Mạng anfis và ứng dụng cho dự báo sản lượng tiêu thụ điện năng của tỉnh bắc giang

ĐẠI HỌC THÁI NGUYÊN
TRƢỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG

TỐNG THỊ HƢƠNG GIANG

MẠNG ANFIS VÀ ỨNG DỤNG CHO DỰ BÁO
SẢN LƢỢNG TIÊU THỤ ĐIỆN NĂNG CỦA
TỈNH BẮC GIANG

LUẬN VĂN THẠC SĨ KHOA HỌC MÁY TÍNH

Thái Nguyên, năm 2015
Số hóa bởi Trung tâm Học liệu – ĐHTN




ĐẠI HỌC THÁI NGUYÊN
TRƢỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG

TỐNG THỊ HƢƠNG GIANG

MẠNG ANFIS VÀ ỨNG DỤNG CHO DỰ BÁO
SẢN LƢỢNG TIÊU THỤ ĐIỆN NĂNG CỦA
TỈNH BẮC GIANG
Chuyên ngành
: Khoa học máy tính
Mã số chuyên ngành: 60 48 01

LUẬN VĂN THẠC SĨ KHOA HỌC MÁY TÍNH
NGƢỜI HƢỚNG DẪN KHOA HỌC

PGS. TS LÊ BÁ DŨNG

Thái Nguyên, tháng 6 năm 2015
Số hóa bởi Trung tâm Học liệu – ĐHTN




i

LỜI CAM ĐOAN
Tôi xin cam đoan tất cả các nội dung của luận văn này hoàn toàn được
hình thành và phát triển từ quan điểm của chính cá nhân tôi, dưới sự hướng
dẫn chỉ bảo của PGS.TS Lê Bá Dũng. Các số liệu kết quả có được trong luận
văn tốt nghiệp là hoàn toàn trung thực.
Học viên

Tống Thị Hương Giang

Số hóa bởi Trung tâm Học liệu – ĐHTN




ii

LỜI CẢMƠN
Để hoàn thành chương trình cao học và viết luận văn này, tôi đã nhận
được sự hướng dẫn, giúp đỡ và chỉ bảo nhiệt tình của quý thầy cô trường Đại
học Công nghệ thông tin và Truyền thông. Đặc biệt là những thầy cô ở Viện

công nghệ thông tin Hà Nội đã tận tình dạy bảo cho tôi trong suốt thời gian
học tập tại trường.
Tôi xin gửi lời cảm ơn sâu sắc đến PGS.TS Lê Bá Dũng đã dành nhiều
thời gian và tâm huyết hướng dẫn tôi hoàn thành luận văn này.
Mặc dù tôi đã cố gắng hoàn thiện luận văn bằng tất cả năng lực của
mình, song không thể tránh khỏi những thiếu sót, rất mong nhận được sự
đóng góp quý báu của quý thầy cô và các bạn.
Tôi xin chân thành cảm ơn!

Số hóa bởi Trung tâm Học liệu – ĐHTN




iii

MỤC LỤC
Trang
MỞ ĐẦU..........................................................................................................1
CHƢƠNG I. TỔNG QUAN VỀ MẠNG NƠ-RON NHÂN TẠO VÀ HỆ
MỜ....................................................................................................................3
1.1. Cấu trúc và mô hình mạng nơron nhân tạo ................................................. 3
1.1.1. Mô hình một nơron sinh học .......................................................... 3
1.1.2. Mô hình một nơron nhân tạo.......................................................... 4
1.2. Cấu trúc và phương thức làm việc của mạng nơ-ron nhân tạo ................... 7
1.2.1. Mạng truyền thẳng ........................................................................... 8
1.2.2. Mạng hồi quy................................................................................. 9
1.3. Các luật học .............................................................................................. 10
1.4. Hệ mờ và mạng nơron ............................................................................... 13
1.4.1. Kiến trúc của hệ mờ tổng quát. ...................................................... 13

