Quản lý chất lượng đào tạo nghề tại Trường Cao đẳng nghề Mỏ Hồng Cẩm VINACOMIN đáp ứng nhu cầu thị trường lao động Nguyễn Xuân Lộc.

Ngày nay các nhà thiết kế đã áp dụng một cách rộng rãi và có hệ thống logic mờ và mạng nơron trong lĩnh vực điều khiển học.. Các hệ thống điều khiển thông minh được xây dựng trên cơ sở t

ĐẠI HỌC THÁI NGUYÊN TRƯỜNG ĐẠI HỌC KỸ THUẬT CÔNG NGHIỆP

NGUYỄN XUÂN LỘC

NGHIÊN CỨU ỨNG DỤNG NƠRON MỜ

ĐỂ CẢI THIỆN NHẬN DẠNG HỆ PHI TUYẾN

Chuyên ngành: Kỹ thuật điều khiển và Tự động hóa

LỜI CAM ĐOAN

Tên tôi là: Nguyễn Xuân Lộc

Sinh ngày : 02 tháng 10 năm 1984

Học viên lớp cao học khóa 14 - Tự động hóa - Trường Đại Học Kỹ Thuật Công Nghiệp Thái Nguyên - Đại Học Thái Nguyên

Hiện đang công tác tại: Phòng Kinh tế và Hạ tầng huyện Đà Bắc

Tôi xin cam đoan đây là công trình nghiên cứu của riêng tôi Các số liệu nêu trong luận văn là trung thực Những kết luận khoa học của luận văn chưa từng được

ai công bố trong bất kỳ công trình nào

Tôi xin cam đoan rằng mọi thông tin trích dẫn trong luận văn đều chỉ rõ nguồn gốc

Người thực hiện

Nguyễn Xuân Lộc

LỜI CẢM ƠN

Trong thời gian thực hiện luận văn, tác giả đã nhận được sự quan tâm rất lớn của nhà trường, các khoa, phòng ban chức năng, các thầy cô giáo và đồng nghiệp

Tác giả xin chân thành cảm ơn Ban giám hiệu, Khoa sau đại học, các giảng viên

đã tạo điều kiện cho tôi hoàn thành luận văn này

Tác giả xin bày tỏ lời cảm ơn chân thành nhất đến PGS.TS Lại Khắc Lãi, Trường

đại học Thái Nguyên đã tận tình hướng dẫn trong quá trình thực hiện luận văn này

Tác giả cũng xin chân thành cảm ơn đến các thầy cô giáo ở phòng thí nghiệm đã giúp đỡ và tạo điều kiện để tác giả hoàn thành thí nghiệm trong điều kiện tốt nhất

Mặc dù đã rất cố gắng, song do trình độ và kinh nghiệm còn hạn chế nên có thể luận văn còn những thiếu sót Tác giả rất mong nhận được những ý kiến đóng góp từ các thầy cô giáo và các bạn đồng nghiệp để luận văn được hoàn thiện và có ý nghĩa ứng dụng trong thực tế

Xin chân thành cảm ơn!

Người thực hiện

Nguyễn Xuân Lộc

MỤC LỤC

LỜI CAM ĐOAN i

LỜI CẢM ƠN iii

MỤC LỤC iv

DANH MỤC CÁC CHỮ VIẾT TẮT vi

DANH MỤC BẢNG BIỂU vii

PHẦN MỞ ĐẦU x

CHƯƠNG I: TỔNG QUAN VỀ HỆ NƠRON - MỜ (NEFCON) 1

1.1 Đặt vấn đề 1

1.2 Tổng quan về điều khiển mờ 1

1.2.1 Giới thiệu 1

1.2.2 Cấu trúc của hệ điều khiển mờ 3

1.3 Tổng quan về mạng nơron 14

1.3.1 Giới thiệu 14

1.3.3 Lịch sử phát triển của mạng nơron nhân tạo 15

1 3.4 Cấu trúc mạng nơron nhân tạo 16

1.3.4 Mô hình nơron 18

1.3.5 Cấu trúc mạng 19

1.3.6 Huấn luyện mạng 22

1.4 Sự kết hợp giữa mạng nơron và logic mờ 23

1.4.1 Vài nét về lịch sử phát triển 23

1.4.2 Logic mờ 23

1.4.3 Mạng nơron 24

1.4.4 Sự kết hợp giữa mạng nơron và logic mờ 24

1.4.5 Cấu trúc chung của hệ nơron mờ 25

1.4.5 Cấu trúc chung của hệ nơron mờ 26

1.4 Các hệ thống điều khiển dùng nơron mờ trong nước và trên thế giới 26

1.4.1 Ứng dụng mạng nơron để điều khiển bộ bù tĩnh 26

1.4.2 Ứng dụng mạng nơron mờ với con lắc nghịch đảo: 27

1.4.3 Ứng dụng mạng nơron mờ để xác định độ hút mong muốn: (phụ thuộc vào dữ liệu thu thập từ thực nghiệm và các đặc tính của máy) - Nikos et al (1999) 27

1.4.4 Ứng dụng mạng nơron mờ cho việc điều khiển nhiệt độ dùng quang phổ dạng TSK - Cheng, Chen, Lee (2006) 28

