Nghiên cứu hệ thống nơ ron mờ (ANFIS) để điều khiển tay máy

Giải mờ bằng nguyên tắc cận trái Giải mờ bằng nguyên tắc cận phải Giải mờ bằng phương pháp điểm trọng tâm So sánh các phương pháp giải mờ Mô hình 2 nơron sinh học Mô hình nơron đơn giản

ĐẠI HỌC THÁI NGUYÊN TRƯỜNG ĐẠI HỌC KỸ THUẬT CÔNG NGHIỆP

LUẬN VĂN THẠC SĨ KỸ THUẬT

NGHIÊN CỨU ỨNG HỆ NƠ RON MỜ (ANFIS)

ĐỂ ĐIỀU KHIỂN TAY MÁY

Ngành : TỰ ĐỘNG HÓA

Mã số : TNU088625260014 Học viên : NGUYỄN THỊ NGỌC LINH Hướng dẫn khoa học: PGS.TS LẠI KHẮC LÃI

THÁI NGUYÊN, NĂM 2010

LỜI CAM ĐOAN

Tôi tên là Nguyễn Thị Ngọc Linh lớp CHK11-TĐH tôi xin cam đoan bản

luận văn: "Nghiên cứu, ứng dụng hệ nơron mờ để điều khiển tay máy" là do tôi tự

tổng hợp và nghiên cứu, không photo, coppy của ai Trong luận văn có sử dụng một

số nguồn tài liệu tham khảo rõ ràng như đã nêu trong phần tài liệu tham khảo

Tôi xin chịu trách nhiệm về những gì tôi khai trước nhà trường và hội đồng

khoa học!

Thái nguyên, tháng 10 năm 2010

Tác giả luận văn

Nguyễn Thị Ngọc Linh

LỜI NÓI ĐẦU

Robot là đối tượng phi tuyến nên rất khó xác định được chính xác các thông số

đo lường tại các thời điểm nhất định Do vậy, bài toán điều khiển cánh tay robot là bài toán khá phức tạp Vì vậy, ứng dụng của hệ nơron mờ (anfis) trong bài toán điều khiển cánh tay robot sẽ hứa hẹn một giải pháp hiệu quả góp phần nâng cao hiệu quả làm việc của robot nhờ khả năng di chuyển chính xác đối tượng trong các môi trường làm việc

Hiện nay trong nước và trên thế giới đã có một số nghiên cứu ứng dụng hệ nơron mờ trong bài toán điều khiển cánh tay robot Tuy nhiên, lĩnh vực này còn khá mới mẻ và đang rất được quan tâm nhưng chưa được ứng dụng rộng rãi Chính vì lý do trên tác giả quyết định chọn đề tài:

“Nghiên cứu ứng dụng mạng nơron mờ (ANFIS) để điều khiển tay máy”

Luận văn chia làm 3 chương:

Chương 1: Tổng quan về hệ mờ và mạng nơron

Chương 2: Khảo sát và xây dựng mô hình toán học robot

Chương 3: Xây dựng thuật toán điều khiển cánh tay robot

Mặc dù hết sức nỗ lực song do quỹ thời gian và kinh nghiệm khoa học còn nhiều hạn chế nên bản luận văn không tránh khỏi những thiếu sót, rất mong nhận được

sự đóng góp của các thầy cô và các bạn đồng nghiệp!

Tôi xin chân thành cảm ơn Thầy giáo hướng dẫn PGS TS Lại Khắc Lãi và các

thầy cô khác đã tận tình giúp đỡ, định hướng và giúp tôi hoàn thành bản luận văn này!

Và qua đây xin dành lời biết ơn sâu sắc đến người thân đã hết lòng động viên, giúp đỡ tôi trong suốt quá trình học tập và hoàn thành bản luận văn này!

Thái Nguyên, tháng 10 năm 2010

Tác giả

Nguyễn Thị Ngọc Linh

MỤC LỤC

LỜI NÓI ĐẦU

MỤC LỤC……….3

DANH MỤC CÁC HÌNH VẼ VÀ ĐỒ THỊ….……….……4

PHẦN MỞ ĐẦU……….……….…… 6

1 Lý do chọn đề tài………6

2 Mục đích nghiên cứu……….….…6

3 Đối tượng nghiên cứu……… … 6

4 Phạm vi nghiên cứu……….… 6

5 ý nghiã khoa học và ý nghĩa thực tiễn của đề tài……… 6

Chương I: TỔNG QUAN VỀ HỆ NƠRON MỜ (ANFIS) 10

1.1 Đặt vấn đề 10

1.2 Tổng quan về điều khiển mờ 10

1.2.1 Giới thiệu 10

1.2.2 Cấu trúc của hệ điều khiển mờ 13

1.3 Tổng quan về mạng nơron 25

1.3.1 Giới thiệu 25

1.3.2 Lịch sử phát triển của mạng nơron nhân tạo 25

1.3.3 Cấu trúc mạng nơron nhân tạo 26

1.3.4 Mô hình nơron 29

1.3.5 Cấu trúc mạng 30

1.4 Sự kết hợp giữa mạng nơron và logic mờ 34

1.4.1 Vài nét về lịch sử phát triển 34

1.4.2 Logic mờ 34

1.4.3 Mạng nơron 35

1.4.4 Sự kết hợp giữa mạng nơron và logic mờ 35

1.5 Các hệ thống điều khiển dùng nơron mờ trong nước và trên thế giới……… 37

KẾT LUẬN CHƯƠNG I 40

Chương II: KHẢO SÁT VÀ XÂY DỰNG MÔ HÌNH TOÁN HỌC ROBOT… 41

2.1 Sơ lược quá trình phát triển của robot công nghiệp……… 41

2.2 ứng dụng của robot công nghiệp……….………42

2.3 Các cấu trúc cơ bản của robot công nghiệp………43

2.3.1 Cấu trúc chung……….………… ……….43

2.3.2.Kếtcấu ay máyy 45

2.4 Lựa chọn sơ đồ điều khiển hệ điều khiển robot……….……….45

2.4.1 Thiết lập các phương trình động học cơ bản 47

2.4.2 Vận tốc chuyển động thứ i……….………… 48

2.4.3 Gia tốc của chuyển động thứ i……….……….49

2.5 Thành lập phương trình động lực học………….………49

2.5.1 Xây dựng phương trình tính động năng của hệ……… ………… 49

2.5.2 Xây dựng phương trình tính thế năng của hệ……… ……… 54

2.6 Mô tả toán học hệ điều khiển chuyển động bằng phương trình vi phân…… 55

2.6.1 Thành lập hàm Lagrange 55

2.6.2 Mô tả bằng phương trình Lagrage bậc hai………… ……… 56

2.7 Mô tả hệ điều khiển chuyển động bằng phương trình trạng thái ……… 65

KẾT LUẬN CHƯƠNG II……….………68

Chương III: XÂY DỰNG THUẬT TOÁN ĐIỀU KHIỂN CÁNH TAY ROBOT 69

3.1 Mô phỏng cánh tay robot………69

3.2 Thiết kế bộ điều khiển kinh điển để điều khiển cánh tay robot……… 72

3.3 Xây dựng bộ điều khiển nơron mờ……….76

3.3.1 Xây dựng tập dữ liệu huấn luyện……….………76

3.3.2 Cấu trúc hệ nơron mờ 77

3.3.3 Huấn luyện bộ điều khiển 80

3.3.4 Kết quả mô phỏng 81

KẾT LUẬN CHƯƠNG III 83

KẾT LUẬN 84

TÀI LIỆU THAM KHẢO……… 88

Giải mờ bằng nguyên tắc cận trái Giải mờ bằng nguyên tắc cận phải Giải mờ bằng phương pháp điểm trọng tâm

