Trong lĩnh vực Công Nghệ Thông Tin nói riêng, yêu cầu quan trọng nhất của người học đó chính là thực hành. Có thực hành thì người học mới có thể tự mình lĩnh hội và hiểu biết sâu sắc với lý thuyết. Với ngành mạng máy tính, nhu cầu thực hành được đặt lên hàng đầu. Tuy nhiên, trong điều kiện còn thiếu thốn về trang bị như hiện nay, người học đặc biệt là sinh viên ít có điều kiện thực hành. Đặc biệt là với các thiết bị đắt tiền như Router, Switch chuyên dụng
NGHIÊN CỨU ỨNG DỤNG MẠNG NƠ RON THẦN KINH VÀO DỰ BÁO LŨ CÁC SƠNG Ở TỈNH BÌNH ĐỊNH VÀ QUẢNG TRỊ PGS TS LÊ VĂN NGHINH THS HOÀNG THANH TÙNG KS NGUYỄN NGỌC HẢI Tóm tắt: Dự báo Lũ cho sơng lớn miền Trung có ý nghĩa quan trọng việc đối phó kịp thời với lũ nhằm giảm thiểu ảnh hưởng lũ gây Bài báo tổng kết kết đạt việc nghiên cứu ứng dụng mơ hình mạng Nơ ron Thần kinh dự báo lũ cho sơng tỉnh Bình Định Quảng Trị Mở đầu Dự báo lũ cho hệ thống sông miền Trung nói chung hệ thống sơng Tỉnh Bình Định Quảng Trị nói riêng có ý nghĩa vô quan trọng nhằm giảm thiểu ảnh hưởng thiên tai lũ lụt cho nhân dân sống vùng hạ lưu ven biển miền trung Hiện thủy văn có nhiều phương pháp dùng để xây dựng phương án dự báo lũ sông, nhiên với đặc điểm dốc ngắn sơng miền trung nói chung sơng hai tỉnh nói riêng điều kiện hạn chế mặt số liệu lưu vực sông này, nên phương pháp thống kê phân tích hồi quy nhiều biến thường dùng Ngồi việc sử dụng phương pháp nói trên, nghiên cứu tiến hành ứng dụng Mạng Nơ ron thần kinh, phương pháp để xây dựng phương án dự báo cho sông Kone trạm Tân An, sơng Hà Thanh trạm Diêu Trì, sơng Thạch Hãn trạm Thạch Hãn, sông Bến Hải trạm Gia Vòng Đây phương pháp đơn giản tận dụng triệt để thông tin (dữ liệu đo đạc) có lưu vực đặc biệt thuận tiện cho việc dự báo tác nghiệp Đặc điểm chung khu vực miền trung Các tỉnh miền trung Việt Nam từ Quảng Bình đến Bình Định nằm dải đất hẹp có bờ biển hướng tây bắc - đông nam với dãy Trường Sơn chạy song song sườn phía tây, nhiều nơi có núi nhơ biển, đèo Hải Vân… Do địa hình núi liền biển vậy, khả nhiệt ẩm dồi dào, đồng thời vô thuận lợi cho xuất trình hội tụ mạnh mẽ hồn lưu phía tây tây bắc bão chúng tới vịnh Bắc Bộ khơi vùng biển Quảng Nam đến Phú Yên, Khánh Hòa Ngồi khu vực cịn đón nhận đới gió mùa, tín phong, … có nguồn ẩm lớn, phong phú Theo kết thống kê cho thấy, hình gây mưa lớn sinh lũ sông ven biển miền trung bão, áp thấp nhiệt đới, hội tụ nhiệt đới, khơng khí lạnh, tổ hợp chúng Phụ thuộc vào điều kiện địa hình, đặc biệt ảnh hưởng đèo Hải Vân, ảnh hưởng hình thời tiết khác đến số lượng, không gian cường độ mưa lớn lưu vực sơng phía bắc phía nam đèo Dịng chảy sơng ngịi phân bố không theo phân bố mưa Mùa lũ kéo dài từ tháng đến tháng 12, lượng nước mùa lũ chiếm từ 50 đến 80% lượng nước năm biến đổi mạnh từ mùa lũ năm sang mùa lũ năm khác Lượng nước mùa lũ năm nhiều nước gấp lần lượng nước mùa lũ năm nước Trong vịng 25 năm (1976 – 2000) khu vực từ Thừa Thiên Huế đến Bình