thiết kế bộ điều khiển mờ để điều khiển mức cho balong hơi nhà máy nhiệt điện phả lại

MỤC LỤC

Chương 1: Không gian hàm liên thuộc của các biến ngôn ngữ

1.1.1 Biểu diễn tham số của không gian hàm thuộc của biến ngôn ngữ 2

a, Khái nhiệm miền mở trong không gian nền của biến ngôn ngữ 2

1.1.2 Quan hệ ngữ nghĩa giữa các giá trị ngôn ngữ trong không gian hàm thuộc tham số của biến ngôn ngữ

1.1.4 Cấu trúc đại số của không gian các hàm thuộc tham số của biến ngôn ngữ 12

1.1.5 Xây dựng hàm thuộc biểu thị ngữ nghĩa các giá trị biến ngôn ngữ dựa trên

độ đo tính mờ

b, Xác định tính mờ của ngôn ngữ dựa trên cấu trúc đại số gia tử 17

1.2 Lập luận xấp xỉ dựa trên mô hình tham số của các biến ngôn ngữ 24

1.2.2 Giá trị chân lý ngôn ngữ trong logic mờ cho lập luận xấp xỉ. 26

1.2.5 Logic mờ dựa trên biểu diễn tham số của các giá trị chân lý ngôn ngữ 32

1.2.6 Một cấu trức đại số khác của nhiều giá trị chân lý ngôn ngữ. 36

1.2.7 Logic mờ cho lập luận tự động trong các hệ phân loại kiểu đối tượng 38

2.1.4 Giải mờ 43

Chương 3 : Thiết kế bộ điều khiển mờ cho Balong hơi – Nhà máy nhiệt điện PHẢ LẠI

3.1.1 Sơ đồ cấu trúc của bộ điều chỉnh mức nước trong Balong 50

3.1.2 Xác định hàm truyền đạt của các phần tử trong các sơ đồ cầu trúc 50

3.3 Thiết kế bộ điều khiển cho mạch vòng ngoài bằng tiêu chuẩn phẳng 53

3.4 Thiết kế bộ điều khiển mờ tĩnh cho mạch vòng ngoài điều khiển mức nước 54

3.6.1 Sơ đồ và kết quả mô phỏng bộ điều khiển mạch vòng trong 64

b, So sánh chất lượng của các máy điều chỉnh khi có nhiễu phụ tải 68

c, So sánh chất lượng của các máy điều chỉnh khi thay đổi giá trị đặt 70

d, So sánh chất lượng của các máy điều chỉnh khi thay đổi thông số đối tượng 74

4.2 Ứng dụng phương pháp luận xấp xỉ trong diều khiển mờ 95

Mở đầu

Ngày nay, cùng với sự phát triển của các ngành kỹ thuật, công nghệ thông tin góp phần cho sự phát triển của kỹ thuật điều khiển và tự động hoá Trong công nghiệp, điều khiển quá trình sản xuất đang là mũi nhọn và then chốt để giải quyết vấn đề nâng cao năng suất và chất lượng sản phẩm Một trong những vấn đề quan trọng trong điều khiển là việc tự động điều chỉnh độ ổn định và sai số là ít nhất trong khoảng thời gian điều khiển là ngắn nhất, trong đó phải kể đến các hệ thống điều khiển mờ đang được sử dụng rất rộng rãi hiện nay.

Trong quá trình điều khiển trên thực tế, người ta luôn mong muốn có một thuật toán điều khiển đơn giản, dễ thể hiện về mặt công nghệ và có độ chính xác càng cao càng tốt Đây là những yêu cầu khó thực hiện khi thông tin có được về tính điều khiển được và về mô hình động học của đối tượng điều khiển chỉ được biết mơ hồ dưới dạng tri thức chuyên gia theo kiểu các luật IF – THEN Để đảm bảo độ chính xác cao trong quá trình xử lý thông tin và điều khiển cho hệ thống làm việc trong môi trường phức tạp, hiện nay một số kỹ thuật mới được phát hiện và phát triển mạnh mẽ đã đem lại nhiều thành tựu bất ngờ trong lĩnh vực xử lý thông tin và điều khiển Trong những năm gần đây, nhiều công nghệ thông minh được sử dụng và phát triển mạnh trong điều khiển công nghiệp như công nghệ nơron, công nghệ mờ, công nghệ tri thức, giải thuật di truyền, … Những công nghệ này phải giải quyết với một mức độ nào đó những vấn đề còn để ngỏ trong điều khiển thông minh hiện nay, đó là hướng xử lý tối ưu tri thức chuyên gia.

Tri thức chuyên gia là kết quả rút ra từ quá trình tổ chức thông tin phức tạp, đa cấp, đa cấu trúc, đa chiều nhằm đánh giá và nhận thức được (càng chính xác càng tốt) thế giới khách quan Tri thức chuyên gia được thể hiện dưới dạng các luật mang tính kinh nghiệm, các luật này là rất quan trọng vì chúng tạo thành các điểm chốt cho mô hình suy luận xấp xỉ để tìm ra đại lượng điều khiển cho phép thoả mãn (có khả năng tối ưu) mục tiêu điều khiển với độ chính xác nào đó Chiến lược suy luận xấp xỉ càng tốt bao nhiêu, đại lượng điều khiển tìm được càng thoả mãn tốt bấy nhiêu mục tiêu điều khiển đề ra Các thuật toán điều khiển hiện nay ngày càng có mức độ thông minh cao, tích hợp trong đó các suy luận, tính toán mềm dẻo hơn để có thể hoạt động được trong mọi điều kiện đa dạng, phức tạp hoặc với độ bất định cao, tính phi tuyến lớn của đối tượng điều khiển.

Logic mờ đã đem lại cho công nghệ điều khiển truyền thống một cách nhìn mới, nó cho phép điều khiển được khá hiệu quả các đối tượng không rõ ràng về mô hình trên cơ sở tri thức chuyên gia đầy cảm tính Điều khiển mờ là một thành công của sự kết hợp giữa logic mờ và lý thuyết điều khiển trong quá trình đi tìm các thuật toán điều khiển thông minh Chìa khóa của sự thành công này là sự giải quyết tương đối thỏa đáng bài toán suy luận xấp xỉ (suy luận mờ) Tuy vậy không phải không còn những vướng mắc Một trong những khó khăn của các lý thuyết suy luận xấp xỉ là độ chính xác chưa cao và sẽ còn là bài toán mở trong tương lai.

Công nghệ tính toán mềm là sự hội tụ của công nghệ mờ và công nghệ nơron và lập trình tiến hoá nhằm tạo ra các mặt cắt xuyên qua tổ chức thông tin phức tạp nói trên, tăng cường khả năng xử lý chính xác những tri thức trực giác của các chuyên gia [3].

Khác hẳn với kỹ thuật điều khiển kinh điển là hoàn toàn dựa vào độ chính xác tuyệt đối của thông tin mà trong nhiều ứng dụng không cần thiết hoặc không thể có được, trong

khi đó điều khiển mờ có thể xử lý những thông tin “không chính xác” hay “không đầyđủ” Những thông tin mà sự chính xác của nó chỉ nhận thấy được giữa các quan hệ của

chúng đối với nhau và cũng chỉ mô tả được bằng ngôn ngữ, đã cho ra quyết định hợp lý Chính khả năng này đã làm cho điều khiển mờ sao chụp được phương thức xử lý thông tin và điều khiển cụ thể đã giải quyết thành công một số bài toán điều khiển phức tạp mà trước đây không giải quyết được.

Mặc dù logic mờ và lý thuyết mờ đã chiếm một vị trí vô cùng quan trọng trong kỹ thuật điều khiển Tuy nhiên, nhiều bài toán điều khiển đòi hỏi tính trật tự theo ngữ nghĩa của hệ luật điều khiển Điều này lý thuyết mờ chưa đáp ứng được đầy đủ Để khác phục khó khăn này, trong luận văn này đề cập đến lý thuyết đại số gia tử [9], [10], [11], [12], một công cụ đảm bảo tính trật tự ngữ nghĩa, hỗ trợ cho logic mờ trong các bài toán suy luận nói chung và điều khiển mờ nói riêng Có thể thấy đây là một sự cố gắng lớn nhằm

mở ra một hướng giải quyết mới cho xử lý biến ngôn ngữ tự nhiên và vấn đề tư duy trực cảm.

Lý thuyết đại số gia tử được hình thành từ những năm 1990 Ngày nay lý thuyết này đang được phát triển và một trong những mục tiêu của nó là giải quyết bài toán suy luận xấp xỉ Có thể tìm hiểu kỹ các vấn đề này trong các công trình nghiên cứu gần đây

Trong logic mờ và lý thuyết mờ, nhiều khái niệm quan trọng như tập mờ, T-chuẩn, S-chuẩn, phép giao mờ, phép hợp mờ, phép phủ định mờ, phép kéo theo mờ, phép hợp thành, … được sử dụng trong bài toán suy luận xấp xỉ Đây là một điểm mạnh có lợi cho quá trình suy luận mềm dẻo nhưng cũng là một điểm yếu bởi có quá nhiều yếu tố ảnh hưởng đến tính chính xác của quá trình suy luận Trong khi đó suy luận xấp xỉ dựa trên đại số gia tử ngay từ đầu không sử dụng khái niệm tập mờ, do vậy độ chính xác của suy luận xấp xỉ không bị ảnh hưởng bởi các khái niệm này

Một vấn đề đặt ra là liệu có thể đưa lý thuyết đại số gia tử với tính ưu việt về suy luận xấp xỉ so với các lý thuyết khác vào bài toán điều khiển và liệu sẽ có được sự thành công như các lý thuyết khác đã có hay không?

Luận văn này cho thấy rằng có thể sử dụng công cụ đại số gia tử cho nhiều lĩnh vực công nghệ khác nhau và một trong những số đó là công nghệ điều khiển trên cơ sở tri thức chuyên gia.

Phần nội dung của bản luận văn gồm 4 chương:

Chương 1: Không gian hàm thuộc của các biến ngôn ngữ và lập luận xấp xỉ Chương 2: Logic mờ; thiết kế FLC cho đối tượng công nghiệp.

Chương 3: Thiết kế bộ điều khiển mờ để điều khiển mức cho Balong hơi nhà máy nhiệt điện phả lại.

Chương 4: Bộ điều khiển bằng đại số gia tử.

Do trình độ và thời gian hạn chế, em rất mong nhận được những ý kiến góp ý của các thầy giáo, cô giáo và các ý kiến đóng góp của đồng nghiệp.

Đặc biệt, em xin chân thành cảm ơn sự hướng dẫn tận tình của thầy giáo PGS.TS.Nguyễn Hữu Công và sự giúp đỡ của các thầy cô giáo trong khoa Điện tử, khoa Điện

-trường Đại học Kỹ thuật công nghiệp Thái Nguyên và các bạn bè đồng nghiệp.

CHƯƠNG 1

KHÔNG GIAN HÀM THUỘC CỦA CÁC BIẾN NGÔN NGỮ VÀ LẬP LUẬN XẤP XỈ

Trong chương này chúng ta nghiên cứu cơ sở lý thuyết về logic mờ, logic ngôn ngữ và lập luận xấp xỉ để ứng dụng vào tự động hoá để giải quyết các các bài toán điều khiển ở các chương tiếp theo.

Như chúng ta đã biết, các tri thức chuyên gia thường được cho ở dạng ngôn ngữ Để xây dựng hệ lập luận với các tri thức dạng này chúng ta cần biểu diễn được các khái niệm ngôn ngữ và cơ sở lý luận kèm theo Vấn đề là phương pháp biểu diễn được xây dựng như thế nào để phản ánh tốt nhất, trong chừng mực có thể, cấu trúc ngữ nghĩa của các giá trị ngôn ngữ trong thực tế, đồng thời nó dẫn đến cấu trúc toán học đủ tốt cho phép thực hiện các tính toán một cách hiệu quả Cho đến nay chưa có một phương pháp nào đáp ứng được đầy đủ cả hai yêu cầu này cho mọi biến ngôn ngữ và có lẽ cũng không tồn tại một phương pháp lý tưởng như vậy Trong chương này chúng ta sẽ nghiên cứu một phương pháp xây dựng không gian hàm thuộc của miền giá trị ngôn ngữ của một biến ngôn ngữ Như chúng ta sẽ thấy sau này, phương pháp của chúng ta dựa trên quan sát thực tế về ngữ nghĩa của khái niệm mờ sử dụng ngôn ngữ hằng ngày như đã phân tích trong [13, 15] Do đó, theo cách xây dựng của chúng ta, không gian hàm thuộc của miền giá trị của của một biến ngôn ngữ cũng có hai phần tử sinh nguyên thuỷ (không kể phần tử chung tính) và cũng có cấu trúc đại số đủ tốt để thực hiện nhiệm vụ tính toán Sau đó chúng ta xây dựng một hệ hỗ trợ quyết định dựa vào phương pháp lập luận xấp xỉ trên mô hình hàm thuộc tham số Với phương pháp lập luận này chúng ta sẽ xây dựng thuật toán tự động hoá hỗ trợ.

1.1 Không gian hàm thuộc trong logic mờ và logic ngôn ngữ phương pháp xây dựng cấu trúcđại số.

1.1.1 Biểu diễn tham số của không gian hàm thuộc của biến ngôn ngữ

Như đã nhận xét trong [14], hầu hết các biến ngôn ngữ trong thực tế chỉ có 2 phần tử sinh nguyên

thuỷ phản nghĩa nhau: một phần tử sinh âm (ngữ nghĩa), ký hiệu là f, và một phần tử sinh dương, ký hiệu là t Chẳng hạn như biến chân lý ngôn ngữ có hai phần tử sinh đối nghĩa nhau là true (t) vàfalse (f) Ngoài ra, các tác giả trong [14] cũng giả thiết một phần tử sinh trung tính W sao cho việc tác động các gia tử lên W không làm thay đổi ngữ nghĩa của nó (tức là W là một điểm bất động đối

với các toán tử một ngôi hay là các gia tử) Mặt khác trong thực tế chúng ta cũng có thể xem một

số biến ngôn ngữ có 3 giá trị ngôn ngữ (phần tử sinh) nguyên thuỷ phần tử sinh âm f, phần tử sinh dương t, và phần tử sinh “trung gian” m Lưu ý rằng chúng ta cần phân biệt ngữ nghĩa hoàn toàn khác nhau giữa hai giá trị ngôn ngữ: m là một giá trị ngôn ngữ cụ thể và nó hàm chứa nhiều thông tin ngữ nghĩa hơn W, trong khi W có thể được đồng nhất với ngữ nghĩa “neither absolutely f not absolutely t”.

