Bài viết Nghiên cứu phương pháp xử lý tín hiệu số hỗ trợ dự báo dữ liệu cho ngành tài nguyên môi trường phân tích và đề xuất sử dụng mạng nơron MLP. Các phương pháp xử lý tín hiệu số nêu trên sẽ hỗ trợ cho việc chỉnh biên dữ liệu trong quá khứ và dự báo dữ liệu trong tương lai cho một số lĩnh vực của ngành tài nguyên môi trường với một sai số cho phép.
NGHIÊN CỨU PHƯƠNG PHÁP XỬ LÝ TÍN HIỆU SỐ HỖ TRỢ DỰ BÁO DỮ LIỆU CHO NGÀNH TÀI NGUYÊN MÔI TRƯỜNG Trần Cảnh Dương Trường Đại học Tài nguyên Mơi trường Hà Nội Tóm tắt Hiện nay, ngành tài ngun mơi trường có nhiều cơng cụ phần mềm dự báo đại, nhiên, liệu số lĩnh vực thiếu, đặc biệt thời gian trước Nội dung báo đề cập đến việc phân tích, lập trình phương pháp nội suy hai chiều, nội suy ba chiều phương pháp làm nhẵn tín hiệu Khi sử dụng phương pháp bình phương sai phân bé nhất, ta xác định hàm số từ điểm đo rời rạc Nội dung báo bao gồm việc phân tích đề xuất sử dụng mạng nơron MLP Các phương pháp xử lý tín hiệu số nêu hỗ trợ cho việc chỉnh biên liệu khứ dự báo liệu tương lai cho số lĩnh vực ngành tài nguyên môi trường với sai số cho phép Từ khóa: Dự báo liệu; Làm nhẵn tín hiệu; Mạng nơron; MLP; Ngoại suy; Nội suy; Trọng số; Xử lý tín hiệu số; Sai số cho phép Abstract Research for data signal processing methods supporting data forecast for resources and enviromental field Nowadays, the field of natural resources and environment has a lot of modern forecasting tools and software However, data in some areas is still lacking, especially in the previous period The content of the article deals with the analysis and programming in two-dimensional interpolation, three-dimensional interpolation and signal smoothing method When using the method of least squares, we can determine the function from discrete measurement points The result includes the analysis and proposal of using the MLP neural network The abovementioned digital signal processing methods will support the correction of past data and forecast data in the future for some areas of the natural resources and environment field with an allowed error Keywords: Forecast data; Smooth the signal; Neural network; MLP (Multiplayer Perceptron); Extrapolaion; Interpolation; Weight; Process digital signal; Allowed error Đặt vấn đề Ngày nay, phương pháp dự báo đưa dựa mơ hình vật lý tốn học Jason Brownlee đề cập phương pháp thiết kế thử nghiệm để đánh giá mơ hình MLP cho dự báo chuỗi thời gian; thiết kế thử nghiệm có hệ thống cho tế bào thần kinh cấu hình độ trễ khác nhau; cách diễn giải kết sử dụng chẩn đốn để tìm hiểu thêm mơ hình hoạt động tốt [4] Mạng nơron nhân tạo (ANN), định (DT), rừng ngẫu nhiên (RF) máy vectơ hỗ trợ (SVM) phương pháp sử dụng để nghiên cứu điển hình upo đất ngập nước Hàn Quốc [3] Phương pháp ô vuông, phương pháp Rosenbrock, phương pháp Nelder-Mead, phương pháp Hooke-Jeeves, giải thuật di truyền, phương pháp SCE để