Hệ chuyên gia và ứng dụng trong nhận dạng động vật

TRƯỜNG ĐẠI HỌC SƯ PHẠM HÀ NỘI KHOA CÔNG NGHỆ THÔNG TIN ************* NGUYỄN THỊ XÂM ỨNG DỤNG THUẬT TOÁN ROSENBLATT XÂY DỰNG CHƯƠNG TRÌNH TƯ VẤN MUA MÁY TÍNH KHÓA LUẬN TỐT NGHIỆP ĐẠI HỌC Chuyên ngành: Khoa học máy tính HÀ NỘI − 2015 TRƯỜNG ĐẠI HỌC SƯ PHẠM HÀ NỘI KHOA CÔNG NGHỆ THÔNG TIN ************* NGUYỄN THỊ XÂM ỨNG DỤNG THUẬT TOÁN ROSENBLATT XÂY DỰNG CHƯƠNG TRÌNH TƯ VẤN MUA MÁY TÍNH KHÓA LUẬN TỐT NGHIỆP ĐẠI HỌC Chuyên ngành: Khoa học máy tính Người hướng dẫn khoa học TS. LƯU THỊ BÍCH HƯƠNG HÀ NỘI − 2015 LỜI CẢM ƠN Lời đầu tiên, em xin chân thành cảm ơn TS. Lưu Thị Bích Hương trực tiếp hướng dẫn em hoàn thành khóa luận. Với lời dẫn, tận tình hướng dẫn cô giúp em vượt qua nhiều khó khăn trình hoàn thành khóa luận này. Em xin gửi lời cảm ơn tới thầy, cô giáo khoa Công nghệ thông tin trường Đại học sư phạm hà nội người giúp đỡ cho em suốt trình học tập nghiên cứu. Cuối cùng, em xin bày tỏ lòng biết ơn tới gia đình bạn bè giúp đỡ, động viên em nhiều suốt trình học tập để em thực tốt khóa luận này. Hà Nội, tháng 05 năm 2015 Sinh viên thực Nguyễn Thị Xâm LỜI CAM ĐOAN Tên em là: NGUYỄN THỊ XÂM Sinh viên lớp: K37A – Tin học, khoa Công nghệ thông tin, trường Đại học sư phạm hà nội 2. Em xin cam đoan: 1. Đề tài: “Ứng dụng thuật toán Rosenblatt xây dựng chương trình tư vấn mua máy tính” nghiên cứu riêng em, hướng dẫn TS. Lưu Thị Bích Hương. 2. Khóa luận hoàn toàn không chép tác giả khác. Nếu sai em xin hoàn toàn chịu trách nhiệm. Hà Nội, tháng 05 năm 2015 Sinh viên thực Nguyễn Thị Xâm MỤC LỤC MỞ ĐẦU . CHƯƠNG 1: MẠNG NƠRON NHÂN TẠO . 1.1. Mạng nơron nhân tạo 1.1.1. Khái niệm 1.1.2. Mô hình mạng nơron nhân tạo 1.1.3. Ứng dụng mạng nơron nhân tạo . 10 1.2. Mạng nơron lan truyền thẳng nhiều lớp 12 1.2.1. Mạng perceptron lớp 12 1.2.2. Mạng perceptron nhiều lớp . 14 CHƯƠNG 2: THUẬT TOÁN ROSENBLATT ĐỂ HUẤN LUYỆN MẠNG PERCEPTRON . 16 2.1. Giới thiệu thuật toán Rosenblatt . 16 2.1.1. Lịch sử . 17 2.1.2. Tư tưởng thuật toán 18 2.2. Luật học . 19 2.2.1. Luật học có giám sát . 19 2.2.2. Luật học gia tăng . 20 2.2.3. Luật học không giám sát . 20 2.3. Kiến trúc perceptron . 20 2.3.1. Perceptron nơron . 22 2.3.2. Perceptron nhiều nơron . 25 2.4. Luật học perceptron 26 2.4.1. Kiểm tra vấn đề . 26 2.4.2. Xây dựng luật học . 28 2.4.3. Luật học thống 32 2.4.4. Huấn luyện mạng perceptron nhiều nơron . 33 CHƯƠNG 3: XÂY DỰNG CHƯƠNG TRÌNH MÔ PHỎNG . 35 3.1. Phát biểu toán 35 3.2. Thuật toán Rosenblatt huấn luyện mạng Perceptron toán tư vấn mua máy tính . 