Như đã nói ở trên, sau đây chúng ta giả thiết rằng không gian nền U có biến cơ sở u của một biến ngôn ngữ X là một tập con đóng của tập các số thực R,tức là U = [a,b], với a < b

a, Khái nhiệm miền mở trong không gian nền của biến ngôn ngữ

Trong thực tế con người thường sử dụng các từ trong ngôn ngữ tự nhiên để mô tả định tính định lượng của các đối tượng trong một hệ thống quan sát được Đồng thời các thuộc tính vật lý (định lượng) của các đối tượng thường được đo bằng các đại lượng số kết hợp với các đơn vị đo thích hợp Chẳng hạn như để đo chiều cao của con người, chúng ta sử dụng một tập con của tập các số thực từ 0 đến 3 kết hợp với đơn vị đo chiều dài là mét Trong khi đó mô tả định tính về chiều cao

của con người thường được sử dụng bằng các từ như: Cao, rất cao, trung bình, thấp…Khi đó cao được xem như phần tử sinh dương, thấp được xem như phần tử sinh âm, và trung bình là phần tử sinh “Trung gian” Tình huống tự như trong toán học có thể của các đại lượng số thực là âm (các số nhỏ hơn 0 ), dương (Các số lớn hơn 0) và phân tử trung tính là 0

Trường hợp 1: (X có 3 phần tử sinh t, f, m) Giả sử từ dữ liệu quan sát được sử dụng thuật toán

đồng đẳng hoá mờ như trên chúng ta xây dựng hàm thuộc cho 3 phần tử sinh nguyên thuỷ t, f, m của X Theo cách xây dựng này, các tập mờ tương ứng của các giá trị ngôn ngữ t, f, m làm thành một phân hoạch mờ của U, đồng thời biểu diễn đồ thị của các hàm thuộc các giá trị ngôn ngữ nguyên thuỷ t, m, f, ký hiệu bởi t, f, m tương ứng, có dạng được mô tả trong hình vẽ sau: m

f t

a a1 a2 a3 b

Hình 1.1 Hàm thuộc của 3 giá trị ngôn ngữ nguyên thuỷ sinh bởi đồng đẳng hoá mờ.

Cụ thể ta có biểu diễn giải tích của các hàm thuộc các giá trị ngôn ngữ nguyên thuỷ t, f, m : [a,b]  [0,1] được cho tương ứng như sau:

Khi đó chúng ta gọi các khoảng (a1, a3) và (a2, a3) là các miền mờ trong không gian nền của biến ngôn ngữ X Giải thích ngữ nghĩa của các miền mờ là như sau:

Về phương diện trực quan, chúng ta thấy rằng các giá trị của biến cơ sở và trong U với u  [a, a1] (tương ứng u  [a3, b] là tương thích hoàn toàn với mô tả định tính f (sai) (tương ứng t (đúng)) Với u = a2 thì u là tương thích hoàn toàn với mô tả định tính m (trung gian) Ngoài ra các giá trị còn lại của u là mơ hồ, không hoàn toàn tương thích với các mô tả định tính f, t và m Điều này tương ứng với giá trị hàm thuộc (1.1 - 1.2) của các giá trị ngôn ngữ f, t và m được định nghĩa như

trên Khi đó nếu chúng ta sử dụng các trạng từ nhấn (các gia tử ngôn ngữ) để nhấn mạnh ngữ nghĩa

của các giá trị nguyên thuỷ, thì các trạng từ nhấn này chỉ ảnh hưởng đến các giá trị của biến u nằm

trong phạm vi các miền mờ.

Về phương diện ngữ nghĩa hàm thuộc, các trạng từ nhấn như very, more or less, little, … thường

được mô hình bằng các toán tử một ngôi trên các tập mờ Khi đó chúng ta thấy rằng một khi giá trị hàm thuộc của biến cơ sở bằng 1 hoặc 0, thì các toán tử một ngôi không làm thay đổi các giá trị hàm thuộc này mà chỉ làm thay đổi các giá trị hàm thuộc nằm trong khoảng (0.1) Nhận xét này cũng nhất quán với các nghiên cứu dựa trên lý thuyết tập mờ trước đây về các gia tử ngôn ngữ

Ví dụ Xét biến ngôn ngữ Age khi mô tả định tính về tuổi của con người Khi đó chúng ta có thể

định nghĩa không gian nền của biến cơ sở U = [0, 120] kết hợp với một đơn vị đo thời gian Các giá trị sinh nguyên thuỷ của Age có thể là old (phần tử sinh dương), young (phần tử sinh âm), medium (phần tử sinh trung gian) Khi đó dựa trên phân bố tuổi (dữ liệu số) trong một cộng đồng

người, sử dụng thuật toán đồng đẳng hoá mờ như trên, giả sử chúng ta thu được hàm thuộc của các

giá trị ngôn ngữ old, young và medium có biểu diễn dạng tham số như sau:

young = (0, 0, 20, 40); medium = (20, 40, 60); old = (40, 60, 120, 120) Khi đó miền mờ của biến ngôn ngữ Age là (20, 40) và (40, 60).

Trường hợp 2: (X có 2 phần tử sinh t, f) Tương tự như Trường hợp 1, theo cách xây dựng hàm

thuộc dùng đồng đẳng hoá mờ, các tập mờ tương ứng của các giá trị ngôn ngữ t, f làm thành một phân hoạch mờ của U Khi đó biểu diễn đồ thị của các hàm thuộc của các giá trị ngôn ngữ nguyên thuỷ t và f, ký hiệu bởi t và f tương ứng, có dạng được mô tả trong hình 1.2 như sau:

f t a a1 a2 b

Hình 1.2 Hàm thuộc của 2 giá trị ngôn ngữ nguyên thuỷ sinh bởi đồng đẳng hoá mờ.

Khi đó biểu diễn giải tích của t và f như sau:

Trong trường hợp này, miền mờ trong không gian nền của biến ngôn ngữ là khoảng (a1; a2) Hơn nữa, hàm thuộc của phần tử trung tính W có thể được định nghĩa như sau: w(u) = 1 nếu a1 , u <a2,và w(u) = 0 nếu a1  u hoặc a2  u

b, Biểu diễn tham số của không gian hàm thuộc

Trong phần này chúng ta sẽ giới thiệu một mô hình biểu diễn tham số cho không gian hàm thuộc của các giá trị ngôn ngữ của một biến ngôn ngữ.

Theo nhận xét trong phần trước, các biến ngôn ngữ trong thực tế chỉ có hai giá trị sinh nguyên thuỷ

t và f; hoặc ba giá trị sinh nguyên thuỷ t, f và m Như giải thích trên đây về ngôn ngữ của m và phần tử trung tính W, thì m có vai trò của một phần tử sinh nguyên thuỷ tương tự như t và f Khi đócác gia tử ngôn ngữ khi tác động lên m cũng làm thay đổi ngôn ngữ nghĩa của nó Tuy nhiên trong

thực tế thì rất hiếm khi con người sử dụng các gia tử ngôn ngữ để nhấn mạnh ngữ nghĩa của giá trị

ngôn ngữ trung gian m Thực tế thì trong các nghiên cứu về lập luận mờ sử dụng khái niệm biến ngôn ngữ, vai trò của phần tử sinh m bị bỏ qua Trong khi đó vai trò của m được chú ý trong các

nghiên cứu liên quan đến việc mô tả các đại lượng mờ ( chẳng hạn tính toán liên quan đến các số mờ).

Mục đích của chúng ta là nghiên cứu một phương pháp lập luận xấp xỉ dựa trên khái niệm của biến ngôn ngữ và ứng dụng của nó Do vậy từ bây giờ về sau tác giả giả thiết rằng các biến

ngôn chỉ có hai giá trị sinh nguyên thuỷ là t và f Đồng thời thay vì xét phần tử sinh “trung gian” m, tác giả xét phần tử trung tính W trong cấu trúc của một biến ngôn ngữ

Cho một biến ngôn ngữ X với hai giá trị ngôn ngữ nguyên thuỷ f và t với ngữ nghĩa được xác định như trong phần trước Giả sử không gian nền của biến cơ sở của X là U - [a, b]  R, và hàm

thuộc của các giá trị ngôn ngữ nguyên thuỷ được xây dựng dựa trên đồng đẳng hoá mờ được cho dưới dạng hình thang như sau:

f (a, a, a1, a2); t = (a1, a2, b, b)Miền mờ của X là khoảng (a1, a2) xem hình 1.2 ở trên)

Kí hiệu H là một tập hữu hạn các gia tử ngôn ngữ đang xét và  là một gia tử ngôn ngữ hoặc một xâu các gia tử ngôn ngữ, tức là   H* Khi đó một giá trị ngôn ngữ của X có dạng c, trong đó c  {f,t}.f,t}

Định nghĩa 1.1 Xét giá tị ngôn ngữ tuỳ ý x = c, c {f,t}.f,t}, của biến ngôn ngữ X Hàm thuộc

tham số của x được định nghĩa tương ứng như sau:

Theo Định nghĩa 1.1, chúng ta thấy rằng mỗi giá trị ngôn ngữ x được gán tương ứng với một tham

số f(x) hoặc t(x) phụ thuộc vào x được sinh tương ứng từ f hoặc t

Suy ra trực tiếp từ định nghĩa, chúng ta có một số giá trị ngôn ngữ đặc biệt của X với ngữ

nghĩa cho trong Bảng 1.1 sau đây:

Bảng 1.1 Một số giá trị ngôn ngữ đặc biệt

Absolutely t x(u) = 1, với u [a2, b] t  a2

Absolutely x(u) = 1, với u  [a, a1] f  a1

Not absolutely t x(u) = 1, với u  [a, a1] f  + Not absolutely f x(u) = 1, với u  [a1, b] t  - 

W x(u) = 1, với u  [a1, a2]

Ngữ nghĩa của các giá trị ngôn ngữ t, Absolutely t, f, Absolutely f trong Bảng 1.1 có thể được giải

thích một cách khá tự nhiên Chú ý rằng giá trị hàm thuộc x trong bảng là bằng 0 đối với các giá

trị khác của u không chỉ ra Khi af  + ta có:

x(u) = 1, với u  [a, a2] và x(u) = 0, với u  [a2, b],

Do đó giá trị ngôn ngữ tương ứng với hàm thuộc này là “Not absolutely t” vì hàm thuộc của

“Absolutely t” là x(u) = 0, với u  [a2, b] và x(u) = 1, với u  [a, a2) Có thể cho một giải thích tương tự cho giá trị ngôn ngữ “Not absolutely f” khi f - Hơn nữa, trong Bảng 1.1 chúng ta

không có tham số tương ứng cho giá trị ngôn ngữ W Chúng ta chấp nhận điều này xuất phát từ đặctrưng ngữ nghĩa đặc biệt của W tứa là W = “neither absolutely f nor absolutely t”

Kí hiệu: Tx là tập tất cả các giá trị ngôn ngữ có biểu diễn hàm thuộc tham số sinh bởi (1.6) và

(1.7) cùng với giá trị ngôn ngữ đặc biệt W Không sợ gây nhầm lẫn chúng ta có thể đồng nhất Tx

với không gian các hàm thuộc tham số của các giá trị ngôn ngữ của X.

1.1.2 Quan hệ ngữ nghĩa giữa các giá trị ngôn ngữ trong không gian hàm thuộc tham số của biến ngôn ngữ

Xét biến ngôn ngữ X và giả sử Tx là không gian các giá trị ngôn ngữ của nó được định nghĩa

như trên Trước khi phân tích đặc trưng ngữ nghĩa của không gian các giá trị ngôn ngữ Tx, chúng ta có nhận xét sau đây:

Trong thực tế, các giá trị ngôn ngữ của một biến ngôn ngữ được dùng để mô tả định tính về một thuộc tính (định lượng) của các đối tượng Khi đó các gia tử ngôn ngữ được sử dụng với mục đích nhấn mạnh (hoặc làm yếu) ngữ nghĩa của các giá trị ngôn ngữ nguyên thuỷ Quan sát trực quan này phù hợp với ngữ nghĩa hàm thuộc tham số của các giá trị ngôn ngữ định nghĩa như trong phần trước Tức là trong mô hình biểu diễn tham số của tác giả, các gia tử ngôn ngữ chỉ làm thay

đổi ngữ nghĩa hàm thuộc của một giá trị ngôn ngữ trong phạm vi miền mờ (a1, a2) của biến cơ sở

Với nhận xét như vây, chúng ta có thể định nghĩa quan hệ đặc tả (ngữ nghĩa) giữa hai giá trị ngôn ngữ sinh từ cùng một giá trị ngôn ngữ nguyên thuỷ như sau:

Định nghĩa 1.2 Xét hai giá trị ngôn ngữ tuỳ ý x = cvà x’ = ’c, c  {f,t}.f, t}, của biến ngôn ngữ X Khi đó ta nói x là đặc tả hơn x’, kí hiệu x x’, nếu và chỉ nếu

x (u) < x(u), với mọi u (a1, a2).

