Bài tập lớn hệ thống Điều khiển thông minh

Các thành phần cơ bản của bộ điều khiển mờ Hoạt động của một bộ điều khiển mờ phụ thuộc vào kinh nghiệm và phương pháp rút ra kết luận theo tư duy của con người sau đó được cài đặt vào m

TRUONG DAI HOC SAO DO KHOA ĐIỆN

BAI TAP LON

HE THONG DIEU KHIEN THONG MINH

Sinh viên thực hiện

Nguyễn Thị Quyên

Hải Dương, năm 2024

MUC LUC lop l

1.1 Các thành phần cơ bản của bộ điều khiển mờ 2-2222 2 21222212222 2e 2

1.2 Phép suy diễn mờ 5-1221 212121111 1111211111121 111212112111 21 re 3 IEE ái in on 5

2.1 Phân tích các bước huấn luyện mạng nơ ron perceptron - se szzzzzzssa 7 2.2 Lập trình huấn luyện bằng phần mềm Miatlab 252 2221221251255 2122E2 2e 8 2.2.1 Huấn luyện mạng noron theo cổng 2/1 eeeceeseeeeeesecettsectesceeeetteeeeeseevanes 8

2.2.2 Huấn luyện mạng noron theo cổng "`9 10

2.3 Sử dụng công cụ nntool để khảo sát và phân tích 2- 5-5 S222 cxez 12

2.3.1 Khảo sát cổng OR 5c se ST 1221121212211 1 1211121 211 nrtu 13 2.3.2 Khao s80 0n ăĂỲŸĂš<-£££ỶỶẢ 15 Câu 03 (5,0 did) ceccccccccccccsesecsecscsessesecsesessesessesevsessesesevsevsesessesessesessevesevevesvecinsesen 17

A Thiết kế mạng nơ ron 3 lớp 2 x l7 x Ì s2 5< 22 EE2121111121111121 111111212 x2 17

3.1 Lập trình trên phần mềm Miatlab - + S19 EE19E15212111121211112112111 11 te 17 3.1.1 Lập trình huấn luyện mạng thực hiện phép toán cộng số học 17 3.1.2 Lập trinh huấn luyện mạng thực hiện phép toán trừ số học - so: 19 3.2 Thực hiện huấn luyện bằng công cụ nñtOOÌL - ác 2c 2212211251121 11211551 12222 20 3.2.1 Huấn luyện mạng thực hiện phép toán cộng số học bằng nntool 20 3.2.2 Huấn luyện mạng thực hiện phép toán trừ số học bằng nntool 22 3.3 So sánh, khảo sát, đánh 914 mang với tín hiệu vào tối thiệu 20 mẫu 24 3.3.1 Khảo sát phép cộng số học 5 s21 2E12111111211211212121 121 txg 24

3.3.2 Khao sát phép trừ số học 5s + 1912 2112111112121121121211211 20111 re 24

3.3.3 So sánh, đánh giá kết quả giữa hai phương pháp - 5-52 25

B Bộ điều khiển mờ điều khiển nhiệt độ 52 55 2222221112211 1c 25

3.4 Trình bày được các bước thiết kế bộ điều khiển mờ 2 2S SE 25 252551555555 552 25 3.5 Tính tốc độ quạt của máy lạnh khi nhiệt độ ngoài 29°C, nhiệt độ phòng 24°C và (89019011801-:8) 710710018088 26

3.5.1 Thiết kế bộ điều khiển mờ -¿ 222:2221222221112271122211122111 11 c6 26

3.5.2 Thiết kế mô phỏng trên Simulink - 2 5s se 1E EE1EE2212121122 711.6 31

3.5.3 So sánh kết quả tính toán và kết quả mô phỏng

KẾT LUẬN 2-1 122221 152211511211 121555221122 rrerrea

TÀI LIỆU THAM KHẢO S2 2 222251252555 11251x 55c

DANH MUC HINH

Hinh 1.1 Các khối chức năng của bộ điều khiển mờ -2 22 1 SE E221 252555555555 155 15552 2