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

& Liu (2005) 28

KẾT LUẬN CHƯƠNG I 29

Chương II: KHẢO SÁT VÀ XÂY DỰNG MÔ HÌNH TOÁN HỌC ROBOT 30

2.1 Sơ lược quá trình phát triển của robot công nghiệp 30

2.2 Ứng dụng của robot công nghiệp 31

2.3 Các cấu trúc cơ bản của robot công nghiệp 32

2.3.1 Cấu trúc chung 32

2.3.2 Kết cấu tay máy 34

2.4 Lựa chọn sơ đồ điều khiển hệ điều khiển robot 34

2.4.1 Thiết lập các phương trình động học cơ bản 36

2.4.2 Vận tốc chuyển động thứ i 37

2.4.3 Gia tốc của chuyển động thứ i 37

2.5 Thành lập phương trình động lực học 38

2.5.1 Xây dựng phương trình tính động năng của hệ 38

2.5.2 Xây dựng phương trình tính thế năng của hệ 42

2.6 Mô tả toán học hệ điều khiển chuyển động bằng phương trình vi phân 43

2.6.1 Thành lập hàm Lagrange 43

2.6.2 Mô tả bằng phương trình Lagrage bậc hai 44

2.7 Mô tả hệ điều khiển chuyển động bằng phương trình trạng thái 51

2.7.1 Các biến trạng thái và phương trình trạng thái 52

2.7.2 Phương trình trạng thái chuyển động I 53

2.7.3 Phương trình trạng thái chuyển động II 53

2.7.4 Phương trình trạng thái chuyển động III 53

KẾT LUẬN CHƯƠNG II 54

CHƯƠNG 3: BỘ ĐIỀU KHIỂN NEFCON 55

55

3.2 Thiết kế điều khiển NEFCON cho tay máy 2 bậc tự do 61

3.3 Thực nghiệm trên Robot sử dụng bộ điều khiển NEFCON 69

KẾT LUẬN 75

TÀI LIỆU THAM KHẢO 76

DANH MỤC CÁC CHỮ VIẾT TẮT

DANH MỤC BẢNG BIỂU

Hình 1.1: Các khối chức năng của bộ điều khiển mờ 3

Hình 1.2: Các hàm liên thuộc của một biến ngôn ngữ 4

Hình 1.3: Hàm liên thuộc vào-ra theo luật hợp thành Max-min 6

Hình 1.4: Hàm liên thuộc vào-ra theo luật hợp thành MAX-PROD 8

Hình 1.5 Hàm liên thuộc vào-ra theo luật hợp thành SUM-MIN 9

Hình 1.6 Hàm liên thuộc vào-ra theo luật hợp thành SUM – PROD 10

Hình 1.7: Giải mờ bằng nguyên tắc trung bình 11

Hình 1.8: Giải mờ bằng nguyên tắc cận trái 12

Hình 1.9: Giải mờ bằng nguyên tắc cận phải 12

Hình 1.10: Giải mờ bằng phương pháp điểm trọng tâm 13

Hình 1.11: So sánh các phương pháp giải mờ 14

Hình 1.12: Mô hình 2 nơron sinh học 16

Hình 1.13: Mô hình nơron đơn giản 17

Hình 1.14: Mạng nơron 3 lớp 18

Hình 1.15a,b: Mô hình nơron đơn giản 18

Hình 1.16: Nơron với R đầu vào 19

Hình 1.17: Ký hiệu noron với R đầu vào 19

Hình 1.18 Cấu trúc mạng nơron 1 lớp 20

Hình 1.19: Ký hiệu mạng R đầu vào và S nơron 20

Hình 1.20: Ký hiệu một lớp mạng 20

Hình 1.21: Cấu trúc mạng nơron 3 lớp 21

Hình 1.22: Ký hiệu tắt của mạng nơron 3 lớp 21

Hình 1.23: Cấu trúc huấn luyện mạng nơron 22

Hình 1.24: Kiến trúc kiểu mẫu của một hệ nơron mờ 25

Hình 1.25: Mô hình hệ nơron mờ 25

Hình 1.26: Cấu trúc chung của hệ nơ ron mờ 26

Hình 1.27: Mô phỏng hệ thống điều khiển SVC dùng nơron mờ 27

Hình 1.28: Hệ thống hút tích hợp với cánh tay robot 28

Hình 1.29: Mô hình bộ điều khiển noron mờ 28

Hình 2.1: Sơ đồ cấu trúc chung của robot công nghiệp 32

Hình 2.2: Sơ đồ cấu trúc chung của hệ thống cảm biến 33

Hình 2.3: Sơ đồ kết cấu tay máy 34

Hình 2.4 Sơ đồ cấu trúc robot 3 thanh nối 35

Hình 3.1.a Mô hình cấu trúc đối tượng trong phần mềm Matlab 56

Hình 3.1.b Mô hình cấu trúc đối tượng trong phần mềm Matlab Mô hình cấu trúc bộ điều khiển 57

