Nghiên Cứu Thiết Kế Bộ Điều Khiển Mờ Nơron Cho Lò Điện Trở Sử Dụng Thuật Toán Lan Truyền Ngược Cải Tiến.pdf

ĐẠI HỌC ĐÀ NẴNG TRƯỜNG ĐẠI HỌC BÁCH KHOA LÊ PHÚ THI NGHIÊN CỨU THIẾT KẾ BỘ ĐIỀU KHIỂN MỜ NƠRON CHO LÒ ĐIỆN TRỞ SỬ DỤNG THUẬT TOÁN LAN TRUYỀN NGƯỢC CẢI TIẾN LUẬN VĂN THẠC SĨ KỸ THUẬT Đà Nẵng – Năm 2017[.]

ĐẠI HỌC ĐÀ NẴNG TRƯỜNG ĐẠI HỌC BÁCH KHOA LÊ PHÚ THI NGHIÊN CỨU THIẾT KẾ BỘ ĐIỀU KHIỂN MỜ NƠRON CHO LỊ ĐIỆN TRỞ SỬ DỤNG THUẬT TỐN LAN TRUYỀN NGƯỢC CẢI TIẾN LUẬN VĂN THẠC SĨ KỸ THUẬT Đà Nẵng – Năm 2017 ĐẠI HỌC ĐÀ NẴNG TRƯỜNG ĐẠI HỌC BÁCH KHOA LÊ PHÚ THI NGHIÊN CỨU THIẾT KẾ BỘ ĐIỀU KHIỂN MỜ NƠRON CHO LÒ ĐIỆN TRỞ SỬ DỤNG THUẬT TOÁN LAN TRUYỀN NGƯỢC CẢI TIẾN Chuyên ngành: Kỹ thuật Điều khiển Tự động hóa Mã số: 60520216 LUẬN VĂN THẠC SĨ KỸ THUẬT Người hướng dẫn khoa học: TS Nguyễn Quốc Định Đà Nẵng – Năm 2017 LỜI CAM ĐOAN Tôi cam đoan cơng trình nghiên cứu tơi Các số liệu, kết nêu luận văn trung thực chưa cơng bố cơng trình khác Đà Nẵng, ngày 18 tháng năm 2017 Tác giả luận án LÊ PHÚ THI NGHIÊN CỨU THIẾT KẾ BỘ ĐIỀU KHIỂN MỜ NƠRON CHO LÒ ĐIỆN TRỞ SỬ DỤNG THUẬT TOÁN LAN TRUYỀN NGƯỢC CẢI TIẾN Học viên: Lê Phú Thi Chuyên ngành: Kỹ thuật Điều khiển Tự động hóa Mã số: 60520216 Khóa:33 Trường Đại học Bách khoa – ĐHĐN Tóm tắt: Hiện việc sử dụng nhiều phương pháp điều khiển khác điều khiển tự động quan tâm nghiên cứu sử dụng để đạt lợi ích tốt Điểu khiển nhiệt độ lò điện trở thường phức tạp đối tượng có tính trễ phi tuyến Nếu kết hợp tốt phương pháp với mang đến hiệu cao điều khiển Luận văn khái quát chung lò điện trở điều khiển nhiệt độ lị điện trở thơng qua điều khiển PID, mờ mờ nơron Tác giả đưa kết đạt trình nghiên cứu hướng nghiên cứu đề tài Từ khóa – Lị điện trở, mờ, mờ nơron, thuật toán lan truyền ngược STUDY AND DESIGN NEURAL-FUZZY CONTROL FOR TEMPERATURE IN RESISTANCE FURNACE USING IMPROVED BACK PROPAGATION ALGORITHM Abstract – Currently, the use of a variety of control methods in automatic control is being considered and researched to achieve the best benefit Temperature control of the resistance furnace is usually quite complex due to its delays and nonlinearities If it is possible to combine many methods together it can bring a high efficiency in the control Essay gives general overview of resistance furnace and temperature control of resistance furnace through PID, fuzzy and neuronal-fuzzy The author has given the results obtained in the process of researching and provided the research direction for the next topic Key words – Resistance furnace, fuzzy, neural fuzzy, back propagation MỤC LỤC MỞ ĐẦU 1 Lý chọn đề tài Mục tiêu nghiên cứu Đối tượng phạm vi nghiên cứu Nội dung nghiên cứu Phương pháp nghiên cứu Ý nghĩa khoa học thực tiễn đề tài Cấu trúc luận văn CHƯƠNG TỔNG QUAN VỀ LÒ ĐIỆN 1.1 Giới thiệu chung lò điện 1.1.1 Định nghĩa 1.1.2 Đặc điểm lò điện 1.2 Giới thiệu chung lò điện trở 1.2.1 Nguyên lý làm việc lò điện trở 1.2.2 Phân loại