1. Trang chủ
  2. » Luận Văn - Báo Cáo

ứng dụng mạng nơron để khắc độ tự động

96 550 3

Đang tải... (xem toàn văn)

Tài liệu hạn chế xem trước, để xem đầy đủ mời bạn chọn Tải xuống

THÔNG TIN TÀI LIỆU

Thông tin cơ bản

Định dạng
Số trang 96
Dung lượng 4,26 MB

Nội dung

LỜI CẢM ƠN Trước hết, em xin gửi lời cảm ơn sâu sắc đến thầy giáo PGS.TS Phạm Thượng Hàn, người đã giúp đỡ em rất nhiều về kiến thức cũng như tài liệu kỹ thuật và cho em nhiều ý kiến quý báu trong quá trình nghiên cứu đề tài của luận văn. Em xin chân thành cảm ơn các thầy cô giáo đã giảng dạy em, đặc biệt là TSKH. Trần Hoài Linh và các thầy cô giáo trong Bộ môn Đo lường và THCN - Khoa Điện - Trường Đại học Bách khoa Hà Nội đã tạo điều kiện giúp đỡ em hoàn thành đề tài tốt nghiệp này. Xin cám ơn tất cả bè bạn đã nhiệt tình giúp đỡ, động viên và góp ý cho bản luận văn này. Và cuối cùng, em xin dành tất cả lòng biết ơn và kính trọng sâu sắc nhất tới bố mẹ em, những người đã sinh thành, nuôi dưỡng em nên người, đã tạo mọi điều kiện cho em được sống và học tập một cách tốt nhất để vươn tới những ước mơ, hoài bão của mình. Trong khoảng thời gian không dài, em đã rất nỗ lực và cố gắng để hoàn thành luận văn tốt nghiệp này, song chắc chắn không thể tránh khỏi những sai sót. Vì vậy, em rất mong được sự chỉ bảo của thầy cô giáo để luận văn này được hoàn thiện hơn. 1 MỤC LỤC Lời cảm ơn 1 Mục lục 2 Bảng ký hiệu và chữ viết tắt 4 Mở đầu 6 Chương 1: Tổng quan các phương pháp khắc độ của dụng cụ đo và cảm biến 8 1.1 Phương pháp khắc độ dụng cụ đo tương tự 8 1.2 Phương pháp khắc độ dụng cụ đo có sử dụng vi xử lý hoặc máy vi tính 11 1.3 Phương pháp khắc độ các chuyển đổi đo lường sơ cấp 1.3.1 Chuyển đổi đo lường so cấp 1.3.2 Ứng dụng vi xử lý trong xử lý số liệu đo của cảm biến 1.3.3 Cấu trúc của cảm biến thông minh 13 13 18 19 1.4 Ứng dụng mạng nơron trong cảm biến thông minh 1.4.1 Khắc độ tự động cảm biến 20 20 1.4.2 Hiệu chỉnh đặc tính thang đo của cảm biến 22 1.5 Đề xuất phương pháp sử dụng mạng nơron để giảm sai số ngẫu nhiên và khắc độ cảm biến bằng hàm nội suy Lagrange 25 Chương 2: Cơ sở lý thuyết mạng nơron 27 2.1 Nơron sinh vật 2.1.1 Cấu trúc cơ bản của nơron 27 27 2.1.2 Các tín hiệu điện của nơron 30 2.2 Mô hình nơron nhân tạo 31 2.3 Mạng nơron nhân tạo 2.3.1 Cấu trúc mạng nơron 33 33 2.3.2 Phân loại mạng nơron 34 2.3.3 Một số mạng nơron nhân tạo 34 2.4 Học của mạng nơron 49 2.5 Một số ứng dụng mạng nơron nhân tạo 51 2.6 Kết luận 55 Chương 3: Ứng dụng mạng nơron để khắc độ tự động 57 2 Trang 3.1 Cơ sở lý thuyết xử lý số liệu đo 3.1.1 Tính toán sai số ngẫu nhiên 3.1.2 Gia công kết quả đo 3.2 Giảm sai số ngẫu nhiên bằng mạng nơron để khắc độ tự động thiết bị đo và cảm biến 3.2.1 Đặt vấn đề 3.2.2 Xử lý số liệu đo bằng mạng nơron để giảm sai số ngẫu nhiên 3.3 Khắc độ tự động thiết bị đo và cảm