Hình 3.2 Mô hình cấu trúc bộ điều khiển trong phần mềm Matlab 57

Hình 3.3 Mô hình cấu trúc bộ lọc đầu vào trong phần mềm Matlab 58

Hình 3.4 Sơ đồ cầu trúc mô phỏng hệ điều khiển Robot 2 bậc tự do 58

Hình 3.5 Đáp ứng đầu ra của các biến khớp Robot 59

Hình 3.6 Sai lệch giữa tín hiệu đặt và tín hiệu thực của các biến khớp 59

Hình 3.7 Tín hiệu điều khiển các biến khớp của Robot 60

Hình 3.8 Đáp ứng nhiễu của hệ thống có bộ điều khiển PD 60

Hình 3.9: Tập mẫu bao gồm 2 đầu vào và 1 đầu ra để huấn luyện mạng neron 62

Hình 3.10: Dạng hàm liên thuộc cho đầu vào 1 62

Hình 3.11: Dạng hàm liên thuộc cho đầu vào 2 63

Hình 3.12: Đường cong nội suy thể hiện mối quan hệ giữa đầu ra và đầu vào 63

Hình 3.13: Cấu trúc của mạng neuron 64

Hình 3.14: Sai lệch của quá trình huấn luyện 64

Hình 3.15: Quá trình kiểm tra giữa dữ liệu huấn luyện và dữ liệu kiểm tra 64

Hình 3.16: Dạng hàm liên thuộc cho đầu vào 1 65

Hình 3.17: Dạng hàm liên thuộc cho đầu vào 2 65

Hình 3.18: Đường cong nội suy thể hiện mối quan hệ giữa đầu ra và đầu vào 66

Hình 3.19 Quỹ đạo bám của cánh tay Robot 67

Hình 3.20 Sai lệch quỹ đạo bám của cánh tay Robot 67

Hình 3.21 Tin hiệu điều khiển quỹ đạo bám của cánh tay Robot 68

3.22 Sơ đồ khối chạy thực nghiệp 69

Hình 3.23: Sơ đồ khối chạy thực nghiệm 70

Hình 3.24 Cấu hình cổng kết nối 70

Hình 3.25 71

3.26 Cấu hình đọc encoder 71

3.27 Cấu hình xuất tín hiệu PWM 72

3.28 Điều khiển tốc độ và chiều quay động cơ 72

3.29 Cấu hình đầu ra số 72

Hình 3.30 Tin hiệu điều khiển quỹ đạo bám của cánh tay Robot 73

Hình 3.31 Tin hiệu điều khiển quỹ đạo bám của cánh tay Robot 73

PHẦN MỞ ĐẦU

1 Lý do chọn đề tài

Việc nâng cao chất lượng điều khiển tay máy luôn là vấn đề cấp thiết được nhiều nhà khoa học trong và ngoài nước quan tâm Khi bắt đầu nhận luận văn nghiên cứu điều khiển tay máy, dưới dự hướng dẫn nhiệt tình của thầy giáo hướng dẫn PGS.TS Lại Khắc Lãi, tác giả đã tìm hiểu nhiều công trình đã công bố trước đây và nhận thấy, các hệ thống điều khiển tay máy chủ yếu dung phương pháp điều khiển kinh điển và được thiết kế theo phương pháp tuyến tính hóa gần dung Khi thông số của hệ thống thay đổi thì thông số của bộ điều khiển giữ nguyên dẫn đến làm giảm độ chính xác điều khiển ảnh hưởng đến chất lượng sản phẩm

Rất may cho tác giả khi thực hiện luận văn này là gần đây việc ứng dụng các

lý thuyết điều khiển hiện đại (điều khiển thích nghi, điều khiển mờ, mạng nơron…)

đã được áp dụng cho rất nhiều các ứng dựng và thu được kết quả rất tốt, do đó đã thúc đẩy tác giả xây dựng các bộ điều khiển hiện đại cho điều khiển tay máy Có nhiều nghiên cứu đã công bố trong mấy năm gần đây về ứng dụng hệ mờ, Nơron để điều khiển đối các đối tượng phi tuyến [7], [8], [12], [16] cũng như tay máy Song phần lớn các nghiên cứu chưa đề cập đến áp dụng hệ điều khiển NEFCON (Nơron mờ) và hầu hết các công trình đó mới đạt được những kết quả nhất định

Xuất phát từ quan điểm trên và để nâng cao hiểu biết về hệ điều khiển

NEFCON cho bản thân nên tôi đã chọn đề tài: "Nghiên cứu ứng dụng nơron mờ

để cải thiện nhận dạng hệ phi tuyến"

2 Mục đích nghiên cứu

Xây dựng bộ điều khiển NEFCON cho cánh tay robot đảm bảm các yêu cầu chất lượng, so sánh với chất lượng khi điều khiển tay máy dung bộ điều khiển kinh điển

Kiểm chứng thuật toán bằng mô phỏng và thực nghiệm

3 Đối tƣợng nghiên cứu

Điều khiển cánh tay robot theo bộ điều khiển NEFCON

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

a) Ý nghĩa khoa học

Bộ điều khiển NEFCON đang nổi lên như một công cụ điều khiển các hệ thống phi tuyến với các thông số chưa xác định Điều này có ý nghĩa rất lớn về mặt khoa học trong việc điều khiển các đối tượng phi tuyến

Đề tài này sẽ đề cập đến ứng dụng của NEFCON trong việc điều khiển đối tượng phi tuyến đặc biệt là điều khiển cánh tay robot

b) Ý nghĩa thực tiễn

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

CHƯƠNG I: TỔNG QUAN VỀ HỆ NƠRON - MỜ (NEFCON)

