Ứng dụng mạng neural trong phân loại thư rác

MỞ ĐẦU
Mạng nơron nhân tạo ANN (Artificial Nơron Networks) là một mô
phỏng xử lý thông tin, được nghiên cứu ra từ hệ thống thần kinh của sinh vật,
giống như bộ não để xử lý thông tin. Nó bao gồm số lượng lớn các mối gắn
kết cấp cao để xử lý các yếu tố làm việc trong mối liên hệ giải quyết vấn đề rõ
ràng. ANN giống như con người, được học bởi kinh nghiệm, lưu những kinh
nghiệm hiểu biết và sử dụng trong những tình huống phù hợp và quan trọng
hơn hết, con người có khả năng sáng tạo.
Những năm gần đây mô phỏng ANN xuất hiện và phát triển. Các nghiên
cứu ứng dụng đã được thực hiện trong các ngành: điện, điện tử, kỹ thuật chế
tạo, y học, quân sự, kinh tế... Một trong những ứng dụng kinh điển của mạng
nơron là bài toán nhận dạng mẫu, ở đó mỗi một mẫu là một tập hợp (hay một
vector) các tham số biểu thị các thuộc tính của quá trình vật lý nào đó. Ngoài
sức mạnh vốn có, mạng nơron còn thể hiện ưu điểm của mình trong việc nhận
dạng thông qua khả năng mềm dẻo, dễ thích nghi với môi trường. Chính vì
vậy, có thể coi mạng nơron trước tiên là một công cụ để nhận dạng.
Như chúng ta đã biết ngày nay Internet đã đóng một vai trò vô cùng
quan trọng trong đời sống xã hội cùng với vô vàn những dịch vụ tiện ích. Một
trong những dịch vụ mà Internet mang lại là dịch vụ thư điện tử, đó là một
phương tiện giao tiếp rất đơn giản, tiện lợi, rẻ và hiệu quả giữa mọi người
trong cộng đồng sử dụng dịch vụ Internet. Tuy nhiên chính vì những lợi ích
của dịch vụ thư điện tử mang lại mà số lượng thư trao đổi trên Internet ngày
càng tăng, và đa số trong số những thư đó là thư rác (spam). Thư rác thường
được gửi với số lượng lớn, không được người dùng mong đợi gây phiền toái
và khó chịu cho người dùng, làm giảm tốc độ truyền Internet và tốc độ xử lý
của email server, gây thiệt hại lớn về kinh tế. Thư rác đang là một trong
1


những vấn đề nhức nhối của xã hội. Nhiều phương pháp, công cụ lọc thư rác
đã được đề xuất. Tuy nhiên, các công cụ lọc thư rác đó hiện nay vẫn tỏ ra

chưa thực sự hiệu quả.
Chính vì các lý do nêu trên cùng với sự gợi ý của thầy giáo tôi nhận
thấy nghiên cứu về mạng nơron là một hướng nghiên cứu quan trọng, mới mẻ
và có nhiều triển vọng. Đồng thời áp dụng mạng nơron để giải quyết bài toán
phân loại thư rác là một hướng tiếp cận khoa học có hiệu quả. Do đó tôi chọn
đề tài: “Nghiên cứu, ứng dụng mạng nơron trong bài toán phân loại thư rác”.
Nội dung luận văn gồm:
Chương 1: Mô hình mạng nơron nhân tạo
Trình bày những lý thuyết cơ bản về mô hình mạng nơron như: lịch sử
ra đời và phát triển của mạng nơron, khái niệm mạng nơron, các loại mô hình
mạng nơron, các đặc trưng của mạng, các phương pháp huấn luyện mạng
nơron, phương pháp học có giám sát. Các vấn đề và ứng dụng của mạng
nơron.
Chương 2: Bài toán phân loại thư rác
Giới thiệu về thư rác: khái niệm, đặc điểm, phân loại, và ảnh hưởng của
thư rác; các phương pháp phân loại thư rác: phân loại theo từ khóa, Bayesian,
SpamAssassin, danh sách trắng/đen, dựa vào vị trí bộ lọc, xác nhận danh tính
người gửi và dựa trên mạng xã hội
Chương 3: Thử nghiệm hệ thống ngăn chặn spam mail
Trình bày thử nghiệm hệ thống ngăn chặn spam mail bằng phương
pháp học máy thông qua phần mềm mã nguồn mở Popfile. Cách chuẩn hóa tín
hiệu đầu vào, đầu ra…Chương trình minh họa kết quả huấn luyện mạng, đánh
giá, nhận xét
2


CHƯƠNG 1: MÔ HÌNH MẠNG NƠRON NHÂN TẠO
1.1. Khái niệm mạng nơron
1.1.1 Giới thiệu
Các nghiên cứu về bộ não con người đã được tiến hành từ hàng nghìn

năm nay. Cùng với sự phát triển của khoa học kĩ thuật đặc biệt là những tiến
bộ trong ngành điện tử hiện đại, việc con người bắt đầu nghiên cứu các nơron
nhân tạo là hoàn toàn tự nhiên. Có thể tính từ nghiên cứu của William (1890)
về tâm lý học với sự liên kết các noron thần kinh. Sự kiện đầu tiên đánh dấu
sự ra đời của mạng nơron nhân tạo diễn ra vào năm 1943 khi nhà thần kinh
học Warren McCulloch và nhà toán học Walter Pitts viết bài báo mô tả cách
thức các nơron hoạt động. Họ cũng đã tiến hành xây dựng một mạng nơron
đơn giản bằng các mạch điện. Các nơron của họ được xem như là các thiết bị
nhị phân với ngưỡng cố định. Kết quả của các mô hình này là các hàm logic
đơn giản chẳng hạn như “ a OR b” hay “a AND b” [7]
Những tiến bộ của máy tính đầu những năm 1950 giúp cho việc mô
hình hóa các nguyên lý của những lý thuyết liên quan tới cách thức con người
suy nghĩ đã trở thành hiện thực. Nathanial Rochester sau nhiều năm làm việc
tại các phòng thí nghiệm nghiên cứu của IBM đã có những nỗ lực đầu tiên để
mô phỏng một mạng nơron.
Năm 1956 dự án Dartmouth nghiên cứu về trí tuệ nhân tạo (Artificial
Intelligence) đã mở ra thời kỳ phát triển mới cả trong lĩnh vực trí tuệ nhân tạo
lẫn mạng nơron. Tác động tích cực của nó là thúc đẩy hơn nữa sự quan tâm
của các nhà khoa học về trí tuệ nhân tạo và quá trình xử lý ở mức đơn giản
của mạng nơron trong bộ não con người.
3


Những năm tiếp theo của dự án Dartmouth, John von Neumann đã đề
xuất việc mô phỏng các nơron đơn giản bằng cách sử dụng rơle điện áp hoặc
đèn chân không. Nhà sinh học chuyên nghiên cứu về nơron Frank Rosenblatt
cũng bắt đầu nghiên cứu về Perceptron năm 1958. Sau thời gian nghiên cứu
này Perceptron đã được cài đặt trong phần cứng máy tính và được xem như là
mạng nơron lâu đời nhất còn được sử dụng đến ngày nay. Perceptron một
tầng rất hữu ích trong việc phân loại một tập các đầu vào có giá trị liên tục

vào một trong hai lớp. Perceptron tính tổng có trọng số các đầu vào, rồi trừ
tổng này cho một ngưỡng và cho ra một trong hai giá trị mong muốn có thể.
Tuy nhiên Perceptron còn rất nhiều hạn chế, những hạn chế này đã được chỉ
ra trong cuốn sách về Perceptron của Marvin Minsky và Seymour Papert của
MIT (Massachurehs Insritute of Technology) viết năm 1969 đã chứng minh
nó không dùng được cho các hàm logic phức.
Năm 1959, Bernard Widrow và Marcian Hoff thuộc trường đại học
Stanford đã xây dựng mô hình ADALINE ( ADAptive LINear Elements) và
MADALINE. (Multiple ADAptive LINear Elements). Các mô hình này sử
dụng quy tắc học Least-Mean-Squares ( LMS : Tối thiểu bình phương trung
bình). MADALINE là mạng nơron đầu tiên được áp dụng để giải quyết một
bài toán thực tế. Nó là một bộ lọc thích ứng có khả năng loại bỏ tín hiệu dội
lại trên đường dây điện thoại. Ngày nay mạng nơron này vẫn được sử dụng
trong các ứng dụng thương mại.
Năm 1973 Von der Marlsburg: đưa ra quá trình học cạnh tranh và self –
organization. Năm 1974 Paul Werbos đã phát triển và ứng dụng phương pháp
học lan truyền ngược (back-propagation). Tuy nhiên phải mất một vài năm thì
phương pháp này mới trở lên phổ biến. Các mạng lan truyền ngược được biết
đến nhiều nhất và được áp dụng rộng dãi nhất nhất cho đến ngày nay.
4


Năm 1985, viện vật lý Hoa Kỳ bắt đầu tổ chức các cuộc họp hàng năm
về mạng nơron ứng dụng trong tin học (Nơron Networks for Computing).
Năm 1987, hội thảo quốc tế đầu tiên về mạng neuron của Viện các kỹ
sư điện và điện tử IEEE (Institute of Electrical and Electronic Engineer) đã
thu hút hơn 1800 người tham gia. Tính từ năm 1987 đến nay, hàng năm thế
giới đều mở hội nghị toàn cầu chuyên ngành nơron IJCNN (International Joit
Conference on Nơron Networks).
Ngày nay, không chỉ dừng lại ở mức nghiên cứu lý thuyết, các nghiên

cứu ứng dụng mạng nơron để giải quyết các bài toán thực tế được diễn ra ở
khắp mọi nơi. Các ứng dụng mạng nơron ra đời ngày càng nhiều và ngày
càng hoàn thiện hơn. Điển hình là các ứng dụng: xử lý ngôn ngữ (Language
Processing), nhận dạng ký tự (Character Recognition), nhận dạng tiếng nói
(Voice Recognition), nhận dạng mẫu (Pattern Recognition), xử lý tín hiệu
(Signal Processing), Lọc dữ liệu (Data Filtering),…
1.1.1.1. So sánh mạng nơron với máy tính truyền thống
Các mạng nơron có cách tiếp cận khác trong giải quyết vấn đề so với
máy tính truyền thống. Các máy tính truyền thống sử dụng cách tiếp cận theo
hướng giải thuật, tức là máy tính thực hiện một tập các chỉ lệnh để giải quyết
một vấn đề. Vấn đề được giải quyết phải được biết và phát biểu dưới dạng
một tập chỉ lệnh không nhập nhằng. Những chỉ lệnh này sau đó phải được
chuyển sang một chương trình ngôn ngữ bậc cao và chuyển sang mã máy để
máy tính có thể hiểu được.
Trừ khi các bước cụ thể mà máy tính cần tuân theo được chỉ ra rõ ràng,
máy tính sẽ không làm được gì cả. Điều đó giới hạn khả năng của các máy
tính truyền thống ở phạm vi giải quyết các vấn đề mà chúng ta đã hiểu và biết
chính xác cách thực hiện. Các máy tính sẽ trở lên hữu ích hơn nếu chúng có
5


thể thực hiện được những việc mà bản thân con người không biết chính xác là
phải làm như thế nào.
Các mạng nơron xử lý thông tin theo cách thức giống như bộ não con
người. Mạng được tạo nên từ một số lượng lớn các phần tử xử lý được kết nối
với nhau làm việc song song để giải quyết một vấn đề cụ thể. Các mạng nơron
học theo mô hình, chúng không được lập trình để thực hiện một nhiệm vụ cụ
thể. Các mẫu phải được chọn lựa cẩn thận nếu không sẽ rất mất thời gian,
thậm chí mạng sẽ hoạt động không đúng. Hạn chế này là bởi vì mạng tự tìm
ra cách giải quyết vấn đề, thao tác của nó không thể dự đoán được [7]

Các mạng nơron và các máy tính truyền thống không cạnh tranh nhau
mà bổ sung cho nhau. Có những nhiệm vụ thích hợp hơn với máy tính truyền
thống, ngược lại có những nhiệm vụ lại thích hợp hơn với các mạng nơron.
Thậm chí rất nhiều nhiệm vụ đòi hỏi các hệ thống sử dụng tổ hợp cả hai cách
tiếp cận để thực hiện được hiệu quả cao nhất. Thông thường một máy tính
truyền thống được sử dụng để giám sát mạng nơron.
1.1.1.2. Nơron sinh học

Hình 1.1 Mạng nơron sinh học
6


Do nhu cầu ngày càng cao trong việc giải quyết các vấn đề phức tạp và
do bản chất của con người là không muốn bằng lòng với hiện tại mà luôn
muốn vươn tới những gì cao hơn, hoàn thiện hơn, những thuật ngữ “mạng
nơron” hoặc “mạng nơron nhân tạo” hoặc “xử lý song song và phân tán” đã ra
đời. Các thuật ngữ đó nói đến một ngành kỹ thuật mới đòi hỏi kiến thức từ
nhiều ngành khoa học khác nhau như toán học, vật lý học, hóa học, sinh vật
học, tâm lý học, thần kinh học,… Tất cả chỉ nhằm làm sao tạo ra những chiếc
máy tính hoạt động giống như “bộ não” của chính chúng ta.
1.1.1.3. Chức năng, tổ chức và hoạt động của bộ não con người
a) Chức năng
Bộ não của con người có chức năng hết sức quan trọng trong đời sống
của con người. Bộ não gần như kiểm soát hầu hết mọi hành vi của con người,
từ các hoạt động cơ bắp đơn giản đến những hành động phức tạp như học tập,
nhớ, suy luận, tư duy, sáng tạo,…
b) Tổ chức
Bộ não của con người được hình thành từ sự liên kết của khoảng 1011
phân tử (tế bào), trong đó có khoảng 1010 phần tử là nơron, số còn lại khoảng
9*1010 phần tử là các tế bào thần kinh đệm. Các tế bào thần kinh đệm có

nhiệm vụ phục vụ cũng như hỗ trợ cho các nơron. Cấu tạo chi tiết của bộ não
thì đến nay người ta vẫn chưa thực sự biết rõ. Tuy vậy, não bộ có thể được
phân chia thành nhiều vùng khác nhau. Mỗi vùng có thể kiểm soát một hay
nhiều hoạt động của con người.
Bộ não có cấu trúc nhiều lớp. Lớp bên ngoài thường thấy là các nếp
nhăn, là lớp có cấu tạo phúc tạp nhất. Đây có thể là nơi kiểm soát và phát sinh
các hành động phức tạp như nghe, nhìn, tư duy,…
7


c) Hoạt động
Mặc dù mỗi nơron (có thể xem như phần tử xử lý hay phần tử tính) có
tốc độ rất chậm so với tốc độ các cổng logic silicon trong các vi chip 10-3
giây so với 10-10 giây, nhưng do mỗi nơron liên kết với khoảng 104 nơron
khác, cho nên, khi hoạt động thì bộ não hoạt động một cách tổng lực và đạt
hiệu quả cao. Nói một cách khác là phần tử của não hoạt động một cách song
song và tương tác hết sức tinh vi phức tạp. Hiệu quả hoạt động thường rất cao,
nhất là trong các vấn đề phức tạp.
Tóm lại, bộ não có chức năng hết sức quan trọng đối với đời sống của
con người. Cấu tạo của bộ não rất phức tạp, tinh vi bởi được tạo thành từ
mạng nơron có hàng chục tỉ tế bào với mức độ liên kết giữa các nơron là rất
cao. Hơn nữa, bộ não còn được chia thành các vùng và các lớp khác nhau. Bộ
não hoạt động dựa trên cơ chế hoạt động song song của các nơron tạo nên bộ
não đó.
Lý thuyết về mạng nơron nhân tạo, hay gọi tắt là “mạng nơron”, được
xây dựng xuất phát từ một thực tế là bộ não con người luôn luôn thực hiện các
tính toán một cách hoàn toàn khác so với các máy tính số. Có thể coi bộ não
là một máy tính hay một hệ thống xử lý thông tin song song, phi tuyến và cực
kỳ phức tạp. Nó có khả năng tự tổ chức các bộ phận cấu thành của nó, như là
các tế bào thần kinh (neuron) hay các khớp nối thần kinh (synapse), nhằm

thực hiện một số tính toán như nhận dạng mẫu và điều khiển vận động nhanh
hơn nhiều lần các máy tính nhanh nhất hiện nay. Sự mô phỏng bộ não con
người của mạng nơron là dựa trên cơ sở một số tính chất đặc thù rút ra từ các
nghiên cứu về thần kinh sinh học.

8


1.1.1.4. Nơron
Nơron là phần tử cơ bản tạo nên bộ não. Cấu tạo và hoạt động của
nơron như sau:
a) Cấu tạo
Một nơron điển hình có 3 phần chính:
- Phần thứ nhất: Thân phần tử hay soma (hoặc cell body). Nhân của
nơron được đặt ở đây.
- Phần thứ hai: Các dendrite. Đây chính là các mạng dạng cây của các
dây thần kinh để nối các soma với nhau.
- Phần thứ ba: 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 nơron đưa các tín hiệu của nó vào
các nơron khác. Những điểm tiếp nhận với các synapte trên các nơron khác có
thể ở các dendrite hay chính soma.

9


Hình 1.2 Sơ đồ nơron sinh học
b) Hoạt động
Các tín hiệu được đưa ra bởi một synapte và được nhận bởi các

dendrite là các kích thích điện tử. Việc truyền tín hiệu như trên liên quan đến
một quá trình hóa học phức tạp mà trong đó các chất truyền đặc trưng được
giải phóng từ phía gửi của nơi tiếp nối. Điều này làm tăng hoặc giảm điện
thế bên trong thân của nơron nhận. Nơron nhận tín hiệu sẽ được kích hoạt
(fire) nếu điện thế vượt khỏi một ngưỡng nào đó. Một xung (hoặc điện thế
hoạt động) với cường độ mạnh và thời gian tồn tại cố định sẽ được gửi ra
ngoài thông qua axon tới phần nhánh của nơron đó, rồi tới các chỗ nối
synapte của các nơron khác. Sau khi kích hoạt, nơron sẽ chờ một khoảng
thời gian được gọi là chu kỳ refractory, trước khi nó có thể kích hoạt lại.
Synapses là excitatory nếu chúng cho phép các kích thích truyền qua gây ra
tình trạng kích hoạt đối với nơron nhận. Ngược lại, chúng là inhibitory nếu
chúng cho phép các kích thích truyền qua làm ngăn chở trạng thái kích hoạt
của nơron nhận.
Các synapses đóng vai trò rất quan trọng trong sự học tập. Khi chúng ta
học tập thì hoạt động của các synapses được tăng cường, tạo nên nhiều liên
kết mạnh giữa các nơron. Có thể nói rằng người nào học càng giỏi thì càng có
nhiều synapses và các synapses ấy càng mạnh mẽ, hay nói cách khác, thì liên
kết giữa các nơron càng nhiều, càng nhạy bén.
1.1.2. Mạng Nơron nhân tạo
1.1.2.1. Nơron nhân tạo
Nơron nhân tạo là một đơn vị tính toán có nhiều đầu vào và một đầu ra.
Mỗi đầu vào đến từ một liên kết. Đặc trưng của nơron là một hàm kích hoạt
phi tuyến chuyển đổi tổ hợp tuyến tính của tất cả các tín hiệu đầu vào thành
10


tín hiệu đầu ra. Hàm kích hoạt này đảm bảo tính chất phi tuyến cho tính toán
của mạng nơron.

Hình 1.3 Mô hình một nơron nhân tạo

Hình 1.4 Sự tương đương giữa nơron sinh học và nơron nhân tạo [12]
Các thành phần cơ bản của một nơron nhân tạo bao gồm:
Tập các đầu vào: Là các tín hiệu vào (input signals) của nơron, các tín
hiệu này thường được đưa vào dưới dạng một vector N chiều.
11


Tập các liên kết: Mỗi liên kết được thể hiện bởi một trọng số (gọi là
trọng số liên kết – Synaptic weight). Trọng số liên kết giữa tín hiệu vào thứ j
với nơron k thường được kí hiệu là wkj. Thông thường, các trọng số này được
khởi tạo một cách ngẫu nhiên ở thời điểm khởi tạo mạng và được cập nhật
liên tục trong quá trình học mạng. Các trọng số liên kết chính là các tham số
tự do cơ bản của mạng nơron. Các trọng số này có thể được thay đổi nhằm
thích nghi với môi trường xung quanh.
Bộ tổng (Summing function): Thường dùng để tính tổng của tích các
đầu vào với trọng số liên kết của nó.
Ngưỡng (còn gọi là một độ lệch -bias): Ngưỡng này thường được đưa
vào như một thành phần của hàm truyền. Hệ số điều chỉnh b có tác dụng tăng
lên hoặc giảm đi đầu vào thực của hàm truyền tùy theo hàm truyền dương hay
âm.
Hàm truyền (Transfer function) : Hay còn được gọi là hàm kích
hoạt, hàm này được dùng để giới hạn phạm vi đầu ra của mỗi nơron. Nó nhận
đầu vào là kết quả của hàm tổng và ngưỡng đã cho. Thông thường, phạm vi
đầu ra của mỗi nơron được giới hạn trong đoạn [0,1] hoặc [-1, 1]. Các hàm
truyền rất đa dạng, có thể là các hàm tuyến tính hoặc phi tuyến. Việc lựa chọn
hàm truyền nào là tuỳ thuộc vào từng bài toán và kinh nghiệm của người thiết
kế mạng. Một số hàm truyền thường sử dụng trong các mô hình mạng nơron
được đưa ra trong bảng 1.2.
Đầu ra: Là tín hiệu đầu ra của một nơron, với mỗi nơron sẽ có tối đa

là một đầu ra.
Dưới dạng công thức toán học, chúng ta có thể mô tả một nơron k bằng
cặp công thức sau:
12


m

u k   wkj x j

(1.1)

yk=(uk+b)

(1.2)

j 1

và

Ở đó x1,x2,...,xm là các tín hiệu đầu vào; wk1,wk2,...,wkm là các trọng số
synapse của neuron k; uk là đầu ra bộ tổ hợp tuyến tính tương ứng; bk là hệ số
hiệu chỉnh.
Hệ số hiệu chỉnh bk là một tham số ngoài của neuron nhân tạo k.
Chúng ta có thể thấy được sự có mặt của nó trong công thức (1.2). Một cách
tương đương, chúng ta có thể tổ hợp các công thức (1.1) và (1.2) như sau:
m

v k   wkj x j

(1.3)

j 0

và
y k   (v k )

(1.4)

Trong công thức (1.3), chúng ta đã thêm một synapse mới. Đầu vào của nó là:
x0=+1

(1.5)

và trọng số của nó là:
wk0=bk

(1.6)

Như vậy chúng ta vẽ lại mô hình của neuron k như trong hình 1.5.
Trong hình này, nhiệm vụ của hệ số hiệu chỉnh là thực hiện hai việc: (1) thêm
một tín hiệu đầu vào cố định là 1, và (2) thêm một trọng số synapse mới bằng
giá trị của hệ số bk. Mặc dầu các mô hình trong hình 1.3 và 1.5 là khác nhau
về hình thức nhưng tương tự về bản chất toán học.
13


Hình 1.5 Mô hình phi tuyến thứ hai của một mạng nơron
Bảng 1.1 Một số hàm kích hoạt cơ bản trong mạng nơron
Tên hàm

Công thức

Hardlim

a0

với n < 0

a=1

với n  0

Hardlims

a  -1 với n < 0
a=1

với n  0

Purelin

a=n

Satlin

a=0

với n < 0

a=n

với 0  n  1

a=1

với n > 1

14


Satlins

Tansig

Poslin

Compet

a = -1 với n < 0
a=n

với 0  n  1

a=1

với n > 1

a

e n  en
1  e n

a0

với n < 0

a=n

với n  0

a = 1 với nơron có n lớn nhất
a = 0 với các nơron còn lại

Logsig

a

1
1  en

1.1.2.2. Mạng nơron nhân tạo
Các mạng nơron nhân tạo (Artificial nơron networks – ANN), cũng còn
được gọi là “Các hệ thống xử lý song song phân bố” (Parallel distribute
processing systems), là một hệ thống bao gồm nhiều phần tử xử lý đơn giản
(hay còn gọi là nơron) tựa như nơron thần kinh của não người. Các phần tử
này hoạt động song song và được nối với nhau bởi các liên kết nơron. Mỗi
liên kết kèm theo một trọng số nào đó, đặc trưng cho tính kích hoạt hoặc ức
chế giữa các nơron.
Các trọng số là phương tiện để lưu trữ thông tin dài hạn trong mạng

nơron. Nhiệm vụ của quá trình huấn luyện mạng là cập nhật các trọng số đó
khi có thêm thông tin về mẫu học. Hay nói một cách khác, các trọng số đều
15


được điều chỉnh sao cho quan hệ vào ra của mạng sẽ mô phỏng hoàn toàn phù
hợp với môi trường đang xem xét.

Hình 1.6 Sơ đồ đơn giản về một mạng nơron nhân tạo [5]
Mô hình mạng nơron ở trên gồm 3 lớp: lớp nhập (input), lớp ẩn (hidden)
và lớp xuất (output). Mỗi nút trong lớp nhập nhận giá trị của một biến độc lập
và chuyển vào mạng.
Dữ liệu từ tất cả các nút trong lớp nhập được tích hợp (ta gọi là tổng
trọng số) và chuyển kết quả cho các nút trong lớp ẩn. Lớp đó được gọi là “lớp
ẩn” vì các nút trong lớp này chỉ liên lạc với các nút trong lớp nhập và lớp
xuất. Chỉ có người thiết kế mạng mới biết lớp này (người sử dụng không biết
lớp này).
Các nút trong lớp xuất nhận các tín hiệu tổng trọng hóa từ các nút trong
lớp ẩn. Mỗi nút trong lớp xuất tương ứng với một biến phụ thuộc.
1.2. Đặc trưng của mạng nơron
1.2.1. Tính phi tuyến
16


Một nơron có thể tính toán một cách tuyến tính hay phi tuyến. Một
mạng nơron cấu thành bởi các nơron phi tuyến thì cũng sẽ có tính phi tuyến.
Hơn nữa, điều đặc biệt là tính phi tuyến này được phân tán trên toàn mạng.
Tính phi tuyến là một thuộc tính rất quan trọng, nhất là khi các cơ chế vật lý
sinh ra các tín hiệu đầu vào (ví dụ tín hiệu tiếng nói) vốn là phi tuyến.
1.2.2. Tính chất tương ứng đầu vào, đầu ra

Mặc dù khái niệm “học” (hay “huấn luyện”) chưa được bàn đến nhưng
để hiểu được mối quan hệ đầu vào-đầu ra của mạng nơron, chúng ta sẽ đề cập
sơ qua về khái niệm này. Một mô hình học phổ biến được gọi là “học có thầy”
(hay “học có giám sát”), liên quan đến việc thay đổi các trọng số liên kết của
mạng nơron bằng việc áp dụng một tập hợp các mẫu tích luỹ. Mỗi một mẫu
bao gồm một tín hiệu đầu vào và một đầu ra mong muốn tương ứng. Các
trọng số liên kết của mạng được biến đổi sao cho có thể cực tiểu hoá sự sai
khác giữa đầu ra mong muốn và đầu ra thực sự của mạng theo một tiêu chuẩn
thống kê thích hợp. Sự tích luỹ của mạng được lặp lại với nhiều ví dụ trong
tập hợp cho tới khi mạng đạt tới một trạng thái ổn định mà ở đó không có một
sự thay đổi đáng kể nào của các trọng số liên kết. Các ví dụ tích luỹ được áp
dụng trước có thể được áp dụng lại trong thời gian của phiên tích luỹ nhưng
theo một thứ tự khác. Như vậy, mạng nơron học từ các ví dụ bằng cách xây
dựng nên một tương ứng đầu vào - đầu ra cho vấn đề cần giải quyết.
1.2.3. Tính chất thích nghi
Các mạng nơron có một khả năng mặc định là có thể biến đổi các trọng
số liên kết tuỳ theo sự thay đổi của môi trường xung quanh. Đặc biệt, một
mạng nơron đã được tích luỹ để hoạt động trong một môi trường xác định có
thể được tích luỹ lại một cách dễ dàng khi có những thay đổi nhỏ của các điều
kiện môi trường.
17


1.2.4. Tính chất đưa ra lời giải có bằng chứng
Trong ngữ cảnh phân loại mẫu, một mạng nơron có thể được thiết kế để
đưa ra thông tin không chỉ về mẫu được phân loại, mà còn về sự tin cậy của
quyết định đã được thực hiện. Thông tin này có thể được sử dụng để loại bỏ
các mẫu mơ hồ hay nhập nhằng.
1.2.5. Tính chất chấp nhận sai sót
Một mạng nơron, được cài đặt dưới dạng phần cứng, vốn có khả năng

chấp nhận lỗi, hay khả năng tính toán thô (chứ không nhạy cảm lỗi). Tức là,
tính năng của mạng nơron chỉ thoái hoá (chứ không đổ vỡ) khi có những điều
kiện hoạt động bất lợi. Ví dụ, nếu một nơron hay các liên kết kết nối của nó bị
hỏng, việc nhận dạng lại một mẫu được lưu trữ sẽ suy giảm về chất lượng.
Tuy nhiên, do bản chất phân tán của thông tin lưu trữ trong mạng nơron, sự
hỏng hóc cũng được trải ra trên toàn mạng. Như vậy, về cơ bản, trong trường
hợp này một mạng nơron sẽ thể hiện một sự thoái hoá về tính năng hơn là sự
đổ vỡ trầm trọng.
1.2.6. Khả năng cài đặt VLSI (Very-Large-Scale-Intergrated)
Bản chất song song đồ sộ của một mạng nơron làm cho mạng nơron đó
rất nhanh trong tính toán đối với một số công việc. Đặc tính này cũng làm cho
một mạng nơron có khả năng phù hợp trong việc cài đặt sử dụng kỹ thuật
Very-large-scale-intergrated (VLSI). Kỹ thuật này cho phép xây dựng những
mạch cứng tính toán song song quy mô lớn. Chính vì vậy, ưu điểm nổi bật
của VLSI là mang lại những phương tiện hữu hiệu để có thể xử lý được
những hành vi có độ phức tạp cao.
1.2.7. Tính chất đồng dạng trong phân tích và thiết kế

18


Về cơ bản, các mạng nơron có tính chất chung như là các bộ xử lý
thông tin. Điều này áp dụng cho tất cả các lĩnh vực có liên quan tới việc ứng
dụng mạng nơron. Đặc tính này thể hiện ở một số điểm như sau:
 Các nơron, dưới dạng này hoặc dạng khác, biểu diễn một thành phần
chung cho tất cả các mạng nơron.
 Tính thống nhất này đem lại khả năng chia sẻ các lý thuyết và các
thuật toán học trong nhiều ứng dụng khác nhau của mạng nơron.
 Các mạng tổ hợp (modular) có thể được xây dựng thông qua một sự
tích hợp các mô hình khác nhau.

1.3. Phân loại mạng nơron nhân tạo
1.3.1. Phân loại theo kiểu liên kết nơron
Ta có mạng nơron truyền thẳng và nơron mạng quy hồi:
- Mạng truyền thẳng, các nơron đi theo một hướng nhất định tạo thành
đồ thị không có chu trình như trong hình 1.7. Chu trình có các đỉnh là các
nơron, còn các cạnh là các liên kết giữa chúng.

Hình 1.7 Mạng truyền thẳng
19


- Mạng quy hồi: cho phép các liên kết nơron tạo thành chu trình như
trong hình 1.8. Các thông tin ra của các nơron được truyền lại cho các nơron
đã góp phần kích hoạt chúng. Vì thế nên mạng quy hồi còn có khả năng lưu
giữ trạng thái trong dưới dạng các ngưỡng kích hoạt ngoài các trọng số liên
kết nơron.
Tầng vào

Tầng ẩn

Tầng ra

Hình 1.8 Mạng quy hồi
1.3.2. Một số loại mạng nơron điển hình
1.3.2.1. Mạng dẫn tiến (feedforward)
Có thể nói mạng nơron dẫn tiến là một kiểu mạng đơn giản trong việc
sắp đặt mạng. Trong mạng này thông tin chỉ truyền trên một hướng duy nhất:
từ lớp đầu vào xuyên qua lớp ẩn (nếu có) và kết thúc tại lớp đầu ra. Mạng dẫn
tiến không có chu trình hoặc vòng ở bên trong.
a) Các mạng dẫn tiến (feedforward) đơn mức

Trong một mạng nơron phân mức, các nơron được tổ chức dưới dạng các
mức. Với dạng đơn giản nhất của mạng phân mức, mạng có một mức đầu vào
gồm các nút nguồn chiếu trực tiếp tới mức đầu ra gồm các nơron.

20


Mức đầu vào

Mức đầu ra

Hình 1.9 Mạng tiến với một mức nơron
Như vậy, mạng thực sự là không có chu trình. Mạng nơron trong hình
1.9 minh họa trường hợp ba nút đối với cả mức đầu ra và đầu vào. Một mạng
như vậy được gọi là một mạng đơn mức. Mạng được gọi là “đơn mức” tức là
chỉ có một mức, chính là mức đầu ra gồm các nút tính toán (các nơron).
Chúng ta không tính mức đầu vào của các nút nguồn vì không có tính toán
nào được thực hiện ở đây.
b) Các mạng dẫn tiến đa mức
Lớp thứ hai của một mạng nơron dẫn tiến được phân biệt bởi sự có mặt
của một hay nhiều mức ẩn. Các nút tính toán của mức ẩn được gọi là các
nơron ẩn hay các đơn vị ẩn (thuật ngữ “ẩn” ở đây mang ý nghĩa là không tiếp
xúc với môi trường). Chức năng của các nơron ẩn là can thiệp vào giữa đầu
vào và đầu ra của mạng một cách hữu hiệu. Bằng việc thêm một vài mức ẩn,
mạng có khả năng rút ra được các thống kê bậc cao của tín hiệu đầu vào . Khả
năng các nơron ẩn rút ra được các thống kê bậc cao đặc biệt có giá trị khi mức
đầu vào có kích thước lớn.
Các nút nguồn trong mức đầu vào của mạng cung cấp các phần tử của
vector đầu vào, chúng tạo nên các tín hiệu đầu vào cho các nơron (các nút tính
21

toán) trong mức thứ hai (mức ẩn thứ nhất). Các tín hiệu đầu ra của mức thứ
hai được sử dụng như các đầu vào cho mức thứ ba, và như cứ vậy cho phần
còn lại của mạng. Về cơ bản, các nơron trong mỗi mức của mạng có các đầu
vào của chúng là các tín hiệu đầu ra của chỉ mức đứng liền trước nó (điều này
có thể khác trong thực tế cài đặt). Tập hợp các tín hiệu đầu ra của các nơron
trong mức đầu ra của mạng tạo nên đáp ứng toàn cục của mạng đối với các
vector đầu vào được cung cấp bởi các nút nguồn của mức đầu vào.
Mạng nơron trong hình 1.10 được gọi là kết nối đầy đủ. Tại đó, tất cả các
nút trong mỗi mức của mạng được nối với tất cả các nút trong mức tiếp sau.
Nếu một số kết nối không tồn tại trong mạng, chúng ta nói rằng mạng là kết
nối không đầy đủ.

Mức đầu vào

Mức ẩn

Mức đầu ra

gồm các nút

gồm các

gồm các

nơron ẩn

nơron đầu ra

nguồn

Hình 1.10 Mạng tiến kết nối đầy đủ với một mức ẩn và một mức đầu ra
1.3.2.2. Mạng quy hồi (recurrent network)
22


Trái với mạng nơron dẫn tiến , mạng nơron quy hồi là những mô hình
với hai luồng dữ liệu có hướng. Trong khi mạng dẫn tiến truyền dữ liệu theo
một đường thẳng thì mạng nơron quy hồi có ít nhất một phản hồi từ những
nơron xử lý sau quay trở lại các nơron xử lý trước đó.

Hình 1.11 Mạng hồi quy không có nơron ẩn và không có vòng lặp tự phản hồi

Hình 1.12 Mạng hồi quy có các nơron ẩn
Sự có mặt của các vòng lặp phản hồi, trong cả cấu trúc hồi quy có một
ảnh hưởng sâu sắc đến khả năng học của mạng và đến tính năng của nó. Hơn
nữa, các vòng lặp phản hồi bao hàm việc sử dụng các nhánh đặc biệt gồm có
23


các phần tử đơn vị trễ (ký hiệu là z-1), thể hiện một hành vi phi tuyến động
theo thời gian (cùng với giả sử rằng mạng neuron bao gồm các đơn vị phi
tuyến).
1.4. Xây dựng mạng nơron
Về cơ bản, ta có thể hiểu mạng nơron là một đồ thị có hướng như hình
1.13. Trong đó, các đỉnh của đồ thị là các nơron và các cạnh của đồ thị là các
liên kết giữa các nơron.
h1
g1

x

h2

f
g2

h3

Hình 1.13 Sơ đồ đồ thị có hướng đơn giản
Vì vậy, để xây dựng một mạng nơron, ta xây dựng một đồ thị có hướng:
số đỉnh của đồ thị bằng số nơron trong mạng, giá trị của các cạnh chính là
trọng số liên kết nơron.
1.5. Huấn luyện mạng nơron
1.5.1. Phương pháp học
Trong các hệ thống sinh vật, học hỏi được hiểu như những sự thay đổi
hóa học xảy ra ở điểm nối synapte giữa một tế bào này và một tế bào khác. Sự
thay đổi đó làm mở ra một số cổng ở trên các dendrite-nơi nơron nhận tín
hiệu.
24


Đối với các mạng nơron, học được định nghĩa như sau:
“Học là một quá trình mà trong đó các thông số tự do của mạng nơron
được điều chỉnh lại cho phù hợp thông qua một quá trình kích thích bởi
môi trường”.
Định nghĩa này có nghĩa:
- Mạng nơron được kích thích từ bên ngoài.
- Mạng nơron biến chuyển bởi kích thích đó.
- Mạng nơron đáp lại bên ngoài một cách khác do những biến chuyển nội bộ.

Một mạng nơron được huyấn luyện sao cho với một tập các vector đầu
vào X, mạng có khả năng tạo ra tập các vector đầu ra mong muốn T của nó.
Tập X được sử dụng cho huấn luyện mạng được gọi là tập huấn luyện
(training set). Các phần tử x thuộc X được gọi là các mẫu huấn luyện (training
example). Quá trình huấn luyện bản chất là sự thay đổi các trọng số liên kết
của mạng. Trong quá trình này, các trọng số của mạng sẽ hội tụ dần tới các
giá trị sao cho với mỗi vector đầu vào x từ tập huấn luyện, mạng sẽ cho ra
vector đầu ra T như mong muốn .
Có ba phương pháp học phổ biến là học có giám sát (supervised
learning), học không giám sát (unsupervised learning) và học tăng cường
(Reinforcement learning).
1.5.1.1. Học có giám sát
Một thành phần không thể thiếu của phương pháp này là sự có mặt của
một “người thầy” (ở bên ngoài hệ thống). Người thầy này có kiến thức về môi
trường. Điều này được thể hiện qua một tập hợp các cặp đầu vào - đầu ra đã
được biết trước. Hệ thống học (ở đây là mạng nơron) sẽ phải tìm cách thay
đổi các tham số bên trong của mình (các trọng số và các ngưỡng) để tạo nên
25