Theo Định nghĩa 1.2, chúng ta có quan hệ đặc tả giữa các giá trị ngôn ngữ tuỳ ý x = c với giá trị ngôn ngữ nguyên thuỷ c  {f,t}.f, t},được biểu thị qua giá trị của các tham số f và 1 được cho trong Bảng 1.2 sau đây:

Bảng 1.2 Quan hệ đặc tả giữa các giá trị ngôn ngữ với giá trị nguyên thuỷ

Theo định nghĩa chúng ta cũng dễ dàng thấy rằng giá trị ngôn ngữ t là đặc tả nhất khi t  a2, tức là “Absolutely t” Tương tự như vậy, giá trị ngôn ngữ f là đặc tả nhất khi f  a1, tức là

“Absolutely f” Một cách thú vị chúng ta thấy rằng với định nghĩa hàm thuộc tham số như trên của

các giá trị ngôn ngữ, quan hệ đặc tả là có thể được đặc trưng bởi diện tích của miền nằm bên dưới

các hàm thuộc, tức là tích phân của các hàm thuộc trên U Cụ thể chúng ta có định lý sau đây:

Định lý 1.1 Xét hai giá trị ngôn ngữ tuỳ ý x = c và x’ = ’c, c {f,t}.f, t}, của biến ngôn ngữ X,

Giả sử t(x) và t(x’) là các tham số tương ứng trong biểu diễn hàm thuộc của x và x’ Khi

đó, chúng ta dễ dàng tính các tích phân trong (1.8) theo các tham số 1(x) và t(x) và suy ra bất

đẳng thức (1.8) thoả mãn khi và chỉ khi t(x) < t(x’) Điều này suy ra x(u) < x’(u), với mọi u 

(a1, a2), hay nói cách khác x là đặc tả hơn x’ Một cách tương tự chúng ta có thể chứng minh cho trường hợp c = t

Vì hàm thuộc của các giá trị ngôn ngữ của biến ngôn ngữ X chỉ khác nhau trên miền mờ (a1, a2), do đó không mất tính tổng quát chúng ta định nghĩa độ đo đặc tả của giá trị ngôn ngữ x là đại Chúng ta có hệ quả sau đây:

Hệ quả 1.1 Xét hai giá trị ngôn ngữ tuỳ ý x = c và x’ = ’c, c{f,t}.f, t},của biến ngôn ngữ X

Giả sử c(x) và c(x’) là các tham số tương ứng trong biểu diễn hàm thuộc của x và x’ Khi đó ta

Trước khi định nghĩa quan hệ thứ tự ngữ nghĩa trong Tx dựa trên quan hệ đặc tả ở trên, chúng

ta nhớ lại rằng: trong các nghiên cứu về đại số gia tử đối xứng và ứng dụng của chúng [21], dựa trên ngữ nghĩa trực quan của các phần tử sinh nguyên thuỷ của một biến ngôn ngữ, các tác giả luôn

giả thiết rằng mọi giá trị ngôn ngữ sinh từ một phần tử sinh dương t luôn có thứ tự ngữ nghĩa lớn hơn mọi giá trị ngôn ngữ sinh từ một phần tử sinh âm f Giả thiết này được sử dụng để xây dựng

quan hệ thứ tự ngữ nghĩa trong các đại số gia tử đối xứng Do đó tác giả cũng chấp nhận giả thiết

này để xây dựng quan hệ thứ tự ngữ nghĩa trong Tx Hơn nữa, vì đặc trưng ngữ nghĩa “âm” của một phần tử sinh âm f, chúng ta thấy rằng một giá trị ngôn ngữ f sẽ có ngữ nghĩa yếu hơn một giá trị ngôn ngữ ’f nếu f là đặc tả hơn ’f Trái lại, vì đặc trưng ngữ nghĩa của một phần tử sinh dương t là “dương”, chúng ta thấy rằng một giá trị ngôn ngữ t sẽ có ngữ nghĩa mạnh hơn một giá trị ngôn ngữ ’t nếu t là đặc tả hơn ’t Một giải thích như vậy về quan hệ thứ tự ngữ nghĩa trong Tx là hoàn toàn tương thích với giả thiết ở trên trong các nghiên cứu về đại số gia tử Chẳng hạn

như giá trị ngôn ngữ “rất thấp” (tương ứng, “rất cao”) của biến ngôn ngữ “thân nhiệt” trong chẩn đoán y học là đặc tả hơn giá trị ngôn ngữ “thấp” (tương ứng, “cao” Trong khi “rất thấp” (tương ứng, “rất cao”) có ngữ nghĩa yếu hơn (tương ứng, mạnh hơn) “thấp” (tương ứng, “cao”) theo thang đo định tính về “thân nhiệt”

Định lý 1.2 Cấu trúc <Tx, s > là một dàn phân phối đầy đủ Hơn nữa ta có

Ở đây  và  tương ứng ký hiệu cho các toán tử join và meet trong TX; arg-argument: lấy giá trị tham số tương ứng của max, min

Chứng minh: Chúng ta thấy rằng quan hệ đặc tả trong Định nghĩa 1.2 được đặc trưng bởi

quan hệ thứ tự trên các tích phân của các hàm thuộc (Định lý 1.1) Hơn nữa, theo Hệ quả 1.1 ta lại có quan hệ đặc tả được quy về quan hệ thứ tự tự nhiên trên không gian các tham số t và f Do đó ta có định lý là một hệ quả trực tiếp của Hệ quả 1.1

1.1.3 So sánh với mô hình của Di Lascio, Gisolfi và Loia

Để thấy rõ hơn động cơ cũng như ưu điểm của mô hình đã đề xuất, trong mục này tác giả so sánh một mô hình tham số khác đã được nghiên cứu trước đây bởi Di Lascio và cộng sự với mô hình tham số của biến ngôn ngữ được đề xuất

Mục đích của các chúng là đưa từ một không gian hàm thuộc của biến ngôn ngữ thoả mãn các tính chất thú vị của đại số gia tử [23, 24] đồng thời ứng dụng vào lý thuyết lập luận xấp xỉ [17]

Trước hết các tác giả xây dựng không gian hàm thuộc tham số cho biến chân lý ngôn ngữ

như sau: với tham số n R*,

Vậy mỗi giá trị chân lý ngôn ngữ được xác định tương ứng với một giá trị của tham số n

Như vậy các tác giả sử dụng duy nhất một hàm thuộc tham số để mô tả ngữ nghĩa cho một giá trị

chân lý ngôn ngữ bất kể giá trị này được sinh từ giá trị chân lý nguyên thuỷ true hoặc false Điều này

hoàn toàn khác biệt với các cách tiếp cận truyền thống đến logic mờ giá trị ngôn ngữ Với định nghĩa như

vậy, khi n + và n = 0 thì mô hình đem lại các giá trị chân lý “Absolutely true” và “Absolutely false” tương ứng (xem hình 1.3) Tức là:

abstrue(u) = 1 và Abs false(u) = 0, với mọi u  [0,1]

1

0.5

1 0.5 1

Hình 1.3 Mô hình của Di Lascio

Chú ý rằng các hàm thuộc này thường được sử dụng để mô tả ngữ nghĩa cho các giá trị chân

lý ngôn ngữ đặc biệt là unknown và undefined trong các mô hình truyền thống [14,15] Tất cả các

giá trị chân lý ngôn ngữ khác nằm giữa hai giá trị cực trị này Hơn nữa, theo mô hình này thì ta có các giá trị của tham số n đặc trưng cho các giá trị chân lý ngôn ngữ như sau:

Bảng 1.3 Tham số n và ngữ nghĩa của giá trị ngôn ngữ tương ứng

Tham số n Ngữ nghĩa của giá trị chân lý ngôn ngữ tương ứng 2  n  + Các giá trị ngôn ngữ có ngữ nghĩa lớn hơn hoặc bằng true

2  n  1 Các giá trị ngôn ngữ có ngữ nghĩa nhỏ hơn hoặc bằng flase

1 < n < 2 CÁc giá trị ngôn ngữ có nghĩa ở giữa false và true

1.1.4 Cấu trúc đại số của không gian các hàm thuộc tham số của biến ngôn ngữ

Trong phần này tác giả nghiên cứu cấu trúc đại số của không gian các hàm thuộc tham số của

một biến ngôn ngữ Xét biến ngôn ngữ X và Tx là không gian các giá trị ngôn ngữ của nó được định nghĩa như trên Theo Định lý 1.2 chúng ta có cấu trúc (Tx , s) là một dàn phân phối đầy đủ,

ở đây s là quan hệ thứ tự ngữ nghĩa trong Tx Theo truyền thống các toán từ join () và meet () trong dàn Tx có thể được sử dụng để mô hình các liên kết logic or và and Tuy nhiên để ứng dụng

biến ngôn ngữ vào logic giá trị ngôn ngữ và lập luận xấp xỉ, chúng ta cũng cần định nghĩa một toán

tử logic khác là phép phủ định negation Khi đó toán tử kéo theo implication có thể được định

nghĩa dựa trên các toán tử đó, tương tự như trong trường hợp kinh điển Chú ý rằng để định nghĩa

phép toán negation trong Tx, khái niệm concept-negation đã được giới thiệu và nghiên cứu trong

các tài liệu [20.24] tuy nhiên khái niệm này không thể được áp dụng trực tiếp cho cách tiếp cận của

tác giả ở đây Mặc dù vậy, như chúng ta sẽ thấy sau đây, khái niệm negation trong mô hình biểu diễn hàm thuộc tham số với quan hệ thứ tự ngữ nghĩa ở trên là nhất quán ngữ nghĩa với concept-negation Hơn nữa trong mô hình tham số, chúng ta cũng có thể định nghĩa một số mở rộng khác nhau cho toán tử negation tương tự như trong các cách tiếp cận dựa trên tập mờ truyền thống[12]

Như đã nói ở trên, trong [24] các tác giả giới thiệu concept-negation của giá trị ngôn ngữ t là giá trị ngôn ngữ trái nghãi f và ngược lại Trong cách tiếp cận tham số đang xem xét, theo ngữ nghĩa trực giác của độ đo đặc tả S, hoàn toàn hợp lý để chúng ta giả thiết rằng các giá trị ngôn ngữ t và f có cùng giá trị của độ đo đặc tả, tức là:

Với giả thiết của (2.20), chúng ta có định lý sau đây:

Định lý 1.3 Cho độ đo đặc tả S(t) = S(f), ta có t(t) = (a2+a1) – af(f) Định lý được dễ

dàng suy ra từ giả thiết (1.12) và (1.10-11) Định lý 1.3 cho chúng ta một quan hệ giữa tham số

trong biểu diễn hàm thuộc của một giá trị ngôn ngữ x với giá trị ngôn ngữ trái nghĩa của nó Hơn

nữa, chúng ta có hệ quả sau đây:

Hệ quả 1.2 Với mọi   H*, ta có t(u) = f(a1+a2-u)

Chứng minh: hệ quả được suy ra từ định lý 1.3 và các biểu thức (1.6), (1.7).

Ý nghĩa trực quan của Hệ quả 1.2 là như sau: u không nằm trong miền mờ, tức là khoảng (a1,a2), nếu và chỉ nếu (a1 + a2 – u)  u); đồng thời giá trị hàm thuộc của một giá trị u đối với một giá trị ngôn ngữ x bằng giá trị hàm thuộc của giá trị đối xứng u của nó đối với giá trị ngôn ngữ trái nghĩa của x Xem hình minh hoạ sau đây:

f  a a1 u u a2 b

Hình 1.4 Mô hình biểu toán tử phủ định (negation)

Như vậy chúng ta có thể định nghĩa toán tử negation trong Tx cũng ký hiệu là , dựa dựa vào Định lý 1.3 hoặc Hệ quả 1.2 Kí hiệu

V = <Tx, , , , s >

1.1.5 Xây dựng hàm thuộc biểu thị ngữ nghĩa các giá trị biến ngôn ngữ dựa trên độ đo tính mờ

Hiện nay, gần như chỉ có duy nhất lý thuyết tập mờ cho ta một cách tiếp cận tính toán đến ngữ nghĩa của các từ trong ngôn ngữ, tức là ngữ nghĩa của các từ được biểu thị bằng tập mờ trên một không gian tham chiếu nào đó Điều này dẫn đến hệ quả quan trọng có tính định hướng và hầu hết các lĩnh vực khoa học đều có thể có cách tiếp cập tính toán dựa trên lý thuyết tập mờ.

Với ý nghĩa quan trọng của việc sử dụng phương tiện ngôn ngữ trong mô phỏng như vậy, mười năm sau khi xây dựng nền tảng đầu tiên của lý thuyết tập mờ, L.A.Zadeh đã đưa ra khái niện biến ngôn ngữ, một hình thức hoá quan trọng để xây dựng và phát triển các phương pháp lập luận xấp xỉ dựa trên logic mờ Chúng ta có thể xem trích dẫn sau đây như một động cơ để nghiên cứu các biến ngôn ngữ: “Khi bị mất đi tính chính xác bề ngoài của những vấn đề cố hữu phức tạp, một cách tự nhiên người ta tìm cách sử dụng các biến ngôn ngữ; tức là các biến mà giá trị của chúng không phải là các số mà là các từ hoặc các câu trong một ngôn ngữ tự nhiên hoặc nhân tạo Động cơ cho việc sử dụng các từ hoặc các câu hơn là các số là bởi vì các đặc trưng ngôn ngữ nói chung là ít xác định hơn đặc trưng số”

Như ta biết, biến ngôn ngữ được đặc trưng bởi một bộ năm (X, T(X), U, R, M), trong đó X là tên của biến ngôn ngữ (ví dụ Age, Truth, Speed,…); T(X) là tập các giá trị ngôn ngữ (các dạng từ (term)) của biến X;R là luật ký pháp (thường có dạng là một văn phạm hình thức) cho phép sinh ra các phần tử của T(X); là luật ngữ nghĩa gán mỗi phần tử của T(X) một tập mờ trên U, và do đó mỗi từ là một nhãn của một tập mờ trên U Vậy vấn đề tìm các tập mờ biểu thị ngữ nghĩa của các từ được đề cập ở trên chính là việc xác định ánh xạ ngữ nghĩa M của biến ngôn ngữ Việc tìm một

biểu diễn của giá trị ngôn ngữ bằng các tập mờ là một bài toán cốt yếu trong nhiều ứng dụng thực tế là vấn đề đầu tiên khi tìm cách cài đặt tri thức và các ứng dụng Mặc dù tất cả các nghiên cứu ứng dụng tập mờ đều phải giải quyết vấn đề là làm thế nào, trong chừng mực có thể, tìm được các tập mờ biểu diễn đủ ngữ nghĩa phù hợp tốt nhất, nhưng nhìn chung không có một phương pháp luận rõ ràng mà chủ yếu chỉ dựa vào trực giác và kiểm chứng Tác giả sẽ đưa ra một phương pháp heuristic xây dựng các tập mờ cho các nhãn ngôn ngữ dựa trên chính ngữ nghĩa của các từ, cụ thể là dựa vào các độ đo tính mờ (fuzziness measure) của các từ được định nghĩa trên cơ sở cấu trúc đại số gia tử [4], [23] Theo tác giả, phương pháp này có thông tin trực quan rõ ràng và có tính hợp lý hơn đối với các ứng dụng mà ngữ nghĩa ngôn ngữ có ý nghĩa quan trọng trong thiết lập mô hình, đặc biệt nó không phụ thuộc quá mạnh vào hình dáng đường cong liên quan đến mối quan hệ giữa các biến.

