Ứng dụng mạng nơron trong điều khiển

LỜI NÓI ĐẦU CHƯƠNG 1: LÝ THUYẾT MẠNG NƠRON 1.1 Nơron tự nhiên 1.2 Nơron nhân tạo 1.3 Mạng truyền thẳng huấn luyện mạng theo thuật toán Brandt-Lin .9 1.3.1 Mạng truyền thẳng .9 1.3.2 Thuật toán Brandt-Lin 11 CHƯƠNG 2: GIỚI THIỆU ATMEGA 128 .15 2.1 Đặc điểm Atmega 128 .15 2.2 Mô tả chân 17 2.3 Kiến trúc tổng quan Atmega128 20 2.3.1 Bộ nhớ Atmega128 20 2.3.2 Tệp ghi : 22 2.3.3 Port (cổng) vào 23 2.3.4 Giao tiếp với SRAM 26 2.3.5 Cấu trúc ngắt Atmega 128 27 2.3.6 Bộ biến đổi A/D bên 30 2.3.7 Bộ truyền/nhận UART 31 3.8 Bộ định thời 33 CHƯƠNG 3: MÔ PHỎNG HỆ THỐNG ĐIỀU KHIỂN ĐƯỢC THIẾT KẾ DỰA TRÊN MẠNG NƠRON 36 3.1 Thiết kế điều khiển PID-Neural có chỉnh định thích nghi trọng số mạng 36 3.1.1 Thuật toán chỉnh định trọng số .36 3.1.2 Kết mô 38 3.2 Thiết kế điều khiển sử dụng sai lệch làm đầu vào 54 3.2.1 Thuật toán chỉnh định trọng số .54 3.2.2 Kết mô 58 CHƯƠNG : ỨNG DỤNG ĐIỀU KHIỂN ĐỐI TƯỢNG THỰC 66 4.1 Động điện chiều 66 4.1.1 Cấu tạo động chiều 66 4.1.2 Encoder gắn động chiều .68 4.1.3 Động sử dụng để thử nghiệm 69 4.2 Thiết kế điều khiển vi điều khiển Atmega 128 70 4.2.1 Khối điều khiển trung tâm 71 4.2.2 Giao tiếp với LCD 72 4.2.3 Phương thức truyền nhận liệu qua RS232 PC 73 4.2.3.1 Cấu trúc vật lý cổng RS232 73 4.2.3.2 Quá trình truyền nhận liệu cổng COM PC 74 4.2.3.3 Các loại truyền thông nối tiếp 79 4.2.4 Khối driver điều khiển động .80 4.2.4.1 Giới thiệu IC cầu H MC33886 .80 4.2.4.2 Sơ đồ nguyên lý driver điều khiển động 83 4.2.5 Giao tiếp với bàn phím 84 4.3 Thiết kế giao diện bảng điều khiển 85 4.3 Thiết kế hệ thống điều khiển điều khiển PID-Neural 88 4.3.1 Mơ hình điều khiển 88 4.3.2 Chỉnh định trọng số tính tốn đầu 91 4.5 Đánh giá kết thực nghiệm 92 Chương 5: KẾT LUẬN 93 Tài liệu tham khảo 94 .94 LỜI NĨI ĐẦU Con người ln ngạc nhiên khả lưu trữ, nhận dạng xử lý thông tin não người Từ lâu, nhà khoa học tìm hiểu, nghiên cứu sáng tạo giải pháp cho toán kỹ thuật theo phương pháp xử lý não Mạng nơron nhân tạo đời từ Hiện nay, mạng nơron ứng dụng nhiều lĩnh vực nhận dạng, xử lý thông tin, dự báo điều khiển Đồ án nhóm nghiên cứu khía cạnh ứng dụng điều khiển mạng nơron Không giống lĩnh vực ứng dụng khác việc tính tốn mạng nơron thực máy tính, áp dụng vào điều khiển, tính tốn mạng nơron thực vi điều khiển có tốc độ thấp tốc độ máy tính nhiều nên yêu cầu thiết kế cấu trúc mạng gọn nhẹ để phù hợp với vi điều khiển tối ưu thời gian điều khiển đặt lên hàng đầu Khi ứng dụng điều khiển cấu trúc mạng nơron bao gồm đối tượng điều khiển nên sử