Hình 1.2 Các bộ điều khiển mờ 2:22: 22211212211112211112211112171111112.111 1 1c 3

Hình 1.3 Minh họa các phép suy diễn mờ 2-2-2121 5211212212212112112122121 21x 2e 5 Hình 2.1 Sơ đồ huấn luyện mạng noron theo công OR - 52 2 1222122121221 xe2 9 Hình 2.2 Sơ đồ huấn luyện mạng noron theo công XOR 5 5c S22 22g 11 Hinh 2.3 Giao dién nntool occ ceeeeeeseeeeeceeeeeecececuseecseeceseceseseseeeesseettttttttanteeees 12 Hinh 2.4 Giao diện nhập dữ liệu trên nntoolÌL - 2 2222212221221 12 22122212221 1223 1x52 12 Hình 2.5 Nhập đữ liệu mạng theo công OR 2-5251 1 1 E212112112121121 111 16 13 Hình 2.6 Giao điện nntool khảo sát công OR 522121211 11211112112121121 11 xeg 13 Hình 2.7 Sơ đồ mạng noron theo cổng OR trong nntoOI - 2-2 s2E221221 2E 13 Hình 2.8 Chạy khảo sát công OR bằng nntool 2-5 s2 E821 1221221112221 26 14 Hình 2.9 Sơ đồ huấn luyện mạng noron theo công OR khảo sát bằng nntool 14 Hinh 2.10 Kết quả output của công OR sau khi khảo sát bằng nnfool 14 Hình 2.11 Nhập dữ liệu mạng theo công XOR G5 2 1 112111112121 xe 15 Hình 2.12 Giao diện nntool khảo sát công XOR 2-22 S1 EEE1211221211121 6 15 Hình 2.13 Sơ đồ mạng noron theo công XOR trong nntool -s- 2 s2 se 2zczs2zzxee 15 Hình 2.14 Chạy khảo sát công XOR bằng nntool 52 5s SE 2219212111 1152212e6 16 Hình 2.15 Sơ đồ huấn luyện mạng noron theo cổng XOR khảo sát bằng nntool 16 Hinh 2.16 Kết quả output của công XOR sau khi khảo sát bằng nntool 16 Hình 3.1 Kết quả huấn luyện mạng thực hiện phép toán cộng số học -.cccccss2 17 Hình 3.2 Sơ đồ huấn luyện mạng thực hiện phép toán cộng số học - sa ccsscs2 18 Hình 3.3 Sơ đồ simulink mạng thực hiện phép toán cộng số học s5 s2 se 18 Hình 3.4 Sơ đồ các lớp mạng thực hiện phép toán cộng số hỌc : scns2s2 2s se: 18 Hình 3.5 Kết quả huấn luyện mạng thực hiện phép toán trừ số học - 2s se 19 Hình 3.6 Sơ đồ huấn luyện mạng thực hiện phép toán trừ số học -.s cac se 19 Hình 3.7 Sơ đồ simulink mạng thực hiện phép toán trừ số hỌc s.sn c2 tt se 20 Hình 3.8 Sơ đồ các lớp mạng thực hiện phép toán trừ SO OC ececcccscscscecevsecsesecesseveeees 20 Hinh 3.9 Giao dién nntool phép cOng $6 HOC ccc csescesecsesseseeseesesesseseseseseseesetess 20 Hình 3.10 Nhập dữ liệu mạng noron 3 lớp 2x17x1 phép cộng số học - 21 Hình 3.11 Sơ đồ mạng nơ ron 3 lớp 2x17xI phép cộng số học 2 scs2sz 21 Hình 3.12 Sơ đồ huấn luyện mạng nơ ron 3 lớp 2x17x1 phép cộng số học 21 Hình 3.13 Kết quả huấn luyện phép cộng số học bằng nntool -2- scc2sccz 21

