong các nghiên cứu
khoa học và trong thiết kế các hệ động lực phức tạp.
• Bài toán nh
ận dạng thông số off-line
Quan sát được các véc tơ z(t) bao gồm véc tơ trạng thái với nhiễu tác động
v(t) và đầu vào u(t) như sau:
Z(t)=h[x(t), u(t), v(t), P
2
(t), t] (2.6)
Ở đây P
2
(t) là các thông số chưa biết của hệ thống.
Véc tơ trạng thái của hệ được mô tả bởi phương trình:

()
(
)
(
)
(
)
(
)
[
]
t,tP,tw,tu,txftx
1
=


(2.7)
Trong đó w(t) là véc tơ nhiễu tác động từ bên ngoài. Cần xác định thông số
mô hình đảm bảo cực trị một tiêu chuẩn nhận dạng. Sơ đồ tổng quát có dạng biểu
diễn ở Hình 2.7:
Véc tơ thông số P(t)=[P
1
(t),P
2
(t)] có thể chứa các hệ số của phương trình vi
phân, phương trình quan sát và đồng thời có thể có các đặc trưng thống kê của
nhiễu v(t), w(t).





(
)
(
)
⋅
=
ftx

()
⋅
=
hZ
u(t)

w(t)
P(t
u(t)
v(t)
Z(t)
Hình 2.7: Sơ đồ tổng quát nhận dạng thông số mô hình
∫
x(t)
(
)
x
t


x(t)
11


1. Phương pháp xấp xỉ vi phân
Nếu lấy vi phân giá trị các biến tại các thời điểm, thì có thể xây dựng hệ
phương trình tuyến tính được giải bằng các phương pháp bình phương cực tiểu đối
với véc tơ cần tìm P. Nếu
(
)
tu),t(x),t(x

là các hàm đã biết thì phương trình (2.5)
có thể viết dưới dạng:
()
()

()
1
1
ˆ
.
.
.
.
ˆ
m
k
xt
p
A
p
xt
⎛⎞
⎛
⎞
⎜⎟
⎜
⎟
⎜⎟
⎜
⎟
=
⎜⎟
⎜
⎟
⎜⎟

⎜
⎟
⎜⎟
⎝
⎠
⎝⎠


(2.8)

2. Phương pháp Gradient
Giả thiết rằng mô hình phi tuyến (2.8) và (2.9) được biểu diễn dưới dạng rời
rạc. Cần xác định véc tơ thông số P sao cho x(t) với độ chính xác cho trước phù
hợp với z(t) dưới tác động của điều khiển u(t).
So sánh x(t) với z(t) ta có thể dẫn đến tiêu chuẩn sai số J bao gồm hiệu các
đầu ra của mô hình và đối tượng (hệ thống):

()()
[
]
∑
=
−=
k
i
ii
tztxHJ
0
(2.10)
Trong đó H là hàm và thường được chọn dưới dạng tổng bình phương các

thành phần véc tơ sai số. Cấu trúc hệ nhận dạng theo phương pháp gradient như











x(t)
u(t)
Chỉnh
thông số
Tính toán
gradient
Tiêu chuẩn nhận
dạng J
Đối tượng
(
)
(
)
⋅
=
ftx


