Trang bìa BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC NGUYỄN TẤT THÀNH KHOA CÔNG NGHỆ THÔNG TIN ĐỒ ÁN CƠ SỞ Tìm hiểu mạng Neural nhân tạo để dự báo mưa tại Việt Nam Giảng viên hướng dẫn Vương Xuân Chí Sinh. LỜI MỞ ĐẦU Dự báo thời tiết ra đời từ xa xưa, từ khi có sự xuất hiện của con người và càng ngày càng gắn bó với cuộc sống của chúng ta. Từ thuở ban đầu, con người đã có thể “dự đoán” trước các hiện tượng tự nhiên sẽ xảy ra trong khoản thời gian gần. Dần dần kinh nghiệm quan sát được tích lũy dần được đúc kết thành các bài toán dự báo, cho phép tính toán khá chính xác hiện tượng thời tiết sắp xảy ra. Hiện nay trên thế giới các hệ thống dự báo thời tiết nghiệp vụ được thực hiện bởi 3 phương pháp chính: Phương pháp Synôp, Phương pháp thống kê và phương pháp số trị. Mỗi phương pháp đều có ưu nhược điểm riêng. Ứng dụng mạng nơron nhân tạo là một trong những phương pháp thống kê, đó là một phương pháp mới, có nhiều ưu thế vượt trội trong việc giải quyết các vấn đề phi tuyến. Với những ưu thế vượt trội của việc ứng dụng mạng nơron nhân tạo như tính mềm dẻo, khả năng dung thứ lỗi cao, giải quyết được các vấn đề phi tuyến thích hợp trong việc xử lý dữ liệu có tính biến động lớn,… Đó là những lý do để em chọn đề tài: Tìm hiểu mạng Neural nhân tạo để dự báo mưa tại Việt Nam Chương I: Lý Thuyết Mạng Nơron 1. Mạng nơron nhân tạo Mạng noron nhân tạo (Artifical Neural Networks) mô phỏng lại mạng noron sinh học là một cấu trúc khối gồm các đơn vị tính toán đơn giản được liên kết chặt chẽ với nhau trong đó các liên kết giữa các noron quyết định chức năng của mạng. 2. Lịch sử phát triển của mạng nơron nhân tạo Năm 1943, McCulloch và Pitts đã đưa ra khả năng liên kết và một số liên kết cơ bản của mạng nơron. Năm 1949, Hebb đã đưa ra các luật thích nghi trong mạng nơron. Năm 1958, Rosenblatt đưa ra cấu trúc Perception. Năm 1969, Minsky và Papert phân tích sự đúng đắn của Perception. Năm 1976, Grossberg dựa vào tính chất sinh học đã đưa ra một số cấu trúc của hệ động học phi tuyến với các tính chất mới. Năm 1982, Hoppfield đã đưa ra mạng học phi tuyến với các tính chất mới và Rumelhart đưa ra mô hình song song (Parallel Distributer Processing – PDS) và một số kết quả, thuật toán.
BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC NGUYỄN TẤT THÀNH KHOA CÔNG NGHỆ THÔNG TIN ĐỒ ÁN CƠ SỞ Tìm hiểu mạng Neural nhân tạo để dự báo mưa Việt Nam Giảng viên hướng dẫn: Vương Xuân Chí Sinh viên thực hiện: Trần Quang Khải MSSV: 2000002172 Chun ngành: Khoa học liệu Mơn học: Khóa: Đồ án sở 2020 Tp.HCM, tháng năm 2022 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC NGUYỄN TẤT THÀNH KHOA CÔNG NGHỆ THÔNG TIN ĐỒ ÁN CƠ SỞ Tìm hiểu mạng Neural nhân tạo để dự báo mưa Việt Nam Giảng viên hướng dẫn: Vương Xuân Chí Sinh viên thực hiện: Trần Quang Khải MSSV: 2000002172 Chun ngành: Khoa học liệu Mơn học: Khóa: Đồ án sở 