Ứng dụng mạng mờ noron trong nhận dạng và điều khiển hệ phi tuyến

BỘ GIÁO DỤC VÀ ĐÀO TẠO
TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI

---------------------------------------

PHAN THANH TÙNG
ỨNG DỤNG MẠNG MỜ-NORON TRONG
NHẬN DẠNG VÀ ĐIỀU KHIỂN HỆ PHI TUYẾN

LUẬN VĂN THẠC SĨ KHOA HỌC
CHUYÊN NGÀNH ĐIỀU KHIỂN – TỰ ĐỘNG HÓA

NGƯỜI HƯỚNG DẪN KHOA HỌC: GS. TS NGUYỄN TRỌNG THUẦN

Hà Nội – Năm 2011



MỤC LỤC
Trang phụ bìa
Lời cam đoan
Danh mục các chữ viết tắt
Danh mục các bảng
Danh mục các hình vẽ
MỞ ĐẦU
Trang
CHƯƠNG 1 : TỔNG QUAN ỨNG DỤNG MẠNG MỜ-NƠRON CHO ĐIỀU
KHIỂN HỆ PHI TUYẾN ........................................... Error! Bookmark not defined.
1.1 ) Lịch sử hình thành logic mờ và mạng noron Error! Bookmark not defined.
1.1.1) Logic mờ ................................................ Error! Bookmark not defined.
1.1.2) Mạng noron ............................................. Error! Bookmark not defined.

1.1.3) Lịch sử phát triển mạng mờ-nơron ......... Error! Bookmark not defined.
1.2 ) Các cơng trình về mạng mờ-nơron ............... Error! Bookmark not defined.
1.3 Kết luận nghiên cứu ....................................... Error! Bookmark not defined.

CHƯƠNG 2 CƠ SỞ LÝ THUYẾT MẠNG NORON ........... Error! Bookmark not
defined. 
2.1 Mạng noron tự nhiên ....................................... Error! Bookmark not defined. 
2.2 Mạng noron nhân tạo ...................................... Error! Bookmark not defined. 
Khái niệm .......................................................... Error! Bookmark not defined. 
2.3   Mơ hình mạng 1 noron đơn lẻ (Neuron Model)Error!
defined. 

Bookmark

not

2.3.1 Mạng 1 noron và 1 tín hiệu đầu vào......... Error! Bookmark not defined. 


2.3.2 Mạng một noron và đầu vào là vecto (nhiều phần tử đầu vào)........ Error!
Bookmark not defined. 
2.4   Xây dựng mạng nhiều noron ...................... Error! Bookmark not defined. 
2.4.1 Mạng noron 1 lớp ..................................... Error! Bookmark not defined. 
2.4.2 Kí hiệu đầu vào và các lớp ( Inputs and Layers)Error! Bookmark not
defined. 
2.4.3 Mạng noron nhiều lớp (Multiple layers of Neuron).Error!
not defined. 

Bookmark

2.5 Phân loại mạng noron..................................... Error! Bookmark not defined. 
2.5.1 Mạng truyền thẳng ( Layered feedforward network )Error!
not defined. 

Bookmark

2.5.2 Mạng hồi quy ( Layered digita recurrent network- LDRN) ............ Error!
Bookmark not defined. 
2.6 Phương thức làm việc của mạng noron .......... Error! Bookmark not defined. 
2.7 Tổng quan về việc huấn luyện mạng noron. .. Error! Bookmark not defined. 
2.7.1 Quá trình huấn luyện một mạng noron nhiều lớp truyền thẳng ....... Error!
Bookmark not defined. 
( Layered feedforward network -LFFN) ........... Error! Bookmark not defined. 
2.7.2 Huấn luyện cho mạng noron có phản hồi hay mạng hồi quy........... Error!
Bookmark not defined. 
2.8 Minh họa khả năng xấp xỉ hàm của mạng noron.Error!
defined. 

Bookmark

not

2.9 Nhận dạng đối tượng điều khiển bằng mạng nơronError!
defined. 

Bookmark

not

2.9.1 Phép nội suy và ngoại suy. ...................... Error! Bookmark not defined. 

2.9.2 Vấn đề khởi tạo tín hiệu đầu vào ................ Error! Bookmark not defined.

CHƯƠNG 3 CƠ SỞ LÝ THUYẾT LOGIC MỜ ... Error! Bookmark not defined. 
3.1. Logic mờ ........................................................ Error! Bookmark not defined. 
3.1.1. Tập mờ .................................................... Error! Bookmark not defined. 


3.1.2. Luật hợp thành mờ .................................. Error! Bookmark not defined. 
3.1.4. Giải mờ .................................................... Error! Bookmark not defined. 
3.2. Bộ điều khiển mờ ........................................... Error! Bookmark not defined. 
3.2.1. Bộ điều khiển mờ cơ bản ........................ Error! Bookmark not defined. 
3.2.2. Các nguyên tắc tổng hợp một bộ điều khiển mờError! Bookmark not
defined. 
3.3 Các loại mơ hình mờ ...................................... Error! Bookmark not defined. 
3.3.1 Dạng mơ hình mờ kinh điển CRI (compositional rule of inference) Error!
Bookmark not defined. 
3.3.2 Mơ hình mờ Takagi-Sugano (TS) ............ Error! Bookmark not defined. 
3.3.3 Dạng hàm liên thuộc tổng quát GFM( generalise fuzzy model ) .... Error!
Bookmark not defined.

CHƯƠNG 4: ỨNG DỤNG MẠNG MỜ-NORON ... Error! Bookmark not defined. 
4.1 Định nghĩa và cấu trúc mạng mờ-noron ........ Error! Bookmark not defined. 
4.1.1 Định nghĩa ................................................ Error! Bookmark not defined. 
4.1.2 Các kiến trúc mạng mờ-noron.................. Error! Bookmark not defined. 
4.2  Ứng dụng mạng mờ-noron GRNFN trong điều khiểnError!
not defined. 

Bookmark

4.2.1 Ứng dụng trong nhận dạng....................... Error! Bookmark not defined. 

4.2.2 : Kết hợp phương pháp GPC xây dựng bộ điều khiểnError!
not defined. 

Bookmark

Kết luận : ...................................................................... Error! Bookmark not defined. 
Tài liệu tham khảo
Phụ lục


LỜI CAM ĐOAN

Tôi xin cam đoan quyển luận văn thạc sỹ khoa hoc: “Ứng dụng mạng mờnoron trong nhận dạng và điều khiển hệ phi tuyến” do tôi tự thiết kế dưới sự
hướng dẫn của thầy giáo GS.TS. Nguyễn Trọng Thuần. Các số liệu và kết quả là
hoàn toàn trung thực.
Để hồn thành quyển luận văn này, tơi chỉ sử dụng những tài liệu được ghi
trong danh mục tài liệu tham khảo và không sao chép hay sử dụng bất kỳ tài liệu
nào khác. Nếu phát hiện có sự sao chép, tơi xin chịu hồn tồn trách nhiệm.
Hà Nội, ngày 10 tháng 9 năm 2011
Học viên

Phan Thanh Tùng


Danh mục các ký hiệu , các chữ viết tắt:
ANN

Artificial Neural Network

ANFIS

Adaptive-Network-based Fuzzy Inference System

ARMAX

AutoRegressive Moving Average with eXogenous inputs models

BNN

Biological Neural Network

CARIMA

Controlled Auto-Regressive Integrated Moving Average

COG

Center Of Gravity

CRI

Compositional Rule of Inference

GPC

Generalised Predictive Control

GFM

Generalized Fuzzy Model

GRBFN

Generalized Radial Basic Function Network

GRNFN

Generalized Recurren Neural-Fuzzy network

LFFN

Layered FeedForward network

LDRN

Layered Digital Recurrent Network

MISO

Multi Input- Single Output

NARMAX

Nonlinear AutoRegressive Moving Average with eXogenous
inputs models

RNFN

Recurren Neural-Fuzzy network

SISO

Single Input – Single Output

TDL

Tapped Delay Line

TS

Takagi-Sugano


DANH MỤC CÁC BẢNG, BIỂU, HÌNH ẢNH
Danh mục các bảng, biểu, đồ thị
Bảng 3.1. Bảng luật điều khiển
Bảng 4.1: So sánh đặc điểm logic mờ và mạng noron
Bảng 4.2 sau đây so sánh đặc điểm của 3 mạng được huấn luyện
Bảng 4.3 : So sánh kết quả các mạng được huấn luyện.

Trang
69
77
89
89

Danh mục các hình ảnh
Hình 2.1 Một phần của mạng nơron bao gồm hai nơron.
Hình 2.2 Noron là khâu MISO
Hình 2.3 Noron nhân tạo

Hình 2.4 Mơ hình mạng 1 noron
Hình 2.5 Noron có nhiều tín hiệu đầu vào
Hình 2.6 Kí hiệu mạng 1 noron nhiều đầu vào
Hình 2.7 Mạng noron 1 lớp nhiều đầu vào
Hình 2.8 Kí hiệu rút gọn của mạng noron 1 lớp
Hình 2.9 Hệ thống kí hiệu mở rộng cho mạng noron 1 lớp
Hình 2.10 Mạng noron nhiều lớp
Hình 2.11 Kí hiệu rút gọn mạng nhiều lớp
Hình 2.12 Mạng truyền thẳng LFFN
Hình 2.13 Đường dây trễ có rẽ nhánh- Tapped delay line
Hình 2.14 Ví dụ về mạng hồi quy LDRN
Hình 2.15 Hệ thống kí hiệu mạng LDRN
Hình 2.16 Minh họa phương pháp tìm kiếm Emin theo hướng ngược
gradient E
Hình 2.17 Huấn luyện cho mạng truyền thẳng LFFN
Hình 2.18 Tính tốn đạo hàm riêng phần
Hình 2.19 Tính tốn đạo hàm động học tồn phần của đầu ra mạng
Hình 2.20 Tính đạo hàm tồn phần của hàm mục tiêu tương ứng với biến
w và b
Hình 2.21 Ví dụ về việc xấp xỉ của mạng neural
Hình 2.22 Đáp ứng đầu ra với các thông số đã cho của mạng hình 2.21
Hình 2.23 Ảnh hưởng của sự thay đổi thơng số đến đầu ra của mạng
Hình 2.24 Sơ đồ huấn luyện mạng noron
Hình 2.25 Lưu đồ thuật tốn nhận dạng đối tượng
Hình 2.26 Đáp ứng của mạng khi sử dụng thuật tốn bình phương sai lệch
cực tiểu

10
11
13

18
19
20
21
22
23
24
25
26
27
28
30
33
34
39
40
41
42
43
43
46
47
48


Hình 2.27 Dữ liệu huấn luyện mạng với các xung đầu vào có độ rộng lớn
Hình 2.28 Huấn luyện mạng với kích thích đầu vào là các xung có độ rộng
nhỏ

51

52

Hình 2.29: Dữ liệu huấn luyện mạng với độ rộng xung hỗn hợp
Hình 3.1 Hàm phụ thuộc các số tự nhiên nhỏ hơn 6
Hình 3.2. Mơ tả các giá trị ngơn ngữ bằng tập mờ
Hình 3.3. Quy tắc hợp thành min
Hình 3.4. Quy tắc hợp thành Prod
Hình 3.5. Luật hợp thành MISO với hai mệnh đề điều kiện
Hình 3.6. Hàm thuộc của các giá trị
Hình 3.7. Hàm thuộc đầu ra của mệnh đề thứ nhất
Hình 3.8. Hàm thuộc đầu ra của mệnh đề thứ hai
Hình 3.9. Hàm thuộc đầu ra của luật hợp thành
Hình 3.10. Giải mờ bằng phương pháp cực đại
Hình 3.11. Giải mờ bằng phương pháp điểm trọng tâm
Hình 3.12. Hàm thuộc đầu ra có dạng hình thang
Hình 3.13. Sơ đồ khối bộ điều khiển mờ cơ bản
Hình 3.14: Ảnh hưởng của chỉ số vk đến mối quan hệ giữa biến vào và biến
ra.
Hình 3.15 chỉ ra dạng của hàm liên thuộc biến tiền đề cho l=0.5 đến 5.
Hình 4.1 : Kiến trúc mạng GRBFN
Hình 4.2: Ba trường hợp của vk như sau : v1=v2; v1= 0.1v2; v1= 0.01v2
Hinh 4.3 : Cấu trúc cơ bản mạng hồi quy RNFN
Hình 4.4 Cách chuyển mạng huấn luyện từ trực tiếp sang gián tiếp
à
tương ứng
Hình 4.5a, b : Hàm liên thuộc biến tiền đề Hình 4.6: Dạng tín hiệu kích thich đầu vào đối tượng và đáp ứng đầu ra
Hình 4.7: Quá trình huấn luyện mạng mờ-noron
Hình 4.8 : Đáp ứng đầu ra mạng mờ-noron, giá trị mấu và sai lệch sau khi
huấn luyện
Hình 4.9 : Đáp ứng đầu ra khi sử dụng bộ dữ liệu kiểm tra kết quả.

Hình 4.10 a: Đồ thị hàm liên thuộc biến X1 sau khi huấn luyện
Hình 4.10b) : Đồ thị hàm liên thuộc biến X2 sau khi huấn luyện
Hình 4.11 : Kết quả huấn luyện các mạng GRBFN, RNFN, GRNFN
Hình 4.12: Đồ thị mơ tả dự báo tầm xa và sự ước lượng
Hình 4.13a) Đồ thị đáp ứng đầu ra của đối tượng được điều khiển bám
theo giá trị đặt
Hình 4.13b) Đồ thị tín hiệu điều khiển đối tượng.

52
54
57
58
59
60
62
62
62
63
64
65
66
67
74
75
78
80
81
82
83
84

84
85
85
86
86
90
92
98
98



Luận văn thạc sĩ khoa học 

MỞ ĐẦU
I. Lý do chọn đề tài
Trong thời gian qua, cùng với sự phát triển của khoa học kỹ thuật hiện đại thì
ngành điều khiển học đã có các bước tiến bộ vượt bậc. Ngành điều khiển và tự động
hóa ngày càng thâm nhập sâu vào trong mọi mặt đời sống xã hội để giúp cho con
người có một cuộc sống tiện nghi hơn, dễ dàng hơn. Việc điều khiển từ những con
robot nhỏ, tòa nhà thơng minh cho đến việc điều khiển tồn bộ nhà máy lớn hoặc
các cơng trình đồ sộ đặt ra cho điều khiển học các bài toán phức tạp. Các đối tượng
điều khiển này khơng đơn giản chỉ có một tín hiệu đầu vào/ra mà chúng có hàng
trăm tín hiệu đầu vào và có quan hệ động học phi tuyến phức tạp với đầu ra. Điều
này gây khó khăn rất lớn cho các phương pháp điều khiển kinh điển.
Trước khó khăn đó thì các phương pháp điều khiển thơng minh đã ra đời đã
giải quyết rất nhiều bài toán động học phi tuyến phức tạp hay thậm chí các đối
tượng là hộp đen ( chỉ đo được tín hiệu vào/ra mà khơng biết được chính xác mơ
hình đối tượng ). Nổi bật trong các phương pháp đó là trí tuệ nhân tạo hay chính là
logic mờ và mạng noron.

So với các bộ điều khiển kinh điển khác thì bộ điều khiển mờ có ưu điểm nổi
bật là:
- Khối lượng tính toán giảm, khối lượng thiết kế giảm do sử dụng kiến thức
“chuyên gia”
- Dễ hiểu hơn, trong nhiều trường hợp bộ điều khiển này làm việc ổn định,
bền vững và chất lượng điều khiển cao hơn.
- Làm việc được với đồi tượng có tham số thay đổi và cấu trúc khơng rõ ràng
Mạng noron được chỉ ra có khả năng xấp xỉ hàm rất tốt và được ứng dụng
vào mô hình hóa q trình bởi nhiều nghiên cứu. Mạng noron có thể học mơ hình


Luận văn thạc sĩ khoa học 

quá trình từ tập dữ liệu vào/ra của q trình đó. Việc huấn luyện mạng noron theo
quy ước là hộp đen.
Do vậy việc nghiên cứu nhận dạng và điều khiển các đối tượng động học phi
tuyến phức tạp sử dụng bộ điều khiển mờ và mạng noron là vấn đề cần thiết, có ý
nghĩa quan trọng, có khả năng ứng dụng vào thực tế.

II. Lịch sử nghiên cứu
Thời điểm đánh dấu sự ra đời của bộ điều khiển mờ-nơron và nơron-mờ là
cơng trình nghiên cứu của Lee về mối liên quan giữa lý thuyết tập mờ với mạng
nơron McCulloch-Pitts vào năm 1970. Phát triển trên nền cơng trình đó, năm 1971
đã xuất hiện thiết bị tự động với cơ chế suy diễn mờ theo nguyên lý mạng nơron,
tuy nhiên vẫn còn ở mức độ thấp.
Thập kỷ 80-90 được xem là thời kỳ nở rộ của các cơng trình của mờ-nơron
cũng như nơron-mờ với những ứng dụng trong nhận dạng ảnh, trong hệ thống hỗ trợ
quyết định, trong cơ chế suy diễn nơron-mờ. Nguyên nhân của sự phát triển đó là do
sự ra đời của mạng nơron Hopfield, Tank, tiếp nối là sự hoàn thiện thuật toán lan
truyền ngược của Rumelhart, Hinton, Williams, Nauck cho mạng MLP (

multiplayer perceptron Netwwork ). Nguyên nhân nữa thúc đẩy sự phát triển này
chính là các sản phẩm logic mờ ở Nhật Bản phát triển mạnh mẽ và các chip mờ đã
được ứng dụng trong điều khiển máy giặt, nồi cơm điện, máy điều hòa,…
Hiện nay, sự phát triển của hệ mờ-nơron vẫn đang tiếp tục phát triển mạnh
theo hướng tìm tịi và xây dựng các thuật tốn học định hướng cho các ứng dụng ở
nhiều lĩnh vực khác nhau như hệ thống hỗ trợ quyết định, hệ chuyên gia, tính tốn
mềm, hệ hỗn loạn, điều khiển thích nghi, xử lý tín hiệu bất định,…

III. Mục đích của đề tài
Nghiên cứu các đặc điểm của của mạng mờ noron trong các cơng trình của
các tác giả trong nước và quốc tế từ đó biết được các ưu khuyết điểm của từng
mạng. Trên cơ sở đó ta đề xuất ra một mạng mờ noron mới kết hợp ưu điểm của các


Luận văn thạc sĩ khoa học 

mạng trước đây nhằm ứng dụng nhận dạng và điều khiển hệ phi tuyến ; và xây dựng
các mơ hình dự báo tầm xa cho đối tượng để hỗ trợ các chuyên gia ra quyết định.

IV. Đối tượng nghiên cứu, phạm vi đề tài
Đối tượng nghiên cứu: Mạng mờ noron.
Phạm vi nghiên cứu: Xây dựng mạng mờ noron mới, xây dựng thuật toán
điều khiển GPC kết hợp mạng mờ noron để điều khiển đối tượng, mơ phỏng, viết
chương trình trên phần mềm matlab thơng qua công cụ Mfile. Đánh giá chất lượng
của mạng mờ noron mới so với các mạng mờ noron trước đây.

V. Bố cục của luận văn
Với mục tiêu và phạm vi nghiên cứu nêu trên luận văn bố cục thành 4
chương:
Chương I: Tổng quan ứng dụng mạng mờ noron cho điều khiển hệ phi tuyến

Chương II: Cơ sở lý thuyết mạng noron.
Chương III: Cơ sở lý thuyết logic mờ.
Chương IV: Ứng dụng mạng mờ noron .
Kết luận và kiến nghị

VI. Ý nghĩa khoa học của luận văn
Các vấn đề đề cập trong luận văn cho thấy khả năng ứng dụng rất lớn mạng
mờ noron trong nhận dạng và điều khiển các đối tượng phức tạp. Luận văn nhằm
giúp cho ta có cái nhìn sâu hơn về một phương pháp điều khiển thơng minh mới
đang rất phát triển hiện nay.
Với năng lực hạn chế của bản thân cũng như các nguyên nhân khách quan,
chủ quan khác, luận văn không tránh khỏi những thiếu sót. Tác giả rất mong được
sự góp ý của quý thầy cô, các bạn bè và đồng nghiệp để luận văn được hoàn thiện
hơn. Tác giả xin chân thành cảm ơn các thầy giáo và cô giáo trong Bộ môn Tự động


Luận văn thạc sĩ khoa học 

hóa xí nghiệp cơng nghiệp Trường Đại học Bách Khoa Hà Nội, các bạn bè đồng
nghiệp đã giúp đỡ và tạo điều kiện thuận lợi trong thời gian thực hiện luận văn. Đặc
biệt tác giả xin bày tỏ lòng biết ơn sâu sắc với Thầy giáo GS. Nguyễn Trọng Thuần
đã quan tâm, tận tình hướng dẫn giúp tác giả xây dựng và hoàn thành luận văn này.


Chương 1 : Tổng quan về mạng mờ-noron 

CHƯƠNG 1 : TỔNG QUAN ỨNG DỤNG MẠNG
MỜ-NƠRON CHO ĐIỀU KHIỂN HỆ PHI TUYẾN
Ngày nay có rất nhiều phương pháp nhận dạng và điều khiển hệ thống như
PID, Lyaponov, tuyến tính hóa chính xác … nhưng đa phần các phương pháp này

ứng dụng cho các đối tượng tuyến tính hoặc địi hỏi phải có mơ hình tốn học chính
xác. Với những đối tượng phi tuyến mà chưa có hiểu biết về đối tượng hoặc chỉ
hiểu biết sơ lược, mơ hồ về đối tượng thì những phương pháp trên tỏ ra khơng hữu
hiệu. Đối với những trường hợp này thì phương pháp điều khiển mờ và noron tỏ ra
có khả năng vượt trội. Với ưu điểm cơ bản là có thể xứ lý với độ chính xác cao
những thơng tin "khơng chính xác" hệ mờ và mạng nơron là cơ sở của hệ "điều
khiển thơng minh" và "trí tuệ nhân tạo".

1.1 ) Lịch sử hình thành logic mờ và mạng noron
1.1.1) Logic mờ
Có thể nói, ngay từ khi mới ra đời vào những năm nửa cuối thế kỷ 20,
chuyên ngành điều khiển mờ đã được phát triển rất mạnh mẽ và đem lại nhiều thành
tựu bất ngờ trong lĩnh vực điều khiển. Ưu điểm cơ bản của điều khiển mờ so với các
phương pháp điều khiển kinh điển là có thể tổng hợp được bộ điều khiển mờ mà
khơng cần biết trước đặc tính của đối tượng một cách chính xác. Ngành kĩ thuật mới
mẻ này, như Zahde đã định hướng cho nó vào năm 1965, có nhiệm vụ chuyển giao
nguyên tắc xử lý thơng tin khơng chính xác hay khơng đầy đủ, những thơng tin mà
sự chính xác của nó chỉ nhận thấy được giữa các quan hệ của chúng với nhau và
cũng chỉ có thể mơ tả được bằng ngơn ngữ, đã có thể cho ra những quyết định chính
xác. Chính khả năng này đã làm cho điều khiển mờ sao chụp được phương thức xử
lý thông tin và điều khiển con người, đã giải quyết thành cơng các bài tốn điều
khiển phức tạp, các bài tốn mà trước đây khơng giải quyết được và đã đưa nó lên

1


Chương 1 : Tổng quan về mạng mờ-noron 

vị trí xứng đáng là kỹ thuật điều khiển của hôm nay và tương lai. Điều khiển mờ
hay còn gọi là điều khiển thông minh là những bước ứng dụng ban đầu của trí tuệ

nhân tạo vào kỹ thuật điều khiển.
1.1.2) Mạng noron
Ngay từ khi được khai sinh bằng sự ra đời cuốn sách « Điều khiển học hay
điều chỉnh và sự truyền thơng trong cơ thể sống, trong máy móc » của tác giả
Nobert Wieners xuất bản năm 1948 thì điều khiển học đã đặt ra mục đích nghiên
cứu áp dụng nguyên lý làm việc của hệ thống thần kinh động vật vào điều khiển.
Công cụ giúp Điều khiển học thực hiện được mục đích này là trí tuệ nhân tạo và
mạng mờ noron. Với logic mờ, trí tuệ nhân tạo phát triển mạnh mẽ trong những
năm gần đây tạo ra cơ sở xây dựng các hệ chuyên gia, những hệ có khả năng cung
cấp kinh nghiệm điều khiển hệ thống hay cịn gọi là hệ trợ giúp quyết định. Trí tuệ
nhân tạo được xây dựng dựa trên mạng noron nhân tạo. Sự kết hợp giữa logic mờ và
mạng noron trong thiết kế hệ thống điều khiển tự động là một khuynh hướng hoàn
toàn mới, phương hướng thiết kế hệ điều khiển thơng minh, một hệ thống mà bộ
điều khiển có khả năng tư duy như bộ não của con người.
Khái niệm mạng nơ-ron được bắt đầu vào cuối thập kỷ 1800 khi người ta cố
gắng mơ tả hoạt động của trí tuệ con người. Ý tưởng này bắt đầu được áp dụng cho
các mơ hình tính tốn từ mạng Perceptron.
Đầu thập kỷ 1950 Friedrich Hayek là người đầu tiên khẳng định ý tưởng về
trật tự tự phát trong não xuất phát từ các mạng phân tán gồm các đơn vị đơn giản
(nơ-ron). Cuối thập kỷ 1940, Donnald Hebb đưa ra giả thuyết đầu tiên về một cơ
chế thần kinh mềm dẻo (neural plasticity), Hebbian learning. Hebbian learning được
coi là một quy tắc 'điển hình' của học khơng có giám sát. Nó (và các biến thể) là mơ
hình thời kỳ đầu của long term potentiation (tạo tiềm lực dài hạn).
Perceptron là một bộ phân loại tuyến tính dành cho việc phân loại dữ liệu

x ∈ Rn xác định bằng các tham số W

R ,b

R và một hàm đầu ra f = W'x + b.

Các tham số của nó được thích nghi với một quy tắc tùy biến (ad-hoc) tương tự với
giảm độ dốc ngẫu nhiên (stochastic steepest gradient descent). Perceptron chỉ có thể
2


Chương 1 : Tổng quan về mạng mờ-noron 

phân loại hoàn hảo một tập dữ liệu mà các lớp khác nhau là phân tách tuyến tính
(linearly separable) trong khơng gian đầu vào. Nó thường khơng thích hợp được đối
với dữ liệu khơng chia tách được. Sự phát triển của thuật tốn này ban đầu đã tạo ra
một số hứng khởi một phần vì mối quan hệ của nó đối với các cơ chế sinh học. Tuy
nhiên vì điểm yếu này đã làm cho các mơ hình Perceptron bị bỏ mặc cho đến khi
các mơ hình phi tuyến được đưa ra.
Cognitron (1975) là một mạng nơ-ron đa tầng thời kỳ đầu với một thuật toán
huấn luyện. Các chiến lược thần kinh khác nhau sẽ khác nhau về cấu trúc thực sự
của mạng và các phương pháp thiết lập trọng số cho các kết nối. Mỗi dạng có các
ưu điểm và nhược điểm riêng. Mạng có thể lan truyền thơng tin chỉ theo một hướng,
hoặc thơng tin có thể được đẩy đi đẩy lại cho đến khi tại một nút xuất hiện sự tự
kích hoạt và mạng sẽ dừng tại một trạng thái kết thúc. Khả năng truyền dữ liệu hai
chiều giữa các nơ-ron/nút còn được sử dụng trong mạng Hopfield (1982), và sự
chun hóa các tầng nút này cho các mục đích cụ thể đã được đưa ra trong mạng
nơ-ron lai (hybrid neural network) đầu tiên.
Giữa thập kỷ 1980, xử lý phân tán song song (parallel distributed processing)
trở nên một chủ đề thu hút được nhiều quan tâm dưới cái tên connectionism.
Mạng lan truyền ngược (backpropagation) có lẽ đã là nguyên nhân chính của
sự tái xuất của mạng nơ-ron từ khi cơng trình "Learning Internal Representations by
Error Propagation" (học các biểu diễn bên trong bằng cách lan truyền lỗi) được xuất
bản năm 1986. Mạng lan truyền ngược ban đầu sử dụng nhiều tầng, mỗi tầng gồm
các đơn vị tổng-trọng-số có dạng f = g(w'x + b), trong đó g là một hàm sigmoid.

Huấn luyện được thực hiện theo kiểu giảm độ dốc ngẫu nhiên. Việc sử dụng quy tắc
tính nguyên hàm cho hàm hợp (chain rule) khi tính tốn các thay đổi thích hợp cho
các tham số dẫn đến một thuật tốn có vẻ 'truyền ngược lỗi'. Đó là nguồn gốc của
thuật ngữ lan truyền ngược. Tuy nhiên, về bản chất, đây chỉ là một dạng giảm độ
dốc. Việc xác định các tham số tối ưu cho một mơ hình thuộc dạng này không đơn
giản, không thể dựa vào các phương pháp xuống dốc để có được lời giải tốt mà
khơng cần một xuất phát điểm tốt. Ngày nay, các mạng có cùng kiến trúc với mạng

3


Chương 1 : Tổng quan về mạng mờ-noron 

truyền ngược được gọi là các mạng Perceptron đa tầng. Thuật ngữ này không hàm ý
bất cứ giới hạn nào đối với loại thuật toán dùng cho việc học.
Mạng truyền ngược đã tạo ra nhiều hứng khởi và đã có nhiều tranh cãi về
chuyện quy trình học đó có thể được thực hiện trong bộ não hay khơng. Một phần vì
khi đó chưa tìm ra cơ chế truyền tín hiệu ngược. Nhưng lý do quan trọng nhất là
chưa có một nguồn tín hiệu 'dạy' hay tín hiệu 'đích' đáng tin cậy.
Ngày nay, các nhà thần kinh học đã thành cơng trong việc tìm ra mối liên hệ
giữa học tăng cường và hệ thống hưởng thưởng dopamine (dopamine system of
reward). Tuy nhiên, vai trò của nó và các neuromodulator khác vẫn đang được
nghiên cứu.
1.1.3) Lịch sử phát triển mạng mờ-nơron
Thời điểm đánh dấu sự ra đời của bộ điều khiển mờ-nơron và nơron-mờ là
công trình nghiên cứu của Lee về mối liên quan giữa lý thuyết tập mờ với mạng
nơron McCulloch-Pitts vào năm 1970. Phát triển trên nền cơng trình đó, năm 1971
đã xuất hiện thiết bị tự động với cơ chế suy diễn mờ theo nguyên lý mạng nơron,
tuy nhiên vẫn còn ở mức độ thấp.
Thập kỷ 80-90 được xem là thời kỳ nở rộ của các cơng trình của mờ-nơron

cũng như nơron-mờ với những ứng dụng trong nhận dạng ảnh, trong hệ thống hỗ trợ
quyết định, trong cơ chế suy diễn nơron-mờ. Nguyên nhân của sự phát triển đó là do
sự ra đời của mạng nơron Hopfield, Tank, tiếp nối là sự hồn thiện thuật tốn lan
truyền ngược của Rumelhart, Hinton, Williams, Nauck cho mạng MLP (
multiplayer perceptron Netwwork ). Nguyên nhân nữa thúc đẩy sự phát triển này
chính là các sản phẩm logic mờ ở Nhật Bản phát triển mạnh mẽ và các chip mờ đã
được ứng dụng trong điều khiển máy giặt, nồi cơm điện, máy điều hòa,…
Hiện nay, sự phát triển của hệ mờ-nơron vẫn đang tiếp tục phát triển mạnh
theo hướng tìm tịi và xây dựng các thuật toán học định hướng cho các ứng dụng ở
nhiều lĩnh vực khác nhau như hệ thống hỗ trợ quyết định, hệ chun gia, tính tốn
mềm, hệ hỗn loạn, điều khiển thích nghi, xử lý tín hiệu bất định,…

4


Chương 1 : Tổng quan về mạng mờ-noron 

1.2 ) Các cơng trình về mạng mờ-nơron
Việc điều khiển và giám sát q trình tiên tiến địi hỏi biết chính xác mơ hình
q trình. Mơ hình q trình có thể được phân chia rộng thành 2 loại : đầu tiên là
mơ hình nguyên lý được phát triển dựa trên kiến thức về quá trình và chúng là đáng
tin cậy. Bất cứ khi nào việc sử dụng mơ hình ngun lý là khả thi, thì nó nên được
phát triển và ứng dụng. Việc phát triển của mơ hình ngun lý thường tốn thời gian
và sức lực đặc biệt là với quá trình phức tạp. Với những q trình nghèo thơng tin,
việc xây dựng mơ hình ngun lý là bất khả thi. Để khắc phục điều khó khăn này,
mơ hình kinh nghiệm dựa trên dữ liệu vào/ra quá trình được phát triển.
Mạng noron được chỉ ra có khả năng xấp xỉ hàm rất tốt và được ứng dụng
vào mơ hình hóa q trình bởi nhiều nghiên cứu. Mạng noron có thể học được mơ
hình quá trình cơ bản từ tập dữ liệu vào/ra của q trình đó. Việc huấn luyện mạng
noron theo quy ước là hộp đen. Một hạn chế khả năng của mạng noron truyền thống

là rất khó chứng mính tính bền vững khi sử dụng tập dữ liệu mà ta không hiểu biết
được.
Một cách tiếp cận để cải tiến tính bền vững của mơ hình và bóc tách hộp đen
dựa trên sự kết hợp đồng thời hiểu biết về mơ hình và tín hiệu dữ liệu vào/ra. Kiến
thức mơ hình có thể được xử lí phân tách hoạt động q trình trong một số vùng
hoạt động cục bộ chẳng hạn với từng vùng, việc mơ hình tuyến tính bậc rút gọn có
thể được sử dụng để xấp xỉ các hành vi cục bộ của quá trình. Thực tế, một quá trình
phi tuyến có thể được tuyến tính hóa từng phần xung quanh điểm làm việc riêng lẻ
và mơ hình tuyến tính hóa cục bộ có hiệu quả trong lân cận điểm làm việc đó. Tập
mờ cung cấp một phương tiện thích hợp cho việc phân định các vùng làm việc từ
lúc định nghĩa các vùng này là còn mập mờ trong tự nhiên và thường có sự chồng
chéo giữa các vùng khác nhau. Điều đó dẫn đến phương pháp tiếp cận mơ hình hóa
mờ.
Một phương pháp mơ hình mờ [1] được phát triền bởi Takagi và Sugeno.
Trong cách tiếp cận này, từng đầu vào mơ hình được gán với vài tập mờ tương ứng
với hàm liên thuộc được xác định. Thông qua sự kết hợp hợp lý của những đầu vào
5


Chương 1 : Tổng quan về mạng mờ-noron 

mờ này, không gian tín hiệu vào mơ hình được phân thành một vài vùng mờ. Mơ
hình tuyến tính cục bộ được sử dụng trong phạm vi từng vùng và đầu ra toàn cục
được giải mờ qua điểm trọng tâm COG (centre of gravity defuzzification) là phương
pháp cơ bản nội suy từ đầu ra cục bộ. Cách tiếp cận mơ hình hóa này rất hữu hiệu
trong việc phân tích mơ hình phức tạp thành các mơ hình con kém phức tạp hơn.
Dựa trên nguyên lí tương tự [2], Johansen đề xuất cách tiếp cận xây dựng mơ hình
hồi quy phi tuyến NARMAX ( Nonlinear AutoRegressive Moving Average with
eXogenous inputs models ) sử dụng mơ hình hồi quy tuyến tính cục bộ ARMAX (
AutoRegressive Moving Average with eXogenous inputs models ). Trong cách tiếp

cận của họ, đối tượng phi tuyến được phân tách thành vài chế độ hoạt động và với
từng chế độ, mô hình ARMAX được triển khai. Chức năng hàm cho từng mơ hình
cục bộ được chấp nhận và mơ hình tồn cục NARMAX đạt được bởi nội suy những
mơ hình ARMAX cục bộ.
Mơ hình mờ có thể thực hiện bởi sử dụng mạng mờ noron. Sự trình bày
mạng mờ noron nổi lên là cách tiếp cận mạnh cho giải pháp rất nhiều vấn đề [3],
[4]. Jang [5] đề xuất kiến trúc mơ hình mạng thích nghi mờ ANFIS ( adaptivenetwork-based fuzzy inference system ) thay thế cho mơ hình mờ. Trong suốt q
trình huấn luyện lan truyền ngược, ANFIS có khả năng thich nghi bằng cách tinh
chỉnh luật mờ nếu-thì ( if- then ) nhờ sử dụng tín hiệu vào/ra hệ thống. Suy luận mờ
có khả năng xử lí các thơng tin mập mờ không chắc chắn trong khi mạng noron có
khả năng nhận dạng các dữ liệu mơi trường thưc. Mạng mờ noron kết hợp thuận lợi
cả suy luận mờ và mạng noron. Kiến thức q trình có thể được nhúng trong cấu
trúc mạng mờ noron trong quan điểm về sự phân chia hàm liên thuộc mờ và cài đặt
tham số cho mơ hình cục bộ có bậc mơ hình thu gọn. 2 cấu trúc mạng mờ noron
truyền thẳng và hồi quy được đề xuất cho mơ hình hóa đối tượng phi tuyến. Trong
những đối tượng phi tuyến mà không mang tính chất động học thì cấu trúc mạng
mờ noron truyền thẳng cho kết quả huấn luyện tốt và thời gian huấn luyện nhanh
chóng như được chỉ ra trong bài báo [6] của M.Azeem. Việc xây dựng mạng mờ
thích nghi tổng quát GRBFN ( Generalized Radial Basic Function Network ) do

6


Chương 1 : Tổng quan về mạng mờ-noron 

M.Azeem đưa ra giúp ta có thể loại bỏ đi vài biến hoặc vài luật trong mạng mờ
noron khi nhận dạng một đối tượng phi tuyến. Mơ hình mạng mờ noron truyền
thẳng dùng để dự báo trước 1 bước sử dụng đầu ra của quá trình ở thời điểm hiện tại
làm thành một tín hiệu đầu vào mạng để dự báo đầu ra quá trình trong thời điểm
tiếp theo.

Trong thực tế thì đối tượng ln mang tính chất động học hoặc trường hợp
đầu ra đo lường bị trễ hoặc sai lệch nhiều do ảnh hưởng của nhiễu thì mơ hình
truyền thẳng là khơng thích hợp. Thật tốt khi biết rằng đối tượng có tính động học
có thể được xây dựng bởi mạng noron động như mạng noron hồi quy [7] và [8],
mạng Elman [9], [10]. Mạng noron hồi quy có đầu ra được hồi tiếp trờ lại mạng
thông qua thời gian trễ. Trong mạng Elman, các đầu ra noron lớp ẩn ở thời điểm
trước được phản hồi tới tất cả các lớp ẩn. Giống như mạng liên kết ,nó tương tự mơ
hình trạng thái phi tuyến đặc trưng cho mơ hình động lực học. Scott và Ray [11] đã
chứng minh việc biểu diễn mạng Elman cho mơ hình hóa q trình phi tuyến.
Trên cơ sở đó, bài báo [12] của Zhang đã đưa ra một dạng của mạng mờ
noron hồi quy và nó xây dựng mơ hình nhận dạng phi tuyến từ liên kết mờ của một
số mơ hình động học cục bộ. Trong mạng mờ noron hồi quy này, đầu ra của mạng
được phản hồi tới đầu vào của mạng qua một vài phần tử trễ. Đặc tính này của cấu
trúc đảm bảo rằng việc nhận dạng từ mạng mờ noron hồi quy là đảm bảo tính động
học. Cả hiểu biết quá trình và dữ liệu vào/ra được sử dụng để xây dựng mơ hình
nhận dạng và mơ hình dự báo. Kiến thức quá trình được sử dụng để khởi tạo việc
phân chia đặc điểm phi tuyến quá trình thành nhiều vùng hoạt động cục bộ và giúp
đỡ cho việc khởi tạo các trọng số mạng tương ứng. Dữ liệu vào/ra quá trình được sử
dụng để huấn luyện mạng. Hàm liên thuộc của chế độ hoạt động cục bộ được nhận
biết và mơ hình cục bộ được tìm ra trong suốt q trình huấn luyện. Trong lúc huấn
luyện mạng hồi quy, đối tượng được huấn luyện để làm sai lệch đầu ra là nhỏ nhất.
Do đó, mạng mờ noron hồi quy khi huấn luyện thành cơng có thể cung cấp các mơ
hình nhận dang hoặc mơ hình dự báo tốt.

7


Chương 1 : Tổng quan về mạng mờ-noron 

Mơ hình mạng mờ noron hồi quy có thể được sử dựng để phát triển một dạng

mới của mơ hình phi tuyến dựa trên cơ sở bộ điều khiển dự báo. Trên cơ sở các mơ
hình tuyến tính cục bộ được chứa đựng trong mạng mờ noron hồi quy, ta có thể phát
triển bộ điều khiển dự báo cho mỗi mơ hình tuyến tính cục bộ này . Mỗi mơ hình
tuyến tính cục bộ sẽ được đưa về dạng chuẩn điều khiển dự báo hồi quy có tích
phân CARIMA (Controlled auto-regressive integrated moving average).
∆

∆

∆

   

Với mỗi mơ hình cục bộ mơ tả trên ta có thể xây dựng được rất nhiều
phương pháp điều khiển dự báo đơn giản như bộ điều khiển dự báo GPC (
generalised predictive control ) với phương pháp thực hiện như trong tài liệu [13].
Những bộ điều khiển cục bộ này có thể kết hợp qua giải mờ trọng tâm COG để định
ra mơ hình phi tuyến tồn cục dựa trên bộ điều khiển dự báo tầm xa. Việc thuận lợi
của cách tiếp cận này là thông thường tồn tại phương pháp phân tách cho mơ hình
dự báo cục bộ ( trừ trường hợp mơ hình phi tuyến là bắt buộc ) và do đó tránh được
thủ tục yêu cầu tính tốn tối ưu số học và khơng đảm bảo hội tụ tới giá trị cục tiểu
toàn cục mà điển hình được biết trong các bài báo trước về mơ hình phi tuyến trên
nền chiến lược điều khiển dự báo. Khi mơ hình phi tuyến là bắt buộc, sự khó khăn
trong tính tốn và phân tích có thể dễ dàng kết hợp qua các bộ điều khiển cục bộ. Ví
dụ, hệ phi tuyến bắt buộc có thể khơng hoạt động trong một vùng riêng biệt và do
đó có thể được nới lỏng trong vùng đó. Trong 1 vùng hoạt động riêng biệt , hệ ràng
buộc phi tuyến có thể được xấp xỉ bởi một hệ ràng buộc tuyến tính. Hơn nữa, những
tác động điều khiển được tính tốn từ mơ hình tuyến tính cục bộ gia tăng với tích
phân tín hiệu mà có thể loại trừ các tín hiệu sai lệch tĩnh offset.

1.3 Kết luận nghiên cứu
Từ kết quả của hai bài báo [6] , [12] của M.Azeem và Zhang ta rút ra được
những kết luận về cấu trúc mạng GRBFN và mạng hồi quy RNFN như sau :
Mạng GRBFN của M.Azeem có cấu trúc mạng truyền thẳng, có hàm liên
thuộc dạng tổng quát từ đó cho phép ta có thể loại bỏ vài biến hoặc vài luật trong

8


Chương 1 : Tổng quan về mạng mờ-noron 

mạng mờ noron khi nhận dạng đối tượng phi tuyến. Mạng GRBFN cho kết quả
huấn luyện tốt, thời gian huấn luyện nhanh hơn so với mạng hồi quy. Nhược điểm :
Mạng GRBFN chưa ứng dụng được cho nhận dạng và điều khiển đối tượng động
học phi tuyến.
Mạng RNFN của Zhang có khả năng nhận dạng, dự báo tầm xa và điều khiển
tốt các đối tượng động học phi tuyến nhưng nhược điểm là mạng hồi quy nên thời
gian huấn luyện mạng lâu không đáp ứng thời gian thực. Ngoài ra bài báo của
Zhang mới chỉ ứng dụng để nhận dạng và điều khiển đối tượng một vào một ra
SISO, còn trong thực tế đa phần các đối tượng là đa biến MIMO.
Kết hợp ưu điểm của hai mạng GRBF và RNFN ta xây dựng nên mạng
GRNFN có cấu trúc mạng RNFN và hàm liên thuộc tổng quát GFM. Mạng GRNFN
giúp ta có thể nhận dạng được đối tượng động học phi tuyến mạnh. Ngoài ra mạng
truyền thẳng bao giờ cũng huấn luyện nhanh hơn mạng hồi quy nên ta cải biến
mạng GRNFN từ hồi quy sang truyền thẳng bằng cách lấy tập mẫu đầu ra làm thành
đầu vào ảo mạng mờ noron khiến thời gian huấn luyện mạng nhanh hơn mà vẫn cho
kết quả điều khiển đối tượng tốt. Từ kết quả đó có thể được ứng dụng vào trong
điều khiển thời gian thực mà đối tượng có tham số biến thiên theo thời gian địi hỏi
phải chỉnh sửa tham số trong mơ hình cục bộ tương ứng.
Đóng góp của luận văn này là xây dựng mơ hình mạng mờ noron tổng qt

GRFNN để nhận dạng và điều khiển đối tượng động học phi tuyến MISO. Trong
luận văn này tác giả đã sử dụng cơng cụ Matlab để mơ phỏng q trình nhận dạng
và điều khiển đối tượng mà thiếu các toolbox cần thiết. Ở đây tác giả đã xây dựng
thêm một số hàm để có thể thiết kế riêng một mạng mờ noron theo ý muốn mà
trước đó chưa có luận văn trong nước nào làm được.
Luận văn này được cấu trúc như sau. Phần II mô tả cấu trúc mạng noron từ
đơn giản đến phức tạp, cách thức làm việc, phương pháp huấn lyện mạng noron.
Phần III mô tả công cụ mờ, cách thức xây dựng hàm liên thuộc, thiết kế bộ điều
khiển. Xây dựng và ứng dụng mạng mờ-noron tổng quát được trình bày trong phần
IV.

9


Chương 2 : Cơ sở lí thuyết mạng noron 

CHƯƠNG 2 CƠ SỞ LÝ THUYẾT MẠNG NORON
Chương 2 giúp cho chúng ta có cách nhìn tổng quan về mạng noron trong
đời sống và trên lí thuyết. Ở đây nêu lên những khái niệm chung nhất, cấu trúc, cách
mô tả và hệ thống kí hiệu mạng noron để ứng dụng trong đồ án này. Trong chương
2 chúng ta phân chia thành 6 mục. Mục 2.1 giới thiệu về mạng noron sinh học, cấu
trúc và cách hoạt động của mạng noron thực tế. Từ đó làm cơ sở mơ phỏng tính
năng và cấu trúc mạng noron sinh học tạo ra được mơ hình mạng noron nhân tạo
trong mục 2.2. Mục 2.3, 2.4 nêu lên cách thức xây dựng mơ hình mạng noron lần
lượt từ thấp đến cao, từ đơn giản đến phức tạp và có thể gộp chung lại nhưng ta tách
riêng ra cho tiện theo dõi. Mục 2.5 trình bày về 2 cấu trúc mạng được sử dụng trong
đề tài để điều khiển đối tượng. Mục 2.6 nêu lên phương thức hoạt động của mạng
noron nhân tạo. Các khái niệm được nêu ra ở đây là căn bản cho việc huấn luyện
mạng trình bày ở chương 3.

2.1 Mạng noron tự nhiên
Mạng noron là sự tái tạo bằng kĩ thuật những chức năng của hệ thần kinh con
người. Trong quá trình tái tạo không phải tất cả các chức năng của bộ não con người
có đều tái tạo, mà chỉ có những chức năng cần thiết. Bên cạnh đó cịn có những
chức năng mới được tạo ra nhằm giải quyết một bài toán điều khiển đã định trước.

Hình 2.1 Một phần của mạng nơron bao gồm hai nơron.

10


Chương 2 : Cơ sở lí thuyết mạng noron 

Mạng noron bao gồm vô số các noron được liên kết truyền thông với nhau
trong mạng.
Một noron bao gồm các thành phần cơ bản:
-Thân noron được giới hạn trong một màng membran và trong cùng là nhân.
Từ thân noron cịn có rất nhiều đường rẽ nhánh gọi là rễ.
-Đường liên lạc liên kết noron này với noron khác được gọi là axon, trên
axon có các đường rẽ nhánh. Noron có thể liên kết với các noron khác qua các rễ.
Chính vì sự liên kết đa dạng như vậy nên mạng noron có độ bền liên kết cao.
-Các rễ của noron được chia thành hai loại: loại nhận thông tin từ nơron
khác qua axon, mà ta sẽ gọi là rễ đầu vào và loại đưa thông tin qua axon tới các
noron khác gọi là rễ đầu ra.
Một noron có thể có nhiều rễ đầu vào, nhưng chỉ có một rễ đầu ra. Như thế,
nếu xem noron như một khâu điều khiển thì đó chính là khâu có nhiều đầu vào, một
đầu ra.

Hình 2.2 Noron là khâu MISO

Quá trình hoạt động của một noron là một q trình điện hóa tự nhiên. Ở
trạng thái cân bằng (trạng thái tĩnh) điện áp của màng membran khoảng 75mV. Khi
có tác động bên ngồi vào noron (mức điện áp khoảng 35mV) trong tế bào noron
xảy ra hàng loạt các phản ứng hóa học tạo thành lực tác động làm noron bị kích
hoạt. Thế năng sinh ra khi noron ở trạng thái bị kích thích hồn tồn này chỉ tồn tại
trong khoảng vài mili giây sau đó noron lại trở về trạng thái cân bằng cũ, thế năng
này được truyền vào mạng qua axon và có khả năng kích thích hoặc kìm hãm tự
nhiên các noron khác trong mạng. Một noron sẽ ở trạng thái kích thích khi tại đầu
vào xuất hiện một tín hiệu tác động vượt qua ngưỡng cân bằng của noron.
Một tính chất của mạng noron sinh học là các đáp ứng theo kích thích có khả
năng thay đổi theo thời gian. Các đáp ứng có thể tăng lên, giảm đi hoặc hồn tồn

11