So sánh các phương pháp giải mờ

Mô hình 2 nơron sinh học

Mô hình nơron đơn giản Mạng nơ ron 3 lớp

Mô hình nơron đơn giản Nơron với R đầu vào

Ký hiệu nơ ron với R đầu vào Cấu trúc mạng nơ ron 1 lớp

Ký hiệu mạng R đầu vào và S

Ký hiệu một lớp mạng Cấu trúc mạng nơron 3 lớp

Ký hiệu tắt của mạng nơ ron 3 lớp Cấu trúc huấn luyện mạng

Kiến trúc kiểu mẫu của một hệ nơron mờ

Mô hình hệ nơ ron mờ Cấu trúc chung của hệ nơron mờ

Mô phỏng hệ thống điều khiển SVC dùng nơron mờ

Hệ thống hút tích hợp với cánh tay robot

Mô hình bộ điều khiển nơron mờ

Sơ đồ cấu trúc chung của robot công nghiệp

Sơ đồ cấu trúc chung của hệ thống cảm biến

Sơ đồ kết cấu tay máy

Sơ đồ cấu trúc robot 3 thanh nối

Sơ đồ khối hệ điều khiển tay máy 3 bậc tự do

Sơ đồ cấu trúc hệ điều khiển tốc độ khớp 1, khớp 2, khớp 3

Sơ đồ mô phỏng hệ cơ học của robot

Sơ đồ cấu trúc hệ điều khiển tốc độ khớp 1

Sơ đồ cấu trúc hệ điều khiển tốc độ khớp 2

Sơ đồ cấu trúc hệ điều khiển khớp 3

Sơ đồ cấu trúc hệ thống điều khiển tay máy bằng PID kinh điển Đặc tính động các khớp khi điều khiển bằng PID kinh điển

Sơ đồ cấu trúc bộ điều khiển mờ Hàm liên thuộc đầu vào 1 của bộ điềukhiển nơron mờ sau huấn luyện Hàm liên thuộc đầu vào 1 của bộ điềukhiển nơron mờ sau huấn luyện

Dữ liệu vào ra của anfis sau huấn luyện

Sơ đồ mô phỏng hệ thống điều khiển tay máy bằng nơ ron mờ Đặc tính động các khớp khi điều khiển khớp 3 bằng anfis Qũi đạo các khớp khi điều khiển khớp 3 bằng anfis

So sánh mạng nơron và logic mờ Tập dữ liệu huấn luyện

PHẦN MỞ ĐẦU

1 Lý do chọn đề tài

Việc nâng cao chất lượng điều khiển tay máy luôn là vấn đề cấp thiết được nhiều nhà khoa học trong và ngoài nước quan tâm Các hệ thống điều khiển tay máy hiện nay chủ yếu dùng phương pháp điều khiển kinh điển và được thiết kế theo phương pháp tuyến tính hóa gần đúng Khi thông số của hệ thống thay đổi thì thống số của

bộ điều khiển giữ nguyên dẫn đến làm giảm độ chính xác điều khiển ảnh hưởng đến chất lượng sản phẩm

Với sự ra đời của lý thuyết điều khiển hiện đại (điều khiển thích nghi, điều khiển

mờ mạng nơron…) đã tạo điều kiện cho việc xây dựng các bộ điều khiển thông minh đáp ứng yêu cầu công nghệ ngày càng cao của nền sản xuất hiện đại Trong mấy năm gần đây đã có nhiều đề tài nghiên cứu ứng dụng hệ mờ và mạng nơron để điều khiển các đối tượng phi tuyến [7], [8], [12], [16] Song phần lớn các nghiên cứu tập trung khai thác các hệ mờ, nơron hoặc mờ nơron ít đề tài quan tâm đến việc xây dựng hệ nơron mờ Trong đề tài này tác giả dự kiến nghiên cứu và ứng dụng hệ nơron mờ để nhận dạng và điều khiển tay máy ba thanh nối, đây là vấn đề mới chưa

có công bố nào ở Việt Nam

Trên đây là lý do tác giả chọn đề tài: "Nghiên cứu, ứng dụng hệ nơron mờ để điều khiển tay máy"

2 Mục đích nghiên cứu

Xây dựng bộ điều khiển noron mờ cho cánh tay robot đảm bảm các yêu cầu chất lượng

3 Đối tượng nghiên cứu

Điều khiển tay robot theo hệ noron mờ

4 Ý nghĩa khoa học, ý nghĩa thực tiễn của đề tài

a) Ý nghĩa khoa học

Hệ thống noron mờ đang nổi lên như một công cụ điều khiển các hệ thống phi tuyến với các thông số chưa xác định Việc kết hợp giữa phương pháp noron và phương pháp mờ đem lại khả năng tuyệt vời cho sự linh hoạt và học theo thao tác của con người Điều này có ý nghĩa rất lớn về mặt khoa học trong việc điều khiển các đối tượng phi tuyến

Đề tài này sẽ đề cập đến ứng dụng của no ron mờ trong việc điều khiển đối tượng phi tuyến đặc biệt là điều khiển cánh tay robot

b) Ý nghĩa thực tiễn

Việc điều khiển cánh tay robot ứng dụng hệ noron mờ có ý nghĩa thực tiễn rất lớn Bởi vì robots được áp dụng rộng rãi trong nhiều lĩnh vực khác nhau, chúng buộc phải có khả năng làm việc trong các môi trường không xác định trước và thay đổi Đặc biệt chúng phải nhạy cảm với môi trường làm việc và thực hiện thao tác bất chấp sự có mặt của vật cản trong vùng làm việc Việc nâng cao chất lượng điều khiển robot sẽ góp phần nâng cao chất lượng sản phẩm, nâng cao năng suất và hiệu quả lao động

Chương I: TỔNG QUAN VỀ HỆ NƠRON MỜ (ANFIS)

là nó có khả năng tự học, tự chỉnh định lại cho phù hợp với sự thay đổi không lường được trước của đối tượng

Như đã biết hệ mờ và mạng nơron đều có khả năng làm việc trong những hệ thống không ổn định, không chính xác và điều kiện môi trường khắc nhiệt Hệ thống mờ và mạng nơron đã có nhiều ví dụ thực hiện đánh giá và so sánh chúng

