Mục đích nghiên cứu
+ Giới thiệu tổng quan về mạng Nơron.
+ Trình bày một số phương pháp phân phân cụm dữ liệu
+ Xây dựng hệ thống phân loại sản phẩm sử dụng các kỹ thuật phân cụm và mạng nơron.
+ Nâng cao hiệu quả và độ chính xác trong việc xử lý sản phẩm dựa vào việc phân tích các thuộc tính trên sản phẩm dựa vào lý thuyết về phân cụm và mạng nơron.
Nhiệm vụ nghiên cứu
+ Hiểu rõ các khái niệm, các thuật toán trong phân cụm dữ liệu. + Ứng dụng phân cụm dữ liệu, mạng Nơron vào thực tiễn, đưa đến xử lý các vấn đề có sử dụng thành tựu của Công nghệ thông tin.
+ Là một hướng xử lý ảnh thông qua sử dụng các phương pháp tính toán mềm và công nghệ thông tin
Phương pháp nghiên cứu
+ Thu nhập những nghiên cứu về khai phá tri thức, phân cụm dữ liệu, xây dựng mạng nơron, ứng dụng mạng nơron trong phân loại sản phẩm
+ Tham khảo các tài liệu liên quan ở Việt nam và trên Internet
+ Tham dự các buổi thuyết trình, báo cáo kết quả; trao đổi với thầy cô và đồng nghiệp, tổng hợp những kiến thức liên quan để phục vụ đề tài.
TỔNG QUAN VỀ MẠNG NƠRON NHÂN TẠO, CẤU TRÚC VÀ MÔ HÌNH MẠNG NƠRON KOHONEN
Tổng quan về mạng Nơron
1.1.1 Mô hình một Nơron sinh học
Phần tử xử lý cơ bản của một mạng nơron sinh học là một nowrron, phần tử này có thể chia làm bốn thành phần cơ bản như sau: dendrites, soma, axon, và synapes.
+ Dendrites: là phần nhận tín hiệu đầu vào
+ Axon: là phần dẫn ra tín hiệu xử lý.
+ Synapses: là đường tín hiệu điện hóa giao tiếp giữa các nowrron. Kiến trúc cơ sở này của bộ não con người có một vài đặc tính chung. Một cách tổng quát, thì một mạng nowrron sinh học nhận đầu vào từ các nguồn khác nhau, kết hợp chúng lại với nhau, thực thi tổ hợp phi tuyến chúng để cho ra kết quả cuối cùng ở đầu ra
1.1.2 Mạng Nơron nhân tạo a Mô hình mạng Nơron nhân tạo
Mô hình toán học của mạng Nơron sinh học được đề xuất bởi McCulloch và Pitts, thường được gọi là Nơron M-P, ngoài ra nó còn được gọi là phần tử xử lý và được ký hiệu là PE (Processing Element).
Mô hình Nơron có m đầu vào x1, x2, , xm, và một đầu ra yi như sau:
Hình 1.1 Mô hình một Nơron nhân tạo
Giải thích các thành phần cơ bản:
Tập các đầu vào: Là các tín hiệu vào của Nơron, các tín hiệu này thường được đưa vào dưới dạng một vector m chiều.
Tập các liên kết (các trọng số): Mỗi liên kết được thể hiện bởi một trọng số (thường được gọi là trọng số liên kết) Trọng số liên kết giữa tín hiệu vào thứ j cho Nơron i thường được ký hiệu là wij Thông thường các trọng số này được khởi tạo ngẫu nhiên ở thời điểm khởi tạo mạng và được cập nhật liên tục trong quá trình học mạng.
Bộ tổng (Hàm tổng): Thường dùng để tính tổng của tích các đầu vào với trọng số liên kết của nó.
Ngưỡng: Ngưỡng này thường được đưa vào như một thành phần của hàm truyền.
Hàm truyền: Hàm này dùng để giới hạn phạm vi đầu ra của mỗi Nơron.
Nó nhận đầu vào là kết quả của hàm tổng và ngưỡng đã cho Thông thường, phạm vi đầu ra của mỗi Nơron được giới hạn trong đoạn [0,1] hoặc [-1,1] Các hàm truyền rất đa dạng, có thể là các hàm tuyến tính hoặc phi tuyến Việc lựa chọn hàm truyền tùy thuộc vào từng bài toán và kinh nghiệm của người thiết kế mạng
Đầu ra: Là tín hiệu đầu ra của một Nơron, với mỗi Nơron sẽ có tối đa một đầu ra.
Về mặt toán học, cấu trúc của một Nơron i được mô tả bằng cặp biểu thức sau: y =f(neti -θ i ) và neti =∑wijxj (1.1) trong đó: x1, x2, …xm là các tín hiệu đầu vào, còn wi1, wi2,…,wim là các trọng số kết nối của Nơron thứ i, neti là hàm tổng, f là hàm truyền,ilà một ngưỡng, yi là tín hiệu đầu ra của Nơron.
Như vậy, tương tự như Nơron sinh học, Nơron nhân tạo cũng nhận các tín hiệu đầu vào, xử lý (nhân các tín hiệu này với trọng số liên kết, tính tổng các tích thu được rồi gửi kết quả đến hàm truyền), và cho một tín hiệu đầu ra (là kết quả của hàm truyền).
Hàm truyền có thể có các dạng sau:
Đồ thị các dạng hàm truyền được biểu diễn như sau:
Hình 1.2 Đồ thị các dạng hàm truyền b Cấu trúc của mạng Nơron nhân tạo
Mạng Nơron nhân tạo (Artificial Nơron Network) là một cấu trúc mạng được hình thành nên bởi số lượng các Nơron nhân tạo liên kết với nhau Mỗi Nơron có các đặc tính đầu vào, đầu ra và thực hiện một số chức năng tính toán cục bộ.
Với việc giả lập các hệ thống sinh học, các cấu trúc tính toán, mạng Nơron có thể giải quyết được các lớp bài toán nhất định như: Bài toán xếp loại, bài toán lập lịch, bài toán tìm kiếm, bài toán nhận dạng mẫu Các bài toán phức tạp cao, không xác định Tuy nhiên, sự liên kết giữa một bài toán bất kỳ trong thực tế với một giải pháp mạng Nơron lại là một việc không dễ dàng.