(
)
⋅
=
hz
Mô hình
Hình 2.8: Nhận dạng theo phương pháp gradient
12

3. Phương pháp tìm kiếm trực tiếp
4. Phương pháp tựa tuyến tính
5. Phương pháp sử dụng hàm nhạy
2.3 Nhận dạng hệ thống sử dụng mạng nơron
2.3.1 Khả năng sử dụng mạng nơron trong nhận dạng
Mạng nơron là một trong những công cụ nhận dạng tốt nhất vì các đặc trưng
sau: Khả năng học từ kinh nghiệm (khả n
ăng được huấn luyện), khả năng khái quát
hoá cho các đầu vào không được huấn luyện, ví dụ dựa vào cách học mạng có thể
sẽ tiên đoán đầu ra từ đầu vào không biết trước.
Mạng nơron có khả năng xấp xỉ các hàm phi tuyến một cách đầy đủ và chính
xác, nó được sử dụng tốt cho các mô hình động học phi tuyến. Điều quan trọng
được sử dụng là thuật truyền ngược tĩ
nh và động của mạng nơron, nó được sử dụng
để hiệu chỉnh các tham số trong quá trình nhận dạng và điều khiển.
2.3.2 Mô hình nhận dạng hệ thống sử dụng mạng nơron
Khi xét một bài toán điều khiển, trước tiên ta cần phải có những hiểu biết về đối
tượng: số đầu vào, số đầu ra, các đại lượng vật lý vào ra, dải giá trị của chúng, quy
lu
ật thay đổi của các đại lượng trong hệ hay mô hình toán học cơ bản của nó.
2.3.3. Nhận dạng hệ thống sử dụng mạng nơron

Như vậy nhận dạng hệ thống cần hai giai đoạn đó là lựa chọn mô hình và tối
ưu tham số. Đối với mạng nơron dựa vào nhận dạng lựa chọn số nút ẩn, số lớp ẩn
(cấu trúc của m
ạng) tương đương với mô hình lựa chọn. Mạng có thể được huấn
luyện theo kiểu giám sát với thuật toán lan truyền ngược, dựa vào luật học sai số
hiệu chỉnh. Tín hiệu sai số được lan truyền ngược qua mạng. Thuật toán lan truyền
ngược sử dụng phương pháp giảm gradient để xác định các trọng của mạng vì vậy
tương đương với tối ưu tham số. Mạng nơ
ron được huấn luyện để xấp xỉ mối quan
hệ giữa các biến.
13


 Ứng dụng mô hình nối tiếp – song song để nhận dạng hệ động học phi
tuyến










Mô hình nối tiếp – song song có nhiều ưu điểm hơn mô hình song song. Từ
giả thiết hệ ổn định BIBO nên tất cả các tín hiệu của quá trình nhận dạng (như các
tín hiệu vào của mạng nơron) cũng bị giới hạn. Trong mô hình không tồn tại mạch
vòng phản h
ồi, nhưng có thể dùng thuật toán lan truyền ngược để điều chỉnh các

tham số của hệ để làm giảm các phép tính toán. Kết thúc quá trình sẽ dẫn tới sai số
đầu ra tiến tới giá trị rất nhỏ, vì vậy
(
)
(
)
ky
ˆ
ky
pp
=
. Mô hình nhận dạng nối tiếp –
song song có thể thay thế bằng mô hình song song mà không ảnh hưởng lớn.
Nhưng mô hình nối tiếp – song song được chú trọng hơn trong nghiên cứu.
2.4 . Nhận dạng hệ thống xử lý nước thải sử dụng mạng nơron
Ta biết rằng có thể sử dụng nhiều phần mềm để mô phỏng quá trình học,
luyện mạng nơron. Nhưng trong luận văn này sử dụ
ng phần mềm Matlab 7.0.4 để
thực hiện việc mô phỏng mạng nơron, vì phần mềm này rất mạnh, nó có giao diện
và rất nhiều chương trình ứng dụng nên hiện nay nó đang là phần mềm thông dụng
và được ứng dụng nhiều trong kỹ thuật.
Trong phần này sẽ đưa ra một số kết quả mô phỏng nhận dạng hệ động học
phi tuyến sử dụng các mô hình đã giớ
i thiệu ở chương 2, đặc biệt là sử dụng mô
hình nối tiếp – song song để nhận dạng hệ và thuật toán lan truyền ngược tĩnh để
điều chỉnh các tham số của mạng.
2.4.1. Các bước thực hiện trong quá trình nhận dạng
Các bước xây dựng:
Hệ động học
phi tuyến

Mạng nơron
TDL
TDL
Z
-1
∑

u(k
y
p
(k)
e
p
(k)
_
+
(
)
1ky
p
+
ˆ
()
ky
p
ˆ
Hình 2.16. Nhận dạng hệ phi tuyến dùng mạng nơron
14

Bước 1: Tạo tập mẫu P,T để nhận dạng hệ thống xử lý nước thải, sau đó phát

một tín hiệu đầu vào P (P là tín hiệu ngẫu nhiên). Quan sát tín hiệu ra T.
Bước 2: Chọn cấu trúc mạng NN Plant.
Bước 3: Huấn luyện mạng NN Plant.
Sao cho sai lệch J =
∑
=
N
1k
2
)k(e
N
1
là bé nhất mục đích để dùng mạng NN
Plant thay thế cho hệ thống xử lý nước thải trong quá trình thiết kế bộ điều khiển
nơron.

