Nghiên cứu ứng dụng mạng nơron truyền thẳng nhiều lớp nhận dạng vị trí rôbốt hai khâu

5
Chương I.Tổng quan về mạng nơ ron nhân tạo

6
Chương I.Tổng quan về mạng nơ ron nhân tạo

LỜI CAM ĐOAN

LỜI NÓI ĐẦU

Tôi xin cam đoan luận văn này là công trình do tôi tổng hợp và nghiên cứu.
Trong luận văn có sử dụng một số tài liệu tham khảo như đã nêu trong phần tài liệu

Trong hệ thống điều khiển hiện đại, có rất nhiều phương pháp điều khiển
đảm bảo được tốt chất lượng điều khiển. Trong điều khiển tự động, để điều khiển
chính xác đối tượng khi chưa biết rõ được thông số, trước tiên ta phải hiểu rõ đối

tham khảo.

tượng đó. Đặc biệt đối với các đối tượng phi tuyến ta cần dạng được đặc tính vào-ra
Tác giả Luận văn

của nó để đảm bảo tạo ra tín hiệu điều khiển thích nghi được lựa chọn chính xác
hơn. Những bộ điều khiển hiện đại thường được sử dụng như lôgic mờ, mạng
nơron, mạng nơron mờ để nhận dạng và điều khiển thích nghi hệ thống phi tuyến.
Trong thời gian của khoá học cao học, chuyên ngành Tự động hoá tại trường

Nguyễn Đắc Nam

Đại Học Kỹ Thuật Công Nghiệp Thái Nguyên, được sự tạo điều kiện giúp đỡ của
nhà trường và Tiến Sĩ Phạm Hữu Đức Dục em đã lựa chọn đề tài của mình là:

“Nghiên cứu ứng dụng mạng nơron truyền thẳng nhiều lớp nhận dạng vị trí
rôbốt hai khâu”.
Trong khoảng 6 tháng thực hiện đề tài, được sự hướng dẫn nhiệt tình của
Tiến Sĩ Phạm Hữu Đức Dục, sự giúp đỡ của bạn bè cùng với sự nỗ lực, cố gắng của
mình bản luận văn đến nay đã hoàn thành.
Dù đã có nhiều cố gắng, xong bản luận văn vẫn không tránh khỏi những
thiếu sót và hạn chế, em rất mong nhận được sự góp ý của các thầy để bản luận văn
được tốt hơn.
Em xin trân trọng cảm ơn!
Học viên

Nguyễn Đắc Nam

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên



Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên




7
Chương I.Tổng quan về mạng nơ ron nhân tạo

8
Chương I.Tổng quan về mạng nơ ron nhân tạo

MỤC LỤC

33

KẾT LUẬN CHƢƠNG 1.
Chƣơng II- Các phƣơng pháp ứng dụng mạng nơ ron trong nhận dạng và
Trang

Lời cam đoan.
Danh mục các ký hiệu, bảng, các chữ viết tắt.
Danh mục các hình vẽ.
PHẦN MỞ ĐÀU.

1

Chƣơng I- TÔNG QUAN VỀ MẠNG NƠ RON NHÂN TẠO.

5

1.1. Lịch sử phát triển của mạng nơ ron nhân tạo.

5

1.2. Các tính chất của mạng nơ ron nhân tạo.

5

1.3. Mô hình nơ ron.

6

1.3.1.Mô hình nơ ron sinh học.

6

1.3.1.1. chức năng, tổ chức và hoạt động của bộ não con người.

6

1.3.1.2. Mạng nơ ron sinh học.

9

1.3.2. Mạng nơ ron nhân tạo.

10

1.3.2.1. Khái niệm.

10

1.3.2.2. Phân loại mạng nơ ron.

13

1.3.2.3. Các luật học.

15

1.3.3. Mô hình toán học mạng nơ ron truyền thẳng và mạng nơ ron hồi quy.

19

1.3.3.1. Mạng nơ ron truyền thẳng.

19

1.3.3.2. Mạng nơ ron hồi quy.

22

1.4. Quá trình huấn luyện mạng nơ ron nhiều lớp.

24

1.4.1. Quá trình thực hiện.

24

1.4.2. Quy tắc chuỗi.

25

1.4.3. Độ chính xác của lan truyền ngược.

27

1.4.4. Biến thể của lan tryền ngược.

27

1.4.5. Tổng quát.(phép nội suy và phép ngoại suy).

28

1.5. Công nghệ phân cứng sử dụng mạng nơ ron.

31

1.6. So sánh khả năng của mạng nơ ron với mạch logic

32

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên



điều khiển.

34

2.1. Các vấn đề chung.

34

2.2. Các phƣơng pháp ứng dụng mạng nơ ron trong nhận dạng.

34

2.2.1. Cơ sở lý luận.

34

2.2.2. Mô tả toán học của đối tượng ở miền rời rạc.

36

2.2.3. Mô hình dùng mạng nơ ron.

39

2.2.3.1. Mô hình song song.

39

2.2.3.2. Mô hình nối tiếp song song.

39

2.2.3.3. Mô hình ngược trực tiếp.

40

2.2.3.4. Mô hình tổ hợp.

41

2.3. Các phƣơng pháp ứng dụng mạng nơ ron trong điều khiển.

42

2.3.1. Bộ điều khiển đảm bảo tính ổn định vững chắc.

42

2.3.2. Bộ điều khiển thích nghi ngược trực tiếp.

42

2.3.3. Điều khiển phi tuyến mô hình trong.

44

2.3.4. Điều khiển dự báo.

44

2.3.5. Điều khiển thích nghi theo mô hình mẫu (MRAC)

45

2.3.6. Điều khiển thích nghi tự chỉnh.

46

2.3.7. Điều khiển thích nghi bằng mạng nơ ron hồi quy tuyến tính.

46

2.3.8. Điều khiển thích nghi ổn định trực tiếp.

48

2.3.9. Điều khiển tối ưu.

49

2.3.10. Phương pháp bảng tra.

50

2.3.11. Điều khiển lọc.

50

2.4. Những hạn chế và chú ý.

51

KẾT LUẬN CHƢƠNG 2

52

Chƣơng III - Ứng dụng mạng nơ ron truyền thẳng nhiều lớp nhận dạng
vị trí rô bốt hai khâu.
3.1. Mạng nơ ron truyền thẳng nhiều lớp

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

53
53

9
Chương I.Tổng quan về mạng nơ ron nhân tạo

10
Chương I.Tổng quan về mạng nơ ron nhân tạo

3.1.1. Sơ đồ khối mạng nơ ron truyền thẳng nhiều lớp.

53

3.1.2. Thuật toán học lan truyền ngược của sai lệch.

53

3.2. Ứng dụng mạng nơ ron truyền thẳng nhiều lớp nhận dạng vị trí rô

DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ.
STT

Ký hiệu

Diễn giải tên hình vẽ.

Hình 1

Sơ đồ khối điều khiển thích nghi rô bốt hai khâu.
Sơ đồ ứng dụng mạng nơ ron nhận dạng vị trí rô bốt hai khâu.

57

1

3.2.1. Phân tích sơ đồ ứng dụng.

57

2

Hình 2

3.2.2. Mô tả động học của rô bốt hai khâu.

59

3

Hình 1.1

Mô hình hai nơ ron sinh học.

3.2.3. Thiết lập mạng nơ ron nhận dạng.

60

4

Hình 1.2

Mô hình nơ ron nhân tạo.

3.2.3.1. Thiết lập sơ đồ nhận dạng

60

5

Hình 1.3a

Biểu diễn hình học của hàm Rump

3.2.4.2. Quá trình nhận dạng.

63

6

Hình 1.3b

Biểu diễn hình học của hàm bước nhảy.

3.2.4.3. Kết quả mô phỏng và nhận dạng.

65

7

Hình 1.3c

Biểu diễn hình học của hàm giới hạn cứng.

3.2.4.4. Kết luận chương III

74

8

Hình 1.3d

Biểu diễn hình học của hàm Sigmoid hai cực.

75

9

Hình 1.4a

Mạng một lớp truyền thẳng.

10

Hình 1.4b

Mạng nhiều lớp truyền thẳng.

11

Hình 1.4c

Mạng nơ ron có phản hồi.

12

Hình 1.4d

Mạng nơ ron hồi quy.

13

Hình 1.5

Cấu trúc huấn luyện mạng nơ ron.

14

Hình 1.6

Mô hình học có giám sát và học củng cố.

15

Hình 1.7

Mô hình học không có giám sát.

16

Hình 1.8

Sơ đồ cấu trúc chung của quá trình học.

17

Hình 1.9

Cấu trúc mạng nơ ron một lớp.

18

Hình 1.10

Ký hiệu mạng R đầu vào và S nơ ron.

19

Hình 1.11

Ký hiệu mạng một lớp.

20

Hình 1.12

Cấu trúc mạng nơ ron 3 lớp.

21

Hình 1.13

Ký hiệu mạng nơ ron 3 lớp.

22

Hình 1.14

Ký hiệu mạng một l lớp hồi quy.

23

Hình 1.15

Ký hiệu mạng nơ ron 3 lớp hồi quy.

24

Hình 1.16a

bốt hai khâu.

KẾT LUẬN CHUNG

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên



Mạng được huấn luyện theo phương pháp bình phương sai
lệch cực tiểu.

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên




11
Chương I.Tổng quan về mạng nơ ron nhân tạo

12
Chương I.Tổng quan về mạng nơ ron nhân tạo
ym

Mô hình mẫu

PHẦN MỞ ĐẦU
1.Lý do lựa chọn đề tài.

- ymh

xd

Để điều khiển chính xác đối tượng khi chưa biết rõ được thông số, trước tiên
ta phải hiểu rõ đối tượng đó. Đối với đối tượng là phi tuyến như rô bốt, ta cần thực
hiện nhận dạng đặc tính vào ra của nó để đảm bảo tạo ra tín hiệu điều khiển thích

e2
ė2

Bộ điều
khiển

u

Rôbốt hai khâu
K
K

nghi được lựa chọn chính xác hơn. Hiện nay thường sử dụng logic mờ (Fuzzy
Logic), mạng nơ ron ( Neural Networks), và mạng no ron mờ (Fuzzy Neural

Mạng nơron nhận
dạng

Networks) để nhận dạng và điều khiển thích nghi hệ thống phi tuyến.Trong khuôn
khổ của khoá học Cao học, chuyên ngành Tự động hoá tại trường Đại học Kỹ thuật
Công nghiệp Thái Nguyên, được sự tạo điều kiện giúp đỡ của nhà trường và Tiến sĩ
Phạm Hữu Đức Dục, em đã lựa chọn đề tài của mình là “Nghiên cứu ứng dụng

e2

y
ymh

-

e1
Hình 1. Sơ đồ khối điều khiển thích nghi rô bốt hai khâu

mạng nơ ron truyền thẳng nhiều lớp nhận dạng vị trí rô bốt hai khâu”.
Sơ đồ điều khiển được thực hiện theo hai giai đoạn sau đây:

2.Mục đích của đề tài.
Nghiên cứu việc ứng dụng mạng nơ ron trong quá trình nhận dạng và điều

Giai đoạn 1: Sử dụng mạng nơ ron nhận dạng vị trí của rô bốt hai khâu, khi

khiển hệ thống phi tuyến nói chung. Đặc biệt đi sâu nghiên cứu mạng nơ ron truyền

đó các khoá K mở. Căn cứ vào sai lệch e1 giữa tín hiệu ra của rô bốt (y) và tín hiệu

thẳng nhiều lớp nhận dạng đặc tính vào – ra của rô bốt hai khâu, làm cơ sở cho việc

ra của mạng nơ ron nhận dạng(ymh), mạng nơ ron tiến hành học để nhận dạng đặc

tạo ra tín hiệu điều khiển thích nghi được lựa chọn chính xác hơn.

tính vào ra y của rô bốt hai khâu, sao cho tín hiệu mạng nơ ron nhận dạng ymh bám

3. Đối tƣợng và phạm vi nghiên cứu.

theo được tín hiệu ra y của rô bốt hai khâu. Với e1= y- ymh
Giai đoạn 2: Căn cứ vào kết quả nhận dạng ta có được mạng nơ ron có thể

a/ Đối tượng nghiên cứu.
Đối tượng nghiên cứu của đề tài là sử dụng mạng nơ ron truyền thẳng nhiều
lớp nhận dạng vị trí hai khâu rô bốt.

thay thế gần đúng cho rô bốt hai khâu từ đó tiến hành điều khiển thích nghi rô bôt


Sơ đồ hình 1 mô tả một mô hình điều chỉnh thích nghi rô bốt hai khâu theo mô hình
mẫu.

hai khâu theo mô hình mẫu. Các khoá K đóng, dựa vào bộ thông số sai lệch (e 2, e 2
) giữa tín hiệu đầu ra của mô hình mẫu ym và tín hiệu đầu ra của mạng nơ ron nhận
dạng ymh, bộ điều khiển thực hiện các luật học thích nghi tạo ra tín hiệu điều khiển u
với mục đích tạo ra được tín hiệu đầu ra của mạng nhận dạng bám theo được tín
hiệu đầu ra của mô hình. Với e2 = ym – ymh và ė2 là đạo hàm cấp một của sai lệch e2
Với thời gian nghiên cứu có hạn, luận văn này chỉ đi sâu nghiên cứu ứng dụng
mạng nơ ron nhiều lớp truyền thẳng nhận dạng vị trí rô bốt hai khâu.
b/ Phạm vi nghiên cứu của đề tài.