Ngày nay các nhà thiết kế đã áp dụng một cách rộng rãi và có hệ thống logic

mờ và mạng nơron trong lĩnh vực điều khiển học Ý tưởng là triệt tiêu các nhược điểm và đạt được các ưu điểm của cả hai công nghệ, điều này có nghĩa là hai công nghệ kết hợp để tối đa hóa điểm mạnh của từng công nghệ và bổ sung những nhược điểm để hợp thành một hệ thống mới tối ưu hơn

Hệ thống hợp nhất này sẽ có ưu điểm của cả hai: Mạng nơron (khả năng học, khả năng tối ưu hoá, sự kết nối về cấu trúc) và hệ mờ (sự thông minh của con người qua luật mờ if - then, sự thuận lợi của việc am hiểu kiến thức chuyên môn một cách chặt chẽ của các chuyên gia)

1.2 Tổng quan về điều khiển mờ

1.2.1 Giới thiệu

Trong lịch phát triển của công nghệ hiện đại, sự đóng góp của điều khiển lôgic

là cực kỳ to lớn Nó đã đóng vai trò rất quan trọng không chỉ trong các ngành khoa học tự nhiên mà còn là một môn khoa học không thể thiếu được đối với khoa học xã hội ngay cả trong suy luận đời thường Ngày nay, lôgic toán học kinh điển đã tỏ ra

những hệ thống phức tạp Đặc biệt là những lĩnh vực cần sử dụng trí tuệ nhân tạo hay trong công việc điều khiển và vận hành các hệ thống lớn có độ phức tạp cao cần

sự giúp đỡ của hệ các chuyên gia

Với sự phát triển mạnh mẽ của công nghệ thông tin nhất là kỹ thuật vi xử lý

và công nghệ phần mềm đã đặt nền móng cho việc ứng dụng hệ thống điều khiển thông minh vào các nghành công nghiệp Các hệ thống điều khiển thông minh được xây dựng trên cơ sở trí tuệ nhân tạo đã giúp con người có khả năng khống chế những đối tượng mà trước kia tưởng chừng như không điều khiển được như trong rất nhiều bài toán điều khiển khi đối tượng không thể mô tả bởi mô hình toán học, hoặc mô hình của nó quá phức tạp, cồng kềnh…

Trong thực tế khi thiết kế bộ điều khiển kinh điển thường bị bế tắc khi gặp những bài toán có độ phức tạp của hệ thống cao, độ phi tuyến lớn, thường xuyên thay đổi trạng thái hoặc cấu trúc của đối tượng…

Phát hiện thấy nhu cầu tất yếu ấy, năm 1965 L.A.Zadeh - tại trường đại học Berkelye bang California -Mỹ đã sáng tạo ra lý thuyết điều khiển mờ (Fuzzy Sets Theory) và đặt nền móng cho việc xây dựng một loạt các lý thuyết quan trọng dựa trên cơ sở lý thuyết tập mờ Đây là một trong những phát minh quan trọng có tính bùng nổ và đang hứa hẹn giải quyết được nhiều vấn đề phức tạp và to lớn của thực

Lý thuyết mờ ra đời ở Mỹ, ứng dụng đầu tiên ở Anh nhưng phát triển mạnh mẽ nhất ở Nhật Trong lĩnh vực tự động hóa logic mờ ngày càng được ứng dụng rộng rãi, nó thực sự hữu dụng với các đối tượng phức tạp mà ta chưa biết rõ hàm truyền, phức tạp, không xác định, logic mờ có thể giải quyết các vấn đề mà điều khiển kinh điển không làm được

Phương pháp điều khiển mờ chính là nhằm vào việc xây dựng các phương pháp

có khả năng bắt chước cách thức con người điều khiển Vì đối tượng điều khiển là một hệ thống phức tạp, bản chất chưa rõ, không thể hiển thị bằng các mô hình toán

lý Nên dưới dạng mô hình mờ một tập các mệnh đề IF …THEN (các luật) với các

dữ liệu ngôn ngữ mô tả mối quan hệ giữa các biến vào, các biến ra đã ra đời Ta lấy một ví dụ phận biệt cá voi có tính khoa học Ở những trường tiểu học, nhiều điều làm mọi người ngạc nhiên, rằng cá voi là động vật có vú bởi vì: nó là loại máu nóng, đẻ con, nuôi con bằng sữa mẹ, và cũng mọc lông Hệ thống phân biệt này là một ví dụ hoàn hảo của logic hai trị truyền thống mà thống trị khoa học suốt nhiều thế kỷ Mặc dù thực tế là nó trông giống cá, nó bơi giống cá, nó có mùi cá, và cứ ba học sinh lại có một người nghi ngờ khi nói rằng cá voi không phải là cá, cá voi 100% động vật có vú, 0 % là cá Nếu một nhà logic mờ phân biệt cá voi, ông ta sẽ cho cá voi thuộc về cả hai bộ động vật có vú và bộ cá, tới mức độ tự nhiên

So với phương pháp điều khiển truyền thống thì phương pháp tổng hợp hệ thống điều khiển bằng điều khiển mờ có những ưu điểm sau:

Điểm mạnh nổi trội cơ bản của điểu khiển mờ so với kỹ thuật điều khiển kinh điển là nó áp dụng rất hiệu quả và linh hoạt trong các quá trình điều khiển ở điều kiện chưa xác định rõ và thiếu thông tin

Nguyên lý điều khiển mờ đã cho phép con người tự động hóa được điều khiển cho một quá trình, một thiết bị…và mang lại chất lượng mong muốn

Với nguyên tắc mờ bộ điều khiển tổng hợp được có cấu trúc đơn giản so với bộ điều khiển kinh điển khác có cùng chức năng Sự đơn giản đó đã đóng vai trò quan trọng trong việc tăng độ tin cậy cho thiết bị, giảm giá thành sản phẩm

Điều khiển mờ là những cải tiến liên tiếp của kỹ thuật vi xử lý, một cầu nối không thể thiếu giữa kết quả nghiên cứu của lý thuyết điều khiển mờ với thực tế