1.4.2. Sự kết hợp giữa logic mờ và mạng neural .................................... 20
CHƢƠNG 2. MÔ HÌNH MẠNG ANFIS VÀ KHẢ NĂNG ỨNG DỤNG..23
2.1. Hệ suy luận mờ dựa trên mạng thích nghi ................................................ 23
2.1.1. Giới thiệu sơ lược về mô hình nơron - mờ .................................... 23
2.1.2. Luật mờ và hệ suy luận mờ ............................................................ 24
2.1.3. Mạng thích nghi ............................................................................. 26
2.1.4. Cấu trúc của ANFIS .................................................................... 27
2.2. Thuật toán ANFIS ..................................................................................... 29
2.2.1. Thuật toán học lan truyền ngược ................................................... 29
2.2.2. Thuật toán học lai ........................................................................ 36
2.3. Khả năng ứng dụng của mạng ANFIS ...................................................... 38
CHƢƠNG 3. ỨNG DỤNG MÔ HÌNH ANFIS CHO BÀI TOÁN DỰ BÁO
SẢN LƢỢNG TIÊU THỤ ĐIỆN NĂNG VÀ THỬ NGHIỆM..................39
3.1. Bài toán dự báo điện năng ......................................................................... 39
3.1.1. Sự cần thiết của việc dự báo mức tiêu thụ điện năng .................... 39
3.1.2. Các phương pháp và mô hình dự báo điện năng trên thế giới ....... 40

Số hóa bởi Trung tâm Học liệu – ĐHTN




iv

3.2. Ứng dụng mô hình mạng ANFIS trong bài toán dự báo sản lượng tiêu thụ
điện năng của tỉnh Bắc Giang .......................................................................... 42
3.2.1. Xây dựng mô hình hệ thống........................................................... 42
3.2.2. Thu thập số liệu .............................................................................. 47
3.2.3. Dự báo tiêu thụ điện năng ............................................................ 50
3.3. Chương trình thử nghiệm và kết quả ........................................................ 51

3.3.1. Huấn luyện mạng ........................................................................... 51
3.3.2. Cấu trúc của anfis........................................................................... 53
3.3.3. Kết quả dự báo............................................................................. 54
KẾT LUẬN ..................................................................................................... 59
TÀI LIỆU THAM KHẢO ............................................................................. 61

Số hóa bởi Trung tâm Học liệu – ĐHTN




v

DANH MỤC CÁC HÌNH VẼ
Hình 1.1. Mô hình một nơron sinh học
Hình 1.2. Mô hình một nơron nhân tạo
Hình 1.3. Đồ thị các dạng hàm truyền
Hình 1.4. Mạng truyền thẳng một lớp
Hình 1.5. Mô tả cấu trúc của mạng nơ-ron truyền thẳng nhiều lớp
Hình 1.6. Mạng hồi quy một lớp có nối ngược
Hình 1.7. Mạng hồi quy nhiều lớp có nối ngược
Hình 1.8. Sơ đồ học tham số có giám sát.
Hình 1.9. Sơ đồ học tham số không có giám sát.
Hình 1.10. Kiến trúc của hệ mờ tổng quát
Hình 1.11. Hệ mờ nhiều đầu vào - một đầu
Hình 1.12. Hàm thuộc hệ mờ một đầu vào - một luật
Hình 1.13. Hàm thuộc hệ mờ hai đầu vào - một luật
Hình 1.14. Mô hình hệ mờ - neural
Hình 2.1. Hệ thống suy luận mờ
Hình 2.2. Mạng thích nghi

Hình 2.3. Cấu trúc của ANFIS
Hình 2.4. Mạng 3 lớp lan truyền ngược
Hình 3.1.Cấu trúc ANFIS với hai đầu vào.
Hình 3.2. Thiết lập số liệu đầu vào cho bài toán
Hình 3.3.Lựa chọn hàm thành viên và kết quả dự báo của ANFIS
Hình 3.4. Cấu trúc của anfis với bài toán dự báo điện
Hình 3.5. Các luật được tạo ra bởi Anfis
Hình 3.6. Hệ luật mờ được sinh ra trong quá trình huấn luyện mạng
Hình 3.7. Mặt suy diễn của hệ ANFIS
Hình 3.8. Sai số của quá trình huấn luyện
Số hóa bởi Trung tâm Học liệu – ĐHTN




vi

DANH MỤC CÁC TỪ VIẾT TẮT

ANN

ANFIS

MIMO

MISO

MAPE

LSE

Artificial Neural Network
Mạng nơron nhân tạo
Adaptive Neuro Fuzzy Insference System
Hệ suy luận mờ
Multi Input Multi Output
Hệ mờ nhiều đầu vào - nhiều đầu ra
Multi Input Single Output
Hệ mờ nhiều đầu vào - một đầu ra
Mean Absolute Percentage Erro