a, Phân tích lựa chọn cách tiếp cận giải bài toán

Trước hết tác giả trình bày về ý tưởng tiếp cận gọi là nguyên lý đồng đẳng hóa (equalization) Như trên chúng ta biết, Pedrycz đã đưa ra thuật toán xây dựng các tập mờ biểu diễn ngữ nghĩa các từ của một biến ngôn ngữ dựa trên dữ liệu thực nghiệm, dựa trên ý tưởng của Zadeh năm 1968 với khái niệm đồng đẳng hóa các dữ liệu thể hạt (granular data equalization) khi nghiên cứu về các sự kiện mờ (fuzzy events) Mọi tập mờ trong một không gian nền trên đó cho trước một hàm mật độ

xác suất p(u), ở dạng liên tục hoặc rời rạc, được định nghĩa trên không giant ham chiếu U của X,

đều được xác định bởi độ đo xác suất lũy tích Xác suất này được xác định bằng cách lấy tích phân

trên giá của tập mờ như sau, trong đó A là tập mờ:

Ý tưởng của Pedrycz [13] về thuật toán xây dựng các tập mờ cho một biến ngôn ngữ như sau: Giả

sử X là một biến ngôn ngữ và ta muốn xây dựng n tập mờ A1,…An cho biến ngôn ngữ X Nguyên lýđồng đẳng hóa nói rằng các tập mờ cần xây dựng cho biến ngôn ngữ X với không gian tham chiếu U, trên đó cho trước một hàm mật độ xác suất p(u), thỏa mãn ràng buộc sau:

P(A1) = P(A2) = … = P(An) = 1/n (1.14)

Điều kiện (1.14) được gọi là đồng đẳng hóa mờ (fuzzy equalization), với xác suất của một sự kiện mờ (biểu thị bằng tập mờ) được định nghĩa bởi công thức (1.13) ở trên Giả sử các tập mờ cần xây

dựng được giới hạn là các tập mờ dạng tam giác hoặc dạng hình thang, khi đó các bước chính của thuật toán như sau:

1) chọn một số tự nhiên n chỉ số lượng tối đa các tập mờ cần xây dựng;2) Từ cận dưới của U, tính giá trị a1 sao cho  

3) Bước lặp: Giả sử ta đã xây dựng được tập mờ tam giác Ai xác định trên đoạn [ai-1, ai+1]

với đỉnh ai Tập mờ tam giác Ai+1 sẽ được xây dựng trên đoạn [ai, ai+2], trong đó ai+2 được

Có thể thấy rằng ý tưởng của thuật toán là sẽ xây dựng các tập mờ trên U sao cho “ảnh hưởng” của

các tập mờ lên sự kiện là đều nhau và như vậy tập mờ được xây dựng (hình dạng và giá (support)

của chúng) phụ thuộc cốt yếu vào hàm mật độ xác suất p(u) trên không gian U mà không phụ

thuộc vào ngữ nghĩa của từ sẽ được gán nhãn cho chúng Điều này không phù hợp với ngữ nghĩa

của tử dung để mô tả định tính các giá trị của U: ngữ nghĩa của các từ được sử dụng để mô tả định tính các giá trị của U chỉ phụ thuộc vào không gian U, chúng cần độc lập với các ứng dụng thể hiện qua p(u) Tất nhiên, việc lựa chọn những tập mờ như thế nào cho tối ưu nhất thiết phải phụ

thuộc vào từng ứng dụng, hay mô hình ứng dụng sẽ quyết định hình dạng các tập mờ.

Xuất phát từ nghiên cứu định tính ngữ nghĩa các từ ngôn ngữ trên cơ sở đại số gia tử và tính mờ (fuzziness) của ngôn ngữ, chúng tôi đưa một cách tiếp cận khác để xây dựng các tập mờ cho một ứng dụng cho trước Xuất phát điểm của các tiếp cận này là ngữ nghĩa của từ được hình thành bằng cách gán các sự vật (cái trỏ) cho từ mà nó ám chỉ Ngữ nghĩa của các từ không chính xác là bởi vì cùng một số sự vật lại được gán cho các từ khác nhau hoặc nhiều sự vật không đồng nhất lại được gán cho cùng một từ Ví dụ 30 tuổi có thể hiểu “vẫn còn trẻ”, nhưng hiểu là “không còn trẻ nữa” cũng không sai Hay 23, 24 tuổi là trẻ nhưng 18 hay 20 hay 26, 28 cũng là “trẻ” Như vậy ngữ

nghĩa của từ biểu thị định tính các giá trị của tập U chỉ phụ thuộc vào chính tập U đó Mặt khác,

các ứng dụng lý thuyết tập mờ, đặc biệt các ứng dụng có tính thông minh, đều dựa trên tri thức hay kinh nghiệm của con người và do đó có thể mô tả hay mô hình hóa bằng ngôn ngữ Theo tác giả, điều này dẫn đến một giả thiết là việc xây dựng các tập mờ cho một ứng dụng càng mang dấu ấn ngữ nghĩa ngôn ngữ bao nhiêu, càng hiệu quả bấy nhiêu.

Tác giả sẽ chỉ ra rằng lý thuyết đại số gia tử có thể cung cấp phương pháp luận để hiện thực hóa giả thiết này.

b, Xác định tính mờ của ngôn ngữ dựa trên cấu trúc đại số gia tử

Đại số gia tử được đề xuất và nghiên cứu trong [4], [19] và được quan tâm phát triển liên tục nhằm nghiên cứu định tính ngữ nghĩa ngôn ngữ trong phạm vi của một thuộc tính như TỐC ĐỘ,

CƯỜNG ĐỘ, …, mà chúng ta sẽ gọi là biến ngôn ngữ Gọi X là một biến ngôn ngữ và Dom(X) là miền giá trị ngôn ngữ của nó Chẳng hạn, giả sử X là biến TỐC ĐỘ, thì miền giá trị ngôn ngữ có thể là Dom(X) = {fast, very fast, more fast, little possibly fast, little fast, possibly fast, little slow, slow, possibly slow, very slow, more slow,…} {0,W,1} Cách tiếp cận đại số đến ngữ nghĩa của các từ ngôn ngữ khẳng định rằng miền trị Dom (X) có thể xem như là một đại số gia tử AX = (Dom(X),C,H,) [4, 7, 12], trong đó C là tập các từ nguyên thủy fast and slow của X, được xem như các phần tử trung hòa, phần tử nhỏ nhất và phần tử lớn nhất trong Dom(X); H = {Very, Little, Possibly, More, Approximately…} là tập các gia tử được xem như tập các phép toán 1– ngôi;  là

quan hệ thứ tự trên Dom(X) biểu thị mối quan hệ ngữ nghĩa giữa các từ, chẳng hạn slow fast, và

do đó nó được gọi là quan hệ thứ tự ngữ nghĩa.

Ta ký hiệu hx là kết quả tác động của gia tử hH vào phần tử x Dom (X) và H(x) ký hiệu tập tất cả các phần tử có dạng hn… h1x, với h1,…, hnH Như vậy đại số gia tử (ĐSGT) chỉ bao

gồm các phép toán 0- ngôi và 1- ngôi và 1 quan hệ thứ tự Tuy nhiên một kết quả quan trọng của lý thuyết ĐSGT là với một hệ tiên đề hợp lý, mà bản chất chỉ là các tính chất ngữ nghĩa của

các từ ngôn ngữ thuộc Dom(X) và các gia tử, chúng trở thành một đại số đủ tốt đề nghiên cứu logic

mờ các phương pháp lập lập xấp xỉ để mô phỏng suy luận của con người.

Giới hạn trong nghiên cứu này, ta chỉ cần đến các ĐSGT tuyến tính và, để nghiên cứu tính mờ của các dạng từ (terms), ta có các tính chất sau:

1) x0,1 , H(x) =  x, tập chỉ chứa duy nhất một phần tử x;

2) x  X*,  h, k  H, H (hx)H(x)H (kx) =  với h k;

3) x  X*, H(x) = hH H(hx)

Những tính chất trên gợi ý cho ta sử dụng chính tập H(x) để mô hình hoá tính mờ vì, chẳng hạn tính chất 1) nói rằng x là khái niệm chính xác (không mờ); tính chất 2) nói rằng khái niệm đắc tả hơn sẽ có tính mờ ít hơn hay sẽ chính xác hơn; tính chất 3) nói rằng tính mờ của khái niệm x

được sinh ra từ tính mờ của các khái niệm đặc tả hơn, hay nói cụ thể hơn, tính mờ của một khái niệm và tính mờ của tất cả các khái niệm đặc tả hơn có mối liên hệ bởi đẳng thức trong 3).

Với nhận xét đó ta đưa ra định nghĩa độ đo tính mờ của x Dom(X) = X như sau:

Định nghĩa 1.3 Giả sử AX = (X, G, H, ) là một ĐSGT tuyến tính Một ánh xạ : X

Chúng ta có mệnh đề sau về tính chất của độ đo tính mờ, với H- = h, ,q H+ = h , ,1 hp

và H = H- H+, h0 = I trong đó luôn luôn giả thiết rằng h1 < h2 <… < hq; h1 < hp

Mệnh đề 1.1 Mọi độ đo tính mờ  thoả mãn các tính chất sau:

Chứng minh: Ta có 1), 2) và 3) được suy ra trực tiếp từ định nghĩa 1.3 Rõ ràng ,  >0 ta chứng

minh  +  = 1 Theo định nghĩa 1.3 ta có:

Một hình ảnh về độ đo tính mờ của các khái niệm chân lý ngôn ngữ được cho trong hình 1.5.

Hình 1.5 Mô hình độ đo tính mờ của ngôn ngữ dựa trên cấu trúc đại số gia tử

Bây giờ chúng ta có thể dễ dàng chứng minh mệnh đề sau:

Mệnh đề 1.2 Cho trước giá trị (c-) và các giá trị (h), hH, thỏa mãn 6) trong mệnh đề 1.1 Khiđó ánh xạ : X  [0,1] được định nghĩa đệ quy bằng các đẳng thức (z) = 0, đối với z) = 0, đối với z) = 0, đối với z {f,t}.0,W,1}, (c+) = 1 - (c-) và (hx)=(h)(x) là độ đo tính mờ trên X.

c, Xây dựng các tập mờ cho một biến ngôn ngữ

Vì bản chất của cách tiếp cận dựa trên lý thuyết tập mờ đối với việc giải các bài toán ứng dụng trên các lĩnh vực khác nhau là việc mô hình hóa tri thức được biểu thị bằng ngôn ngữ của các chuyên gia trong các ứng dụng đó nên vấn đề xây dựng các tập mờ biểu thị ngữ nghĩa cho phù hợp là rất

quan trọng Thường các nhà thiết kế, chẳng hạn cho một hệ điều khiển mờ, xây dựng các tập mờ này dựa trên cảm giác trực quan và dựa vào khảo nghiệm Cho đến nay không có nhiều công trình nghiên cứu có tính phương pháp luận và xây dựng thuật toán để giải quyết vấn đề này Như trên đã đề cập, trong các công trình [13], các tác giả đã nghiên cứu có tính phương pháp luận giải quyết bài toán xây dựng các tập mờ Các phương pháp này đều là các phương pháp heuristic.

Trong mục này chúng ta sẽ đưa ra phương pháp heuristic để xây dựng các hàm thuộc của các biến ngôn ngữ trong mô hình lập luận mờ đa điều kiện (fuzzy multiple condictional reasoning) dựa trên 2 cơ sở: (1) Quan hệ ngữ nghĩa của các từ ngôn ngữ biểu thị qua độ đo tính mờ của các từ được định nghĩa trên cơ sở ĐSGT; (2) Sự phụ thuộc lẫn nhau của các biến ngôn ngữ trong mô hình mờ trong bài toán lập luận mờ đa điều kiện, tức là sự ràng buộc của thực tế ứng dụng.

Xét mô hình mờ đa điều kiện với 2 biến ngôn ngữ X và Y như sau:IfX = A1 then Y = B1

………… (1.15)

IfX = An then Y = Bn

Trong đó Ai và Bi, i = 1,n là các từ ngôn ngữ tương ứng của các biến ngôn ngữ X và Y (2.23)

mô hình hóa sự phụ thuộc giữa hai đại lượng vật lý mà trong thực tế ứng dụng nó có thể được thể hiện qua đường cong thực nghiệm Cr trên hình 2.8 Giả sử đường cong này được xác định trên

đoạn U - [a, a’]  R (R là tập tất cả các số thực).

Hình 1.6 Đường cong thực nghiệm Cr

Phân tích các bài toán lập luận mờ đa điều kiện, chẳng hạn trong [2], có thể rút ra kết luận trực quan rằng sai số phương pháp là lớn ở những chỗ đường cong thực nghiệm biến đổi nhanh so với

sự biến đổi của biến cơ sở u  U Vì vậy thay vì ta dựa trên hàm mật độ phân bố xác suất p(u), ta căn cứ vào hình dạng biến thiên của đường cong Cr Để thấy rõ ý tưởng của phương pháp, giả sử

đường cong Cr là đường gấp khúc được biểu thị bằng nét đậm trên hình 1.7 Ý tưởng như sau:

Chúng ta có thể xem các giá trị ngôn ngữ trong mô hình mờ (1.15) là các điểm “lưới” xấp xỉ đường cong Cr Như vậy, giống như việc xấp xỉ đường cong bằng đường gấp khúc, việc xấp xỉ càng chính xác nếu trên đoạn thằng nào đường cong càng biến thiên lớn thì chúng ta cần tăng điểm dưới xấp xỉ Vì tập mờ cần xây dựng có dạng hình tam giác, sự biến thiên lớn của đường cong trên đoạn thẳng có thể nhận biết qua sự biến thiên diện tích của phần giao giữa hình phẳng giới hạn bởi

đường cong và hình tam giác, khi nó dịch chuyển theo đường thẳng U Như vậy ta có thể căn cứ

vào sự thay đổi của phần diện tích này để nhận biết sự thay đổi bất thường của đường cong thực

nghiệm Trên cơ sở đó, ta đưa ra một thuật toán xây dựng các tập mờ như sau: Giả sử X là biến ngôn ngữ với miền giá trị ngôn ngữ được cho bởi ĐSGT tuyến tính AX = (X, G, H, , , ), trong đó H- = {f,t}.h-1,…, h-q} với h-1 < h-2 < …<h-q, và H+ = {f,t}.h1,…, hp} với h1 < …<hp Để đơn giản cách

trình bày, chúng ta giả thiết p = q = 2 Khi đó các thông số để tính các độ đo tính mờ của các ngôn ngữ là (W), (c-), (h-1), (h-2), (h1) Cũng để đơn giản hóa, giả sử rằng (h-1)+(h-2) = (h1) + (h2), và

điều kiện này dẫn đến các tập mờ cần xây dựng có dạng tam giác cân Các tập mờ tam giác cần xây dựng có đường cao chuẩn là 1 Trong thuật toán xây dựng các tập mờ dưới đây ta sẽ xây dựng các tam

giác có chiều cao h = Sup Cr, tức là giá trị lớn nhất của đường cong là Cr.