tìm thơng số tối ưu, đề cập đề tài sở cấp Viện Cơ học - Viện Hàn lâm Khoa học Công nghệ Việt Nam Tác giả xây dựng phần mềm dự báo lũ mơ hình thủy văn, thơng số tập trung có sử dụng phương pháp ước tính thơng số tối ưu [5] Mạng MLP (Multiplayer perceptron) có nhiều ứng dụng để dự báo Trữ lượng gió, đỉnh đáy đồ thị phụ tải ước lượng mạng MLP [7] Nghiên cứu chuyển giao, ứng dụng khoa học công nghệ sử dụng hợp lý tài nguyên, bảo vệ môi trường phát triển bền vững 217 Ta ước lượng thơng số tài nguyên môi trường theo thời gian địa điểm có liệu tương quan cách ứng dụng mạng nơron để xử lý tín hiệu số [8] Hiện nay, ngành tài ngun mơi trường có nhiều cơng cụ phần mềm dự báo đại, nhiên, liệu số lĩnh vực thiếu, đặc biệt khoảng thời gian trước Để thực dự báo tốt cần có đầy đủ liệu khứ Bài báo đề xuất phương pháp xử lý tín hiệu số để xác định liệu khứ dự báo liệu tương lai cho ngành tài nguyên môi trường với sai số cho phép Cơ sở lý thuyết phương pháp nghiên cứu 2.1 Phương pháp nội suy Các phép đo thông thường thực thời điểm gián đoạn cần sử dụng chúng cần giá trị nằm giá trị đo Phương pháp nội suy (interpolation) cung cấp giá trị nằm 02 thời điểm [6] Trong MATLAB, lệnh interpi (x_value, y_value, x_processing, method) với i = 1,2,3 tương ứng với phép nội suy chiều, hai chiều ba chiều Khi tiến hành phép nội suy, số liệu cần xếp theo trình tự tọa độ tăng dần 2.2 Làm nhẵn tín hiệu Trong trình đo đạc tham số kỹ thuật liệu, lần đo khác ảnh hưởng yếu tố khách quan môi trường Do đó, việc chuẩn hóa kết đo điều cần thiết Ta cần loại bỏ yếu tố khách quan, gây ảnh hưởng đến kết đo Việc làm nhẵn tín hiệu đáp ứng yêu cầu thực tế Giả sử tín hiệu S (n) bị ảnh hưởng yếu tố khách quan mà ta gọi tạp âm ngẫu nhiên d (n) Như vậy, kết đo tín hiệu x (n) xác định sau: x(n)=S(n)+d(n) Ta cần tìm tín hiệu y (n) có dạng giá trị gần với tín hiệu ban đầu S (n) Ta xác định đầu có giá trị trung bình số mẫu đo xung quanh mẫu thời điểm n Ví dụ, ta lấy trung bình 04 mẫu đầu vào để tạo đầu y (n) y(n)=[x(n-1)+x(n)+x(n+1)+x(n+2)]/4 2.3 Phương pháp bình phương sai phân bé Khái niệm bình phương sai phân bé (Least squares - LQ) gồm nhiều phương pháp tìm tối ưu khác Ta cần tìm giá trị cực tiểu tổng giá trị sai số bình phương Bằng cách sử dụng phương pháp LQ tuyến tính, ta tìm đa thức xấp xỉ cho giá trị đo Các giá trị đầu vào đặt véc tơ u = [u1, u2 un], giá trị đo yi đặt véc tơ y = [y1, y2 yn] Quan hệ y = f (u) gần đa thức bậc m (trong m < n) sau: y=a0+a1u1 +a2u2+ +amum Mỗi cặp giá trị điểm đo đồ thị cần nằm gần đường biểu diễn đa thức bậc m theo mức cho phép Ma trận tổng quát sau [6]: 1 u1 u12 u1m m u u u = C 2 = ;x 1 un un2 unm 218 a0 a 1 = ;d an y0 y 1 yn Nghiên cứu chuyển giao, ứng dụng khoa học công nghệ sử dụng hợp lý tài nguyên, bảo vệ môi trường phát triển bền vững 2.4 Khái niệm mạng MLP Mạng MLP mạng nơron kinh điển nhất, có số ưu điểm sử dụng thuận tiện Cấu trúc