2020 Tp.HCM, tháng năm 2022 Trường Đại học Nguyễn Tất Thành CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc lập – Tự – Hạnh phúc Khoa Công Nghệ Thông Tin NHIỆM VỤ ĐỒ ÁN CƠ SỞ (Sinh viên phải đóng tờ vào báo cáo) Họ tên: Trần Quang Khải MSSV: 2000002172 Chuyên ngành: Khoa học liệu Lớp: 20DTH1D Email: khaitran18012002@gmail.com SĐT:0793742249 Tên đề tài: Tìm hiểu mạng Neural nhân tạo để dự báo mưa Việt Nam Gíao viên hướng dẫn: Vương Xuân Chí Thời gian thực hiện: 20 /6 /2022 đến 20 /9 /2022 MÔ TẢ ĐỀ TÀI: Dự đoán toán khoa học sở sử dụng chuỗi liệu theo quy luật đó, có nhiều phương pháp dự đoán toán học Sử dụng khả nguyên tắc để ứng dụng thành công mạng Neural nhân tạo việc dự đoán thời tiết NỘI DUNG VÀ PHƯƠNG PHÁP: - Nghiên cứu khái niệm, thức tạo mạng Neural, liệu thống kê - Tìm hiểu đặc trưng mạng Neural nhân tạo, bước thiết kế mơ hình mạng Neural - Ứng dụng mạng Neural sử dụng mơ hình ANNs vào toán dự báo thời tiết - Kết luận YÊU CẦU: - Có kiến thức, đam mê, hiểu biết công nghệ Mạng neural, Machine Learning, Deep Learning… Đọc hiểu tài liệu tiếng Anh, kỹ trình bày văn máy tính tốt - Có tác phong làm việc chăm chỉ, tinh thần trách nhiệm cao, có khả làm việc độc lập làm việc nhóm tốt Nội dung yêu cầu thông qua Bộ môn TP.HCM, ngày 26 tháng 06 năm 2022 Q TRƯỞNG BỘ MÔN (Ký ghi rõ họ tên) ThS Vương Xuân Chí GIÁO VIÊN HƯỚNG DẪN (Ký ghi rõ họ tên) ThS Vương Xuân Chí LỜI CẢM ƠN Trong trình thực đồ án, em xin chân thành cảm ơn hướng dẫn, bảo tận tình thầy Vương Xn Chí người hướng dẫn trực tiếp em suốt trình làm đồ án, Thầy dành nhiều thời gian quý báu để giúp em định hướng nghiên cứu đồ án Với kinh nghiệm kiến thức sinh viên khơng thể tránh thiếu sót nhiều điểm chưa hợp lý Em mong nhận thơng cảm góp ý thầy để em bổ sung hồn thiện hơn, nâng cao kiến thức rút kinh nghiệm cho đề tài sau hoàn thiện Xin trân trọng cảm ơn LỜI MỞ ĐẦU Dự báo thời tiết đời từ xa xưa, từ có xuất người ngày gắn bó với sống Từ thuở ban đầu, người “dự đốn” trước tượng tự nhiên xảy khoản thời gian gần Dần dần kinh nghiệm quan sát tích lũy dần đúc kết thành toán dự báo, cho phép tính tốn xác tượng thời tiết xảy Hiện giới hệ thống dự báo thời tiết nghiệp vụ thực phương pháp chính: Phương pháp Synơp, Phương pháp thống kê phương pháp số trị Mỗi phương pháp có ưu nhược điểm riêng Ứng dụng mạng nơron nhân tạo phương pháp thống kê, phương pháp mới, có nhiều ưu vượt trội việc giải vấn đề phi tuyến Với ưu vượt trội việc ứng dụng mạng nơron nhân tạo tính mềm dẻo, khả dung thứ lỗi cao, giải vấn đề phi tuyến thích hợp việc xử lý liệu có tính biến động lớn,… Đó lý để em chọn đề tài: Tìm hiểu mạng Neural nhân tạo để dự báo mưa Việt Nam NHẬN XÉT CỦA GIẢNG VIÊN HƯỚNG DẪN Điểm đồ án: TPHCM, Ngày …… tháng …… năm Giáo viên hướng dẫn (Ký tên, đóng dấu) MỤC LỤC LỜI CẢM ƠN v LỜI MỞ ĐẦU vi NHẬN XÉT CỦA GIẢNG VIÊN HƯỚNG DẪN vii DANH MỤC HÌNH .x DANH MỤC