Các bước chinh của thuật toán:

0) Đưa vào một hằng số  để điều chỉnh việc lựa chọn giá trị tham số (W) và một số nguyên

dương n (chẳng hạn n=11) chỉ số lượng tập mờ mà ta mong muốn xây dnựg cho ứng dụng đang xét; Đưa vào hằng số K làm ngưỡng quyết định về mức độ thay đổi phần diện tích được đề cập ở trên khi giá của tập mở (hay đáy của hình tam giác) dịch chuyển (giả sử K-1,4).

1) Xác định các giá trị tham số sao cho (W)=<2/n, (W)+ (C-) + (C-)= 1, (h-1) +(h-2) + (h1) + (h2) = 1 Trên không gian U xây dựng các đoạn thẳng kề nhau I(c-)= [a,a1],I(W)=[a1,a2] và I2=[a2,a’], với a1, a2 (a,a’), sao cho I(c) (c-)L=L1, I(W) (W)L.

I (c+)L=L2, trong đó L=a’- a Trên mỗi đoạn như vậy ta xây dựng tam giác cân Vì theo

trực giác, các tam giác thu được trong bước này đều là các điểm lưới quan trọng nên chúng được

đưa và tập kết xuất với Fo chứa tập mờ “ trung hoà” với nhãn là phần tử W vòn F1 gồm các tập

mờ (outphuts) còn lại Xét tập Fii=1, với các tập mờ tam giác được sắp xếp theo thứ tự tự nhiên trừ

trái sang phải.

2) Xét lần lượt các tập mờ trong Fi, nếu vẫn còn Giả sử tam giác đang xét được gán nhãn

ngôn ngữ x, Vì quan hệ thứ tự giữa các phần tử có quan hệ thứ tự sau h2x<h1x<h-1x<h-2x Trênđoạn đáy I(x)= [ax

1, ax] của tam giác với nhãn x, tức là giá đỡ 2(support) của mỗi tập mờ, tra xây

dựng a đoạn thẳng con I(h2x), I(h1x) và I(h-2x) kề nhau từ đầu mút trái sang đầu mút phải của I(x),

sao cho I(h2x)(h2x)I( x) , I(h1x)(hx)I( x) , I(h1x)(h-1I( x) , và

(h 2x

I(h-2)I( x) Trên mỗi đoạn thu được, xây dựng tập mờ tam giác cân có đáy là chính

đoạn đó và chiều cao là h=Sup Cr, và ta thu được một dãy  các tập mờ theo thứ tự tự nhiên từ trái

sang phải Phần tử đầu tiên được đưa và tập output Fi+1 xét cặp tập mờ tam giác kề nhau bắt đầu từ đầu dãy.

Bước lặp: Ta xét diện tích của phần giao giữa miền giới hạn bởi đường cong thực nghiệm

và miền xác định bởi từng tam giác của cặp hai tập mờ đang xét Xét điều kiện Cond= “Tỷ lệ giữa

diện tích phần giao nhau lớn hơn trên diện tích giao nhau nhở hơn tương ứng với hai hình tam giác

trong cặp đang xét không nhở hơn hằng số K” Nếu điều kiện nàu được thoả mãn thì ta đưa cả hai tập mờ tam giác vào tập output kết quả Fi+1 của bước i+1 Nếu vẫn còn phần tử chưa xét dãy , xét

tiếp cặp tập mờ gồm tập mờ output bên phảicủa cặp và tập mờ tam giác kế tiếp trong dãy tập mờ

tam giác trong dãy  và quay về Bước lặp Nếu không còn có phần tử như vậy thì quay về Bước 2.

Nếu điều kiện trên không thoả mã mà vẫn còn phần tử chưa xét trong dãy tập mờ vừa xây dựng, ta chuyển sang xét cặp tập mờ gồm tập mờ tam giác thứ hai trong cặp tập mờ đang xét và tập mờ kế

tiếp trong dãy tạp mờ vừa xây dựng và quay về Bước lặp Nếu không còn phần tử chưa được xét

trong dãy , ta đưa tập mờ thứ hai của cặp vào tập output và quay về bước 2.

3) Nếu số lượng tập mờ trong F=F1……Fi+1 còn nhỏ hơn n, xét tập Fi+1 và lặp bước 2).

Như trong [17] đã khẳng định rằng trong thực tế người ta thường chỉ xây dựng từ 7 đến 11 tập mời kết quả, do đó số bước lặp sẽ nhỏ, chỉ khoảng 2 hay 3.

Hình 1.7 Hàm thuộc tam giác xây dựng trên đương cong thực nghiệm Cr

Như vậy chúng ta nghiên cứu phương pháp luận và đưa ra thuật toán xây dựng các tập mờ cho một bién ngôn ngữ trên cơ sở tận dụng thông tin ngữ nghĩa của các từ ngôn ngữ được mô phỏng bằng ĐSGT và đặc điểm biến thiên của đường cong thực nghiệm xem như là ràng buộc của thực tiễn ứng dụng Với lý do đó chúng ta thấy rằng phương pháp này trở nên rõ ràng về mặt trực quan và chứa đựng nhiều thông tin ngữ nghĩa Đặc biệt thuật toán không phức tập đồng thời nhãn ngôn ngữ lại được xác định ngay trong quá trình thực hiện thuật toán, một bài toán xấp xỉ ngôn ngữ

(linguistic approximation) rất phức tập giới hạn trong phạm vi lý thuyết tập mờ Điều này khẳng định thêm tính khả dụng của lý thuyết ĐSGT.

1.2 Lập luận xấp xỉ dựa trên mô hình tham số của các biến ngôn ngữ

Trong phần này chúng ta phát triển một phương pháp lập luận xấp xỉ dựa trên mô hình tham số của các biến ngôn ngữ trình bày mục 1.1 Trước hết quy tắc suy diễn modus ponens tổng quát được nghiên cứu Đồng thời các tiêu chuẩn trực quan mà một phương pháp luận xấp xỉ cần thoả mãn được kiểm chứng cho phương pháp dựa trên mô hình tham số Sau đó phương pháp cũng được mở rộng cho các mô hình suy diễn mờ đa điều kiện Hơn nữa, chúng ta cũng sẽ nghiên cứu một cấu trúc đại số khác của không gian giá trị chân lý ngôn ngữ với biểu diễn tham số nhằm phát triển một logic mờ giá trị ngôn ngữ cho các hệ phân loại kiểu đối tượng.

1.2.1 Giới thiệu

Thông thường các cơ sở dữ liệu của một hệ trên luật trong lĩnh vực trí tụê nhân tạo có thể chứa các dữ liệ không chính xác, mơ hồ khi mà các luật được mô tả bởi tri thức chuyên gia Các

khái niệm mờ như young, old, large, small… xuất hiện tự nhiên trong mô tả các luật bởi tri thức

chuyên gia, nhưng gây nhiều khó khăn khi xử lý tự động mà không gây mất thông tin Một khó

khăn trong khi sử dụng các luật có chứa thông tin mờ, các sự kiện quan sát được thường không đối sách một cách chính xác với điều kiện biễu diễn trong phần tiền đề của luật, nhưng cũng không quá khác biệt với chúng Để giải quyết vấn đề này, Zadeh đã đề xuất và phát triển lý thuyết lập luận xấp xỉ trong dựa trên khái niệm của biến ngôn ngữ và logic mờ.

Trong các công trình nghiên cứu về logic mờ và lập luận mờ xấp xỉ, cơ thể duy diễn mờ được quan tâm nghiên cứu nhiều là mở rộng của quy tắc modus kinh điển Quy tắc modus pones

phát biểu rằng từ các mệnh đề: P1 = “If X is B Then Y is C” và P2 = “X is B”, chúng ta có thể suy diễn ra “Y is C” nếu mệnh đề P2 không đối sánh chính xác như phàn tiền đề của P1, chẳng hạn P2

= “X is A”, thì chúng ta không thể áp dụng được quy tắc modus pones Zadeh đã mở rộng quy tắc này cho trường hợp B, C và A được mô hình bởi các tập con mờ Khi đó mệnh đề P1 cảnh ảnh một phân bố khả năng

(X/Y) = R, với R(u,v) = min {f,t}.1.max{f,t}.(1-B(u)), C(v)}} (1.16)

Chú ý rằng công thức (1.16) là một mở rộng tự nhiên của mệnh đề “not B or C”, một mệnh đề

tương đương logic với P1 trong trường hợp loggic kinh điển Từ R và A mệnh đề tương đương

logic với P1 trong trường hợp logic kinh điển Từ R và A, mệnh đề “Y is D” được suy diễn bởi

công thức sau đây:

D(v) = max{f,t}.min{f,t}.R(u,v), A(u)}} (1.17)

Chúng ta thấy rằng công thức suy diễn mờ (1.17) mở rộng trực tiếp quy tắc modus pones kinh

điển Tuy nhiên nếu áp dụng quy tắc suy diễn mở rộng này cho chính mệnh đề P2 = “X is B” thì kết quả thu được nói chung lại không trùng với tập mờ C

Một cách tiếp cận khác trong [13] là thay vì biến đổi mệnh đề P1 thành một phân bố khả năng như

trên, Baldwin đã so sánh mệnh đề X is A” với mệnh đề “X is B” dựa trên khái niệm của độ đo tương thích, sau đó kết quả được sử dụng để biến đổi hàm thuộc của C và thu được hàm thuộc cho D [13]

Sau đây tác giả phát triển một phương pháp lập luận xấp xỉ mới sử dụng biểu diễn tham số của các gia tử ngôn ngữ được phát triển trong mục 1.1 Các kết quả của tác giả hoàn toàn nhất quán với các nghiên cứu trước đây nhưng có hiệu quả tính toán tốt hơn Hơn nữa, tác giả cũng chỉ ra rằng phương pháp suy diễn đề xuất trong nghiên cứu này cũng có thể được mở rộng nhằm áp dụng cho bài toán suy diễn mờ đa điều kiện

1.2.2 Giá trị chân lý ngôn ngữ trong logic mờ cho lập luận xấp xỉ.

Như đã nói trước đây, logic mờ cho lập luận xấp xỉ là logic giá trị ngôn ngữ; tức là các giá trị chân

lý trong logic mờ là các giá trị chân lý ngôn ngữ như true, very true, more - or-less true, false, more-or-less false,

Không gian giá trị chân lý trong logic mờ là tập con của tập tất cả các tập con mờ của đoạn [0,1] Thông thường, các giá trị chân lý ngôn ngữ cơ sở true, false được xác định ngữ nghĩa bởi true,

false: [0,1]  [0,1] tương ứng; sau đó các giá trị ngôn ngữ được mô hình như các toán từ một ngôi

trên các tập mờ

Trong [66], Naferieh và Keller đã định nghĩa không gian giá trị chân lý mà như họ luỹ thừa của các giá trị chân lý cơ sở như sau:

Định nghĩa 1.4 Mọt giá trị chân lý mờ M sinh từ true được định nghĩa bởi hàm thuộc sau: M(u) =[true(u)]n, với n  +, u  [0.1] và true:[0.1]  [0.1]

Khi đó ta có một số giá trị chân lý ngôn ngữ tương ứng với các hàm thuộc được cho trong Bảng 1.4

Bảng 1.4 Một họ luỹ thừa các giá trị chân lý mờ sinh từ true

Luỹ thừa nHàm thuộc MGiá trị chân lý ngôn ngữ

0 M(u) = [true(u)]0 =1, với mọi u  [0,1]unknown 0.5 M(u) = [true(u)]0,5 với mọi u  [0,1]more-or-less true

1 M(u) = [true(u)]1 với mọi u  [0,1]true2 M(u) = [true(u)]2 với mọi u  [0,1]very true4 M(u) = [true(u)]4 , với mọi u  [0,1]very very true

 M(u) =Limn[true(u)]n, với mọi u  [0,1]absolutely true

Gần đây, các tác giả trong [24] đã đề xuất một biểu diễn tham số mới cho các giá trị chân lý ngôn ngữ trong logic mờ Mô hình tham số này đã được mở rộng cho một biến ngôn ngữ bất kỳ trong mục 1.1 Cụ thể chúng ta có định nghĩa sau đây:

Định nghĩa 1.5 Xét biến chân lý ngôn ngữ Truth với các giá trị chân lý cơ sở true và false Ký

hiệu  là một gia tử ngôn ngữ hoặc một dãy các gia tử ngôn ngữ Khi đó hàm thuộc của các giá trị

chân lý ngôn ngữ true và false tương ứng được định nghĩa bởi các biểu thức:

true(u,n) = max (0,(1-n)-1 (u - n)), (1.18)

false(u,m) = max (0,(1-m)-1 (m-u)), (1.19)

Trong đó các tham số n  (-,1), m (0,) và với mọi u[0,1]

Bảng 1.5 Một họ tham số các giá trị chân lý mờ

Tham số nGiá trị chân lý ngônngữTham số mGiá trị chân lý ngônngữ

Dễ dàng thấy rằng không gian hàm thuộc tham số của các giá trị chân lý ngôn ngữ vừa định nghĩa ở trên là trường hợp đặc biệt của Định nghĩa 1.5 Ở đây, miền mờ của biến chân lý ngôn ngữ

là khoảng mở (0,1); các tham số n, m tương ứng là các tham số true và false như đã xét trong mục 1.1

Khi đó ta cũng có một số giá trị chân lý ngôn ngữ tương ứng với các tham số được cho trong bảng 1.5 [25].