Least Square Error
Phương pháp ước lượng sai số bình phương cực tiểu

Số hóa bởi Trung tâm Học liệu – ĐHTN




1

MỞ ĐẦU
Ngày nay, các mạng nơron nhân tạo (ANN) đã được ứng dụng thành
công, các nhà khoa học và các kĩ sư trong những năm gần đây đã có nhiều
nghiên cứu ứng dụng trong việc xấp xỉ hàm, nhận dạng và điều khiển, xử lý
ảnh, dự đoán chuỗi thời gian,…
Hệ mờ nơ ron là một sự kết hợp giữa logic mờ và và khả năng học
của mạng nơron. Một trong những sự kết hợp đó là hệ mờ nơron thích nghi
(ANFIS - Adaptive Neuro Fuzzy Inference System).Hệ thống này có khả
năng tối ưu hóa hệ mờ dựa trên các tập mẫu có sẵn.Các hệ mờ - nơron và

các công cụ thống kê là các phương pháp khác nhau được sử dụng trong
các bài toán dự báo như dự báo các chỉ số kinh tế, tài chính.Các mạng
nơron chứa một số lượng lớn các thông số đầu vào cho phép việc học bên
trong các quan hệ không tuyến tính hiện tại trong chuỗi thời gian, tăng
cường khả năng dự báo.
Trong những năm gần đây, nhiều bài toán dự báo được các chuyên gia
đã tin tưởng và sử dụng các hệ thống thông minh khác nhau, trong đó Mạng
Nơron nhân tạo và hệ suy luận mờ - nơron (ANFIS) cũng được ứng dụng
trong lĩnh vực này. Bài toán dự báo sản lượng điện tiêu thụ là một trong
những yêu cầu của sự phát triển kinh tế xã hội. Khu vực miền Bắc nói chung
và tỉnh Bắc Giang nói riêng cũng nằm trong xu thế phát triển và cần thiết phải
dự báo nhiều chỉ tiêu, trong đó có sản lượng điện tiêu thụ.
Trong luận văn này, em ước tính sản lượng điện tiêu thụ bằng cách sử
dụng hệ suy luận mờ dựa trên mạng thích nghi (ANFIS), luận văn bao gồm
các nội dung sau :
Chương 1 : Tổng quan về mạng nơron nhân tạo và hệ mờ
Số hóa bởi Trung tâm Học liệu – ĐHTN




2

Chương 2 : Mô hình mạng ANFIS và khả năng ứng dụng
Chương 3 : Ứng dụng mô hình ANFIS cho bài toán dự báo sản lượng
tiêu thụ điện năng và thử nghiệm.
Do các yêu cầu trên nên em chọn làm đề tài “Mạng ANFIS và ứng dụng
cho dự báo sản lượng tiêu thụ điện năng của tỉnh Bắc Giang” cho luận văn tốt
nghiệp của mình. Đề tài này, em trình bày một hệ thống suy luận mờ dựa trên
mạng thích nghi ANFIS để dự báo mức tiêu thụ điện lâu dài, dự báo nhu cầu

điện hàng năm, phục vụ cho phát triển kinh tế xã hội của tỉnh Bắc Giang.

Số hóa bởi Trung tâm Học liệu – ĐHTN




3

CHƢƠNG I
TỔNG QUAN VỀ MẠNG NƠ-RON NHÂN TẠO VÀ HỆ MỜ
1.1. Cấu trúc và mô hình mạng nơron nhân tạo
1.1.1. Mô hình một nơron sinh học
Qua quá trình nghiên cứu về bộ não, người ta thấy rằng: bộ não con
người bao gồm khoảng 1011 nơron tham gia vào khoảng 1015 kết nối trên các
đường truyền. Mỗi đường truyền này dài khoảng hơn một mét. Các nơron có
nhiều đặc điểm chung với các tế bào khác trong cơ thể, ngoài ra chúng còn có
những khả năng mà các tế bào khác không có được, đó là khả năng nhận, xử
lý và truyền các tín hiệu điện hóa trên các đường mòn nơron, các con đường
này tạo nên hệ thống giao tiếp của bộ não [1].