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên



Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên




13
Chương I.Tổng quan về mạng nơ ron nhân tạo

14
Chương I.Tổng quan về mạng nơ ron nhân tạo

Chương I. Tổng quan về mạng nơ ron nhân tạo:

mạng nơ ron ta tính toán được tín hiệu điều chỉnh nhằm điều khiển thích nghi vị trí

Phân tích tổng quan nề mạng nơ ron bao gồm : Lịch sử phát triển, kết cấu
của các mạng nơ ron, vai trò của các mạng nơ ron trong điều khiển.

của rô bốt hai khâu phù hợp với những yêu cầu cần thiết của điều chỉnh thích nghi
vị trí rô bốt hai khâu.

Chương II. Các phương pháp ứng dụng mạng nơ ron trong nhận dạng và điều
khiển:
Trình bày các phương pháp ứng dụng mô hình mạng nơ ron trong nhận dạng
và điều khiển.
Chương III. Ứng dụng mạng nơ ron truyền thẳng nhiều lớp nhận dạng vị trí rô bốt
hai khâu.
Đưa ra mô hình nhận dạng vị trí rô bốt hai khâu, từ đó phân tích, lựa chọn
mạng nơ ron truyền thẳng nhiều lớp với luật học lan truyền ngược tiến hành nhận
dạng đặc tính vào ra của rô bốt hai khâu với sơ đồ tổng quát như hình 2:

xd

Robot hai khâu
(Mô hình tính toán vị trí)

Mạng nơ ron nhận dạng

y

ymh
e1

Hình2. Sơ đồ ứng dụng mạng nơ ron nhận dạng vị trí rô bốt hai khâu

4. Ý nghĩa khoa học và thực tiễn của đề tài.
Với ứng dụng mạng nơ ron truyền thẳng nhiều lớp nhận dạng quỹ đạo
chuyển động trong miền thời gian thực của rô bốt hai khâu. Sau khi nhận dạng được
vị trí của rô bốt hai khâu, ta có thể thay thế gần đúng mô hình vị trí rô bốt hai khâu
bằng một mạng nơ ron truyền thẳng, từ đó căn cứ vào các thông số mô phỏng của

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên



Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên




15
Chương I.Tổng quan về mạng nơ ron nhân tạo

CHƢƠNG I
TỔNG QUAN VỀ MẠNG NƠ RON NHÂN TẠO

16
Chương I.Tổng quan về mạng nơ ron nhân tạo

Là hệ xử lý song song: Mạng nơ ron có cấu trúc song song, do đó có độ tính
toán rất cao rất phù hợp với lĩnh vực nhận dạng và điều khiển.

Mạng nơ ron nhân tạo (Artificial Neural Networks) là hệ thống được xây
dựng dựa trên nguyên tắc cấu tạo của bộ não người. Nó cho chúng ta một hướng

Là hệ học và thích nghi: Mạng được luyện từ các số liệu quá khứ và có khả
năng tự chỉnh khi số liệu đầu vào bị mất, có thể điều khiển on- line.

mới trong nghiên cứu hệ thống thông tin. Mạng nơ ron nhân tạo có thể thực hiện
các bài toán: Tính toán gần đúng các hàm số, thực hiện các bài toán tối ưu, nhận
mẫu, nhận dạng và điều khiển đối tượng hiệu quả hơn so với các phương pháp
truyền thống.

Là hệ nhiều biến, nhiều đầu vào, nhiều đầu ra (MIMO), rất tiện dùng khi đối
tượng điều khiển có nhiều biến số.
1.3 MÔ HÌNH NƠ RON
1.3.1.Mô hình nơ ron sinh học.

Mạng nơ ron nhân tạo có một số lượng lớn mối liên kết của các phần tử biến

1.3.1.1 Chức năng, tổ chức và hoạt động của bộ não con người.

đổi có liên kết song song. Nó có hành vi tương tự như bộ não người với khả năng
học ( Learning ), gọi lại (Recall) và tổng hợp thông tin từ sự luyện tập của các tập
mẫu dữ liệu. Các phần tử biến đổi của mạng nơ ron nhân tạo được gọi là các nơ ron
nhân tạo hoặc gọi tắt là nơ ron
1.1 LỊCH SỬ PHÁT TRIỂN CỦA MẠNG NƠ RON NHÂN TẠO.

Bộ não người có chức năng hết sức quan trọng trong đời sống của con người.
Nó gần như kiểm soát hầu hết mọi hành vi của con người từ các hoạt động cơ bắp
đơn giản đến những hoạt động phức tạp như học tập, nhớ, suy luận, tư duy, sáng
tạo, ...

Mạng nơ ron nhân tạo đã có một lịch sử phát triển lâu dài. Năm 1943,

Bộ não người được hình thành từ sự liên kết của khoảng 1011 phần tử (tế

McCulloch và Pitts đã đưa ra khả năng liên kết và một số liên kết cơ bản của mạng

bào), trong đó có khoảng 1010 phần tử là nơ ron, số còn lại khoảng 9*1010 phần tử là

nơ ron. Năm1949, Hebb đã đưa ra các luật thích nghi trong mạng nơ ron. Năm

các tế bào thần kinh đệm và chúng có nhiệm vụ phục vụ cũng như hỗ trợ cho các nơ

1958, Rosenbatt đưa ra cấu trúc Perception. Năm 1969, Minsky và Papert phân tích

ron. Thông thường một bộ não trung bình cân nặng khoảng 1,5 kg và có thể tích là

sự đúng đắn của Perception, họ đã chứng minh các tính chất và chỉ rõ các giới hạn

235 cm3 . Cho đến nay người ta vẫn chưa thực sự biết rõ cấu tạo chi tiết của bộ não.

của một số mô hình. Năm 1976, Grossberg dựa vào tính chất sinh học đã đưa ra một

Tuy vậy về đại thể thì cấu tạo não bộ được phân chia ra thành nhiều vùng khác

số cấu trúc của hệ động học phi tuyến với các tính chất mới. Năm 1982, Rumelhart

nhau. Mỗi vùng có thể kiểm soát một hay nhiều hoạt động của con người.

đưa ra mô hình song song một số thuật toán và kết quả. Thuật toán học lan truyền
ngược được Rumelhart, Hinton, Williams (1986) đề xuất luyện mạng nơ ron nhiều
lớp. Những năm gần đây, nhiều tác giả đã đề xuất nhiều loại cấu trúc mạng nơ ron
mới. Mạng nơ ron được ứng dụng trong nhiều lĩnh vực kinh tế kỹ thuật khoa học vũ

Các đặc tính của não người:
- Tính phân lớp: Các vùng trong bộ não được phân thành các lớp, thông tin
được xử lý theo các tầng.
- Tính môđun: Các vùng của bộ nhớ được phân thành các môđun được mã

trụ (Hecht – Nielsen, 1988)
1.2 CÁC TÍNH CHẤT CỦA MẠNG NƠ RON NHÂN TẠO.
Là hệ phi tuyến: Mạng nơ ron có khả năng to lớn trong lĩnh vực nhận dạng

hoá bằng các định nghĩa mối quan hệ tích hợp giữa các tín hiệu vào qua các giác
quan và các tín hiệu ra.
- Mối liên kết: Liên kết giữa các lớp dẫn đến các dữ liệu dùng chung xem

và điều khiển các đối tượng phi tuyến.

như các liên hệ phản hồi khi truyền tín hiệu.

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên



Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên




17
Chương I.Tổng quan về mạng nơ ron nhân tạo

18
Chương I.Tổng quan về mạng nơ ron nhân tạo

- Sử lý phân tán các tín hiệu vào: Các tín hiệu vào được truyền qua nhiều
kênh thông tin khác nhau, được xử lý bằng các phương pháp đặc biệt.

Tại sao việc nghiên cứu về mạng thần kinh lại có tầm quan trọng lớn lao. Có
thể trả lời ngắn gọn là sư giống nhau của các tín hiệu của các tế bào thần kinh đơn

Bộ não có cấu trúc nhiều lớp. Lớp bên ngoài thường thấy như là các nếp

lẻ, do đó chức năng thực sự của bộ não không phụ thuộc vào vai trò của một tế bào

nhăn, là lớp có cấu tạo phức tạp nhất. Đây là nơi kiểm soát và phát sinh các hành

thần kinh đơn, mà phụ thuộc vào toàn bộ các tế bào thần kinh hay các tế bào thần

động phức tạp như nghe, nhìn, tư duy, ...

kinh liên kết với nhau thành một mạng thần kinh hay một mạng nơ ron (Neural

Tín hiệu thu, nhận ở các dạng xung điện – Màng (Membrane): Mỗi tế bào

Networks)

thần kinh có một màng, có nhiệm vụ giữ cho các chất nuôi tế bào không tràn ra

Hoạt động của bộ não nói riêng và của hệ thần kinh nói chung đã được con

ngoài. Do đó, các phần tử nội bào và ngoại bào không bằng nhau, giữa chúng có

người quan tâm nghiên cứu từ lâu nhưng cho đến nay người ta vẫn chưa hiểu rõ

dung dịch muối lỏng làm cho chúng bị phân rã thành các nguyên tử âm và dương.

thực sự về hoạt động của bộ não và hệ thần kinh. Đặc biệt là trong các hoạt động

Các nguyên tử dương trong màng tạo ra điện thế màng, nó tồn tại trong trạng thái

liên quan đến trí óc như suy nghĩ, nhớ, sáng tạo, ... Tuy thế cho đến nay, người ta

cân bằng lực: lực đẩy các nguyên tử dương ra khỏi tế bào bằng với lực hút chúng

cũng có những hiểu biết căn bản về hoạt động cấp thấp của não.
Mỗi nơ ron liên kết với khoảng 104 nơ ron khác, cho nên khi hoạt động thì bộ

vào trong tế bào.
Điện thế màng là phần tử quan trọng trong quá trình truyền tin của hệ thần

não hoạt động một cách tổng lực và đạt hiệu quả cao. Nói một cách khác là các

kinh. Khi thay đổi khả năng thẩm thấu ion của màng thì điện thế màng của tế bào bị

phần tử của não hoạt động một cách song song và tương tác hết sức tinh vi phức

thay đổi và tiến tới một ngưỡng nào đó, đồng thời sinh ra dòng điện, dòng điện này

tạp, hiệu quả hoạt động thường rất cao, nhất là trong các vấn đề phức tạp. Về tốc độ

gây ra phản ứng kích thích làm thay đổi khả năng thẩm thấu ion của tế bào tiếp

xử lý của bộ não người rất nhanh mặc dù tốc độ xử lý của mỗi nơ ron (có thể xem

theo.

như phần tử xử lý hay phần tử tính) là rất chậm so với xử lý của các cổng logic
silicon trong các chip vi xử lý (10-3 giây so với 10-10 giây).