mạng MLP sử dụng rộng rãi để tái tạo ánh xạ đầu vào với đầu sở số liệu mẫu Các hàm số thể quan hệ liệu đầu vào với đầu tham số kỹ thuật ngành tài nguyên môi trường, hàm phi tuyến bậc cao Số liệu quan trắc không đầy đủ, không thường xuyên không liên tục lại chứa nhiều nhiễu Do đó, để hạn chế nhược điểm nêu tác giả chọn mơ hình xấp xỉ mạng nơron trở nên hữu hiệu, đặc biệt, sử dụng mô hình mạng MLP có hiệu cao với sai số cho phép Chúng ta cần chọn phương pháp thiết kế thích hợp để đánh giá mơ hình MLP cho dự báo chuỗi thời gian cấu hình với độ trễ khác [4] Sau có kết học máy mạng MLP, chuyên gia dự báo cần biết cách diễn giải kết sử dụng chẩn đoán để điều chỉnh tham số nhằm đảm bảo các mơ hình hoạt động tốt Mạng MLP mạng truyền thẳng với khối nơron McCulloch - Pits Các nơron xếp thành lớp (layer) [7] Một lớp nối đến kênh tín hiệu đầu vào (Input layer), lớp nối đến kênh tín hiệu đầu (Out layer) thêm số lớp trung gian (lớp ẩn - Hidden layer) [1] Ta mơ hình hóa hàm phi tuyến với độ xác chọn trước cách dùng nhiều 02 lớp ẩn Đối với mạng MLP có lớp ẩn, N đầu vào, M nơron lớp ẩn K đầu ra, ta có hàm truyền đạt hàm phi tuyến Wjk trọng số ghép lớp đầu vào lớp ẩn, Vij trọng số ghép lớp ẩn lớp đầu Hàm truyền đạt biểu diễn sau [7]: M N y1 = f ∑ f1 ∑ xkW jk Vij = j 0= k Quan hệ liệu vào liệu xác định dựa theo số liệu mẫu mạng MLP xử lý Tập hợp p cặp mẫu biểu thị dạng véc tơ đầu vào, véc tơ đầu tương ứng {xi, di} với i = 1, 2,… p, xi ϵ RN, di ϵ RK Trong đó, N số đầu vào K số đầu mạng nơron Thành phần di véc tơ nhiều thành phần mạng MLP có nhiều đầu thời điểm [7] Sai số tổng cộng xác định theo biểu thức sau: = E p ∑ MLP( xi ) − di i =1 Giá trị E cần đạt cực tiểu Hàm truyền đạt lớp mạng MLP phụ thuộc nhiều vào dải tín hiệu giá trị đích Tương tự, nơron, đầu giới hạn đoạn [0,1] [- 1,1], ta nên dùng hàm Logsig Tansig cách tương ứng Nếu đầu có giá trị nằm ngồi đoạn [- 1,1] ta dùng hàm tuyến tính Ta chọn hàm Tansig để xác định hàm truyền đạt cho lớp vào lớp ẩn tín hiệu dương âm có đoạn [- 1,1], theo yêu cầu thực tế ngành tài nguyên môi trường Các thơng số tham gia vào q trình học máy (q trình điều chỉnh thích nghi) mạng MLP trọng số nối lớp Khi mạng có lớp ẩn ta có hai ma trận trọng số, là: ma trận trọng số W ghép lớp vào lớp ẩn; ma trận trọng số V ghép lớp ẩn lớp Để điều chỉnh thích nghi trọng số kết nối, ta dùng thuật tốn bước giảm cực đại Các cơng trình nghiên cứu khoa học chứng minh rằng, với tập số liệu mức sai số cho trước, ta xây dựng mạng nơron, cho đạt sai số cho trước [7] Có nhiều thuật tốn học cho mạng MLP, như: thuật toán học theo bước giảm cực đại, thuật toán Levenberg - Marquardt, thuật toán học Hebb, Các thuật Nghiên cứu chuyển giao, ứng dụng khoa học công nghệ sử dụng hợp lý tài nguyên, bảo vệ môi trường phát triển bền vững 219 tốn thơng dụng để điều chỉnh thích nghi trọng số mạng nơron thuật toán sử dụng Gradien Khởi tạo giá