1.2.2 Cấu trúc của hệ điều khiển mờ

a) Sơ đồ khối: Sơ đồ các khối chức năng của hệ điều khiển mờ được chỉ ra trên

hình 1.1 Trong đó các khối chính của bộ điều khiển mờ là khối mờ hóa, khối thiết

bị hợp thành và khối giải mờ Ngoài ra cò có giao diện vào và giao diện ra để đưa tín hiệu vào bộ điều khiển và xuất tín hiệu từ ngõ ra bộ điều khiển đến cơ cấu chấp hành

b) Giao diện vào, ra: Hệ mờ là một hệ điều khiển số do đó tín hiệu đưa vào bộ điều

khiển mờ phải là tín hiệu số Giao diện vào có nhiệm vụ chuẩn hóa tín hiệu tương tự thu nhận được từ đối tượng điều khiển và chuyển đổi thành tín hiệu số Giao diện ra

có nhiệm vụ biến đổi tín hiệu số thành tương tự, khuyếch đại tín hiệu điều khiển cho phù hợp với đối tượng cụ thể Trong thực tế, giao diện vào, ra được tích hợp trong một CARD xử lý số chuyên dụng hoặc lắp thêm vào khe cắm mở rộng của máy tính

c) Khối mờ hóa: Là khối đầu tiên của bộ điều khiển mờ có chức năng chuyển mỗi

giá trị rõ của biến ngôn ngữ đầu vào thành véc tơ µ có số chiều bằng số tập mờ đầu vào Số tập mờ đầu vào do người thiết kế qui định tùy thuộc đối tượng cụ thể, nhưng thông thường không chọn quá 9 tập mờ Hình dạng các hàm liên thuộc cũng được tùy chọn theo hình tam giác, hình thang, hàm Gaus … Mỗi loại hàm liên thuộc

có ưu, nhược điểm riêng Hiện nay vẫn chưa có nghiên cứu nào chỉ rõ dùng dạng hàm liên thuộc nào là tốt nhất Hình 1.2 minh họa phương pháp mờ hóa biến điện áp trong khoảng từ 100V - 300V bằng 5 tập mờ dạng hàm Gaux Khi đó ứng với mỗi giá trị rõ x0 ta có véc tơ

) (

) (

) (

) (

0 0 0 0 0

x x x x x



Mờ hoá Thiết bị

hợp thành

Giải

mờ Hình 1.1: Các khối chức năng của bộ điều khiển mờ

Giao diện raGiao diện

vào

Luật điều khiển bao gồm một số mệnh đề hợp thành là các mệnh đề đơn hoặc

mệnh đề phức đƣợc liên hệ với nhau bởi toán tử "Hoặc" có dạng tổng quát:

- Cấu trúc MIMO (Nhiều vào, nhiều ra): Có ít nhất 2 mệnh đề điều kiện và 2 mệnh đề kết luận

Ví dụ: R1: Nếu 1 = A1 và 2 = B1 thì  = C1 hoặc

R2: Nếu 1 = A2 và 2 = B2 thì  = C2

*) Suy diễn mờ Là nguyên tắc xây dựng ma trận hợp thành chung (R) từ các mệnh đề hợp thành Rk Trong điều khiển mờ người ta đưa ra 4 nguyên tắc xây dựng ma trận hợp thành là: Max-min, Max-prod, Sum-min, Sum-prod Theo thói quen ta thường gọi là các luật hợp thành Max-min; luật hợp thành Max-prod; luật hợp thành Sum-min và luật hợp thành Sum-prod - Luật hợp thành Max-min: Nếu (y); (y); (y) 3 2 1 B B B       thu được qua phép lấy Min còn phép hợp thực hiện theo luật Max Luật hợp thành MIN là tên gọi mô hình (ma trận) R của mệnh đề hợp thành AB khi hàm liên thuộc AB(x,y) của nó được xây dựng theo quy tắc MIN Xét luật hợp thành đơn có cấu trúc SISO: Các bước xây dựng: Bước 1: Rời rạc hoá A(x) tại n điểm x1, x2, ,xn , B(y) tại m điểm y1, y2, ,ym (n có thể khác m) Bước 2: Xây dựng ma trận R gồm n hàng và m cột :                                  nm 1 m 1 11 m n R 1 n R m 1 R 1 1 R r

r

r

r y , x

y , x

y , x

y , x R (1.2) Bước 3: Xác định hàm liên thuộc B’(y) của đầu ra ứng với giá trị rõ đầu vào xk theo biểu thức :

B’(y) = aT.R = (a1, a2, an)            nm 1 m 1 11 r

r

r

r

(l1, l2, … lm) (1.3)

Với

1

Σn

k i ik i

Ta tiến hành xây dựng luật hợp thành MAX-MIN:

- Luật hợp thành MAX-PROD: Nếu (y); (y); (y)

3 2

B     

 thu đƣợc qua phép PROD còn phép hợp thực hiện theo luật Max

   

















































nm 1

m 1 11

m n R 1

n R

m 1 R 1

1 R

r

r

r

r y , x

y , x

y , x

y , x R

Bước 3: Xác định hàm liên thuộc B’(y) của đầu ra ứng với giá trị rõ đầu vào xk theo biểu thức:

B’(y) = aT.R = (a1, a2, an)            nm 1 m 1 11 r

r

r

r (l1, l2, … lm) Với i ik n 1 i k Σa r l   aT= ( 0, 0, , 0, 1, 0, , 0)

 vị trí thứ k

Trong đó: l max prod  airki , k 1 , 2 , , m

n i 1



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) và B(y) được rời rạc hoá với tần số rời rạc đủ nhỏ để không bị mất thông tin

Ví dụ:

A(x), B(y), A(x), C(z), được rời rạc hoá tại các 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:

- Luật hợp thành SUM-MIN: Nếu (y); (y); (y)

3 2

B     

 thu được qua phép lấy Min còn phép hợp thực hiện theo luật SUM

Xét luật điều khiển R gồm p mệnh đề hợp thành:

R1: Nếu  = A1 Thì  = B1 hoặc

R2: Nếu  = A2 Thì  = B2 hoặc

Rp: Nếu  = Ap Thì  = Bp

Trong đó các giá trị mờ A1, A2, , Ap có cùng cơ sở X và B1, B2, ,BP có cùng cơ sở Y Gọi hàm liên thuộc của Ak và Bk là Ak(x) và Bk(y) với k = 1, 2, , p Thuật toán triển khai: R = R1R2 Rp được thực hiện theo các bước sau: Bước 1: Rời rạc hoá X tại n điểm (x1, x2, x3, , xn) và Y tại m điểm (y1, y2, ,

ym)

Bước 2: Xác định các véctơ Ak và Bk (k = 1, 2, ,p) tại các điểm rời rạc theo biểu thức:

T

Ak = {Ak(x1),Ak(x2), , Ak(xn)} (1.5) T

Bk = {Bk(y1), Bk(y2), , Bk(yn)}

Bước 3: Xác định mô hình (ma trận) Rk cho mệnh đề thứ k

Hình 1.4: Hàm liên thuộc vào- ra theo luật hợp thành max-prod

Rk= Ak.T

Bk = k ij

r ,i =1, 2, , n và j = 1, 2, ,m (1.6) Trong đó phép (.) là phép tính lấy cực tiểu min khi sử dụng nguyên tắc SUM-MIN

1 k k

R , 1 min

B     

 thu đƣợc qua phép lấy PROD còn phép hợp thực hiện theo Lukasiewicz

Xét luật điều khiển R gồm p mệnh đề hợp thành:

Rp: Nếu  = Ap Thì  = Bp

Trong đó các giá trị mờ A1, A2, , Ap có cùng cơ sở X và B1, B2, ,BP có cùng cơ sở Y