Xử lý thông tin trong bộ não:
Thông tin được tiếp nhận từ các giác quanvà chuyển vào các tế bào thần kinh
vận động vào các tế bào cơ. Mỗi tế bào thần kinh tiếp nhận thông tin, điện thế sẽ

Hoạt động của cả hệ thống thần kinh bao gồm não bộ và các giác quan như
sau:

tăng trong thần kinh cảm giác, nếu điện thế này vượt ngưỡng nó tạo ra dòng điện

Trước hết con người bị kích thích bởi giác quan từ bên ngoài hoặc trong cơ

trong tế bào thần kinh cảm giác, ý nghĩa dòng điện đó được giải mã và lưu ở thần

thể. Sự kích thích đó được biến thành các xung điện bởi chính các giác quan tiếp

kinh trung ương, kết quả xử lý thông tin được gửi đến các tế bào cơ.

nhận kích thích. Những tín hiệu này được chuyển về trung ương thần kinh là não bộ

Các tế bào thần kinh đưa các tín hiệu giống nhau, do đó không thể phân biệt
được đó là của loài động vật nguyên thuỷ hay của một giáo sư. Các khớp thần kinh

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.

chỉ cho các tín hiệu phù hợp qua chúng, còn lại các tín hiệu khác bị cản lại. Lượng

Những mệnh lệnh cần thiết được phát sinh và gửi đến những bộ phận thi

tín hiệu được biến đổi được gọi là cường độ khớp thần kinh đó chính là trọng số của

hành thích hợp như các cơ tay, chân, ... Những bộ phận thi hành biến những xung

nơ ron trong mạng nơ ron nhân tạo.

điện thành dữ liệu xuất của hệ thống.

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên



Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên




19
Chương I.Tổng quan về mạng nơ ron nhân tạo

Tóm lại: Bộ não người có chức năng hết sức quan trọng đối với đời sống của

20

Chương I.Tổng quan về mạng nơ ron nhân tạo

b/ Hoạt động.

con người. Cấu tạo của nó rất phức tạp, tinh vi bởi được tạo thành từ mạng nơ ron

Các tín hiệu đưa ra bởi một synapte và được nhận bởi các dendrite là các

có hàng chục tỉ tế bào với mức độ liên kết giữa các nơ ron là rất cao. Hơn nữa, nó

kích thích điện tử. Việc truyền tín hiệu như trên liên quan đến một quá trình hóa học

còn được chia thành các vùng và các lớp khác nhau. Bộ não hoạt động dựa trên cơ

phức tạp mà trong đó các chất truyền đặc trưng được giải phóng từ phía gửi của nơi

chế hoạt động song song của các nơ ron tạo nên nó.

tiếp nối. Điều này làm tăng hay giảm điện thế bên trong thân của nơ ron nhận. Nơ

1.3.1.2. Mạng nơron sinh học.

ron nhận tín hiệu sẽ kích hoạt (fire) nếu điện thế vượt khỏi một ngưỡng nào đó và

a/ Cấu tạo.

một xung (hoặc điện thế hoạt động) với độ mạnh (cường độ) và thời gian tồn tại cố

Nơ ron là phần tử cơ bản tạo nên bộ não con người. Sơ đồ cấu tạo của một
nơ ron sinh học được chỉ ra như trong hình 1.1. Một nơ ron điển hình có 3 phần

chính:

định được gửi ra ngoài thông qua axon tới phần nhánh của nó rồi tới các chỗ nối
synapte với các nơ ron khác. Sau khi kích hoạt, nơ ron sẽ chờ trong một khoảng thời
gian được gọi là chu kỳ, trước khi nó có thể được kích hoạt lại. Synapses là hưng
phấn (excitatory) nếu chúng cho phép các kích thích truyền qua gây ra tình trạng

Nhánh

kích hoạt (fire) đối với nơ ron nhận. Ngược lại, chúng là ức chế (inhibitory) nếu các
kích thích truyền qua làm ngăn trở trạng thái kích hoạt (fire) của nơ ron nhận.
Khớp nối

1.3.2. Mạng nơ ron nhân tạo.

Thân

1.3.2.1. Khái niệm.
Sợi trục

Nơ ron nhân tạo là sự sao chép nơ ron sinh học của não người, nó có những

Hình1.1. Mô hình 2 nơ ron sinh học

đặc tính sau:
- Mỗi nơ ron có một số đầu vào, những kết nối (Synaptic) và một đầu ra

- Thân nơ ron (soma): Nhân của nơ ron được đặt ở đây.
- Các nhánh (dendrite): Đây chính là các mạng dạng cây của các dây thần

(axon)
- Một nơ ron có thể hoạt động (+35mV) hoặc không hoạt động (-0,75mV)

kinh để nối các soma với nhau.
- Sợi trục (Axon): Đây là một nối kết, hình trụ dài và mang các tín hiệu từ đó
ra ngoài. Phần cuối của axon được chia thành nhiều nhánh nhỏ. Mỗi nhánh nhỏ (cả
của dendrite và axon) kết thúc trong một cơ quan nhỏ hình củ hành được gọi là
synapte mà tại đây các nơ ron đưa các tín hiệu của nó vào các nơr on khác. Những

- Chỉ có một đầu ra duy nhất của một nơ ron được nối với các đầu vào khác
nhau của nơ ron khác. Điều kiện để nơ ron được kích hoạt hay không kích hoạt chỉ
phụ thuộc những đầu vào hiện thời của chính nó.Thông thường một nơ ron có 3
phần như hình 1.2:

điểm tiếp nhận với các synapte trên các nơ ron khác có thể ở các dendrite hay chính
soma.

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên



Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên




21
Chương I.Tổng quan về mạng nơ ron nhân tạo
y1

Wi1

yj

Wij

ym

22
Chương I.Tổng quan về mạng nơ ron nhân tạo

Quan hệ của H(s) và h(t) và quan hệ vào – ra tương ứng của nơ ron được cho trong



WiN

u1

W*i1

uk

W*ik

uM

W*iM

1



Hệ
động
học
tuyến
tính

vi

xi

Hàm
động học
phi tuyến

bảng 1.1
yi

a(.)

H(s) 1

h(t)

 (t )

1
s

1
sT  1

1(t)

1 T
e
T

t

xi(t) = wi(t) x (t) = v (t)
i
i

Txi(t) +xi(t) = vi(t)

e  sT

 (t  T )

xi(t) = vi(t-T)

Bảng 1.1
Hàm động học phi tuyến: Mô tả mối quan hệ của đầu ra yi với đầu vào xi:

Hình 1.2. Mô hình nơ ron nhân tạo

yi=a(xi)

Trên mỗi đầu vào của nơ ron có gắn một trọng số để liên kết giữa nơ ron thứ i và nơ

với a(.) là hàm chuyển đổi.

ron thứ j. Các trọng số này tương tự như các tế bào cảm giác của mạng nơ ron sinh

Hàm chuyển đổi: Để tìm được đầu ra của nơ ron ta phải tiến hành qua hai bước như

học.

sau:
N

- Tìm các giá trị tổng trọng lượng đầu vào neti(t)

M

*
Tổng trọng: Vi(t) = neti(t) =  Wij . y j (t )   W ik .u k (t )   i
j 1

(1.1)

k 1

Với Vi(t) là tổng trọng của nơ ron thứ i; yj(t) là các đầu ra của nơ ron thứ jvà
uk(t) là các đầu vào từ bên ngoài tương ứng với các trọng số Wij và

W*ik;

 là hằng

- Căn cứ vào neti(t) để tìm ra yi bằng các hàm chuyển đổi vào ra.
Hàm chuyển đổi a(.) thực hiện coi nơ ron như một hộp đen, chuyển đổi một
tín hiệu vào thành tín hiệu ra.Các dạng hàm chuyển đổi thường được sử dụng có

số gọi là ngưỡng của nơ ron thứ i.

dạng như sau:

Hệ động học tuyến tính SISO: Đầu vào là vi đầu ra là xi. Ở dạng toán tử Laplace ta

+ Hàm Rump (Rump Function) là hàm có biểu diễn toán học như (1.4):

có:
Xi(s)= H(s).Vi(s)

(1.2)

Dạng thời gian của (1.2) có dạng (1.3)

xi (t ) 

1 nếu f > 1
f nếu 0 f  1
0 nếu f < 0

(1.3)

+ Hàm bước nhảy (Step Function) là hàm có biểu diễn toán học như (1.5):



1 nếu f  0
a(f) =
0 nếu f < 0

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

(1.4)

Biểu diễn hình học của hàm Rump như hình vẽ 1.3.a

t

 h(t   )vi ( )d

a(f) =



Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

(1.5)




23

Chương I.Tổng quan về mạng nơ ron nhân tạo

24
Chương I.Tổng quan về mạng nơ ron nhân tạo

Biểu diễn hình học của hàm như hình vẽ 1.3.b

Mỗi một nơ ron có thể phối hợp với các nơ ron khác tạo thành một lớp các

+ Hàm giới hạn cứng (Threshold Function) là hàm có biểu diễn toán học như (1.6):

trọng số. Mạng một lớp truyền thẳng (Single- Layer Feedforward Network) như
hình 1.4 a

1 nếu f  0
a(f) =

(1.6)

-1 nếu f < 0

Có thể nối vài lớp nơ ron với nhau tạo thành mạng nhiều lớp truyền thẳng
(Multi- Layer Feedforward Network) như hình 1.4.b

Biểu diễn hình học của hàm như hình vẽ 1.3.c

Hai loại mạng nơ ron một lớp và nhiều lớp được gọi là truyền thẳng nếu đầu

+ Hàm sigmoid hai cực (Bipolar Sigmoid Function) là hàm có biểu diễn toán học

2
1
như (1.7): a(f) =
1  e  f

ra của mỗi nơ ron được nối với các đầu vào của các nơ ron của lớp trước đó.
Mạng nơ ron phản hồi là mạng mà đầu ra của mỗi nơ ron được quay trở lại

(1.7)

nối với đầu vào của các nơ ron cùng lớp được gọi là mạng Laeral như hình 1.4.c

Biểu diễn hình học của hàm như hình vẽ 1.3d
a
a

a

Mạng nơ ron phản hồi có thể thực hiện đóng vòng được gọi là mạng nơ ron
hồi quy (Recurrent Network) như hình 1.4.d

1
0 1

1

1
f

0

f

0

x1
-1

f

Hình 1.3a. Hàm Rump Hình 1.3b. Hàm bước nhảy Hình 1.3b. Hàm giới hạn cứng

w11

x2
xm

wmm
Hình 1.4.a

y1

x1

y1

y2

x2

y2

ym

xm

ym
Hình 1.4.b

x1

y1

x1

x2

y2

x2

xm

ym

xm

Hình 1.4.c

Hình 1.3.d Hàm Sigmoid hai cực

1.3.2.2. Phân loại mạng nơ ron.

w11

y1
y2

wmm

ym

Hình 1.4.d

Các nơ ron lớp vào trực tiếp nhận tín hiệu ở đầu vào, ở đó mỗi nơ ron chỉ có

Nelson và IIlingworth (1991) đã đưa ra mộy số loại cấu trúc của mạng nơ

một tín hiệu vào. Mỗi nơ ron ở lớp ẩn được nối với tất cả các nơ ron lớp vào và lớp

ron như hình 1.4. Nơron được vẽ là các vòng tròn xem như một tế bào thần kinh,

ra. Các nơ ron ở lớp ra có đầu vào được nối với tất cả các nơ ron ở lớp ẩn, chúng là

chúng có các mối liên hệ đến các nơ ron khác nhờ các trọng số, lập thành các ma

đầu ra của mạng. Cần chú ý rằng một mạng nơ ron cũng có thể có nhiều lớp ẩn. Các

trận trọng số tương ứng.

mạng nơ ron trong mỗi nơ ron chỉ được liên hệ với tất cả các nơ ron ở lớp kế tiếp và

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên



Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên




25
Chương I.Tổng quan về mạng nơ ron nhân tạo

26
Chương I.Tổng quan về mạng nơ ron nhân tạo

tất cả các mối liên kết chỉ được xây dựng từ trái sang phải được gọi là mạng nhiều
lớp truyền thẳng (perceptrons).