dụng luật học thông thường luật học lan truyền ngược mà cần tìm luật học khác phù hợp Sau thời gian dài tìm kiếm, nhóm tìm thuật toán Brandt-Lin làm giải pháp cho việc huấn luyện mạng nơron Thuật toán Brandt-Lin sản phẩm nhà khoa học Robert D Brandt Feng Lin đưa Trong đồ án này, việc thực tốt mơ phỏng, nhóm tiến hành điều khiển thực tế động chiều có cơng suất nhỏ với yêu cầu điều khiển không cao Do hạn chế dụng cụ thí nghiệm nên điều khiển dựa mạng nơron nhóm ứng dụng điều khiển đối tượng điều kiện đơn giản nên chưa thể khẳng định điều khiển thành công với loại đối tượng khác Đồ án nhóm hẳn cịn nhiều sai sót mà thân thành viên nhóm chưa phát Do nhóm hy vọng nhận bảo thầy cô, bạn bè người đọc CHƯƠNG 1: LÝ THUYẾT MẠNG NƠRON 1.1 Nơron tự nhiên Thành phần cấu thành hệ thần kinh trung ương nơron Tế bào sinh học nhận xử lý thơng tin sau giao tiếp với phần khác thể người Hình 1.1 trình bày mơ hình đơn giản nơron sinh học hình 1.2 mơ tả nơron sinh học Thân tế bào thần kinh gọi soma bao quanh lớp mạng huyết tương mỏng Hình 1.1: Sơ đồ nơron liên kết với Hình 1.2: Sơ đồ nơron sinh học Mỗi tế bào thần kinh nhận nhiều đầu vào thông qua dendrite sau xử lý tạo đầu dọc theo axon Điểm nối axon dendrite gọi synapse Thông tin tế bào thần kinh tạo truyền dọc theo axon Một axon kết thúc mối nối khớp nơron khác Về mặt xử lý thông tin, nơron với nhiều dendrite nhiều đầu vào axon đại diện đầu xem hệ MISO Các hàm xử lý thông tin hệ MISO chia thành loại Hình 1.3 mơ tả nơron đơn giản Hình 1.3: Mơ hình nơron đơn giản có nhiều đầu vào đầu Dendrites: Chúng bao gồm nhiều nhánh, đóng vai trị đầu vào nơron Trung bình có 103 − 10 dendrite nơron Synapse: Đây vùng chứa đựng kinh nghiệm khứ Nó cung cấp nhớ dài hạn cho kinh nghiệm thu thập khứ Vùng nhận thông tin từ giác quan hay từ nơron khác cung cấp đầu thông qua axon Soma: Thân tế bào thần kinh gọi soma Nó nhận thơng tin từ synapse sau xử lý thơng tin Hầu tất các chức logic nơron thực soma Axon: Đầu nơron gọi axon 1.2 Nơron nhân tạo Hình 1.4: Nơ-ron nhân tạo Cấu trúc nơron nhân tạo (xem hình 1.4) bao gồm thành phần sau: Đầu vào x1 , x2 , , xn : Các đầu vào nhân với trọng số w1 , w2 , , wn Một đầu vào có giá trị gọi bias ký hiệu x0 Hàm số đầu vào f tính tập hợp tín hiệu đầu vào cho nơron u = f ( x, w) , x w vectơ đầu vào trọng số Thông thường chọn f hàm tổng u = n ∑x w i =1 i i Hàm kích thích s tính tốn mức độ kích thích nơron a=s(u) Hàm đáp ứng tính tốn giá trị tín hiệu đầu nơron o=g(a) Tín hiệu đầu tín hiệu thơng thường mức độ kích thích nơron o=a Tùy