trị trọng số giá trị ngẫu nhiên, sau đó, ta xác lập cơng thức lặp để điều chỉnh liên tục giá trị cho hàm sai số tiến dần đến giá trị cực tiểu Ta có cơng thức thay đổi trọng số 02 ma trận W V để xác định điểm cực tiểu hàm mục tiêu sai số E: ∂E (t +l ) t Wαβ= Wαβ − η ∂W αβ ∂E +l ) V (t= Vαβt − η αβ ∂Vαβ Kết thảo luận 3.1 Thực dự báo theo phương pháp nội suy Ngành tài ngun mơi trường có nhiều loại liệu Tuy nhiên, liệu thu phép đo thời điểm gián đoạn Các thời điểm cách khơng cách Nhu cầu sử dụng thực tế có đòi hỏi sử dụng giá trị nằm thời điểm đo Ta thực chùm lệnh sau để ví dụ >> x_rough = - 0.7 : 2.5; x_fine = - : 0.1 : 3; data = exp (-x_rough.^3/2); >> inter_linear = interp1(x_rough, data, x_fine, ‘linear’); inter_cubic = interp1(x_rough, data, x_fine, ‘PCHIP’); inter_spline = interp1(x_rough, data, x_fine, ‘spline’); figure >> plot(x_rough, data,’k*’); hold on; plot(x_fine, exp(-x_fine.^2/2), ‘k:’); >> plot(x_fine, inter_linear, ‘g-’); plot(x_fine, inter_cubic, ‘b ’); plot(x_fine, inter_spline, ‘r.’); >> grid on; legend(‘Test Points’,’ideal’,’linear’,’cubic’,’spline’); >> title(‘interp1 (Đồ thị biểu diễn liệu nội suy)’,’FontSize’,11); Bước nội suy chọn theo lệnh x_fine = - : 0.1 : 3; kết đồ thị biểu diễn liệu theo phương pháp nội suy Phương pháp Splines Cubic cho phép ngoại suy (Extrapolaion) nằm khoảng bị chặn bước thô chọn [- 0.6, 2.5] Hình 1: Đồ thị tín hiệu nội suy 220 Nghiên cứu chuyển giao, ứng dụng khoa học công nghệ sử dụng hợp lý tài nguyên, bảo vệ môi trường phát triển bền vững Trên thực tế ngành tài ngun mơi trường có nhiều loại liệu khứ không đo đạc, cập nhật cách đầy đủ Thiếu liệu khứ nên đánh giá liệu khứ để thực dự báo gặp nhiều khó khăn Phương pháp nội suy hỗ trợ việc xác định liệu khứ với sai số cho phép Ví dụ nội suy chiều: >> x = rand (100,1)* - 2; y = rand (100,1) * - 2; z = 0.2 + x * exp (-x.^2-y.^3); >> [XI, YI] = meshgrid (- : 0.25 : 2, - : 0.25 : 2); ZI = griddata (x,y,z,XI,YI,’v4’); >> mesh (XI,YI,ZI); hold on; plot3 (x,y,z,’o’); title (‘griddata(nội suy ba chiều))’, ‘FontSize’,12); >> hold off; Hình 2: Đồ thị biểu diễn tín hiệu nội suy chiều Nếu ta thay đổi tham số có kết khác biểu diễn Hình Hình 3: Đồ thị biểu diễn tín hiệu nội suy chiều tham số thay đổi 3.2 Thực dự báo theo phương pháp làm nhẵn tín hiệu Ta lập trình Matlab sau: >> clf; R = 55; d = 0.8 * (rand(R,1) - 0.5); m = : R - 1; s = * m * (0.9.^m); x = s + d’; Figure (1) subplot (2,1,1); plot (m,d’,’r-’,m,s,’g ’,m,x,’b-’); Xlabel (‘Chỉ số thời gian n’); ylabel (‘Giá trị tham số đo’); >> legend (‘d[n]’,’s[n]’, ‘x [n]’); x = [0 x]; x2 = [0 x 0]; x = [x 0]; y = (x1 + x2 + x 3)/3; Nghiên cứu chuyển giao, ứng dụng khoa học công nghệ sử dụng hợp lý tài nguyên, bảo vệ môi trường phát triển bền vững 221 >> subplot (2,1,2); plot (m,y (2:R + 1),’r-’,m,s,’g ’); legend (‘y[n]’,’s[n]’); >> xlabel (‘Chỉ số thời gian n’); ylabel (‘Giá trị tham số