Xét một cách tổng quát, mạng Nơron là một cấu trúc xử lý song song thông tin phân tán mang các đặc tính nổi bật sau:
- Là một mô hình tính toán dựa trên bản chất của Nơron
- Bao gồm một số lượng rất lớn các Nơron liên kết với nhau
- Mạng Nơron có khả năng học, khái quát hóa tập dữ liệu học thông qua việc gán và hiệu chỉnh các trọng số liên kết
- Tổ chức theo kiểu tập hợp mang lại cho mạng Nơron khả năng tính toán rất lớn, trong đó không có Nơron nào mang thông tin riêng biệt. c Liên kết mạng
Sự liên kết trong mạng Nơron tuỳ thuộc vào nguyên lý tương tác giữa đầu ra của từng Nơron riêng biệt với các Nơron khác và tạo ra cấu trúc mạng. Trong phần này chúng ta đi tìm hiểu hai liên kết mạng đó là mạng truyền thẳng và mạng hồi quy. d Mạng truyền thẳng
* Mạng truyền thẳng một lớp
Mô hình mạng Nơron truyền thẳng một lớp là mô hình liên kết cơ bản và đơn giản nhất Các Nơron tổ chức lại với nhau tạo thành một lớp, đường truyền tín hiệu được truyền theo một hướng nhất định nào đó Các đầu vào được nối với các Nơron theo các trọng số khác nhau, sau quá trình xử lý cho ra một chuỗi các tín hiệu ra Mạng Nơron là mô hình LTU thì nó được gọi là mạng Perception, còn mạng Nơron là mô hình LGU thì nó được gọi là mạng Adaline.
Hình 1.3 Mạng truyền thẳng một lớp
Với mỗi giá trị đầu vào x = [ x1,x2, ,xn]T Qua quá trình xử lý của mạng ta sẽ thu được một bộ tương ứng các giá trị đầu ra là y = [y1,y2, ,yn]T được xác định như sau: y f w ij x j i i n m i j i ( ) 1,
Trong đó: m: số tín hiệu vào n : số tín hiệu ra
W i T = [ wi1, wi2, ,win] T là véc tơ trọng số của Nơron thứ i. fi : hàm kích hoạt của Nơron thứ i
i: là ngưỡng của Nơron thứ i.
* Mạng truyền thẳng nhiều lớp.
Với mạng Nơron truyền thẳng một lớp ở trên khi phân tích một bài toán phức tạp sẽ gặp rất nhiều khó khăn, để khắc phục vấn đề này người ta đưa ra mô hình mạng Nơron truyền thẳng nhiều lớp bằng việc kết hợp với một số lớp Nơron lại với nhau Lớp nhận tín hiệu vào gọi là lớp vào, lớp đưa ra tín hiệu ra của mạng được gọi là lớp ra Các lớp ở giữa lớp vào và lớp ra được gọi là các lớp ẩn.
Hình 1.4 Mô tả cấu trúc của mạng Nơron truyền thẳng nhiều lớp.
- Mạng hồi quy một lớp có nối ngược
Hình 1.5 Mạng hồi quy một lớp có nối ngược
- Mạng hồi quy nhiều lớp có nối ngược
Hình 1.6 Mạng hồi quy nhiều lớp có nối ngược e Các luật học
Mạng Nơron có một số ưu điểm so với máy tính truyền thống Cấu trúc song song của mạng Nơron rất thích hợp cho những ứng dụng đòi hỏi tốc độ nhanh theo thời gian thực Khả năng huấn luyện của mạng Nơron có thể khai thác để phát triển hệ học thích nghi Mặt khác, với khả năng tổng quát hóa của mạng Nơron, nó có thể áp dụng để điều khiển nhiều tham số phức tạp đồng thời từ đó giải quyết dễ dàng một số bài toán NP - đầy đủ (NP - Complete).
Các khái niệm chung về mạng Nơron
1.1.2 Truyền tin trong mạng Nơron
Hình 1.10 Truyền tin trong mạng Nơron Inputs: Mỗi Input tương ứng với 1 thuộc tính (attribute) của dữ liệu
(patterns) Ví dụ như trong ứng dụng của ngân hàng xem xét có chấp nhận cho khách hàng vay tiền hay không thì mỗi Input là một thuộc tính của khách hàng như thu nhập, nghề nghiệp, tuổi, số con,…
Output: Kết quả của một ANN là một giải pháp cho một vấn đề, ví dụ như với bài toán xem xét chấp nhận cho khách hàng vay tiền hay không thì output là yes (cho vay) hoặc no (không cho vay).
Connection Weights (Trọng số liên kết) : Đây là thành phần rất quan trọng của một ANN, nó thể hiện mức độ quan trọng (độ mạnh) của dữ liệu đầu vào đối với quá trình xử lý thông tin (quá trình chuyển đổi dữ liệu từ Layer này sang layer khác) Quá trình học (Learning Processing) của ANN thực ra là quá trình điều chỉnh các trọng số (Weight) của các input data để có được kết quả mong muốn.
Summation Function (Hàm tổng): Tính tổng trọng số của tất cả các input được đưa vào mỗi Neuron (phần tử xử lý PE) Hàm tổng của một Neuron đối với n input được tính theo công thức sau:
Hàm tổng đối với nhiều Neurons trong cùng một Layer (Xem hình b):
Hình 1.11 Mô hình phần tử xử lý 1.2.2 Transformation (Transfer) Function (Hàm chuyển đổi)
Hàm tổng (Summation Function) của một Neuron cho biết khả năng kích hoạt (Activation) của neuron đó còn gọi là kích hoạt bên trong (internal activation) Các Nueron này có thể sinh ra một output hoặc không trong ANN (nói cách khác rằng có thể output của 1 Neuron có thể được chuyển đến layer tiếp trong mạng Neuron theo hoặc không) Mối quan hệ giữa Internal Activation và kết quả (output) được thể hiện bằng hàm chuyển đổi (Transfer Function).
Việc lựa chọn Transfer Function có tác động lớn đến kết quả của ANN. Hàm chuyển đổi phi tuyến được sử dụng phổ biến trong ANN là sigmoid
Kết quả của Sigmoid Function thuộc khoảng [0,1] nên còn gọi là hàm chuẩn hóa (Normalized Function).