biến 3.3.1 Sử dụng hàm nội suy Lagrange để khắc độ tự động 3.3 2 Khắc độ tự động bằng mạng nơron 57 57 61 66 66 68 76 76 78 Chương 4 : Ứng dụng mạng nơron để hiệu chỉnh đặc tính thang đo của cảm biến 4.1 Đặt vấn đề 4.2 Hiệu chỉnh đặc tính thang đo của cảm biến sử dụng mạng nơron 83 83 86 Chương 5: Kết luận và hướng phát triển của đề tài 92 Tài liệu tham khảo 95 Phụ lục 1 P.1 Phụ lục 2 P.6 3 1. BẢNG KÝ HIỆU A= [a ij ] : Ma trận n x m chiều. A T : Ma trận chuyển vị của A. A -1 : Ma trận nghịch đảo của A. R n : Không gian thực n chiều. g(.) : Hàm quan hệ phi tuyến vào ra. f -1 : Hàm ngược của hàm f. W= [w ik ] : Ma trận trọng số liên kết n x m chiều. 2. BẢNG CHỮ VIẾT TẮT VÀ MỘT SỐ THUẬT NGỮ Adaline : Adaptive Linear Element- Phần tử nơron tuyến tính thích nghi, tên loại nơron do Windrow đề xuất năm 1960. ART : Adaptive Resonance Theory- Thuyết cộng hưởng thích nghi. Một loại mạng được xây dựng theo lý thuyết này. BAM : Bidirection Associative Memory- Một loại mạng do Kosko đề xuất năm 1988. BP : Backpropagation - Thuật học lan truyền ngược. CAM : Content Addressable Memory- Bộ nhớ nội dung được địa chỉ hóa. LMS : Least Mean Square - Tên một thuật học (trung bình bình phương nhỏ nhất). LVQ : Learning Vector Quantization - Thuật học lượng hóa véctơ. MIMO : Multi Input Multi Output - Hệ nhiều đầu vào nhiều đầu ra. MNN : Artificial Neural Networks - Mạng nơron nhân tạo SISO : Single Input Single Output - Hệ một đầu vào một đầu ra. RBF : Radial Basis Functions - Tên một loại mạng do Moody và Darken đề xuất năm 1989. 4 MỞ ĐẦU Mô phỏng sinh học đã tạo ra những thành tựu khoa học kỹ thuật to lớn cho cuộc sống và công cuộc chinh phục thế giới tự nhiên của loài người. Mô phỏng mạng nơron sinh học là một trong những lĩnh vực đang được phát triển mạnh mẽ để tạo ra những hệ thống thông minh có những khả năng như ghi nhớ kinh nghiệm quá khứ, nhận dạng, điều khiển, ra quyết định, dự đoán tương tự như bộ não người. Việc nghiên cứu và phát triển lý thuyết mạng nơron nhân tạo đã được ứng dụng trong nhiều lĩnh vực như đo lường, điều khiển, công nghệ rôbôt, truyền thông, giao thông vận tải, hàng không.v.v Mạng nơron với những ưu điểm vượt trội so với các hệ thống tính toán truyền thống như: cho phép xấp xỉ những ánh xạ phi tuyến tùy ý; là hệ thống xử lý song song làm tăng tốc độ tính toán cho phép đáp ứng khả năng tính toán thời gian thực và chính xác; là hệ học và thích nghi, khi mạng được huấn luyện từ các dữ liệu quá khứ, đồng thời có khả năng khái quát hóa khi dữ liệu vào bị thiếu hoặc không đầy đủ, phù hợp với các hệ thống nhận dạng, chuẩn đoán kỹ thuật Với những ưu điểm trên việc ứng dụng mạng nơron để chế tạo các cảm biến thông minh với độ chính xác cao là điều hoàn toàn cần thiết, có khả năng thúc đẩy sự phát triển của kỹ thuật công nghệ nói chung và lĩnh vực đo lường