lò điện trở 1.2.3 Vật liệu làm dây điện trở .6 1.2.4 Các loại lị điện trở thơng dụng .6 1.3 Khống chế ổn định nhiệt độ lò điện trở 1.4 Các loại cảm biến nhiệt độ 1.5 Mạch điều áp xoay chiều ba pha: 1.6 Thiết kế tính tốn tính chọn van bán dẫn 11 CHƯƠNG TỔNG QUAN VỀ HỆ NƠRON MỜ 14 2.1 Đặt vấn đề 14 2.2 Tổng quan điều khiển mờ 14 2.2.1 Giới thiệu 14 2.2.2 Cấu trúc hệ điều khiển mờ 16 2.3 Tổng quan mạng nơron 26 2.3.1 Giới thiệu 26 2.3.2 Lịch sử phát triển mạng nơron nhân tạo .26 2.3.3 Cấu trúc mạng nơron nhân tạo .27 2.3.4 Mơ hình nơron 29 2.3.5 Cấu trúc mạng 30 2.3.6 Huấn luyện mạng 33 2.4 Sự kết hợp mạng nơron logic mờ 34 2.4.1 Vài nét lịch sử phát triển 34 2.4.2 Logic mờ .34 2.4.3 Mạng nơron 35 2.4.4 Sự kết hợp mạng nơron logic mờ 35 2.4.5 Cấu trúc chung hệ nơron mờ 36 2.4.6 Giới thiệu ANFIS 37 2.4.7 Cấu trúc điều khiển theo ANFIS 37 2.4.8 Cơ chế huấn luyện ANFIS 40 2.4.9 Luật học lan truyền ngược BP (Back propagation) .41 CHƯƠNG MƠ PHỎNG BỘ ĐIỀU KHIỂN NHIỆT ĐỘ LỊ ĐIỆN TRỞ VÀ ĐÁNH GIÁ 42 3.1 Điều khiển nhiệt độ lò điện trở sử dụng điều khiển PID 42 3.1.1 Khái niệm điều khiển PID 42 3.1.2 Điều khiển nhiệt độ lò điện trở sử dụng điều khiển PID 43 3.2 Điều khiển nhiệt độ lò điện trở sử dụng điều khiển NN-PID 45 3.2.1 Bộ điều khiển NN-PID .46 3.2.2 Xây Dựng Bộ Nhận Dạng Đối Tượng Nơron-RBF (Radial Basic Function Neural Network): 48 3.3 Điều khiển nhiệt độ lò điện trở sử dụng điều khiển mờ 50 3.4 Điều khiển nhiệt độ lị điện trở sử dụng thuật tốn mờ - nơron 56 3.5 Tổng hợp đánh giá điều khiển 59 KẾT LUẬN VÀ KIẾN NGHỊ 61 DANH MỤC TÀI LIỆU THAM KHẢO QUYẾT ĐỊNH GIAO ĐỀ TÀI (BẢN SAO) PHỤ LỤC DANH MỤC CÁC KÝ HIỆU, CÁC CHỮ VIẾT TẮT ANFIS Adaptive neuro-fuzzy inference system BP FIS Back propagation Fuzzy inference system MISO MIMO Mo Multinput – Single output Multinput – Multoutput Molipden NN-PID RBFNN Neural-Porportional integral derivative Radial Basic Function Neural Network SISO Ta W Single input – Single output Tantan Wonfram DANH MỤC CÁC BẢNG Số hiệu bảng Tên bảng Trang 2.1 So sánh mạng nơron logic mờ 35 3.1 Thông số đạt điều khiển PID 45 3.2 Thông số đạt điều khiển NN-PID 50 3.3 Bảng luật điều khiển 51 3.4 Thông số đạt điều khiển mờ 55 3.5 3.6 Thông số đạt điều khiển mờ nơron dùng thuật toán lan truyền ngược Tổng hợp số liệu từ điều khiển 58 60 DANH MỤC CÁC HÌNH Số hiệu hình Tên hình Trang 1.1 Sơ đồ khối chức hệ thống điều khiển nhiệt độ 1.2 Sơ đồ thysistor đấu song song ngược 1.3 Đồ thị mạch điều áp xoay chiều 10 1.4 Sơ đồ sáu thysistor đấu thành ba cặp song song ngược 11 1.5 Sơ đồ sáu thysistor đấu thành ba cặp song song ngược 11 2.1 Các khối chức điều khiển mờ 16 2.2 Các hàm liên thuộc biến ngôn ngữ 17 2.3 Hàm liên thuộc vào-ra theo luật hợp thành Maxmin 19 2.4 Hàm liên thuộc vào- theo luật hợp thành maxpro 20 2.5 Hàm liên thuộc vào theo luật hợp thành summin 21 2.6 Hàm liên thuộc vào-ra theo luật hợp thành sumprod 22 2.7 Giải mờ nguyên tắc