Kết quả xử lý tại các Neuron (Output) đôi khi rất lớn, vì vậy transfer function được sử dụng để xử lý output này trước khi chuyển đến layer tiếp theo Đôi khi thay vì sử dụng Transfer Function người ta sử dụng giá trị ngưỡng (Threshold value) để kiểm soát các output của các neuron tại một layer nào đó trước khi chuyển các output này đến các Layer tiếp theo Nếu output của một neuron nào đó nhỏ hơn Threshold thì nó sẻ không được chuyển đến Layer tiếp theo.
Mô hình toán học của mạng Nơron
1.1.3 Cấu trúc mạng Nơron a Cấu trúc và mô hình của một nơron nhân tạo
Mô hình toán học của mạng nơron sinh học được đề xuất bởi McCulloch và Pitts [2], thường được gọi là nơron M-P, ngoài ra nó còn được gọi là phần tử xử lý và được ký hiệu là PE
Mô hình nơron có m đầu vào x1, x2, , xm, và một đầu ra yi như sau:
Hình 1.13 Mô hình một nơron nhân tạo
Giải thích các thành phần cơ bản:
- Tập các đầu vào: Là các tín hiệu vào của nơron, các tín hiệu này thường được đưa vào dưới dạng một vector m chiều
- Tập các liên kết (các trọng số): Mỗi liên kết được thể hiện bởi một trọng số liên kết Trọng số liên kết giữa tín hiệu vào thứ j cho nơron i thường được ký hiệu là wij Thông thường các trọng số này được khởi tạo ngẫu nhiên ở thời điểm khởi tạo mạng và được cập nhật liên tục trong quá trình học mạng
- Bộ tổng (hàm tổng): Thường dùng để tính tổng của tích các đầu vào với trọng số liên kết của nó
- Ngưỡng: Ngưỡng này thường được đưa vào như một thành phần của hàm truyền
- Hàm truyền: Hàm này dùng để giới hạn phạm vi đầu ra của mỗi nơron Nó nhận đầu vào là kết quả của hàm tổng và ngưỡng đã cho Thông thường, phạm vi đầu ra của mỗi nơron được giới hạn trong đoạn [0,1] hoặc [- 1,1] Các hàm truyền rất đa dạng, có thể là các hàm tuyến tính hoặc phi tuyến. Việc lựa chọn hàm truyền tùy thuộc vào từng bài toán và kinh nghiệm của người thiết kế mạng
- Đầu ra: Là tín hiệu đầu ra của một nơron, với mỗi nơron sẽ có tối đa một đầu ra
Về mặt toán học, cấu trúc của một nơron i được mô tả bằng cặp biểu thức sau: y =f(neti -θi ) và neti =∑wijxj
Trong đó: x1, x2, …xm là các tín hiệu đầu vào, còn wi1, wi2,…,wim là các trọng số kết nối của nơron thứ i, neti là hàm tổng, f là hàm truyền, θi là một ngưỡng, yi là tín hiệu đầu ra của nơron
Như vậy, tương tự như nơron sinh học, nơron nhân tạo cũng nhận các tín hiệu đầu vào, xử lý (nhân các tín hiệu này với trọng số liên kết, tính tổng các tích thu được rồi gửi kết quả đến hàm truyền), và cho một tín hiệu đầu ra (là kết quả của hàm truyền)
Hàm truyền có thể có các dạng sau:
- Đồ thị các dạng hàm truyền được biểu diễn như sau:
Hình 1.14 Đồ thị các dạng hàm truyền b Mô hình của mạng nơron nhân tạo
Dựa trên những phương pháp xây dựng nơron đã trình bày ở mục trên, ta có thể hình dung mạng nơron như là một hệ truyền đạt và xử lý tín hiệu. Đặc tính truyền đạt của nơron phần lớn là đặc tính truyền đạt tĩnh
Khi liên kết các đầu vào/ra của nhiều nơron với nhau, ta thu được một mạng nơron, việc ghép nối các nơron trong mạng với nhau có thể là theo một nguyên tắc bất kỳ Vì mạng nơron là một hệ truyền đạt và xử lý tín hiệu, nên có thể phân biệt các loại nơron khác nhau, các nơron có đầu vào nhận thông tin từ môi trường bên ngoài khác với các nơron có đầu vào được nối với các nơron khác trong mạng, chúng được phân biệt với nhau qua vector trọng số ở đầu vào w
Nguyên lý cấu tạo của mạng nơron bao gồm nhiều lớp, mỗi lớp bao gồm nhiều nơron có cùng chức năng trong mạng Hình 1.4 là mô hình hoạt động của một mạng nơron 3 lớp với 8 phần tử nơron Mạng có ba đầu vào là x1, x2, x3 và hai đầu ra y1, y2 Các tín hiệu đầu vào được đưa đến 3 nơron đầu vào, 3 nơron này làm thành lớp đầu vào của mạng Các nơron trong lớp này được gọi là nơron đầu vào Đầu ra của các nơron này được đưa đến đầu vào của 3 nơron tiếp theo, 3 nơron này không trực tiếp tiếp xúc với môi trường bên ngoài mà làm thành lớp ẩn, hay còn gọi là lớp trung gian Các nơron trong lớp này có tên là nơron nội hay nơron ẩn Đầu ra của các nơron này được đưa đến 2 nơron đưa tín hiệu ra môi trường bên ngoài Các nơron trong lớp đầu ra này được gọi là nơron đầu ra
Mạng nơron được xây dựng như trên là mạng gồm 3 lớp mắc nối tiếp nhau đi từ đầu vào đến đầu ra Trong mạng không tồn tại bất kỳ một mạch hồi tiếp nào Một mạng nơron có cấu trúc như vậy gọi là mạng một hướng hay mạng truyền thẳng một hướng và có cấu trúc mạng ghép nối hoàn toàn (vì bất cứ một nơron nào trong mạng cũng được nối với một hoặc vài nơron khác). Mạng nơron bao gồm một hay nhiều lớp trung gian được gọi là mạng Multilayer Perceptrons (MLP-Network)