Gọi hàm liên thuộc của Ak và Bk là Ak(x) và Bk(y) với k = 1, 2, , p

Thuật toán triển khai: R = R1R2 Rp được thực hiện theo các bước sau:

Bước 1: Rời rạc hoá X tại n điểm (x1, x2, x3, , xn) và Y tại m điểm (y1, y2, ,

r , i =1, 2, , n và j = 1, 2, ,m Trong đó phép (.) sử dụng phép nhân bình thường khi sử dụng nguyên tắc SUM-PROD

1 k k

R , 1 min

e) Khối giải mờ (rõ hoá)

Giải mờ là quá trình xác định một giá trị rõ y0 nào đó có thể chấp nhận được

từ hàm liên thuộc B’(y) của giá trị mờ B’ (tập mờ B’)

Có hai phương pháp giải mờ chính là phương pháp cực đại và phương pháp

điểm trọng tâm

*Phương pháp cực đại

Để giải mờ theo phương pháp cực đại, ta cần thực hiện theo hai bước:

Bước 1: Xác định miền chứa giá trị rõ y0 (miềnG): Đó là miền mà tại đó hàm

liên thuộc B’(y) đạt giá trị cực đại (độ cao H của tập mờ B’), tức là miền:

G = {y | B’(y) = H} ;

Bước 2: Xác định y0 có thể chấp nhận được từ G theo ba nguyên tắc : Nguyên

tắc trung bình; nguyên tắc cận trái và nguyên tắc cận phải

Nguyên tắc trung bình : Giá trị rõ y0 sẽ là trung bình cộng của y1 và y2:

2

y y

0





Ví dụ giải mờ bằng nguyên tắc trung bình cho luật hợp thành MAX-MIN:

Hình 1.6: Hàm liên thuộc vào-ra theo luật hợp thành sum-prod

Nguyên tắc cận trái : Giá trị rõ y0 đƣợc lấ y bằng cận trái y1 của G Với

Ví dụ giải mờ khi sử dụng nguyên tắc cận trái cho luật hợp thành MAX-MIN:

Hình 1.7: Giải mờ bằng nguyên tắc trung bình

Hình 1.8: Giải mờ bằng nguyên tắc cận trái

Ví dụ giải mờ khi sử dụng nguyên tắc cận phải cho luật hợp thành MAXMIN:

*Phương pháp điểm trọng tâm

Giải mờ theo phương pháp điểm trọng tâm sẽ cho ra kết quả y' là hoành độ của

điểm trọng tâm miền được bao bởi trục hoành và đường B’(y)

Công thức xác định y0 theo phương pháp điểm trọng tâm như sau: y’

Với S là miền xác định của tập mờ B'

- Phương pháp điểm trọng tâm cho luật hợp thành SUM-MIN

Giả sử có q luật điều khiển được triển khai Khi đó mỗi giá trị mờ B' tại đầu ra

của bộ điều khiển sẽ là tổng của q giá trị mờ đầu ra của từng luật hợp thành Ký

hiệu giá trị mờ đầu ra của luật điều khiển thứ k là B’k(y) với k =1,2, ,q Với quy

tắc SUM-MIN, hàm liên thuộc B’(y) sẽ là:

B ( y ) Sau khi biến đổi, ta có:

1 k k ' B S q

1 k k ' B

dy ) y (

dy )]

y ( y

q

1

k S

k ' B

] dy ) y ( [

] dy ) y ( y [

1 k k

q

1 k k

Trong đó: Mk = 

S k '

B ( y ) dy

y và Ak =

S k '

k ' B S

q

1 k

k ' B

dy ) y (

dy )]

y ( y

q

1

k S

k ' B

] dy ) y ( [

] dy ) y ( y [

1 k k

q

1 k k

giá trị của B’k(y).Ta có: B’k(y) = Hk và y' =







 q

1 k k

q

1 k k k

H

H y

Độ caoHình 1.10: Giải mờ bằng phương pháp điểm trọng tâm

1.3 Tổng quan về mạng nơron

1.3.1 Giới thiệu

Với logic mờ, trí tuệ nhân tạo phát triển mạnh mẽ trong những năm gần đây tạo

ra cơ sở xây dựng các hệ chuyên gia, những hệ có khả năng cung cấp kinh nghiệm điều khiển hệ thống Trí tuệ nhân tạo được xây dựng dựa trên mạng nơron nhân tạo Mạng nơron nhân tạo (Artificial Neural Networks) là hệ thống được xây dựng dựa trên nguyên tắc cấu tạo của bộ não người Nó cho chúng ta một hướng mới trong nghiên cứu hệ thống thông tin Mạng nơron nhân tạo có thể thực hiện các bài toán: Tính toán gần đúng các hàm số, thực hiện các bài toán tối ưu, nhận mẫu, nhận dạng

và điều khiển đối tượng hiệu quả hơn so với các phương pháp truyền thống Mạng nơron nhân tạo có một số lượng lớn mối liên kết của các phần tử biến đổi có liên kết song song Nó có hành vi tương tự như bộ não người với khả năng tự học hỏi, tự chỉnh định cho phù hợp với sự thay đổi không lường trước của đối tượng điều khiển

và tổng hợp thông tin từ sự luyện tập của các tập mẫu dữ liệu Trong quá trình tái tạo đó không phải tất cả các chức năng của bộ não con người đều được tái tạo, mà chỉ có những chức năng cần thiết Bên cạnh đó còn có những chức năng mới được tạo ra nhằm giải quyết một bài toán điều khiển đã định trước Các phần tử biến đổi

của mạng nơron nhân tạo được gọi là các nơron nhân tạo hoặc gọi tắt là nơron 1.3.2 Lịch sử phát triển của mạng nơron nhân tạo

Mạng nơron được xây dựng từ những năm 1940 nhằm mô phỏng một số chức năng của bộ não con người Dựa trên quan điểm cho rằng bộ não người là bộ điều khiển Mạng nơron nhân tạo được thiết kế và có khả năng giải quyết hàng loạt các bài toán tối ưu, điều khiển, công nghệ robot…

Qua quá trình nghiên cứu và phát triển nơron nhân tạo có thể chia làm 4 giai đoạn như sau:

Giai đoạn 1: Có thể tính từ nghiên cứu của William (1980) về tâm lý học với sự liên kết các nơron thần kinh Năm 1940 Mc Culloch và Pitts đã cho biết nơron có thể mô hình hóa như thiết bị ngưỡng (giới hạn) để thực hiện các phép tính logic và

mô hình mạng nơron của Mc Culloch-Pitts cùng với giải thuật huấn luyện mạng của Hebb ra đời năm 1943

Giai đoạn 2: Vào khoảng gần những năm 1960, một số mô hình nơron hoàn thiện hơn đã được đưa ra như: mô hình Perception của Rosenblatt (1958), Adalile của Widrow (1962) Trong đó mô hình Perception rất được quan tâm vì nguyên lý đơn giản nhưng nó có hạn chế vì nó đã không dùng được cho các hàm logic phức (1969) Adalile là mô hình tuyến tính, tự chỉnh được dùng rộng rãi trong điều khiển thích nghi, tách nhiễu và phát triển cho đến nay