nói riêng. Nội dung chủ yếu của luận văn là tập trung nghiên cứu ứng dụng mạng nơron cho khắc độ dụng cụ đo và cảm biến thông minh. Luận văn bao gồm năm chương, trong đó chương 1 là phần tổng quan về các phương pháp khắc độ thiết bị đo bao gồm các phương pháp khắc độ cho dụng cụ đo tương tự, dụng cụ đo có sử dụng vi xử lý hoặc máy vi tính và các chuyển đổi đo lường sơ cấp. Chương này cũng nêu ra các hướng ứng dụng mạng nơron cho việc xử lý số liệu đo và hiệu chỉnh đặc tính thang đo của cảm biến. 5 Chương 2 trình bày phần lý thuyết cơ sở của mạng nơron cho việc nghiên cứu ứng dụng trong việc xử lý số liệu nhằm giảm sai số ngẫu nhiên, khắc độ tự động đặc tính và hiệu chỉnh sai số hệ thống của cảm biến. Ở chương 3, tác giả đã tập trung vào việc nghiên cứu ứng dụng mạng nơron nhân tạo để xử lý số liệu đo ngẫu nhiên nhằm giảm sai số ngẫu nhiên, từ các giá trị lấy mẫu đã được xử lý để giảm sai số ngẫu nhiên bằng mạng nơron chúng tôi đề xuất sử dụng hàm nội suy Lagrange để khắc độ tự động đường đặc tính của cảm biến thông minh. Đồng thời chương này cũng đã nghiên cứu việc ứng dụng mạng nơron để khắc độ tự động đặc tính của cảm biến đảm bảo độ chính xác cao. Chương 4 nghiên cứu ứng dụng mạng nơron để hiệu chỉnh đặc tính thang đo của cảm biến đảm bảo giới hạn sai số cho phép. Chương 5 đánh giá kết quả đạt được và hướng nghiên cứu tiếp theo dựa trên những kết quả của đề tài. 6 Chương 1 TỔNG QUAN CÁC PHƯƠNG PHÁP KHẮC ĐỘ CỦA DỤNG CỤ ĐO VÀ CẢM BIẾN 1.1 Phương pháp khắc độ dụng cụ đo tương tự Dụng cụ đo tương tự là loại dụng cụ đo mà số chỉ của nó là đại lượng liên tục tỉ lệ với đại lượng đo liên tục. Trong dụng cụ đo tương tự người ta thường dùng các chỉ thị cơ điện, trong đó tín hiệu vào là dòng điện còn tín hiệu ra là góc quay của phần động (kim chỉ) hoặc là di chuyển của bút ghi trên giấy (dụng cụ tự ghi). Các cơ cấu chỉ thị này thường dùng trong máy đo các đại lượng như dòng điện, điện áp, công suất, tần số, góc pha, điện trở.v.v . Những dụng cụ này chính là dụng cụ đo chuyển đổi thẳng. Tức là thực hiện việc biến năng lượng điện từ thành năng lượng cơ học làm quay phần động một góc α so với phần tĩnh. Như vậy α = F(x), với x là đại lượng điện ( dòng hay áp hoặc là tích của hai dòng điện) Đối với chỉ thị cơ điện ta có phương trình đặc tính thang đo α α d dw D e 1 = , trong đó D là mômen cản riêng và W e là năng lượng điện từ trường. Từ phương trình này ta sẽ biết được đặc tính của thang đo và tính chất của cơ cấu chỉ thị. Do trong cơ cấu chỉ thị cơ điện tồn tại nhiều mômen như mômen ma sát, mômen cản dịu, mômen động lượng nên để xác định dạng thang đo của cơ cấu chỉ thị thường sử dụng phương pháp đồ thị. Bằng thực nghiệm ta xây dựng các đường cong mômen quay M d = f(α) với các giá trị X khác nhau. Ví dụ với cơ cấu chỉ thị điện từ ta xây dựng các đường cong mômen