trung bình 23 2.8 Giải mờ nguyên tắc cận trái 24 2.9 Giải mờ nguyên tắc cận phải 24 2.10 Giải mờ phương pháp điều khiển trọng tâm 25 2.11 So sánh phương pháp giải mờ 26 2.12 Mơ hình nơron sinh học 27 2.13 Mơ hình nơron đơn giản 29 2.14 Mạng nơron lớp 29 Mơ hình nơron đơn giản 29 2.16 Nơron với R đầu vào 30 2.17 Ký hiệu nơron với R đầu vào 30 2.18 Cấu trúc mạng nơron lớp 31 2.19 Ký hiệu mạng R đầu vào S 31 2.15 a,b Số hiệu hình Tên hình Trang 2.20 Ký hiệu lớp mạng 32 2.21 Cấu trúc mạng nơron lớp 32 2.22 Ký hiệu tắt mạng nơron lớp 32 2.23 Cấu trúc huấn luyện mạng 33 2.24 Kiến trúc kiểu mẫu hệ nơron mờ 36 2.25 Mơ hình hệ nơron mờ 36 2.26 Cấu trúc chung hệ nơron mờ 36 2.27 Cấu trúc điều khiển theo ANFIS 38 2.28 Quan hệ vào/ra điển hình nơron 38 3.1 Sơ đồ luật điều khiển PID 42 3.2 Sơ đồ nguyên lý điều khiển với điều khiển PID 43 3.3 Mô điều khiển PID cho lò điện trở 44 3.4 Khối điều khiển PID 44 3.5 Kết mô điều khiển PID cho lò điện trở 45 3.6 Cấu trúc hệ thống điều khiển nhiệt độ lò nhiệt 45 3.7 Sơ đồ cấu trúc điều khiển PID – Nơron 46 3.8 Cấu trúc mạng Nơron-RBF 48 3.9 Mô matlab điều khiển NN-PID 49 3.10 Kết mô điều khiển NN-PID cho lò điện trở 50 3.11 Điều khiển mờ cho lò điện trở 50 3.12 Giao diện FIS 52 3.13 Mờ hóa sai lệch 53 3.14 Mờ hóa tích phân sai lệch 53 3.15 Mờ hóa điện áp điều khiển 54 3.16 Quan hệ vào điều khiển 54 3.17 Quan sát hoạt động luật 54 3.18 Mơ điều khiển mờ cho lị điện trở 55 3.19 Kết mô điều khiển mờ cho lò điện trở 55 3.20 Tải liệu huấn luyện lên ANFIS 56 3.21 Huấn luyện mạng 57 18 thành mà người ta có cấu trúc điều khiển khác nhau: - Cấu trúc SISO (một vào, ra): Chỉ có mệnh đề điều kiện mệnh đề kết luận Ví dụ: R1 :   A1   B1 R2 :   A2   B2 - Cấu trúc MISO (nhiều vào, ra): có từ mệnh đề điều kiện trở lên mệnh đề kết luận Ví dụ: Nếu 1  A1   A2   B - Cấu trúc MIMO (Nhiều vào, nhiều ra): Có mệnh đề điều kiện mệnh đề kết luận Ví dụ: R1 : 1  A1   B1   C1 R2 : 1  A2   B2   C2 * Suy diễn mờ Là nguyên tắc xây dựng ma trận hợp thành chung (R) từ mệnh đề hợp thành Rk Trong điều khiển mờ người ta đưa nguyên tắc xây dựng ma trận hợp thành là: Max-min, Max-prod, Sum-min, Sum-prod Theo thói quen ta thường gọi luật hợp thành Max-min; luật hợp thành Max-prod; luật hợp thành Sum-min luật hợp thành Sum-prod - Luật hợp thành Max – min: Nếu  B ' ( y ) ;  B ' ( y ) ;  B ' ( y ) thu qua phép lấy Min phép hợp thực theo luật Max Luật hợp thành MIN tên gọi mơ hình (ma trận) R mệnh đề hợp thành A  B hàm liên thuộc  A B ( x, y ) xây dựng theo quy tắc MIN Xét luật hợp thành có cấu trúc SISO: Các bước xây dựng: Bước 1: Rời rạc hóa  A ( x) n điểm x1 , x2 ,…, xn , B ( y) m điểm y1 , y2 ,…, y m (n khác m) Bước 2: Xây dựng ma trận R gồm n hàng m cột:   R ( x1 , y1 )  R ( x1 , ym )   r11 r1m      R         ( x , y )  ( x , y )   r r  R n m nm   R n   n1 (2.2) Bước 3: Xác định hàm liên thuộc  B ' ( y ) đầu ứng với giá trị đầu vào xk theo biểu thức: 