Hình 3.14 Giao diện nntool phép trừ số học - +52 512121 1 1111512712121 11 2 xe 22 Hình 3.15 Nhập dữ liệu mạng noron 3 lớp 2x17x1 phép trừ số học - 22 Hình 3.16 Sơ đồ mạng nơ ron 3 lớp 2x17x1 phép trừ số học - -s2©5z+sscz se: 22

Hình 3.17 Sơ đồ huấn luyện mạng nơ ron 3 lớp 2x17x1 phép trừ số học 23

Hình 3.18 Kết quả huấn luyện phép trừ số học bằng nntool 52 sec sec: 23 Hình 3.19 Kết quả khảo sát phép cộng số học bằng hàm Sim 2-52 se: 24 Hình 3.20 Kết quả khảo sát phép cộng số học bằng nntool - 2 222cc c2 z2 24 Hinh 3.21 Kết quả khảo sát phép trừ số học bằng hàm Sim 2- 5222222222222 24 Hình 3.22 Kết quả khảo sát phép trừ số học bằng nntool 2s s+2Ezx2zzxe 25 Hình 3.23 Giao điện Fuzzy - 2 119111 1111111111111111 10111111 11011111111 16111 E11 rệt 26 Hình 3.24 Giao diện Fuzzy của bài toán tính tốc độ quạt - 0 2c 2 c2, 27 Hinh 3.25 Mờ hóa ngõ vào tdat (Nhiệt độ bên ngoài) 2 0 2 cty 27

Hinh 3.27 Mo héa ngõ ra tocdo (Téc AG QUat) eee ecccectecteceteentectsestsessestseenteeens 28 Hinh 3.28 Tạo luật hợp thành 0 22222211121 1211111 12111811 1521111111112111 118 11 kg 30 Hình 3.29 Lưu luật hợp thành 12212111111 11111111 11151111111 10111 11 111111611 xe, 30

Hình 3.30 Tính toán tốc độ quạt - 52 21 21821 1121121111111211112121211111 211 1e 31

Hình 3.31 Set Path luật hợp thành (G22 222012112121 1511 1211112121111 111 111 11 ke 31 Hình 3.32 Giao diện chính của SimulinE c1 2221101111155 2511118 nhe ha 32

Hình 3.33 Giao diện các khối và giao điện vẽ mô phỏng Simulink s55 32

Hình 3.34 Mô hình SimulinE c2 2: 2232222125151 15153113 1115111111511 1111111111 11 eE 33 Hình 3.35 Nhập luật hợp thành - S122 21121211 1112152111 11111111111 011111111111 de 33 Hinh 3.36 Chạy mô phỏng SimulinE, 2 2 22 22112212221 123 1353151115121 2812812111212 33 Hình 3.37 Kết quả mô phỏng bằng Simulink 22-52 2S 25 2E22EE£EE221 2222222221222 34

DANH MỤC BẢNG

Bang 1.1 Bảng chân ly của phép kéo theo - 2 201112111211 12211 2221111111112 111 1x2 3 Bảng 1.2 Một số phép suy diễn thường dung 52-2 SE EEEE122121111211 121 xe 4 Bảng 1.3 Các luật hợp thành 0202211121121 122112211011 11111111111 211111111 ng ky 6 Bảng 2.1 Bảng chân lý cổng OR 0 1 2c 2111 11 11211 112121111 21212122111 n ru 8 Bảng 2.2 Bảng chân ly cổng XOR 15c 121 2112111222212121 2122 1tr te 10

LOI NOI DAU

Bộ não con người là tuyệt tác hoàn hảo của tạo hóa với khả năng học và tư duy sáng tạo Trong lĩnh vực điều khiến con người từng bước tiếp cận và xây dựng các bộ điều khiến theo cơ chế của bộ não con nguoi Để tiếp cận theo cơ chế tư duy của con người, người ta sử dụng khả năng suy diễn của hệ mờ dựa trên các luật logic mờ Để tiếp cận khả năng học, người ta xây dựng mô hình mạng nơ ron nhân tạo