quay 1, 2, 3, 4 với các giá trị X tương ứng bằng 40, 60, 80 và 100% X n (X n - trị số dòng điện định mức làm kim lệch toàn thang). Trong trường hợp ở đồ thị hình 1.1 X n =I n =50mA. Các đường cong mômen quay M q cắt đường mômen cản M c tại các điểm A, B, C, D. Từ giao điểm A, B, C, D ta có các vị trí cân bằng α = 30 ° , 50 ° , 70 ° , 90 ° tương ứng với các giá trị X=20, 30, 40, 50 mA. Như vậy ta có thang đo của cơ cấu chỉ thị điện từ theo đơn vị của đại lượng X đầu vào. 7 Tuỳ thuộc vào phương trình đặc tính thang đo mà thang đo có thể là tuyến tính (ví dụ : cơ cấu chỉ thị từ điện) hoặc phi tuyến (ví dụ : cơ cấu chỉ thị điện từ , điện động, tĩnh điện). Nếu thang đo phi tuyến ta thường để thang đo đạt được tương đối đều. Đối với cơ cấu chỉ thị từ điện ta có phương trình đặc tính thang đo là α= BswI D 1 = K.I [TL3] Trong đó B- Độ từ cảm của nam châm vĩnh cửu s- Diện tích khung dây w- số vòng dây α- góc lệch của khung dây so với vị trí ban đầu Góc lệch α tỉ lệ thuận với dòng điện I nên đặc tính của thang đo đều. Cơ cấu chỉ thị điện từ có phương trình đặc tính là α= 2 2 1 I d dL D α [TL3]. Góc quay tỉ lệ với bình phương dòng điện do đó thang đo không đều. Ngoài 8 M q α 0 ° 30 ° 50 ° 70 ° 90 ° X=40%X n (I= 20 mA) X=60%X n (I= 30 mA) X=80%X n (I= 40 mA) X=100%X n (I= 50 mA) 4 3 2 1 0 20 30 40 50 Hình 1.1 : Xác định thang đo bằng phương pháp đồ thị X(mA) ra đặc tính thang đo lại còn phụ thuộc vào tỉ số α d dL là một đại lượng phi tuyến. Để cho đặc tính thang đo đều cần phải tính toán sao cho khi góc lệch α thay đổi thì tỉ số α d dL thay đổi theo quy luật tỉ lệ nghịch với dòng điện. Như vậy đường cong tổng hợp sẽ là đường tuyến tính với một độ chính xác nhất định. Cơ cấu chỉ thị điện động có phương trình đặc tính thang đo đối với trường hợp dòng một chiều I 1 và I 2 : α= 21 12 II d dM α [TL3]. Trong trường hợp dòng xoay chiều ta có α= 21 12 cos II Dd dM ϕ α . Như vậy góc lệch α phụ thuộc vào tích I 1 I 2 nên thang đo không đều. Có thể thay đổi vị trí của các cuộn dây để thay đổi tỉ số α d dM 12 theo hàm ngược với I 1 I 2 nhằm đạt được thang đo đều (thường từ 20%÷100% thang đo có thể chia đều còn 20% đầu thang đo chia không đều) Đối với Lôgômét điện động ta có phương trình đặc tính thang đo α=         ),cos( ),cos( 22 11 III III F [TL3]. Khi cos(I,I 1 )=cos(I,I 2 )=1 tức là dòng điện chạy qua 9 α I, L I 2 α d dL Đặc tính thang đo ~ Hình 1.2 : Đặc tính thang đo với α d dL đã điều chỉnh cuộn động và cuộn tĩnh đồng pha thì α =         2 1 I I F . Như vậy góc lệch α tỉ lệ với tỉ số hai dòng điện. Cơ cấu chỉ thị sắt điện động có phương trình đặc tính thang đo : α=k 1 s 2 w 2 I 1 I 2 cos(I 1 ,I 2 ), góc lệch α tỉ lệ với tích hai dòng điện. Đối với cơ cấu chỉ thị tĩnh điện ta có phương trình đặc tính thang đo α= α d dCU 2 2 [TL3]. Như vậy góc lệch α tỉ lệ với bình