19  r11 r1m     B ' ( y )  aT R  (a1 , a2 , an )    ( I1 , I , I m )  r r  nm   n1 n với lk   rik , (2.3) aT  (0, 0, , 0,1, 0, 0) i 1 Trong đó: lk  max min{ai rik }, k  1, 2, , m 1i  n Bước 4: Xác định  B ' ( y ) theo công thức B ' ( y)  (l1 , l2 , , lm ) Ví dụ:  A ( x) , B ( y) , C ( z ) rời rạc hóa điểm: x  { 2.038, 5.4, 1.359, 6.4} y  { [1.359, 7.6, 2.038, 8.6} z  { 1.699, 12.5, 1.699, 13.5} Ta tiến hành xây dựng luật hợp thành MAX-MIN: Hình 2.3: Hàm liên thuộc vào-ra theo luật hợp thành Max-min Luật hợp thành MAX – PROD: Nếu  B ' ( y ) ;  B ' ( y ) ;  B ' ( y ) thu qua phép PROD phép hợp thực theo luật MAX Các bước xây dựng: Bước 1: Rời rạc hóa  A ( x) n điểm x1 , x2 ,…, xn , B ( y) m điểm y1 , y2 ,…, y m (n khác m) Bước 2: Xây dựng ma trận R gồm n hàng m cột:   R ( x1 , y1 )  R ( x1 , ym )   r11 r1m      R         ( x , y )  ( x , y )   r r  R n m nm   R n   n1 Bước 3: Xác định hàm liên thuộc  B ' ( y ) đầu ứng với giá trị đầu vào xk theo biểu thức: 20  r11 r1m     B ' ( y )  aT R  (a1 , a2 , an )    ( I1 , I , I m )  r r  nm   n1 n với lk   rik , (2.4) aT  (0, 0, , 0,1, 0, 0) i 1 Trong đó: lk  max min{ai rik }, k  1, 2, , m 1i  n Bước 4: Xác định  B ' ( y ) theo công thức B ' ( y)  (l1 , l2 , , lm ) Để xây dựng R, trước tiên hai hàm liên thuộc  A ( x) B ( y) rời rạc hóa với tần số rời rạc đủ nhỏ để khơng bị thơng tin Ví dụ:  A ( x) , B ( y) , C ( z ) rời rạc hóa điểm: x  { 2.038, 5.4, 1.359, 6.4} y  { [1.359, 7.6, 2.038, 8.6} z  { 1.699, 12.5, 1.699, 13.5} Ta tiến hành xây dựng luật hợp thành MAX-PROD: Hình 2.4: Hàm liên thuộc vào- theo luật hợp thành max-pro - Luật hợp thành SUM – MIN: Nếu  B ' ( y ) ;  B ' ( y ) ;  B ' ( y ) thu qua phép lấy Min phép hợp thực theo luật SUM Xét luật điều khiển R gồm p mệnh đề hợp thành: R1 :   A1   B1 R2 :   A2   B2 …………………………… R p :   Ap   B p Trong giá trị mờ A1 , A2 ,…, A p có sở X B1 , B2 , …, B p có sở Y Gọi hàm liên thuộc Ak Bk  Ak ( x)  Bk ( y) với k = 1, 2,…,p 21 Thuật toán triẻn khai: R  R1  R2   R p thực theo bước sau: Bước 1: Rời rạc hóa X n điểm ( x1 , x2 , x3 , , xn ) Y m thời điểm ( y1 , y2 , y3 , , ym ) Bước 2: Xác định vectơ  Ak  Bk (k=1, 2, …, p) thời điểm rời rạc theo biểu thức:  TAk   AK ( x1 ),  AK ( x2 ) ,  AK ( xn )  T Bk (2.5)  BK ( y1 ), BK ( y2 ) , BK ( yn ) Bước 3: Xác định mơ hình (ma trận) Rk cho mệnh đề thứ k Rk   Ak  TBk  (rijk ) , i=1, 2, …., n j=1, 2, …, m (2.6) Trong phép (.) phép tính lấy cực tiểu sử dụng nguyên tắc SUMMIN  p   k 1  Bước 4: Xác định luật hợp thành R  1,  Rk  với k= 1, 2,…, p Ví dụ: (2.7)  A ( x) , B ( y) , C ( z ) rời rạc hóa điểm: x  { 2.038, 5.4, 1.359, 6.4} y  { [1.359, 7.6, 2.038, 8.6} z  { 1.699, 12.5, 1.699, 13.5} Ta tiến hành xây dựng luật hợp thành SUM-MIN: Hình 2.5: Hàm liên thuộc vào theo luật hợp thành sum-min - Luật hợp thành SUM – PROD: Nếu  B ' ( y ) ;  B ' ( y ) ;  B ' ( y ) thu qua phép lấy PROD phép hợp thực theo Lukasiewicz Xét luật