35 3.2.1. Module giúp khởi tạo trọng số hệ số hiệu chỉnh 35 3.2.2. Module áp dụng thuật toán Rosenblatt huấn luyện mạng Perceptron . 36 3.2.3. Module thông tin cá nhân . 38 3.2.4. Module kết . 41 3.2.5. Module lý . 41 3.3. Xây dựng chương trình mô 44 3.3.1. Giao diện . 44 3.3.2. Module giúp khởi tạo trọng số hệ số hiệu chỉnh 45 3.3.3. Module áp dụng thuật toán Rosenblatt huấn luyện mạng Perceptron . 45 3.3.4. Module thông tin cá nhân . 45 3.3.5. Module kết . 47 3.3.6. Module lý . 47 KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 48 TÀI LIỆU THAM KHẢO . 50 BẢNG KÝ HIỆU VIẾT TẮT Ký hiệu ANN MLP Viết đầy đủ Ý nghĩa Artificial Neural Network Mạng nơron nhân tạo Multilayer Perceptron Mạng perceptron nhiều lớp IBM International Business Machines Là tập đoàn công nghệ máy tính mỹ AI Artificial Intelligence Trí tuệ nhân tạo cm Xen-ti-met Hệ đo lường DANH MỤC HÌNH Hình 1.1. Cấu tạo tế bào nơron sinh học Hình 1.2. Mô hình nơron nhân tạo Hình 1.3. Mạng nơron nhân tạo có nút có phản hồi . Hình 1.4. Mạng nơron truyền thẳng lớp Hình 1.5. Mạng nơron truyền thẳng nhiều lớp Hình 1.6. Mạng nơron hồi quy lớp Hình 1.7. Sự khác hồi quy tuyến tính mạng 11 Hình 1.8. Mạng perceptron lớp 13 Hình 1.9. Đồ thị biểu diễn hai đường thẳng để phân tách 14 Hình 1.10. Thực XOR mạng MLP . 15 Hình 2.1. Mạng perceptron . 20 Hình 2.2. Mạng perceptron hai đầu vào 22 Hình 2.3. Quyết định ranh giới cho hai đầu vào perceptron . 23 Hình 2.4. Vấn đề đồ thị 24 Hình 2.5. Vector trọng số trực giao . 25 Hình 2.6. Đồ thị biểu diễn hai đầu vào đầu 26 Hình 2.7. Vấn đề kiểm tra mạng . 27 Hình 2.8. Ranh giới định . 27 Hình 2.9. Các vector trọng số tương ứng với ranh giới định 28 Hình 2.10. Vector trọng số phân lớp . 29 Hình 2.11. Các vector trọng số hai vector khác thuộc lớp 29 Hình 2.12. Quy luật cộng p1 1w 30 Hình 2.13. Quy luật trừ p1 1w 31 Hình 2.14. Kết huấn luyện ba vector . 31 Hình 3.1. Form giao diện 44 Hình 3.2. Form giúp khởi tạo trọng số hệ số hiệu chỉnh 45 Hình 3.3. Form áp dụng thuật toán Rosenblatt huấn luyện mạng Perceptron . 45 Hình 3.4. Form yêu cầu trả lời độ tuổi 46 Hình 3.5. Form yêu cầu trả lời thu nhập . 46 Hình 3.6. Form yêu cầu trả lời đối tượng 46 Hình 3.7. Form yêu cầu trả lời chất lượng sản phẩm 46 Hình 3.8. Form kết . 47 Hình 3.9. Form lý . 