phương điện áp U. Đặc tính thang đo không đều (bậc hai) và phụ thuộc vào tỉ số α d dC là một đại lượng phi tuyến. Trong thực tế để cho đặc tính thang đo đều cần phải tính toán sao cho khi góc lệch α thay đổi thì tỉ số α d dC thay đổi tỉ lệ nghịch với điện áp và đường cong tổng hợp sẽ là đường tuyến tính với một độ chính xác nhất định. Giống như trường hợp cơ cấu chỉ thị điện từ. Đối với cơ cấu chỉ thị tự ghi đầu vào thường là dòng điện biến thiên theo thời gian i(t) và đầu ra là đường quan hệ α(t). Đường ghi trên băng giấy là sự phối hợp giữa hai chuyển động y=α=f(i) và x=Kt. Theo cách ghi có thể phân loại cơ cấu tự ghi làm ba loại : loại thứ nhất là ghi các đường cong liên tục; loại thứ hai là ghi các đường cong rời rạc; loại thứ ba là in số lên băng giấy. Nhận xét : trong dụng cụ đo tương tự chỉ thị kim thì sai số phi tuyến được đưa lên thang đo mà không nhất thiết phải tuyến tính hóa đặc tính phi tuyến như dụng cụ đo số. 1.2 Phương pháp khắc độ dụng cụ đo có sử dụng vi xử lý hoặc máy vi tính [TL3] Việc sử dụng vi xử lý trong lĩnh vực đo lường mở ra những hướng phát triển và mang lại nhiều ưu điểm cho dụng cụ đo và hệ thống thông tin đo lường như : 10 [...]... mẫu được đưa vào để huấn luyện mạng cho ra quan hệ hàm X=f(Y) như sơ đồ sau : {Yi } X=f(Y) MNN W Chỉ thị {Xi } Hình 1.9 : Sơ đồ khắc độ tự động bằng mạng nơron Mạng nơron được cài vào vi xử lý để xử lý khắc độ tự động đặc tính của cảm biến thông minh Đối tượng đo x CB CĐCH A/D y VXL y MNN xđo Hiển thị số Hình 1.10 : Cảm biến thông minh sử dụng mạng nơron để khắc độ tự động đường đặc tính 21 1.4.2 Hiệu... trước 33 2.3.2 Phân loại mạng nơron Có nhiều cách để phân loại mạng nơron - Dựa vào số lớp có trong mạng nơron ta có thể phân loại thành : mạng nơron một lớp; mạng nơron nhiều lớp - Dựa vào đường truyền tín hiệu trong mạng nơron ta phân loại thành: Mạng nơron truyền thẳng; mạng nơron phản hồi; mạng nơron tự tổ chức Một kiểu phân loại điển hình được biểu diễn như hình 2.8 Mạng nơron nhân tạo Truyền thẳng... biến động các thông số như nhiệt độ, độ ẩm, tần số… Điều khiển các khâu của dụng cụ đo cho phù hợp với đại lượng đo ví dụ : tự động chọn thang đo - Mã hoá các tín hiệu đo - Ghép nối với kênh liên lạc để truyền số liệu đi xa Có thể ghép nối với bộ nhớ để lưu giữ số liệu của kết quả đo hay các giá trị tức thời của tín hiệu đo Ngoài ra dụng cụ đo có sử dụng vi xử lý hoặc máy vi tính còn có khả năng tự động. .. và một lớp đầu ra riêng biệt Mạng nơron nhiều lớp: Mạng nơron nhiều lớp gồm một lớp đầu vào và một lớp đầu ra riêng biệt Các lớp nằm giữa lớp đầu vào và lớp đầu ra gọi là các lớp ẩn (Hidden layers) Mạng nơron truyền thẳng: Mạng nơron truyền thẳng là mạng hai hay nhiều lớp mà tín hiệu truyền theo một hướng từ đầu vào đến đầu ra Mạng nơron phản hồi: Mạng nơron phản hồi là mạng mà trong đó một