điều khiển R gồm p mệnh đề hợp thành: R1 :   A1   B1 R2 :   A2   B2 22 …………………………… R p :   Ap   B p Trong giá trị mờ A1 , A2 ,…, A p có sở X B1 , B2 , …, B p có sở Y Gọi hàm liên thuộc Ak Bk  Ak ( x)  Bk ( y) với k = 1, 2,…,p Thuật toán triẻn khai: R  R1  R2   R p thực theo bước sau: Bước 1: Rời rạc hóa X n điểm ( x1 , x2 , x3 , , xn ) Y m thời điểm ( y1 , y2 , y3 , , ym ) Bước 2: Xác định vectơ  Ak  Bk (k=1, 2, …, p) thời điểm rời rạc theo biểu thức:  TAk   AK ( x1 ),  AK ( x2 ) ,  AK ( xn ) (2.8)  TBk  BK ( y1 ), BK ( y2 ) , BK ( yn ) (2.9) Bước 3: Xác định mơ hình (ma trận) Rk cho mệnh đề thứ k Rk   Ak  TBk  (rijk ) , i=1, 2, …., n j=1, 2, …, m Trong phép (.) phép nhân bình thường sử dụng nguyên tắc SUMPROD  p   k 1  Bước 4: Xác định luật hợp thành R  1,  Rk  với k= 1, 2,…, p Ví dụ:  A ( x) , B ( y) , C ( z ) rời rạc hóa điểm: x  { 2.038, 5.4, 1.359, 6.4} y  { [1.359, 7.6, 2.038, 8.6} z  { 1.699, 12.5, 1.699, 13.5} Ta tiến hành xây dựng luật hợp thành SUM-PROD: Hình 2.6: Hàm liên thuộc vào-ra theo luật hợp thành sum-prod (2.10) 23 e Khối giải mờ (rõ hoá) Giải mờ trình xác định giá trị rõ y0 chấp nhận từ hàm liên thuộc  B ' ( y ) giá trị mờ B’ (tập mờ B’) Có hai phương pháp giải mờ phương pháp cực đại phương pháp điểm trọng tâm *Phương pháp cực đại Để giải mờ theo phương pháp cực đại, ta cần thực theo hai bước: Bước 1: Xác định miền chứa giá trị rõ y0 (miền G): Đó miền mà hàm liên thuộc  B ' ( y ) đạt giá trị cực đại (độ cao H tập mờ B’), tức miền: G   y  Y B ' ( y)  H  (2.11) Bước 2: Xác định y0 chấp nhận từ G theo ba nguyên tắc: Nguyên tắc trung bình; nguyên tắc cận trái nguyên tắc cận phải Nguyên tắc trung bình : Giá trị rõ y0 trung bình cộng y1 y2: y0  y1  y2 (2.12) Ví dụ giải mờ nguyên tắc trung bình cho luật hợp thành MAX-MIN: Hình 2.7: Giải mờ nguyên tắc trung bình Nguyên tắc cận trái: Giá trị rõ y0 lấy cận trái y1 G Với    y1  inf( y)  yG   Ví dụ giải mờ sử dụng nguyên tắc cận trái cho luật hợp thành MAX-MIN: 24 Hình 2.8: Giải mờ nguyên tắc cận trái Nguyên tắc cận phải: Giá trị rõ y0 lấy cận trái y2 G Với    y2  sup( y)  yG   Ví dụ giải mờ sử dụng nguyên tắc cận phải cho luật hợp thành MAX-MIN: Hình 2.9: Giải mờ nguyên tắc cận phải *Phương pháp điểm trọng tâm Giải mờ theo phương pháp điểm trọng tâm cho kết y' hoành độ điểm trọng tâm miền bao trục hoành đường  B ' ( y ) Công thức xác định y0 theo phương pháp điểm trọng tâm sau: y'   y B' ( y )dy S  B' ( y )dy (2.13) S Với S miền xác định tập mờ B' - Phương pháp điểm trọng tâm cho luật hợp thành SUM-MIN Giả sử có q luật điều khiển triển khai Khi giá trị mờ B' đầu 25 điều khiển tổng q giá trị mờ đầu luật hợp thành Ký hiệu giá trị mờ đầu luật điều khiển thứ k  B ' ( y ) với k =1,2, ,q Với quy tắc SUM-MIN, hàm liên thuộc  B ' ( y ) là: q B ' ( y)   B ' k ( y) (2.14) k 1 Sau biến đổi, ta có: q y'   y  B 'k ( y)dy k 1 q S  S k 1 Trong B 'k q  ( y )dy  [ y k 1 S q [  k 1 S q B 'k B 'k ( y )dy ]  ( y )dy ] M k 1 q k A k 1 k `(2.15) : M k   yB ' k ( y)dy Ak   B ' k ( y)dy S (2.16) S Ví dụ sử dụng phương pháp điểm trọng tâm cho luật hợp thành SUM-MIN: Hình 2.10: Giải mờ phương pháp điều khiển trọng tâm - Phương pháp độ cao Sử dụng công thức: q y'   y B 'k ( y)dy k 1 q S  S k 1 B 'k ( y )dy q   [ yB 'k ( y)dy] k 1 S q [  k 1 S B 'k ( y )dy ] q  M k 1 q k A k 1 k cho hai luật hợp thành MAX-MIN SUM-MIN với thêm giả thiết tập mờ  B ' k ( y ) xấp xỉ cặp giá trị ( yk , H k ) (singlenton), H k độ cao  B1 ' k ( y ) yk điểm mẫu miền giá trị  B1 ' k ( y ) Ta q có: B ' k ( y)  H k y '  y H k 1 q k H k 1 k k 26 Hình 2.11: So sánh phương pháp giải mờ 2.3 Tổng quan mạng nơron 2.3.1 Giới thiệu Với logic mờ, trí tuệ nhân tạo phát triển mạnh mẽ năm gần tạo sở xây dựng hệ chuyên gia, hệ có khả cung cấp kinh nghiệm điều khiển hệ thống Trí tuệ nhân tạo xây dựng dựa mạng nơron nhân tạo Mạng nơron nhân tạo (Artificial Neural Networks) hệ thống xây dựng dựa nguyên tắc cấu tạo não người Nó cho hướng nghiên cứu hệ thống thông tin Mạng nơron nhân tạo thực tốn: Tính tốn gần hàm số, thực toán tối ưu, nhận mẫu, nhận dạng điều khiển đối tượng hiệu so với phương pháp truyền thống Mạng nơron nhân tạo có số lượng lớn mối liên kết phần tử biến đổi có liên kết song song Nó có hành vi tương tự não người với khả tự học hỏi, tự chỉnh định cho phù hợp với thay đổi không lường trước đối tượng điều khiển tổng hợp thông tin từ luyện tập tập mẫu liệu Trong q trình tái tạo khơng phải tất chức não người tái tạo, mà có chức cần thiết Bên cạnh cịn có chức tạo nhằm giải toán điều khiển định trước Các phần tử biến đổi mạng nơron nhân tạo gọi nơron nhân tạo gọi tắt nơron 2.3.2 Lịch sử phát triển mạng nơron nhân tạo Mạng nơron xây dựng từ năm 1940 nhằm mô số chức não người Dựa quan điểm cho não người điều khiển Mạng nơron nhân tạo thiết kế có khả giải hàng loạt tốn tối ưu, điều khiển, cơng nghệ robot… Qua q trình nghiên cứu phát triển nơron nhân tạo chia làm giai đoạn sau: Giai đoạn 1: Có thể tính từ nghiên cứu William (1980) tâm lý học với 27 liên kết nơron thần kinh Năm 1940 Mc Culloch Pitts cho biết nơron mơ hình hóa thiết bị ngưỡng (giới hạn) để thực phép tính logic mơ hình nơ ron MC Culloch-Pitts với giải thuật huấn luyện mạng Hebb đời năm 1943 Giai đoạn 2: Vào khoảng gần năm 1960, số mơ hình nơron hồn thiện đưa như: mơ hình Perception Rosenblatt (1958), Adalile Widrow (1962) Trong mơ hình Perception quan tâm ngun lý đơn giản có hạn chế khơng dùng cho hàm logic phức (1969) Adalile mơ hình tuyến tính, tự chỉnh dùng rộng rãi điều khiển thích nghi, tách nhiễu phát triển Giai đoạn 3: Đầu thập niên 80 đóng góp lớn cho mạng nơron giai đoạn phải kể đến Grossberg, Kohnonen, Rumelhart Hopfield Trong đóng góp lớn Hopfiled gồm hai mạng phản hồi: Mạng rời rạc năm 1982 mạng liên tục năm 1984 Cảm nhận Hopfield Rumelhart, Hinton Williams đề xuất thuật toán sai số truyền ngược tiếng