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

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

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

mờ và mạng nơron trong lĩnh vực điều khiển học Ý tưởng là mất các nhược điểm

và đạt được các ưu điểm của cả hai công nghệ tức là hai công nghệ này đã kết hợp

để tối đa hóa điểm mạnh của từng công nghệ và bổ sung những nhược điểm để hợp thành một hệ thống mới tối ưu hơn

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

1.2 Tổng quan về điều khiển mờ

1.2.1 Giới thiệu

Trong quá trình phát triển của công nghệ hiện đại, sự đóng góp của điều khiển Lôgic là cực kỳ to lớn Nó đã đóng vai trò rất quan trọng không chỉ trong các ngành khoa học tự nhiên mà còn là một môn khoa học không thể thiếu được đối với khoa học xã hội Ngày nay Lôgic toán học kinh điển đã tỏ ra còn nhiều hạn chế trong những bài toán nảy sinh từ công việc nghiên cứu và thiết kế những hệ thống phức tạp Đặc biệt là những lĩnh vực cần sử dụng trí tuệ nhân tạo hay trong công việc điều khiển và vận hành các hệ thống lớn có độ phức tạp cao cần sự giúp đỡ của

hệ các chuyên gia

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

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

mô hình của nó quá phức tạp, cồng kềnh…

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

Phát hiện thấy nhu cầu tất yếu ấy, năm 1965 L.A.Zadeh - tại trường đại học Berkelye bang California -Mỹ đã sáng tạo ra lý thuyết điều khiển mờ (Fuzzy Sets Theory) và đặt nền móng cho việc xây dựng một loạt các lý thuyết quan trọng dựa trên

cơ sở lý thuyết tập mờ Đây là một trong những phát minh quan trọng có tính bùng nổ

và đang hứa hẹn giải quyết được nhiều vấn đề phức tạp và to lớn của thực tế

Năm 1970 tại trường Marry Queen London - Anh, Ebrahim Mamdani đã dùng logic mờ để điều khiển một máy hơi nước mà ông không thể điều khiển được bằng kỹ thuật cổ điển Tại Đức Hann Zimmermann đã dùng logic mờ cho các hệ ra quyết định Tại Nhật logic mờ được ứng dụng vào nhà máy xử lý nước của Fụi Electrinic vao 1983, hệ thống xe điện ngầm của Hitachi vào năm 1987, đường sắt Sendai Các ứng dụng đã và đang được phát triển với các vấn đề theo vết, điều chỉnh, nội suy, phân loại, chữ viết tay, nhận dạng lời nói, ổn định hình dạng trong các máy quay video, máy giặt, máy hút bụi, điều hòa, quạt điện, Một thí nghiệm con lắc ngược

đã được chứng minh vào năm 1987 với “ các đáp ứng cân bằng được sinh ra gần 100 lần ngắn hơn những đáp ứng của bộ điều khiển PID truyền thống” [26]

Lý thuyết mờ ra đời ở Mỹ, ứng dụng đầu tiên ở Anh nhưng phát triển mạnh

mẽ nhất ở Nhật Trong lĩnh vực Tự động hóa logic mờ ngày càng được ứng dụng rộng rãi, nó thực sự hữu dụng với các đối tượng phức tạp mà ta chưa biết rõ hàm truyền, phức tạp, không xác định, logic mờ có thể giải quyết các vấn đề mà điều khiển kinh điển không làm được

Phương pháp điều khiển mờ chính là nhằm vào việc xây dựng các phương pháp có khả năng bắt chước cách thức con người điều khiển Vì đối tượng điều khiển là một hệ thống phức tạp, bản chất chưa rõ, không thể hiển thị bằng các mô

hình toán lý Nên dưới dạng mô hình mờ một tập các mệnh đề IF …THEN (các luật) với các dữ liệu ngôn ngữ mô tả mối quan hệ giữa các biến vào, các biến ra đã

ra đời Lấy một ví dụ phận biệt cá voi có tính khoa học Ở những trường tiểu học, nhiều điều làm mọi người ngạc nhiên, rằng cá voi là động vật có vú bởi vì: nó là loại máu nóng, đẻ con, nuôi con bằng sữa mẹ, và cũng mọc lông Hệ thống phân biệt này

là một ví dụ hoàn hảo của logic hai trị truyền thống mà thống trị khoa học suốt nhiều thế kỷ Mặc dù thực tế là nó trông giống cá, nó bơi giống cá, nó có mùi cá, và

cứ ba học sinh lại có một người nghi ngờ khi nói rằng cá voi không phải là cá, cá voi là 100% động vật có vú, 0 % là cá Nếu một nhà logic mờ phân biệt cá voi, ông

ta sẽ cho cá voi thuộc về cả hai bộ động vật có vú và bộ cá, tới mức độ tự nhiên

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

Hiệu quả và linh hoạt trong các quá trình chưa được xác định rõ, các quá trình điều khiển ở điều kiện thiếu thông tin

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

Cấu trúc đơn giản so với bộ điều khiển kinh điển khác có cùng chức năng

Sự đơn giản đó đã đóng vai trò quan trọng trong việc tăng độ tin cậy cho thiết bị, giảm giá thành sản phẩm