Định xảy 75 đợt lũ lớn Các đợt lũ lớn xảy chủ yếu tháng từ tháng IX đến tháng XII, phân bố không theo thời gian năm, tập trung chủ yếu vào tháng X XI Tháng X xảy 29/75 đợt chiếm 38,6%, tháng XI xảy 28/75 đợt chiếm 37,5% Trong tháng xuất 57 đợt chiếm 76.1% tổng số đợt lũ lớn xảy 25 năm gần [4] Mạng lưới trạm quan trắc mưa dòng chảy lưu vực sông Miền trung thưa, chưa đại diện không đầy đủ, số lượng trạm đo lưu lượng mực nước lưu vực sông thời gian quan trắc lại không đồng Ngồi trạm đo ngành Khí tượng - Thủy văn quản lý, cịn có số trạm đo đạc dùng riêng địa phương, song trạm quan trắc ngắn số liệu đo đạc lại xác Tất điều làm cho công tác dự báo lũ miền trung gặp nhiều khó khăn, lũ dự báo trước khoảng thời gian ngắn Phương pháp nghiên cứu Qua nghiên cứu, phân tích hệ thống sơng, thời gian truyền lũ, số liệu đo đạc trạm có, ngồi việc lựa chọn phương pháp phân tích hồi quy nhiều biến (Multi-variable regression - MVR), đề tài tập trung nghiên cứu ứng dụng phương pháp mạng trí tuệ nhân tạo (Artificient Neural Network - ANN) sử dụng thuật tốn lan truyền ngược (Back Propagation Neural Network - BPNN) Phân tích liệu Lựa chọn thời gian dự báo phương pháp dự báo thích hợp với liệu đo đạc có lưu vực lựa chọn liệu để hiệu chỉnh kiểm định Phân tích hồi quy nhiều biến sử dụng SPSS 11.5 Mạng nơ ron thần kinh BPNN sử dụng WinNN/NeuroSolutions Phân tích ma trận tương quan lựa chọn biến loại bỏ tính đa tuyến biến độc lập Xây dựng phương trình hồi quy Tiến hành phép thử F test để đánh giá tồn phương trình hồi quy Tiến hành phép thử T test để đánh giá có nghĩa hệ số hồi quy Bắt đầu với mạng đơn giản Tiến hành training testing Thay đổi số lớp ẩn số nút lớp lựa chọn sơ đồ có R cao training testing Thêm biến tiến hành bước 2,3 so sánh với R tìm cuối bước Nếu R4> R3 giữ lại biến, khơng loại biến Tiếp tục thực bước 1,2,3,4 tìm R lớn mạng Nơ ron cần tìm Phân tích để lựa chọn mơ hình có R lớn Đánh giá mức đảm bảo phương án lựa chọn phương án dự báo Hình 1: Các bước xây dựng phương án dự báo lũ sơng tỉnh Bình Định Quảng Trị Cả hai phương pháp dựa quan hệ mực nước dự báo với yếu tố ảnh hưởng mực nước thời điểm dự báo, mực nước trạm thời điểm dự báo, lượng mưa đo thời điểm dự báo trạm lưu vực, vv Tuy nhiên cách giải hay thuật toán phương pháp khác nhau, dựa thuật tốn tối ưu hàm tuyến tính, cịn dựa thuật toán tối ưu hàm phi tuyến Sơ đồ hình tóm tắt bước xây dựng phương án dự báo lũ cho sơng nói 2.1 Giới thiệu mạng Nơ ron thần kinh thuật toán lan truyền ngược (BPNN) Mạng trí tuệ nhân tạo (Artificial Nerual Networks – ANNs) xây dựng từ năm 1940 Với việc ứng dụng thuật toán lan truyền ngược (back propagation algorithm) năm 1988, ANN trở nên quen thuộc sử dụng nhiều ngành tài nguyên nước, đặc biệt dự báo thủy văn [2] Cấu trúc mạng thần kinh nhân tạo Mạng thần kinh nhân tạo-ANN dựa vào đặc điểm não động vật, thường hệ thống song song bao gồm nhiều phần tử (processing element – PE) liên