hoặc nhiều... nơron là xử lý song song cho khả năng dung lượng tính toán lớn, tính toán cho đáp ứng thời gian thực đảm bảo độ chính xác cũng như tốc độ đáp ứng của hệ thống đo có một hoặc nhiều cảm biến Tiếp theo ta sẽ xem xét một số khía cạnh thông minh hoá cảm biến 1.4 Ứng dụng mạng nơron trong cảm biến thông minh 1.4.1 Khắc độ tự động cảm biến Cảm biến cho ra giá trị đo X thông qua phương trình đặc tính : X=f(Y)... phát triển mạnh mẽ của lĩnh vực mạng nơron nhân tạo, các giải pháp nơron đã được ứng dụng vào nhiều lĩnh vực nhằm thông minh hoá thiết bị như các hệ thống điều khiển, robot, các thiết bị gia dụng, phân loại sản phẩn, các hệ thống nhận dạng, phân tích tài chính v.v và ta có thể ứng dụng mạng nơron trong lĩnh vực đo lường để thông minh hoá cảm biến Tính chất ưu việt của mạng nơron là xử lý song song cho... ∆X k Từ tập các giá trị đo ngẫu nhiên ta sẽ sử dụng mạng nơron để tìm được * giá trị X k * sao cho X k − X k < ε < X k − X k với ε nhỏ tuỳ ý cho trước Khi mạng nơron được huấn luyện để giá trị đầu ra của mạng X k * hội tụ về giá trị thực Xk thì đó là kết quả ước lượng tốt hơn giá trị trung bình X k Sau khi đã có mạng nơron được huấn luyện để có đáp ứng gần với giá trị thực nhất thì với một tập đầu... vai trò bộ biến đổi hóa học để truyền tín hiệu qua ranh giới của khớp nối Điện thế hoạt động dọc theo dây thần kinh ra của nơron này được khớp thần kinh chuyển thành điện áp trên dây thần kinh vào của nơron khác Nơron được xem là hoạt động khi nó tạo ra chuỗi các điện thế hoạt động Khi xung thần kinh truyền tới khớp thần kinh giải phóng chất trong khớp tạo ra đáp ứng điện Đáp ứng điện này có thể là kích... thẳng Nhiều lớp Một lớp BackPropa gation Percept ron Tự tổ chức Phản hồi Brain Statein Box Adaline Hopfield Mc Culloch Pitts Máy BoltzMan BAM Cohen Grossberg Ánh xạ đặc trưng RBF Hình2.8: Phân loại mạng nơron nhân tạo 2.3.3 Một số mạng nơron nhân tạo 2.3.3.1 Mạng nơron truyền thẳng + Mạng truyền thẳng một lớp Mạng nơron truyền thẳng một lớp là mạng mà các nơron tạo thành một lớp và tín hiệu truyền theo... bất kỳ với độ chính xác tuỳ ý bằng mạng nơron với số nơron và số lớp ẩn thích hợp [TL14], [TL18] Tương tự ta cũng có thể hiệu chỉnh đường cong đặc tính lý thuyết theo giá trị đo X Hàm biến đổi có dạng X 1=ϕ(X2) cũng có thể xấp xỉ chính xác bằng mạng nơron 24 Do các hàm Y1= φ(Y2) và X1=ϕ(X2) đều là hàm đơn trị, đồng biến hoặc nghịch biến nên ta có thể sử dụng những mạng nơron khá đơn giản đủ để thoã mãn . ngẫu nhiên 3.3 Khắc độ tự động thiết bị đo và cảm biến 3.3.1 Sử dụng hàm nội suy Lagrange để khắc độ tự động 3.3 2 Khắc độ tự động bằng mạng nơron 57 57 61 66 66 68 76 76 78 Chương. đã nghiên cứu việc ứng dụng mạng nơron để khắc độ tự động đặc tính của cảm biến đảm bảo độ chính xác cao. Chương 4 nghiên cứu ứng dụng mạng nơron để hiệu chỉnh