2.4.2. Mô hình toán học của hệ thống xử lý nước thải
- Xét hệ thống xử lý nước thải (có tính axít) từ một quá trình công nghệ trong
các nhà máy.
- Nguyên lý hoạt động của hệ thống là cho thêm chất lỏng có tính kiềm vào n-
ước thải, sau đó trộn đều để trung hoà tính axít của nước thải. Chất lỏng có tính
kiềm cho vào phải đảm bảo các điều kiện như: Muối tạo thành là muối vô hại,
không ảnh hưởng đến môi trường.
Sơ đồ công nghệ hệ thố
ng xử lý nước thải như hình 2.18:

Tín hiệu đầu ra của hệ thống được định nghĩa như sau:
y = [H
+
] - [OH
-
] , với [H
+
] là nồng độ ion H
+
, [OH
-
] là nồng độ ion OH
-

Nhiệm vụ điều khiển là tín hiệu đầu ra ở trạng thái xác lập y tiến đến 0 khi đó
nước thải là trung tính và có độ pH =7.
Gọi p là độ pH của chất thải trong bể. Ta có quan hệ: y = 10
-p
- 10
p
K
0
Máy trộn
u
Nước thải có tính axit

Nước thải trun
g
tính
Hình 2.18: Sơ đồ hệ thống xử lý nước thải
Máy trộn
u
Nước thải có tính axit
Nước thải trun
g
tính
Chất lỏn
g
có tính kiề
m
15

Trong đó: K
0
= [H
+
]*[OH
-
] = 10
-14
g/l, p = - log[H
+
]
Mô hình toán học của quá trình xử lý nước thải như sau:
V
y


= F(a-y) - u(b+y)
V là thể tích của bể chứa (L)
F là tốc độ dòng chảy của chất thải có axít (L/sec)
a nồng độ mol/l của nước thải có tính axít (moles/L)
b nồng độ mol/l của ba zơ (moles/L)
u là tốc độ dòng chảy của bazơ (L/sec)
Phương trình hệ thống là:
V
y

= Fa - Fy - ub – uy
Giới hạn của tín hiệu điều khiển u là: [0 … 2] L/sec.
Thay các giá trị trên vào mô hình được phương trình hệ thống như sau:
y

= 0.00005 - 0.05y - 0.0005u – 0.5uy
Hệ thống xử lý nước thải là một đối tượng động học phi tuyến. Thể hiện tính
phi tuyến ở khâu nhân giữa tín hiệu vào và tín hiệu ra. Tính động học ở điểm có
đạo hàm và đầu ra được đưa ngược trở lại đầu vào.
2.4.3. Ứng dụng mạng nơron để nhận dạng đối tượng
 Tập mẫu vào ra







Hình 2.19 Tập mẫu vào ra trong của bể xử lý nước thải

16

 Mô hình hệ thống xử lý nước thải dưới dạng mạng nơron









 Chọn cấu trúc mạng nơron để nhận dạng bể xử lý nước thải
Cấu trúc mạng nơron của mô hình hệ thống xử lý nước thải được chọn như
hình vẽ trên:
Mạng gồm có hai lớp: Lớp 1 có 4 nơron và sử dụng hàm tansig, lớp 2 có 1
nơron và sử dụng hàm purelin.
Bộ thông số (p,t) gồm 1000 mẫu lấy ở trên được dùng để huấn luyện mạng
nơron của mô hình đối tượng
 Chương trình huấn luyện mạng nơron của mô hình đối tượng.
 Mô phỏng quá trình luyện mạng