Giai đoạn 3: Đầu thập niên 80 những đóng góp lớn cho mạng nơron trong giai đoạn này phải kể đến Grossberg, Kohnonen, Rumelhart và Hopfield Trong đó đóng góp lớn của Hopfiled gồm hai mạng phản hồi: Mạng rời rạc năm 1982 và mạng liên tục năm 1984 Cảm nhận của Hopfield đã được Rumelhart, Hinton và Williams đề xuất thuật toán sai số truyền ngược nổi tiếng để huấn luyện mạng nơron nhiều lớp nhằm giải bài toán mà mạng khác không thực hiện được Nhiều ứng dụng mạnh mẽ của mạng nơron ra đời cùng với các mạng theo kiểu máy Boltlzmannn

Giai đoạn 4: Tính từ năm 1987 đến nay mạng nơron đã tìm và khẳng định được

vị trí của mình trong rất nhiều ứng dụng khác nhau: điều khiển, bài toán tối ưu, …

1.3.3 Cấu trúc mạng nơron nhân tạo

a) Mạng nơron sinh học

* Cấu tạo: Nơron là phần tử cơ bản tạo nên bộ não con người Sơ đồ cấu tạo của

một nơron sinh học được chỉ ra như trong hình 1.23 Một nơron điển hình có 3 phần chính: thân nơron, các nhánh và sợi trục

Nhánh

Khớp nối

Sợi trụcHình 1.12: Mô hình 2 nơron sinh họcThân

- Thân nơron (soma): Được giới hạn trong một màng membran và trong cùng

là nhân Thân nơron có rất nhiều đường rẽ nhánh gọi là rễ

Các rễ của nơron được chia thành hai loại: Loại nhận thông tin từ nơron khác qua axon gọi là rễ đầu vào và loại đưa thông tin qua axon tới các nơron khác gọi là

rễ đầu ra Một nơron có nhiều rễ đầu vào nhưng chỉ có một rễ đầu ra

- Các nhánh (dendrite): Đây chính là các mạng dạng cây của các dây thần kinh

để nối các soma với nhau

- Sợi trục (Axon): Đây là một kết nối hình trụ dài và mang các tín hiệu ra ngoài

Phần cuối của axon được chia thành nhiều nhánh nhỏ Mỗi nhánh nhỏ (cả của dendrite và axon) kết thúc trong một cơ quan nhỏ hình củ hành được gọi là synapte

mà tại đây các nơron đưa các tín hiệu của nó vào các nơron khác Những điểm tiếp nhận với các synapte trên các nơron khác có thể ở các dendrite hay chính soma

* Hoạt động của nơron sinh học có thể mô tả như sau:

Các tín hiệu đưa ra bởi một synapte và được nhận bởi các dendrite là các kích thích điện tử Việc truyền tín hiệu đó liên quan đến một quá trình hóa học phức tạp

mà trong đó các chất truyền đặc trưng được giải phóng từ phía gửi của nơi tiếp nối Điều này làm tăng hay giảm điện thế bên trong thân của nơron nhận Nơron nhận tín hiệu sẽ kích hoạt (fire) nếu điện thế vượt khỏi một ngưỡng nào đó và một xung (hoặc điện thế hoạt động) với độ mạnh (cường độ) và thời gian tồn tại cố định được gửi ra ngoài thông qua axon tới phần nhánh của nó rồi tới các chỗ nối synapte với các nơron khác Sau khi kích hoạt, nơron sẽ chờ trong một khoảng thời gian được gọi là chu kỳ trước khi nó có thể được kích hoạt lại Synapses là hưng phấn (excitatory) nếu chúng cho phép các kích thích truyền qua gây ra tình trạng kích hoạt (fire) đối với nơron nhận Ngược lại, chúng là ức chế (inhibitory) nếu các kích thích truyền qua làm ngăn trở trạng thái kích hoạt (fire) của nơron nhận

b) Mạng nơron nhân tạo

* Khái niệm

Nơron nhân tạo là sự sao chép nơron sinh học của não người, nó có những đặc tính sau:

- Mỗi nơron có một số đầu vào, những kết nối (Synaptic) và một đầu ra (axon)

- Một nơron có thể hoạt động (+35mV) hoặc không hoạt động (-0,75mV)

- Chỉ có một đầu ra duy nhất của một nơron được nối với các đầu vào khác nhau của nơron khác Điều kiện để nơron được kích hoạt hay không kích hoạt chỉ phụ thuộc những đầu vào hiện thời của chính nó

Một nơron trở nên tích cực nếu đầu vào của nó vượt qua ngưỡng ở một mức nhất định

Các đầu vào có hàm trọng Wj và bộ tổng Đầu ra của bộ tổng được sử dụng để quyết định một giá trị của đầu ra thông qua hàm chuyển Có nhiều kiểu hàm chuyển khác nhau (sẽ được đề cập ở phần sau) Tương tự nơron sinh học của con người, nơron sẽ được kích hoạt nếu tổng giá trị vào vượt quá ngưỡng và không được kích hoạt nếu tổng giá trị vào thấp hơn ngưỡng Sự làm việc như vậy của nơron gọi là sự kích hoạt nhảy bậc

Kết nối một vài nơron ta được mạng nơron Hình 1.25 là một mạng nơron gồm 3 lớp: lớp vào, lớp ẩn và lớp ra

Các nơron lớp vào trực tiếp nhận tín hiệu ở đầu vào, ở đó mỗi nơron chỉ có một tín hiệu vào Mỗi nơron ở lớp ẩn được nối với tất cả các nơron lớp vào và lớp ra Các nơron ở lớp ra có đầu vào được nối với tất cả các nơron ở lớp ẩn, chúng là đầu

ra của mạng Cần chú ý rằng một mạng nơron cũng có thể có nhiều lớp ẩn Các mạng nơron trong mỗi nơron chỉ được liên hệ với tất cả các nơron ở lớp kế tiếp và tất cả các mối liên kết chỉ được xây dựng từ trái sang phải được gọi là mạng nhiều lớp truyền thẳng (perceptrons)

1.3.4 Mô hình nơron

a) Nơron đơn giản: Xét một nơron với một đầu vào vô hướng và không có độ dốc

b) Nơron với nhiều đầu vào (véc tơ vào)

Nơron với véc tơ vào gồm R phần tử được chỉ ra trên hình 1.28

Cách biểu diễn trên sẽ rất khó khăn khi mô tả mạng gồm nhiều nơron và có nhiều lớp Để đơn giản ta sử dụng ký hiệu nhƣ hình 1.29