Ngày nay, sự phát triển của khoa học kỹ thuật điễn ra nhanh chóng trên toàn thế giới Những thành tựu của khoa học kỹ thuật đã và đang được vận dụng trong thực tế

dé tạo ra những sản phâm mới Một trong những thành tựu của khoa học kỹ thuật đang được ứng dụng rộng rãi đó là kỹ thuật điều khiến lập trình Tuy mới phát triển trong những năm gần đây nhưng nó đã nhanh chóng thay thế được các công nghệ điều khiến lạc hậu, với nhiều đặc điểm ưu việt hơn

Trong quá trình học học phần “Hệ thong diéu khién thông minh”, em được giao nhiệm vụ thực hiện bài tập lớn với 3 câu hỏi

Trong quá trình thực hiện bài tập lớn tuy gặp nhiều khó khăn nhưng được sự hướng dẫn của giảng viên Nguyễn Thị Quyên em đã hoàn thành bài tập lớn này Mặc

dù có cô gắng nhưng thời gian có hạn và kiến thức của em còn nhiều hạn chế nên bải tập của em không tránh khỏi thiếu sót Vậy em rất mong nhận được sự đóng góp ý kiến của các thầy cô cũng như các bạn dé bai tập lớn này được hoàn thiện hơn

Em xin chan thành cảm ơn!

Sinh viên thực hiện

Nguyễn Huy Quyết

Câu 01 (2,0 điểm)

Trình bày các thành phần cơ bản của bộ điều khiển mờ? Phân tích suy luận mờ

và luật hợp thành?

Yêu cầu đạt được:

- Trình bày được các thành phần trone bộ điều khiên mờ?

- Phân tích suy luận mờ và luật hợp thành?

Bài làm 1.1 Các thành phần cơ bản của bộ điều khiển mờ

Hoạt động của một bộ điều khiển mờ phụ thuộc vào kinh nghiệm và phương pháp rút ra kết luận theo tư duy của con người sau đó được cài đặt vào máy tính trên

cơ so logic mo

Một bộ điều khiển mờ bao gồm 3 khối cơ bản: Khối mờ hoá, thiết bị hợp thành

và khối giải mờ Ngoài ra còn có khối giao diện vào và giao diện ra

„ Giao wae Thiét bi hop Giải Giao

điện vào “| Mờhóa m3 thành Zz mờ ” diện ra

Hình 1.1 Các khối chức năng của bộ điều khiển mờ

¢ Khối mờ hoá có chức năng chuyển mỗi giá tri rõ của biến ngôn ngữ đầu vào thành vectơ ¿ có số phần tử bằng số tập mờ đầu vào

e© Thiết bị hợp thành mà bản chất của nó sự triển khai luật hợp thành R được xây dựng trên cơ sở luật điều khiến

©_ Khối giải mờ có nhiệm vụ chuyên tập mờ đầu ra thành giá trị rõ yo ứng với mỗi giá trí rõ xạ dé điều khiến đối tượng

©_ Giao diện đầu vào thực hiện việc tông hợp và chuyên đôi tin hiệu vào (từ tương

tự sang số), ngoài ra còn có thể có thêm các khâu phụ trợ đê thực hiện bài toán động như tích phan, vi phan

® Giao diện đầu ra thực hiện chuyền đổi tín hiệu ra (từ số sang tương tự) để điều

khiển đối tượng

Nguyên tắc tổng hợp một bộ điều khiến mờ hoàn toàn dựa vào những phương pháp toán học trên cơ sở định nghĩa các biến ngôn ngữ vào/ra và sự lựa chọn những luật điều khiển Do các bộ điều khiển mờ có khả năng xử lý các gia tri vào/ra biểu diễn dưới dạng dấu phây động với độ chính xác cao nên chúng hoản toàn đáp ứng được các yêu cầu của một bài toán điều khiển "rõ rang" va "chính xác”