Nhiệm vụ của việc học thông số là bằng cách nào đó, tìm được ma trận chính

1.3.2.3. Các luật học.
Thông thường mạng nơ ron được điều chỉnh hoặc được huấn luyện để hướng
các đầu vào riêng biệt đến đích ở đầu ra. Cấu trúc huấn luyện mạng được chỉ ra trên
hình 1.5 Ở đây, hàm trọng của mạng được điều chỉnh trên cơ sở so sánh đầu ra với
đích mong muốn (taget) cho tới khi đầu ra mạng phù hợp với đích. Những cặp
vào/đích (input/taget) được dùng để giám sát cho sự huấn luyện mạng.
Đích
Vào

- Học cấu trúc (Structure Learning): Trọng tâm là sự biến đổi cấu trúc của
mạng nơ ron gồm số lượng nút (node) và các mẫu liên kết

Hàm trọng (weights)
giữa các nơ ron

So sánh

xác mong muốn từ ma trận giả thiết ban đầu với cấu trúc của mạng nơ ron có sẵn.
Để làm được việc đó, mạng nơ ron sử dụng các trọng số điều chỉnh, với
nhiều phương pháp học khác nhau có thể tính toán gần đúng ma trận W cần tìm đặc
trưng cho mạng.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 xi vào mạng nơ ron,
tương ứng sẽ có các đáp ứng mong muốn di của đầu ra cho trước ở thời điểm đó.
Hay nói cách khác, trong quá trình học có giám sát, mạng nơ ron được cung cấp
liên tục các cặp số liệu mong muốn vào –ra ở từng thời điểm (x1 ,d1), (x2, d2),… (xk,
dk),…khi cho tín hiệu vào thực là xk sẽ tương ứng có tín hiệu đầu ra cũng được lặp

Điều chỉnh

lại là dk giống như mong muốn. Kết quả của quá trình học có giám sát là tạo được

Hình 1.5. Cấu trúc huấn luyện mạng nơ ron
Để có được một số cặp vào/ra, ở đó mỗi giá trị vào được gửi đến mạng và giá

một hộp đen có đầu vào là véc tơ tín hiệu vào X sẽ đưa ra được câu trả lời đúng d.
Để đạt được kết quả mong muốn trên, khi đưa vào tín hiệu xk, thông thường

trị ra tương ứng được thực hiện bằng mạng là sự xem xét và so sánh với giá trị

sẽ có sai lệch ek giữa tín hiệu đầu

mong muốn. Bình thường tồn tại một sai số bởi lẽ giá trị mong muốn không hoàn

ra thực yk với tín hiệu đầu ra

toàn phù hợp với giá trị thực. Sau mỗi lần chạy, ta có tổng bình phương của tất cả

mong muốn dk. Sai lệch đó sẽ

các sai số. Sai số này được sử dụng để xác định các hàm trọng mới.

được truyền ngược tới đầu vào

Sau mỗi lần chạy, hàm trọng của mạng được sửa đổi với đặc tính tốt hơn
tương ứng với đặc tính mong muốn. Từng cặp giá trị vào/ra phải được kiểm tra và
trọng lượng được điều chỉnh một vài lần. Sự thay đổi các hàm trọng của mạng được
dừng lại nếu tổng các bình phương sai số nhỏ hơn một giá trị đặt trước hoặc đã chạy
đủ một số lần chạy xác định (trong trường hợp này mạng có thể không thoả mãn
yêu cầu đặt ra do sai lệch còn cao). Có hai kiểu học:

x

e
Máy tính
phát hiện
sai

để điều chỉnh thông số mạng nơ

ron là ma trận trọng số W…Quá
trình cứ thế tiếp diễn sao cho sai

y

Mạng
nơron

d

Hình 1.6.Mô hình học có giám sát và học củng cố

lệch giữa tín hiệu ra mong muốn và tín hiệu ra thực tế nằm trong phạm vi cho
phép, kết quả nhận được ma trận trọng số với các phần tử wij đã được điều chỉnh
phù hợp với đặc điểm của đối tượng hay hàm số mạng nơ ron cần học. Mô hình
học có giám sát được minh hoạ như hình 1.6

- Học thông số (Paramater Learning): Tìm ra biểu thức cập nhật các thông số
về trọng số, cập nhật kết nối giữa các nơ ron.

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên



Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên




27

Chương I.Tổng quan về mạng nơ ron nhân tạo

28
Chương I.Tổng quan về mạng nơ ron nhân tạo

- Học củng cố:(Reinforcement Learning).

Trong đó tín hiệu vào xj, j=1,2,3…,m, có thể được lấy từ đầu ra của các nơ ron khác

Là phương pháp học trong đó tín hiệu d được đưa từ bên ngoài nhưng không

hoặc có thể được lấy từ bên ngoài. Tín hiệu mong muốn di có sẵn chỉ có trong

được đầy đủ mà có thể chỉ đưa đại diện 1 bít để có tính chất kiểm tra quá trình

phương pháp học có giám sát hoặc củng cố. Từ hai phương pháp học trên, trọng số

đúng hay sai. Tín hiệu đó được gọi là tín hiệu củng cố (Reinforcement Signal).

của nơ ron thứ i được thay đổi tuỳ theo tín hiệu ở đầu vào mà nó thu nhận và giá trị

Phương pháp học củng cố chỉ là một phương pháp học riêng của phương pháp học

đầu ra của nó. Trong phương pháp học không có giám sát sự thay đổi của trọng số

có giám sát, bởi vì nó cũng nhận tín hiệu chỉ đạo từ bên ngoài. Chỉ khác là tín hiệu

chỉ dựa trên cơ sở các giá trị đầu vào và đầu ra. Dạng tổng quát của luật học trọng

củng cố có tính ước lượng hơn là để dạy. Tín hiệu giám sát bên ngoài d thường

số của mạng nơ ron là cho biết gia số của véc tơ wi là wi tỷ lệ với tín hiệu học r và

được tiến hành bởi các tín hiệu ước lượng để tạo thông tin ước lượng cho mạng nơ

tín hiệu đầu vào x(t):

ron điều chỉnh trọng số với hy vọng sự ước lượng đó mang lại sự chính xác trong
quá trình tính toán. Mô hình học củng cố được minh hoạ như hình 1.6

wi(t) = .r.x(t)

(1.8)

: Là hằng số học, xác định tốc độ học và là một số dương

- Học không có giám sát (Unsupervied Learning).

r: Là tín hiệu học r = fr(wi,x,di)

(1.9)

Trong trường hợp này, hoàn toàn không có tín hiệu ở bên ngoài. Giá trị mục

Biểu thức (1.8) là biểu thức chung để tính số gia của trọng số, ta thấy trọng số

tiêu điều khiển không được cung cấp và không được tăng cường. Mạng phải khám

wi = (wi1, wi2, …, wim)T có gia số tỷ lệ với tín hiệu vào x và tín hiệu học r. Từ các

phá các mẫu, các nét đặc trưng, tính cân đối, tính tương quan… Trong khi khám phá

biểu thức trên ta có véc tơ trọng số ở thời điểm (t+1) được tính là:

các đặc trưng khác, mạng nơ ron đã chải

x

qua việc tự thay đổi thông số, vấn đề đó

y

Mạng
nơron

minh hoạ như hình 1.17

sát hay không có giám sát là tín hiệu học r như thế nào để thay đổi hoặc cập nhật
Hình1.7.Mô hình học không có giám sát

(tiến dần) và huấn luyện theo gói. Sự huấn luyện theo gói của mạng nhận được bằng
việc thay đổi hàm trọng và độ dốc trong một tập (batch) của véc tơ đầu vào. Huấn

wi1

x1

Nơ ron thứ i

luyện tiến dần là thay đổi hàm trọng và độ dốc của mạng sau mỗi lần xuất hiện của

xj

y
wij

một phần tử véc tơ đầu vào. Huấn luyện tiến dần đôi khi được xem như huấn luyện
trực tuyến hay huấn luyện thích nghi.

wi

xm-1 wim-1= 
xm= -1

trọng số có trong mạng nơ ron.
Có 2 phương pháp cơ bản để huấn luyện mạng nơ ron: Huấn luyện gia tăng

Cấu trúc chung của quá trình học được mô tả như hình 1.20.
x1

(1.10)

Vấn đề quan trọng trong việc phân biệt luật học cập nhật trọng số có giám

được gọi tự tổ chức (Self- Organizing).
Mô hình học không có giám sát được

w i(t+1) = wi(t) + .fr{wi (t), x(t), di(t)}.x(t)

r

x(t)

Mạng nơ ron đã được huấn luyện để thực hiện những hàm phức tạp trong
Máy phát tín
hiệu học

d

nhiều lĩnh vực ứng dụng khác nhau như trong nhận dạng, phân loại sản phẩm, xử lý
tiếng nói, chữ viết và điều khiển hệ thống.


Hình 1.8. Sơ đồ cấu trúc chung của quá trình học

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên



Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên




29
Chương I.Tổng quan về mạng nơ ron nhân tạo

30
Chương I.Tổng quan về mạng nơ ron nhân tạo

Thông thường để huấn luyện mạng nơron, người ta sử dụng phương pháp

 w 11 w 12  w 1R 
w w  w 
2R 
W   21 22




 w S1 w S 2  w SR 

huấn luyện có giám sát, nhưng cũng có mạng thu được từ sự huấn luyện không có
giám sát. Mạng huấn luỵện không giám sát có thể được sử dụng trong trường hợp
riêng để xác định nhóm dữ liệu.

(1.12)

Trong đó: Chỉ số hàng trong các phần tử của ma trận W cho biết nơ ron nơi

1.3.3. Mô hình toán học mạng nơ ron truyền thẳng và mạng nơ ron hồi quy.

đến còn chỉ số cột cho biết nơi xuất phát của trọng liên kết. Ví dụ: w12 nói lên sự có

1.3.3.1.Mạng nơ ron truyền thẳng.

mặt của tín hiệu vào từ phần tử thứ hai đến nơ ron thứ nhất với trong liên kết là w12.

a/ Mạng nơ ron một lớp.

Để đơn giản ta ký hiệu mạng một

Một cấu trúc toán học mạng 1 lớp với

Vào

R đầu vào và S nơ ron được chỉ ra trên hình

Các nơron
w1,1

p1

1.9.

1

p2

Trong đó:
-Véc tơ vào P có R phần tử P = [p1 p2 … pR]
-Véc tơ vào n có S phần tử nT = [n1 n2 … nS]

1

.

f

b1

n2



p3
T

n1



lớp gồm S nơ ron, R đầu vào như hình

f
.
.

.

.

-Véc tơ ra a có S phần tử aT = [a1 a2 … aS]

wS,R

nS


1

a2
.

b2

.

pR

a1

f

.
.

aS

bS

a = f(WP+b)

vẽ 1.10.

Hình1.9.Cấu trúc mạng nơ ron 1 lớp

Nơ ron

thước R, ma trận trọng liên kết W có

P
W
Rx1
SxR
1
b

kích thước S x R còn a và b là các véc

Sx1

Trong đó: véc tơ vào P có kích

tơ có kích thước S. Như chúng ta đã
biết, một lớp mạng bao gồm ma trận
trọng liên kết, toán tử nhân, véc tơ độ

(1.11)

Vào

R

+

n
Sx1

f

a
Sx1

S

a = f(WP+b)

(1.13)

Hình 1.10. Ký hiệu mạng một lớp
R đầu vào và S nơ ron

dốc b, bộ tổng và hàm truyền.
b/. Mạng nơron nhiều lớp.

Trong mạng này mỗi phần tử của véc tơ vào P liên hệ với đầu vào mỗi nơ ron thông

Để khảo sát mạng nhiều lớp trước hết chúng ta cần đưa ra các ký hiệu qui

qua ma trận trọng lượng liên kết W. Bộ cộng của nơ ron thứ i thu thập các trọng

ước cho một lớp mạng. Đặc biệt ta cần phải phân biệt sự khác nhau giữa ma trận

liên kết đầu vào và độ dốc để tạo thành một đầu ra vô hướng ni. Các ni tập hợp với

trọng lượng liên kết ở đầu vào và các ma trận trọng liên kết giữa các lớp.

nhau tạo thành s phần tử của véc tơ vào n. Cuối cùng ở lớp ra nơ ron ta thu được
véc tơ a gồm s phần tử.

weights) và các ma trận đến từ lớp ra là trọng liên kết lớp (layer weights). Ta sẽ

Ta có thể thiết lập lớp đơn của các nơ ron có các hàm chuyển khác nhau một
cách dễ dàng bởi lẽ hai mạng được đặt song song. Tất cả các mạng có thể có chung
đầu vào và mỗi mạng có thể thiết lập một vài đầu ra.

dùng các chỉ số viết bên trên để phân biệt nguồn (chỉ số thứ hai) và đích (chỉ số thứ
nhất) cho các trọng liên kết và các phần tử khác của mạng.
Để minh hoạ, ta xét một lớp mạng có nhiều đầu vào như hình 1.11. Trong đó

Các phần tử của véc tơ đầu vào được đưa vào mạng thông qua ma trận trọng

R là số phần tử lớp vào và S1 là số nơron của lớp 1. Ta thấy ma trận trọng liên kết
với véc tơ vào P là ma trận trọng vào (IW1,1) có nguồn là 1 (chỉ số thứ 2) và đích là

W, với:

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

Ta gọi ma trận trọng lượng liên kết nối với đầu vào là các trọng vào (input



Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên




31
Chương I.Tổng quan về mạng nơ ron nhân tạo

1 (chỉ số thứ nhất). Đồng thời
các phần tử của 1 lớp như độ

Vào

dốc, tín hiệu vào hàm chuyển,
đầu ra có chỉ số viết trên là 1 để
nói rằng chúng được liên kết với

1

1

1

lớp thứ nhất (b , n , a ).