Ngày đăng: 06/03/2014, 09:00

HÌNH ẢNH LIÊN QUAN

Bảng ký hiệu và chữ viết tắt 4 - ứng dụng mạng nơron để khắc độ tự động
Bảng k ý hiệu và chữ viết tắt 4 (Trang 2)
Hình 1.1 : Xác định thang đo bằng phương pháp đồ thị - ứng dụng mạng nơron để khắc độ tự động
Hình 1.1 Xác định thang đo bằng phương pháp đồ thị (Trang 8)
Hình 1.3 : Đường cong đặc tính của cảm biến - ứng dụng mạng nơron để khắc độ tự động
Hình 1.3 Đường cong đặc tính của cảm biến (Trang 14)
Hình 1.10 : Cảm biến thông minh sử dụng mạng nơron để khắc độ tự động đường đặc tính - ứng dụng mạng nơron để khắc độ tự động
Hình 1.10 Cảm biến thông minh sử dụng mạng nơron để khắc độ tự động đường đặc tính (Trang 20)
Hình 1.11:  Mô hình sai số hệ thống và sai số ngẫu nhiên - ứng dụng mạng nơron để khắc độ tự động
Hình 1.11 Mô hình sai số hệ thống và sai số ngẫu nhiên (Trang 21)
Hình 1.13: Hiệu chỉnh đường đặc tính thực tế - ứng dụng mạng nơron để khắc độ tự động
Hình 1.13 Hiệu chỉnh đường đặc tính thực tế (Trang 23)
Hình 2.2: Cấu trúc một nơron sinh học - ứng dụng mạng nơron để khắc độ tự động
Hình 2.2 Cấu trúc một nơron sinh học (Trang 27)
Hình 2.5: Xung thần kinh - ứng dụng mạng nơron để khắc độ tự động
Hình 2.5 Xung thần kinh (Trang 28)
Hình 2.9: Mô hình mạng nơron truyền thẳng một lớp - ứng dụng mạng nơron để khắc độ tự động
Hình 2.9 Mô hình mạng nơron truyền thẳng một lớp (Trang 34)
Hình 2.10: Mạng nơron truyền thẳng nhiều lớp - ứng dụng mạng nơron để khắc độ tự động
Hình 2.10 Mạng nơron truyền thẳng nhiều lớp (Trang 35)
Hình 2.11: Mạng perceptron một lớp với hàm truyền hardlimit - ứng dụng mạng nơron để khắc độ tự động
Hình 2.11 Mạng perceptron một lớp với hàm truyền hardlimit (Trang 36)
Hình 2.12: Mạng Adaline - ứng dụng mạng nơron để khắc độ tự động
Hình 2.12 Mạng Adaline (Trang 38)
Hình 2.13: Ví dụ mạng hai lớp sử dụng thuật học BP - ứng dụng mạng nơron để khắc độ tự động
Hình 2.13 Ví dụ mạng hai lớp sử dụng thuật học BP (Trang 39)
Hình 2.15: Mô hình Hopfield - ứng dụng mạng nơron để khắc độ tự động
Hình 2.15 Mô hình Hopfield (Trang 43)
Hình 2.16: Mạng Hopfield - ứng dụng mạng nơron để khắc độ tự động
Hình 2.16 Mạng Hopfield (Trang 44)
Hình 3.1: Phân bố chuẩn của sai số ngẫu nhiên - ứng dụng mạng nơron để khắc độ tự động