Phân loại bộ điều khiển mờ:

a) Bộ điều khiến I vào và | ra b) Bộ điều khiến nhiều vảo va | ra

c) Bộ điều khiển nhiều vào và nhiều ra

Bộ điều khiển mờ MIMO rất khó cài đặt thiết bị hợp thành Mặt khác, một bộ

điều khiển mờ có m đầu ra đễ đàng cải đặt thành m bộ điều khiển mờ chỉ có một đầu

ra vì vậy bộ điều khiển mờ MIMO chỉ có ý nghĩa về lý thuyết, trong thực tế không dùng

Theo bản chất của tín hiệu đưa vào bộ điều khiến ta phân ra bộ điều khiển mờ tĩnh và bộ điều khiển mờ động

Bộ điều khiển mờ tĩnh chỉ có khả năng xử lý các tín hiệu hiện thời, bộ điều khiến mờ động có sự tham gia của các giá trị đạo hàm hay tích phân của tín hiệu, chúng được ứng dụng cho các bài toán điều khiến động

Bộ điều khiến mờ tĩnh chỉ có khả năng xử lý các giá trị tín hiệu hiện thời Đề

mở rộng miền ứng dụng của chúng vào các bài toán điều khiển động, các khâu động học cần thiết sẽ được nối thêm vào bộ điều khiến mờ tĩnh nhằm cung cấp cho bộ điều khiến các gia tri dao hàm hay tích phân của tín hiệu

Cùng với những khâu động học bỗ sung này, bộ điều khiến tĩnh sẽ trở thành bộ

Điều khiển mờ động

1.2 Phép suy diễn mờ

Khác với những phép tính tập hợp như phép hội, phép tuyển, phép bù thì phép suy diễn mờ chỉ ra đời và hình thành khi lý thuyết tập mờ được đưa vào ứng dụng trong điều khiển, mặc dù trước đó, ở logic kinh điển đã có phép tính kéo theo biểu diễn quan hệ A — B øpiữa hai tap hop A va B, thực hiện trên các hàm đặc tính tA(x), H;(x), với bảng giá trị chân lý như sau:

Bảng 1.1 Bảng chân lý của phép kéo theo

Phép tính kéo theo này cũng được chuyền sang thành phép tính kéo theo của hai tập mờ không cần phải có chung tập nền Tuy nhiên, nêu sử dụng phéo kéo theo mờ đó một cách máy móc để thực hiện mệnh dé hợp thành dạng đơn giản:

R,: Néu A = A, thi B = B,

Trong đó A, B là hai biến ngôn ngữ va A, B, là những giá trị ngôn ngữ (tập

mờ) của chúng, ta sẽ gặp sự mâu thuẫn trong suy luận điều khiển Để minh họa cho mâu thuẫn nay ta lay ví dụ cụ thể với mệnh đề “Nếu mực nước là cao thì van sẽ đóng” của bài toán điều khiến bình nước

Đặt biến ngôn ngữ A = mực nước, B = van Giá trị ngôn ngữ: A¡ = cao, A; = thấp cũng như Bị = đóng và B; = mở thì mệnh

đề hợp thành “Nếu øc zrước là cao thì van sẽ đóng” có dạng:

RI: Nếu A =A¡ thì B=Bị

Khi đó, ở trường hợp /„ực nước = thấp, tức là tạ:(x) = 0, phép tính kéo theo dựa vào bảng chân lý trên, không phụ thuộc vào gia tri cua p m3) „ sẽ luôn cho ra kết quả mâu thuẫn #x.sÍy) = 1, tức là van luôn đóng và điều nảy hoàn toàn trái với suy luận điều khiển của con người

Từ nhận xét như vậy và cũng để phủ hợp với suy luận rất thông thường của một mệnh đề hợp thảnh trong điều khiển Mamdani đề xuất thêm: “phép suy diễn mờ phải

là một phép kéo theo thỏa mãn Ha-ial y)Spa(x) tire la gia tri kết luận của mệnh dé hợp thành không được lớn hơn giá trị của phần điều kiện

Kết hợp tính chất kéo theo theo kinh điển và để xuất trên của Mamdani, ta đi đến định nghĩa phép suy diễn mờ như sau:

Phép suy diễn mờ với hai hàm thuộc t„Íx), #„Íy) của hai tap mo A, va B, la một tập mờ củng nền với giá trị ngôn ngữ B, có hàm thuộc bar= mg y) thỏa mãn:

Hace, Ly) <Ha,(x)

Nếu có tr; (y) = 0 thì cũng có Hạ -¿; Íy) =0

Nếu 6 Ha, (x) Spa,(x) thi cũng có tA,=is(Y)HA,=;ø(x), VB

Nếucó tz ÍX)<Hs ÍX), nạ{ y) <4» (x) thì cũng có HA=¡s,Íy) €HA=in(X),V A

Giống như các phép tính logic mờ trước đây, từ định nghĩa phép suy diễn ta có thé dựng nhiều công thức không tương đương nhau cùng mô tả hàm thuộc E(y) = ạx „ píy) cho mệnh đề hợp thành Tuy nhiên trong điều khiến mờ người ta lại dùng nhiều nhất là hai phép suy diễn mờ cho trong bảng dưới đây và lựa chọn sử dụng công thức suy diễn nao là quyền của người thiết kế bộ điều khiến mờ

Bảng 1.2 Một số phép suy diễn thường dung

ST Tên gọi Công thức mô tả

T

I | Luat min HA,=iny) — min(Ha (x), ta (y)Ì

Ngoài ra ta còn thấy thêm từ định nghĩa rằng phép suy diễn mờ A — B của hai

tap mo A trên nền X có hàm thuộc #aÍx) và B trên nền Y có hàm thuộc #'z(y), là một

tập mờ trên cùng một nền Y với tập mờ B:

HẠ-¿g:X ¬ [0,1] hay tạ_„:x — [0.1]

Như vậy ạ-,; là một ánh xạ từ X vảo [0,1], đo đó có thê xác định được cụ thể

giá trị hàm thuộc ta-¿s( y) nêu đã biết gia tri ro x € X Hình 1.3 minh họa phép suy diễn mờ A B = được thực hiện theo luật min gitra hai tap mo A, B có các hàm thuộc là

tA(x) và tsÍyÌ tai x = Xụ, tức là:

Ha=co(¥) =min{ta (xo), Ha (y)} = {H, ta(y)}, trong đó H = Ha(Xo)

Hinh 1.3 Minh hoa cac phép suy dién mo 1.3 Luật hợp thành mờ

Luật hợp thành là tên chung gọi mô hình R biểu diễn một hay nhiều hàm thuộc, cho một hay nhiều mệnh đề hợp thành, nói cách khác luật hợp thành được hiểu là một

18 tập hợp của nhiều mệnh đề hợp thành Một luật hợp thành chỉ có một mệnh đề hợp

thành được gọi là luật hợp thành đơn Ngược lại nếu nó có nhiều hơn một mệnh đề hợp thành, ta sẽ gọi nó là luật hợp thành kép Phần lớn các hệ mờ trong thực tế đều có mô hình là luật hợp thành kép

Xét ví dụ luật hợp thành R biểu diễn mô hình lái ô tô nước gồm 3 mệnh đề hợp thành R1, R2, R3 cho biến ngôn ngữ tốc độ x (chậm, trung bình và nhanh) và biến øa

y (giảm, g1ữ nguyên, tăng) như sau:

Hoặc R1: Nếu x chậm thì y tăng

Hoặc R2: Nếu x trung bình thì y giữ nguyên

Hoặc R3: Nếu x nhanh thì y giảm

Với mỗi giá trị vật lý Xo của biến tốc độ đầu vào thì thông qua phép suy diễn mờ

ta có ba tập mờ Bị, B;, B; từ ba mệnh đề hợp thành R,, R;, R; của luật hợp thành R

Lần lượt ta gọi các hàm thuộc của ba tập mờ kết quả đó là Hạ, (y), Hp: (y), Hp (y)