R

Một mạng nơ ron có thể
có một vài lớp. Mỗi lớp có ma

b1
S1x1

1

+

n

S1x1

f1

a1
S1x1

S1

a1 = f1(W1,1P+b1)
(1.14)
Hình 1.11: Ký hiệu một lớp mạng

trận trọng liên kết W, véc tơ độ

Lớp 3 (lớp ra)
2

a 1 lw1,1
n1
a1
a1 1
n11
n31 3

f2

f


f1
p1
3
1
b21
1
1 b1
1 b1
1
2
1
p2
2
a2
a3 2
n2
n2 2 a2
n3 2 3
1
f


f

f
p3
3
2
b1 2

1 b2
1 b2
1
……………………………………………………………………………………….
2
n2 S 2 a S
n3S 3
a3 S
n1S 1 a1S
pR
f

f


f
iw 1S,,1R
1
2
lw S2,1,S
lwS3,32,S2 1 b3S
1 bS
1 bS
iw 11,,11

W1,1
S1xR

Lớp 2 (lớp ẩn)

Lớp 1(lớp vào)

Vào

Lớp 1

P
Rx1

1

32
Chương I.Tổng quan về mạng nơ ron nhân tạo

2

2

dốc b và đầu ra a. Để phân biệt các ma trận trọng liên kết véc tơ vào cho mỗi lớp

a1 = f1(W1,1P+b1)

3, 2

3

1

a2 = f2(W2,1a1+b2)

a3 = f3(W3,2a2+b3)

(1.15)

mạng trong sơ đồ, ta thêm con số chỉ lớp viết ở phía trên cho biến số quan tâm.
Hình 1.12 là ký hiệu sơ đồ mạng 3 lớp. Trong đó có R1 đầu vào, S1 nơ ron ở

Hình 1.12. Cấu trúc mạng nơ ron 3 lớp
Vào

Lớp 2

Lớp 1

Lớp 3

2

lớp 1, S nơron ở lớp 2 … Thông thường, các lớp khác nhau có số nơ ron khác

P

nhau.

Rx1

Chú ý rằng đầu ra của mỗi lớp trung gian là đầu vào của lớp tiếp theo. Như

1

vậy lớp 2 có thể được xem như mạng 1 lớp với S1 đầu vào, S2 nơ ron và S2 x S1
trọng liên kết của ma trận W2. Đầu vào của lớp 2 là véc tơ a1, đầu ra là véc tơ a2.
Các lớp của mạng nhiều lớp đóng vai trò khác nhau. Lớp cuối cùng là kết quả ở đầu
ra của mạng, được gọi là lớp ra. Lớp đầu tiên thu thập tín hiệu vào được gọi là lớp
vào, các lớp khác được gọi là lớp ẩn. Mạng 3 lớp ở trên có 1lớp ra (lớp3) có 1lớp
vào (lớp1) và 1lớp ẩn (lớp 2).
Đối với mạng 3 lớp ta cũng có thể sử dụng ký hiệu tắt để biểu diễn (hình 1.13).

R

a1

IW1,1

S1xR

n1
+

f1

b

S x1

S1

3

3,2 2

n
+

2

b

f2

2

S x1

3

S3xS2

b3

S2

1,1

1

2

n
+

f3

S3x1

S3x1
S3

S3x1

a2 = f2(LW2,1a1+b2)
2,1 1

a3 = y

LW3,2

2

1

S x1

S2x1

a1 = f1(IW1,1P+b1)
3

a2
2

S2xS1
1

1

1

LW2,1

S1x1

a3 = f3(LW3,2a2+b3)

3

a = f [LW f (LW f (IW P+b )+b ]+b = y

(1.16)

Hình 1.13. Ký hiệu tắt của mạng nơ ron 3 lớp
1.3.3.2.Mạng nơ ron hồi quy.

Mạng nhiều lớp rất mạnh, ví dụ có mạng 2 lớp, trong đó lớp 1 có hàm chuyển

Mạng hồi quy còn được gọi là mạng phản hồi là loại mạng tự liên kết thành

sigmoid, lớp 2 có hàm chuyển linear có thể được huấn luyện để làm xấp xỉ một

các vòng và liên kết hồi quy giữa các nơ ron. Mạng nơ ron hồi quy có trọng số liên

hàm bất kỳ (với số điểm gián đoạn có hạn chế).

kết đối xứng như mạng Hopfield luôn hội tụ về trạng thái ổn định. Mạng liên kết hai

3

Trong đó a là đầu ra của mạng, ta ký hiệu đầu ra này là y. Ta sẽ sử dụng ký

chiều (BAM) là mạng thuộc nhóm mạng nơ ron hồi quy hai lớp nơ ron liên kết tay
đôi, trong đó đảm bảo nơ ron của cùng một lớp không liên kết với nhau, cũng hội tụ

hiệu này để định rõ đầu ra của mạng nhiều lớp.

về trạng thái ổn định. Nghiên cứu mạng nơ ron hồi quy có trọng số liên kết không

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên



Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên




33
Chương I.Tổng quan về mạng nơ ron nhân tạo

34
Chương I.Tổng quan về mạng nơ ron nhân tạo

đối xứng sẽ gặp nhiều phức tạp hơn so với mạng truyền thẳng và mạng hồi quy đối

cho máy ghi cho nhiệm vụ thực hiện các dãy. Nó có khả năng áp dụng cho điều

xứng. Mạng nơ ron hồi quy có khả năng về nhận mẫu, nhận dạng các hàm phi

khiển thích nghi. Hình 1.14 là mạng nơ ron một lớp hồi quy. Hình 1.15 là mạng nơ

tuyến, dự báo … Một ưu điểm khác của mạng nơ ron hồi quy là chỉ cần mạng nhỏ

ron nhiều lớp hồi quy

hơn về cấu trúc cũng có khả năng như mạng truyền thẳng có cấu trúc lớp hơn.

Wph

a/ Mạng nơ ron hồi quy không hoàn toàn (Partially Recrrent Networks).

Vào

Là mạng đó dựa trên cơ sở mạng lan truyền ngược vì cấu trúc hồi quy. Cấu

P

trúc của mạng hồi quy không hoàn toàn phần lớn là cấu trúc truyền thẳng nhưng có

Rx1

cả sự lựa chọn cho một bộ phận có cấu trúc hồi quy.Trong nhiều trường hợp, trọng

1

số của cấu trúc hồi quy được duy trì không đổi, như vậy luật học truyền ngược có
thể dễ dàng được sử dụng. Trong các mạng loại này, sự truyền thẳng được xảy ra rất

R

nhanh hoặc không phụ thuộc vào thời gian, trong khi đó tín hiệu hồi quy được thực

Lớp 2

Lớp 1
a1

IW1,1

S1xR
b

n1
+

S x1

a2

S1

n2

S x1

S2xS1
1

1

1

LW2,1

1

f1

Lớp 3

b

+

2

f2

2

S3xS2

1

S x1

S2x1

S2x1

S2

a3 = y

LW3,2

3

b

n3
+

f3

S3x1

3

S x1
S3

S3x1

Hình 1.15. Ký hiệu tắt của mạng nơron 3 lớp hồi quy

hiện có tính thời gian. Mạng có thể nhận mẫu dãy dựa vào tình trạng cuối cùng của
dãy và có thể dự báo tiếp theo cho tín hiệu của dãy theo thời gian. Như vậy, mạng
hồi quy không hoàn toàn về cơ bản là mạng tryền thẳng , liên kết hồi quy có thể đi

1.4.QUÁ TRÌNH HUẤN LUYỆN MẠNG NHIỀU LỚP.
Chúng ta đã biết, mạng nơ ron nhiều lớp có thể xấp xỉ gần đúng một hàm bất

từ các nút ở các lớp ra hoặc lớp ẩn.

kỳ, tiếp đó là thủ tục tính chọn các thông số của mạng (các hàm trọng lượng và độ

b/ Mạng nơ ron hồi quy hoàn toàn (Fully Recrrent Networks).
Là một trong những

Vào

loại mạng nơ ron hồi quy đầu

P
Rx1

tiên được Gossberg xây dựng
để học và biểu diễn các mẫu

1

bất kỳ loại mạng này được
xây dựng theo mẫu InstarOutstar. Loại mạng hồi quy

dốc) cho một đối tượng cụ thể được gọi là quá trình huấn luyện mạng. Trong phần

Lớp 1
W1,1
S1xR
b1
S1x1

R

này chúng ta sẽ chỉ ra một phương pháp huấn luyện là phương pháp lan truyền

Wph
+

n

ngược. Kỹ thuật cơ bản của phương pháp lan truyền ngược là cập nhật trọng số theo

1

S1x1

f1

1

a

hướng giảm độ dốc.
Như đã nêu, mạng nhiều lớp có đầu ra của lớp trước là đầu vào của lớp tiếp

S1x1

S1

theo. Sơ đồ cấu trúc được cho như hình vẽ 1.13.
Biểu thức toán học mô tả sự hoạt động như (1.17):
am+1 = f m+1(wm+1.am + bm+1 ). Với m = 0,1,2,…M-1.

Hình 1.14. Ký hiệu một lớp mạng hồi quy

hoàn toàn có tác dụng nhận số

Trong đó M là số lớp nơ ron trong mạng. Các nơ ron của lớp thứ nhất nhận

lượng mẫu nhiều nhơn. Với mạng hồi quy hoàn toàn đã hình thành quan điểm thực

tín hiệu đầu vào từ bên ngoài: a0 = p

hiện và luyện mạng hồi quy từ mạng truyền thẳng nhiều lớp được xây dựng từ một
y=a

phù hợp khi quan tâm đến các dãy với độ lớn T là nhỏ. Nó đã được sử dụng học

1.4.1.Quá trình thực hiện.

(1.18)

Đầu ra của các nơ ron ở lớp cuối cùng của mạng được coi là đầu ra của mạng:

lớp cho mỗi bước tính. Khái niệm này được gọi là lan truyền ngược theo thời gian

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

(1.17)

m

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

(1.19)




35
Chương I.Tổng quan về mạng nơ ron nhân tạo

36
Chương I.Tổng quan về mạng nơ ron nhân tạo

Thuật toán lan truyền ngược của mạng nhiều lớp là một phương pháp làm

Với mạng một lớp tuyến tính thì các thành phần đạo hàm trong công thức

giảm độ dốc. Phương pháp này được dùng để cập nhật những thông số sao cho giảm

(1.24) và (1.25) được tính dễ dàng và tiện lợi, từ đó sai lệch có thể được viết như

thiểu sai số của mô hình. Sai số được đo bằng phương pháp trung bình bình phương

một hàm tuyến tính của các trọng số.

sai lệch. Tập hợp mẫu vào ra được cho dưới dạng như (1.20):

Với mạng nhiều lớp, sai lệch 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

p1,t1

…

p2,t2

pQ,tQ

(1.20)

Trong đó pq là một đầu vào của mạng, và tq tương ứng là một đầu ra. Mỗi

trọng số ở các lớp ẩn nên chúng ta sẽ sử dụng qui tắc chuỗi toán học để tính đạo
hàm riêng trong các biểu thức (1.24) và (1.25)

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 (1.21):
F(x) =



Q

e
q 1



F
 F n im

x
m
wi , j
nim wim, j

2
q

Q

  (t q  a q )

2

(1.21)

Q

q 1

q 1

F(x) =  eq T eq   (t q  a q ) T (t q  a q )

Số hạng thứ hai trong mỗi công thức có thể được tính dễ dàng vì đầu vào lớp

nim 

(1.22)

S m 1

w

.a mj  bim

(1.28)

nim
n m
 a mj ; im  1

m
wi , j
bi

(1.29)

m
i, j

j

Sử dụng phương pháp xấp xỉ quen thuộc, chúng ta sẽ thay thế tổng bình
phương sai lệch bằng sai lệch của đáp ứng hiện tại:


F ( x)  {t (k )  a(k )}T {t (k )  a(k )}

Do đó:
(1.23)

Trong đó bình phương sai lệch mong muốn đã được thay thế bằng bình



Nếu chúng ta định nghĩa: S

phương sai lệch tại thời điểm k.
Thuật toán giảm độ dốc theo phương pháp xấp xỉ bình phương sai lệch là:
m
i, j

m
i

(1.30)



(1.24)

(1.25)

F
 sim
bim

(1.31)



Trong đó  là tốc độ học.