LW
3,
IW
1,1
b
1
1
TDL
LW
2,1
b
2
1
u
y
Hình 2.20 Mô hình hệ thống dưới dạng mạng
Hình 2.21: Đồ thị sai lệch giữa mô hình nơron và mô hình đối tượng
17


Đồ thị biểu diễn độ sai lệch giữa tín hiệu ra của hệ thống xử lý nước thải với
mô hình nơron của nó. Ta thấy sai lệch trên rất nhỏ nên mô hình mạng nơron được
sử dụng để mô hình cho bể xử lý nước thải từ đó ta có thể thiết kế bộ điều khiển.

2.5. Kết luận chương 2

Nghiên cứu cơ bản về hệ động học phi tuyến và chỉ được ra 4 mô hình
động học phi tuyến điển hình. Từ đó làm cơ sở để lựa chọn mô hình mạng dựa trên
đặc tính vào ra của đối tượng.
Nghiên cứu các phương pháp toán học nhận dạng hệ động học phi tuyến.
Đồng thời phân tích các dạng mô hình để tìm cấu trúc cho mạng nơron sau đó ta sẽ
nhận dạng tiếp các thông s
ố của mạng.
Ứng dụng mạng nơron để nhận dạng mô hình đối tượng động học phi tuyến
là bể xử lý nước thải bằng cách sử dụng chương trình huấn luyện mạng của
Matlab, kết quả nhận được là bộ trọng số của mạng nơron, trong đó sai lệch giữa
mô hình nơron với đối tượng nằm trong sai số cho phép nhưng vẫn còn có nhữ
ng
sai số tại một số thời điểm lớn.
Những vấn đề còn tồn tại của phần nhận dạng bể xử lý nước thải ở chương 2
sẽ được cải tiến bằng cách tìm ra cấu trúc phù hợp. Những cải tiến mạng nơron hồi
tiếp thời gian liên tục (CTRNN) và thuật toán lan truyền ngược kết hợp với kỹ
thuật loạ
i các mẫu học bị nhiễu sẽ được trình bày ở chương 4.

CHƯƠNG 3
ỨNG DỤNG MẠNG NƠRON ĐIỀU KHIỂN BỂ XỬ LÝ NƯỚC THẢI
THEO MÔ HÌNH MẪU
3.1. Thiết kế bộ điều khiển nơron theo mô hình mẫu
Thiết kế bộ điều khiển nơron theo mô hình mẫu bao gồm các bước thực hiện:
Bước 1: Tạo 1 tập mẫu P,T lấy trên mô hình mẫu bằng cách phát 1 tín hiệu
đầu vào P (P là tín hiệu ngẫu nhiên) và quan sát tín hiệu ra T dùng tập mẫu P,T để
huấn luyện mạng nơron cho bộ điều khiển ‘‘NN Controller’’ .
Bước 2: Chọn cấu trúc mạng nơron NN controller.
Bước 3: Kết hợp 2 mạng NN controller va mạng NN plant tạo thành mạng
NN system sau đó dùng tập mẫu P,T huấn luyện mạng NN system sao cho hàm

18

mục tiêu J =
∑
=
N
1k
2
)k(e
N
1
là bé nhất (trong quá trình luyện mạng thì các thông số w,
b của NN plant giữ cố định, chỉ chỉnh định các thông số w, b NN controller). Sau
khi huấn luyện xong NN controller thì ta lắp vào sơ đồ trên
hình 3.2 để điều khiển
hệ thống xử lý nước thải.
Sơ đồ huấn luyện bộ điều khiển nơron NN Controller







Hình 3.1: Sơ đồ huấn luyện bộ điều khiển nơron NN Controller
Sau khi huấn luyện mạng nơron ta được tham số bộ điều khiển bằng mạng nơron.
Bộ tham số này được tìm ra theo phương pháp sử dụng mô hình mẫu. Sau đó ta sử
dụng để điều khiển hệ thống xử lý nước thải.