Hình 3.1 Phân bố chuẩn của sai số ngẫu nhiên (Trang 57)
Hình 3.2: Lưu đồ gia công kết quả đo - ứng dụng mạng nơron để khắc độ tự động
Hình 3.2 Lưu đồ gia công kết quả đo (Trang 64)
Hình 3.5: Sơ đồ huấn luyện mạng cho giá trị ngẫu nhiên Y. - ứng dụng mạng nơron để khắc độ tự động
Hình 3.5 Sơ đồ huấn luyện mạng cho giá trị ngẫu nhiên Y (Trang 67)
Hình 3.6: Đặc tính cảm biến - ứng dụng mạng nơron để khắc độ tự động
Hình 3.6 Đặc tính cảm biến (Trang 67)
Hình 3.7: Lưu đồ thuật toán qúa trình học - ứng dụng mạng nơron để khắc độ tự động
Hình 3.7 Lưu đồ thuật toán qúa trình học (Trang 70)
Hình 3.16 : Lưu đồ thuật toán quá trình học - ứng dụng mạng nơron để khắc độ tự động
Hình 3.16 Lưu đồ thuật toán quá trình học (Trang 80)
Hình 3.18: Đường đặc tính chuẩn và đặc tính khắc độ bằng mạng nơron - ứng dụng mạng nơron để khắc độ tự động
Hình 3.18 Đường đặc tính chuẩn và đặc tính khắc độ bằng mạng nơron (Trang 81)
Hình 3.17: Sai số học giảm dần khi tăng số chu kỳ học - ứng dụng mạng nơron để khắc độ tự động
Hình 3.17 Sai số học giảm dần khi tăng số chu kỳ học (Trang 81)
Hình 4.1 : Sơ đồ cấu trúc và các đường đặc tính của cảm biến - ứng dụng mạng nơron để khắc độ tự động
Hình 4.1 Sơ đồ cấu trúc và các đường đặc tính của cảm biến (Trang 83)
Hình 4.2: Đường cong đặc tính thực tế và lý thuyết - ứng dụng mạng nơron để khắc độ tự động
Hình 4.2 Đường cong đặc tính thực tế và lý thuyết (Trang 84)
Hình 4.10 : Sai số học giảm dần khi tăng số chu kỳ học - ứng dụng mạng nơron để khắc độ tự động
Hình 4.10 Sai số học giảm dần khi tăng số chu kỳ học (Trang 89)
Hình 4.11 : Đường cong xấp xỉ hàm bằng mạng nơron và đường cong chuyển đổi - ứng dụng mạng nơron để khắc độ tự động
Hình 4.11 Đường cong xấp xỉ hàm bằng mạng nơron và đường cong chuyển đổi (Trang 90)
Hình 4.12 : Đường sai số giữa đường cong xấp xỉ bằng mạng nơron và  đường cong chuyển đổi - ứng dụng mạng nơron để khắc độ tự động
Hình 4.12 Đường sai số giữa đường cong xấp xỉ bằng mạng nơron và đường cong chuyển đổi (Trang 90)
Hình 5.1: Cấu trúc mạng nơron tổng hợp - ứng dụng mạng nơron để khắc độ tự động
Hình 5.1 Cấu trúc mạng nơron tổng hợp (Trang 93)

TỪ KHÓA LIÊN QUAN

TÀI LIỆU CÙNG NGƯỜI DÙNG

TÀI LIỆU LIÊN QUAN

w