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

1.2.2 Cấu trúc của hệ điều khiển mờ

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

trên hình 1.1 Bao gồm khối mờ hóa, khối thiết bị hợp thành và khối giải mờ Ngoài

ra còn có giao diện vào và giao diện ra để đưa tín hiệu vào bộ điều khiển và xuất tín hiệu từ ngõ ra bộ điều khiển đến cơ cấu chấp hành

Mờ hoá Thiết bị

vào

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

bộ điều khiển mờ phải là tín hiệu số Giao diện vào có nhiệm vụ chuẩn hóa tín hiệu tương tự thu nhận được từ đối tượng điều khiển và chuyển đổi thành tín hiệu số Giao diện ra có nhiệm vụ biến đổi tín hiệu số thành tương tự, khuếch đại tín hiệu điều khiển cho phù hợp với đối tượng cụ thể Trong thực tế, giao diện vào, ra được tích hợp trong một CARD xử lý số chuyên dụng hoặc lắp thêm vào khe cắm mở rộng của máy tính

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

chuyển mỗi giá trị rõ của biến ngôn ngữ đầu vào thành véc tơ µ có số chiều bằng số tập mờ đầu vào Số tập mờ đầu vào do người thiết kế qui định tùy thuộc đối tượng

cụ thể, nhưng thông thường không chọn quá 9 tập mờ Hình dạng các hàm liên thuộc cũng được tùy chọn theo hình tam giác, hình thang, hàm Gauss … Mỗi loại hàm liên thuộc có ưu, nhược điểm riêng Hiện nay vẫn chưa có nghiên cứu nào chỉ

rõ dùng dạng hàm liên thuộc nào là tốt nhất Hình 1.2 minh họa phương pháp mờ hóa biến điện áp trong khoảng từ 100V - 300V bằng 5 tập mờ dạng hàm Gaux Khi

đó ứng với mỗi giá trị rõ x0 ta có véc tơ

) (

) (

) (

) (

) (

0 0 0 0 0

x x x x x

d) Khối thiết bị hợp thành:

Khối thiết bị hợp thành còn được gọi là cơ cấu suy diễn hay động cơ suy diễn

có chức năng biến mỗi giá trị rõ (x0) ở đầu vào thành tập mờ µB'(x0) trên cơ sở các

luật điều khiển, khối này gồm 2 phần chính: Luật điều khiển (hợp thành) và suy

diễn mờ

Hình 1.2: Các hàm liên thuộc của một biến ngôn ngữ

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

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

- Luật hợp thành Max-min: Nếu (y); (y); (y)

3 2

lấy Min còn phép hợp thực hiện theo luật Max

Luật hợp thành MIN là tên gọi mô hình (ma trận) R của mệnh đề hợp thành

A B khi hàm liên thuộc A B(x,y) của nó được xây dựng theo quy tắc MIN

Xét luật hợp thành đơn có cấu trúc SISO:

Các bước xây dựng:

Bước 1- Rời rạc hoá A(x) tại n điểm x1, x2, ,xn , B(y) tại m điểm y1,

y2, ,ym (n có thể khác m)

Bước 2- Xây dựng ma trận R gồm n hàng và m cột :

nm 1

m 1 11

m n R 1

n R

m 1 R 1

1 R

r

r

r

r y , x

y , x

y , x

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

B’(y) = aT.R = (a1, a2, an) nm 1 m 1 11 r

r

r

r (l1, l2, … lm) (1.3) với n i ik 1 i k Σ a r l Với: aT= ( 0, 0, , 0, 1, 0, , 0)

vị trí thứ k

Trong đó: l max min airki , k 1 , 2 , , m

n i 1

Bước 4- Xác định B’(y) theo công thức: B’(y) = (l1, l2, , lm) (1.4)

Ví dụ:

A(x), B(y), A(x), C(z), được rời rạc hoá tại các điểm: x { 2.038, 5.4, 1.359, 6.4}; y { [1.359, 7.6, 2.038, 8.6}; z { 1.699, 12.5, 1.699, 13.5}

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

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

3 2

phép PROD còn phép hợp thực hiện theo luật Max

Hình 1.3: Hàm liên thuộc vào-ra theo luật hợp thành Max-min

Các bước xây dựng:

Bước 1 - Rời rạc hoá A(x) tại n điểm x1, x2, ,xn , B(y) tại m điểm y1,

y2, ,ym (n có thể khác m)

Bước 2 - Xây dựng ma trận R gồm n hàng và m cột :

nm 1

m 1 11

m n R 1

n R

m 1 R 1

1 R

r

r

r

r y , x

y , x

y , x

y , x R

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

B’(y) = aT.R = (a1, a2, an) nm 1 m 1 11 r

r

r

r (l1, l2, … lm) với ik i n 1 i k Σ a r l Với: aT= ( 0, 0, , 0, 1, 0, , 0)

vị trí thứ k

Trong đó: l maxprod airki ,k 1,2, ,m

n i 1

Bước 4- Xác định B’(y) theo công thức: B’(y) = (l1, l2, , lm)

Để xây dựng R, trước tiên hai hàm liên thuộc A(x) và B(y) được rời rạc hoá với tần số rời rạc đủ nhỏ để không bị mất thông tin

Ví dụ:

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

x { 2.038, 5.4, 1.359, 6.4}; y { [1.359, 7.6, 2.038, 8.6};

z { 1.699, 12.5, 1.699, 13.5}

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

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

3 2

lấy Min còn phép hợp thực hiện theo luật SUM

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

R1: Nếu = A1 Thì = B1 hoặc

R2: Nếu = A2 Thì = B2 hoặc

Rp: Nếu = Ap Thì = Bp

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

Gọi hàm liên thuộc của Ak và Bk là Ak(x) và Bk(y) với k = 1, 2, , p Thuật toán triển khai: R = R1 R2 Rp được thực hiện theo các bước sau:

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

y2, , ym)

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

theo biểu thức:

TAk = { Ak(x1), Ak(x2), , Ak(xn)} (1.5) TBk = { Bk(y1), Bk(y2), , Bk(yn)}

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

Rk = Ak TBk = rijk , i =1, 2, , n và j = 1, 2, ,m (1.6)

Hình 1.4: Hàm liên thuộc vào-ra theo luật hợp thành MAX-PROD

Trong đó phép (.) là phép tính lấy cực tiểu min khi sử dụng nguyên tắc SUM-MIN

Bước 4: Xác định luật hợp thành

p 1 k k

R , 1 min

Ví dụ: A(x), B(y), A(x), C(z), được rời rạc hoá tại các điểm: x { 2.038,

5.4, 1.359, 6.4}; y { [1.359, 7.6, 2.038, 8.6}; z { 1.699, 12.5, 1.699, 13.5}

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

- Luật hợp thành SUM - PROD: Nếu (y); (y); (y) 3 2 1 B B B thu được qua phép lấy PROD còn phép hợp thực hiện theo Lukasiewicz Xét luật điều khiển R gồm p mệnh đề hợp thành: R1: Nếu = A1 Thì = B1 hoặc

R2: Nếu = A2 Thì = B2 hoặc

Rp: Nếu = Ap Thì = Bp

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

Gọi hàm liên thuộc của Ak và Bk là Ak(x) và Bk(y) với k = 1, 2, , p Thuật toán triển khai: R = R1 R2 Rp được thực hiện theo các bước sau:

Hình 1.5 Hàm liên thuộc vào-ra theo luật hợp thành SUM-MIN

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

y2, , ym)

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

theo biểu thức:

TAk = { Ak(x1), Ak(x2), , Ak(xn)}

TBk = { Bk(y1), Bk(y2), , Bk(yn)}

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

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

Bước 4: Xác định luật hợp thành

p 1 k k

R , 1 min

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

x { 2.038, 5.4, 1.359, 6.4}; y { 1.359, 7.6, 2.038, 8.6}

z { 1.699, 12.5, 1.699, 13.5}

Ta tiến hành xây dựng luật hợp thành SUM-PROD:

Hình 1.6 Hàm liên thuộc vào-ra theo luật hợp thành SUM - PROD

e) Khối giải mờ (rõ hoá)

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

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

Có hai phương pháp giải mờ chính là phương pháp cực đại và phương pháp điểm trọng tâm

* Phương pháp cực đại

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

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

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

G = {y | B’(y) = H} ;

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

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

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

2

y y

y 1 2

0

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

Nguyên tắc cận trái : Giá trị rõ y0 được lấy bằng cận trái y1 của G

y inf

y

G

y

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

Hình 1.7: Giải mờ bằng nguyên tắc trung bình

Nguyên tắc cận phải : Giá trị rõ y0 được lấy bằng cận phải y2 của G

ysup

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

* Phương pháp điểm trọng tâm

Giải mờ theo phương pháp điểm trọng tâm sẽ cho ra kết quả y' là hoành độ của điểm trọng tâm miền được bao bởi trục hoành và đường B’(y)

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

y’ =

S ' B S ' B

dy ) y (

dy ) y ( y

Hình 1.8: Giải mờ bằng nguyên tắc cận trái

Hình 1.9: Giải mờ bằng nguyên tắc cận phải

Với S là miền xác định của tập mờ B'

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

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

ra của bộ điều khiển sẽ là tổng của q giá trị mờ đầu ra của từng luật hợp thành Ký hiệu giá trị mờ đầu ra của luật điều khiển thứ k là B’k(y) với k =1,2, ,q Với quy tắc SUM-MIN, hàm liên thuộc B’(y) sẽ là:

B’(y) =

q 1 k k '

B ( y ) Sau khi biến đổi, ta có:

y’ =

S q 1 k k ' B S q 1 k k ' B

dy ) y (

dy )]

y ( y

q 1

k S

k ' B

] dy ) y ( [

] dy ) y ( y [

= q

1 k k

q 1 k k

B ( y ) dy

S k '

dy ) y (

dy )]

y ( y

q 1

k S

k ' B

] dy ) y ( [

] dy ) y ( y [

= q

1 k k

q 1 k k

trong đó Hk là độ cao của B’k(y) và yk là một điểm mẫu trong miền giá trị của B’k(y).Ta có: B’k(y) = Hk và y' = q