Mạng nơron khi mới được hình thành thì chưa có tri thức, tri thức của mạng sẽ được hình thành dần dần sau một quá trình học Mạng nơron được học bằng cách đưa vào những kích thích, và mạng hình thành những đáp ứng tương ứng, những đáp ứng tương ứng phù hợp với từng loại kích thích sẽ được lưu trữ Giai đoạn này được gọi là giai đoạn học của mạng Khi đã hình thành tri thức mạng, mạng có thể giải quyết các vấn đề một cách đúng đắn Đó có thể là vấn đề ứng dụng rất khác nhau, được giải quyết chủ yếu dựa trên sự tổ chức hợp nhất giữa các thông tin đầu vào của mạng và các đáp ứng đầu ra
Nếu nhiệm vụ của một mạng là hoàn chỉnh hoặc hiệu chỉnh các thông tin thu được không đầy đủ hoặc bị tác động của nhiễu Mạng nơron kiểu này được ứng dụng trong lĩnh vực hoàn thiện mẫu, trong đó có một ứng dụng cụ thể là nhận dạng chữ viết
Nhiệm vụ tổng quát của một mạng nơron là lưu giữ động các thông tin. Dạng thông tin lưu giữ này chính là quan hệ giữa các thông tin đầu vào và các đáp ứng đầu ra tương ứng, để khi có một kích thích bất kỳ tác động vào mạng, mạng có khả năng suy diễn và đưa ra một đáp ứng phù hợp Đây chính là chức năng nhận dạng theo mẫu của mạng nơron Để thực hiện chức năng này, mạng nơron đóng vai trò như một bộ phận tổ chức các nhóm thông tin đầu vào, và tương ứng với mỗi nhóm là một đáp ứng đầu ra phù hợp Như vậy, một nhóm bao gồm một loại thông tin đầu vào và một đáp ứng đầu ra Các nhóm có thể được hình thành trong quá trình học, và cũng có thể không hình thành trong quá trình học
Mỗi một nơron có thể phối hợp với các nơron khác tạo thành một lớp các trọng số Mạng một lớp truyền thẳng như hình 1.13.a Một lớp nơron là một nhóm các nơron mà chúng đều có cùng trọng số, nhận cùng một tín hiệu đầu vào đồng thời
Trong ma trận trọng số, các hàng là thể hiện nơron, hàng thứ j có thể đặt nhãn như một vector wj của nơron thứ j gồm m trọng số wji Các trọng số trong cùng một cột thứ j (j=1,2, ,n) đồng thời cùng nhận một tín hiệu đầu vào xj wj = [wj1, wj2, , wjm]
Tại cùng một thời điểm, vector đầu vào x = [x1, x2, , xn] có thể là một nguồn bên ngoài là cảm biến hoặc thiết bị đo lường đưa tới mạng
(a) Mạng truyền thẳng một lớp
(b) Mạng hồi tiếp một lớp
(c) Mạng truyền thẳng nhiều lớp
Hình 1.16 Một số dạng mạng nơron
1.3.2 Mạng nơron truyền thẳng nhiều lớp
Mạng nơron nhiều lớp Hình 1.13.c có các lớp được phân chia thành 3 loại sau đây:
Lớp vào là lớp nơron đầu tiên nhận tín hiệu vào xi (i = 1, 2, , n) Mỗi tín hiệu xi được đưa đến tất cả các nơron của lớp đầu vào Thông thường các nơron đầu vào không làm biến đổi các tín hiệu vào xi, tức là chúng không có các trọng số hoặc không có các loại hàm chuyển đổi nào, chúng chỉ đóng vai trò phân phối các tín hiệu
Lớp ẩn là lớp nơron sau lớp vào, chúng không trực tiếp liên hệ với thế giới bên ngoài như các lớp nơron vào/ra
Lớp ra là lớp nơron tạo ra các tín hiệu ra cuối cùng
Ứng dụng của mạng Nơron
Các ứng dụng của mạng nơron Các ứng dụng cụ thể của mạng nơron có thể tóm tắt như sau:
* Lĩnh vực vũ trụ hàng không
- Ứng dụng nhiều trong kỹ thuật bay không người lái
- Hệ thống điều khiển máy bay, nâng cao khả năng bay tự động
- Mô hình hoá các bộ phận của máy bay…
- Hệ thống hướng dẫn ô tô điều khiển tự động.
- Cho phép phân tích phạm vi hoạt động…
- Kiểm tra đọc văn kiện
- Định giá thẻ tín dụng…
- Phát hiện và so sánh dấu vân tay
- Điều khiển tên lửa, các thiết bị bay.
- Hệ thống định vị như sonar, radar.
- Phân tích và phát hiện tế bào ung thư.
- Lưu giữ thời gian nằm và ra viện của bệnh nhân,…
- Đánh giá mức độ mạo hiểm của việc đầu tư.
- Kiểm tra theo dõi quá trình sản xuất.
- Thử nghiệm phân tích, phân loại sản phẩm.
- Dự báo, lên kế hoạch và điều khiển qúa trình sản xuất,…
Phát hiện khoáng sản,dầu khí, kim loại, vàng,…
* Rôbôt: Hệ thống nghe nhìn, điều khiển,….
- Chế tạo chip trong các mạch tích hợp, chip phân tích.
- Phương pháp điều khiển, điều khiển động cơ…
Ngoài ra còn có ứng dụng trong lĩnh vực : Công nghệ giải trí, công nghiệp, bảo hiểm,… Ngày nay cùng với sự phát triển mạnh mẽ của khoa học và kỹ thuật, là khả năng tính toán và xử lý ngày càng mạnh của máy tính, nhờ đó các phương pháp lý thuyết đã nghiên cứu được ứng dụng rộng rãi như lôgíc mờ, đặc biệt là mạng nơron
Trong lĩnh vực điều khiển tự động, mạng nơron được ứng dụng để giải quyết hai bài toán cơ bản 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 và 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 một mô hình toán học thay thế đối tượng với sai lệch cho trước nào đó Đây là cơ sở để ta có thể ứng dụng mạng nơron để nhận dạng các đối tượng Ta sẽ tiến hành nhận dạng lần lượt các đối tượng động học tuyến tính, đối tượng phi tuyến tĩnh và đối tượng động học và phi tuyến 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 ba bài toán sau:
+ Điều khiển tiên đoán mô hình: Model Predictive Control (MPC). + Điều khiển tuyến tính hoá phản hồi: NARMA-L2(Feedback Linearization) Control.