10

Giá trị của luật hợp thành R ứng với Xo được hiểu 1a tap mo R’ thu duge qua ba phép hợp ba tập mờ B,, B,, B„:

R’=B,UB,UB, Nếu các hàm thuộc Hạ, (y), Hạ: (y), Hạ, (y) thu được theo quy tắc min và phép hợp được thực hiện theo luật max thì R có tên gọi là luật hợp thành max - min Cũng như vậy R còn có những tên gọi khác như bảng dưới đây:

Bảng 1.3 Các luật hợp thành

Luật hợp thành | Phép tuyên mờ Phép suy diễn mờ | Phép hội mờ

11

a Phan tích các bước huấn luyện mạng nơ ron perceptron

b Lập trình huấn luyện bằng phần mềm Matlab

c Sử dụng công cụ nntool dé khảo sát và phân tích

Bài làm 2.1 Phân tích các bước huấn luyện mạng nơ ron perceptron

Bước 1: Chọn tốc độ học n> 0

Bước 2: Khởi động

- Gán sai số E = 0

- Gan bién chay k = 1

- Gán các vector trọng số w;(k) bằng các giá trị ngẫu nhiên bat ky

Bước 3: Quá trình huấn luyện bắt đầu, tính:

Bước 6: Nếu k < K thi gank =k +1 va tro lại Bước 3 Nêu k = K thi tiếp tục bước

Bước 7: Kết thúc một chu kỳ huấn luyện (epoch)

2.2 Lập trình huấn luyện bằng phan mém Matlab

2.2.1 Huan luyén mang noron theo cong OR

Ta có bảng giá trị cong OR:

Bảng 2.1 Bảng chân lý công OR

x1 = 0, x2.=0 thi y =0 x1 =0, x= 1 thiy=1 xi= 1,x:z= 0 thì y = l

y

xi=1l,m=1thiy=1

Xét TH:

wi=l w2=2 b=-l +) Chu ky 1:

fx)=1xI+0x2-1=0>0

=> y = step (0) = I (thỏa mãn) +) Chu kỳ 4:

fx)=1xI+l1x2-1=2>0

=> y =step (2) = I (thỏa mãn)

=> Trường hợp này thỏa mãn

13

Ta thực hiện trên MATLAB:

% Nhập bộ dữ liệu đầu vào

% Nhập bộ dữ liệu đầu vào

% Nhập bộ dữ liệu đầu vào

% Nhập mục tiêu (mong muốn)

% Huấn luyện mạng

% Kiểm tra kết quả

@ Neural Network Training (nntraint oO Neural Network

Layer Input Output

Algorithms Training: Cyclical Weight/Bias Rule (trainc) Performance: Mean Absolute Error (mae) Calculations: MATLAB

Progress

Time: 0:00:00 Performance: 0.250 [ _ 090 | 0.00 Plots

Training State | (plottrainstate) Plot Interval: ụ 1 epochs

ZH Performance goal met

@ Stop Training ® Cance

Sơ đồ huấn luyện mạng noron theo công OR

14

2.2.2 Huan luyén mang noron theo cong XOR

Ta có bảng giá trị cong XOR:

Bảng 2.2 Bảng chân lý công XOR

xi= 0, x;z= 0 thì y=0 x1=0, x= 1 thì y = l

y

xi= l,xa= 0 thi y= l xi= l,x:= I thi y=0 Xét 1H:

wi=l wa=2 b=-I +) Chu kỳ 1:

fx)=1xI+0x2-1=0>0

=> y = step (0) = | (thỏa mãn) +) Chu ky 4:

fx)=1xI+l1x2-1=2>0

=> y = step (2) = I (không thỏa mãn)

=> Trường hợp này loại

15

Ta thực hiện trên MATLAB:

Sơ đồ trên Matlab:

% Nhập bộ dữ liệu đầu vào

% Nhập bộ dữ liệu đầu vào

% Nhập bộ dữ liệu đầu vào

% Nhập mục tiêu (mong muốn)