kết với trọng số biến Những PE xếp lớp (xem hình 1): lớp đầu vào, lớp đầu ra, từ đến nhiều lớp nằm gọi lớp ẩn (hidden layer) Các PE lớp khác liên kết tuyệt đối liên kết bán tuyệt đối Những liên kết PE có trọng số Sức mạnh liên kết hiệu chỉnh Trọng số khơng cho thấy khơng có liên kết nào, trọng số có giá trị âm cho thấy hai PE có quan hệ lỏng lẻo Hình 2: Mạng Nơ ron thần kinh lớp Quá trình quét xuôi (General Feed Rorward Process) Khối mạng thần kinh hình gọi neron thần kinh Trong neron giá trị đầu vào nhân với trọng số, sau cộng với Tổng tạo gọi NET N tính tốn cho tất neron thần kinh mạng Sau NET N tính tốn, chuyển thành tín hiệu đầu O1 việc áp dụng hàm kích hoạt f (hình 3) Hình 3: Một Nơ ron thần kinh với hàm kích hoạt f Cơng thức chung chuyển đổi lớp mạng thần kinh I N M Wi ,m I i m (1) i 1 Với m độ dốc Om f ( N m ) (2) Trong đó: I input từ lớp M O output từ lớp M (i m phần tử thứ i m lớp thứ I lớp M) Hàm kích hoạt Trong phần qt xi, Rumelhart et al (1986) đưa hàm phi tuyến kích hoạt gọi hàm bán tuyến Hầu hết mạng thần kinh sử dụng hàm kích hoạt Logistic (hình 3) Om f ( N m ) 1 e N ĐN , m Hình 4: Hàm kích hoạt Logistic Giá trị đầu hàm kích hoạt Logistic nằm khoảng [0,1] Vì phần mềm ANN thường đòi hỏi liệu gốc phải chuyển đổi tuyến tính khoảng [0.05,0.95] trước tham gia vào mạng thần kinh Khoảng [0.05,0.95] lựa chọn thay khoảng [0,1] hàm kích hoạt Logistic hàm tiệm cận Chuẩn hoá ( Normalization) Trong hầu hết trường hợp đầu vào thường bao gồm nhiều loại biến với giá trị khác nhau, giá trị đầu vào đầu cần chuẩn hoá với đặc chưng chuẩn hoá cụ thể chúng Tiền xử lý (Pre-processing) Giả sử a A giá trị cực tiểu cực đại chuỗi liệu, giá trị thực Xt chuyển đổi để nằm khoảng [0.05,0.95] theo công thức sau: X t ' 0.9( X t a ) 0.05 A a (3) Trong đó: X t : giá trị thực a : giá trị cực tiểu X t A: giá trị cực đại X t X t ' giá trị chuyển đổi Hậu xử lý (Post-Processing) Khi tìm mạng thần kinh tốt nhất, tất giá trị chuyển đổi trước trả lại giá trị ban đầu chúng phương trình: Xt ( A a )( X t '0.05) a 0.9 (4) Phương pháp lan truyền ngược (Back Propagation Method) Phương pháp lan truyền ngược sử dụng tập hợp giá trị đầu vào đầu để tìm mạng nơ ron thần kinh mong muốn Một tập hợp đầu vào đưa vào hệ thống giả định trước để tính giá trị đầu O, sau giá trị đầu O so sánh với giá trị giá trị thực đo Y Nếu khơng có khác biệt nào, khơng cần thực trình kiểm tra nào, ngược lại trọng số thay đổi trình lan truyền ngược mạng thần kinh để giảm khác biệt Sau vượt qua lớp cuối cùng, giá trị đầu thực mạng so sánh với giá trị mong muốn (giá trị đo đạc) Mục tiêu phải tối thiểu hoá sai số tổng mạng cho tất tập hợp theo thời gian giá trị đầu vào (input partern) Sai số partern p mạng có biến đầu tính sau: E p (Yt Ot ) (5) Trong đó: sai số tổng mạng phải tính cho tất partern Phương pháp lan truyền ngược cố gắng tối thiểu hóa sai số cách điều chỉnh trọng số q trình tính tốn với thơng số