1 k k

q 1 k k k

H

H y

nơ ron nhân tạo được gọi là các nơron nhân tạo hoặc gọi tắt là nơron

y

Trọng tâm Cận trái Cận phảiTrung bình

Độ cao

y

Hình 1.11: So sánh các phương pháp giải mờ

1.3.3 Lịch sử phát triển của mạng nơron nhân tạo

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

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

Giai đoạn 1: Có thể tính từ nghiên cứu của William (1980) về tâm lý học với

sự liên kết các nơron thần kinh Năm 1940 Mc Culloch và Pitts đã cho biết nơron có thể mô hình hóa như thiết bị ngưỡng (giới hạn) để thực hiện các phép tính logic và

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

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

Giai đoạn 3: Đầu thập niên 80 Những đóng góp lớn cho mạng nơron trong giai đoạn này phải kể đến Grossberg, Kohnonen, Rumelhart và Hopfield Trong đó góp lớn của Hopfiled gồm hai mạng phản hồi: Mạng rời rạc năm 1982 và mạng liên tục năm 1984 Đặc biệt ông còn dự kiến nhiều khả năng tính toán của mạng mà một nơron không có khả năng đó Cảm nhận của Hopfield đã được Rumelhart, Hinton

và Williams đề xuất thuật toán sai só truyền ngược nổi tiếng để huấn luyện mạng nơron nhiều lớp nhằm giải bài toán mà mạng khác không thực hiện được Nhiều ứng dụng mạnh mẽ của mạng nơron ra đời cùng với các mạng theo kiểu máy Boltlzmannn

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

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

Mạng nơron bắt đầu xuất hiện từ những năm 50 nhưng mới chỉ tìm thấy các ứng dụng từ khoảng 10 năm trở lại đây và vẫn đang phát triển mạnh mẽ Năm 1943, McCulloch và Pitts đã đưa ra khả năng liên kết và một số liên kết cơ bản của mạng

nơ ron Năm1949, Hebb đã đưa ra các luật thích nghi trong mạng nơ ron Năm

1958, Rosenbatt đưa ra cấu trúc Perception Năm 1969, Minsky và Papert phân tích

sự đúng đắn của Perception, họ đã chứng minh các tính chất và chỉ rõ các giới hạn của một số mô hình Năm 1976, Grossberg dựa vào tính chất sinh học đã đưa ra một

số cấu trúc của hệ động học phi tuyến với các tính chất mới Năm 1982, Rumelhart đưa ra mô hình song song một số thuật toán và kết quả Thuật toán học lan truyền ngược được Rumelhart, Hinton, Williams (1986) đề xuất luyện mạng nơ ron nhiều lớp Những năm gần đây, nhiều tác giả đã đề xuất nhiều loại cấu trúc mạng nơ ron mới Mạng nơ ron được ứng dụng trong nhiều lĩnh vực kinh tế kỹ thuật khoa học vũ trụ (Hecht – Nielsen, 1988)

1 3.4 Cấu trúc mạng nơron nhân tạo

a) Mạng nơron sinh học

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

của một nơron sinh học được chỉ ra như trong hình 1.12 Một nơron điển hình có 3 phần chính: thân nơron, các nhánh và sợi trục

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

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

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

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

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

kinh để nối các soma với nhau

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

ngoài Phần cuối của axon được chia thành nhiều nhánh nhỏ Mỗi nhánh nhỏ (cả của

dendrite và axon) kết thúc trong một cơ quan nhỏ hình củ hành được gọi là synapte mà tại đây các nơron đưa các tín hiệu của nó vào các nơron khác Những điểm tiếp nhận với các synapte trên các nơron khác có thể ở các dendrite hay chính soma

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

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

b) Mạng nơ ron nhân tạo

* Khái niệm

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

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

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

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

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

Các đầu vào có hàm trọng Wj và bộ tổng Đầu ra của bộ tổng được sử dụng

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

Kết nối một vài nơron ta được mạng nơron Hình 1.14 là một mạng nơron gồm 3 lớp: lớp vào, lớp ẩn và lớp ra

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

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

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

Nơron với véc tơ vào gồm R phần tử được chỉ ra trên hình 1.16

- Véc tơ vào a có S phần tử aT = [a1 a2 … aS]

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

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

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

Trong đó: Véc tơ vào P có kích thước R, ma trận trọng liên kết W có kích thước S x R còn a và b là các véc tơ có kích thước S Như chúng ta đã biết, một lớp

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

hàm truyền

b) Mạng nhiều lớp

* Ký hiệu qui ƣớc cho một lớp mạng

Để minh hoạ, ta xét một lớp mạng có nhiều đầu vào như hình 1.21

* Ký hiệu quy ƣớc cho mạng 3 lớp

Đối với mạng 3 lớp ta cũng có thể sử dụng ký hiệu tắt để biểu diễn (hình 1.22)

1

2 , 3 1 , 1

S 2 1

S ,

S 3 2

lw

1 , 1 R , S

iw

1 , 1 1 , 1

1.3.6 Huấn luyện mạng

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

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

* Cấu trúc huấn luyện mạng

Cấu trúc huấn luyện mạng nơron được chỉ ra trên hình 1.23

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

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

Để có được một số cặp vào/ra, ở đó mỗi giá trị vào được gửi đến mạng và giá trị ra tương ứng được thực hiện bằng mạng là sự xem xét và so sánh với giá trị mong muốn Bình thường tồn tại một sai số vì giá trị mong muốn không hoàn toàn phù hợp với giá trị thực Sau mỗi lần chạy, ta có tổng bình phương của tất cả các sai

số Sai số này được sử dụng để xác định các hàm trọng mới

Sau mỗi lần chạy, hàm trọng của mạng được sửa đổi với đặc tính tốt hơn tương ứng với đặc tính mong muốn Từng cặp giá trị vào/ra phải được kiểm tra và trọng lượng được điều chỉnh một vài lần Sự thay đổi các hàm trọng của mạng được dừng lại nếu tổng các bình phương sai số nhỏ hơn một giá trị đặt trước hoặc đã chạy