Hình 1.1. Cấu trúc của một nơron sinh học điển hình
Mỗi nơron sinh học có 3 thành phần cơ bản:
• Các nhánh vào hình cây ( dendrites)
• Thân tế bào (cell body)

Số hóa bởi Trung tâm Học liệu – ĐHTN

4

• Sợi trục ra (axon)
Các nhánh hình cây truyền tín hiệu vào đến thân tế bào.Thân tế bào tổng
hợp và xử lý cho tín hiệu đi ra. Sợi trục truyền tín hiệu ra từ thân tế bào này
sang nơron khác. Điểm liên kết giữa sợi trục của nơron này với nhánh hình
cây của nơron khác gọi là synapse.Liên kết giữa các nơron và độ nhạy của
mỗi synapse được xác định bởi quá trình hóa học phức tạp.Một số cấu trúc
của nơron được xác định trước lúc sinh ra.Một số cấu trúc được phát triển
thông qua quá trình học.Trong cuộc đời cá thể, một số liên kết mới được hình
thành, một số khác bị hủy bỏ.
Như vậy nơron sinh học hoạt động theo cách thức sau: nhận tín hiệu đầu
vào, xử lý các tín hiệu này và cho ra một tín hiệu output. Tín hiệu output này
sau đó được truyền đi làm tín hiệu đầu vào cho các nơron khác.
Dựa trên những hiểu biết về nơron sinh học, con người xây dựng nơron
nhân tạo với hy vọng tạo nên một mô hình có sức mạnh như bộ não.
1.1.2. Mô hình một nơron nhân tạo
Mô hình toán học của mạng nơron sinh học được đề xuất bởi McCulloch
và Pitts, thường được gọi là nơron M-P, ngoài ra nó còn được gọi là phần tử
xử lý và được ký hiệu là PE (Processing Element) [1].
Mô hình nơron có m đầu vào x1, x2,..., xm, và một đầu ra yi như sau:

Hình 1.2. Mô hình một nơron nhân tạo
Số hóa bởi Trung tâm Học liệu – ĐHTN




5

Giải thích các thành phần cơ bản:
Tập các đầu vào: Là các tín hiệu vào của nơron, các tín hiệu này
thường được đưa vào dưới dạng một vector m chiều.
Tập các liên kết (các trọng số): Mỗi liên kết được thể hiện bởi một
trọng số (thường được gọi là trọng số liên kết). Trọng số liên kết
giữa tín hiệu vào thứ j cho nơron i thường được ký hiệu là w ij.
Thông thường các trọng số này được khởi tạo ngẫu nhiên ở thời
điểm khởi tạo mạng và được cập nhật liên tục trong quá trình học
mạng.
Bộ tổng (Hàm tổng): Thường dùng để tính tổng của tích các đầu vào
với trọng số liên kết của nó.
Ngưỡng: Ngưỡng này thường được đưa vào như một thành phần của
hàm truyền.
Hàm truyền: Hàm này 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 tùy thuộc
vào từng bài toán và kinh nghiệm của người thiết kế mạng.
Đầu ra: Là tín hiệu đầu ra của một nơron, với mỗi nơron sẽ có tối đa
một đầu ra.
Về mặt toán học, cấu trúc của một nơron i được mô tả bằng cặp biểu thức sau:
n

yi

f (net i

i

) và net i

wij x j

(1.1)

j 1

trong đó: x1, x2, …xm là các tín hiệu đầu vào, còn wi1, wi2,…,wim là các trọng
số kết nối của nơron thứ i, neti là hàm tổng, f là hàm truyền,

i

là một

ngưỡng, yi là tín hiệu đầu ra của nơron.
Số hóa bởi Trung tâm Học liệu – ĐHTN




6

Như vậy, tương tự như nơron sinh học, nơron nhân tạo cũng nhận các
tín hiệu đầu vào, xử lý (nhân các tín hiệu này với trọng số liên kết, tính tổng
các tích thu được rồi gửi kết quả đến hàm truyền), và cho một tín hiệu đầu ra
(là kết quả của hàm truyền) [5].
Hàm truyền có thể có các dạng sau:
Hàm bước

y

1 khi

x

0

0 khi

x

0

(1.2)

Hàm giới hạn chặt (hay còn gọi là hàm bước)
y

1 khi

sgn( x)

1 khi

x 0
x 0

(1.3)

Hàm bậc thang
1 khi
y

sgn( x)

x 1

x khi 0 x 1
0 khi
x 0

(1.4)

với λ>0

(1.5)

Hàm ngưỡng đơn cực
y

1
1 e

x

Hàm ngưỡng hai cực
y

2
1 e

x

1

với λ>0

(1.6)

Đồ thị các dạng hàm truyền được biểu diễn như sau:

Số hóa bởi Trung tâm Học liệu – ĐHTN




7

Hình 1.3. Đồ thị các dạng hàm truyền
1.2. Cấu trúc và phƣơng thức làm việc của mạng nơ-ron nhân tạo
Mạng nơ-ron nhân tạo (Artificial Neural Network) là một cấu trúc
mạng được hình thành nên bởi số lượng các nơ-ron nhân tạo liên kết với
nhau.Mỗi nơ-ron có các đặc tính đầu vào, đầu ra và thực hiện một số chức
năng tính toán cục bộ [3].
Với việc giả lập các hệ thống sinh học, các cấu trúc tính toán, mạng nơron có thể giải quyết được các lớp bài toán nhất định như: Bài toán xếp loại,
bài toán lập lịch, bài toán tìm kiếm, bài toán nhận dạng mẫu... Các bài toán
phức tạp cao, không xác định.Tuy nhiên, sự liên kết giữa một bài toán bất kỳ
trong thực tế với một giải pháp mạng nơ-ron lại là một việc không dễ dàng.

Xét một cách tổng quát, mạng nơ-ron là một cấu trúc xử lý song song
thông tin phân tán mang các đặc tính nổi bật sau:
- Là một mô hình tính toán dựa trên bản chất của nơ-ron
- Bao gồm một số lượng rất lớn các nơ-ron liên kết với nhau
- Mạng nơ-ron có khả năng học, khái quát hóa tập dữ liệu học thông
qua việc gán và hiệu chỉnh các trọng số liên kết

Số hóa bởi Trung tâm Học liệu – ĐHTN




8

- Tổ chứctheo kiểu tập hợp mang lại cho mạng nơ-ron khả năng tính
toán rất lớn, trong đó không có nơ-ron nào mang thông tin riêng biệt
1.2.1. Mạng truyền thẳng
Mạng nơron truyền thẳng một lớp
Mô hình mạng nơ-ron truyền thẳng một lớp là mô hình liên kết cơ
bản và đơn giản nhất. Các nơ-rn tổ chức lại với nhau tạo thành một lớp,
đường truyền tín hiệu được truyền theo một hướng nhất định nào đó. Các
đầu vào được nối với các nơ-ron theo các trọng số khác nhau, sau quá trình
xử lý cho ra một chuỗi các tín hiệu ra. Mạng nơ-ron là mô hình LTU thì nó
được gọi là mạng Perception, còn mạng nơ-ron là mô hình LGU thì nó
được gọi là mạng Adaline [1].
x

y

1

1

2

2

Xm

y

y

x

n

Hình 1.4. Mạng truyền thẳng một lớp
Với mỗi giá trị đầu vào x = [ x1,x2,....,xn]T. Qua quá trình xử lý của
mạng ta sẽ thu được một bộ tương ứng các giá trị đầu ra là y = [y1,y2,...,yn]T
được xác định như sau:
m

yi

trong đó:

fi (

j 1

wij x j

θ i ). i

1, n ,

(1.7)

m: số tín hiệu vào
n : số tín hiệu ra
WiT = [ wi1, wi2,...,win]T là véc tơ trọng số của nơ ron thứ i.
fi : hàm kích hoạt của nơ ron thứ i
i

: là ngưỡng của nơ ron thứ i.

Số hóa bởi Trung tâm Học liệu – ĐHTN




9

Mạng nơron truyền thẳng nhiều lớp.
Với mạng nơ-ron truyền thẳng một lớp ở trên khi phân tích một bài
toán phức tạp sẽ gặp rất nhiều khó khăn, để khắc phục vấn đề này người ta
đưa ra mô hình mạng nơ-ron truyền thẳng nhiều lớp bằng việc kết hợp với
một số lớp nơ-ron lại với nhau.Lớp nhận tín hiệu vào gọi là lớp vào, lớp đưa
ra tín hiệu ra của mạng được gọi là lớp ra.Các lớp ở giữa lớp vào và lớp ra

được gọi là các lớp ẩn [1].

lớp vào

lớp ẩn

lớp ra

x1

y1

x2
y2
...
...

...
...

...

...

xm
yn
Hình 1.5. Mạng nơron truyền thẳng nhiều lớp
1.2.2. Mạng hồi quy
(

Mạng hồi quy một lớp có nối ngược
X1

Y1

X2

Y2

...
XN

...

...
YM

Hình 1.6. Mạng hồi quy một lớp có nối ngƣợc

Số hóa bởi Trung tâm Học liệu – ĐHTN




10

Mạng hồi quy nhiều lớp có nối ngược
X1

Y1

X2

Y2

...

...

...

...