(1.32)

Đến đây chúng ta có thể biểu diễn thuật toán xấp xỉ để giảm độ dốc như
(1.33), (1.34):

1.4.2.Qui tắc chuỗi.

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

F
 m
ni

F
 sim .a mj1
wim, j



F
b (k  1)  b (k )   m
bi
m
i

m
i

thì công thức (1.26) và (1.27) có thể được đơn giản hoá như (1.31), (1.32):



F
w (k  1)  w (k )  
wim, j
m
i, j

(1.27)

mạng thứ m là hàm hiện của trọng số và độ dốc của lớp ấy:

mạng có nhiều đầu ra thì biểu thức tổng quát được tính như (1.22):
Q



F
 F n m
 m x im
m
bi
ni
bi

q 1

Trong đó x là véc tơ bao gồm cả trọng số liên kết và độ dốc của mạng. Nếu

(1.26)



Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

37
Chương I.Tổng quan về mạng nơ ron nhân tạo

38
Chương I.Tổng quan về mạng nơ ron nhân tạo

wim, j (k  1)  wim, j (k )  S im .a mj1

(1.33)

nay, khi cần thiết người ta có thể sử dụng giải thuật tương tự như lan truyền ngược

bim (k  1)  bim (k )  S im

(1.34)

để tính toán các đạo hàm riêng.
Thuật toán Levenberg- Marqanrdt rất chính xác cho việc huấn luyện mạng cỡ

Khi đó ta có ma trận dạng (1.35), (1.36):
Wm(k+1) = Wm(k) - Sm.( am-1)T

(1.35)

Bm (k+1) = bm (k) - Sm

(1.36)

Trong đó các phần tử riêng của S được tính theo công thức (1.32)
Việc còn lại bây giờ là chúng ta tính toán độ chính xác Sm, nó cần đến các

ứng dụng khác của qui tắc chuỗi. Đó là quá trình chúng ta cho số hạng lan truyền
ngược, bởi vì nó diễn tả mối liên hệ phản hồi và độ chính xác ở lớp m được tính từ
độ chính xác của lớp m+1:
(1.37)

Sm = Ḟm (nm). (wm+1)T.Sm+1 .
m = M-1… 2,1

sẽ phân tích trong phần sử dụng thuật toán lan truyền ngược, đó là các phép tính đạo
là thuật toán lan truyền ngược. Một sự khác biệt của thuật toán là kết quả của các
phép đạo hàm được sử dụng để cập nhật các trọng số.
1.4.5.Tổng quát (Phép nội suy và ngoại suy).
Chúng ta đã biết mạng nhiều lớp có khả năng làm xấp xỉ gần đúng các hàm
bất kỳ, nhưng chúng ta chưa đề cập đến vấn đề tính chọn số nơ ron và số lớp cần
thiết để đạt được một độ chính xác nhất định nào đó, chúng ta chưa đề cập đến vấn
đề huấn luyện theo dữ liệu mẫu phải được chọn như thế nào. Môt bí quyết xác định

(1.38)

m

đủ số lượng nơ ron để đạt được mức độ phức tạp của hàm biên mà không cần quan
tâm đến quá trình huấn luyện dữ liệu đó là trong trường hợp không cập nhật trạng

Trong đó F (nm) có dạng như (1.39).

 m
 f (n1m ) 0...................

m


m
F (n m )   0
f (n2m )........


0......................
 0


truyền ngược được cho bởi biểu thức (1.38). Để hiểu rõ các thuật toán trên, chúng ta
hàm được xử lý từ lớp cuối cùng đến lớp đầu tiên. Đó chính là lý do để người ta gọi

1.4.3. Độ chính xác của thuật toán lan truyền ngược.

Sm = - 2.Ḟm (nm). (t-a)

nhỏ và trung bình và nó được sử dụng một thuật toán tương tự với thuật toán lan


0 

0 

m
m 
f (ns )


thái mới. Nếu không, chúng ta cần phải có đủ quá trình huấn luyện dữ liệu để mô tả

tương xứng hàm biên. Để minh hoạ cho việc chúng ta có thể huấn luyện mạng, ta
(1.39)

xét ví dụ tổng quát dưới đây.Quá trình huấn luyện mạng được khái quát hoá theo
biểu thức (1.40):
tq = g(pq) + eq

(1.40)

Trong đó pq là tập hợp các đầu vào; g( ) là hàm biên mà chúng ta muốn xấp

1.4.4.Biến thể của thuật toán lan truyền ngược.
Trong một số trường hợp sẽ là không thích hợp với thuật toán mà chúng ta
thường quy vào như lan truyền ngược cho bởi biểu thức (1.35) và (1.36). Trên thực

xỉ gần đúng; eq là sai số đo của nhiễu và tq là tập hợp các đầu ra (đáp ứng của
mạng).

tế, thường là thuật toán giảm độ dốc nhất. Ở đây có nhiều thuật toán khả quan sử
dụng các biến thể của giải thuật lan truyền ngược, trong đó các đạo hàm được xử lý
từ lớp cối cùng đến lớp đầu tiên của mạng được tính theo công thức (1.37),(1.38).
Ví dụ: Kết hợp giữa độ dốc và thuật toán Newton ([Shan 90], [Scanl 185],
[Char 92]) thông thường cho độ chính xác hơn giải thuật giảm độ dốc nhất. Ngày

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên



Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

39
Chương I.Tổng quan về mạng nơ ron nhân tạo

40
Chương I.Tổng quan về mạng nơ ron nhân tạo

khái quát hoá có thể đạt được sự đa dạng của các phương pháp kỹ thuật. Một
phương pháp được gọi là sự dừng sớm, nhiệm vụ của chúng ta là phân chia dữ liệu
huấn luyện theo biến dữ liệu đặt. Sự biểu diễn mạng dựa trên biến đặt sẽ được chỉ
đạo trong suốt quá trình học. Trong giai đoạn đầu của quá trình huấn luyện thì biến
sai lệch giảm, khi bắt đầu có lượng quá điều chỉnh thì biến sai lệch cũng bắt đầu
tăng và tại các điểm quá trình huấn luyện được dừng lại.
Thêm một phương pháp kỹ thuật nữa làm cho mạng tổng quát hoá được gọi
Hình 1.16a.
Đáp ứng của mạng khi sử dụng thuật
toán bình phương sai lệch cực tiểu

Hình 1.16b.
Đáp ứng của mạng khi sử dụng thuật
toán Bayesian

là sự làm đúng theo quy tắc. Với phương pháp biểu diễn chỉ số so sánh làm thay đổi
đến số hạng đem đến sự phức tạp cho mạng, số hạng bất lợi đó là tổng bình phương
của các hàm trọng lượng:
Q

Trên hình vẽ cho biết : Hàm biên g( ) (có nét đậm), Giá trị đích của quá trình học là

F(x)=  eq T eq    (wik, j ) 2

(1.41)

q 1

tq (các vòng tròn ), đáp ứng đầu ra thực tương ứng vớp các đầu vào là a q (vòng tròn

Một bí quyết của phương pháp trên là sự lựa chọn đúng thông số ρ. Nếu giá

nhỏ có gạch chéo bên trong) và đáp ứng toàn bộ của quá trình huấn luyện là đường

trị của nó lớn thì đáp ứng của mạng sẽ bằng phẳng và sẽ xấp xỉ không chính xác

nét mảnh.

được hàm biên. Nếu giá trị của ρ quá nhỏ thì mạng có sự quá điều chỉnh. Một trong

Trong ví dụ trên hình vẽ 1.16a, đó là quá trình huấn luyện cho một mạng cỡ
lớn sử dụng phương pháp bình phương sai lệch cực tiểu. Quá trình học dựa trên 15

các phương pháp thành công nhất trong việc lựa chọn ρ tốt nhất là quy tắc Bayesian
([Mack 92] và [FoHa 97]).

mẫu cho trước, chúng ta có thể thấy được độ chính xác với giá trị đích tại mỗi điểm

Trên hình 1.16b. cho thấy đáp ứng của mạng khi mạng được huấn luyện theo

trong quá trình học. Tuy nhiên, đáp ứng toàn bộ của mạng lại không có khả năng

quy tắc Bayesian. Chú ý rằng đáp ứng của mạng có độ chính xác phù hợp không dài

đạt được tới đường biên. Điều đó có 2 nguyên nhân chủ yếu là:

hơn các điểm dữ liệu huấn luyện. Nhưng nhìn chung đặc tính đầu ra của mạng lại

Thứ nhất do mạng có lượng quá điều chỉnh trong quá trình huấn luyện, đáp
ứng của mạng quá phức tạp vì mạng có nhiều thông số độc lập.

sát vào nhau hơn so với hàm biên trong phạm vi của dữ liệu huấn luyện.
Tuy nhiên, với quy tắc Bayesian đáp ứng của mạng không tính toán được

Vấn đề thứ hai ở đây là trong quá trình huấn luyện không nhận giá trị p< 0,

ngoài phạm vi dữ liệu huấn luyện. Như chúng ta đã đề cập trước đây là chúng ta

nên các nơ ron( bao gồm cả dữ lệu cơ sở và các phương pháp xấp xỉ ) không thể đáp

không thể đòi hỏi mạng tính toán ngoại suy. Nếu chúng ta muốn đáp ứng của mạng

ứng được yêu cầu ngoại suy chính xác.

chính xác từ đầu đến cuối thì ta cần phải cung cấp dữ liệu huấn luyện trong suốt

Nếu một đầu vào mạng mà nằm ngoài phạm vi bao phủ của dữ liệu huấn

phạm vi đó. Điều đó sẽ khó khăn hơn đối với trường hợp mạng có nhiều đầu vào.

luyện thì đáp ứng của mạng sẽ luôn bị sai.

Rất ít khi chúng ta làm cho mạng biển diễn ra ngoài phạm vi của dữ liệu học,
chúng ta có thể làm cho mạng có khả năng nội suy giữa các điểm dữ liệu. Quá trình

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên



Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên




41
Chương I.Tổng quan về mạng nơ ron nhân tạo

1.5. CÔNG NGHỆ PHẦN CỨNG SỬ DỤNG MẠNG NƠ RON.

42
Chương I.Tổng quan về mạng nơ ron nhân tạo

1.6. SO SÁNH KHẢ NĂNG CỦA MẠNG NƠ RON VỚI MẠCH LOGIC.

Mạng nơ ron nhân tạo được dùng để xây dựng các chip mang lại nhiều lợi

- Mạng nơ ron dùng ở các dạng mức (0,1), (-1,1) ở dạng liên tục như hàm

ích với bản chất cấu trúc phân bố song song của sự gia công thông tin như các nơ

chuyển đổi sigmoid và dạng phi tuyến. Do đó phần tử logic chỉ là một trường hợp

ron sinh học. Chíp nơ ron có thể được sử dụng làm các bộ đồng xử lý trong các máy

riêng của mạng nơ ron

tính thông thường và trong việc tính toán.

- Khả năng lập trình được của mạng nơ ron là rất tốt, thay vì phương pháp

Trong phần cứng, mạng nơ ron có thể sử dụng vào nhiều lĩnh vực. Mạng nơ
ron có thể sử dụng với các chức năng như các phần tử analog hoặc digital thay thế
cho các phần tử điện tử thông thường. Các chíp analog có một tiềm năng to lớn về
sử lý tốc độ cao và kinh tế hơn chip digital cùng loại, các chip digital cũng có ưu
điểm là có độ chính xác cao và dễ chế tạo hơn.

lắp giáp phần cứng không lập trình được của mạch logic.
- Ưu điểm nổi bật của mạng nơ ron là khả năng truyền tín hiệu song song
làm tăng tốc độ xử lý và tính toán.
- Ngay ở một phần tử nơ ron cũng có thể được coi là một hệ điều khiển trong
mạch vì nó có đầy đủ các thành phần: ngưỡng, tín hiệu vào- ra, phản hồi, bộ tổng.