1xRRx1

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

Trong mạng này mỗi phần tử của véc tơ vào p liên hệ với đầu vào mỗi nơron thông qua ma trận trọng liên kết W Bộ cộng của nơron thứ i thu thập các trọng liên

kết đầu vào và dộ dốc để tạo thành một đầu ra vô hướng ni Các ni tập hợp với nhau

tạo thành s phần tử của véc tơ vào n Cuối cùng ở lớp ra nơron ta thu được véc tơ a

gồm s phần tử

Để đơn giản ta ký hiệu mạng một lớp gồm S nơron, R đầu vào như hình vẽ 1.19

Trong đó: Véc tơ vào P có kích thước R, ma trận trọng liên kết W có kích thước

S x R còn a và b là các véc tơ có kích thước S Như chúng ta đã biết, một lớp mạng

bao gồm ma trận trọng liên kết, toán tử nhân, véc tơ độ dốc b, bộ tổng và hộp hàm

truyền

b) Mạng nhiều lớp

* Ký hiệu qui ước cho một lớp mạng

Để minh hoạ, ta xét một lớp mạng có nhiều đầu vào như hình 1.20

*Ký hiệu quy ƣớc cho mạng 3 lớp

Đối với mạng 3 lớp ta cũng có thể sử dụng ký hiệu tắt để biểu diễn (hình 1.33)

1

2 , 3 1 , 1

1.3.6 Huấn luyện mạng

* Mục đích huấn luyện mạng: Mạng nơron được huấn luyện để thực hiện những

hàm phức tạp trong nhiều lĩnh vực ứng dụng khác nhau như trong nhận dạng, phân loại sản phẩm, xử lý tiếng nói, chữ viết và điều khiển hệ thống…

* Cấu trúc huấn luyện mạng

Cấu trúc huấn luyện mạng nơron được chỉ ra trên hình 1.35

Mạng nơron được điều chỉnh hoặc được huấn luyện để hướng các đầu vào riêng biệt đến đích ở đầu ra

Ở đây, hàm trọng của mạng được điều chỉnh trên cơ sở so sánh đầu ra với đích mong muốn (taget) cho tới khi đầu ra mạng phù hợp với đích Những cặp vào/đích (input/taget) được dùng để giám sát cho sự huấn luyện mạng

Để có được một số cặp vào/ra, ở đó mỗi giá trị vào được gửi đến mạng và giá trị

ra tương ứng được thực hiện bằng mạng là sự xem xét và so sánh với giá trị mong muốn Bình thường tồn tại một sai số vì giá trị mong muốn không hoàn toàn phù hợp với giá trị thực Sau mỗi lần chạy, ta có tổng bình phương của tất cả các sai số Sai số này được sử dụng để xác định các hàm trọng mới

Sau mỗi lần chạy, hàm trọng của mạng được sửa đổi với đặc tính tốt hơn tương ứng với đặc tính mong muốn Từng cặp giá trị vào/ra phải được kiểm tra và trọng lượng được điều chỉnh một vài lần Sự thay đổi các hàm trọng của mạng được dừng lại nếu tổng các bình phương sai số nhỏ hơn một giá trị đặt trước hoặc đã chạy đủ một số lần chạy xác định (trong trường hợp này mạng có thể không thoả mãn yêu cầu đặt ra do sai lệch còn cao)

Đích

So sánh

Hàm trọng (weights) giữa các nơron Vào

Điều chỉnh Hình 1.23: Cấu trúc huấn luyện mạng

nơron

Có 2 phương pháp cơ bản để huấn luyện mạng nơron: Huấn luyện gia tăng (tiến dần) và huấn luyện theo gói

a) Huấn luyện gia tăng (huấn luyện tiến dần)

Huấn luyện gia tăng là thay đổi hàm trọng và độ dốc của mạng sau mỗi lần xuất hiện của một phần tử véc tơ đầu vào Huấn luyện gia tăng đôi khi được xem như huấn luyện trực tuyến hay huấn luyện thích nghi Sự huấn luyện gia tăng có thể được áp dụng cho cả mạng tĩnh và mạng động Tuy nhiên, trong thực tế nó được sử dụng nhiều hơn cho mạng động, ví dụ các bộ lọc thích nghi

b) Huấn luyện mạng theo gói

Huấn luyện theo gói trong đó các hàm trọng và độ dốc chỉ được cập nhật sau khi tất cả các dữ liệu vào và đích đã được đưa tới, có thể được áp dụng cho cả mạng tĩnh và mạng động

1.4 Sự kết hợp giữa mạng nơron và logic mờ

1.4.1 Vài nét về lịch sử phát triển

Năm 1970, Lee nghiên cứu về mối liên quan giữa lý thuyết tập mờ với mạng nơron đã đánh dấu sự ra đời của bộ điều khiển nơron mờ Phát triển trên nền công trình đó, năm 1971 đã xuất hiện thiết bị tự động với cơ chế suy diễn mờ theo

nguyên lý mạng nơron, tuy nhiên vẫn còn ở mức độ thấp

Thập kỷ 80-90 được xem là thời kỳ nở rộ của các công trình nơron mờ với những ứng dụng trong nhận dạng ảnh, trong hệ thống hỗ trợ quyết định, trong cơ chế suy diễn nơron mờ Nguyên nhân của sự phát triển đó là do: sự phát triển của mạng nơron Hopfield, Tank, tiếp nối là sự hoàn thiện thuật toán lan truyền ngược của Rumelhart, Hinton, Williams, Nauck, Kruse cho mạng MLP và nguyên nhân nữa thúc đẩy sự phát triển này là các sản phẩm logic mờ ở Nhật Bản phát triển mạnh mẽ và các chíp mờ đã được ứng dụng trong điều khiển máy giặt, nồi cơm điện, máy điều hòa…

1.4.2 Logic mờ

Đối với logic mờ, ta dễ dàng thiết kế một hệ thống mong muốn chỉ bằng các luật Nếu - thì (If-Then) gần với việc xử lý của con người Điều này cho phép tạo ra lời

giải đơn giản hơn, trong khoảng thời gian ngắn hơn Thêm nữa, ta dễ dàng sử dụng những hiểu biết của mình về đối tượng để tối ưu hệ thống một cách trực tiếp

Tuy nhiên, đi đôi với các ưu điểm hệ điều khiển mờ còn tồn tại một số nhược điểm như việc thiết kế và tối ưu hóa hệ logic mờ đòi hỏi phải có một số kinh nghiệm về điều khiển đối tượng, đối với những người mới thiết kế lần đầu điều đó hoàn toàn không đơn giản Mặt khác còn hàng loạt những câu hỏi khác đặt ra cho người thiết kế mà nếu chỉ dừng lại ở tư duy logic mờ thì hầu như chưa có lời giải

Ví dụ: Số tập mờ trong mỗi biến ngôn ngữ cần chọn bao nhiêu là tối ưu? Hình dạng các tập mờ thế nào? Vị trí mỗi tập mờ ở đâu? Việc kết hợp các tập mờ như thế nào? Trọng số của mỗi luật điều khiển bằng bao nhiêu? Nếu như tri thức cần đưa vào hệ được thể hiện dưới dạng các tập dữ liệu (điều này thường gặp khi thu thập và xử lý

dữ liệu để nhận dạng đối tượng) thì làm thế nào? [1]