CÁC TỪ VIẾT TẮT xi Chương I: Lý Thuyết Mạng Nơron 1 Mạng nơron nhân tạo .1 Lịch sử phát triển mạng nơron nhân tạo Các đặc trưng mạng nơron Các thành phần mạng nơron nhân tạo 4.1 Đơn vị xử lý 4.2 Hàm kết hợp .3 4.3 Hàm kích hoạt Cấu trúc mạng nơron 5.1 Mạng truyền thẳng (Feed-forward neural network) 5.2 Mạng hồi quy (Recurrent neural network): .6 Huấn luyện mạng 6.1 Học có thầy (Supervised learning) 6.2 Học khơng có thầy (Unsupervised Learning) Hàm mục tiêu 8 Mạng truyền thẳng thuật toán lan truyền ngược 8.1 Mạng truyền thẳng MLP 8.2 Thuật toán lan truyền ngược (Back-Propagation) 13 Chương II: Ứng dụng mạng nơron dự báo thời tiết 15 Cấu trúc mạng lan truyền ngược 15 1.1 Lớp vào (Input Layer) .15 1.2 Lớp ẩn (Hidden Layer) 15 1.3 Lớp (Output Layer) .16 Dùng thuật học lan truyền ngược sử dụng phương pháp hạ Gradient 16 Xây dựng hệ thống dự báo thời tiết .18 Chương III: Kết Luận .20 10 Hình 1.6: Mạng nơron truyền thẳng nhiều lớp (Feed-forward neural network) 5.2 Mạng hồi quy (Recurrent neural network): Có chứa liên kết ngược, nghĩa nơron lớp tới nơron lớp vào lớp lớp trước Hình 1.7: Mạng nơron hồi quy (Recurrent neural network) Huấn luyện mạng Chức mạng nơron định nhân tố như: hình trạng mạng (số lớp, số đơn vị tầng, cách mà lớp liên kết với nhau) trọng số liên kết bên mạng Hình trạng mạng thường cố định, trọng số định thuật tốn huấn luyện (training algorithm) Tiến trình điều chỉnh trọng số để mạng “nhận biết” quan hệ đầu vào đích mong muốn gọi học (learning) hay huấn luyện (training) Rất nhiều thuật tốn học phát minh để tìm tập trọng số tối ưu làm giải pháp cho tốn Các thuật tốn chia làm hai nhóm chính: Học có thầy (Supervised learning) Học khơng có thầy (Unsupervised Learning) 6.1 Học có thầy (Supervised learning) Mạng huấn luyện cách cung cấp cho cặp mẫu đầu vào đầu mong muốn (target values) Các cặp cung cấp "thầy giáo", hay hệ thống mạng hoạt động Sự khác biệt đầu thực tế so với đầu mong muốn thuật toán sử dụng để thích ứng trọng số mạng Điều thường đưa toán xấp xỉ hàm số - cho liệu huấn luyện bao gồm cặp mẫu đầu vào x, đích tương ứng t, mục đích tìm hàm f(x) thoả mãn tất mẫu học đầu vào Hình 1.8: Mơ hình học có thầy (Supervised learning model) 6.2 Học khơng có thầy (Unsupervised Learning) Với cách học khơng có thầy, khơng có phản hồi từ mơi trường để đầu mạng Mạng phải khám phá đặc trưng, điều chỉnh, mối tương quan, hay lớp liệu vào cách tự động Trong thực tế, phần lớn biến thể học khơng có thầy, đích trùng với đầu vào Nói cách khác, học khơng có thầy ln thực cơng việc tương tự mạng tự liên hợp, cô đọng thông tin từ liệu vào Hàm mục tiêu Để huấn luyện mạng xét xem thực tốt đến đâu, ta cần xây dựng hàm mục tiêu (hay hàm giá) để cung cấp cách thức đánh giá khả hệ thống cách không nhập nhằng Việc chọn hàm mục tiêu quan trọng hàm thể mục tiêu thiết kế định thuật toán huấn luyện áp dụng Để phát triển