Hình 3.2: Sơ đồ hệ thống điều khiển
3.2. Ứng dụng mạng nơron thiết kế bộ điều khiển theo mô hình mẫu
3.2.1. Mô hình mạng nơron của bộ điều khiển
3.2.2. Mô hình mẫu của hệ thống xử lý nước thải
Hàm truyền đạt của mô hình mẫu được chọn như sau.
G(s) =
0.001
55 1S
+

Mô hình
m
ẫu
NN
Controller
NN
Plant
S
y
ste
m
P
T
e

Y
Mô hình
mẫu
NN
Controller
HT
Xử lý nước thải
P
T
Y
e
19

Mô hình mẫu trong simulink.
Phát tín hiệu ngẫu nhiên vào mô hình mẫu ta thu được chuỗi giá trị p, đầu ra
thu được chuỗi giá trị t. Bộ thông số (p,t) gồm 1000 mẫu được dùng để huấn luyện
bộ điều khiển nơron.

Hình 3.5: Mô hình mẫu trong Simulink
3.2.3. Chương trình huấn luyện bộ điều khiển nơron
- Sau khi huấn luyện ta có các thông số của bộ điều khiển nơ ron:
net.iw{1,1} = 1.0e+003 *[-0.4220 1.9542 -1.8371 -0.8361]';
net.lw{1,3} =[-2.1672 0.9400 0.5578 1.9932]';
net.lw{1,5} =[0.2532 -0.4862 -1.1192 0.5167]';
net.b{1} = [2.2229 -0.7450 -0.7357 -2.2132]';
net.b{2} = [-1.8333 0.0276 -1.8474]';
net.lw{2,1} = [0.8660 -0.3013 1.5635 0.4370;
-0.4278 0.8825 1.3020 0.8247;
-1.3695 0.8132 -0.3626 -0.8475];
net.b{3} = -0.1232; net.lw{3,2} = [0.0442 -0.2783 -0.0546];

Đồ thị sai lệch giữa tín hiệu đầu ra của mô hình đối tượng với đầu ra của mô
hình mẫu. Kết quả sai lệch rất nhỏ.
20













3.3. Kết luận chương 3
Chương 2 đã nhận dạng mô hình đối tượng dưới dạng sử dụng mạng nơron và
được áp dụng làm đối tượng để thiết kế bộ điều khiển sử dụng mạng nơron.
Ứng dụng mạng nơron để thiết kế bộ điều khiển theo mô hình mẫu cho đối t-
ượng động học phi tuyến, thu được kết quả khá là tốt. Sai lệch giữ
a đầu ra của đối
tượng thực với đầu ra của mô hình mẫu rất nhỏ, không đáng kể. Như vậy, có thể
ứng dụng mạng nơron để thiết kế bộ điều khiển theo mô hình mẫu cho đối tượng
động học phi tuyến bất kỳ.
Từ cấu trúc mạng nơron ta thấy, mạng nơron chính là một hệ thống động học
phi tuyến. Vấ
n đề còn lại là: Chọn cấu trúc mạng, phương pháp huấn luyện mạng
như thế nào. Trong hệ thống điều khiển ta nên chọn cấu trúc càng đơn giản càng

tốt, nhưng phải đáp ứng được các yêu cầu của công nghệ đặt ra.
Trong chương này mô hình mạng nơron của đối tượng được chọn có cấu trúc
hai lớp, với lớp vào có 4 nơ ron, lớp ra có 1 nơron, có một tín hiệu phản h
ồi được
thể hiện thông qua một khâu trễ. Bộ điều khiển được chọn có cấu trúc 3 lớp, lớp
vào có 4 nơron, lớp ẩn có 3 nơron, lớp ra có 1 nơron. Để tăng độ chính xác ta có
thể tăng số lớp và số nơron trong mỗi lớp.
loại bỏ những mẫu học được quan sát thấy nó gây sai số lớn cho mạng.