đại diện cho tốc độ học (learning rate) hệ số mơmen Trong đó, điều khiển tốc độ mà trình lan truyền ngược điều khiển trọng số lần tính tốn Nếu thay đổi trọng số nhanh, chóng đạt trọng số mong muốn Nhưng lớn, gây dao động bất ổn định đầu Để giải vấn đề này, hệ số khác gọi hệ số mơmen đưa vào; hệ số có tác dụng làm tăng tốc độ học mà không gây giao động Về mà nói số xác định ảnh hưởng trọng số bước thời gian trước đến thay đổi trọng số bước thời gian Sơ đồ khối thuật toán lan truyền ngược q trình tính tốn minh họa hình Giả thiết trọng số Đưa biến vào Lựa chọn biến Tính tốn trị số -Lớp ẩn -Lớp đầu Chưa đạt yêu cầu Tínn tốn so sánh khác giá trị tính tốn thực đo (SSEnew-SSEold)/SSEold is accepted? Dừngg Kiểm tra số lần tính tốn SSE = Sum of square Thay đổi trọng số η α điều khiển Hình 5: Sơ đồ khối thuật tốn lan truyền ngược 2.2 Giới thiệu phần mềm tính tốn Đề tài nghiên cứu ứng dụng phần mềm phân tích thống kê SPSS 11 để xây dựng mơ hình hồi quy nhiều biến, phần mềm WinNN32 Neuro Solution 4.2 để xây dựng mạng nơ ron thần kinh SPSS: điểm mạnh phần mềm thống kê SPSS 11 so với mô đun mở rộng Analysis Toolpak Microsoft Excel có sử dụng thuật tốn Stepwise phân tích hồi quy nhiều biến (Regression), khơng phải đưa biến vào để phân tích trường hợp (từng mơ hình) thực Excel mà đưa tồn biến vào để chương trình tự thực đưa bảng so sánh để ta tiềm mơ hình hồi quy tốt [3] WinNN32: phần mềm mạng thần kinh sử dụng thuật toán lan truyền ngược Phần mềm có giao diện dễ sử dụng (xem hình 6) Tuy nhiên, để tìm mạng nơ ron tối ưu đòi hỏi người sử dụng phải có kinh nghiệm, đặc biệt q trình lựa chọn số lớp ẩn số nút Qua thực hiện, thấy nên chọn lớp ẩn số nút lớp ẩn chọn khoảng từ i đến 2i – (i số biến đầu vào) Hinh 5: Giao diện WinNN32 (kết hiệu chỉnh mơ hình cho sơng Bến Hải trạm Gia Vịng) Neuro Solution 4.2: tập đồn Neuro Dimension Inc phát triển; phần mềm hoàn chỉnh nhiều so với WinNN32 khơng phát triển theo hướng Nơ ron thần kinh với thuật tốn lan truyền ngược (BPNN) mà cịn phát triển theo hướng mạng Fuzzy (Fuzzy Logic), thuật toán giải đoán Gen (Genetic Algorithms - GA) sử dụng nhiều thuật toán tối ưu khác Phần mềm tồn dạng: dạng thứ phần mềm độc lập dạng thứ hai phần mở rộng tích hợp Microsoft Excel (chỉ có từ phiên 4.0 trở lên) Với phần mềm sử dụng thuật toán tối ưu giải đoán gen GA để hỗ trợ cho việc tìm mạng BPNN tốt rút ngắn thời gian chạy chương trình nhiều so với dùng Win NN32 Thêm vào với phần mở rộng tích hợp Excel thuận tiện cho người dùng việc xử lý liệu trước vào tính tốn Ngoài khác với WinNN32 việc sử dụng mạng tốt dự báo dễ dàng nhiều với chức dự báo (Apply Production Dataset) Giao diện phần mềm minh hoạ hình Hinh 6: Giao diện phần mở rộng Neuro Solutions Excel (kết hiệu chỉnh mơ hình cho sơng Kone Tân An) Kết thu Thực bước tính tốn trình bày sử dụng phần mềm thống kế SPSS version 11.5 để phân tích hồi quy nhiều biến, WinNN, Neuro Solution phiên 4.2 để xây