Ở phần tử analog, các trọng số liên kết mã hoá được với các phần tử điện trở,

Trong khi đó mạch logic chỉ là một phần tử hoặc một mạch điện tử.

điện cảm và điện dung. Các mức của các nút hoạt hoá (cường độ của tín hiệu) được
đặc trưng bằng các đại lượng dòng và áp.Ví dụ như lưới silic (Silicon Retina) là một
mạng chip analog có thể cạnh tranh được với lưới sinh học (Biologcal Retina)
Công nghệ digital có thể áp dụng để chế tạo các chip nơ ron. Vấn đề này
được Hammestrom và Means (1990) đề cập đến. Khả năng khác là xung học là đặc
trưng cho trọng số và cường độ tín hiệu. Xung học phản ánh tương ứng với tần suất

hoặc khả năng của nơ ron hoạt hoá, tái tạo điều biến quan sát được như của mạng
nơ ron sinh học. Phép nhân của 2 xung học tương ứng với phép AND trong mạch
logic, phép cộng của 2 xung học tương ứng với phép OR trong mạch logic.
Trong hướng của thuật học, có một vài chọn lọc, các trọng số trong một chip
nơ ron cần cố định trước như ROM(Read Only Memory), bộ nhớ có thể chương
trình hoá PROM (Programmable ROM), bộ nhớ có thể xoá và lập trình được
EPROM(Erasable PROM), hoặc bộ nhớ đọc / ghi RAM (Random Access Memory).
Mạng nơ ron mở ra một hướng quan trọng về công nghệ, với ưu thế nổi bật
của mạng nơ ron là khả năng truyền tín hiệu song song ở các chip nơ ron do đó tốc
độ truyền tín hiệu rất cao, đặc trưng này không có ở các chip điện tử truyền thống.

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên



Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên




43
Chương I.Tổng quan về mạng nơ ron nhân tạo

44
Chương I.Tổng quan về mạng nơ ron nhân tạo

KẾT LUẬN CHƢƠNG 1
1.Qua phân tích mô hình mạng nơ ron ta thấy mạng nơ ron có các tính chất sau:

CHƢƠNG II. CÁC PHƢƠNG PHÁP ỨNG DỤNG MẠNG NƠ RON TRONG

- Là hệ phi tuyến.

NHẬN DẠNG VÀ ĐIỀU KHIỂN

- Là hệ xử lý song song.

2.1.CÁC VẤN ĐỀ CHUNG.

- 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.

Mạng nơ ron đã được ứng dụng thành công trong nhiều lĩnh vực như: các hệ
thống điều khiển, xử lý hình ảnh, tiếng nói , tối ưu, truyền thông, y học…

- Là hệ nhiều biến, có nhiều đầu vào / ra (MIMO) rất tiện dùng khi điều
khiển đối tượng có nhiều biến số.

Vì có yêu cầu ngày càng tăng về điều khiển, các hệ thống động học phức tạp
với điều kiện thông tin không đầy đủ hoặc không xác định nên việc sử dụng mạng

- Có khả năng học và làm xấp xỉ các hàm toán học bất kỳ với độ chính xác
tùy ý.

nơ ron rất hấp dẫn bởi khả năng học tập để xấp xỉ hàm và phân loại mẫu của mạng.
Ngoài ra còn bởi tính xử lý song song mạnh mẽ của phần cứng thực thi mạng.

2.So sánh mạng nơ ron truyền thẳng nhiều lớp với mạng nơ ron hồi quy nhiều lớp ta

Thông thường người ta hay dùng mạng nơ ron truyền thẳng nhiều lớp với

thấy mạng nơ ron truyền thẳng nhiều lớp đơn giản hơn vì mạng nơ ron hồi quy

luật dạy học có giám sát. Ưu điểm lớn nhất của các mạng loại này là khả năng tổng

nhiều lớp có thêm các liên kết phản hồi.

quát hoá ánh xạ đầu vào- đầu ra để có thể xấp xỉ bất cứ hàm nào với độ chính xác
tuỳ ý. Chủ yếu mạng nơ ron sử dụng để nhận dạng và điều khiển hệ thống.
2.2 CÁC PHƢƠNG ỨNG DỤNG MẠNG NƠ RON TRONG NHẬN DẠNG.
2.2.1. Cơ sở lý luận.
Trong nhận dạng hệ thống, để mô hình hoá quan hệ đầu vào - đầu ra của hệ
thống động học, mạng được học tập bằng tập hợp dữ liệu đầu vào đầu ra, còn trọng
số được điều chỉnh bằng thuật toán lan truyền ngược. Dễ nhận thấy rằng ánh xạ tĩnh
phi tuyến sinh ra có thể thể hiện thoả đáng mọi hành vi động học của hệ thống trong
khoảng quan tâm. Để điều đó trở thành hiện thực, cần cung cấp cho mạng nơ ron
thông tin về quá khứ của hệ thống, thông thường là các trễ đầu vào và đầu ra. Phụ
thuộc vào độ chính xác mong muốn mà ta phải cung cấp các thông tin về quá khứ
đến mức độ phù hợp cho mạng. Thực tế cho thấy việc sử dụng mạng hai lớp ẩn cho
kết quả tốt hơn mạng một lớp ẩn.
Mạng nơ ron có thể được dùng để phát hiện và nhận dạng lỗi, giúp đỡ lưu trữ
thông tin để ra quyết định. Nhưng trong hệ thống điều khiển có mạng nơ ron rất khó
chứng minh các đặc tính như ổn định hệ thống. Điều đó là do các khó khăn toán học
liên quan với hệ thống phi tuyến điều khiển bằng mạng nơ ron.

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên



Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

45
Chương I.Tổng quan về mạng nơ ron nhân tạo

Nói chung có các ứng dụng tiềm tàng của mạng nơ ron tại tất cả các mức độ
trong hệ thống điều khiển thông minh cho phép thực hiện tự động hoá ở mức cao
đối với hệ thống. Mạng nơ ron cũng rất có ích ở mức độ thi hành thấp nhất với khả
năng xấp xỉ hàm và xử lý song song mạch.

46
Chương I.Tổng quan về mạng nơ ron nhân tạo

^

đổi chậm theo thời gian. Để xác định thông số  (t+1) trên cơ sở N cặp tín hiệu vàora, phải thực hiện liên tiếp thủ tục nhận dạng dữ liệu tín hiệu vào-ra với bậc phù
^

^

 (t+1) =  (t) +  (t).e(t)

hợp. Thuật toán có dạng (2.1)

( 2.1)

Trong đó:

Các phương pháp nhận dạng được phân loại như sau:

.  (t) là hàm số phụ thuộc vào đối tượng nhận dạng tại thời điểm t.

a/ Phân loại dựa trên các cơ sở các phần tử hệ thống.

. e(t) là sai lệch tại thời điểm t.

- Phân loại theo hệ thống nhận dạng S.

+ Nhận dạng off- line.

- Phân loại theo tín hiệu vào.

Ngược lại với phương pháp on-line, phương pháp nhận dạng off-line sử dụng

- Phân loại theo tiêu chuẩn nhận dạng.
b/ Phân loại theo phương pháp cập nhật dữ liệu của hệ thống.
- Phương pháp nhận dạng đệ quy: Thông số nhận dạng được tính toán trực

đồng thời tất cả các dữ liệu. Nhận dạng off-line sử dụng khi cần thiết sử lý một
“mớ” tín hiệu cùng một lúc.
Phương pháp nhận dạng theo đặc tính vào- ra, là điểm mạnh về ứng dụng

^

tiếp theo mỗi thời điểm. Nghĩa là nếu có giá trị  (t) được cập nhật ở thời điểm t thì
^

^

giá trị của  (t+1) được xác định từ  (t). Phương pháp nhận dạng đệ quy có đặc
trưng:

của mạng nơ ron. Sử dụng mạng nơ ron để nhận dạng đối tượng có nhiều ưu điểm
hơn so với phương pháp nhận dạng truyền thống vì:
.Mạng nơ ron là hệ học và thích nghi có khả năng học on-line từ các số liệu

+ Là bộ phận chính của hệ thống thích nghi.

quá khứ, do đó kết quả nhận dạng có thể đạt được độ chính xác rất cao.

+ Đòi hỏi cần có bộ nhớ.

.Mạng nơ ron là hệ xử lý song song do đó tốc độ tính toán cao mà các

+ Thuật toán có thể được thay đổi dễ dàng.

phương pháp nhận dạng truyền thống khó có thể đạt được.

+ Tại bước tính toán đầu tiên có thể tìm ra được lỗi của thuật toán khi hệ
thống có sự thay đổi thông số đủ lớn. Có 3 loại nhận dạng đệ quy:
+ Nhận dạng đệ quy On-line.

.Mạng nơ ron là hệ MIMO, do đó rất tiện dùng khi nhận dạng cho đối tượng
nhiều biến.
Tóm lại bản chất “HỌC” của mạng nơ ron có một trong những đặc trưng rất

Trong phương pháp nhận dạng đệ quy nếu không cần đòi hỏi dữ liệu vào-ra
đầy đủ ở mỗi thời điểm thì được gọi là phương pháp on-line. Nhận dạng on-line vì

thế được xem như là phương pháp dễ thực hiện cho việc tính toán. Nhận dạng online được sử dụng trong nhiều lĩnh vực như: Nhận dạng thích nghi, học thích nghi,

đặc biệt đó là nhận dạng đối tượng căn cứ vào đặc tính vào- ra của nó.
2.2.2. Mô tả toán học của đối tượng ở miền rời rạc.
Phương trình trạng thái của đối tượng được biểu diễn ở dạng liên tục như
(2.2):

lọc phi tuyến…
+ Nhận dạng theo thời gian thực.

dx(t )
 [x(t), u(t) ]
dt

Trong phương pháp nhận dạng đệ quy nếu thông số của mô hình có đầy đủ

y(t) = [x(t) ]

cho mỗi thời điểm quan sát được theo thời gian thực, gọi là phương pháp nhận
dạng theo thời gian thực. Nó được sử dụng trong nhận dạng thông số hệ thống biến

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên



Trong đó:

(2.2)

x(t) = [x1(t) x2(t) x3(t) x4(t) … xn(t) ]

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên




47
Chương I.Tổng quan về mạng nơ ron nhân tạo

48
Chương I.Tổng quan về mạng nơ ron nhân tạo

u(t) = [u1(t) u2(t) u3(t) u4(t) … up(t) ]

yp(k+1) =

y(t) = [y1(t) y2(t) y3(t) y4(t) … ym(t)]

n 1


i 1

i

y p (k  i )  g[ u(k), u(k-1),…, u(k-m +1) ]

(2.8)

Tương ứng với hệ có p đầu vào, m đầu ra có bậc n

yp(k+1) phụ thuộc vào giá trị quá khứ của đầu ra yp(k-i) và giá trị quá khứ của đầu

Phương trình trạng thái viết ở dạng rời rạc như (2.3) :

vào u( k), u(k-1), u(k-m+1).
Dạng2:

x(k+1) = [x(k), u(k) ]
y(k)

(2.3)

= [x(k) ]

yp(k+1) phụ phi tuyến vào các giá trị ra quá khứ yp(k), yp(k-1),…, yp(k-n+1) và phụ
thuộc tuyến tính giá trị vào quá khứ u(k-j) với j = 0  m-1

 là véc tơ bậc R m

Dạng3:

u(k), x(k), y(k) là các biến ở dạng rời rạc.

yp(k+1) = f[yp(k), yp (k-1),…, yp(k-n +1) ]+g[ u (k), u (k-1),…, u(k-m +1)] (2.10)

+Nếu biểu thức (2.3) là dạng tuyến tính thì ta có:

yp(k+1) phụ thuộc phi tuyến vào các giá trị ra quá khứ và các giá trị vào quá khứ

x(k+1) = Ax(k) + Bu(k)
y(k)

(2.4)

= Cx(k)

Trong đó A,B,C là các ma trận có cấp tương ứng là (n x n), (n x p), (m x n)
Đối với hệ một đầu vào một đầu ra SISO ( Single Input Single Output) để
điều khiển và quan sát được thì các ma trận A, B, C phải thoả mãn điều kiện (2.5),
(2.6):
M = [ An1.B An2 .B An3 .B ….B] có Rank (M) = n

(2.5)

N = [ C T AT C T … ( AT ) n 1 C T ]

(2.6)

n 1


i 1

(2.9)

j 0

Trong đó:  là véc tơ bậc R n xR p

Và khi đó yp(k+1) =

m 1

yp(k+1) = f[ yp(k), yp (k-1),…, yp(k-n +1) ] +   j u ( k  j )

có Rank(N) = n
m 1

i

y p (k  i )    j u (k  j )

(2.7)

j 0

Dạng 4:
yp(k+1) = f[ yp(k), yp (k-1),…, yp(k-n +1) ,u (k), u (k-1),…, u(k-m +1) ]

(2.11)

yp(k+1) phụ thuộc phi tuyến vào giá trị ra quá khứ và các giá trị đầu vào cùng các
giá trị quá khứ của nó.
Với u(k), y(k) là các cặp tín hiệu vào ra của đối tượng tại thời điểm k, f(.),
g(.) là các hàm phi tuyến của đối tượng chưa biết cần được tuyến tính gần đúng bởi
mạng nơ ron có độ chính xác mong muốn.
Số lớp, số lượng nơ ron ở các lớp cũng như các mối liên kết giữa các nơ ron
của mỗi lớp với nhau trong mạng nơ ron nhận dạng được chọn cần phù hợp với độ
chính xác và đặc tính vào- ra của hàm phi tuyến tương ứng của đối tượng đã cho.