Hình 3.6: Đồ thị sai lệch giữa tín hiệu ra của đối tượng với mô hình mẫu.
21


CHƯƠNG 4
NGHIÊN CỨU CẢI TIẾN THUẬT TOÁN HỌC CỦA MẠNG
NƠRON TRONG BÀI TOÁN NHẬN DẠNG BỂ XỬ LÝ NƯỚC THẢI

4.1. Đặt vấn đề
Như ta đã biết mô hình bể xử lý nước thải là mô hình động học phi tuyến với
cấu trúc hồi tiếp từ đầu ra trở về đầu vào đồng thời nó chịu ảnh hưởng của nhiễu
các thiết bị đo. Nếu sử dụng mạng nơron hồi tiếp liên tục sẽ rất phù hợp trong việc
nhận dạng đối tượng. Để nâng cao chất lượng hơ
n nữa ta sử dụng thêm chương
trình thuật toán lọc các mẫu bị nhiễu.
Vì vậy trong chương này tác giả xin trình bày phương pháp huấn luyện
mạng nơron hồi tiếp liên tục sử dụng thuật toán lan truyền ngược và kỹ thuật loại
bỏ những mẫu học được quan sát thấy nó gây sai số lớn cho mạng.
4.2 . Mô hình mạng nơron mới trong nhận dạng bể xử lý nước thải

4.1.1 Mô hình mạng nơron hồi tiếp liên tục
Mô hình CTRNN có thể xấp xỉ giá trị mong muốn để tạo ra hệ động học phi
tuyến theo hàm sau:
(,)
(4.1)
()
xfxu
ygx
=
⎧
⎨
=
⎩


Ta sử dụng mạng nơron có 2 nơron lớp vào, 4 nơron lớp ẩn, 1 nơron lớp ra.
Mạng nơron hồi tiếp thời gian liên tục được mô tả qua dạng tổng quát như sau:

ˆ
ˆˆ
() ( (), (), )
(4.2)
ˆˆ
()
xt f xt ut
yCxt
θ
⎧
=
⎪

⎨
=
⎪
⎩


Trong đó:
()
u
n
ut ∈\ là tín hiệu vào,
ˆ
u
n
y ∈\ tín hiệu ra của mạng,
ˆ
ˆ
x
n
x ∈\
là mạng
không gian vector,
n
θ
θ
∈\ thông số vector của mạng. Mạng nơron của (4.2) được
chỉ ra trong hình sau:
Ta sử dụng mạng nhiều lớp truyền thẳng được chọn làm cơ sở để xây dựng
mạng nơron hồi tiếp liên tục để mô tả đối tượng động học phi tuyến.
Để giải hệ phương trình vi phân (4.1) và (4.2) ta lấy tích phân xác định. Thông

thường để kết quả chính xác thì bước lấy tích phân phải ngắn hơn th
ời gian lấy
mẫu. Tuy nhiên ta sử dụng mạng nơron để xấp xỉ mô hình đối tượng, nên ta sẽ xây
dựng mạng nơron có khâu tích phân với bước lấy tích phân bằng thời gian lấy mẫu.
22

Sau đó kết quả sẽ được hồi tiếp trở về đầu vào một cách liên tục. Tín hiệu ra sẽ
được kết hợp với đầu vào ở mẫu tiếp theo để trở thành đầu vào của mạng tại bước
tiếp theo.
4.1.2 Nhận dạng bể xử lý nước thải
Ta thấy mô hình bể xử lý nước thải có đặc tính của hệ động học phi tuyến,
để nhận dạng đối tượng ta sử dụng mạng nơron hồi tiếp liên tục.
Phương pháp luyện mạng phát triển trên thuật toán Gradient không
Bể xử lý nước thải được xấp xỉ bằng cách sử dụng mạng nơron nhiều lớp
hồi tiếp liên tục (CTRNN) với một lớp ẩ
n như hình 4.1:




Trong đó
ˆ
W,W
hx hu
nn nn
xu
×
×
∈∈\\
và

ˆ
2
W
xh
nn
×
∈\
là các trọng số kết nối,
1
h
n
b ∈\ và
ˆ
2
x
n
b ∈ \ là các vector bias. Hàm kích hoạt sigmoid lưỡng cực ()
h
n
s
σ
•∈\
(sigmoid-Tanh, Tansig) như sau:
2
2
() 1
1
s
n
n

e
σ
−
=
−
+
(4.3)
4.3 Thuật toán mạng nơron hồi tiếp liên tục
4.3.1 Thuật toán lan truyền ngược

Hình 4.1 Sơ đồ cấu trúc mạng noron
23

Thuật toán lan truyền ngược đã cập nhật được trọng số của mạng mà chỉ cần
dùng một mẫu bất kỳ, Sau khi cập nhật trọng số xong ta có mạng nơron mới và
tính sai số cho tất cả các mẫu học, nếu sai số đạt yêu cầu thì dừng lại, nếu chưa đạt
yêu cầu thì cập nhật tiếp thêm một hữu hạn lần nữa.
4.3.2 Thuật toán loại những mẫu học bị nhiễu
Tác giả xin trình bày một phương pháp loại bỏ nhiễu dựa vào cách tính toán
sai số của mạng trong quá trình mẫu đó được chọn để thực hiện thuật toán lan
truyền ngược. Chương trình loại các mẫu bị nhiễu chỉ được dùng khi sai số của
mạng vẫn lớn hơn yêu cầu khi đã thực hiện hết tất cả các mẫu thực hiện cập nhật
trọng số của m
ạng.
Giả sử số mẫu ban đầu là k
m
, với một mẫu học thì thực hiện thuật toán lan
truyền ngược để cập nhật trọng số là t lần. Như vậy với mỗi mẫu ta được sai số
trung bình cộng của t lần lặp. Sau đó dựa vào k giá trị đó sẽ loại đi những mẫu có
sai số trung bình cộng lớn hơn sai số của mẫu nhỏ nhất p %.

4.4 Lập trình huấn luyện mạng nơron hồi tiếp liên tục
4.4.1 Lưu đồ thuật toán huấn luyện mạng

24


Be
g
in
Load k
m
bộ mẫu
Gán E
min
, s,p, tt
Gán IW, LW,b2 ban đầu
Gán k;E,yy,test
Từ (u
(k)
; y
m
(k)
) tính y
(k)

Cập nhật IW và LW
Tính
1
1
km

k
EE
km
=
∑

E≤E
min
tt ≤ t
`
k
m
≤
k
Lưu E
(
k
,
t
)
k = k+1
Loại mẫu bị nhiễu
Cập nhật lại mẫu
Testm ≤ test
Lưu thông số của mạng nơron
Test = test +1
Load mẫu thử nghiệm .
Tính sai số và Vẽ đồ thị y
m
, y, e

t

End.
Hình 4.3: Lưu đồ thuật toán chương trình huấn luyện mạng nơron
Huấn luyện
thành công

Tính E
k

Tìm E
kmin

25


4.4.1 Chương trình huấn luyện mạng
Chương trình được lập trình trên cửa sổ M-file.
Bộ mẫu số liệu được tạo ra trên Simulink .
4.5 Kết quả mô phỏng và nhận xét
4.5.1 Kết quả luyện mạng với thuật toán mới
 Kết quả khi hệ chưa có nhiễu tác động tín hiệu mẫu là số ngẫu nhiên
Sai số quá trình luyện mạng: E_end = 5.9367e-009




Nhận xét:
- Ta thấy tín hiệu ra của mạng bám theo tín hiệu mẫu với sai số e trong
khoảng ±2.10

-4
. Vậy hệ thống có khả năng nhận dạng với độ chính xác cao.
-
Ta thấy dạng đồ thị trong simulink và trong chương trình là giống nhau.
Điều đó khẳng định tính đúng đắn của chương trình vẽ đồ thị từ phép tính
mạng nơron.

Kết quả kết quả của mạng khi hệ khi tín hiệu vào là hàm hình sin.
Hình 4.5: Màu đỏ : Tín hiệu sai lệch e(t)=y
m
-y
Màu xanh: Tín hiệu y
m
; Màu đen là tín hiệu y