1.4.3 Mạng nơron

Đối với mạng nơron, chúng có một số ưu điểm như: xử lý song song nên tốc độ

xử lý rất nhanh; có khả năng học hỏi, ta có thể huấn luyện mạng để xấp xỉ một hàm phi tuyến bất kỳ đặc biệt khi đã biết một tập dữ liệu vào/ra

Đi đôi với những ưu điểm đó mạng nơron vẫn còn tồn tại một số nhược điểm cơ bản là khó giải thích rõ ràng hoạt động của mạng nơron như thế nào Do vậy, việc chỉnh sửa trong mạng nơron rất khó khăn [1]

1.4.4 Sự kết hợp giữa mạng nơron và logic mờ

Một số tiêu chí cơ bản trợ giúp cho người thiết kế ở logic mờ và mạng nơron (Bảng 1.1)

Bảng 1.1: So sánh mạng nơron và logic mờ

Từ nhữ ng phân tích ở trên ta thấ y mạ ng nơ ron và logic mờ mỗ i loạ i có

mộ t điể m mạ nh và điể m yế u riêng củ a nó Và nhữ ng ư u điể m củ a mạ ng

nơ ron là như ợ c điể m củ a bộ điề u khiể n mờ và ngư ợ c lạ i Từ đó để có

đư ợ c ư u điể m củ a cả điề u khiể n mờ và mạ ng nơ ron trong mộ t bộ điề u khiể n, ngư ờ i ta đã ghép chúng chung thành mộ t hệ thố ng ta sẽ có một hệ lai với ưu điểm của cả hai: logic mờ cho phép thiết kế hệ dễ dàng, tường minh trong khi mạng nơron cho phép học những gì mà ta yêu cầu về bộ điều khiển Nó sửa đổi

các hàm phụ thuộc về hình dạng, vị trí và sự kết hợp hoàn toàn tự động Điều này

làm giảm bớt thời gian cũng như giảm bớt chi phí khi phát triển hệ mờ nơron

Việc ghép nối này có thể được thực hiện theo nhiều cách khác nhau và mỗi cách ghép nối sẽ có một giá trị riêng cho một hệ thống điều khiển nhất định nào đó Một

kỹ thuật ghép nối giữa điều khiển mờ và mạng nơron đã mang lại nhiều thành công trong kỹ thuật điều khiển đó là hệ thống suy luận nơron mờ

1.4.5 Cấu trúc chung của hệ nơron mờ

Thể hiện tri thức Không tường minh, khó

giải thích và khó sửa đổi

Tường minh, dễ kiểm chứng hoạt động và dễ sửa đổi

Khả năng học Có khả năng học thông qua

1.5 Các hệ thống điều khiển dùng nơron mờ trong nước và trên thế giới

Lý thuyết tập mờ và mạng nơron ra đời muộn hơn cả song nó cũng đã khẳng định được ưu thế và khả năng ứng dụng trong nhiều lĩnh vực đặc biệt là lĩnh vực điều khiển đòi hỏi chất lượng cao Có được điều đó là do lý thuyết tập mờ, mạng nơron được kết hợp khi ứng dụng vào kỹ thuật điều khiển có nhiều ưu điểm nổi trội bởi tính linh họat trong xử lý, mềm dẻo trong khả năng ứng dụng Hiện nay sự phát triển của

Hình 1.25: Mô hình hệ nơron mờ Hình 1.24: Kiến trúc kiểu mẫu của một hệ nơron mờ

hệ nơron mờ vẫn tiếp tục phát triển mạnh mẽ và nhận được sự quan tâm của rất nhiều nhà khoa học

Sau đây tác giả xin giới thiệu một số công trình nghiên cứu của các nhà khoa học về ứng dụng của hệ thống điều khiển dùng nơron mờ ở trong nước và trên thế giới

1.5.1 Ứng dụng mạng nơron để điều khiển bộ bù tĩnh

- Đoàn Quang Vinh, Trần Đình Tân-Khoa Điện, trường Đại học Bách Khoa, Đại

học Đà Nẵng [22]

1.5.2 Ứng dụng mạng nơron mờ để xác định độ hút mong muốn (phụ thuộc vào dữ liệu thu thập từ thực nghiệm và các đặc tính của máy) - Nikos et al (1999)

Một bộ điều khiển van chuyên gia sau đó được thiết kế để tạo ra, điều chỉnh

và duy trì lượng hút được tính toán bởi modul hút noron mờ Đặc tính của toàn bộ

hệ thống điều khiển độ hút được so sánh với các kết quả thực nghiệm đạt được khi

sử dụng hệ thống kẹp mẫu để thực hiện với vật liệu mềm [9]

Hình 1.27: Mô phỏng hệ thống điều khiển SVC dùng nơron mờ

1.5.3 Ứng dụng mạng nơron mờ cho việc điều khiển nhiệt độ dùng quang phổ dạng TSK - Cheng, Chen, Lee (2006)

Mô hình này có cấu trúc 5 lớp kết hợp với bộ TSK (Takagi Sugeno Kang) truyển thống Lớp 2 của mô hình mạng noron mờ quang phổ dạng TSK chứa các hàm chức năng kích hoạt nhiều lớp thành phần quang phổ Mỗi hàm thành phần đƣợc tạo thành từ tổng các hàm xích ma dịch chuyển bởi các khoảng chuyển tiếp quang phổ Một thuật toán học tự hình thành chứa thuật toán tự tập hợp (self-clustering algorithm) và thuật toán phản hồi cũng đƣợc đƣa ra Thuật toán tự tập hợp nhanh cho ƣớc tính động các tập hợp trong không gian dữ liệu đầu vào Thuật toán phản hồi đƣợc sử dụng để điều chỉnh các thông số [10]

1.5.4 Ứng dụng mạng nơron điều khiển thích ngi các hàm thành phần mờ và tối ưu hóa động học các luật mờ ngôn ngữ cho hệ thống điều khiển dao động - Yang,

Tung & Liu (2005)

Cấu trúc của một mạng thuận 5 lớp đƣợc chỉ ra để xác định các luật logic mờ chính xác của hệ thống, điều chỉnh tối ƣu các thông số (theo từng vùng) của các hàm thành phần, và thực hiện chính xác can thiệp mờ [11]

Hình 1.28: Hệ thống hút tích hợp với cánh tay robot

KẾT LUẬN CHƯƠNG I

Chương I: "Tổng quan về hệ mờ và mạng nơron" đã giải quyết được một số vấn đề sau:

- Nghiên cứu lý thuyết về hệ mờ và mạng nơron;

- Giới thiệu một số công trình nghiên cứu về hệ nơron mờ trong nước và trên thế giới;

- Phân tích ưu nhược điểm mỗi loại và việc kết hợp chúng thành hệ nơron mờ nhằm phát phát huy ưu điểm của điều khiển mờ và mạng nơron trong điều khiển các