để huấn luyện mạng nơron nhiều lớp nhằm giải toán mà mạng khác không thực Nhiều ứng dụng mạnh mẽ mạng nơron đời với mạng theo kiểu máy Boltlzmannn Giai đoạn 4: Tính từ năm 1987 đến mạng nơron tìm khẳng định vị trí nhiều ứng dụng khác nhau: điều khiển, toán tối ưu, … 2.3.3 Cấu trúc mạng nơron nhân tạo a)Mạng nơron sinh học * Cấu tạo: Nơron phần tử tạo nên não người Sơ đồ cấu tạo nơron sinh học hình 2.12 Một nơron điển hình có phần chính: thân nơron, nhánh sợi trục Khớp nối Sợi trục Hình 2.12: Mơ hình nơron sinh học - Thân nơron (soma): Được giới hạn màng membran nhân Thân nơron có nhiều đường rẽ nhánh gọi rễ Các rễ nơron chia thành hai loại: Loại nhận thông tin từ nơron khác 28 qua axon gọi rễ đầu vào loại đưa thông tin qua axon tới nơron khác gọi rễ đầu Một nơron có nhiều rễ đầu vào có rễ đầu - Các nhánh (dendrite): Đây mạng dạng dây thần kinh để nối soma với - Sợi trục (Axon): Đây kết nối hình trụ dài mang tín hiệu ngồi Phần cuối axon chia thành nhiều nhánh nhỏ Mỗi nhánh nhỏ (cả dendrite axon) kết thúc quan nhỏ hình củ hành gọi synapte mà nơron đưa tín hiệu vào nơron khác Những điểm tiếp nhận với synapte nơron khác dendrite hay soma * Hoạt động nơron sinh học mơ tả sau: Các tín hiệu đưa synapte nhận dendrite kích thích điện tử Việc truyền tín hiệu liên quan đến q trình hóa học phức tạp mà chất truyền đặc trưng giải phóng từ phía gửi nơi tiếp nối Điều làm tăng hay giảm điện bên thân nơron nhận Nơron nhận tín hiệu kích hoạt (fire) điện vượt khỏi ngưỡng xung (hoặc điện hoạt động) với độ mạnh (cường độ) thời gian tồn cố định gửi ngồi thơng qua axon tới phần nhánh tới chỗ nối synapte với nơron khác Sau kích hoạt, nơron chờ khoảng thời gian gọi chu kỳ trước kích hoạt lại Synapses hưng phấn (excitatory) chúng cho phép kích thích truyền qua gây tình trạng kích hoạt (fire) nơron nhận Ngược lại, chúng ức chế (inhibitory) kích thích truyền qua làm ngăn trở trạng thái kích hoạt (fire) nơron nhận b)Mạng nơron nhân tạo * Khái niệm Nơron nhân tạo chép nơron sinh học não người, có đặc tính sau: - Mỗi nơron có số đầu vào, kết nối (Synaptic) đầu (axon) - Một nơron hoạt động (+35mV) khơng hoạt động (-0,75mV) - Chỉ có đầu nơron nối với đầu vào khác nơron khác Điều kiện để nơron kích hoạt hay khơng kích hoạt phụ thuộc đầu vào thời Một nơron trở nên tích cực đầu vào vượt qua ngưỡng mức định 29 Hình 2.13: Mơ hình nơron đơn giản Các đầu vào có hàm trọng Wj tổng Đầu tổng sử dụng để định giá trị đầu thơng qua hàm chuyển Có nhiều kiểu hàm chuyển khác (sẽ đề cập phần sau) Tương tự nơron sinh học người, nơron kích hoạt tổng giá trị vào vượt q ngưỡng khơng kích hoạt tổng giá trị vào thấp ngưỡng Sự làm việc nơron gọi kích hoạt nhảy bậc Kết nối vài nơron ta mạng nơron Hình 2.14 mạng nơron gồm lớp: lớp vào, lớp ẩn lớp Hình 2.14: Mạng nơron lớp Các nơron lớp vào trực tiếp nhận tín hiệu đầu vào, nơron có tín hiệu vào Mỗi nơron lớp ẩn nối với tất nơron lớp vào lớp Các nơron