XN

YM

Hình 1.7. Mạng hồi quy nhiều lớp có nối ngƣợc
1.3. Các luật học
Mạng nơ-ron có một số ưu điểm so với máy tính truyền thống. Cấu trúc
song song của mạng nơ-ron rất thích hợp cho nhưng ứng dụng đòi hỏi tốc độ
nhanh theo thời gian thực. Khả năng huấn luyện của mạng nơ-ron có thể khai
thác để phát triển hệ học thích nghi.Mặt khác, với khả năng tổng quát hóa của
mạng nơ-ron, nó có thể áp dụng để điều khiển nhiều tham số phức tạp đồng
thời từ đó giải quyết dễ dàng một số bài toán NP - đầy đủ (NP - Complete).
Các luật học đóng vai trò quan trọng trong việc xác định một mạng nơron nhân tạo. Một cách đơn giản về khái niệm học của mạng nơ-ron là cập
nhật trọng số trên cơ sở các mẫu. Theo nghĩa rộng thì học có thể được chia
thành hai loại: Học tham số và học cấu trúc [3, 4].
Trong luận văn chúng ta chỉ đề cập tới luật học tham số (Parameter
Learning): là các tham số về trọng số cập nhật kết nối giữa các nơ ron.

Các thủ tục học này nhằm tìm kiếm ma trận trọng số sao cho mạng có
khả năng đưa ra dự báo sát với thực tế. Dạng chung của luật học tham số có
thể được mô tả như sau:
Wij

rx j , i 1, N , j 1, M

(1.8)

trong đó:
Wij là sự thay đổi trọng số liên kết từ nơ-ron j đến nơ-ron i.

xjlà tín hiệu vào nơ-ron j.
Số hóa bởi Trung tâm Học liệu – ĐHTN




11

là tốc độ học, nằm trong khoảng (0,1).
r là hằng số học.
Vấn đề đặt ra ở đây là tín hiệu học r được sinh ra như thế nào để hiệu
chỉnh trọng số của mạng.
Có 2 phương pháp học:
+ Học có giám sát: Là quá trình học dựa vào sai số giữa đầu ra thực và
đầu ra mong muốn để làm cơ sở cho việc hiệu chỉnh trọng số. Sai số này
chính là hằng số học r. Luật học điển hình của nhóm này là luật học Delta của
Widrow (1962) nêu ra đầu tiên dùng xấp xỉ trọng số của Adaline dựa trên
nguyên tắc gradient.

Trong nhóm luật học này cũng cần kể đến luật học Perceptron của
Rosenblatt (1958). Về cơ bản luật học này thay đổi các giá trị trọng trong thời
gian học, còn Perceptron thì thêm hoặc bỏ trọng tùy theo giá trị sai số là
dương hay âm
Một loạt các luật học khác cũng được dựa trên tư tưởng này.Luật oja là
cải tiến và nâng cấp của luật Delta.Luật truyền ngược là luật mở rộng của luật
Delta cho mạng nhiều lớp. Đối với mạng truyền thẳng thường sử dụng luật
truyền ngược để chỉnh trọng số với tín hiệu chỉ đạo từ bên ngoài và người ta
gọi mạng này là mạng lan truyền ngược.
Tín hiệu vào

Mạng nơron

Tín hiệu ra

Sản sinh sai số

Tín hiệu ra mong muốn

Hình 1.8.Sơ đồ học tham số có giám sát.
+ Học không có giám sát: Luật học này sử dụng đầu ra của mạng làm
cơ sở để hiệu chỉnh các trọng số liên kết. Hay trong luật này chính là tín hiệu

Số hóa bởi Trung tâm Học liệu – ĐHTN




12

ra của mạng. Điển hình là luật Hebb (1949) thường dùng cho các mạng tự liên
kết, luật LVQ (Learning Vector Quantization) dùng cho mạng tự tổ chức một
lớp thuộc lớp mạng ánh xạ đặc trưng của Kohonen.
Luật học Hebb là luật sinh học xuất phát từ tiên đề của Hebb cho rằng:
Giữa hai nơ-ron có quan hệ và có thay đổi thế năng mạng thì giữa chúng có
sự thay đổi trọng số liên kết. Nói cách khác, trọng số được điều chỉnh theo
mối tương quan trước và sau, nghĩa là:
Wij

(1.9)

yi x j , i 1, N , j 1, M

trong đó:
Wij : Là sự thay đổi trọng số liên kết từ nơ-ron j đến nơ-ron i.
x j: là tín hiệu vào nơ-ron j.
y i là tín hiệu ra của nơ-ron i.