+ Điều khiển theo mô hình mẫu: Model Reference Control Dùng mạng nơron để thiết kế bộ điều khiển phải thực hiện theo trình tự hai bước cơ bản sau: bước 1 là nhận dạng đối tượng và bước 2 là thiết kế bộ điều khiển nơron.Trong bước nhận dạng đối tượng, phải xây dựng một mô hình mạng nơron thay thế cho đối tượng cần được điều khiển Ở bước thiết kế bộ điều khiển nơron, sử dụng mô hình mạng nơron của đối tượng để huấn luyện bộ điều khiển Cả ba bài toán trên đều giống nhau ở bước nhận dạng, tuy nhiên ở bước thiết kế điều khiển thì khác nhau đối với mỗi bài toán. Đối với bài toán điều khiển tiên đoán, mô hình đối tượng được dùng để tiên đoán 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.
Tổng quan về SOM
SOM là một mô hình mạng nơron do GS Kohonen tìm ra như một dạng thông tin topo thường thấy trong dữ liệu đầu đa chiều biến đổi đổi thành lớp một chiều hoặc hai chiều của nơron, thường với hai chiều, lưới hình chữ nhật
[7] Bản đồ topo đảm bảo một trật tự hoặc một ma trận số liệu được xác định tác động đến đầu vào Nó thúc đẩy biểu diễn các thông tin giác quan quan trọng trong bộ nhớ của con người có một thứ tự hình học Cấu trúc liên kết bảo toàn là một thuộc tính quan trọng trong SOM Các nơron đại diện cho các lớp có tính chất tương tự nhau do đó có thể nhóm lại được với nhau Nói cách khác cấu trúc liên kết của các tập dữ liệu trong không gian n chiều, nó được chụp bởi SOM và thể hiện trong sự sắp xếp các nút của nó SOM nén dữ liệu trong khi vẫn giữ mối liên hệ topo quan trọng nhất, nó có thể được coi như tạo ra một số kiểu trừu tượng
Mạng SOM gồm có một mảng hoặc một mạng tinh thể các số của các phần tử xử lý nơron (các nơron hoặc các nút) thường được sắp xếp trong một mạng lưới đa chiều mà mỗi nơron được kết nối với đầu vào Kiểu mạng tinh thể có thể có nhiều mẫu như hình chữ nhật, hình lục giác hoặc thậm chí bất thường Liên kết với mỗi nơron có một mẫu được gọi là bảng mã, mô hình có cùng số chiều với số chiều của mẫu đầu vào
Phương thức học của SOM là một biến thể của cạnh tranh: phương pháp tiếp cận winner-take-all Tính năng của bản đồ Kohonen tạo ra một bản đồ topo điều chỉnh không chỉ trọng số của nơron chiến thắng mà còn điều chỉnh trọng số của các đơn vị đầu ra liền kề hoặc vùng lân cận của nơron chiến thắng Không chỉ nơnon chiến thắng được điều chỉnh mà toàn bộ đầu ra lân cận được di chuyển gần hơn đến các mẫu đầu vào Bắt đầu từ giá trị trọng số ngẫu nhiên, các đơn vị đầu vào tự sắp xếp chúng khi một mẫu đầu vào được thể hiện và một lân cận đáp ứng các mẫu đầu vào Tiến trình huấn luyện giảm kích thước của các miền lân cận tỏa ra từ các đơn vị chiến thắng Đơn vị đầu ra lớn sẽ được cập nhật sau đó sẽ đến đơn vị nhỏ hơn và nhỏ hơn được cập nhật cho đến khi kết thúc huấn luyện chỉ có một đơn vị chiến thắng được điều chỉnh Tương tự như vậy tỉ lệ học sẽ giảm như tiến trình huấn luyện, tìm hiểu tỉ lệ phân rã với khoảng cách từ đơn vị đầu ra chiến thắng.
SOM được tạo thành từ các nơron được đặt trên một lưới một chiều hoặc hai chiều Trọng số n chiều hoặc vector tham chiếu đại diện cho nơron thứ i trong SOM trong đó n bằng kích thức của các vector đầu vào Cấu trúc liên kết của SOM có thể là hình chữ nhật hoặc hình lục giác
Hình 1.18 Cấu trúc của mạng SOM
Các nơron trong bản đồ được kết nối với các nơron lân cận thông qua các lệnh mối quan hệ liền kề trong cấu trúc của bản đồ Các nơron liền kề thuộc lân cận thứ nhất ni1 của nơron thứ i Trong không gian hai chiều các nơron có thể được bố trí trong hình chữ nhật hoặc hình lục giác Các kích cỡ khác nhau của lân cận được minh họa như hình Số lượng các nơron xác định kết quả chi tiết của bản đồ và nó ảnh hưởng đến tính chính xác và khả năng khái quát của SOM.
1.5.2 Một số ứng dụng của SOM
Thuật toán SOM đã được sử dụng trong nhiều lĩnh vực khác nhau với trên 5000 ứng dụng [13], SOM đã khẳng định được các ưu điểm sau:
- SOM rất có hiệu quả trong quá trình phân tích đòi hỏi trí thông minh để đưa ra quyết định nhanh chóng trên thị trường Nó giúp cho người phân tích hiểu vấn đề hơn trên một tập dữ liệu tương đối lớn
- Có khả năng biểu diễn dữ liệu đa chiều dùng trong trình bày và làm báo cáo Và đây cũng là một vấn đề chính đã được đề cập đến nhiều trong luận văn này.
- Xác định các cụm dữ liệu (ví dụ các nhóm khách hàng) giúp cho việc tối ưu phân bố nguồn lực (quảng cáo, tìm kiếm sản phẩm, )
- Có thể dùng để phát hiện sự gian lận trong thẻ tín dụng, và các lỗi dữ liệu.
THUẬT TOÁN SOM VỚI BÀI TOÁN PHÂN CỤM 31 2.1 Các phương pháp phân cụm
Dùng mạng nơron trong phân cụm
Học không giám sát liên quan đến việc dùng các phương pháp quy nạp để phát hiện tính quy chuẩn được thể hiện trong tập dữ liệu Mặc dù có rất nhiều thuật toán mạng nơron cho học không giám sát, trong đó có thuật toán học ganh đua (competitive learning, Rumelhart & Zipser, 1985) [12] Học ganh đua có thể coi là thuật toán học mạng nơron không giám sát thích hợp nhất trong khai phá dữ liệu, và nó cũng minh họa cho sự phù hợp của các phương pháp học mạng nơron một lớp
Nhiệm vụ học xác định bởi học ganh đua là sự phân chia một ví dụ huấn luyện cho trước vào trong một tập các cụm dữ liệu Các cụm dữ liệu sẽ thể hiện các quy tắc biểu diễn trong tập dữ liệu như các minh hoạ giống nhau được ánh xạ vào trong các lớp giống nhau.