đủ một số lần chạy xác định (trong trường hợp này mạng có thể không thoả mãn yêu cầu đặt ra do sai lệch còn cao)

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

Hình 1.23: Cấu trúc huấn luyện mạng nơron

Đích Hàm trọng lượng

(weights) giữa các nơron Vào

Điều chỉnh

So sánh

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

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

b) Huấn luyện mạng theo gói

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

1.4 Sự kết hợp giữa mạng nơron và logic mờ

1.4.1 Vài nét về lịch sử phát triển

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

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

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

1.4.2 Logic mờ

Đối với logic mờ, ta dễ dàng thiết kế một hệ thống mong muốn chỉ bằng các

luật Nếu - thì (If-Then) gần với việc xử lý của con người Với đa số ứng dụng thì

điều này cho phép tạo ra lời giải đơn giản hơn, trong khoảng thời gian ngắn hơn Thêm nữa, ta dễ dàng sử dụ ng những hiểu biết của mình về đối tượng để tối ưu hệ thống một cách trực tiếp

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

1.4.3 Mạng nơron

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

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

Song nhược điểm cơ bản của mạng nơron là khó giải thích rõ ràng hoạt động của mạng nơron như thế nào Do vậy việc chỉnh sửa trong mạng nơron rất khó khăn

1.4.4 Sự kết hợp giữa mạng nơron và logic mờ

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

Từ những phân tích ở trên ta thấy mạng nơron và logic mờ mỗi loại có một điểm mạnh và điểm yếu riêng của nó Và những ưu điểm của mạng nơron là nhược điểm của bộ điều khiển mờ và ngược lại Từ đó để có được ưu điểm của cả điều khiển mờ và mạng nơron trong một bộ điều khiển, người ta đã ghép chúng chung

Thể hiện tri thức Không tường minh, khó

giải thích và khó sửa đổi

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

Khả năng học Có khả năng học thông qua

Lưu giữ tri thức Trong nơron và trọng số

của từng đường ghép nối

Trong luật hợp thành và hàm thuộc

thành một hệ thống ta sẽ có một hệ lai với ưu điểm của cả hai: logic mờ cho phép thiết kế hệ dễ dàng, tường minh trong khi mạng nơron cho phép học những gì mà ta yêu cầu về bộ điều khiển Nó sửa đổi các hàm phụ thuộc về hình dạng, vị trí và sự

kết hợp hoàn toàn tự động Điều này làm giảm bớt thời gian cũng như giảm bớt chi

phí khi phát triển hệ mờ nơron

Việc ghép nối này có thể được thực hiện theo nhiều cách khác nhau và mỗi cách ghép nối sẽ có một giá trị riêng cho một hệ thống điều khiển nhất định nào đó Một kỹ thuật ghép nối giữa điều khiển mờ và mạng nơron đã mang lại nhiều thành

công trong kỹ thuật điều khiển đó là hệ thống suy luận nơron-mờ

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

1.4.5 Cấu trúc chung của hệ nơron mờ

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

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

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

Sau đây tác giả xin giới thiệu một số công trình nghiên cứu của các nhà khoa học

về ứng dụng của hệ thống điều khiển dùng nơron mờ ở trong nước và trên thế giới

1.4.1 Ứng dụng mạng nơron để điều khiển bộ bù tĩnh

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

Đại học Đà Nẵng

Hình 1.26: Cấu trúc chung của hệ nơ ron mờ

1.4.2 Ứng dụng mạng nơron mờ với con lắc nghịch đảo:

Đó là khả năng cân bằng con lắc và giảm số luật từ 512 xuống 40 do nhà bác học Nauck, Klawonn, và Kruse nghiên cứu

1.4.3 Ứng dụng mạng nơron mờ để xác định độ hút mong muốn: (phụ thuộc vào dữ

liệu thu thập từ thực nghiệm và các đặc tính của máy) - Nikos et al (1999)

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

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

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

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

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

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

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

1.4.5 Ứng dụng mạng nơron điều khiển thích nghi các hàm thành phần mờ và tối ưu

hóa động học các luật mờ ngôn ngữ cho hệ thống điều khiển dao động - Yang,

Tung & Liu (2005)

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

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

KẾT LUẬN CHƯƠNG I

Chương I đã giải quyết các vấn đề sau:

- Cấu trúc của bộ điều khiển mờ, phương pháp giải mờ và tìm hiểu về các phương pháp giải mờ nâng cao

- Cấu trúc mạng nơ ron, mạng nơ ron một lớp và mạng nơ ron nhiều lớp và phương pháp huấn luyện mạng nơ ron

- Một số công trình nghiên cứu về hệ nơ ron mờ trong nước và trên thế giới