1.2.3 Suy diễn với quy tắc modus ponens tổng quát.

Qui tắc modus ponens tổng quát được mô tả như sau: p : If X is B Then Y is C,

r : Y is D

Trong đó X, Y là các biến lấy giá trị trong U, V tương ứng: A, B là các tập mờ trong U; C, D là các tập mờ trong V Bảng 1.6 đưa ra một số quan hệ trực quan giữa các biến A và Y trong

IIIX is more or less BY is more or less C

Chú ý rằng trong các nghiên cứu về lập luận mờ truyền thống, các giá trị ngôn ngữ very, more or less thường được định nghĩa bởi các toán tử bình phương và căn bậc hai tương ứng

Trong lược đồ suy diễn modus ponens tổng quát ở trên, chúng ta mong muốn rằng “mức xấp xỉ” (hay “mức đối sánh”) giữa các tập mờ A và B đồng nhất với mức xấp xỉ của C và D Vấn

đề là làm thế nào để xác định mức xấp xỉ giữa hai tập mờ sao cho lược đồ suy diễn đem lại hiệu quả hợp lý Hơn nữa, giả sử một độ đo xấp xỉ như vậy đã được định nghĩa, việc giải lược đồ suy

diễn modus ponens tổng quát là giải một bài toán ngược; xác định tập mờ D khi cho trước tập mờ C và độ đo đối sánh giữa C và D (được xác định thông qua độ đo đối sánh giữa A và B) Một độ đo

đối sánh như vậy giữa hai tập mờ có thể được định nghĩa thông qua độ đo tương thích sau đây

Định nghĩa 1.6 Cho A và B là các tập mờ, tức là các tập con mờ của tập các số thực R Khi

đó mức độ tương thích giữa A và B được định nghĩa như sau:

comp(A,B) = AABB (1.21) Trong đó || kí hiệu diện tích miền nằm bên dưới hàm thuộc của tập mờ

Nhận xét: Độ đo comp (A,B) xác định diện tích miền phủ chung được chuẩn hoá bởi miền phủ của hai tập mờ A và B Rõ ràng khi A = B, ta có comp (A, B) = 1; khi A và B là hoàn toàn rời nhau, ta có comp (A,B) = 0

Trong các nghiên cứu trước đây, độ đo comp cũng được sử dụng để định nghĩa giá trị chân lý mờ (ngôn ngữ) Cụ thể một giá trị chân lý M phản ánh mức đối sánh giữa A và B được thể hiện thông qua quan hệ comp (A,B) Như vậy tập mờ B trong lược đồ (1.20) được sử dụng để xác định

hàm thuộc cho giá trị chân lý mờ cơ sở true Ta có định nghĩa sau đây:

Định nghĩa 1.7 Giả sử B là một hàm liên tục trên đoạn [1, 2]  R và h: [u1, u2]  [0.1]

là một ánh xạ tuyến tính tăng Khi dó hàm thuộc của giá trị chân lý ngôn ngữ true được định nghĩa

bởi true(x) = B(h-1(x)) với mội x  [0.1]

Như vậy giá trị chân lý cơ sở true có thể được định nghĩa thông qua tập mờ B trong mệnh đề p của lược đồ (1.20) ta xét ví dụ minh hoạ sau:

Giả sử B là một số mờ tam giác với hàm thuộc B được cho như sau:

, với u1  u  u2, và B(u) = 0 với u> u2 hoặc u <u1

Dễ dàng thấy rằng vì h là một ánh xạ tuyến tính tăng, do đó h = B Vậy true(x) = x Chúng ta dễ dàng nhận thấy rằng hàm thuộc của giá trị chân lý ngôn ngữ cơ sở true theo mô hình tham số nhất quán với

Định nghĩa ở trên Đây cũng là dạng hàm thuộc sử dụng phổ biến trong các nghiên cứu về logic mờ và lập luận xấp xỉ.

Bây giờ chúng ta sẽ xem xét làm thế nào để chuyển mức đối sánh giữa A và B được thể hiện thông qua quan hệ comp (A,B) để xác định tham số thích hợp trong họ tham số của các giá trị

chân lý ngôn ngữ Chúng ta xét hai trường hợp sau:

Trường hợp 1: A là tập con mờ của B, tức là A  B Khi đó ta có A là đặc tả hơn Theo bảng 2.5 thì trong trường hợp này tham số n trong biểu diễn của giá trị chân lý ngôn ngữ M tương

ứng phải lớn hơn hoặc bằng 0.

Trường hợp 2: A không là tập con mờ của B Khi đó ta có hoặc B là tập con mờ của A,

hoặc A  B là tập con mờ thực sự của cả hai A và B Trong cả hai trường hợp thì giá trị chân lý ngôn ngữ M ít đặc tả hơn giá trị chân lý cơ sở true, tức là tham số n trong biểu diễn của giá trị chânlý ngôn ngữ M phải nhỏ hơn 0

Trước hết, chúng ta có kết quả sau đây:

Mệnh đề 1.3 Giả sử f(u) là một hàm liên tục và khả tích trên đoạn [u1, u2]  R, h là ánh xạ tuyến tính tăng từ (-, u2]  (-, 1] sao cho h(u1) = 0 và h(u2) = 1

Nếu họ tham số của các giá trị chân lý mờ sinh từ true được cho như trong Định nghĩa 1.7

và t(x) = f(g-1(x)), trong đó g là hạn chế của h trên [u1, u2], thì ta có

Trong đó f(u,h-1(n)) = max (0,(u-h-1(n)) với u1  u  u2

Chứng minh: Theo điều kiện của giả thiết ta có h(u) =

với - <u  u2 Hơn nữa, vì true(x) = f(g-1(x)) = x với mọi x  [0,1] nên f(u) = h(u) trên [u1, u2] Mặt khác, ta có g(u) =

Chúng ta thấy rằng vế trái của (1.22) tỉ lệ với mức tương thích giữa true và true Cụ thể nếu n  0 thì vế trái của (1.22) là comp (true, true), ngược lại nếu n < 0 thì vế trái của (1.22) là 1/comp (true, true) Như vậy nếu f(u) được cho bởi hàm thuộc B với B là một giá trị ngôn ngữ, trong một họ các hàm thuộc tham số của một biến ngôn ngữ thì ta có f(u,h-1(n)) là hàm thuộc của giá trị ngôn ngữ A = B Khi đó vế phải của (1.22) tỉ lệ với quan hệ tương thích giữa A và B Cụ thể vế phải của (1.22) là comp (A.B) nếu h-1(n)  u1, và là 1/comp (A,B) nếu h-1< u1 Tóm lại ta có:

Các đẳng thức trong (1.23) tương ứng với các trường hợp 1 và 2 đã phân tích ở trên Chú ý

rằng trong trường hợp h-1(n) < u1, giá trị cực tiểu của comp (A,B) trong (1.23) nhận được khi n =

 Khi hàm thuộc của A không thuộc họ tham số trong biểu diễn hàm thuộc của B (Trường hợp 2), giá trị của comp(A,B) có thể nhỏ hơn comp(A,B)* Trong trường hợp này ta đặt n = -, tức là M = unknown

Vì hàm thuộc true của giá trị chân lý mờ true, theo phân tích như trên, phản ánh mức tương thích mà giá trị A của biến X với giá trị tiền đề B trong lược đồ suy diễn (1.1), do đó giá trị D của biến Y nhận được theo lược đồ modus ponens tổng quát sao cho chúng ta cũng có cùng mức tương thích như giá trị A với giá trị B cho giá trị D với giá trị C của biến Y Cụ thể hơn chúng ta có

định nghĩa sau:

Định nghĩa 1.8 Giả sử A và B là hàm thuộc tham số của các tập mờ A và B tương ứng trên đoạn[u1, u2] sao cho A = B, với  là một gia tử ngôn ngữ Giả sử C là hàm thuộc tham số của tập mờ C trên đoạn [v1, v2] và k:[-,u2]  [-,v2] là một ánh xạ tuyến tính tăng sao cho k(u1) = v2 Khi đó tập mờ D

trong lược đồ modus ponens tổng quát được cho bởi hàm thuộc D sao cho comp(A,B) = comp(D,C)

1.2.4 Suy diễn mờ đa điều kiện

Phương pháp suy diễn đề nghị ở trên có thể được mở rộng để áp dụng cho hệ lập luận mờ đa điều kiện như sau:

p: If X1 is B1 and and Xn isBn Then Y is C,

q: X1 is A1 and and Xn is An(1.24) R: Y is D

Trong đó X1 , Xn và Y là các biến trên U1 ,Un và V tương ứng.

Như đã phân tích trong mục 1.1 về miền mờ của một biến ngôn ngữ, không mất tính tổng

quát, chúng ta giả thiết rằng Ut = [u1i, u2i] với i = 1, n và V = [v1, v2] và các khoảng mở tương ứng

là các miền mờ của các biến X1, , Xn và Y

Thuật toán để xác định tham số cho tập mờ D trong mẫu lập luận mờ đa điều kiện ở trên

được trình bày như sau:

- Xây dựng các biến đổi tuyến tính tăng, liên tục hi: [u1i, u2i] [0.1], với i = 1, , n và k: [v1, v2] [0.1] (chuẩn hoá các miền, dùng một miền thuần nhất là đoạn đơn vị)

- Cho i = 1, , n, tính ci = comp(Ai,Bi)

- Tính T(c1, , cn) và gán comp (C,D) = T(c1, , cn)- Xác định tham số hàm thuộc cho D

Trong thuật toán ở trên, T là một toán tử tích hợp được chọn nào đó (là một t-norm), chẳng hạn toán tử T= min Khi đó tham số cho tập mờ kết quả D được xác định một cách dễ dàng khi biết tham số của tập mờ C và mức tương thích comp(C,D)

1.2.5 Logic mờ dựa trên biểu diễn tham số của các giá trị chân lý ngôn ngữ

Dựa trên biểu diễn tham số của các giá trị chân lý ngôn ngữ, trong phần này tác giả sẽ nghiên cứu một logic mờ giá trị ngôn ngữ như đã được nghiên cứu trong [21].

Chúng ta trở lại xét biến chân lý ngôn ngữ Truth với các giá trị chân lý nguyên thuỷ true vàfalse Kí hiệu  là một gia tử ngôn ngữ hoặc một dãy các gia tử ngôn ngữ Khi đó hàm thuộc của giá trị chân lý ngôn ngữ true được định nghĩa bởi (1.18) ở trên được viết lại như sau :

true(u) = max(1- -1

true)- 1 (u - true)), với tham sốtrue (-,1) (1.25)

Trong khi hàm thuộc của giá trị chân lý ngôn ngữ false (1.19) được định nghĩa bởi biểu

thức:

true(u) = max(0,-1

false(false - u)), với tham sốfalse (0,) (1.26)

Với biểu diễn như trên, chúng ta nhận được một số giá trị chân lý ngôn ngữ đặc biệt như trong hình 1.8 dưới đây:

Hình 1.8 Các giá trị chân lý ngôn ngữ đặc biệt với biểu diễn tham số của các gia tử

Hàm thuộc của các giá trị chân lý ngôn ngữ đặc biệt được xác định như sau, với mọi u

Với mỗi x  V, như đã định nghĩa trước đây, chúng ta có độ đo đặc tả, kí hiệu S(x), của x

được cho bởi diện tích của miền bên dưới hàm thuộc x(u) của x Tức là

Với mọi , giá trị chân lý ngôn ngữ true được gọi là phần tử đối nghịch của false và ngược lại Khi đó quan hệ đối nghịch có thể được định nghĩa thông qua độ đo đặc tả bởi ràng buộc

Định nghĩa 1.9 Giả sử P và Q là hai mệnh đề với các đánh giá chân lý ngôn ngữ tương ứng là

v(P) và v(Q) Khi đó các toán từ logic hội (conjunction), tuyển (disjunction), phủ định (negation),

kéo theo (implication) trong logic mờ giá trị ngôn ngữ được định nghĩa bởi các biểu thức sau: E[max(v)not),v(Q))] otherwise

Định lý 1.6 Các toán tử đại số  , , và  trong …., tương ứng với mô hình chính xác các liên kết logic hội, tuyển và phủ định trong logic mờ của các giá trị ngôn ngữ trong Định nghĩa 1.9

Với k = 1,2 … khi đó chúng ta dễ dàng thiết lập một tương ứng 1-1 cho có các tham số cuả các giá trị ngôn ngữ (fairly)k true và (false)k false với k = 2k, …., như sau:

* (very)k true  Absolutely true khi k   * (very)k false  Absolutely false khi K   * (fairly)k true  unknown khi K  

Điều này khá phù hợp với ngữ nghĩa thực tế của các gia tử very và fairly Hơn nữa, chúng ta có

bảng giá trị chân lý ngôn ngữ cho các toán tử như sau:

Bảng 1.7 Bảng giá trị chân lú ngôn ngữ thu gọn

1.2.6 Một cấu trức đại số khác của nhiều giá trị chân lý ngôn ngữ.

Trong phần này chúng ta sẽ xem sét một cấu trúc đại số khác của không gian các giá trị chân lý ngôn ngữ với mô hình biểu diễn tham số Cấu trúc đại số này sẽ làm cơ sở cho việ phát triển một mở rộng cho một logic ngôn ngữ.

Chúng ta trở lại sét biểu chân lý ngôn ngữ Truth với các giá trị chân lý nguyên thuỷ true và false với biểu

diễn tham số như (1.25) và (1.26) tương ứng, cùng với các giá trị chân lý ngôn ngữ đặc biệt được cho bởi

( 1.27) và ( 1.28) Với mỗi x V, như đã nói ở trên, chúng ta có độ đo đặc tả S(x) được định nghĩa với

biểu thức (2.37).

Với độ đo đặc tả định nghĩa như trên, chúng ta thất rằng khi 0< < 1 thì true(u)< true(u) và khi

-<  < 0 thì true(u) > true(u) Tức là giá trị chân lý ngôn ngữ true là đặc tả hơn (tuơng ứng,

ít đặc tả hơn) giá trị chân lý true khi 0 <  < 1( tương ứng - <  < 0) Tương tự ta cũng có giá trị chân lý ngôn ngữ falselà đặc tả hơn (tương ứng, ít đặc tả hơn) giá trị chân lý false khi 0< < 1 (tương ứng 1 <  < ) Quan hệ đặc tả này cảm sinh mộ quan hệ thứ tự bộ phận ≤D trong V như sau:

true ≤D ’true  S(true) ≥ S('true);true);false ≤D ’ false  S(false) ≥ S('true);false);

Như một tổng quát hoá của một logic 4 giá trị giới thiệu trong [15], chúng ta cũng định nghĩa true và ’ false là không sánh được theo quan hệ ≤D với mọi  và ’ Hơn nữa, các giá trị chân lý

unknown và incontistent sẽ được thiết kế như các phần tử nhỏ nhất và lớn nhất tương ứng trong V

Với quan hệ thứ tự ≤D như trên, ta có kết quả sau:

Mệnh đề 1.4 Cấu trúc (V, ≤D) là một dàn đầy đủ.