là tốc độ học, nằm trong khoảng (0,1).
Luật Hebb giải thích việc chỉnh trọng số trong phạm vi cục bộ của
mạng mà không cần tín hiệu chỉ đạo từ bên ngoài. Hopfield cũng cải tiến luật
Hebb cho các mạng tự liên kết thành 16 dạng khác nhau theo kiểu luật Hebb,
luật đối Hebb, luật Hopfield...
Như vậy, ứng với mỗi nhóm mạng thường áp dụng một luật học nhất
định. Nếu tồn tại hàng chục loại mạng khác nhau thì các luật học dùng trong
mạng nơ-ron có thể tăng lên rất nhiều lần.
Đối với mạng phản hồi thường sử dụng luật Hebb và các luật cải tiến
của nó để chỉnh trọng số mà không cần tín hiệu chỉ đạo từ bên ngoài.
Tín hiệu vào

Mạng nơron

Tín hiệu ra

Hình 1.9.Sơ đồ học tham số không có giám sát.
Số hóa bởi Trung tâm Học liệu – ĐHTN




13

1.4. Hệ mờ và mạng nơron
1.4.1. Kiến trúc của hệ mờ tổng quát.
Một hệ mờ tiêu biểu có kiến trúc như hình vẽ

Cơ sở
luật mờ
Tham khảo
luật mờ
Đầu vào
(số)

Bộ mờ
hóa

Đầu vào
(tập mờ)

Bộ suy

diễn mờ

Đầu ra (tập
mờ)

Đầu ra (số)

Bộ giải
mờ

Hình 1.10. Kiến trúc của hệ mờ tổng quát
Thành phần trung tâm của hệ mờ cơ sở luật mờ (fuzzy rule base). Cơ sở
luật mờ bao gồm các luật mờ if-then biểu diễn tri thức của chuyên gia trong
lĩnh vực nào đó. Trong trường hợp một hệ điều khiển mờ cụ thể thì cơ sở luật
mờ chính là tri thức và kinh nghiệm của các chuyên gia trong việc điều khiển
khi chưa áp dụng hệ mờ [2].
Thành phần quan trọng kế tiếp là bộ suy diễn mờ (fuzzy inference
engine). Nhiệm vụ của bộ phận này là kết hợp các luật trong cơ sở luật mờ, áp
dụng vào tập mờ đầu vào theo các phương pháp suy diễn mờ để xác định tập
mờ đầu ra.
Dữ liệu đầu vào của hệ điều khiển mờ là các tín hiệu do các bộ phận cảm
biến môi trường cung cấp sau khi đã số hóa nên có tính chất rõ (khái niệm rõ
ở đây có nghĩa là các tín hiệu đó không phải là các tập mờ, chứ không có
nghĩa là các tín hiệu không có nhiễu). Vì vậy cần phải có bộ mờ hóa (fuzzier)

Số hóa bởi Trung tâm Học liệu – ĐHTN

14

để chuyển các dữ liệu số đầu vào thành các tập mờ để bộ suy diễn mờ có thể
thao tác được.
Dữ liệu đầu ra của bộ suy diễn mờ ở dạng các tập mờ sẽ được bộ giải mờ
(defuzzier) chuyển thành tín hiệu số trước khi truyền đến các cơ quan chấp
hành như tay máy, công tắc, van điều khiển...
Do các dữ liệu đầu vào và đầu ra được số hóa nên ta chỉ cần xem xét các
hệ mờ làm việc với các biến số. Trường hợp tổng quát, hệ mờ nhận một
vector n chiều ở đầu vào và cho ra một vector n chiều ở đầu ra. Hệ mờ như
thế được gọi là hệ mờ nhiều đầu vào - nhiều đầu ra (MIMO). Nếu m bằng 1,
ta có hệ mờ nhiều đầu vào - một đầu ra (MISO). Một hệ mờ nhiều đầu vào nhiều đầu ra có thể phân tích thành nhiều hệ nhiều đầu vào - một đầu ra. Do
đó ta chỉ cần tìm hiểu kĩ về hệ mờ nhiều đầu vào một đầu ra với các biến số.
Khi chỉ nói về hệ mờ nhiều - một thì ta sẽ ngầm hiểu là một hệ mờ nhiều đầu
vào - một đầu ra với các biến số. Kí hiệu U=

n

Ui

Rn , V

R, trong đó Ui là

i 1

miền xác định của các biến vào i, i = 1..n và V là miền giá trị của biến ra y, ta
có mô hình hệ mờ nhiều đầu vào - một đầu ra như hình vẽ

x U1

x U1

Hệ mờ nhiều đầu
vào - một đầu ra

y V

…
x U1

Hình 1.11. Hệ mờ nhiều đầu vào - một đầu
ra
Số hóa bởi Trung tâm Học liệu – ĐHTN




15

a) Cơ sở luật mờ
Cơ sở luật mờ của hệ mờ n đầu vào - một đầu ra gồm m luật if-then mờ
có dạng :
If “x1 là Ak1” và “x2 là Ak2” và … và “xn là Akn”then “y là Bk”,
k=1..m (*)
Trong đó k là chỉ số của luật (luật thứ k trong tập luật), xi là các biến đầu
vào, Aki là các tập mờ trên Ui (i=1..n), y là biến đầu ra và Bk là tập mờ trên V
(k=1..m).
Các luật mờ dạng (*) được gọi là các luật If-then mờ chuẩn tắc. Các luật
mờ không chuẩn tắc có thể biến đổi để đưa về dạng chuẩn tắc tương đương.
Có nhiều phương pháp để xác định các luật mờ để đưa vào cơ sở luật

mờ. Các phương pháp thông dụng là nhờ các chuyên gia trong lĩnh vực áp
dụng, hoặc từ quan sát, thực nghiệm thống kê để có được các tập dữ liệu
mẫu đầu vào và ra tương ứng, từ đó dùng các kĩ thuật khai mỏ dữ liệu để
rút ra các luật.
b) Bộ suy diễn mờ
Phương pháp thiết kế bộ suy diễn trong trường hợp cơ sở luật mờ gồm m
luật if-then mờ chuẩn tắc, nhiều đầu vào và một đầu ra (MISO)
Các luật if-then trong thực tế thì thường được tính bằng công thức
Mamdani max-min hoặc max-tích (max-prod).
Ta xét kĩ kiến trúc bộ suy diễn mờ sử dụng phương pháp suy diễn maxmin. Khi chuyển qua phương pháp suy diễn max-tich thì chỉ cần thay min
bằng phép nhân trong các công thức.

Số hóa bởi Trung tâm Học liệu – ĐHTN




16

Cho A, A’, B lần lượt là các tập mờ trên vũ trụ X, X, Y. Luật if A then
B được thể hiện như một quan hệ mờ R = A

Y. Khi đó tập mờ

B trên X

B’ suy ra từ A’ được xác định bởi :
B'

(y) = max {min [

A'

(x),

R

(x,y)]}

(1.10)

Trƣờng hợp một đầu vào và một luật
Ta có

B'

(y) =

max {min [

A'

(x),

{min [

A'

(x),

R

(x,y)]}

x

=

max

A

(x),

B

(y)]}

x

= min { max {min [

A'

(x),

A

(x)]),

B

(y)}

x

= min { max

A' A

(x),

B

(y)}

x

= min { h A' A ,
Trong đó h A'

A

A

B

(y)}

là độ cao của tập mờ A’ A

B

A’
h
x

B
’

y

Hình 1.12. Hàm thuộc hệ mờ một đầu vào - một luật
Trƣờng hợp hai đầu vào và một luật
Đây là trường hợp luật được phát biểu “Nếu x là A và y là B thì z là C”
Luật: Nếu x là A và y là B thì z là C
Sự kiện: x là A’ và y là B’
Số hóa bởi Trung tâm Học liệu – ĐHTN




17

------------------------------Kết luận: z là C’
Luật mờ với điều kiện có 2 mệnh đề như trên có thể biểu diễn ở dạng AxB => C
Suy luận tương tự trường hợp một đầu vào và một luật ta có :
C'

(z) = min { h A' xB '

AxB

,

C

(z)}

(1.11)

Mà A’ x B’ A x B = (A’ A ) x (B’ B) nên
Vậy

C'

(z) = min { h A'

A

, hB'

B

,

C

h

A' xB ' AxB

= min{ h A'

A

, hB'

(z)}

B

}

(1.12)

Suy rộng ra cho trường hợp nhiều đầu vào Ai, i = 1..n và một luật
Luật : Nếu x1 là A1 và x2 là A2 và…và xn là An thì z là C
Sự kiện : x1 là A1’ và x2 là A2’ và …và xn là An’
-----------------------------------------------------------Kết luận : z là C’
C'

(z) = min {( min
i 1..n

h

A'i Ai

),

C

(z)}

(1.13)

Minh họa :

A

A’

B
h1
x

C

B’
h2
y

C
’

Hình 1.13. Hàm thuộc hệ mờ hai đầu vào - một luật

Số hóa bởi Trung tâm Học liệu – ĐHTN

z