KHOA ĐIỆN – ĐIỆN TỬ
HỆ THỐNG ĐIỀU KHIỂN
THÔNG MINH
CHƯƠNG 6
NHẬN DẠNG HỆ PHI TUYẾN
6.1. Giới thiệu
Nhận dạng hệ thống là xây dựng mô hình toán của hệ
thống dựa trên dữ liệu quan sát được. Quá trình giải bài
toán nhận dạng hệ thống là quá trình lặp theo sơ đồ.
Hình 6.1: Cấu trúc mô hình phi tuyến
Các vấn đề cần giải quyết trong bài toán nhận
dạng
1. THÍ NGHIỆM THU THẬP DỮ LIỆU
Để có thể nhận dạng được mô hình tính toán của hệ thống
cần:
Chọn tín hiệu thử có biên độ và băng thông thích hợp đặt
vào các ngõ vào.
Quan sát đáp ứng ở các ngõ ra của hệ thống.
Các vấn đề cần giải quyết trong bài toán nhận
dạng
2. CHỌN CẤU TRÚC MÔ HÌNH
Vấn đề quan trọng nhất và khó nhất trong các bước nhận
dạng hệ thống, chia làm 3 bài toán nhỏ:
Chọn loại mô hình.
Chọn bậc của mô hình.
Làm thế nào để thông số hóa mô hình để các thuật toán
ước lượng cho kết quả tốt nhất.
Các vấn đề cần giải quyết trong bài toán nhận
dạng
3. ƯỚC LƯỢNG THÔNG SỐ
Giải một bài toán tối ưu hóa để tìm thông số mô hình sao
cho tối thiểu một hàm xác định dương đánh giá sai lệch
giữa tín hiệu ra của bộ dự báo và tín hiệu ra thực nghiệm
Các vấn đề cần giải quyết trong bài toán nhận
dạng
4. ĐÁNH GIÁ MÔ HÌNH
Đánh giá chất lượng của mô hình vừa nhận dạng: 2 PP
Đánh giá chéo: khảo sát khả năng tái tạo đáp ứng của hệ
thống với một tập dữ liệu mới không dung ở bước ước
lượng thông số bắng cách mô phỏng với tín hiệu vào mới
và so sánh tín hiệu ra mô phỏng với tín hiệu ra thực
nghiệm.
Phân tích thặng dư: nếu mô hình nhận dạng được có chất
lượng tốt thì tương quan giữa thặng dư và tín hiệu vào phải
xấp xỉ bằng 0.
6.2. Nhận dạng hệ phi tuyến
Đối tượng:
Dữ liệu:
Mô hình:
Phân loại mô hình phi tuyến
Phân loại theo các phần tử hồi qui:
Phân loại mô hình phi tuyến
Phân loại theo bộ cấu trúc hàm phi tuyến:
Mô hình mờ: Mamdani, Sugeno
Mô hình mạng thần kinh: MLP, RBF
Mô hình lai mạng thần kinh mờ: ANFIS
6.3. Nhận dạng hệ phi tuyến dung mô hình mờ
Sơ đồ khối dự báo mờ
• Qui tắc mờ mô tả đặc tính động học của đối tượng phi tuyến:
• Bộ dự báo:
• Vector tham số:
6.4 Nhận dạng hệ phi tuyến dùng mô hình mạng thần kinh
Mạng thần kinh là cấu trúc mô hình phi tuyến được ưu tiên chọn
lựa để mô hình hóa hệ thống khi biết rất ít thông tin về đối
tượng.
Mạng thần kinh có tính linh hoạt rất cao.
o
Nhận dạng dùng mạng truyền thẳng nhiều lớp (MLP)
o
Nhận dạng dùng mạng hàm cơ sở xuyên tâm (RBF)
6.4.1 Nhận dạng dùng mạng truyền thẳng nhiều lớp (MLP)
Sơ đồ khối bộ dự báo dùng mạng thần kinh MLP
•
Tín hiệu ngõ ra lớp ẩn:
•
Bộ dự báo:
•
Vector tham số:
Khi sử dụng mạng thần kinh để nhận dạng hệ thống cần phải quan tâm
chọn cấu hình mạng:
•
Số tế bào thần kinh ở lớp vào: phụ thuộc vào số phần tử hồi quy.