Nó chung V là một dàn không phân phối Kí hiệu t0= absotutely true; f0=absolutely false;

i0=inconsistent; u0= unknown Khi đó cấu trúc dàn của V có thể được biểu diễn đồ thị như trong Hình 1.9 dưới đây, trong đố Vt và Vf tương ứng là tập các giá trị chân lý ngôn ngữ sinh từ true và false với biểu diễn ngữ nghĩa bởi (1.25) và (1.26)

Hình 1.9 Biểu diễn đồ thị của dàn (V, ≤D)

Chúng tôi muốn nhấn mạnh rằng quan hệ thứ tự ≤D hạn chế trên các tập Vt và Vf là một

quan hệ thứ tự tuyến tính Hơn nữa các quan hệ thứ tự tuyến tính trên Vt và Vf có thể được xác định

thông qua quan hệ chứ thứ tự tự nhiên trên không gian các tham số tương ứng.

Hơn nữa, cấu trúc đại số thu được của không gian các giá trị chân lý ngôn ngữ ở trên là hoàn toàn tương thích với dàn các giá trị chân lý mờ giới thiêu trong [16].

1.2.7 Logic mờ cho lập luận tự động trong các hệ phân loại kiểu đối tượng

Giả sử (V,≤D ) là cấu trúc miền giá trị chân lý ngôn ngữ với quan hệ thứ tự dựa trên độ đo đặc tả định nghĩa như trên Kí hiệu D, D là các toán tử dàn Join, meet tương ứng Bây giờ chúng ta định nghĩa toán tử negation kí hiệu ~ trong V như sau:

~i0=i0; ~U0=U0; true = false =true, với mọi .

Theo kết quả của mệnh đề 2.6 và định nghĩa của toán tử , ta có cấu trúc đại số sau

Như vậy cấu trúc đại số (V, D, D, ~, ≤D) của các giá trị chân lý ngôn ngữ có thể được sử

dụng để xây dựng một logic mờ giá trị ngôn ngữ với các toán tử D, D, ~ được sử dụng để mô hình

các toán tử logic or, and và negation tương ứng Đặc biệt, như là nghiên cứu trong [16], logic mờ

trên cơ sở của câcú trúc đại số này có thể được sử dụng như một cơ sở logic cho các hệ luập luận tự động với thông tin phân cấp và tính kế thừa ( sự phân cấp và kế thừa về kiểu đối tượng).

Chúng tôi muốn nhấn mạnh rằng vì quan hệ thứ tự ≤D trong V được xác định dựa trên độ đo

đặc tả của các giá trị chân lý ngôn ngữ, do đó cấu trúc địa số cảm sinh từ quan hệ thứ tự này thích hợp cho sự phân cấp và kế thừa về kiểu đối tượng với thông tin mờ, không chắc chắn Đây là vấn đề mà chúng tôi đang triển khai nghiên cứu tiếp theo.

1.3 Kết luận chương 1

Trong chương này chúng đã thiết lập một mô hình biểu diễn hàm thuộc tham số cho các biến ngôn ngữ Trước hết một thuật toán để xây dựng miền giá trị ngôn ngữ của một biến ngôn ngữ dựa trên khái niệm đồng đẳng hoá mờ được phân tích và xây dựng Sau đó mô hình tham số cho các biến ngôn ngữ có hai phần tử sinh nguyên thủy được xây dựng, đồng thời cấu trúc đại số của không gian hàm thuộc tham số của biến ngôn ngữ cũng được khảo sát và nghiên cứu Một kết quả quan trọng và thú vị là cấu trúc đại số đó thoả mãn các tính chất của địa số De Morgan Điều này cho thấy mô hình biểu diễn hàm thuộc tham số cho các biến ngôn ngữ được xây dựng trong chương này có một cấu trúc đại số đủ tốt để mô hình các toán tử logic cần thiết trong các ứng dụng Một điều thú vị là cấu trúc miền giá trị ngôn ngữ theo cách biểu diễn này thoả mãn các tính chất ngữ nghĩa của cấu trúc đại số gia tử.

CHƯƠNG 2

GIỚI THIỆU TÓM TẮT VỀ LOGIC MỜ;

THIẾT KẾ BỘ ĐIỀU KHIỂN MỜ CHO ĐỐI TƯỢNG CÔNG NGHIỆP

Cho đến nay, điều khiển mờ đã khẳng định được vị trí khá quan trọng trong kỹ thuật điều khiển hiện đại Điều khiển mờ cho độ chính xác đáng kể và khả năng thực hiện vì tính đơn giản trong cấu trúc của hệ thống Những ứng dụng rộng rãi của điều khiển mờ như: điều khiển nhiệt độ, điều khiển giao thông vận tải, điều khiển trong các lĩnh vực sản xuất hàng hóa công nghiệp, …

Khi tổng hợp và thiết kế các bộ điều khiển theo phương pháp kinh điển, chúng ta có thể gặp bế tắc khi bài toán có độ phức tạp đáng kể, độ phi tuyến lớn, thường xuyên thay đổi trạng thái và cấu trúc của đối tượng, … và khi thực hiện nó thì có thể phải chi phí lớn mà độ tin cậy lại không cao Có thể khắc phục những đặc điểm này khi thực hiện thiết kế và thực hiện bộ điều khiển

dựa trên cơ sở logic mờ Các bộ điều khiển được thiết kế trên cơ sở logic mờ được gọi là bộ điềukhiển mờ Chúng có chung một đặc điểm là làm việc theo nguyên tắc sao chép lại kinh nghiệm, tri

thức của con người trong quá trình điều khiển và vận hành các hệ thống máy móc.

2.1 Bộ điều khiển mờ cơ bản

Một bộ điều khiển mờ cơ bản thường bao gồm các khâu: fuz) = 0, đối với zz) = 0, đối với zy hóa, thiết bị hợp thành (thiếtbị thực hiện luật hợp thành) và khâu giải mờ Một bộ điều khiển mờ chỉ gồm 3 thành phần trên gọilà bộ điều khiển mờ cơ bản.

Hình 2.1: Bộ điều khiển mờ cơ bản

Do bộ điều khiển mờ cơ bản chỉ có khả năng xử lý các giá trị tín hiệu hiện thời nên nó thuộc nhóm các bộ điều khiển mờ tĩnh.

Hình 2.2: Một bộ điều khiển mờ động

Để mở rộng miền ứng dụng của chúng vào các bài toán điều khiển động, các khâu động học cần thiết sẽ được đưa thêm vào bộ điều khiển mờ cơ bản Các khâu động đó chỉ có nhiệm vụ cung cấp thêm cho bộ điều khiển mờ cơ bản các giá trị đạo hàm hay tích phân của tín hiệu Cùng với những khâu động bổ xung này, bộ điều khiển không còn là bộ điều khiển mờ cơ bản nữa mà đơn thuần nó được gọi là bộ điều khiển mờ.

 Khâu mờ hoá: Có nhiệm vụ biến đổi giá trị rõ đầu vào thành một miền giá trị mờ với

hàm liên thuộc đã chọn ứng với biến ngôn ngữ đầu vào đã được định nghĩa từ trước  Khối hợp thành: Biến đổi các giá trị mờ của biến ngôn ngữ đầu vào thành các giá trị

mờ của biến ngôn ngữ đầu ra theo các luật hợp thành.

 Khối luật mờ (suy luận mờ): Bao gồm tập các luật “NẾU … THÌ …” dựa vào các luật

mờ cơ bản, được thiết kế và viết ra cho thích hợp với từng biến và giá trị của các biến ngôn ngữ theo quan hệ mờ vào/ra.

Khối luật mờ và khối hợp thành là phần cốt lõi của bộ điều khiển mờ, vì nó có khả năng mô phỏng những suy đoán của con người để đạt được mục tiêu điều khiển mong muốn nào đó.

 Khối giải mờ: Biến đổi các giá trị mờ đầu ra thành các giá trị rõ để điều khiển đối

2.1.1 Mờ hoá

Các tín hiệu điều khiển (gồm tín hiệu điều khiển chủ đạo và các tín hiệu trạng thái, …) là các “tín hiệu rõ” nên để bộ điều khiển mờ hiểu được chúng thì các tín hiệu đó cần được mờ hoá.

Mờ hoá được định nghĩa như là sự ánh xạ các giá trị thực x*U thành tập các giá trị mờ A xác định trên tập nền U Nguyên tắc chung của việc thực hiện mờ hoá là:

 Từ tập các giá trị thực đầu vào sẽ tạo ra tập mờ A với hàm thuộc có giá trị đủ rộng tại các điểm rõ x* (Nếu có nhiễu ở đầu vào thì việc mờ hoá sẽ góp phần khử nhiễu).

 Việc mờ hoá phải tạo điều kiện đơn giản cho tính toán sau này.

Có nhiều phương pháp mờ hoá, nhưng thông thường có thể dùng một trong ba phương

 Mờ hoá Gaus (Gaussian): Từ các điểm giá trị thực x*U, lấy các giá trị trong tập mờ

A với hàm thuộc có dạng Gaus.

 Mờ hoá hình tam giác (triangular): Từ các điểm giá trị thực x*U, lấy các giá trị của

tập mờ A với hàm thuộc có dạng hình tam giác hay hình thang.

Mờ hoá đơn trị cho phép tính toán về sau rất đơn giản nhưng không khử được nhiễu đầu vào, mờ hoá Gaus hay mờ hoá hình tam giác không những cho phép tính toán về sau tương đối đơn giản mà còn đồng thời có thể khử nhiễu đầu vào.

2.1.2 Sử dụng luật hợp thành

Trước khi áp dụng phương pháp hợp thành, cần phải xác định cẩn thận trọng số của các luật Mỗi luật đều có trọng số là một số dương thuộc khoảng [0, 1] Nói chung trọng số này thương là 1, trong quá trình hợp thành có thể thay đổi trọng số của nó tuỳ theo các yếu tố khác hoặc giải bài toán tối ưu hoá trọng số.

Nếu x=x* Nếu x≠x*

Khi trọng số thích hợp đã được xác định cho mỗi luật thì phương pháp hợp thành được thực hiện Hệ quả là một tập mờ được đại diện bởi một hàm thuộc gọi là tập mờ đầu ra.

Có thể sử dụng các phương pháp hợp thành theo luật: max-MIN, max-PROD, Zadeh, Lukasiewicz, Dienes-Rescher.

2.1.3 Sử dụng các toán tử mờ - khối luật mờ

Mỗi một đầu vào đã mờ hoá sẽ được sử dụng trong mệnh đề tương ứng với mỗi luật Nếu mệnh đề của luật có nhiều thành phần thì cần sử dụng các toán tử để thu được một con số đại diện cho kết quả của mệnh đề trong luật đó Đầu vào của toán tử mờ là hai hay nhiều hơn các giá trị liên thuộc từ các biến đầu vào đã được mờ hoá Đầu ra là một giá trị thực.

Xét hệ mờ với nhiều đầu vào và một đầu ra, nếu có n đầu vào và m đầu ra thì ta có thể tách ra thành m hệ, mỗi hệ có n đầu vào và một đầu ra.

Luật mờ cơ sở là luật chứa một tập các luật “NẾU … THÌ …” có dạng sau: Nếu có m luật mờ sơ sở thì k = 1 m Luật mờ trên được gọi là luật mờ chính tắc.

Với bộ điều khiển mờ tổng hợp như trên cho dù với một hay nhiều luật điều khiển (mệnh đề hợp thành), cũng chưa thể áp dụng được trong điều khiển đối tượng vì đầu ra vẫn đang chỉ là giá trị mờ B’ Một bộ điều khiển mờ hoàn chỉnh phải có thêm khâu giải mờ.

Giải mờ là sự ánh xạ từ tập mờ B’ (đầu ra của khối hợp thành và suy luận mờ) thành giá trị đầu ra rõ y’ Như vậy nhiệm vụ của giải mờ là tìm một giá trị rõ ở đầu ra làm đại diện cho tập mờ B’, đó chính là đại lượng điều khiển đối tượng.

Khi giải mờ cần chú ý:

 Việc tính toán cần đơn giản: đây là điều quan trọng để giảm thời gian tính toán vì các

bộ điều khiển mờ thường đòi hỏi làm việc thời gian thực (real time).

 Tính liên tục: một sự thay đổi nhỏ trong tập mờ B’ chỉ làm thay đổi nhỏ trong kết quả

giải mờ, nghĩa là không gây ra thay đổi đột biến giá trị giải mờ y’.

 Tính hợp lý của kết quả: điểm rõ y’ là điểm đại diện của tập mờ B’, điều này có thể

cảm nhận trực giác tính hợp lý của kết quả khi đã có hàm thuộc của tập mờ B’.

Có 3 phương pháp giải mờ thường dùng là: phương pháp cực đại, phương pháp trọng tâm và phương pháp trung bình tâm.

2.2 Nguyên lý điều khiển mờ

Hình 2.3: Hệ kín, phản hồi âm và bộ điều khiển mờ

Về nguyên tắc, hệ thống điều khiển mờ cũng giống với các hệ thống điều khiển bình thường khác Sự khác biệt ở đây là bộ điều khiển mờ làm việc có tư duy như “bộ não” dưới dạng trí tuệ nhân tạo Chất lượng hoạt động của bộ điều khiển mờ phụ thuộc vào kinh nghiệm và phương pháp rút ra kết luận theo tư duy con người, sau đó được cài đặt trên máy tính trên cơ sở của logic mờ Hệ thống điều khiển mờ do đó cũng có thể coi như là một hệ thống neuron, hay đúng hơn là một hệ thống điều khiển được thiết kế mà không cần biết trước mô hình toán học của đối tượng.

Hệ thống điều khiển mờ được thiết kế gồm các thành phần:

 Giao diện đầu vào: Bao gồm khâu fuzzy hóa và các thành phần phụ trợ thêm để thực

hiện các bài toán động như tích phân, vi phân, …

 Thiết bị hợp thành: Bản chất của thành phần này là sự triển khai luật hợp thành R được

xây dựng trên cơ sở luật điều khiển hay như trong một số các tài liệu khác còn gọi là

- Giao diện đầu ra (khâu chấp hành): gồm khâu giải mờ và các khâu giao diện trực tiếp

với đối tượng.

Nguyên tắc tổng hợp bộ điều khiển mờ hoàn toàn dựa vào những phương pháp toán học dựa trên cơ sở định nghĩa các biến ngôn ngữ (tập mờ) vào/ra và lựa chọn những luật điều khiển theo kinh nghiệm.