đo’); figure (2) subplot (2,1,1); >> plot (m,d’,’r-’,m,s,’g ’,m,x,’b-.’); x label (‘Chỉ số thời gian n’); ylabel (‘Giá trị tham số đo’); >> legend (‘d[n]’,’s[n]’,’x[n]’); y1 = [0 0 x]; y = [0 x 0]; y = [0 x 0]; y4 = [x 0 0]; >> y = (y1 + y2 + y3 + y4)/4; subplot (2,1,2); plot (m,y(2 : R + 1),’r-’,m,s,’g ’); legend (‘y[n]’,’s[n]’); >> xlabel (‘Chỉ số thời gian n’); ylabel (‘Giá trị tham số đo’); Sau chạy chương trình, ta có đồ thị biểu diễn giá trị tham số đo trường hợp trung bình 03 mẫu Hình 04 mẫu Hình Hình 4: Đồ thị biểu diễn giá trị tham số đo trường hợp trung bình mẫu Hình 5: Đồ thị biểu diễn giá trị tham số đo trường hợp trung bình mẫu 3.3 Sử dụng phương pháp bình phương sai phân bé để xác định hàm số từ điểm đo rời rạc Căn vào phương trình trên, tác giả lập trình để tìm đa thức tối ưu sau: >> u = [0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 1.1]’; 222 Nghiên cứu chuyển giao, ứng dụng khoa học công nghệ sử dụng hợp lý tài nguyên, bảo vệ môi trường phát triển bền vững y = [80.1 90.2 100.3 154.2 172.1 170.6 155 140.3 132 116.2 100]’; d = y; C = [ones(length(u),1) u u.^2 u.^3 u.^4]; x = C\d Khi cửa sổ lệnh có kết hệ số sau: x = 33.2259, 381.5647, -205.7911, -199.0205, 111.6829 Tiếp tục lập trình: >> plot (0.1, 80.1, ‘*r’, 0.2, 90.2, ‘*r’, 0.3’, 100.3, 0.4, 154.2, ‘*r’, 0.5, 172.1, ‘*r’, 0.6, 170.6, ‘*r’,0.7, 155, ‘*r’,0.8, 140.3,’*r’, 0.9, 132,’*r’, 1.0, 116.2, ‘*r’, 1.1, 100); >> hold on fplot(@(x)33.2259+381.5647.*x-205.7911.*x.^2 199.0205.*x.^3+111.6829.*x.^4, 0:1.5, ‘k-’); hold off >> title (‘Giá trị đo Ls = Ls (Isd)’, ‘FontSize’, 12); xlabel (‘Isd[x IsN]’, ‘FontSize’, 12); >> ylabel (‘Ls [mH]’, ‘FontSize’, 12); grid on Sau chạy chương trình ta có đồ thị biểu diễn giá trị đo đa thức tối ưu bậc m Hình 6: Đồ thị biểu diễn giá trị đo đa thức tối ưu bậc m Khi dùng phương pháp này, ta xác định giá trị tối ưu sau tổng hợp giá trị đo tham số tài nguyên môi trường 3.4 Sử dụng mạng MLP để dự báo liệu Căn liệu thống kê có sẵn, mạng MLP dự báo tương đối xác cho tham số ngành tài nguyên môi trường, chẳng hạn như: mực nước sơng, mực nước hồ, tốc độ gió, cấp độ rũi ro thiên tai bão áp thấp nhiệt đới gây ra, cho ngày Để dự báo mạng nơron xác, việc quan trọng tìm liệu thích hợp Các liệu cần biểu diễn theo quy ước để mạng MLP xử lý Nghiên cứu chuyển giao, ứng dụng khoa học công nghệ sử dụng hợp lý tài nguyên, bảo vệ môi trường phát triển bền vững 223 Giả sử ta muốn sử dụng giá trị tham số tài nguyên, môi trường k×m ngày qua để dự đốn giá trị k ngày tới tạo hàng (row) gồm m+1 liệu, m liệu đầu hàng giá trị m ngày liên tiếp, mà hai ngày gần cách k ngày Dữ liệu thứ m + (cuối cùng) giá trị ngày ngày thứ m Như vậy, ta dùng mạng MLP có m đầu vào đầu Giá trị k 1,2,3, tùy theo nhu cầu dự báo thực tế Dữ liệu lập thành bảng ví dụ sau: Ngày k(1 - m) 253.465 256.782 264.108 389.241 356.378 379.413 Ngày k(2 - m) 256.431 256.538 256.679 3575.03 364.1099 372.2898 Ngày (-2k) Ngày (-k) Ngày Ngày k Nhãn 256.569 257.223 258.531 372.2898 364.1099 370.8699 255.457 256.324 255.459 370.8699 364.1099 372.2898 262.378 263.112 258.286 372.2998 372.3999 372.2998 2531.505 2530.235 2523.73 372.4099 384.4367 379.236 y-z-2021 t-x-2021 r-s-2021 e-f-2021 c-d-2021 a-b-2021 Ta chọn số đầu vào số đầu tùy thuộc theo yêu cầu thực tế, chẳng hạn, chọn mạng MLP có 15 đầu vào, 01 đầu 20 đầu vào, 03 đầu Ví dụ, số lượng tập liệu (Datasets) 5.020 Trong đó, 80 % liệu tương ứng 4.016 datasets dùng để học, 20 % liệu tương ứng 1.004 datasets dùng để kiểm tra Số lần lặp học 1.000 Sau trình học máy phần mềm Spice [2], mạng MLP đưa kết biểu diễn Hình Đây đồ thị biểu diễn liệu vào, liệu đào tạo liệu mạng MLP ví dụ Các tham số kỹ thuật khác lĩnh vực tài nguyên môi trường chỉnh biên dự báo cách tương tự Hình 7: Đồ thị biểu diễn liệu vào, liệu đào tạo liệu mạng MLP ví dụ học máy Quá trình điều khiển thích nghi mạng MLP xác định trọng số ghép nối lớp Hình biểu diễn đồ thị trọng số cho ví dụ học máy 224 Nghiên cứu chuyển giao, ứng dụng khoa học công nghệ sử dụng hợp lý tài nguyên, bảo vệ mơi trường phát triển bền vững Hình 8: Đồ thị biểu diễn trọng số cho ví dụ học máy Các thông số liên quan đến học máy, ví dụ từ bước 01 đến bước 1.000 thể qua Hình Hình 9: Mơ tả thơng số liên quan đến học máy, ví dụ từ bước đến bước 1.000 Ta biểu diễn dạng liệu vào, liệu liệu học máy theo dạng 3D Hình 10 ví dụ đồ thị liệu 3D mạng gồm 03 đầu vào, 01 đầu Nghiên cứu chuyển giao, ứng dụng khoa học công nghệ sử dụng hợp lý tài nguyên, bảo vệ môi trường phát triển bền vững 225 Hình 10 Đồ thị liệu 3D mạng gồm đầu vào, đầu Trong trình thực dự báo ta cần tìm thơng số thích hợp cho mạng nơron MLP Thơng số thích hợp thường phụ thuộc nhiều vào liệu có sẵn, thơng số tốt cho liệu không phù hợp sử dụng liệu khác Ta sử dụng phương pháp thay đổi thơng số để tìm giá trị tối ưu tương đối, với liệu học kiểm tra Mặt khác, trước đào tạo mạng, liệu vào cần chuẩn hóa Ta dùng hàm để chuẩn hóa, chẳng hạn hàm Linear Đào tạo mạng thực vài lần để chọn lần đào tạo có lỗi đào tạo (training error) lỗi kiểm tra (testing error) nhỏ Thông tin mạng học đồ thị lỗi bạn gồm thông tin lần học cuối Ta chọn hàm biến đổi cho lớp ẩn (ví dụ hàm HyperTanh), hàm biến đổi cho lớp (ví dụ hàm Identity), tỷ lệ học cuối (ví dụ 0.03309628), giá trị MSE liệu học (ví dụ 4.137238E-05), giá trị MSE liệu kiểm tra (ví dụ 3.425868E-05), số lượng liệu học (ví dụ 4.016), số lượng liệu kiểm tra (ví dụ 1.004), số lần lặp (1.000) Sau mạng học xong, ta cần kiểm tra liệu học mơ hình hóa (modeling) phần “Xem liệu” Đầu liệu học (training data) mạng MLP đưa (NN Outputs) Phương pháp PML dùng để dự báo mực nước Căn tập liệu, từ 13 - - 2013 đến 30 - 12 - 2016, ta có mực nước dự báo dịng sơng ngày 12-01-2017 126,583 cm Mực nước theo thống kê ngày 12 - 01 - 2017 128,667 cm Như vậy, sai số mực nước trường hợp dự báo so với thực tế khác cỡ cm Kết luận Bài báo đề cập việc phân tích, lập trình phương pháp nội suy hai chiều, nội suy ba chiều Phương pháp sử dụng để điều chỉnh biên liệu đo đạc khứ Phương pháp làm nhẵn tín hiệu dùng để xác định tập liệu tối ưu điều kiện phép đo bị nhiễu yếu tố khách quan Khi sử dụng phương pháp bình phương sai phân bé nhất, ta xác định hàm số từ điểm đo rời rạc Nội dung báo bao gồm việc phân tích đề xuất sử dụng mạng nơron MLP Các phương pháp xử lý tín hiệu số nêu hỗ trợ cho việc chỉnh biên liệu khứ dự báo liệu tương lai Căn nhu cầu thực tế lĩnh vực ngành tài ngun mơi trường ta xây dựng phần mềm để dự báo cách hiệu chủ động, đồng thời, tự động hóa nhiều bước thực hiện, đảm bảo kết với sai số cho phép 226 Nghiên cứu chuyển giao, ứng dụng khoa học công nghệ sử dụng hợp lý tài nguyên, bảo vệ môi trường phát triển bền vững TÀI LIỆU THAM KHẢO [1] Boger B, Guyon I (1997) Knowledge extraction from artifi cial neural network models IEEE Systems, Man, and Cybernetics Conference [2] Cao Thang (2007) Intructions for using Spice-MLP software Soft Intelligence Laboratory, Ritsumeikan University, Japan [3] Changhyun Choi, Jungwook Kim, Heechan Han, Daegun Han, Hung Soo Kim (2019) Development of water level prediction models using machine learning in wetlands: A case study of upo wetland in South Korea [4] Jason Brownlee (2017) How to configure multilayer perceptron network for time series forecasting Deep learning for time series [5] Nguyễn Chính Kiên (2020) Nghiên cứu xây dựng mơ hình thủy văn thông số tập trung dự báo lũ cho lưu vực sông Việt Nam Đề tài sở cấp Viện Cơ học - Viện Hàn lâm Khoa học Công nghệ Việt Nam [6] Nguyễn Phùng Quang (2008) Matlab & Simulink dành cho kỹ sư điều khiển tự động Nhà xuất Khoa học Kỹ thuật [7] Trần Hoài Linh (2019) Mạng nơron ứng dụng xử lý tín hiệu số Nhà xuất Bách Khoa, Hà Nội [8] Trần Cảnh Dương (2020) Ước lượng thông số tài nguyên môi trường theo thời gian địa điểm có liệu tương quan cách ứng dụng mạng nơron để xử lý tín hiệu số Tạp chí Khoa học Tài ngun Mơi trường, số 30 Ngày chấp nhận đăng: 10/11/2021 Người phản biện: TS Lê Phú Hưng Nghiên cứu chuyển giao, ứng dụng khoa học công nghệ sử dụng hợp lý tài nguyên, bảo vệ môi trường phát triển bền vững 227 ... nhiên, liệu số lĩnh vực thiếu, đặc biệt khoảng thời gian trước Để thực dự báo tốt cần có đầy đủ liệu khứ Bài báo đề xuất phương pháp xử lý tín hiệu số để xác định liệu khứ dự báo liệu tương lai cho. .. xác định hàm số từ điểm đo rời rạc Nội dung báo bao gồm việc phân tích đề xuất sử dụng mạng nơron MLP Các phương pháp xử lý tín hiệu số nêu hỗ trợ cho việc chỉnh biên liệu khứ dự báo liệu tương... thơng số tài ngun môi trường theo thời gian địa điểm có liệu tương quan cách ứng dụng mạng nơron để xử lý tín hiệu số [8] Hiện nay, ngành tài ngun mơi trường có nhiều cơng cụ phần mềm dự báo đại,