% Xây dựng no ron perceptron

% Huấn luyện mạng

% Kiểm tra kết quả

@ Neural Network Training (nntraint — Oo x Neural Network

Layer Input Output

Algorithms Training: Cyclical Weight/Bias Rule (trainc) Performance: Mean Absolute Error (mae) Calculations: MATLAB

Progress

Epoch: 0 [ _t000iterations | 1000

Time: 0:00:03 Performance: 0.500 0.500 0.00 Plots

7 Performance (plotperform) Training State (plottrainstate Plot Interval: U 1 epochs

`4 Maximum epoch reached

@ Stop Training @ Cancel

Hình 2.2 Sơ đồ huấn luyện mạng noron theo cổng XOR

16

2.3 Sử dụng công cụ mntool để khảo sát và phân tích

Nhập vào Command Window: nntool=>Enter để hiện ra giao dién thiét lap dau vao/ra

@ MATLAB R201628

New Variable Analyze Code >

ca ca 1 [j FndFilee #, ta = Lý nay <)

FLE VARIABLE CODE SUL

© > (5B & > D: > Download > matlap2016a > bin >

Him

# bai2.m

®) paizim

# ìbai31m

@& Neural Network/Data Manager (nntool) - D

& input Data: 1B Networks fl Output Data:

@ Target Data: 2 Error Data:

S import || 2¥New || MB Open ® Export % Delete Drelp @ose

Phân Data nhập dữ liệu Input va Target

® Create Network or Data = x f Create Network or Data — x Network Data Network Data

view 3Ÿ Restore Defaults

D Help & Create Close YD Help ‘Gy Create 8 close

Hinh 2.4 Giao diện nhập dữ liệu trên nntool

17

@ oK @ Cancel @ oK Cancel

Hinh 2.5 Nhập đữ liệu mang theo công OR Sau khi chon dau vao va muc tiéu 6 network thi 4n Create sé ra giao dién nhu nay

+ Neural Network/Data Manager (nntool) — oO x

& Input Data: ® Networks “ll Output Data:

data1 huyquyet

@ Taraet Data: 3 Error Data:

data2

Y Input Delay States: © Layer Delay States:

9 Import | SNew | W@ Open 9 Ðport & Delete Delp | @Close

Hinh 2.6 Giao dién nntool khao sat cổng OR Rồi ấn vào tên Networks mình vừa tạo có thể thây được hệ thông của mạng

†f! Network huyquyet _ i] x

|View Train Simulate Adapt Reinitialize Weights View/Edit Weights

a Layer

Chon sang phan Train -> Train Network dé chay hệ thông mạn:

TH Network: huyquyet View Train Simulate Adapt Reinitialize Weights View/Edit Weights

Training Info Training Parameters

— n x

Targets Errors huyquyet_errors

` Train Network

Hình 2.8 Chạy khảo sát công OR bằng nntool

Mô hinh sau khi huân luyện mạng

+4 Neural Network Training (nntraint ˆ — Neural Network

Layer Input

2.3.2 Khảo sát công XOR

Nhập số liệu đầu vào và mục tiêu 6 phan Inputs va Tagers va ấn Create ở phần data

& { @ Data:data2 — Oo x Value Value

0101]

@ oK Cancel 2 oK @ Cancel

Hinh 2.11 Nhap dé ligu mang theo céng XOR

Sau khi chon dau vao va muc tiéu 6 network thi 4n Create sé ra giao dién nhu nay

@& Neural Network/Data Manager (nntool) — n x

& Input Data: ® Networks i Output Data:

data1 huyquyet

© Target Data: 2 Error Data:

data2

Y Input Delay States: © Layer Delay States:

9 Import || 2 New | OB Open % Export | & Delete PuHelp ÖClose

Hinh 2.12 Giao dién nntool khao sat công XOR Rồi ấn vào tên Networks mình vừa tạo có thể thây được hệ thông của mạng

†f! Network huyquyet — Oo x

View Train Simulate Adapt Reinitialize Weights View/Edit Weights

a Layer