TRƯỜNG ĐẠI HỌC CÔNG NGHỆ GIAO THÔNG VẬN TẢI BỘ MÔN ĐIỆN TỬ VIỄN THÔNG
TRƯỜNG ĐẠI HỌC CÔNG NGHỆ GIAO THÔNG VẬN TẢI BỘ MÔN ĐIỆN TỬ - VIỄN THÔNG 🕮 BÁO CÁO NHĨM 8: TÌM HIỂU ỨNG DỤNG CỦA MẠNG TỰ ĐỘNG TỔ CHỨC Giảng viên hướng dẫn: ĐỖ XUÂN THU STT Sinh viên thực Họ tên Mã sinh viên Hồ Minh Tú(T) 70DCDT21029 Nguyễn Hải Quang 70DCDT21041 Trần Đình Tuyên 70DCDT21044 Trần Đoàn Quang Huy 70DCDT21052 Lớp : 70DCDT21 HÀ NỘI - 2022 TRƯỜNG ĐẠI HỌC CÔNG NGHỆ GIAO THƠNG VẬN TẢI MỤC LỤC Danh sách hình ảnh: Danh sách từ viết tắt: MỞ ĐẦU: CHƯƠNG I: TỔNG QUAN VỀ MẠNG TỰ ĐỘNG TỔ CHỨC (Self-Organizing Map) 1.1 Định nghĩa hệ thống mạng tự tổ chức .5 1.2 Quá trình hình thành mạng tự tổ chức CHƯƠNG II: NHỮNG THÀNH PHẦN, YẾU TỐ CƠ BẢN CỦA NỀN TẢNG VÀ DỊCH VỤ CỦA MẠNG TỰ TỔ CHỨC 2.1 Mơ hình cấu trúc mạng noron Kohonen .7 2.2 Học ganh đua 2.3 Thuật toán SOM 11 2.4 SOM với toán phân cụm .15 CHƯƠNG III: MẠNG NORON 17 3.1 Mạng nơron nhân tạo 17 3.2 Các đặc trưng mạng nơron 18 3.3 Các thành phần mạng nơron nhân tạo 18 3.3.1 Đơn vị xử lý 18 3.3.2 Hàm kết hợp 19 3.4 Các hình trạng mạng 22 3.4.1 Mạng truyền thẳng (Feed-forward neural network): 22 3.4.2 Mạng hồi quy (Recurrent neural network): .23 3.5 Huấn luyện mạng 23 3.5.1 Học có thầy (Supervised learning): 24 3.5.2 Học khơng có thầy (Unsupervised Learning): 24 3.6 Hàm mục tiêu .25 3.7 Mạng truyền thẳng thuật toán lan truyền ngược 25 CHƯƠNG IV:ỨNG DỤNG CỦA MẠNG TỰ TỔ CHỨC ĐỐI VỚI ĐỜI SÔNG CON NGƯỜI VÀ XÃ HỘI 29 4.1 Một vài ứng dụng SOM: .30 4.2 Mạng thần kinh mờ thích ứng ased Bản đồ tự tổ chức (SOM) 31 4.2.1 Giới thiệu .31 4.2.2 Phát triển mạng lưới thần kinh mờ tự tổ chức (GSFNN) 33 4.2.3 Mạng nơron mờ 34 4.2.4 Mạng lưới thần kinh mờ tự tổ chức phát triển thích ứng 36 4.2.5 Bộ điều khiển GSFNN (GSFNNC) .37 4.2.6 Kết Luận 37 4.3 Bản đồ tự tổ chức để xử lý liệu thiếu giá trị giá trị ngoại lai: ứng dụng cho ảnh viễn thám 38 4.3.1 Khái quát .38 4.3.2 Nghiên cứu tình 39 4.3.2.1 Dữ liệu 39 4.3.2.2 Việc sử dụng SOM .41 4.3.2.3 Phép chiếu liệu lưới SOM 42 4.3.2.3 Xác nhận .43 4.4 Ứng dụng mạng tự tổ chức SOM cho công nghê mạng 4G LTE .43 4.4.1 Tự cấu hình .43 4.4.1.1 Định nghĩa 43 4.4.1.2 Tự thiết lập EnodeB mạng .44 4.4.1.2 Tự động thiết lập mối tương quan với cell lân cận 44 4.4.1.4 Tự động cấu hình Cell ID 44 4.4.2 Tự tối ưu hóa .45 4.4.2.1 Tối ưu hóa dung lượng vùng phủ 45 4.4.2.2 Tiết kiệm lượng 46 4.4.2.3 Giảm can nhiễu 46 4.4.2.4 Tối ưu lực hệ thống 46 4.4.2.5 Tối ưu cân tải di động .46 4.4.2.6 Tối ưu kênh truy cập ngẫu nhiên (RACH) .47 4.4.2.7 Tính tốn tối ưu tham số chuyển giao (Hand Over) 47 4.4.3 Tự phục hồi – xử lý cố 48 CHƯƠNG V: THỰC TRẠNG PHÁT TRIỂN NỀN TẢNG VÀ DỊCH VỤ MẠNG TỰ TỔ CHỨC TẠI VIỆT NAM .49 5.1 Thực trạng phát triển 49 5.2 Tại Việt Nam 50 Phân công công việc 53 TÀI LIỆU THAM KHẢO .54 Danh sách hình ảnh: Hình 1.1 Hình 2.1 Hình 2.2 Hình 2.3 Hình 2.4 Hình 2.5 Hình 3.1 Hình 3.2 Hình 3.3 Hình 3.4 Hình 3.5 Hình 3.6 Hình 3.7 Hình 3.8 Hình 4.1 Hình 4.2 Hình 4.3 Hình 4.4 Hình 4.5 Hình 4.6 Mơ hình mạng Kohonen Cấu trúc mạng SOM với lớp Kohonen chiều Cấu trúc hình lục giác cấu trúc hình chữ nhật Đơn vị (neural) xử lý ganh đua Không gian ban đầu khơng gian sau thực thuật tốn SOM Bán kính lân cận phần tử lân cận sau số lần lặp Hàm đồng (Identity function) Hàm bước nhị phân (Binary step function) Hàm Sigmoid Hàm sigmoid lưỡng cực Mạng nơron truyền thẳng nhiều lớp (Feed-forward neural network) Mạng nơron hồi quy (Recurrent neural network) Mơ hình Học có thầy (Supervised learning model) Mạng nơron truyền thẳng nhiều lớp Quan hệ thuật tốn phân cụm ngơn ngữ mờ trước sau Sơ đồ thuật toán tự tổ chức (GA) phát triển Cấu trúc mạng nơron mờ Sơ đồ hệ thống điều khiển Sơ đồ quy trình thuật tốn nơron mờ phát triển Ví dụ điển hình liệu bị ảnh hưởng đám mây: vùng Brittany MODIS thu thập dải hồng ngoại gần Danh sách từ viết tắt: MỞ ĐẦU: Chúng ta biết rằng, não người sản phẩm hoàn hảo tạo hóa, có khả tư sáng tạo Hiện nay, người nghiên cứu cách hoạt động não, sau áp dụng cho công nghệ đại Để tiếp cận khả học, người ta đưa mơ hình mạng nơron gồm nơron liên kết với thành mạng theo cấu trúc mạng thần kinh người Mỗi nơron riêng lẻ có khả xử lý thơng tin yếu, chúng ghép với thành mạng, khả xử lý thông tin mạnh nhiều Mỗi cấu trúc mạng có ưu điểm đặc thù, chúng cho ta công cụ mạnh lĩnh vực kỹ thuật điều khiển kỹ thuật thông tin Một mạng nơron nhân tạo tập hợp số lớn phần tử xử lý (các nút hay khối), thường tổ chức song song cấu hình theo kiến trúc đệ quy Cách ứng sử mạng nơron nhân tạo giống não người, chứng tỏ khả học, nhớ lại, tổng quát hóa từ liệu huấn luyện Mạng nơron nhân tạo công cụ tốt việc giải toán như: hợp phân lớp đối tượng, xấp xỉ hàm, tối ưu hóa, định lượng vector, phân cụm liệu, Nó thay hiệu cơng cụ tính tốn truyền thống để giải tốn Nhận dạng lĩnh vực đóng vai trò quan trọng khoa học kỹ thuật Trong hầu hết vấn đề kỹ thuật ngày nay, ta phải xác định, nhận dạng mơ hình đối tượng liên quan, để từ tìm giải pháp Nhận dạng mơ hình tốn quan trong lý thuyết hệ thống Lý đơn giản khơng thể phân tích, tổng hợp hệ thống khơng có mơ hình tốn học mơ tả hệ thống Trong q trình xây dựng mơ hình hệ thống phương diện lý thuyết, người ta thường không khảo sát ảnh hưởng mơi trường đến tính động học hệ thống, tác động qua lại bên hệ thống cách xác tuyệt đối Rất nhiều yếu tố bị bỏ qua, hay xem xét đến tác động ngẫu nhiên Bởi vậy, nói cách chặt chẽ hiểu biết lý thuyết ban đầu hệ thống, giúp ta khoanh lớp mơ hình thích hợp Để có mơ hình cụ thể có chất lượng phù hợp với cụ thể toán đặt lớp mơ hình thích hợp đó, phải sử dụng phương pháp nhận dạng Cịn tốn nhận dạng, phân tích phân cụm liệu, tốn hay gặp thực tế, nhìn thấy vật đó, câu hỏi thường trực người là; vật có máy loại, thuộc loại loại có Để giải toán nhận dạng, người ta đưa vào cách tiếp cận khác nhau, phương pháp tiếp cận toán cụ thể có ưu, nhược điểm riêng Phương pháp ứng dụng mạng nơron nhận dạng cách tiếp cận đại Nó cơng cụ mạnh để giải toán lĩnh vực Nội dung đề tài vào tìm hiểu xây dựng phần tử nơron bản, xem xét nghiên cứu cấu trúc mạng nơron, giới thiệu mạng nơron nhiều lớp với thuật toán lan truyền ngược Trọng tâm đề tài vào tìm hiểu mạng nơron Kohonen (hay mạng nơron tự tổ chức – SOM) CHƯƠNG I: TỔNG QUAN VỀ MẠNG TỰ ĐỘNG TỔ CHỨC (SelfOrganizing Map) 1.1 Định nghĩa hệ thống mạng tự tổ chức SOM (Self-Organizing Map) đồ tự tổ chức, biết đến đồ đặc trưng tự tổ chức SOFM (Self-Organizing Feature Map) kỹ thuật trực quan hóa liệu (data visualation) Giải thuật xây dựng giáo sư Teuvo Kohonen dựa kiến trúc mạng Kohonen Điểm bật thuật giải SOM chuyển dạng quan hệ phức tạp, thống kê rời rạc đối tượng liệu đa chiều (n chiều) quan hệ hình học trực quan đơn giản với số chiều rút gọn nhiều lần – thường hai chiều Về chất thuật giải biết đến kỹ thuật nén liệu dựa véc-tơ trọng số (véc-tơ quantisation) SOM (Self Organizing Map) thuật giải xây dựng mạng Kohonen để lưu trữ thơng tin cách trì quan hệ hình học bên tập huấn luyện Hình 1.1 Mơ hình mạng Kohonen Mạng Kohonen dựa luật học cạnh tranh không giám sát Với phương pháp học này, cho trước số lượng lớp đầu Luật học tự động phân nhóm liệu đầu vào để nhóm đối tượng gần giống vào lớp phân tách đối tượng khác biệt vào lớp khác Thuật giải xây dựng mạng Kohonen để lưu trữ thông tin cách trì quan hệ hình học bên tập huấn luyện Một khía cạnh thú vị thuật toán phân loại liệu huấn luyện mà không cần giám sát bên ngồi so với