hàm mục tiêu đo xác muốn việc dễ dàng Một vài hàm sử dụng rộng rãi Một số chúng hàm tổng bình phương lỗi (sum of squares error function) Trong p: số thứ tự mẫu tập huấn luyện i : số thứ tự đơn vị đầu tpi ypi : tương ứng đầu mong muốn đầu thực tế mạng cho đơn vị đầu thứ i mẫu thứ p Trong ứng dụng thực tế, cần thiết làm phức tạp hàm số với vài yếu tố khác để kiểm sốt phức tạp mơ hình Mạng truyền thẳng thuật toán lan truyền ngược Để đơn giản tránh hiểu nhầm, mạng truyền thẳng trình bày phần mạng truyền thẳng có nhiều lớp (MLP - MultiLayer Perceptron) Đây mạng truyền thẳng điển hình, thường sử dụng hệ thống nhận dạng 8.1 Mạng truyền thẳng MLP 10 Một mạng truyền thẳng nhiều lớp bao gồm lớp vào, lớp nhiều lớp ẩn Các nơron đầu vào thực chất nơron theo nghĩa, lẽ chúng không thực tính tốn liệu vào, đơn giản tiếp nhận liệu vào chuyển cho lớp Các nơron lớp ẩn lớp thực thực tính toán, kết định dạng hàm đầu (hàm chuyển) Cụm từ “truyền thẳng” (feed forward) (không phải trái nghĩa lan truyền ngược) liên quan đến thực tế tất nơron kết nối với theo hướng: tới hay nhiều nơron khác lớp (loại trừ nơron lớp ra) Hình 1.9: Mạng nơron truyền thẳng nhiều lớp Trong P: Vector đầu vào (vector cột) Wi : Ma trận trọng số nơron lớp thứ i (Si x Ri : S hàng (nơron) - R cột (số đầu vào)) bi : Vector độ lệch (bias) lớp thứ i (Si x1: cho S nơron) ni : net input (Si x1) f i : Hàm chuyển (hàm kích hoạt) ai: net output (Si x1) ⊕: Hàm tổng thông thường Mỗi liên kết gắn với trọng số, trọng số thêm vào q trình tín hiệu qua liên kết Các trọng số dương, thể trạng thái kích thích, hay âm, thể trạng thái kiềm chế Mỗi nơron tính tốn mức kích hoạt chúng 11 cách cộng tổng đầu vào đưa hàm chuyển Một đầu tất nơron lớp mạng cụ thể thực xong tính tốn lớp bắt đầu thực tính tốn đầu lớp tạo đầu vào lớp Khi tất nơron thực tính tốn kết trả lại nơron đầu Tuy nhiên, chưa u cầu, thuật tốn huấn luyện cần áp dụng để điều chỉnh tham số mạng Xét trường hợp mạng có hai lớp hình 1.9, cơng thức tính tốn cho đầu sau: Mạng có nhiều lớp có khả tốt mạng có lớp, chẳng hạn mạng hai lớp với lớp thứ sử dụng hàm sigmoid lớp thứ hai dùng hàm đồng áp dụng để xấp xỉ hàm tốn học tốt, mạng có lớp khơng có khả Thiết kế cấu trúc mạng Mặc dù, mặt lý thuyết, có tồn mạng mơ tốn với độ xác Tuy nhiên, để tìm mạng khơng phải điều đơn giản Để định nghĩa xác kiến trúc mạng như: cần sử dụng lớp ẩn, lớp ẩn cần có đơn vị xử lý cho tốn cụ thể cơng việc khó khăn Số lớp ẩn: Vì mạng có hai lớp ẩn thể hàm với dáng điệu bất kỳ, nên, lý thuyết, khơng có lý sử dụng mạng có nhiều hai lớp ẩn Người ta xác định phần lớn toán cụ thể, cần sử dụng lớp ẩn cho mạng đủ Các toán sử dụng hai lớp ẩn xảy thực tế Thậm chí tốn cần sử dụng nhiều lớp ẩn phần lớn trường hợp thực tế, sử dụng lớp ẩn cho ta hiệu tốt sử dụng nhiều 12 lớp Việc huấn luyện mạng thường chậm mà số lớp ẩn sử dụng nhiều Số đơn vị lớp ẩn: Một vấn