Trong sơ đồ ở hình vẽ trên, khâu đối tượng được điều khiển bằng đại lượng u là tín hiệu

đầu ra của bộ điều khiển mờ Vì các tín hiệu điều khiển đối tượng là các “tín hiệu rõ” nên tín hiệu đầu ra của bộ điều khiển mờ trước khi đưa vào điều khiển đối tượng phải thông qua khâu giải mờ

nằm trong bộ giao diện đầu ra Tín hiệu ra y của đối tượng được đo bằng cảm biến và được xử lý

sơ bộ trước khi đưa vào bộ điều khiển Các tín hiệu này cũng là các “tín hiệu rõ”, do vậy để bộ

điều khiển mờ có thể hiểu được chúng thì tín hiệu y và ngay cả tín hiệu đặt x cũng phải được mờ

hóa thông qua khâu mờ hóa trong bộ giao diện đầu vào.

Chất lượng của một hệ điều khiển không chỉ được đánh giá qua độ chính xác của hệ thống mà trong nhiều trường hợp người ta còn quan đến các chỉ tiêu khác như độ dao động, tính bền vững (robust), vấn đề tiết kiệm năng lượng, …

Thành phần trọng tâm của bộ điều khiển mờ đó chính là hệ luật điều khiển, chúng là tập các mệnh đề hợp thành cùng cấu trúc NẾU … THÌ … và nguyên tắc triển khai các mệnh đề hợp thành đó có tên gọi là nguyên tắc max-MIN hay sum-MIN, … Mô hình R của luật điều khiển được xây dựng theo một nguyên tắc triển khai đã chọn trước và được gọi là luật hợp thành Thiết bị thực

hiện luật hợp thành trong bộ điều khiền gọi là thiết bị hợp thành.

Trong nhiều trường hợp, các thông tin về sai lệnh giữa tín hiệu chủ đạo x và tín hiệu ra y

chưa đủ để tạo ra một hệ luật điều khiển Với các bài toán điều khiển động, bộ điều khiển mờ còn đòi hỏi phải có các thông tin về đạo hàm của sai lệnh hay tích phân của sai lệnh để cung cấp thêm các đại lượng đầu vào cho thiết bị hợp thành Hầu hết các đại lượng này phải được số hóa một cách phù hợp cho thiết bị hợp thành Tương tự như vậy với các giá trị ra của hệ thống, không phải trong trường hợp nào cũng cần các tín hiệu ra rõ mà có trường hợp lại cần giá trị tích phân của tín hiệu ra.

Chúng ta có thể thiết kế bộ điều chỉnh theo luật P (Propotional – Tỉ lệ), theo luật I (Integral – Tích phân) và theo luật D (Derivative – Vi phân) như sau:

 Luật điều khiển P: uk K e. k, trong đó K là hệ số khuếch đại  Luật điều khiển I: k 1 k 1 k

  , trong đó TI là hằng số tích phân.

 Luật điều khiển D: uk1T eD( k uk), trong đó TDlà hằng số vi phân.

Hình 2.4: Bộ điều khiển mờ PID

Hình vẽ trên là ví dụ đơn giản về một hệ điều khiển mờ PID Sai lệch giữa tín hiệu đặt và tín hiệu ra được đưa vào bộ điều chỉnh theo luật P và D, sau đó được đưa vào bộ điều khiển mờ Bộ điều chỉnh I được dùng như một thiết bị chấp hành, đầu vào lấy sau bộ giải mờ và đầu ra được đưa tới đối tượng.

2.3 Nguyên tắc thiết kế bộ điều khiển mờ

Như đã biết, chất lượng của bộ điều khiển mờ phụ thuộc rất nhiều vào kinh nghiệm của người điều khiển Nếu khéo léo trong tối ưu hóa hệ thống thì các bộ điều khiển mờ cũng có thể làm việc ổn định, bền vững và có thể còn làm việc tốt hơn sự linh hoạt của con người.

Các bước cần thiết để thiết kế và tổng hợp bộ điều khiển mờ:  Định nghĩa tất cả các biến ngôn ngữ vào và ra.

 Định nghĩa tập mờ (giá trị ngôn ngữ) cho các biến vào/ra  Xây dựng các luật điều khiển (các mệnh đề hợp thành)  Chọn thiết bị hợp thành (max-MIN hay sum-MIN)  Chọn nguyên lý giải mờ.

 Tối ưu hóa hệ thống.

2.3.1 Định nghĩa các biến vào/ra

Định nghĩa các biến vào/ra cho một hệ thống điều khiển là quá trình xác định các thành phần (đại lượng) đi vào và ra bộ điều khiển mờ Các thành phần này chủ yếu là được tách ra từ sai lệch giữa đại lượng đặt và giá trị thực ở đầu ra Thành phần ra bộ điều khiển mờ để đi tới đối tượng được điều khiển.

2.3.2 Xác định tập mờ

Bước tiếp theo là định nghĩa các biến ngôn ngữ vào/ra bao gồm số các tập mờ và dạng hàm thuộc cho chúng Để thực hiện được việc này cần xác định:

Miền giá trị vật lý của các biến ngôn ngữ vào/ra

Ở đây ta cần xác định khoảng xác định của các biến ngôn ngữ cho các đầu vào và ra Ví dụ như giá trị đặt, giá trị thực ở đầu ra và sai lệch giữa các giá trị này, hoặc thành phần thể hiện tốc độ biến đổi của sai lệch, …

Số lượng tập mờ (lực lượng giá trị biến ngôn ngữ)

Về nguyên tắc, số lượng giá trị ngôn ngữ cho mỗi biến ngôn ngữ chỉ nên nằm trong khoảng từ 3 đến 10 giá trị Nếu số lượng giá trị ít hơn 3 thì ít có ý nghĩa vì không thực hiện được lấy vi phân Nếu lớn hơn 10 thì con người khó có khả năng bao quát và phản ứng Ví dụ, đối với quá trình điều khiển nhiệt độ, có thể xác định các giá trị như sau:

 Nhiệt độ = {thấp, trung bình, cao}

 Nhiệt độ = {thấp, hơi thấp, trung bình, hơi cao, cao}  Nhiệt độ = {rất thấp, hơi thấp, trung bình, hơi cao, rất cao}

Xác định hàm thuộc

Đây là công việc rất quan trọng trong quá trình thiết kế và tổng hợp bộ điều khiển mờ vì quá trình làm việc của bộ điều khiển mờ rất phụ thuộc vào dạng và kiểu của hàm thuộc Nhưng thực tế lại không có một quy tắc nhất quán nào cho vấn đề chọn hàm thuộc mà ở đây chỉ có một cách đơn giản là chọn hàm thuộc từ những dạng hàm đã biết trước và mô hình hóa nó cho đến khi nhận được bộ điều khiển mờ làm việc như mong muốn Quá trình này thực hiện như một vòng lặp.

Cũng nên cần chọn các hàm thuộc có phần chồng lên nhau và phủ kín miền giá trị vật lý để trong quá trình điều khiển không xuất hiện “lỗ hổng” Trong trường hợp với một giá trị vật lý rõ x0 của biến đầu vào mà tập mờ B’ ở đầu ra có độ cao bằng 0 và bộ điều khiển không thể đưa ra một quyết định điều khiển nào được gọi là hiện tượng “cháy nguyên tắc”, lý do là hoặc không định nghĩa được nguyên tắc điều khiển phù hợp hoặc là do các tập mờ của biến ngôn ngữ có những “lỗ hổng”.

Cũng như vậy, đối với các biến ra, các hàm thuộc dạng hình thang với độ xếp chồng lên nhau rất nhỏ thường không phù hợp đối với bộ điều khiển mờ Nó tạp ra vùng “chết” trong trạng thái làm việc của bộ điều khiển Trong một vài trường hợp, chọn hàm thuộc dạng hình thang hoàn toàn hợp lý đặc biệt khi sự thay đổi các miền giá trị của tín hiệu vào không kéo theo sự thay đổi bắt buộc tương ứng cho miền giá trị của tín hiệu ra Nói chung nên chọn hàm

thuộc sao cho miền tin cậy của nó chỉ có một phần tử, hay là chỉ tồn tại một điểm vật lý có độ phụ thuộc bằng độ cao của tập mờ.

2.3.3 Xây dựng các luật điều khiển

Trong việc xây dựng các luật điều khiển (mệnh đề hợp thành), cần lưu ý vùng xung quanh điểm không, không được tạo ra các “lỗ hổng”, bởi vì khi gặp các lỗ hổng xung quanh điểm làm việc bộ điều khiển sẽ không thể làm việc đúng như trình tự đã định sẵn Ngoài ra cần để ý rằng trong phần lớn các bộ điều khiển, tín hiệu ra sẽ bằng không khi tất cả các tín hiệu vào bằng không.

2.3.4 Chọn thiết bị hợp thành

Để chọn thiết bị hợp thành theo những nguyên tắc đã trình bày trong phần trước, ta có thể sử dụng một trong các công thức theo luật:

 Luật max-MIN, max-PROD.

 Công thức Lukasiewicz có luật sum-MIN, sum-PROD  Công thức Einstein.

 Tổng trực tiếp.

2.3.5 Chọn nguyên lý giải mờ

Các phương pháp xác định giá trị đầu ra rõ gọi là quá trình giải mờ hoặc rõ hóa đã được trình bày trong phần trước Phương pháp giải mờ được chọn cũng ảnh hưởng đến độ phức tạp, tốc độ tính toán và trạng thái làm việc của toàn bộ hệ thống Thường trong thiết kế hệ thống điều khiển mờ, giải mờ bằng phương pháp điểm trọng tâm có nhiểu ưu điểm hơn cả, bởi vì như vậy trong kết quả đều có sự tham gia của tất cả các thành phần kết luận của các luật điều khiển (mệnh đề hợp thành).

2.3.6 Tối ưu

Sau khi bộ điều khiển mờ đã được tổng hợp, có thể ghép nối nó với đối tượng điều khiển thực hoặc với một đối tượng mô phỏng để thử nghiệm Trong quá trình thử nghiệm cần đặc biệt kiểm tra xem nó có tồn tại “lỗ hổng” nào trong quá trình làm việc không, tức là xác định xem tập các luật điều khiển được xây dựng có đẩy đủ hay không để bổ xung Một lý do nữa có thể dẫn đến hệ thống làm việc không ổn định là nó nằm quá xa điểm làm việc Trong mọi trường hợp, trước hết nên xem xét lại các luật điều khiển cơ sở.

Bước tiếp theo là tối ưu hóa hệ thống theo các chỉ tiêu khác nhau Chỉnh định bộ điều khiển theo các chỉ tiêu này chủ yếu được thực hiện thông qua việc điều chỉnh lại các hàm thuộc

và bổ xung thêm các luật điều khiển hoặc sửa lại các luật điều khiển đã có Và nên thực hiện việc chỉnh định trên một hệ kín.

2.4 Kết luận

Chương này cho chúng ta một cái nhìn tổng quát về cấu trúc của một bộ điều khiển mờ cơ bản, nhiệm vụ của mỗi thành phần trong hệ thống Trên cơ sở nguyên lý điều khiển mờ, chương này cũng giới thiệu nguyên tắc tổng hợp một bộ điều khiển mờ Với bộ điều khiển mờ như vậy, nó cũng bộc lộ những ưu điểm và nhược điểm theo bản chất của phương pháp điều khiển như:

 Cấu trúc của hệ thống đơn giản, luật điều khiển chính là các mệnh đề hợp thành – tri thức chuyên gia mang tính kinh nghiệm nên có thể thực hiện bộ điều khiển với những hệ thống mà khó hoặc không thể xây dựng được mô hình toán học cho nó.

 Theo nguyên tắc điều khiển bằng logic mờ, ta có thể có rất nhiều cách thực hiện (cách lựa chọn) khác nhau tại các bước tính toán như chọn hàm thuộc, phép giao, phép hợp, phép hợp thành, giải mờ, … nên cho ta nhiều kết quả khác nhau Chất lượng của hệ thống rất phụ thuộc vào kinh nghiệm của người thiết kế và không có một thuật toán nào có thể tối ưu hoá được quá trình thiết kế này.

CHƯƠNG 3

THIẾT KẾ BỘ ĐIỀU KHIỂN MỜ ĐỂ ĐIỀU KHIỂN MỨC CHO BALONG HƠI- NHÀMÁY NHIỆT ĐIỆN PHẢ LẠI

3.1 Mô hình toán học của đối tượng công nghệ

3.1.1 Sơ đồ cấu trúc của bộ điều chỉnh mức nước trong Balong

Bộ điều chỉnh có nhiệm vụ duy trì mức nước trong Balong ở mức ổn định thông qua sự cân bằng giữa lượng nước cấp vào và hơi ra khỏi lò

Sơ đồ cấu trúc của bộ điều chỉnh mức nước trong Balong như sau [10, 11]:

3.1.2 Xác định hàm truyền đạt của các phần tử trong các sơ đồ cầu trúc

Hình 3.1: Sơ đồ khối bộ điều chỉnh mức nước Balong.

Từ sơ đồ khối bộ điều chỉnh mức nước Balong ta có sơ đồ cấu trúc như sau:

Hình 3.2: Sơ đồ cấu trúc bộ điều chỉnh mức nước Balong.

Tín hiệu phản hồi đưa vào bộ điều chỉnh gồm: + Phản hồi mức nước Balong

+ Phản hồi lưu lượng nước cấp

a) Hàm truyền đạt của khâu truyền động điện W3

Hệ thống truyền động điện của bộ điều chỉnh cấp nước Balong là động cơ một chiều quay van với công suất 1KW với điện áp định mức 220V Đầu vào là điện áp, đầu ra là vận tốc góc.

(-)

Pđm = 1KW Uđm = 220V

Với yêu cầu công nghệ của bộ điều chỉnh mức nước cho Balong thì hệ thống được thiết kế có đảo chiều Theo [10, 11] các thông số kỹ thuật hàm truyền đạt b) Hàm truyền đạt khâu tích phân

Do tín hiệu vào của van là vận tốc góc mà tín hiệu ra của khâu truyền động điện là tốc độ nên thêm khâu tích phân Hàm truyền đạt của khâu tích phân có dạng: c) Hàm truyền đạt của van

Tín hiệu vào là vận tốc góc, tín hiệu ra là lưu lượng nước Quan hệ giữa tín hiệu ra và tín hiệu vào của van là một khâu quán tính bậc nhất Hàm truyền có dạng: d) Hàm truyền đạt của Balong

Tín hiệu vào là lưu lượng nước, nước được tạo thành hơi, tín hiệu ra là lưu lượng hơi Quan hệ giữa tín hiệu ra và tín hiệu vào của Balong là một khâu quán tính bậc nhất có trễ.