Biến thể của học ganh đua mà chúng ta xét ở đây đôi khi được gọi là học ganh đua đơn điệu, liên quan đến việc học trong mạng nơron một lớp.
Các đơn vị đầu vào trong mạng có các giá trị liên quan đến lĩnh vực đang xét, và k đơn vị đầu ra thể hiện k lớp ví dụ đầu vào được phân cụm.
Giá trị đầu vào cho mỗi đầu ra trong phương pháp này là một tổ hợp tuyến tính của các đầu vào:
(2.1) Trong đó, xi là đầu vào thứ i, và wji là trọng số liên kết đầu vào thứ i với đầu ra thứ j Tên thuật toán xuất phát từ việc quyết định số các lớp ẩn. Đơn vị đầu ra có giá trị đầu vào lớn nhất được coi là chiến thắng, và kích hoạt đó được coi bằng 1, còn các kích hoạt khác của đầu ra được cho bằng 0
(2.2) Quá trình huấn luyện cho học ganh đua liên quan đến hàm chi phí:
(2.3) với aj là kích hoạt của đầu ra thứ j, xi là đầu vào thứ i, và wji là trọng số từ đầu vào thứ i với đầu ra thứ j Luật cập nhập các trọng số là:
(2.4) với α là hệ số tỷ lệ học
Hình 2.1 Đơn vị xử lý ganh đua Ý tưởng chính của học ganh đua là đối với mỗi đầu ra là lấy ra “độ tin cậy” cho tập con các ví dụ huấn luyện Chỉ một đầu ra là chiến thắng trong số ví dụ đưa ra, và vectơ trọng số cho đơn vị chiến thắng được di chuyển về phía vectơ đầu vào Giống như quá trình huấn luyện, vectơ trọng số của mỗi đầu ra di chuyển về phía trung tâm của các ví dụ Huấn luyện xong, mỗi đầu ra đại diện cho một nhóm các ví dụ, và vectơ trọng số cho các đơn vị phù hợp với trọng tâm của các nhóm
Học ganh đua có liên quan mật thiết với phương pháp thống kê nổi tiếng như là phương pháp phân cụm K thành phần chính Khác nhau cơ bản giữa hai phương pháp là học ganh đua là phương pháp trực tuyến, nghĩa là trong suốt quá trình học nó cập nhập trọng số mạng sau mỗi ví dụ được đưa ra, thay vì sau tất cả các ví dụ được đưa ra như được làm trong phương pháp phân cụm K thành phần chính Học ganh đua phù hợp với các tập dữ liệu lớn, vì các thuật toán trực tuyến thường có giải pháp nhanh hơn trong mọi trường hợp
Hình 2.2 Không gian ban đầu cho SOM
Thuật toán SOM (Self-Organizing Map) được giáo sư Teuvo Kohonen phát triển vào những năm 80, là một công cụ rất thích hợp trong khai phá dữ liệu [ SOM thực hiện một ánh xạ làm giảm kích thước của tập huấn luyện. Ánh xạ sinh ra hàm phân bố xác suất của dữ liệu và linh hoạt với dữ liệu còn thiếu Nó được giải thích dễ dàng, đơn giản và quan trọng nhất là dễ hình dung Mô phỏng dữ liệu đa chiều là một lĩnh vực áp dụng chính của SOM. SOM là một kỹ thuật mạng nơron truyền thẳng sử dụng thuật toán học không giám sát (học ganh đua) và qua quá trình ”tự tổ chức”, sắp xếp đầu ra cho một thể hiện hình học của dữ liệu ban đầu.
Xét một tập dữ liệu là các vectơ trong không gian n chiều:
Thông thường SOM gồm M nơron nằm trong một lưới (thường có kích thước 2 chiều) Một nơron thứ i là một vectơ mẫu có kích thước p:
Các nơron trong lưới có liên kết đến các nơron lân cận bằng một quan hệ láng giềng Các láng giềng liền kề là các nơron lân cận tuỳ theo bán kính lân cận của nơron thứ i với d là bán kính lân cận Các nơron lân cận tuỳ thuộc vào bán kính, được sắp xếp trong lưới theo hình chữ nhật hoặc hình lục giác Số các lân cận xác định trọng tâm của ma trận kết quả, có ảnh hưởng đến độ chính xác và khả năng sinh ma trận củaSOM
Trong thuật toán SOM, các quan hệ hình học và số các nơron là cố định ngay từ đầu Số lượng nơron thường được chọn đủ lớn nếu có thể, bằng cách điều khiển kích thước lân cận cho phù hợp Nếu kích thước lân cận được lựa chọn là phù hợp thì ma trận không bị mất mát thông tin nhiều ngay cả khi số các nơron vượt quá số các vectơ đầu vào Tuy nhiên, nếu kích thước của ma trận tăng, ví dụ đến mười nghìn nơron thì quá trình huấn luyện trở nên nặng nề vì việc tính toán sẽ không còn hợp lý cho phần lớn các ứng dụng Trước khi huấn luyện các giá trị ban đầu được đưa ra là các vectơ trọng số SOM là không phụ thuộc nhiều đối với dữ liệu ban đầu (dữ liệu có thể bị thiếu), nhưng thuật toán SOM vẫn hội tụ nhanh Dùng một trong ba thủ tục khởi tạo điển hình sau :
- Khởi tạo ngẫu nhiên, vectơ trọng số ban đầu được gán giá trị là các giá trị ngẫu nhiên đủ nhỏ
- Khởi tạo ví dụ, vectơ trọng số ban đầu được gắn với các ví dụ ngẫu nhiên rút ra từ tập dữ liệu
- Khởi tạo tuyến tính, vectơ trọng số ban đầu được gắn trong một không gian con tuyến tính bởi hai vectơ của tập dữ liệu ban đầu
Trong mỗi bước huấn luyện, chọn ngẫu nhiên một vectơ ví dụ x trong tập dữ liệu ban đầu Tính toán khoảng cách giữa x đến tất cả các vectơ mẫu,trong đó c là đơn vị có mẫu gần x nhất gọi là BMU (Best Matching Unit),được xác định như sau:
(2.5) với ||.|| là độ đo khoảng cách.