đề quan trọng việc thiết kế mạng cần có đơn vị lớp Sử dụng q đơn vị dẫn đến việc khơng thể nhận dạng tín hiệu đầy đủ tập liệu phức tạp, hay thiếu ăn khớp (underfitting) Sử dụng nhiều đơn vị tăng thời gian luyện mạng, có lẽ nhiều để luyện mà luyện mạng khoảng thời gian hợp lý Số lượng lớn đơn vị dẫn đến tình trạng thừa ăn khớp (overfitting), trường hợp mạng có nhiều thông tin, lượng thông tin tập liệu mẫu (training set) không đủ liệu đặc trưng để huấn luyện mạng Số lượng tốt đơn vị ẩn phụ thuộc vào nhiều yếu tố - số đầu vào, đầu mạng, số trường hợp tập mẫu, độ nhiễu liệu đích, độ phức tạp hàm lỗi, kiến trúc mạng thuật toán luyện mạng Trong phần lớn trường hợp, khơng có cách để dễ dàng xác định số tối ưu đơn vị lớp ẩn mà luyện mạng sử dụng số đơn vị lớp ẩn khác dự báo lỗi tổng quát hóa lựa chọn Cách tốt sử dụng phương pháp thử-sai (trial-and-error) Trong thực tế, sử dụng phương pháp Lựa chọn tiến (forward selection) hay Lựa chọn lùi (backward selection) để xác định số đơn vị lớp ẩn Lựa chọn tiến bắt đầu với việc chọn luật hợp lý cho việc đánh giá hiệu mạng Sau đó, ta chọn số nhỏ đơn vị ẩn, luyện thử mạng; ghi lại hiệu mạng Sau đó, tăng chút số đơn vị ẩn; luyện thử lại lỗi chấp nhận được, khơng có tiến triển đáng kể so với trước 13 Lựa chọn lùi, ngược với lựa chọn tiến, bắt đầu với số lớn đơn vị lớp ẩn, sau giảm dần Q trình tốn thời gian giúp ta tìm số lượng đơn vị phù hợp cho lớp ẩn 8.2 Thuật tốn lan truyền ngược (Back-Propagation) Cần có phân biệt kiến trúc mạng thuật toán học nó, mơ tả mục mục đích nhằm làm rõ yếu tố kiến trúc mạng cách mà mạng tính tốn đầu từ tập đầu vào Sau mơ tả thuật tốn học sử dụng để điều chỉnh hiệu mạng cho mạng có khả sinh kết mong muốn Về có hai dạng thuật tốn để luyện mạng: học có thầy học khơng có thầy Các mạng nơron truyền thẳng nhiều lớp luyện phương pháp học có thầy Phương pháp dựa việc yêu cầu mạng thực chức sau trả lại kết quả, kết hợp kết với đầu mong muốn để điều chỉnh tham số mạng, nghĩa mạng học thơng qua sai sót Thuật toán lan truyền ngược dạng tổng quát thuật tốn trung bình bình phương tối thiểu (Least Means Square-LMS) Thuật toán thuộc dạng thuật toán xấp xỉ để tìm điểm mà hiệu mạng tối ưu Chỉ số tối ưu (performance index) thường xác định hàm số ma trận trọng số đầu vào mà q trình tìm hiểu tốn đặt Bỏ qua phức tạp mặt tốn học, thuận tốn phát biểu đơn giản sau: Bước 1: Lan truyền xi tính tốn mạng truyền thẳng - Khi đó, đầu lớp trở thành đầu vào lớp Phương trình thể hoạt động sau (trong M số lớp mạng) : 14 - Các nơron lớp thứ nhận tín hiệu từ bên ngồi (với p điểm bắt đầu phương trình hình 1.9) a0 = p - Đầu lớp cuối xem đầu mạng: a = aM Bước 2: Lan truyền lỗi (hay độ nhạy cảm) ngược lại qua mạng - Thuật toán lan truyền ngược sử dụng số hiệu trung bình bình phương lỗi đầu so với giá trị đích Đầu vào thuật tốn tập cặp mơ tả hoạt động mạng: Trong pi đầu vào ti đầu