Trong đó i và j là các hằng số chưa biết ; m  n
Tín hiệu đầu ra yp(k+1) là tổ hợp tuyến tính của các giá trị quá khứ của các
giá trị vào u(k-j) với ( j= 0  m-1) và tín hiệu đầu ra yp(k-i) với (i=1  n-1)
+ Nếu đối tượng là phi tuyến đầu ra yp(k+1) có 4 dạng như (2.8), (2.9),
(2.10), (2.11):
Dạng1:

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên



Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên




49
Chương I.Tổng quan về mạng nơ ron nhân tạo

50
Chương I.Tổng quan về mạng nơ ron nhân tạo

+ Với đối tượng là phi tuyến:

2.2.3 Mô hình dùng mạng nơ ron.
yp: Là đầu ra của đối tượng

Dạng 1:

Mạng nơron





yp



e = yp- y p : Là sai lệch giữa đầu ra của

u

Đối tƣợng

đối tượng và mạng nơ ron, được sử dụng
làm tín hiệu học sửa trọng số cho mạng.



-

Dạng 2:


yp

Hình 2.1. Mô hình mạng nơ ron
nhận dạng kiểu truyền thẳng

y p ( k  1) 

m 1 


j 0



j



+
u(k)













0





+
g







+

-

1

+



y p (k  1)  f [ y p (k ), y p (k  1),..., y p (k  n  1) , u(k), u(k-1), …, u(k-m+1) ] (2.16)

yp(k+1)



+

Dạng 4:

z

z 1

0

+

+

z 1

y(k  1)

u(k)

e

N

z 1

+

yp(k+1)



-

1

+

Hình 2.2 .Mô hình mạng nơ ron
nhận dạng kiểu song song

z 1
z 1

0

+

1



+



+



0

z 1

y(k  1)

e

z 1

1

2.2.3.2.Mô hình nối tiếp - song song.

Hình 2.3.Mô hình mạng nơ ron nhận dạng kiểu nối tiếp
song song

Mô hình nhận dạng nối tiếp - song song có ưu điểm tốc độ hội tụ cao (Hình vẽ
2.3)

2.2.3.3.Mô hình ngược trực tiếp.

Tín hiệu ra của mô hình có dạng như (2.12):

Hình 2.4 chỉ rõ, có thể dùng mạng nơ ron để nhận dạng hệ thống ngược như thế

+ Với đối tượng là tuyến tính:
n 1 



+



+



m1 

y p (k  1)    i (k ) y p (k  i )    j (k )u (k  j )
i 1





Dạng 3:


Trong trường hợp này, cấu trúc của bộ nhận dạng giống như của hệ thống
+
g
+
1





( k )u ( k  j ) + f [ y p (k ), y p (k  1),..., y p (k  n  1) ] (2.14)

y p (k  1)  f [ y p (k ), y p (k  1),..., y p (k  n  1) ] + g [u(k), u(k-1), …, u(k-m+1)] (2.15)

cần nhận dạng.



 (2.13)

i 1

2.2.3.1.Mô hình song song.

N

n 1 



y p ( k  1)    i ( k ) y p ( k  i )  g  u (k ), u ( k  1),...u ( k  m  1)

y p : Là đầu ra của mạng nơ ron

(2.12)

nào.

j 0



Trong đó  i (k ),  j (k ), y(k  1) là các thông số nhận dạng của (2.7)

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên



Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên




51
Chương I.Tổng quan về mạng nơ ron nhân tạo

52
Chương I.Tổng quan về mạng nơ ron nhân tạo

Tín hiệu ra của đối tượng yp là tín hiệu vào của mạng nơ ron, tín hiệu này so
sánh với tín hiệu đặt ở đầu vào, sai lệch e được sử dụng làm tín hiệu luyện mạng nơ
ron, đầu ra của mạng là đầu vào của hệ thống.
Mạng nơron

nhận dạng và điều khiển hệ thống truyền động. Thông thường người ta hay sử dụng

Đối tƣợng
-

KHIỂN.
Nhiều mạng nơ ron đã và đang được ứng dụng rất thành công trong lĩnh vực

r

u

2.3.CÁC PHƢƠNG PHÁP ỨNG DỤNG MẠNG NƠRON TRONG ĐIỀU

+

mạng nhiều lớp truyền thẳng làm mô hình mẫu, làm các bộ điều khiển cho đối

yp

tượng là phi tuyến.

e

Khi hệ thống đã được nhận dạng với độ chính xác nhất định, quá trình điều
khiển được bắt đầu để cho đầu ra của hệ thống bám theo đầu ra của mô hình ổn
định. Sau đây chúng ta nghiên cứu cấu trúc một số mạng nơron phổ biến cho việc

Hình 2.4.Mô hình mạng nơ ron nhận dạng ngược trực tiếp
2.2.3.4.Mô hình tổ hợp.

nhận dạng và điều khiển hệ thống.

Theo mô hình này, đầu tiên mạng nhiều lớp phải học để nhận dạng hệ thống
thuận như hình 2.5a. Sau đó mạng này và mạng nhiều lớp khác được sử dụng như

bộ điều khiển được cấu trúc như trên hình 2.5b. Lợi ích của mô hình hệ thống thuận
là ta có thể tính toán khá dễ dàng đạo hàm của đầu ra theo mô hình của đầu vào dựa

2.3.1.Bộ điều khiển đảm bảo tính ổn định bền vững.
Bộ điều khiển đảm bảo tính ổn định bền vững có sơ đồ cấu trúc như (2.6):
Mạng
nơron

trên quá trình lan truyền ngược(tính toán chuyển đổi của ma trận Jacobi của mạng

TTthích
nghi

tại vector đầu vào hiện thời). Kết quả là sai số giữa đầu ra thực và đầu ra mong

+

muốn của hệ thống được lan truyền ngược lại qua mô hình thuận sinh ra sai số của
tín hiệu điều khiển, sai số này có thể để dạy cho một mạng khác làm chức năng điều

Tín hiệu đặt

-

Bộ đ.k ổn
định

+

+

Đầu ra thiết bị
Thiết bị

khiển. Phương pháp này có ưu điểm so với nhận dạng trực tiếp hệ thống ngược khi
hệ thống ngược không xác định tốt.
Hệ thống

Hình 2.6.Sơ đố cấu trúc bộ điều khiển ổn định bền vững
u

N2

v

N

y

2.3.2. Điều khiển thích nghi ngược trực tiếp.
Hình vẽ 2.7 là sơ đồ cấu trúc của hệ điều khiển thích nghi ngược theo tài liệu

Mạng nơron
(a)

Đầu ra
mong
muốn
của
mạng

[WiWa 96]
W(z)

Tín hiệu vào của khối thuật toán thích nghi là sai lệch giữa tín hiệu ra của
thiết bị và tín hiệu ra của mô hình mẫu. Các thông số của bộ điều khiển luôn được

(b)

Hình 2.5.Mô hình mạng nơ ron nhận dạng tổ hợp

cập nhật theo tín hiệu sai lệch này. Mạng nhận dạng của bộ điều khiển thích nghi
bởi ảnh hưởng của nhiễu trên thiết bị và nhiễu ngoài khác. Một sự lựa chọn mà cho
phép khử được sự tác động của các loại nhiễu trên là mắc song song mạng nơ ron

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên



Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên




53
Chương I.Tổng quan về mạng nơ ron nhân tạo

54
Chương I.Tổng quan về mạng nơ ron nhân tạo

mô hình mẫu với thiết bị. Mô hình sẽ học các tín hiệu vào giống như tín hiệu vào
thiết bị và cho tín hiệu ra mẫu. Sự khác nhau giữa các đầu ra của thiết bị và của mô
hình đó là do sự ảnh hưởng của nhiễu. Tín hiệu này sẽ được đưa vào mạng nơ ron
phản hồi để phát hiện và lọc nhiễu. Tín hiệu ra của khối này được trừ với tín hiệu

2.2.3. Điều khiển phi tuyến mô hình trong.
Sơ đồ điều khiển phi tuyến theo mô hình trong (NIMC) được cho như hình 2.8:
Tín hiệu
vào đặt +

vào của thiết bị, sự phối hợp đó trong điều khiển thích nghi được ứng dụng trong

Bộ ĐK
Nơron

Bộ lọc thô
-

Đầu ra

Thiết bị

điều khiển quỹ đạo của các cánh tay rô bốt.
Mô hình
thiết bị

Trên hình 2.7 chúng ta thấy rằng tín hiệu điều khiển đưa vào thiết bị là tổng

+
-

của tín hiệu điều khiển phản hồi và tín hiệu truyền thẳng. Đó là mô hình sử dụng
Hình 2.8.Sơ đồ điều khiển mô hình trong

đặc tính mong muốn làm tín hiệu đầu vào và tín hiệu điều khiển phản hồi như tín
hiệu sai lệch. Một lợi thế về cấu trúc, cho chúng ta có thể bắt đầu với một hệ thống
ổn định bền vững dù cho mạng nơ ron chưa có quá trình huấn luyện triệt để. Tương
tự như trong điều khiển cấu trúc, trong các bộ điều khiển ổn định đã sử dụng cách
nối song song với mạng điều khiển nơ ron [Sas 192].
Nhiễu
Tín hiệu
đặt

Mạng ĐK +

Thiết Bị

T.T thích
nghi

hình mẫu và số đo đầu ra của thiết bị thực được sử dụng làm tín hiệu phản hồi đưa

Nhiễu

vào bộ lọc thô sau đó được chuyển đến bộ điều khiển nơ ron.
Tín hiệu
ra

+

Mạng nơ ron mô hình mẫu và bộ điều khiển nơ ron có thể được huấn luyện
off-line sử dụng dữ liệu tự có từ thiết bị trong quá trình hoạt động. Bộ lọc thô là bộ
lọc bậc nhất nó có hằng số thời gian được chọn sao cho mạch kín ổn định.

+

2.2.4. Mô hình điều khiển dự báo.

-

Mô hình điều khiển dự báo được cho như sơ đồ hình 2.9.

Mạng
phản hồi
Sai lệch

+
-

Mô
hình
mẫu
Hình 2.7.Sơ đồ cấu trúc của hệ điều khiển thích nghi ngƣợc

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

Bộ điều khiển nơ ron thông thường được huấn luyện để thay thế cho phản
hồi của thiết bị, nếu có phản hồi trong. Sai lệch giữa đầu ra của mạng nơ ron mô

Mạng nơron

mô hình mẫu

Sơ đồ gồm có một bộ điều khiển nơ ron, một mạng nơ ron mô hình mẫu thiết
bị và một bộ lọc thô với sự điều chỉnh đơn thông số [NaHe 92].



Tín hiệu
vào đặt

Mô hình
mẫu

Luật tối
ưu
Bộ ĐK
nơron

Mô hình
mạng
nơron
Thiết bị
Đầu vào
điều khiển

Đầu ra
dự báo

Đầu ra
thiết bị

Hình 2.9.Sơ đồ điều khiển dự báo

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên