Nghien cứu ứng dụng mạng nơron trong nhận dạng và điều khiển đối tượng động học phi tuyến

 Hệ thống sau khi thiết kế hoàn chỉnh sẽ áp dụng tốt trong những bài toán nhận dạng và điều khiển đối tượng động học phi tuyến trên cơ sở mạng nơron..  Hệ thống nhận dạng và điều khiển

ĐẠI HỌC THÁI NGUYÊN TRƯỜNG ĐẠI HỌC KỸ THUẬT CÔNG NGHIỆP

PHẠM VĂN HƯNG

THÁI NGUYÊN 2010

ĐẠI HỌC THÁI NGUYÊN TRƯỜNG ĐẠI HỌC KỸ THUẬT CÔNG NGHIỆP

Học viên: Phạm Văn Hưng

Người HD Khoa Học: PGS.TS Nguyễn Hữu Công

THÁI NGUYÊN 2010

ĐẠI HỌC THÁI NGUYÊN

TRƯỜNG ĐẠI HỌC KỸ THUẬT CÔNG

THUYẾT MINH LUẬN VĂN THẠC SỸ KỸ THUẬT

ĐỀ TÀI:

NGHIÊN CỨU ỨNG DỤNG MẠNG NƠRON TRONG NHẬN DẠNG

VÀ ĐIỀU KHIỂN ĐỐI TƯỢNG ĐỘNG HỌC PHI TUYẾN

Lớp : CH-K11

Chuyên ngành: Tự động hoá

Người hướng dẫn: PGS.TS Nguyễn Hữu Công

Ngày giao đề tài: 1/12/2009

Ngày hoàn thành đề tài: 30/7/2010

PGS.TS Nguyễn Hữu Công

Phạm Văn Hưng

LỜI CAM ĐOAN

Tôi xin cam đoan đây là công trình nghiên cứu của riêng tôi Các số liệu,

kết quả trong luận văn là hoàn toàn trung thực theo tài liệu tham khảo và chƣa

từng đƣợc ai công bố trong bất kỳ công trình nào khác

Thái Nguyên, ngày 2 tháng 9 năm 2010

Tác giả luận văn

Phạm Văn Hƣng

Tôi xin chân thành cảm ơn Trường Đại học Kỹ thuật Công nghiệp, Phòng Hành chính Tài vụ, Khoa Điện đã tạo những điều kiện để tôi hoàn thành khóa học

Tôi xin chân thành cảm ơn các thầy cô giáo Bộ môn Tự động hóa - khoa Điện, đã giúp đỡ và tạo những điều kiện thuận lợi nhất về mọi mặt để tôi hoàn thành khóa học

Phạm Văn Hưng

Mobile: 0912 865 842

Mục Lục

Mục Lục 6

DANH MỤC CÁC KÝ HIỆU VÀ CHỮ VIẾT TẮT 9

DANH MỤC CÁC HÌNH VẼ VÀ ĐỒ THỊ 11

MỞ ĐẦU 13

1 Tính cấp thiết của đề tài 13

2 Mục đích nghiên cứu 13

3 Đối tượng và phương pháp nghiên cứu 13

4 Ý nghĩa khoa học và thực tiễn của đề tài 14

5 Kết cấu luận văn 15

CHƯƠNG 1 TỔNG QUAN VIỆC ỨNG DỤNG MẠNG NƠRON TRONG NHẬN DẠNG VÀ ĐIỀU KHIỂN ĐỐI TƯỢNG ĐỘNG HỌC PHI TUYẾN 16

1.1 Giới thiệu tóm tắt về mạng nơron 16

1.1.1 Mạng nơron sinh học 16

1.1.2 Mạng nơron nhân tạo (Artificial Neural network - ANN) 17

1.1.3 Cấu trúc mạng nơron 19

1.1.4 Huấn luyện mạng nơron 23

1.2 Tình hình nghiên cứu trong và ngoài nước liên quan đến đề tài 27

1.2.1 Tình hình nghiên cứu trong nước 27

1.2.2 Tình hình nghiên cứu ngoài nước 29

1.2.3 Nhận xét và lựa chọn hướng nghiên cứu 32

1.3 Kết luận chương 1 33

CHƯƠNG 2 NHẬN DẠNG ĐỐI TƯỢNG ĐỘNG HỌC PHI TUYẾN SỬ DỤNG MẠNG NƠRON 35

2.1 Giới thiệu hệ động học phi tuyến 35

2.1.1 Giới thiệu chung 35

2.1.2 Mô hình mô tả hệ động học phi tuyến dưới dạng rời rạc 36

2.2 Nhận dạng hệ động học phi tuyến 40

2.2.1 Khái quát chung 40

2.2.2 Các phương pháp nhận dạng 43

2.3 Nhận dạng hệ thống sử dụng mạng nơron 50

2.3.1 Khả năng sử dụng mạng nơron trong nhận dạng 50

2.3.2 Mô hình nhận dạng hệ thống sử dụng mạng nơron 51

2.3.3 Nhận dạng hệ thống sử dụng mạng nơron 56

2.4 Nhận dạng hệ thống xử lý nước thải sử dụng mạng nơron 59

2.4.1 Các bước thực hiện trong quá trình nhận dạng 60

2.4.2 Mô hình toán học của hệ thống xử lý nước thải 60

2.4.3 Ứng dụng mạng nơron để nhận dạng đối tượng 62

2.5 Kết luận chương 2 66

CHƯƠNG 3ỨNG DỤNG MẠNG NƠRON ĐIỀU KHIỂN BỂ XỬ LÝ NƯỚC THẢI THEO MÔ HÌNH MẪU 68

3.1 Thiết kế bộ điều khiển nơron theo mô hình mẫu 68

3.2 Ứng dụng mạng nơron thiết kế bộ điều khiển theo mô hình mẫu 69

3.2.1 Mô hình mạng nơron của bộ điều khiển 69

3.2.2 Mô hình mẫu của hệ thống xử lý nước thải 69

3.2.3 Chương trình huấn luyện bộ điều khiển nơron 71

3.3 Kết luận chương 3 74

CHƯƠNG 4NGHIÊN CỨU CẢI TIẾN THUẬT TOÁN HỌC CỦA MẠNG NƠRON TRONG BÀI TOÁN NHẬN DẠNG BỂ XỬ LÝ NƯỚC THẢI 75

4.1 Đặt vấn đề 75

4.2 Mô hình mạng nơron mới trong nhận dạng bể xử lý nước thải 76

4.1.1 Mô hình mạng nơron hồi tiếp liên tục 76

4.1.2 Nhận dạng bể xử lý nước thải 76

4.3 Thuật toán mạng nơron hồi tiếp liên tục 78

4.3.1 Thuật toán lan truyền ngược 78

4.3.2 Thuật toán loại những mẫu học bị nhiễu 80

4.4.1 Lưu đồ thuật toán huấn luyện mạng hồi tiếp liên tục 81

4.4.2 Chương trình huấn luyện mạng 83

4.5 Kết quả mô phỏng và nhận xét 88

4.5.1 Kết quả luyện mạng với thuật toán mới 88

4.5.2 Kiểm chứng khả năng loại các mẫu học bị nhiễu 94

4.6 Kết luận chương 4 98

KẾT LUẬN 99

TÀI LIỆU THAM KHẢO 100

DANH MỤC CÁC KÝ HIỆU VÀ CHỮ VIẾT TẮT

MSE Sai lệch bình phương cực tiểu, viết tắt của (Mean Square Error)

ANN Mạng nơron nhân tạo (Artificial Neural network )

CTRNN Mạng nơron hồi tiếp liên tục (Continuous time recurrent neural

networks)

LM Thuật toán Leveber – Marquart

BIBO Tín hiệu vào ra có giới hạn, viết tắt của (Bound Input Bound Output) MISO Hệ nhiều đầu vào một đầu ra, viết tắt của (Multi Inputs Single Output) ĐKTN Điều khiển thích nghi

MRAC Model Referance Adaptive Control

MRC Model Referance Control

9 diag(a1, , ai) : ma trận đường chéo với các phần tử ai

10 g(.) : hàm quan hệ phi tuyến vào ra

11 Rn : không gian thực n chiều

12 W=[wij] : ma trận trọng liên kết nxm chiều

13 (T) : ký hiệu chuyển vị

14 x = [x1, , xn]T R : véc tơ cột x

15  g(x)/  x : đạo hàm riêng

DANH MỤC CÁC HÌNH VẼ VÀ ĐỒ THỊ

Hình 1.1 Mạng nơron đơn giản gồm 2 nơron ……… 10

Hình 1.2 Mô hình nơron nhiều đầu vào ……… 12

Hình 1.3 Mạng nơron có đặc tính động học và tuyến tính …… 14

Hình 1.4 Mạng nơron có đặc tính phi tuyến tĩnh ……… 14

Hình 1.5 Mạng nơron có đặc tính động học phi tuyến ………… 15

Hình 1.6 Cấu trúc của các khối TDL-1 và TDL-2……… 15

Hình 1.7 Sơ đồ dùng để huấn luyện mạng ……… 18

Hình 2.1 Mô hình I……… 30

Hình 2.2 Mô hình II……… 30

Hình 2.3 Mô hình III……… 31

Hình 2.4 Mô hình III……… 31

Hình 2.5 Điều khiển theo nguyên tắc phản hồi đầu ra……… 33

Hình 2.6 Quy trình nhận dạng hệ thống ……… 36

Hình 2.7 Sơ đồ tổng quát nhận dạng thông số mô hình 39 Hình 2.8 Nhận dạng theo phương pháp gradient 40 Hình 2.9 Mô hình nhận dạng cơ bản ……… 45

Hình 2.10 Bổ sung thông tin đầu vào cho mạng ……… 45

Hình 2.11 Sử dụng tri thức tiên nghiệm ……… 46

Hình 2.12 Nhận dạng động học nghịch ……… 46

Hình 2.13a, b Mô hình mạng nơron nhiều lớp ……… 48

Hình 2.14 Mô hình nhận dạng song song ……… 50

Hình 2.15 Mô hình nhận dạng nối tiếp - song song ……… 51

Hình 2.16 Nhận dạng hệ phi tuyến dùng mạng nơron ……… 51

Hình 2.17 Sơ đồ nhận dạng HT xử lý nước thải bằng mạng nơron 53 Hình 2.18 Sơ đồ hệ thống xử lý nước thải……… 53

Hình 2.19 Mô hình đối tượng trong Simulink……… 55

Hình 2.20 Mô hình hệ thống dưới dạng mạng nơron ……… 56

Hình 2.21 Đồ thị sai lệch giữa mô hình nơron và mô hình đối tượng 58 Hình 3.1 Sơ đồ huấn luyện bộ điều khiển nơron NN ……… 60

Hình 3.2 Sơ đồ hệ thống điều khiển……… 61

Hình 3.3 Cấu trúc mạng nơron của bộ điều khiển……… 61

Hình 3.4 Hàm trọng lượng của mô hình mẫu……… 62

Hình 3.5 Mô hình mẫu trong Simulink……… 62

Hình 3.6 Đồ thị sai lệch giữa tín hiệu ra của đối tượng với mô hình mẫu 65 Hình 4.1 Sơ đồ cấu trúc mạng noron……… 69

Hình 4.2 Mạng truyền thẳng nhiều lớp……… 71

Hình 4.3: Lưu đồ thuật toán chương trình huấn luyện mạng nơron … 74

Hình 4.4: Tín hiệu mẫu vào ngẫu nhiên trong khoảng 0-2 L/s………… 80

Hình 4.5: Tín hiệu sai lệch e(t)=y m -y, tín hiệu y m ; tín hiệu y……… 81

Hình 4.6: Tín hiệu mẫu đầu ra mô phỏng trên Simulink……… 81

Hình 4.7: Sơ đồ mô phỏng trên Simulink……… 83

Hình 4.8: Tín hiệu đầu vào u hình sin với 1000 mẫu 83 Hình 4.9: Tín hiệu ra y m khi tín hiệu đầu vào là 1000 mẫu hình sin 84

Hình 4.10: Kết quả của mạng khi tín hiệu vào sin với 1000 mẫu 85

Hình 4.11: Mô hình mẫu có nhiễu tác động là 2 hàm step 86 Hình 4.12: Tín hiệu đầu ra mẫu y m khi có nhiễu tác động từ 10 -30 s 86 Hình 4.13: Tín hiệu đầu ra mẫu y m khi có nhiễu tác động từ 10 -30 s 87 Hình 4.14: Số lượng mẫu học còn lại là 193/500 mẫu 88 Hình 4.15: Khi tăng số số lần lặp thì số mẫu học còn 188/500 mẫu 88

MỞ ĐẦU

1 Tính cấp thiết của đề tài

 Trong những năm gần đây mạng nơron nhân tạo ANN (Artificial Neural Network) ngày càng được ứng dụng rộng rãi trong nhận dạng, điều khiển và tính toán mềm vì những ưu điểm như khả năng

xử lý song song, tốc độ cao … nên được ứng dụng trong nhiều lĩnh vực như: công nhiệp, năng lượng, y học, tài nguyên nước và khoa học môi trường Đặc biệt trong lĩnh vực kỹ thuật môi trường, ANN ngày càng chứng tỏ được vai trò trong nhận dạng và điều khiển các quá trình xử lý phức tạp mà các phương pháp khác không có được

 Tuy nhiên các tác giả đã nghiên cứu ở trên khi luyện mạng nơron sử dụng các Toolbox của Matlab, thường ta sẽ không loại bỏ được những mẫu học bị nhiễu Đề tài sẽ đưa ra một thuật toán loại bỏ những mẫu học bị nhiễu và sẽ làm giảm sai số trong quá trình huấn luyện mạng Ta sẽ nghiên cứu cho một số đối tượng động học phi tuyến

 Hệ thống sau khi thiết kế hoàn chỉnh sẽ áp dụng tốt trong những bài toán nhận dạng và điều khiển đối tượng động học phi tuyến trên cơ

sở mạng nơron Ý tưởng của đề tài là áp dụng bài toán điều khiển bể

xử lý nước thải hoặc điều khiển cánh tay robot…

3 Đối tượng và phương pháp nghiên cứu

 Đối tượng nghiên cứu:

Đối tượng nghiên cứu của đề tài là các thông số của bể xử lý nước thải Tập trung vào bài toán nhận dạng và điều khiển đối tượng động học phi tuyến trên cơ sở mạng nơron Từ đó giải các bài toán tối ưu để tìm ra thuật toán luyện mạng mới cải tiến các phương pháp luyện

mạng trước kia chưa cho kết quả cao

 Phương pháp nghiên cứu:

 Nghiên cứu lý thuyết: Nghiên cứu sách, giáo trình, bài báo, báo cáo khoa học, luận văn và các tài liệu liên quan Từ đó xây dựng

hệ thống nhận dạng và điều khiển đối tượng trên cơ sở mạng nơron

 Cải tiến thuật toán luyện mạng và áp dụng hệ điều khiển cho đối tượng động học phi tuyến

 Mô phỏng kết quả của phương pháp kết hợp với hiệu chỉnh Sau đó

so sánh với phương pháp luyện mạng truyền thống của Matlab

4 Ý nghĩa khoa học và thực tiễn của đề tài

 Ý nghĩa khoa học:

 Nghiên cứu những kiến thức về mạng nơron trong nhận dạng và điều khiển đối tượng động học phi tuyến Từ đó cải tiến thuật toán học của mạng nơron để nhận dạng và điều khiển hệ thống được tối

ưu hơn

 Ta có thể làm chủ được chương trình huấn luyện mạng nơron và

có thể có những cải tiến nhiều trong tương lai

 Sử dụng mạng nơron để điều khiển đối tượng động học phi tuyến

 Ý nghĩa thực tiễn:

 Các kết quả nghiên cứu của đề tài có thể sử dụng trong giảng dạy, nghiên cứu về mạng nơron hoặc ứng dụng vào quá trình sản xuất trong tương lai

 Các hệ thống xử lý nước thải trên thị trường giá thành rất cao vì phải nhập ngoại Nếu đề tài thành công sẽ giúp chi phí cho việc xử

lý nước thải sẽ giảm đi đáng kể và trong nước hoàn toàn có thể làm chủ được công nghệ

 Hệ thống nhận dạng và điều khiển dùng mạng nơron này hoàn toàn có thể áp dụng cho các hệ thống khác như điều khiển chuyển động của robot, các đối tượng động học phi tuyến khác

5 Kết cấu luận văn

Mở đầu

Chương 1: Tổng quan việc ứng dụng mạng nơron trong nhận dạng và

điều khiển đối tượng động học phi tuyến

Chương 2: Nhận dạng đối tượng động học phi tuyến sử dụng mạng

nơron

Chương 3: Ứng dụng mạng nơron để điều khiển bể xử lý nước thải theo

mô hình mẫu Chương 4: Nghiên cứu cải tiến thuật toán học của mạng nơron trong

bài toán nhận dạng bể xử lý nước thải

CHƯƠNG 1 TỔNG QUAN VIỆC ỨNG DỤNG MẠNG NƠRON TRONG

NHẬN DẠNG VÀ ĐIỀU KHIỂN ĐỐI TƯỢNG ĐỘNG HỌC PHI TUYẾN

1.1 Giới thiệu tóm tắt về mạng nơron

Mạng nơron bao gồm vô số các nơron được liên kết truyền thông với nhau trong mạng Hình 1.1 là một phần của mạng nơron bao gồm hai nơron

Thân nơron được giới hạn trong một màng membrane và trong cùng là nhân Từ thân nơron còn có rất nhiều đường rẽ nhánh gọi là rễ

Đường liên lạc liên kết nơron này với nơron khác được gọi là axon, trên axon có các đường rẽ nhánh Nơron có thể liên kết với các nơron khác qua các rễ Chính vì sự liên kết đa dạng như vậy nên mạng nơron có độ liên kết cao

Hình 1.1 Mạng nơron đơn giản gồm 2 nơron

Các rễ của nơron được chia thành 2 loại: loại nhận thông tin từ các nơron qua các axon là loại rễ đầu vào, Loại đưa thông tin từ nơron đến axon khác là rễ đầu ra

Đặc điểm quan trọng của một nơron là có thể có nhiều rễ đầu vào nhưng chỉ có một rễ đầu ra Đặc điểm này giống khâu điều khiển có nhiều đầu vào và một đầu ra

Quá trình hoạt động của một nơron là một quá trình tự nhiên Ở trạng thái cân bằng (trạng thái tĩnh) điện áp của màng membran khoảng -75mV Khi có tác động bên ngoài vào nơron với mức điện áp khoảng 35mV thì trong

tế bào xảy ra hàng loạt các phản ứng hoá học tạo thành các lực làm nơron bị kích hoạt Thế năng sinh ra khi nơron ở trạng thái bị kích thích hoàn toàn chỉ tồn tại trong vài ms, sau đó nơron lại trở lại trạng thái cân bằng cũ Thế năng này được truyền vào mạng qua các axon và có khả năng kích thích hoặc kìm hãm tự nhiên các nơron khác trong mạng Một nơron sẽ ở trạng thái kích thích khi tại đầu vào xuất hiện một tín hiệu tác động vượt qua ngưỡng cân bằng của nơron

Một tính chất quan trọng của nơron sinh học là các đáp ứng theo kích thích có khả năng thay đổi theo thời gian Các đáp ứng có thể tăng lên, giảm

đi hoặc hoàn toàn biến mất Qua các nhánh axon liên kết tế bào nơron này với

tế bào nơron khác Sự thay đổi trạng thái của một nơron cũng kéo theo sự thay đổi trạng thái của những nơron khác và do đó là sự thay đổi của toàn bộ mạng nơron Việc thay đổi trạng thái của mạng nơron có thể thực hiện qua một quá trình dạy hoặc do khả năng học tự nhiên

1.1.2 Mạng nơron nhân tạo (Artificial Neural network - ANN)

Từ những nghiên cứu tính chất cơ bản của mạng nơron sinh học Người

ta thay thế những tính chất này bằng một mô hình toán học tương đương được gọi là mạng nơron nhân tạo Mạng nơron nhân tạo có thể được chế tạo bằng

nhiều cách khác nhau vì vậy trong thực tế tồn tại rất nhiều kiểu mạng nơron nhân tạo

Cấu trúc một nơron bao gồm:

ww

w

Dưới đây là một số hàm f cơ bản thường được sử dụng

a = tansig(n)

1 1

mà ta có thể phân thành 3 loại như sau:

 Mạng nơron động học tuyến tính: Quan hệ vào và ra của mạng nơron

có tính chất động học tuyến tính

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn

 Mạng nơron phi tuyến tĩnh

Mạng nơron phi tuyến tĩnh có cấu trúc nhiều lớp trong đó có ít nhất là một lớp với hàm truyền là hàm phi tuyến Dưới đây là sơ đồ cấu trúc một mạng nơron phi tuyến tĩnh

 Mạng nơron động học phi tuyến

Là một mạng nơron gồm nhiều lớp có các hàm truyền phi tuyến và các khâu trễ Đây là một loại mạng nơron mà quan hệ vào và ra của nó không những thể hiện tính phi tuyến mà còn thể hiện cả tính động học, do đó cấu trúc mạng sẽ phức tạp hơn so với hai loại mạng ở trên và việc huấn luyện mạng cũng khó khăn hơn

Trong phần này chỉ trình bày một mạng nơron có đặc tính động học phi tuyến đơn giản Hình 1.5 dưới đây là sơ đồ cấu trúc một mạng nơron có đặc tính động học phi tuyến

Các khâu TDL - 1 và TDL - 2 có cấu trúc được thể hiện trong hình 1.6

Hình 1.4 Mạng nơron có đặc tính phi tuyến tĩnh

Hình 1.5 Mạng nơron có đặc tính động học phi tuyến

Khâu TDL-1 được gọi là khâu trễ đầu vào, có 1 đầu vào và m+1 đầu ra lần lượt bị trễ 0,1,2 … m nhịp, Khâu TDL-2 được gọi là khâu trễ đầu ra hay khâu phản hồi có 1 đầu vào và n đầu ra Trong khi chọn cấu trúc mạng nơron

ta phải chú ý đến việc chọn số nhịp trễ thích hợp tại vì khi tăng nhịp trễ sẽ làm tăng số lượng các trọng số của mạng nơron

Vậy ta phải cố gắng giảm số nhịp trễ đến mức ít nhất có thể, có nghĩa

là khi chưa biết cấu trúc thì phải chọn nhịp trễ nhỏ nhất, sau đó tăng dần số nhịp trễ nếu như sai lệch còn lớn

là một ma trận các trọng số liên kết giữa đầu vào thứ nhất

là ma trận các trọng

số liên kết giữa các đầu ra của lớp vào với các nơron lớp ẩn có kích thước r

là ma trận các trọng số liên kết giữa các đầu ra của

Hình 1.6 Cấu trúc của các khối TDL-1 và TDL-2

của mạng nơron động học phi tuyến đơn giản sẽ có cấu trúc hai lớp với trễ đầu vào hoặc trễ đầu ra

Nhìn vào cấu trúc của mạng nơron này ta thấy nó là một hệ động học phi tuyến Tính động học của mạng được thể hiện ở các khâu trễ đầu vào và trễ phản hồi Tính phi tuyến thể hiện ở các hàm truyền phi tuyến tansig Như vậy mô hình mạng nơron này có thể được sử dụng để thay thế mô hình toán học của đối tượng có đặc tính động học phi tuyến

Khi nhận dạng đối tượng động học phi tuyến sử dụng mô hình mạng nơron trên thì cần phải chọn cấu trúc hợp lý Để đơn giản đầu tiên nên chọn cấu trúc mạng đơn giản nhất, tức là có hai lớp không có lớp ẩn Mặt khác vì đối tượng xét ở đây có quan hệ một vào và một ra, cho nên số nơron của lớp

ra luôn là một và để đơn giản hơn nữa có thể chọn hàm f của lớp ra là hàm purelin Vấn đề còn lại là chọn số nơron lớp vào và số nhịp trễ của hai khâu trễ đầu vào và trễ phản hồi

Như đã trình bày ở trên, số nơron một lớp sẽ quyết định số hàng và số nhịp trễ sẽ quyết định số cột của ma trận trọng số, như thế sẽ quyết định số lượng tham số của mạng Cho nên, cấu trúc ban đầu của mạng phải chọn đơn giản nhất có thể, sau đó sẽ thay đổi tăng hoặc giảm dần số nơron và số nhịp trễ nếu như sai lệch lớn

Dựa trên cơ sở mô tả toán học của đối tượng ta có thể xác định được bậc tương đối của nó, trên cơ sở đó sẽ xác định số nhịp trễ tối thiểu của mạng nơron

1.1.4 Huấn luyện mạng nơron

Trong hai bài toán nhận dạng và thiết kế bộ điều khiển nơron ta phải xác định cấu trúc và tham số của mạng nơron Đầu tiên là phải xác định cấu trúc của mạng, sau đó là xác định tham số của mạng Việc xác định tham số của mạng được thực hiện bằng phương pháp huấn luyện mạng

Với các bài toán động học tuyến tính và mạng nơron phi tuyến ta có thể huấn luyện mạng bằng thuật toán lan truyền ngược, nhưng với mạng nơron động học phi tuyến có khâu trễ phản hồi thì việc huấn luyện mạng sẽ khó khăn hơn nhiều vì cấu trúc mạng có đường hồi tiếp từ đầu ra của mạng qua khâu trễ trở về lớp vào, cho nên khi huấn luyện sai lệch rất lớn

Nguyên nhân là do các trọng số ban đầu chưa phải là giá trị tối ưu, dẫn đến đầu ra của mạng có sai lệch lớn, mà đầu ra này lại được phản hồi trở về lớp vào làm cho sai lệch càng lớn hơn Do đó phải có phương pháp huấn luyện mạng thích hợp để giải quyết vấn đề này

 Phương pháp huấn luyện mạng nơron động học phi tuyến

Có hai loại mạng nơron động học phi tuyến:

 Loại không có khâu trễ phản hồi, ta hoàn toàn có thể sử dụng các phương pháp huấn luyện mạng một cách bình thường

 Loại có khâu trễ phản hồi, Muốn huấn luyện mạng thì ta phải thay đổi cấu trúc mạng nơron mà vẫn đảm bảo yêu cầu là xác định được tham số của nó Phương pháp áp dụng như sau: Thay tín hiệu ra qua khâu trễ phản hồi trở lại đầu vào của mạng bằng tín hiệu đâu ra mẫu Khi đó sẽ không còn đường phản hồi ra có trễ và tín hiệu ra mẫu được coi là đầu vào có trễ thứ hai của mạng nơron Sơ đồ như sau:

Nhận xét:

Mạng sẽ có 2 đầu vào và 1 đầu ra Cấu trúc này hoàn toàn có thể huấn luyện mạng với thuật toán lan truyền ngược trên cơ sở thuật toán Levenberg – Marquardt

Tập tín hiệu để luyện mạng là những tín hiệu mẫu được đo từ đầu vào và đầu ra của đối tượng như sau: Tác động dãy tín hiệu P bậc thang ngẫu nhiên

bị hạn chế về biên độ vào đối tượng và đo được tín hiệu ra mẫu T

Kết quả nhận dạng đối tượng phụ thuộc rất nhiều vào tập mẫu đã chọn, thể hiện qua các yếu tố sau đây: Tập mẫu có phản ánh được đặc tính động học phi tuyến của đối tượng hay không Chu kỳ trích mẫu phải được lựa chọn thích hợp Chu kỳ càng nhỏ thì lượng thông tin càng đầy đủ nhưng số mẫu sẽ tăng lên và việc nhận dạng càng chính xác nhưng thời gian luyện mạng càng lớn và ngược lại

 Thuật toán Levenberg-Marquardt

Thuật toán này là sự kết hợp phương pháp Newton và phương pháp hạ theo vector đạo hàm riêng Khi hàm mục tiêu có dạng tổng bình phương các sai lệch, ma trận Hessian có thể được tính xấp xỉ là:

H = JTJ và vector đạo hàm riêng gradient có thể được tính như sau:

tiêu lần lượt theo các trọng số và tham số bù, e là vector các sai lệch của mạng nơron

Thuật toán Levenberg-Marquardt dùng phương thức xấp xỉ này cho việc tính toán ma trận Hessian, các tham số của mạng được hiệu chỉnh theo công thức sau:

θk+1 = θk - [JTJ +µI]-1JTe

θk+1,θk là thông số của mạng tại lần luyện thứ k+1 và k

Khi µ = 0, đây là phương pháp Newton, sử dụng ma trận Hessian xấp xỉ

Khi µ lớn, nó trở thành phương pháp hạ theo hướng vector đạo hàm riêng với khoảng cách bước tìm nhỏ

Phương pháp Newton nhanh và chính xác khi gần điểm tối ưu, cho nên mục đích là phải chuyển sang phương pháp Newton càng nhanh càng tốt Do

đó, µ sẽ giảm sau mỗi bước tìm đúng, và chỉ tăng khi bước tìm thử làm tăng giá trị của hàm mục tiêu Bằng cách này, giá trị hàm mục tiêu sẽ luôn giảm sau mỗi vòng lặp của thuật toán

 Ứng dụng mạng nơron trong điều khiển tự động

Nhờ sự phát triển mạnh mẽ về khả năng tính toán và xử lý ngày càng mạnh của máy tính, nhờ đó mà trong lĩnh vực điều khiển tự động mạng nơron được ứng dụng để giải quyết hai bài toán sau:

 Nhận dạng đối tượng Các đối tượng ở đây với đặc tính có thể là động học tuyến tính, phi tuyến tĩnh hoặc động học phi tuyến

 Thiết kế bộ điều khiển nơron

Theo lý thuyết đã chứng minh mạng nơron là một bộ xấp xỉ đa năng có thể dùng làm mô hình toán học để thay thế cho một đối tượng với sai số cho trước nào đó Đồng thời khả năng xấp xỉ đa năng của mạng nhiều lớp tạo ra một sự lựa chọn ưa thích cho việc mô hình hoá các đối tượng phi tuyến và thực hiện các bộ điều khiển phi tuyến đa năng

Mạng nơron được ứng dụng trong điều khiển tự động với 3 bài toán:

 Điều khiển dự báo mô hình: Model Predictive Control (MPC)

 Điều khiển tuyến tính hoá phản hồi: NARMA-L2 (Feedback Linearization Cotrol)

 Điều khiển theo mô hình mẫu: Model Reference Control

Dùng mạng nơron để thiết kế thì phải thực hiện theo 2 bước cơ bản là Nhận dạng đối tượng và thiết kế bộ điều khiển nơron Cả 3 bài toán trên đều giống nhau ở bước nhận dạng đối tượng điều khiển nhưng bước thiết kế thì khác nhau ở mỗi bài toán

Với bài toán điều khiển dự đoán, mô hình đối tượng dùng để tiên toán đầu ra tương lai của đối tượng và sử dụng một thuật toán tối ưu chọn tín hiệu đầu vào làm tối ưu chỉ tiêu tương lai

Với bài toán tuyến tính hoá phản hồi, bộ điều khiển đơn giản là sự sắp xếp lại mô hình đối tượng

Với bài toán điều khiển theo mô hình mẫu, bộ điều khiển là một mạng nơron được huấn luyện để điều khiển một đối tượng bám theo một mô hình mẫu Một mô hình mạng nơron của đối tượng được sử dụng để hỗ trợ trong việc huấn luyện bộ điều khiển

1.2 Tình hình nghiên cứu trong và ngoài nước liên quan đến đề tài

1.2.1 Tình hình nghiên cứu trong nước

 Nguyễn Đắc Nam (2008),“Nghiên cứu ứng dụng mạng nơron truyền thẳng

nhiều lớp nhận dạng vị trí robot hai khâu”, Luận văn Thạc sỹ, Trường Đại

học Kỹ thuật Công nghiệp

 Báo cáo việc nghiên cứu việc nhận dạng đối tượng động học tuyến tính hoặc phi tuyến tĩnh áp dụng cho nhận dạng vị trí robot hai khâu

 Sử dụng thuật toán lan truyền ngược và có hiệu quả cho đối tượng

mà tác giả đã nghiên cứu Song với những đối tượng động học phi tuyến thì thuật toán lan truyền ngược không còn phù hợp và không cho kết quả cao nữa

 Vũ Thanh Du,“Nghiên cứu ứng dụng mạng nơron để nhận dạng và điều

khiển hệ thống phi tuyến”, Luận văn Thạc sỹ, Trường Đại học Kỹ thuật

Công nghiệp

 Nhận dạng hệ thống phi tuyến được thực hiện bằng phương pháp truyền thống và sử dụng mạng nơron Phương pháp mạng nơron đã khẳng định những ưu việt về thời gian xử lý, có cấu trúc song song,

có khả năng học và ghi nhớ

 Việc nhận dạng được thực hiện dựa trên thuật toán lan truyền ngược

áp dụng cho đối tượng hệ thống phi tuyến tĩnh Độ phức tạp của thuật toán chưa đủ để áp dụng cho việc nhận dạng đối tượng động học phi tuyến

 Các kết quả mà tác giả đưa ra áp dụng cho các bài toán trong đó có đối tượng bể xử lý nước thải Việc nhận dạng sử dụng các hàm luyện mạng có sẵn trong toolbox của Matlab, cho nên thời gian tính toán lâu và chưa phù hợp với những bài toán nhận dạng và điều khiển online

 Nguyễn Sĩ Dũng, Lê Hoài Quốc,“Một số thuật toán về huấn luyện

mạng neural network trên cơ sở phương pháp conjugate Gradient”,

Đại học Công nghiệp TPHCM và Đại học Bách khoa TPHCM

 Tác giả đã tìm đi hướng đi mới đầy triển vọng là xây dựng thuật toán mới về luyện mạng dựa vào phương pháp Conjugate Gradient, trong đó đặt mục tiêu là cải thiện tốc độ hội tụ của quá trình huấn

luyện mạng nơron

 Trong báo cáo này đã trình bày cơ sở toán học của vấn đề của phương pháp Conjugate Gradient và một thuật toán mới được viết trên Matlab 7.1 để huấn luyện mạng nơron Xong đối tượng mà tác

giả áp dụng là đối tượng phi tuyến tĩnh

 Phương pháp này có ý nghĩa trong huấn luyện mạng trực tuyến

online và ứng dụng nhận dạng và điều khiển trong môi trường động

 Nguyễn Kỳ Phùng, Nguyễn Khoa Việt Trường,“Mô hình hoá các quá

trình xử lý nước thải bằng mạng nơron nhân tạo”,Trường Đại học

Khoa học Tự nhiên Đại học Quốc gia Thành phố Hồ Chí Minh

 Đối tượng là mô hình bể xử lý nước thải, các tác giả đã xây dựng

mô hình, tối ưu hoá quá trình luyện mạng và đã kiểm chứng kết quả với sai số nhỏ

 Đã xây dựng được chương trình ứng dụng mạng nơron cho dự báo chất lượng đầu ra của hệ thống xử lý nước thải Cùng với thuật toán tối ưu hoá mạng nơron khi cho số nút ẩn thay đổi để tìm ra cấu trúc mạng tối ưu nhất Chương trình đã thể hiện rõ ưu việt so với chương trình mạng nơron của Matlab

 Thuật toán tối ưu hoá quá trình luyện mạng là một bước cải tiến so với các chương trình ứng dụng mạng nơron thông thường, Chẳng hạn như Matlab Với quá trình lặp lại nhiều lần và ghi nhận những mạng cho kết quả tốt nhất sau mỗi lần lặp, ta có thể chọn được mạng cho kết quả tốt hơn và sai số ổn định hơn

 Đỗ Trung Hải (2008) “Ứng dụng lý thuyết mờ và mạng nơron để điều

khiển hệ chuyển động”, Luận án tiến sỹ, Trường Đại học Bách khoa Hà

Nội

 Nghiên cứu và đề xuất cấu trúc hệ mờ - nơron với số lớp và số nơron thích ứng (5 lớp và số nơron lớp 2 tối thiểu là 2 nơron) nhằm đảm bảo độ chính xác và tốc độ tính toán cho hệ điều khiển thời

gian thực

 Xây dựng thuật toán nhận dạng trực tuyến, cập nhật thích nghi thông số nhằm đảm bảo tối thiểu hoá sai lệch phục vụ cho việc nhận dạng và điều khiển hệ Việc ứng dụng đại số Lie và điều khiển theo phương pháp tuyến tính hoá chính xác thích nghi có khả năng ứng

dụng tổng quát cho một lớp hệ điều khiển chuyển động

 Với hệ chuyển động cụ thể và phức tạp là hệ khớp nối mềm công trình đã đưa ra thuật toán mô phỏng hệ Các kết quả mô phỏng đã chứng tỏ tính đúng đắn của luật nhận dạng và điều khiển, cấu trúc

cũng như mô hình điều khiển hệ chuyển động

1.2.2 Tình hình nghiên cứu ngoài nước

 R.K Al Seyab, Y Cao (2007)“Nonlinear system identification for

predictive control using continuous time recurrent neural networks and automatic differentiation”, School of Engineering Cranfield University,

College Road, Cranfield, Bedford MK43 0AL, UK, Science Direct

 Trong bài báo này, mạng nơron hồi tiếp trong miền thời gian liên tục được phát triển để sử dụng trong lĩnh vực điều khiển dự báo mô hình phi tuyến Mạng nơron đã mô tả trạng thái phi tuyến cơ bản được dùng để dự báo các trạng thái động trong tương lai của phương pháp phi tuyến trên miền thời gian thực

 Phát triển thuật toán luyện mạng có hiệu quả bằng phương pháp lấy

vi phân tự động Phương pháp này xuất phát từ việc tìm ra hệ số Taylor Thuật toán không những giải được phương trình vi phân của mạng mà còn tìm được độ nhạy của quá trình luyện mạng

 Giống như phép xấp xỉ, phương pháp này cũng được sử dụng để giải quyết bài toán tối ưu trong nhận dạng online trong điều khiển dự báo

 Dự kiến mạng nơron và điều khiển dự báo phi tuyến được kiểm nghiệm trên bình bay hơi Kết quả đạt được là mô hình tốt và phù hợp với hệ phi tuyến nhờ sử dụng phương pháp mới này

 So sánh với phương pháp xấp xỉ khác, phương pháp này có khả năng giảm đáng kể thời gian luyện mạng và cải thiện độ chính xác của nghiệm

 Huấn luyện mạng nơron hồi tiếp trên miền thời gian liên tục được sử dụng như mô hình bên trong của điều khiển dự báo và đạt được kết quả tốt trong những mọi điều kiện khác nhau

 Maciej Lawrynczuk (2010), “Training or neural models for predictive

control”, Insitute of control and computation Engineering, Faculty of

Electronics and Information Technology, Warsaw University of

Technology, ul Nowowiejska 15/19, 00-665 Warsaw, Poland, Neurocomputing 73

 Bài báo này nhấn mạnh vấn đề giữa mô hình luyện mạng nơron và vai trò của nó trong thuật toán điều khiển dự báo mô hình Mô hình luyện mạng có tầm quan trọng rất căn bản trong điều khiển dự báo Điều này thể hiện ngay từ khi bộ điều khiển dự báo lấy mẫu thì mô hình được dùng trực tuyến để tính toán dự báo trạng thái tương lai của quá trình và đưa ra luật điều khiển tối ưu

 Lấy những kết quả đó đưa vào tính toán trong hàm đặc biệt của các

mô hình trong điều khiển dự báo Từ đó thuật toán luyện mạng mô hình động học được bắt đầu

 Một ví dụ minh hoạ là bài toán nhận dạng quá trình chưng cất dung dịch Methanol để đánh giá Thuật toán trên đã đạt được kết quả trong việc dự đoán chính xác mô hình và đã được so sánh với kết quả của phương pháp cơ bản lan truyền ngược Với cách này thì từng bước thuật toán này sẽ đi đầu trong lĩnh vực dự báo

 Jaroslava Žilková, Jaroslav Timko, Peter Girovský, “Nonlinear System

Control Using Neural Networks”, Department of Electrical Drives and

Mechatronic, Technical University of Kosice, Hungary

 Bài báo này nhấn mạnh khả năng ứng dụng của huấn luyện mạng nơron off-line để tạo ra mô hình nghịch đảo được sử dụng để thiết kế thuật toán điều khiển cho hệ thống động học phi tuyến Khả năng của mạng nơron phản hồi nối tầng để mô hình bất kỳ một hàm phi tuyến

và mô hình nghịch đảo được đưa ra nghiên cứu

 Bài báo này trình bày một mô hình nơron ngược và nó sẽ làm việc như là bộ điều khiển tốc độ của một động cơ điện cảm ứng Bộ điều khiển tốc độ nơron gồm 2 hệ thống con với mạng nơron phản hồi nối

mong muốn cho thuật toán điều khiển, hệ thứ 2 cung cấp thành phần điện áp tương ứng cho bộ điều chế độ rộng xung PWM

 Tính hiệu quả của bộ điều khiển được tìm ra được kiểm chứng qua việc mô phỏng trên Matlab Chất lượng của bộ điều khiển được khẳng định dưới những điều kiện vận hành khác nhau của hệ thống

 Ghania Debbache - Abdelhak bennia (2006), “Neural network base

MRAC control of dynamic nonlinear systems” Electrical Engineering Institute, Oum El-Bouaghi University 04000 Oum El-Bouaghi Algeria -

Electronic Department, Constantine University 25000 Constantine Algeria

 Bài báo giới thiệu điều khiển thích nghi theo mô hình mẫu cho một dạng hệ thống phi tuyến không biết trước mức độ phi tuyến Các mô hình sử dụng sau đây đảm bảo rằng khi dùng mạng nơron thích nghi sẽ như bộ điều khiển phản hồi trạng thái phi tuyến

 Sự phối hợp đầy đủ giữa thông số trạng thái và khâu quan sát được đưa

ra khảo sát và nghiên cứu Tất cả các tín hiệu trong vòng kín được đảm bảo trong giới hạn và trạng thái của hệ thống được chứng minh qua sự hội tụ trong khoảng nhỏ của trạng thái mô hình mẫu Nó cũng chỉ ra trạng thái ổn định có thể được hình thành như ma trận tuyến tính trong đẳng thức (LMI) Nó có thể được giải khi dùng thuật toán mềm

 Chất lượng điều khiển của hệ thống vòng kín được đảm bảo bởi sự lựa chọn phù hợp tham số điều khiển Kết quả mô phỏng được trình bày để chỉ rõ kết quả của nghiên cứu này

1.2.3 Nhận xét và lựa chọn hướng nghiên cứu

Các nghiên cứu trong nước về cơ bản còn dừng lại ở mức độ sử dụng các thuật toán huấn luyện mạng cơ bản và áp dụng cho những đối tượng có

mô hình chưa có độ phức tạp cao Tuy nhiên trong những năm gần đây các tác giả trong nước cũng đang chuyển hướng nghiên cứu sang lĩnh vực tìm ra thuật

toán luyện mạng mới nhằm cải tiến thuật toán học cơ bản cũng như tăng độ hội tụ và giảm thời gian huấn luyện mạng

Các công trình nghiên cứu ngoài nước hầu hết đều theo hướng áp dụng những thuật toán mới nhằm giải quyết những bài toán nhận dạng mô hình động học phi tuyến Tuy nhiên với đối tượng động học phi tuyến thì việc nhận dạng và điều khiển sẽ gặp rất nhiều khó khăn đòi hỏi phải giải các bài toán tối

ưu để tăng độ hội tụ trong quá trình tính toán và giảm thời gian luyện mạng

1.3 Kết luận chương 1

Đã giới thiệu tóm tắt về kiến thức cơ bản của mạng nơron Đồng thời giới thiệu các dạng mô hình của mạng nơron, các thuật toán huấn luyện mạng

và các bài toán với mạng nơron

Căn cứ việc phân tích tình hình nghiên cứu trong và ngoài nước để làm tiền đề định hướng nghiên cứu cho đề tài này Hi vọng kết quả sẽ áp dụng tốt cho những dạng bài toán nhận dạng và điều khiển đối tượng động học phi tuyến trên cơ sở mạng nơron như bể xử lý nước thải để giải quyết vấn đề đang tồn tại của nhiều quốc gia

CHƯƠNG 2 NHẬN DẠNG ĐỐI TƯỢNG ĐỘNG HỌC PHI TUYẾN SỬ DỤNG MẠNG NƠRON

2.1 Giới thiệu hệ động học phi tuyến

2.1.1 Giới thiệu chung

Hệ động học phi tuyến bao gồm hai đặc tính là tính động học và tính phi tuyến Tính phi tuyến được thể hiện ở hệ thống không thỏa mãn nguyên tắc xếp chồng Tính động học thể hiện ở các quan hệ vào ra, đầu ra không những phụ thuộc vào đầu vào mà còn phụ thuộc vào sự biến thiên của đầu vào Thông thường hệ được biểu diễn bởi quan hệ vi phân và tích phân

Hệ tuyến tính được mô tả bằng một hệ phương trình vi phân tuyến tính

Hệ tuyến tính thỏa biểu diễn như sau:

và ánh xạ F thỏa mãn nguyên tắc xếp chồng :

F(a1(u1(t))+a2(u2(t)) = a1F(u1(t) + a2F(u2(t)) (2.1) Trong đó: a1, a2: là các hằng số

u(t): là véc tơ đầu vào với n tín tiệu

Ngoài ra ta còn có thể dễ dàng tách các thành phần đặc trưng riêng cho từng chế độ làm việc để nghiên cứu với những công cụ toán học chặt chẽ, chính xác mà lại đơn giản Sử dụng mô hình tuyến tính để mô tả hệ thống có nhiều ưu điểm như:

- Mô hình càng đơn giản, càng tốn ít chi phí Các tham số mô hình tuyến tính dễ dàng xác định được bằng các phương pháp thực nghiệm (nhận dạng)

mà không cần đi từ phương trình hóa lí phức tạp mô tả hệ

- Tập các phương pháp tổng hợp bộ điều khiển rất phong phú và không

- Cấu trúc đơn giản của mô hình cho phép dễ dàng theo dõi được kết quả điều khiển và chỉnh định lại mô hình cho phù hợp

Chính vì những ưu điểm của mô hình tuyến tính mà lý thuyết điều khiển tuyến tính đã có lĩnh vực ứng dụng rộng lớn Ngay cả trong các trường hợp đối tượng hay hệ thống là phi tuyến cũng được tìm cách chuyển thể gần đúng sang một mô hình tuyến tính để thực hiện các bài toán tổng hợp điều khiển Ngược lại với hệ tuyến tính là hệ phi tuyến Hệ này không thỏa mãn nguyên lý xếp chồng

Tuy nhiên, phần lớn các đối tượng điều khiển trong công nghiệp lại mang tính động học (quan hệ vào – ra) và phi tuyến, hoặc một hệ điều khiển

mà trong đó có một khâu phi tuyến (không áp dụng được nguyên lý xếp chồng) Bởi khâu phi tuyến có trong hệ tạo ra những dải hoặc ngưỡng để đưa

hệ hoạt động theo dải hoặc ngưỡng, do đó điều này sẽ làm giảm trạng thái không cần thiết khi hệ hoạt động Với cùng một đối tượng khi xét quan hệ vào – ra hoặc các quan hệ giữa các thông số liên quan thì quan hệ này là tuyến tính nhưng quan hệ khác lại không tuyến tính Vì vậy không phải lúc nào những giả thiết cho phép xấp xỉ hệ bằng bằng mô hình tuyến tính được thỏa mãn Do đó tùy theo bài toán mà coi đối tượng là tuyến tính hay phi tuyến

2.1.2 Mô hình mô tả hệ động học phi tuyến dưới dạng rời rạc

Bốn mô hình của các hệ thời gian rời rạc giới thiệu ở đây có thể biểu diễn bằng các phương trình vi phân phi tuyến và sơ đồ khối như sau:

i i p

p p

yp(k)

yp(k)

Z-1

f(.) u(k)

Hình 2.4: Mô hình III

Trong đó: [u(k), yp(k)]: biểu thị cặp đầu vào – ra của hệ SISO ở thời điểm k

và m ≤ n

Các hàm: f :R n  R trong mô hình II và III, hàm f R nm  R

mô hình IV và hàm g:R m  R trong các phương trình (2.2) đến (2.5)

được giả thiết là các hàm vi phân của các argument của chúng

Trong cả 4 mô hình trên đầu ra của hệ ở thời điểm k+1 phụ thuộc vào

cả n giá trị trong quá khứ yp(k-i), (i=0,1, ,n-1) cũng như m giá trị trong quá

khứ của đầu vào u(k-j), (j=0,1, ,m-1)

- Trong mô hình I, sự phụ thuộc của đầu ra vào các giá trị quá khứ

yp (k-i) là tuyến tính.Trong mô hình II, sự phụ thuộc của đầu ra vào các giá trị

quá khứ của đầu vào u(k-j) được giả thiết là tuyến tính

- Trong mô hình III, sự phụ thuộc phi tuyến của yp(k+1) vào yp(k-i) và

u(k-j) được giả thiết là có thể phân tách

- Trong mô hình IV, yp(k+1) là một hàm phi tuyến yp(k-i) và u(k-j), nó

là gộp của các mô hình I-III

Dù tính tổng quát của nó, nhưng dù sao thì mô hình IV có khả năng

phân tích và tìm hiểu khó nên vì vậy để ứng dụng thực tiễn người ta thường

sử dụng các mô hình khác Trong phần sau rất rõ ràng thấy được mô hình II

đặc biệt phù hợp với các bài toán điều khiển

Từ nhiều kết quả nghiên cứu đã đưa ra đầy đủ các điều kiện cần thiết

cho hàm f và hàm g, đồng thời có thể dùng các mạng nơron nhiều lớp để xấp

xỉ gần đúng từng bước Giả thiết rằng các hàm f và g thuộc lớp đã biết trong

phạm vi quan tâm thì hệ có thể được mô tả bằng một mạng nơron tổng quát

Từ giả thiết này đưa ra sự lựa chọn các mô hình nhận dạng và cho phép giải

quyết các bài toán nhận dạng đặt ra Quá trình nhận dạng của mô hình có thể

xem như là sự điều chỉnh các tham số đối với mạng nơron

Một hệ động học phi tuyến có thể mô tả bằng một trong 4 mô hình như

đầu ra giới hạn phù hợp với các đầu vào Điều đó nói nên rằng mô hình được chọn đã mô tả được các tính chất của hệ thống

Trong trường hợp mô hình I, chỉ ra rằng các nghiệm của phương trình

0

nằm ở phía trong đường tròn đơn

vị Trong ba trường hợp còn lại, không tồn tại các điều điều kiện đại số đơn giản như trường hợp I

2.2 Nhận dạng hệ động học phi tuyến

2.2.1 Khái quát chung

 Tại sao phải nhận dạng

Xét một bài toán điều khiển theo nguyên tắc phản hồi như trên hình 2.5:

Muốn tổng hợp được bộ điều khiển cho đối tượng hệ kín có được chất lượng như mong muốn thì trước tiên phải hiểu biết về đối tượng, tức là cần phải có một mô hình toán học mô tả đối tượng Không thể điều khiển đối tượng khi không hiểu biết hoặc hiểu sai lệch về nó Kết quả tổng hợp bộ điều khiển phụ thuộc rất nhiều vào mô hình mô tả đối tượng Mô hình càng chính xác, hiệu suất công việc càng cao

Việc xây dựng mô hình cho đối tượng được gọi là mô hình hóa Người ta thường phân chia các phương pháp mô hình hóa ra làm hai loại:

Đối tượng điều khiển

-

Hình 2.5: Điều khiển theo nguyên tắc phản hồi đầu ra