mong muốn tương ứng, với i=1 Q - Mỗi đầu vào đưa vào mạng, đầu mạng đem so sánh với đầu mong muốn.Thuật toán điều chỉnh tham số mạng để tối thiểu hóa trung bình bình phương lỗi Bước 3: Cập nhật lại trọng số độ lệch tương ứng 15 Chương II: Ứng dụng mạng nơron dự báo thời tiết Cấu trúc mạng lan truyền ngược Mạng nơ ron có nhiều cấu trúc, luật học khác nhau, mạng lan truyền ngược khả hiệu chỉnh sai số đầu nhanh (BackPropagation Neural Networks) so với vài luật học khác Mạng chọn ba lớp truyền thẳng (Hình 2.1): lớp vào, lớp ẩn (ở giữa), lớp Hình 2.1: Cấu trúc mạng nơron ba lớp lan truyền ngược 1.1 Lớp vào (Input Layer) Đầu vào: xj , (j = 1, , cho thực nghiệm, x1 : nhiệt độ; x2 : độ ẩm; x3 : mây; x4: mưa) Lớp vào: chọn số nơ ron (q = 1, ,m thực nghiệm chọn nơ ron) q nơ ron thứ q lớp vào; vqj trọng số đầu vào thứ j nối với nơ ron thứ q (tổng số có qj = x =12 trọng số thực nghiệm) 1.2 Lớp ẩn (Hidden Layer) Đầu số (Digital Output) lớp vào đầu vào lớp ẩn, hàm đầu vào tương tự (Analog Output) 16 Hàm tương tác đầu nơ ron tất lớp: chọn hàm Sigmoid fq (.): Chọn l = 18 nơ ron cho lớp ẩn Số chọn theo thực nghiệm từ kết tối ưu giá trị lỗi trình huấn luyện 1.3 Lớp (Output Layer) Tổng đầu nơron thứ i(neti ) đầu (bị chặn) yi xác định theo: Trong i nơ ron thứ i n nơ ron đầu chọn tuỳ thuộc vào cách mã hoá đặc trưng đầu Trong bối cảnh toán nêu, số nơ ron lớp n = Dùng thuật học lan truyền ngược sử dụng phương pháp hạ Gradient Hoạt động mạng nơ ron gồm hai giai đoạn, gọi hai pha: pha học: pha xác định tham số wij mạng Sau pha học mạng chuyển sang pha hai: (pha mạng đủ điều kiện để chạy) pha chạy thử để kiểm tra thể khả suy diễn mạng mẫu lạ (chưa học) Có nhiều kỹ thuật xác định Δwij Chúng sử dụng kỹ thuật hạ Gradient cho trường hợp (đạo hàm riêng bậc hàm số bậc nhiều biến tức hàm có dạng parabol có điểm đáy: điểm cực tiểu) là: 17 Hình 2.2: Minh họa phương pháp gradient Theo phương pháp hạ Gradient: tức tiến trình cập nhật trọng số theo hướng giảm gradient, trọng số liên kết lớp (ví dụ lớp ẩn lớp ra) cập nhật bởi: Trong đó: η số học Nó tốc độ cập nhật trọng số bước lặp thuật tốn Kỹ thuật hạ Gradient áp dụng để tính trọng wij từ lớp đầu vào đến lớp đầu gọi tính trọng số theo kiểu truyền thẳng Ngược lại, tính trọng số từ lớp ngược lớp đầu (làm cho sai số có xu hướng giảm dần, chóng hội tụ nên ưa sử dụng) Thuật tốn tính ngược từ tới vào gọi thuật toán lan truyền ngược (Backpropagation Algorithm: BP) Thuật tốn BP tóm tắt sau: Xét mạng với q lớp truyền thẳng, q = 1, 2, …, Q ký hiệu qneti qyi tổng đầu vào đầu nơron thứ i lớp q Mạng có m nút đầu vào n nút đầu qwij biểu thị trọng số liên kết từ q-1yj tới q yi - Đầu vào: Một tập cặp huấn luyện {(x(k), d(k)| k = 1, 2, …, p)} 18 - Bước (khởi tạo): Chọn tốc độ học η = 0.5 Emin = (là giá trị lỗi cực đại chấp nhận được) Khởi tạo trọng số với giá trị ngẫu nhiên nhỏ; cho bước lặp khởi đầu: k = - Bước (lặp huấn luyện): Đưa mẫu đầu vào thứ k tới lớp đầu vào: yi = xi(k) ∀ i - Bước (lan truyền tiến): Lan truyền tiến tính tín hiệu qua mạng sử dụng: Với i q tới đầu lớp Qyi áp dụng - Bước (tính tốn lỗi): Tính giá trị lỗi E tín hiệu lỗi Qδi cho lớp đầu ra: - Bước (lan truyền ngược lỗi): Lan truyền ngược trở lại để cập nhật trọng số tính tốn tín hiệu lỗi q -1δi cho lớp trước: - Bước (lặp chu kỳ): Kiểm tra toàn tập liệu luyện duyệt Nếu k < p k = k+1 (quay lại bước cho lần lặp mới), khơng thực bước - Bước (kiểm tra lỗi toàn thể): Kiểm tra lỗi tồn thể, E < Emin kết thúc trình huấn luyện, kiểm tra xem đạt đến số chu kỳ (vòng lặp) giới hạn chưa, không E = 0, k = bắt đầu chu kỳ việc quay lại bước Xây dựng hệ thống dự báo thời tiết Thu thập liệu từ năm trước, giới hạn tham số ảnh hưởng đến thời tiết là: nhiệt độ, độ ẩm, mây mưa Mỗi yếu tố có thuộc tính độ phụ thuộc khác Ví dụ tùy thuộc vào tháng mà nhiệt độ có giá trị khác 19 Nếu tháng rơi vào mùa mưa nhiệt độ thấp (27.0oC)… Dựa đặc điểm ta xây dựng tốn: Với bốn yếu tố ảnh hưởng đến thời tiết trên, ta phân chia yếu tố thành trường hợp cụ thể sau: Biến nhiệt độ (kí hiệu ND), có khoảng giá trị: thấp ND từ đến 25.5; trung bình ND từ 25.5 đến 27.0; cao ND từ 27.0 đến 45; Biến độ ẩm (kí hiệu ĐA):Thấp ĐA từ – 80; Cao ĐA từ 80 - 100 Biến lượng mưa (kí hiệu M): Khơng mưa (0); Rải rác: M từ đến 2; Nhỏ: M từ đến 50; lớn: M từ 51 đến 1000 Biến lượng mây (MA) Ít MA từ đến 20; Nhiều: MA từ 20 đến 30; Rất nhiều lượng mây lớn 30 20 Chương III: Kết Luận Kết luận Nhìn chung mơ hình ANN có khả dự báo tốt, xây dựng mạng thực nhiệm vụ dự báo, với liệu huấn luyện cụ thể việc xác định tham số mạng, tham số huấn luyện mạng quan trọng Mặc dù có nghiên cứu lý thuyết cách xác định số tham số có tham số mà lý thuyết chưa đề cập tới Một cách làm hiệu quả, đỡ tốn thời gian mà đảm bảo xác tìm tham số thông qua thử nghiệm Tài liệu tham khảo - Nguyễn Tân Ân, Nguyễn Quang Hoan: Hệ dự báo thời tiết với ứng dụng - mạng nơron nhân tạo Nguyễn Quang Hoan, Phạm Thị Trang, Hoàng Hồng Công, Nguyễn Thị - Huyền: Dự báo thời tiết ứng dụng mạng nơ ron nhân tạo thuật toán bayes Đinh Mạnh Tường(2002), Trí tuệ nhân tạo, NXB Khoa học Kỹ thuật Phan Văn Hiền (2013), Giáo trình mạng nơron, Đại học Bách Khoa Đà Nẵng 21 ... ĐÀO TẠO TRƯỜNG ĐẠI HỌC NGUYỄN TẤT THÀNH KHOA CÔNG NGHỆ THÔNG TIN ĐỒ ÁN CƠ SỞ Tìm hiểu mạng Neural nhân tạo để dự báo mưa Việt Nam Giảng viên hướng dẫn: Vương Xuân Chí Sinh viên thực hiện: Trần... đề tài: Tìm hiểu mạng Neural nhân tạo để dự báo mưa Việt Nam Gíao viên hướng dẫn: Vương Xuân Chí Thời gian thực hiện: 20 /6 /2022 đến 20 /9 /2022 MÔ TẢ ĐỀ TÀI: Dự đoán toán khoa học sở sử dụng... - Tìm hiểu đặc trưng mạng Neural nhân tạo, bước thiết kế mơ hình mạng Neural - Ứng dụng mạng Neural sử dụng mơ hình ANNs vào toán dự báo thời tiết - Kết luận YÊU CẦU: - Có kiến thức, đam mê, hiểu