Lý thuyết nhận dạng

Chương I
Nhận dạng là phương pháp thực nghiệm nhằm xác định
một mô hình cụ thể trong lớp các mô hình thích hợp trên
cơ sở quan sát các tín hiệu vào ra.
Mô hình tìm được phải có sai số với đối tượng là nhỏ
nhất.
Tổng quan về các
phương pháp nhận dạng quá trình
1.1 các phương pháp nhận dạng
1.1.1 Định nghĩa

1.1.2 Các phương pháp nhận dạng
1.1.2.1 Nhận dạng thông số hệ thống (off line)
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 với 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.

x(t) = f(.) Z = h(.)
X(t)
V(t)
Z(t)
P(t)
ω(t)
u(t)
H×nh 1.2: S¬ ®å tæng qu¸t nhËn d¹ng th«ng sè qu¸ tr×nh

1.1.3.2 NhËn d¹ng thèng sè hÖ thèng (ON-LINE)

Các phương pháp nhận dạng OFF-LINE có nhược điểm chung sau
đây:
- Mất thông tin do phép rời rạc hoá,
- Khó thể hiện bằng phần cứng trên thực tế,
- Khi số thông số lớn (>3), khó xác định chính xác vectơ
thông số.
- Không sử dụng được khi hệ không dừng.
Trong chế độ on-line, mô hình phải thật đơn giản. Số các thông số
chọn đủ nhỏ và cấu trúc mô hình tuyến tính theo thông số.
Thuật toán nhận dạng on-line được xây dựng sao cho trên mỗi bước
tính không cần xử lý lại toàn bộ chuỗi quan sát, có nghĩa là sử dụng
quá trình lặp. Sau đây là một số phương pháp nhận dạng theo hệ
thống on-line.

1.2 đánh giá - kết luận
* Hạn chế của các phương pháp truyền thống:
- Thời gian xử lý chậm.
- Không có cấu trúc xử lý song song.
- Không có khả năng học và ghi nhớ.
Trên đây ta đã tóm tắt một số phương pháp nhận dạng phi
tuyến đơn giản. Kết quả đạt được của các phương pháp trên đã đư
ợc sử dụng trên thực tế nhưng hạn chế ở các đối tượng có tính phi
tuyến thấp. Khi đối tượng có tính phi tuyến cao, độ bất định lớn và
số chiều lớn thì cần phải có cách tiếp cận khác. Các phần tiếp theo
sẽ giới thiệu về mạng nơron nhân tạo và một hướng giải quyết bài
toán nhận dạng mô hình hướng đến điều khiển thông minh trên cơ
sở sử dụng khả năng học của mạng nơron nhân tạo.

1.3 phương pháp mới ứng dụng trong nhận
dạng thông số của quá trình
- Kết hợp giữa nơron và hàm tương quan để nhận dạng thay
cho các phương pháp kinh điển. Trong đó:
- Thuật toán tương quan để phát hiện sai lệch giữa quá trình
thực và mô hình giả thiết.
- Mạng nơron dùng để điều chỉnh các thông số của mô hình.

Chương I
cơ sở lý thuyết của phương pháp
nơron-tương quan để nhận dạng quá trình
2.1lý thuyết về mạng nơron
2.1.1 Giới thiệu chung về mạng nơron
2.1.3 Cơ sở mạng nơron nhân tạo và một số khái niệm
2.1.3.1 Mô hình nơron sinh vật


Đầu vào
synape
Thân
(soma)
Nhánh
Dây thần kinh
(axon)
Đầu ra
Hình 2.1: Nơron sinh vật
Các nhánh và rễ là bộ phận nhận thông tin
Thân thần kinh (soma) chứa các nhân và
cơ quan tổng hợp Prôtêin. Dây dẫn đầu ra
xung gọi là dây thần kinh (axon)

Dây thần kinh (axon) là đầu ra. Đây là
phương tiện truyền dẫn tín hiệu. Đầu ra này
có thể truyền tín hiệu đến các nơron khác.
Khớp thần kinh (synape): là bộ phận tiếp
xúc của các đầu ra nơron với rễ, nhánh của
các nơron khác. Mức độ thấm của các ion
có thể coi là đại lượng thay đổi tuỳ thuộc
vào nồng độ như một giá trị đo thay đổi và
gọi là trọng (weight).