•
Số tế bào thần kinh ở lớp ẩn: phụ thuộc vào tính phi tuyến của đối
tượng cần nhận dạng.
•
Hàm tác động của tế bào thần kinh ở lớp ẩn: hàm Gauss là chọn lựa
đầu tiên, tùy trường hợp có thể các hàm khác sẽ có kết quả tốt hơn.
Xây dựng mô hình càng đơn giản càng tốt.
6.4.2 Nhận dạng dùng mạng hàm cơ sở xuyên tâm (RBF)
Mạng hàm cơ sở xuyên tâm RBF là một trướng hợp riêng của mạng thần kinh, do đó
cơ sở lý thuyết ở phần trước cũng có thể áp dụng để giải bài toán nhận dạng hệ thống
dung mạng RBF.
Ví dụ: Nhận dạng hệ lò xo:
Phương trình vi phân tuyến tính:
Trong đó:
u(t) là lực kéo (tín hiệu vào)
y(t) là vị trí xe (tín hiệu vào)
M = 1kg : khối lượng xe
b = 0,2 : hệ số ma sát nhớt
k1 = 0,5; k2 = 0,5 : độ cứng của lò xo
Dữ liệu nhập dạng mô hình
Dữ liệu đánh giá mô hình
Hai dữ liệu vào ra của hệ lò xo
Ta chọn cấu hình mạng RBF để nhận dạng hệ lò xo như sau:
•
8 ngõ vào: u(t-1), u(t-2), u(t-3), y(t-1), y(t-2), …., y(t-5)
•
1 ngõ vào: y(t)
•
Số hàm cơ sở xuyên tâm: 100
Phân tích thặng dư
Đánh giá chéo
Kết quả đánh giá mô hình sau khi nhận dạng, độ phù hợp của mô hình khi phân tích thặng dư và đánh
giá chéo tương ứng là 98,97% và 94,22%
6.5. ƯỚC LƯỢNG THÔNG SỐ MÔ HÌNH PHI TUYẾN
DÙNG GA
GA là một công cụ tìm lời giải tối ưu đa năng, có thể áp
dụng để tìm cực trị toàn cục của hàm mục tiêu có nhiều
dạng khác nhau.
Tổng quát tiêu chuẩn ước lượng thông số có dạng:
Trong đó: l(.) là hàm vô hướng xác định dương
6.5. ƯỚC LƯỢNG THÔNG SỐ MÔ HÌNH PHI TUYẾN
DÙNG GA
Một số tiêu chuẩn khác
Chuẩn
Chuẩn
6.5. ƯỚC LƯỢNG THÔNG SỐ MÔ HÌNH PHI TUYẾN
DÙNG GA
GA ƯỚC LƯỢNG THÔNG SỐ MÔ HÌNH PHI TUYẾN
Hai vấn đề cần quan tâm:
Mã hóa lời giải bài toán như thế nào
Hàm thích nghi là hàm gì
6.5. ƯỚC LƯỢNG THÔNG SỐ MÔ HÌNH PHI TUYẾN
DÙNG GA
GA ƯỚC LƯỢNG THÔNG SỐ MÔ HÌNH PHI TUYẾN
Mã hóa: có thể sử dụng cách mã hóa nhị phân hoặc thập
phân, tuy nhiên thuận lợi nhất là cách mã hóa số thực với
mỗi thông số cần ước lượng tương ứng với 1 gen trên
chuỗi nhiễm sắc thể
…
6.5. ƯỚC LƯỢNG THÔNG SỐ MÔ HÌNH PHI TUYẾN
DÙNG GA
GA ƯỚC LƯỢNG THÔNG SỐ MÔ HÌNH PHI TUYẾN
Hàm thích nghi: tiêu chuẩn ước lượng thông số. GA sẽ tìm
vector thông số sao cho tối thiểu hóa hàm thích nghi
Sau khi mã hóa lời giải và định nghĩa được hàm thích nghi,
Có thể sử dụng GA với các phép toán di truyền chuẩn (tương
ứng cách mã hóa) để ước lượng thông số mô hình.