Sau khi tìm được BMU, vectơ trọng số của SOM được cập nhập lại. Vectơ trọng số của BMU và các lân cận hình thái của nó di chuyển dần đến vectơ trong không gian đầu vào Thủ tục cập nhập này trải dài theo BMU và các hình trạng lân cận của nó về phía vectơ ví dụ.
SOM cập nhập luật cho vectơ trọng số của đơn vị thứ i là:
(2.3) với t: là thời gian, x: vectơ đầu vào ngẫu nhiên rút ra từ tập dữ liệu đầu vào tại thời điểm t, α(t): hệ số tỷ lệ học, h ci (t): nhân (kernel) lân cận quanh c tại thời điểm t, là hàm lân cận
Nhân lân cận xác định vùng ảnh hưởng mà ví dụ đầu vào có trong SOM Nhân được thể hiện gồm hai phần: hàm lân cận h(t,d) và hàm tỷ lệ học α(t):
ỨNG DỤNG MẠNG KOHONEN (SOM) TRONG PHÂN LOẠI SẢN PHẨM
Phát biểu bài toán
Phân cụm dữ liệu nói chung và phân loại sản phẩm nói riêng là một trong những yêu cầu thực tế hiện nay Một nền sản xuất nông nghiệp phát triển đòi hỏi phải phân loại, lựa chọn các sản phẩm nông nghiệp cho nhiều mục tiêu sử dụng khác nhau ví dụ như phân loại sản phẩm hạt cà phê sau thu hoạch.
- Hạt chín đỏ, tốt dành cho xuất khẩu;
- Loại sử dụng trong nước;
- Quả loại, xấu dùng làm phân bón.
Hay như phân loai các sản phẩm của lúa gạo
- Loại chín vàng dùng cho xuất khẩu;
- Loại sử dụng trong nước;
- Loại dùng cho chăn nuôi;
Có rất nhiều phương pháp cho việc khám phá tri thức và khai phá dữ liệu trong sản xuất có sử dụng mạng nơron không giám sát Đặc biệt phương pháp sử dụng SOM có thể trực quan hoá tốt hơn đối với dữ liệu có kích thước lớn; tạo ra biểu diễn các mối quan hệ phức tạp; cải thiện cụm và rút gọn dữ liệu; tạo điều kiện thuận lợi cho việc khám phá tri thức qua việc xác định các cấu trúc và mẫu mới trong dữ liệu Nhiều ứng dụng của SOM đã được sử dụng làm công nghệ và các lĩnh vực khoa học khác Trên hình 3.1a,b là một ví dụ sử dụng mạng Kohonen cho phân loại các thực phẩm (gom cụm các loại thực phẩm) theo:
- Loại hoa, quả ăn được ngay không cần chế biến;
- Loại hoa, quả phải nấu chín mới ăn được;
- Loại thực phẩm là đồ uống;
- Loại thực phẩm đã được chế biến từ thịt có thể dùng được ngay;
- Loại thực phẩm cần được nấu chín mới ăn được.
Hình 3.1a Thực phẩm trước khi được phân loại
Hình 3.1b Phân loại thực phẩm theo các thuộc tính sử dụng mạng
Mạng Kohonen (SOM) cho phép gom cụm các sản phẩm như vậy Vấn đề đặt ra là cần phải kết hợp với quá trình phát triển với kỹ thuật mới có thể xử lý các thuật toán một cách hoàn hảo.
Căn cứ vào quy trình thực tế của việc phân loại sản phẩm tôi muốn đề xuất áp dụng SOM trong việc đánh giá, phân loại sản phẩm nông nghiệp.
Mạng Kohonen cho phân loại sản phẩm
Mạng Kohonen xây dựng cho phân loại sản phẩm bao gồm 2 lớp:
Lớp vào Kohonen có cấu trúc bao gồm các vector đầu vào thể hiện qua
Với i = 1 , n bao gồm các thuộc tính của sản phẩm
Ví dụ : Trong trường hợp này là các dữ liệu
- Độ lớn ( Kích thước của hạt sản phẩm );
- Màu sắc của hạt sản phẩm;
Khi thực hiện ở bất kỳ bài toán trên SOM nào đều phải thực hiện theo:
- Xây dựng tập hợp dữ liệu
- Tiền xử lý dữ liệu
- Phân tích kết quả của SOM Để cho đơn giản biểu diễn mô hình phân loại sản phẩm như sau theo thuật toán:
Hình 3.2 Sơ đồ khối thuật toán quá trình phân loại sản phẩm 3.2.2 Chuẩn bị dữ liệu
Trong giai đoạn chuẩn bị dữ liệu có 2 việc cần thực hiện đó là: Thu thập dữ liệu và xử lý dữ liệu:
Việc thu thập dữ liệu của một đối tượng cũng như các thuộc tính của nó cho phân loại sản phẩm có thể thực hiện theo nhiều cách khác nhau Dữ liệu có thể được biết như là các bản ghi, các ví dụ, các thực thể hay một cá biệt nào đó Thuộc tính, các đặc trưng của một đối tượng cũng là các dữ liệu cần
- Tiền xử lý dữ liệu.
Xác định các thông số của mạng
Số Nơron đầu ra Độ lớn của vào / ra
Hệ số học ban đầu Độ lớn ban đầu của các Nơron lân cận
Phát triển mạng Kohonen Lớp vào;
Lớp ra 2 chiều hình chữ nhật.
Kiểm tra mạng Đánh giá kết quả phải thu thập cho việc phân loại thuộc tính Có thể coi như là các biểu tượng, đặc trưng hay tính chất nó được gán các giá trị thuộc tính trong không gian nhiều chiều.
Tập các dữ liệu ta có thể thấy như các tế bào ung thư, ris, rượu vang … Tập các dữ liệu có thể được coi như các mẫu của đầu vào cho huấn luyện mạng Kohonen.
- Tiền xử lý dữ liệu
Các dữ liệu mới thu nhận chưa thể sử dụng được ngay vì còn rất thô, do vậy cần phải xử lý trước 1 bước và được gọi là Tiền xử lý dữ liệu Các công đoạn cho tiền xử lý dữ liệu như sau :
- Làm sạch dữ liệu gồm: Thêm các dữ liệu thiếu, loại bỏ dư thừa.
- Chuyển đi dữ liệu qua chuẩn hóa
- Giảm bớt kích cỡ dữ liệu.