dựng mạng thần kinh nhân tạo tối ưu dùng cho dự báo, xây dựng số phương án dự báo mực nước trước h với mức đảm bảo phương án tốt (>80%) cho sông sông Thạch Hãn trạm Thạch Hãn, sơng Bến Hải trạm Gia Vịng, sông Hiếu trạm Đông Hà (tỉnh Quảng Trị), sông Kon trạm Tân An, sông Hà Thành trạm Diêu Trì (Bình Định) [1] Một số kết dự báo kiểm tra minh hoạ hình 7, Nhìn chung phương án dự báo mực nước lũ trước h cho sông lớn miền trung phân tích hồi quy nhiều biến (MVR) phương pháp mạng thần kinh nhân tạo (BPNN) có mức đảm bảo 80% Thơng thường mơ hình mạng nơ ron thần kinh cho kết tốt MVR Tuy nhiên, việc sử dụng mơ hình BPNN để dự báo lại khó việc sử dụng phương trình dự báo đơn giản phương pháp MVR, chúng tơi khuyến nghị nên dùng mơ hình MVR Nếu người sử dụng quen thuộc với phần mềm WinNN 32 Neuro Solutions nên dùng BPNN Trong trường hợp dự báo thấy có giá trị khác thường nên tham khảo thêm kết dự báo hai mơ hình Ngồi ra, việc theo dõi dự báo hình thời tiết cho tun đốn lượng mưa xảy lưu vực sông nhờ vào kết tổng hợp phân tích thống kê mưa lũ hình thời tiết gây ra, tạo điều kiện lớn cho công tác dự báo mực nước lũ sông miền trung qua đo tăng cường thời gian cảnh báo lũ Hinh 7: Kết dự báo kiểm tra cho sơng Kone Tân An WinNN32 Dù b¸o kiểm tra trạm Tân An năm 2003 900 Mực níc(cm) 800 700 600 500 400 300 200 100 Thùc ®o Dù b¸o 13 17 21 25 29 33 37 41 45 49 53 57 61 65 69 73 77 81 85 89 93 Thêi gian (6h) Hinh 8: Kết dự báo kiểm tra cho sơng Kone Tân An mơ hình hồi quy nhiều biến Kết luận Kết đạt nghiên cứu cho thấy khả ứng dụng tốt mơ hình mạng trí tuệ nhân tạo ANN - mạng Nơ ron thần kinh với thuật toán lan truyền ngược BPNN vào dự báo thủy văn Khả ứng dụng không dừng lại hướng nghiên cứu BPNN mà hướng khác mạng Fuzzy kết hợp với thuật toán giải đoán gen GA để tìm mạng tốt nâng cao hiệu giảm thời gian chạy mơ hình Cần phải có nghiên cứu ANN cho khu vực khác, đặc biệt khu vực mà tài liệu đo đạc tốt để tổng kết đánh giá đưa mơ hình vào cơng tác dự báo tác nghiệp TÀI LIỆU THAM KHẢO CHÍNH Lê Văn Nghinh, Hoàng Thanh Tùng, nnk (3-2006) Nghiên Cứu giải pháp lũ cho số sơng lớn miền Trung nhằm bảo vệ khu kinh tế tập trung, khu dân cư ven sông, dọc quốc lộ - Đề tài NCKH cấp Bộ Trường Đại học Thủy lợi Lê Văn Nghinh, Bùi Cơng Quang, Hồng Thanh Tùng (6-2006) Mơ hình tốn Thủy văn – Giáo trình cho học viên cao học Trường Đại học Thủy lợi Holder, R H (1990) Multiple Regression in Hydrology Walling Ford, Institute of Hydrology Nguyễn Viết Thi (2003) Các hình thời tiết gây mưa sinh lũ lớn sông miền Trung - Tuyển tập báo cáo khoa học lần thứ VIII Viện Khí tượng thủy văn Summary: Flood forecasting for big rivers in the Central part of Vietnam plays a very important role in timely copying with floods to reduce flood affects This article summarises results achieved in application of the Artificent Neural Network (ANN) in flood forecasting for rivers in Binh Dinh and Quang Tri provinces