giải thuật “học có giám sát” truyền thống Do đó, SOM cịn xem giải thuật học không giám sát 1.2 Quá trình hình thành mạng tự tổ chức Bản đồ tự tổ chức, giống hầu hết mạng nơ-ron nhân tạo, hoạt động hai chế độ: đào tạo lập đồ. Đầu tiên, đào tạo sử dụng tập liệu đầu vào ("không gian đầu vào") để tạo biểu diễn theo chiều thấp liệu đầu vào ("không gian đồ"). Thứ hai, ánh xạ phân loại liệu đầu vào bổ sung cách sử dụng đồ tạo Trong hầu hết trường hợp, mục tiêu đào tạo biểu diễn khơng gian đầu vào với kích thước p như khơng gian đồ có hai chiều. Cụ thể, khơng gian đầu vào với p biến cho có kích thước p . Một khơng gian đồ bao gồm thành phần gọi "nút" "nơ-ron", xếp một lưới hình lục giác hoặc hình chữ nhật với hai chiều. Số lượng nút cách xếp chúng xác định trước dựa mục tiêu lớn việc phân tích và thăm dị liệu Mỗi nút khơng gian đồ liên kết với vectơ "trọng số", vị trí nút khơng gian đầu vào. Trong nút không gian đồ cố định, việc huấn luyện bao gồm việc di chuyển vectơ trọng số phía liệu đầu vào (giảm số liệu khoảng cách chẳng hạn như khoảng cách Euclide ) mà không làm hỏng cấu trúc liên kết tạo từ không gian đồ. Sau đào tạo, đồ sử dụng để phân loại quan sát bổ sung cho không gian đầu vào cách tìm nút có vectơ trọng số gần (chỉ số khoảng cách nhỏ nhất) với vectơ không gian đầu vào CHƯƠNG II: NHỮNG THÀNH PHẦN, YẾU TỐ CƠ BẢN CỦA NỀN TẢNG VÀ DỊCH VỤ CỦA MẠNG TỰ TỔ CHỨC 2.1 Mơ hình cấu trúc mạng noron Kohonen Mạng neural SOM có cấu trúc đơn lớp, bao gồm: tín hiệu vào lớp Kohonen Hình 2.1 Cấu trúc mạng SOM với lớp Kohonen chiều tất đầu vào kết nối đầy đủ với neural lớp Kohonen Kiến trúc mạng SOM thuộc đồng thời hai nhóm mạng truyền thẳng và mạng phản hồi, liệu truyền từ đầu vào tới đầu có ảnh hưởng neural lớp Kohonen Lớp Kohonen thường tổ chức dạng ma trận chiều neural theo dạng lưới hình chữ nhật hình lục giác Mỗi đơn vị i (neural) lớp Kohonen gắn vector trọng số wi= [wi1, wi2, …, win], ... CHƯƠNG I: TỔNG QUAN VỀ MẠNG TỰ ĐỘNG TỔ CHỨC (Self-Organizing Map) 1.1 Định nghĩa hệ thống mạng tự tổ chức .5 1.2 Quá trình hình thành mạng tự tổ chức CHƯƠNG... thiệu mạng nơron nhiều lớp với thuật toán lan truyền ngược Trọng tâm đề tài vào tìm hiểu mạng nơron Kohonen (hay mạng nơron tự tổ chức – SOM) CHƯƠNG I: TỔNG QUAN VỀ MẠNG TỰ ĐỘNG TỔ CHỨC (SelfOrganizing. .. CHƯƠNG IV :ỨNG DỤNG CỦA MẠNG TỰ TỔ CHỨC ĐỐI VỚI ĐỜI SÔNG CON NGƯỜI VÀ XÃ HỘI 29 4.1 Một vài ứng dụng SOM: .30 4.2 Mạng thần kinh mờ thích ứng ased Bản đồ tự tổ chức (SOM)