theo khác tham số mà sinh kiểu nơron khác Các giá trị đầu vào đầu nơron số nhị phân {0,1}, số lai {-,1}, giá trị liên tục đoạn [0,1], số rời rạc khoảng định nghĩa trước Hình 1.5: Các hàm kích thích hay sử dụng nhất: (a) Hàm chặn cứng; (b-1), (b-2) Các hàm chặn tuyến tính ; (c) Các hàm sigma: hàm logsig (c-1), hàm logsig cực (c-2); (d) hàm gaussian (hàm hình chng) Hình mơ tả loại hàm kích thích hay sử dụng Hàm chặn cứng (hình 1.5[a]) Nếu giá trị đầu vào mạng lớn giá trị chặn nơron trở nên tích cực (giá trị kích thích 1), ngược lại khơng tích cực (giá trị kích thích 0) Hàm chặn tuyến tính Giá trị kích thích tăng tuyến tính với tăng tín hiệu đầu vào đến ngưỡng đầu bão hịa Các kiểu hàm chặn tuyến tính khác phụ thuộc vào phạm vi giá trị đầu nơron (hình 1.5[b-1], 1.5[b-2]) Hàm sigma Hàm sigma hàm truyền phi tuyến hình chữ S đặc trưng yếu tố sau Bị chặn, giá trị bị hạn chế ngưỡng, ví dụ [0 1], [-1 1] Đơn điệu tăng, nghĩa giá trị g(u) không giảm u tăng Liên tục tăng, đạo hàm điểm miền hàm xác định hàm Các kiểu hàm sigma khác sử dụng thực tế là: hàm logsig a= (hình 1.5[c-1]) c số Một hình thức khác hàm + e− cu logsig hàm logsig cực: h ( u ) = − e− cu + e− cu (hình 1.5[c-1]) hàm tansig: ecu − e − cu ( u ) = cu e + e− cu Hàm gaussian (hàm hình chng, hình 1.5[d]) 1.3 Mạng truyền thẳng huấn luyện mạng theo thuật toán Brandt-Lin 1.3.1 Mạng truyền thẳng Mạng nơron nhân tạo tập hợp nơron nhân tạo liên kết với theo quy luật định nhằm phục vụ nhu cầu người thiết kế mạng Có loại mạng nơron thường sử dụng mạng truyền thẳng mạng hồi tiếp Hình 1.6 mơ tả mạng truyền thẳng mạng hồi tiếp Dù cấu trúc mạng nơron thuộc loại mạng nơron có cấu tạo chung cấu thành từ lớp Lớp gọi lớp đầu vào (input layer), lớp cuối gọi lớp đầu (output layer), lớp gọi lớp ẩn (hidden layer) Hình 1.6 : (a) Mạng truyền thẳng ; (b) Mạng hồi tiếp Khi ứng dụng hệ động học, u cầu tính tốn nhanh ln lên hàng đầu Mạng hồi tiếp tốn nhiều thời gian để tính tốn nên nội dung đồ án này, chúng em sử dụng mạng truyền thẳng Sau xem xét mạng nơron truyền thẳng tính tốn đầu mạng Ví dụ xét mạng nơron lớp sau: Hình 1.7: Mạng nơron lớp 10 tương thích với TTL Nguyên lý hoạt động MAX232 mơ tả sau: Khi có mức (5V) chân Tin, tụ C2 C4 đảo ngựơc điện áp 5V nhân đơi lên trở thành mức -10V Khi có mức chân Tin, tụ C1 C3 nhân đôi điện áp 5V lên thành 10V Giá trị tụ C1, C2, C3, C4 thông thường chọn 10uF Mạch chuyển đổi sử dụng MAX232 tỏ ổn định toàn dải truyền chuẩn RS232 4.2.4 Khối driver điều khiển động 4.2.4.1 Giới thiệu IC cầu H MC33886 Để điều khiển động chiều ta cần phải thiết kế Driver cho động Ta sử dụng IC cầu H MC33886 để điều khiển MC33886 cầu H đơn dùng để điều khiển động chiều Có nguồn logic bên trong, sau cấp nguồn cho cầu H từ 5V – 30V tự động tạo nguồn logic bên cầu H Một đầu báo lỗi hiển thị dạng điện áp, báo trạng thái dòng, điều kiện nhiệt độ cho phép Hai đầu vào độc lập để điều khiển cầu H MC33886 có dải nhiệt độ làm việc từ −40o C đến 125o C giải điện áp làm việc từ 5V đến 30V Tổng quan IC cầu H MC 33886  MC 33886 có 20 chân  Giải điện áp làm việc từ 5V đến 30V  Đầu váo so sánh TTL/CMOS  Tần số PWM 10 kHz  Tự động giới hạn dòng PWM  Bảo vệ ngắn mạch đầu  Báo lỗi trạng thái 79 Hình 4.12: Sơ đồ ghép nối đơn giản MC33886 với điều khiển Hình 4.13: Sơ đồ khối bên MC33886 80 Hình 4.14: Sơ đồ chân MC33886 Môt tả chức chân: Chân 4,5,16 6,7 8,20 9,12 14,15 19 Tên chân AGND FS IN1 PWR OUT1 DNC PGND OUT2 IN2 Mô tả Chân đất Báo lỗi trạng thái Điều khiển đầu Kết nối với nguồn dương Đầu cầu H Không nối Nối đất Đầu cầu H Điều khiển đầu Đặc tính Ký hiệu f PWM Tần số PWM Tần số giới gạn f MAX - typ 10 - max 20 Đơn vị kHz kHz trình hoạt động Thời gian trễ bật đầu t D (ON ) - - 18 µs Thời gian trễ tắt đầu t D (OFF) - - 18 µs 81 4.2.4.2 Sơ đồ nguyên lý driver điều khiển động IC cầu H MC 33886 có chân IN1 IN2 để điều khiển đảo chiều động Do chúng em điều khiển tốc độ nên sử dụng chân IN1 để điều khiển tốc độ Chân IN1 IC cầu H MC33886 nối với chân PWM thuộc timer1 vi điều khiển Sơ đồ nguyên lý trình bày hình 4.15 1 10 12V 47uF 50V C7 CON5 + + C6 M C 33886 U4 AGND FS IN Vpwr Vpwr O U T1 O U T1 DNC PGND PGND 20 19 18 17 16 15 14 13 12 11 DNC IN D1 C cp Vpwr O U T2 O U T2 D2 PGND PGND C8 + J4 10uF 50V VC C 10uF 50V 0 + C 20 47uF 50V R1 R R 32 R J11 U 5A 1 J1 VCC 12V VCC D5 LED U 5B 390 VOUT V IN 12V D1 4 /S O J9 C2 C5 7805 2200uF 104 7414 14 U3 GND R9 C1 104 CON2 GND Hình 4.15: Sơ đồ nguyên lý mạch driver điều khiển động 82 CON5 Hình 4.16: Mạch driver điều khiển động sau thiết kế 4.2.5 Giao tiếp với bàn phím Bàn phím cần điều khiển bố trí thành ma trận gồm hàng x cột Các hàng cột nối với qua phím Cứ có phím nhấn chân nối với tức có hàng nối với cột Khi hàng cột có giá trị logic Như giữ nguyên giá trị logic hàng giá trị cột phụ thuộc vào phím có nhấn hay khơng Từ phím nhấn phát cách quét hàng xem xét có thay đổi không cột Lúc đầu hàng cột kéo lên mức cao Lần lượt (và một) hàng bị kéo xuống mức thấp giá trị cột kiểm tra sau Nếu có phím nhấn cột tương ứng nhảy xuống mức thấp Cịn khơng có phím 83 nhấn giá trị cột mức cao Từ nhận giá trị hàng cột có mức thấp tương ứng với phím nhấn Thời gian quét chọn hợp lý để không bỏ qua phím nhấn không quét nhanh không tốt cho mạch chương trình C1 C2 C3 C4 H1 H2 H3 H4 Hình 4.17: Sơ đồ bàn phím 4.3 Thiết kế giao diện bảng điều khiển Việc sử dụng cổng COM kèm với giao diện phù hợp tiện dụng cộng thêm khả tùy biến hiệu linh động với yêu cầu tương thích cao với máy tính với hệ điều hành khác Window nên lựa chọn VB 6.0 lựa chọn phù hợp 84 Hình 4.18: Giao diện bảng điều khiển Hình 4.18 mơ tả giao diện trang mở bao gồm nút nút PID-NEURAL lời giới thiệu ứng dụng sử dụng, thành viên tham gia xây dựng ứng dụng Từ giao diện sau bấm nút PIDNEURAL chương trình đưa tới với trang thứ cửa sổ làm việc thông qua hai lệnh VB6.0 Kế chương trình đưa ta tới cửa sổ làm việc mơ tả hình 4.19 Hình 4.19: Cửa sổ làm việc 85 Cửa sổ làm việc có tất nút bấm nút Gui, Ghi file, Tro lai menu chinh Ve lai Có hiển thị số dạng text ô VAN TOC DAT, VAN TOC THUC, SAI SO với cửa sổ đồ họa để vẽ lại hình ảnh 2D mà thơng số hệ thống thiết lập Nút Gui dùng để tải liệu từ máy tính xuống mạch phần cứng trực tiếp chạy điều khiển PID-NEURAL thông qua cổng Com nối từ Com1 máy tính USART1 chíp ATMEGA128 Việc gửi liệu thực chất việc gửi Byte liên tiếp có Byte chứa mã liệu gửi xuống Byte chứa nội dung liệu Nút Ghi file dùng để lưu lại toàn giá trị tốc độ thực gửi lên dạng file text Đây giải pháp để lưu trữ thông tin dùng cho việc mô nhận dạng đối tượng điều khiển thơng qua cơng cụ mạnh thời MATLAB Nút Ve lai nút yêu cầu xóa tồn vẽ giao diện đồ họa vẽ lại từ đầu Nút Tro lai menu chinh nút quay trở lại giao diện chương trình bật nút để chấm dứt việc sử dụng cổm com nhằm tránh xẩy tranh chấp ứng dụng khác sử dụng cổng Ba ô hiển thị số người dùng tương tác thay đổi nội dung ô VAN TOC DAT, ô ô thu thập liệu tự động hiển thị nên người dùng không nên không phép thay đổi việc làm hợp lý Ô VAN TOC DAT nơi người dùng đánh vào tốc độ mà đối tượng điều khiển (DC motor) cần phải đạt Ơ TOC DO THUC tự động cập nhật vận tốc thực thông qua liệu nhận ATMEGA gửi lên Cịn SAI SO tính tốn phần trăm sai số thông qua thông tin hệ thống Giao diện đồ họa để vẽ đồ thị đối tượng NTGraph thông dụng cộng đồng Intenet xây dựng Trên đồ thị vẽ hai đường có đường mầu vàng đường thị giá trị đặt đường mầu đỏ đường để thị giá trị thực Các giá trị vẽ liên tục thông qua tập hợp điểm đoạn 86 thẳng nhỏ việc sau 0.1s vẽ lần nên nhìn hình ảnh hiển thị ta thấy đường liên tục Đây hình ảnh hệ thống chạy: Hình 4.20: Mơ tả hoạt động hệ thống từ giao diện 4.3 Thiết kế hệ thống điều khiển điều khiển PIDNeural 4.3.1 Mơ hình điều khiển Hình 4.21: Sơ đồ khối hệ thống điều khiển 87 Bộ điều khiển dùng để điều khiển điểu khiển PID-Neural có chỉnh định thích nghi trọng số Hình 4.1 hệ thống điều khiển sử dụng điều khiển PID-Neural Hình 4.2 sơ đồ mạng nơron điều khiển Bộ điều khiển sử dụng mạng nơron lớp, đầu vào, đầu Lớp đầu vào có nơron, lớp đầu có nơron Hình 4.22: Cấu trúc mạng nơron điều khiển Hàm truyền mạng nơron lớp đầu vào có đầu vào eP , eD Hàm truyền nơron hàm tansig: σ ( x) = − e− x Hàm truyền mạng nơron + e− x thứ lớp đầu vào eI Hàm truyền nơron hàm gaussian:  e x − e− x  σ ( x) = −  x − x ÷ Hàm truyền nơron lớp hàm purelin: σ ( x) = x e +e  Theo yêu cầu việc điều khiển, eP , eD số lớn cần tăng độ lớn tín hiệu điều khiển, số nhỏ cần giảm tín hiệu điều khiển nên chọn hàm truyền nơron thứ hàm tansig Ban đầu sai lệch tích lũy eI nhỏ cần tăng tín hiệu điều khiển, sau theo thời gian điều khiển sai lệch tăng dần cần giảm tín 88 hiệu điều khiển nên chọn chọn hàm truyền nơron thứ hai hàm gaussian Hình 4.23 4.24 đồ thị hàm tansig gaussian Hình 4.23: Hàm tansig Hình 4.24: Hàm gaussian 89 4.3.2 Chỉnh định trọng số tính tốn đầu Việc chỉnh định trọng số hay gọi huấn luyện mạng nơron thực theo thuật toán Brandt-Lin Áp dụng thuật toán Brandt-Lin tương tự chương 2, trọng số chỉnh định sau: 1 1 s1 = w11.eP + w32 eD z1 = σ ( s1 ) s1 = w1 eI z1 = σ ( s1 ) 21 2 & w11 = gz1e & w21 = gz2e ' & w11 = s1( s1 ) Với eP 2 ¶E ' & w w - gs1( s1 ) eP 1 11 11 z1 ¶z1 ¶E =- ebw11 ¶z1 ' s 1( s1 ) = ¶s = 1 ¶s1 1+ e- s1 1- e- s1 ( )( ) ỉ2 & ' w & ÷ w11 = s1( s1 ) eP w11ỗ 11 + geữ ỗ ữ ỗz ữ ố ứ ổ z1e ỗg + geữ ữ = s ( s ) eP w ỗ ữ ữ ỗ z ố ứ ' 1 11 ' =2gs1( s ) eP ew11 1 ' & w32 =2gs1( s1 ) eI ew11 ' & w21 =2gs ( s2 ) eDew21 1 ỉ ¶s e s2 - e- s2 ỗ ỗ Vi: s ( s ) = =- s1 ç - s2 ç ¶s2 e +e ç è ' 2 1 æs2 - e- s2 ử ữữ ỗe ữữ ỗ s1 1ữ ữ çe + e- s2 ÷÷ ÷ ç è øø ÷ Đầu điều khiển: 2 u = w11.z1 + w21.z1 90 4.5 Đánh giá kết thực nghiệm Động chiều sử dụng dùng nguồn 24 V, có gắn encoder với độ phân dải 200 xung/vịng Tín hiệu điều khiển tín hiệu mức Ban đầu mức điều khiển 1000 vịng/phút, sau giảm mức điều khiển xuống 800 vịng/phút lại quay lại với tốc độ 1000 vòng/phút Cơng thức tính tốc độ động theo số xung đo từ encoder là: v= 60 *1000 * n = 7.5n (vịng/phút) 800 *10 Kết điều khiển: Hình 4.25: Kết thử nghiệm với động điện chiều Nhận xét: Ở mức 1000 vòng/phút, động đạt xác lập giá trị với sai số 1.5%, giá trị đặt thấp sai số lớn Do độ phân giải encoder động thấp 91 Chương 5: KẾT LUẬN Quá trình nghiên cứu lý thuyết mạng nơron, thấy nhiều ưu điểm nên chúng em sử dụng mạng nơron để ứng dụng vào điều khiển Sau tiến hành mơ với nhiều đối tượng, qn tính bậc 2, đối tượng có thành phần tích phân, khơng ổn định đối tượng phi tuyến chúng em định sử dụng động chiều làm đối tượng thử nghiệm cho điều khiển Qua trình nghiên cứu kiểm chứng thực tế với động điện chiều Em thấy kết tốt, với vi xử lý bit sau khoảng thời gian học khoảng tiếng thời gian xác lập giảm xuống khoảng 1,5s, khơng có độ q điều chỉnh, khả tự chỉnh định có tải, nhiễu tải thích ứng chậm tốc độ phản hồi đầu mà mà có trễ qua trình chỉnh định tham số mạng Với việc sử dụng vi xử lý bit số hạn chế mặt tốc độ, thời gian tính tốn thơng số mạng van cịn chậm q trình học cịn dài Hướng phát triển tới chúng em ứng dụng vi xử lý có tốc độ cao để tăng tốc độ tính toán mạng áp dụng cho đối tượng lớn động xoay chiều fa Ứng dụng mạng nơron điều khiển mẻ em mong muốn mạng nơron ứng dụng rộng rãi Việt Nam đặc biệt lĩnh vực điều khiển 92 Tài liệu tham khảo [1] Phan Xuân Minh Nguyễn Doãn Phước, “Lý thuyết điều khiển mờ”, Nhà xuất Khoa học Kỹ thuật, 2004 [2] Phạm Công Ngô, “Lý thuyết điều khiển tự động”, Nhà xuất Khoa học Kỹ thuật , 2001 [3] Ngô Diên Tập, “Kỹ thuật vi điều khiển với AVR”, Nhà xuất Khoa học Kỹ thuật, 2003 [4] R D Brandt, F Lin, “Adaptive Interaction and Its Application to Neural Networks”, Elsevier, Information Science 121, pp 201-215 1999 [5] F Lin, R D Brandt, G Saikalis, “Self-Tuning of PID Controllers by Adaptive Interaction”, IEEE control society, 2000 American Control Conference, Chicago, 2000 [6] Madan M.Gupta, Liang Jin and Noriyasu Homma, “Static and Dynamic Neural Networks: From Fundamentals to Advanced Theory”, John Wiley & Sons, 2003 [7] Nikola K.Kasabov, “Foundation of Neural Networks, Fuzzy Systems, and Knowledge Engineering”, A Bradford Book, The MIT Press,1998 [8] Atmega128, Datasheet 93 ... xử lý não Mạng nơron nhân tạo đời từ Hiện nay, mạng nơron ứng dụng nhiều lĩnh vực nhận dạng, xử lý thông tin, dự báo điều khiển Đồ án nhóm nghiên cứu khía cạnh ứng dụng điều khiển mạng nơron Không... nhỏ với yêu cầu điều khiển không cao Do hạn chế dụng cụ thí nghiệm nên điều khiển dựa mạng nơron nhóm ứng dụng điều khiển đối tượng điều kiện đơn giản nên chưa thể khẳng định điều khiển thành công... mạng gọn nhẹ để phù hợp với vi điều khiển tối ưu thời gian điều khiển đặt lên hàng đầu Khi ứng dụng điều khiển cấu trúc mạng nơron bao gồm đối tượng điều khiển nên sử dụng luật học thông thường luật