* Mạng một lớp : là tập hợp các nơron có đầu vào và đầu ra
trên mỗi một phần tử.
* Mạng hai lớp : gồm một lớp đầu vào và một lớp đầu ra riêng biệt
trên mỗi một phần tử.
* Mạng nhiều lớp : gồm nhiều lớp trong đó lớp đầu vào và lớp đầu ra
riêng biệt. Các lớp nằm giữa lớp vào và lớp ra gọi là lớp ẩn (Hidden
layer).
* Mạng truyền thẳng: Là mạng nhiều lớp mà quá trình truyền tín
hiệu từ đầu ra lớp này đến đầu vào lớp kia theo hướng xác định
* Mạng truyền ngược: Là mạng trong đó một hoặc nhiều đầu ra của
các phần tử lớp sau truyền ngược tới đầu vào phần tử lớp trước đó.
* Mạng tự tổ chức: Là mạng có khả năng sử dụng các kinh nghiêm
quá khứ để thích ứng những biến đổi của môi trường (không dự
báo trước).

2.1.3.2 M« h×nh n¬ron nh©n t¹o
y(t)
H×nh 2.2: N¬ron nh©n t¹o
b
1

b
2
b
m
u
1
u
2
u
m
I
w
v(t)
H(.)
g(.)
x(t)
+1
s
1
sT1
1
−
)t(v)t(x
dt
)t(dx
T
=+
H(s)
1
exp(-sT)

Quan hÖ
vµo ra
x(t)=v(t) x(t)=v(t-T)
)t(v
dt
)t(dx
=
B¶ng 2.1: Mét sè hµm H(s) th­êng dïng cho n¬ron nh©n t¹o

2.1.4 C¸c cÊu tróc m¹ng ®iÓn h×nh
2.1.4.1 M¹ng n¬ron truyÒn th¼ng mét líp
g(.)
g(.)
g(.)
x
1
x
2
x
n
I
1
I
2
I
n
u
1
u
2

u
m
b
11
b
nm
y
1
y
2
y
n
H×nh 2.4: M¹ng n¬ron truyÒn th¼ng mét líp

u
1
u
2
u
m
Líp vµo Líp Èn Líp ra
H×nh 2.5 : M¹ng truyÒn th¼ng nhiÒu líp
∑
∑
∑
∑
∑
∑ ∑ ∑
∑
∑

∑
∑

2.1lý thuyết phân tích tương quan
2.2.1 Quá trình ngẫu nhiên
2.2.1.1 Khái niệm
Nếu các hàm thời gian nhận được này có cùng một tính chất E nào
đó đặc trưng cho tín hiệu x(t) thì việc mô tả tín hiệu x(t) có thể thay
đổi bằng việc mô tả tập hợp x(t) của tất cả các hàm thời gian có
cùng tính chất E nói trên. Tập x(t) được gọi là một quá trình ngẫu
nhiên, trong đó tín hiệu x(t) nhận được chỉ là một phần tử.
Một quá trình ngẫu nhiên x(t), nếu có các tham số ngẫu nhiên
không phụ thuộc vào điểm gốc thời gian, tức là không thay đổi giá
trị khi trục thời gian được tịnh tiến một khoảng bất kỳ, thì quá
trình đó được gọi là quá trình ngẫu nhiên dừng.
Một quá trình ngẫu nhiên x(t), nếu các tham số ngẫu nhiên thay vì
phải xác định từ toàn bộ tập hợp x(t) có thể xác định chỉ với một
phần tử đại diện x(t) bất kỳ của tập, được gọi là quá trình ngẫu
nhiên egodic.

2.2.1.2 Các hàm tương quan của quá trình ngẫu nhiên
* Hàm tự tương quan:
Mức độ thay đổi của tín hiệu ngẫu nhiên theo đối số t được xác
định bởi hàm tương quan của tín hiệu ngẫu nhiên theo công thức
sau:
[ ] [ ]

==
)1.2.2(),,,(),(
212121212121
dxdxttxxfxx)(t)(tMttr
x
xx
Hàm tự tương quan chính là giá trị trung bình của mối tương quan
giữa x(t) tại thời điểm t
1
với x(t) tại thời điểm t
2
.
* Hàm hỗ tương quan:
Hàm hỗ tương quan của hệ thống hai tín hiệu ngẫu nhiên x(t) và
y(t) được xác định như sau:
[ ] [ ]





==
)2.2.2(),,,(),(
212121
dxdyttyxxyf)(t)(tMttr
x
yx