- Rời rạc hóa dữ liệu
Ví dụ : Việc chuẩn hóa có thể thực hiện theo :
Xnor : Giá trị mới của dữ liệu
Xin : Giá trị hiện hành của dữ liệu
Xmin: Giá trị thấp nhất khi thu thập
Xmax: Giá trị cao nhất khi thu thập
SepalW (Độ rộng đài hoa)
PetalL (Độ dài cánh hoa)
Bảng 3.1 Bảng dữ liệu thống kê kết quả phân loại hoa theo chiều dài, chiều rộng cánh hoa và đài hoa.
Như đã trình bày ở đầu mục này mô hình mạng Kohonen bao gồm 2 lớp: lớp vào Kohonen và lớp ra Kohonen
Trong lớp Kohonen có nhiều Nơron thể hiện cho các biến vào từ dữ liệu Mỗi Nơron đó được kết nối với không gian đầu ra là 2 chiều và được sắp xếp theo hình chữ nhật Mỗi Nơron được huấn luyện theo gom cụm (Phân loại sản phẩm).
Xác định các thông số cho mạng Kohonen
Các thông số cho việc huấn luyện mạng cần có:
- Tỷ lệ học ( Tốc độ )
- Tốc độ thanh ghi các Nơron lân cận.
- Là tốc độ học của thuật toán.
- Là tốc độ cho cập nhật các Nơ- ron thân cận
- Số lần được sử dụng trong huấn luyện mạng
- Xác định số Nơron đầu ra
Việc huấn luyện mạng được thực hiện theo các mục trong chương 2 và theo thuật toán sau:
Gán trọng số ban đầu bất kỳ Nhận một màu mới Xác định màu đó thuộc các lớp Tính toán lại khoảng cách Chọn Nơron chiến thắng Cập nhật trọng số Đã hết
*Tính hội tụ của thuật toán
Tính hội tụ của thuật toán được xác định theo sai số lượng tử trong hình qua mỗi lần lặp
1.1.4 Chương trình thực thi quá trình phân loại sản phẩm
Chương trình thí nghiệm sử dụng phân loại sản phẩm cho ca iris trên hình 3.7.
Việc phân loại sản phẩm các loại hoa Iris được thươc hiện theo các kích cỡ chiều dài và rộng của đại hoa và chiều dài và rộng của cách hoa Các số liệu thu thập của 50 bông hoa Hoa Lan, 50 bồng hoa Hoa Hồng và 50 bông hoa Vigrinica [10] có thể thấy trên bảng 3.1 Trên hình 3.4 cho thấy mạng Kohonen đã phân các loại hoa Iris vào thanh 3 cụm 50 bông hoa Hoa Lan được gom vào cụm phía tren hình 3,7
Hình 3.3 Thuật toán phân cụm sản phẩm
Hình 3.4a 50 bông loại hoa Hoa Lan được phân vào một cụm
Trên hình 3.4b thể hiện 50 bông hoa Hoa Hong được phân vào một cụm
Hình 3.4b 50 bông loại hoa Hoa Hong được phân vào một cụm
Hình 3.4c 50 bông loại hoa Hoa Loa Ken được phân vào một cụm
Hình 3.5a Ba loại hoa được phân ra thành 3 cụm sản phẩm theo chiều dài và rông của đài hoa và cánh hoa
Hình 3.5b Kết quả gom cụm sản phẩm ba lo hoa theo độ dài rộng của đài hoa và cánh hoa
Trên hình 3.5 a,b thể hiện hoa iris được phân ra làm ba loại iris Hoa Lan được gom lại ở phần bên trên hình và loại hai là iris Hoa Hồng được gom lại phần bên trái hình, bên phải hình là iris Hoa Loa Kèn.
Trên hình 3.5b là các biến đầu vào là chiều dài và chiều rộng của đài hoa, cánh hoa liên quan đến các sản phẩm được phân ra phân ra trong hình 3.5a.
Tương tự cho phân loại sản phẩm là các bông hoa sau khi thu hoạch để co thể phân loại theo mục tiêu:
- Các loại hoa cho chất lượng loại một - xuất khẩu;
- Các loại hoa cho chất lượng loại hai - sử dụng trong nước;
- Các loại sâu, hỏng không làm được thực phẩm - làm phân bón
3.2.5 Kiểm tra quá trình tính toán
Việc tính toán cũng như kiểm tra chất lượng của SOM được chia ra 2 bước :
- Các sản phẩm có được phân loại tốt không
- Các Nơron đầu ra thể hiện đúng trật tự của nó thì việc tính khoảng cách từ Nơron chiến thắng.
Cho sai số lượng tử trung bình để xác định tính hội tụ ta thực hiện theo
Xi : Vec tơ dữ liệu đầu vào thứ i
Wc : Vec tơ trọng số của Nơron chiến thắng
Ví dụ cơ sở dữ liệu được thu thập từ các loại hoa iris Đây là bộ dữ liệu được sử dụng rộng rãi để phân loại mô hình với 4 chiều vào đó là chiều dài đài hoa (Sepail length), chiều rộng đài hoa (Sepail width) chiều dài và chiều rộng cảu cánh hoa (pental length) và (pental width) được phân ra làm 3 lớp là
50 iris Hoa Lan, iris Hoa Hồng và 50 bông iris Hoa Loa Kèn và kết quả: Đầu vào 4 Đầu ra 1 Độ lớn dữ liệu 150
Dữ liệu Số loại Các loại
Iris 3 Loại 1: iris Hoa Lan
Loại 2: iris Hoa HồngLoại 3: iris Hoa Loa Kèn
Đề xuất phương án triển khai kỹ thuật cho phân loại sản phẩm hạt cà phê
Hình 3.6 là mô hình đề xuất triển khai cho hệ thống phân loại sản phẩm hoa sử dụng băng truyền để tải hoa qua camera Camera màu sẽ ghi lại hình ảnh màu của các boong hoa chạy trong băng truyền Sau đó qua mạng Kohonen để xử lý và gom cụm Cơ cấu chấp hành sẽ thục hiện việc tuyển lựa hoa theo thuật toán Kohonen Trong khuôn khổ luận văn này tôi chưa thể thiết kế một thiết bị chấp hành, việc này sẽ là một nghiên cứu khác mang tính đầy đủ hơn.
Hình 3.6 Mô hình phân loại sản phẩm