lớp có đầu vào nối với tất nơron lớp ẩn, chúng đầu mạng Cần ý mạng nơron có nhiều lớp ẩn Các mạng nơron nơron liên hệ với tất nơron lớp tất mối liên kết xây dựng từ trái sang phải gọi mạng nhiều lớp truyền thẳng 2.3.4 Mơ hình nơron a)Nơron đơn giản: Xét nơron với đầu vào vơ hướng khơng có độ dốc Hình 2.15 a,b: Mơ hình nơron đơn giản 30 b)Nơron với nhiều đầu vào (véc tơ vào) Nơron với véc tơ vào gồm R phần tử hình 2.16 Hình 2.16: Nơron với R đầu vào Trong đầu vào p1 , p2 , , p R nhân với trọng liên kết w 1,1 , w1,2 ,…, w 1, R Các trọng liên kết biểu diễn ma trận hàng, véctơ p ma trận cột Ta có: n  w1,1 p1  w1,2 p2  w1,3 p3   w1, R pR  b (2.18) n  W* P  b Trong đó: W ma trận trọng liên kết có kích thước 1x R P véc tơ vào gồm R phần tử Tải FULL (84 trang): https://bit.ly/3QJNzWq Dự phòng: fb.com/TaiHo123doc.net Cách biểu diễn khó khăn mơ tả mạng gồm nhiều nơron có nhiều lớp Để đơn giản ta sử dụng ký hiệu hình 1.29 Hình 2.17: Ký hiệu nơron với R đầu vào 2.3.5 Cấu trúc mạng Nhiều nơron kết hợp với tạo thành mạng nơron, mạng nơron có lớp nhiều lớp a) Mạng lớp Một cấu trúc mạng lớp với R đầu vào S nơron hình 2.18 31 Hình 2.18: Cấu trúc mạng nơron lớp Trong đó: - Véc tơ vào p có R phần tử pT = [p1 p2 … pR] - Véc tơ vào n có S phần tử nT = [n1 n2 … nS] - Véc tơ vào a có S phần tử aT = [a1 a2 … aS] Trong mạng phần tử véc tơ vào p liên hệ với đầu vào nơron thông qua ma trận trọng liên kết W Bộ cộng nơron thứ i thu thập trọng liên kết đầu vào dộ dốc để tạo thành đầu vô hướng ni Các ni tập hợp với tạo thành s phần tử véc tơ vào n Cuối lớp nơron ta thu véc tơ a Tải FULL (84 trang): https://bit.ly/3QJNzWq gồm s phần tử Dự phòng: fb.com/TaiHo123doc.net Để đơn giản ta ký hiệu mạng lớp gồm S nơron, R đầu vào hình vẽ 2.19 Hình 2.19: Ký hiệu mạng R đầu vào S 32 Trong đó: Véc tơ vào P có kích thước R, ma trận trọng liên kết W có kích thước S x R cịn a b véc tơ có kích thước S Như biết, lớp mạng bao gồm ma trận trọng liên kết, toán tử nhân, véc tơ độ dốc b, tổng hộp hàm truyền b) Mạng nhiều lớp * Ký hiệu qui ước cho lớp mạng Để minh hoạ, ta xét lớp mạng có nhiều đầu vào hình 2.20 Hình 2.20: Ký hiệu lớp mạng *Ký hiệu quy ước cho mạng lớp Hình 2.21: Cấu trúc mạng nơron lớp Đối với mạng lớp ta sử dụng ký hiệu tắt để biểu diễn (hình 2.22) Hình 2.22: Ký hiệu tắt mạng nơron lớp 7740361 ... trúc điều khiển mờ - nơron 57 3.23 Mô điều khiển mờ - nơron cho lò điện trở 58 3.24 Kết mô điều khiển mờ - nơron cho lò điện trở 58 3.25 3.26 Tổng hợp mô điều khiển PID,NN-PID, mờ, mờ nơron Kết... điều khiển nhiệt độ lị điện trở 2 3.2 Phạm vi nghiên cứu - Điều khiển nhiệt độ lò điện trở sử dụng phương pháp điều khiển PID, điều khiển mờ mờ nơ ron thuật toán lan truyền ngược lan truyền ngược. .. nghiên cứu lý thuyết ứng dụng điều khiển mờ, mạng nơ ron nhân tạo thuật toán lan truyền ngược cải tiến - Nghiên cứu điều khiển PID, điều khiển mờ điều khiển mờ nơ ron để điều khiển nhiệt độ lò