47 MỞ ĐẦU 1. Lý chọn đề tài Cùng với phát triển mạnh mẽ Công nghệ thông tin, máy tính nhu cầu thiết yếu nhiều người. Một ứng dụng Công nghệ thông tin mạng nơron nhân tạo. Ngày máy tính trở thành phần quan trọng sống hàng ngày người dân, với số lượng đông dân số toàn giới sử dụng máy tính. Đặc trưng mạng nơron khả học xử lý song song. Mạng nơron nhân tạo thiết kế để mô hình số tính chất mạng nơron sinh học. Tuy nhiên, khác với mô hình nhận thức, phần lớn ứng dụng lại có chất kỹ thuật. Vào năm 1957, Frank Rosenblatt số nhà nghiên cứu khác phát triển loại mạng nơron gọi perceptron. Đóng góp quan trọng Rosenblatt giới thiệu luật học huấn luyện mạng perceptron để giải vấn đề nhận dạng mẫu. Trước đây, máy tính có cấu hình thấp, lưu trữ ít, tốc độ chậm. Để đáp ứng nhu cầu người sử dụng nhiều hãng máy tính giới đời với nhiều chức tiện ích cho người sử dụng. Máy tính chức lưu trữ, gọn nhẹ cấu hình cao lưu trữ nhiều hơn, thao tác thực nhanh …. Chính vậy, vấn đề đặt cần xây dựng chương trình tư vấn mua máy tính cho phù hợp với đối tượng. Với mong muốn học hỏi kinh nghiệm, đồng thời bổ sung kiến thức khoa học máy tính, tổng kết kỹ kiến thức suốt trình học tập trường, em định chọn đề tài “Ứng dụng thuật toán Rosenblatt xây dựng chương trình tư vấn mua máy tính” để làm đề tài khóa luận tốt nghiệp. 2. Mục tiêu nghiên cứu Mục tiêu khóa luận “Ứng dụng thuật toán Rosenblatt xây dựng chương trình tư vấn mua máy tính” tìm hiểu, nghiên cứu kỹ thuật CHƯƠNG 3: XÂY DỰNG CHƯƠNG TRÌNH MÔ PHỎNG 3.1. Phát biểu toán Ngày nay, việc lựa chọn nên hay không nên mua máy tính nhiều người đặt câu hỏi. Để trả lời câu hỏi, toán đặt ra: “Cần phải xây dựng chương trình tư vấn mua máy tính”. Bài toán tư vấn mua máy tính toán giúp người mua lựa chọn có nên hay không nên mua máy tính dựa vào thông tin người mua. Để giải toán này, khoá luận áp dụng thuật toán Rosenblatt. Trong đó: Đầu vào: Các thông tin khách hàng (bao gồm: độ tuổi, mức thu nhập, đối tượng, chất lượng sản phẩm) mạng perceptron có trọng số w1, w2, w3, w4, hệ số hiệu chỉnh b nhờ vào luật học có giám sát, hàm truyền hardlim. Đầu ra: Cho kết tư vấn mua máy tính lý do. 3.2. Thuật toán Rosenblatt huấn luyện mạng Perceptron toán tư vấn mua máy tính Áp dụng thuật toán Rosenblatt giúp giải toán tư vấn mua máy tính cho phù hợp với đối tượng. Thuật toán ban đầu khởi tạo vector trọng số w, hệ số hiệu chỉnh b nhờ vào luật học có giám sát hàm truyền hardlim. Với liệu x cung cấp, tính w.x  b  n . Nếu n  hàm truyền hardlim cho kết ngược lại 0. 3.2.1. Module giúp khởi tạo trọng số hệ số hiệu chỉnh Module giúp khởi tạo vector trọng số w hệ số hiệu chỉnh b nhờ luật học có giám sát. Luật học có giám sát có đầu vào ma trận nhờ trình perceptron tính trọng số hệ số hiệu chỉnh. public void matran(int[,] a) { a[0, 0] = 1; a[1, 0] = 1; a[2, 0] = 2; a[3, 0] = 3; a[4, 0] = 3; a[5, 0] = 3; a[6, 0] = 2; 35 a[7, 0] = 1; a[8, 0] = 1; a[9, 0] = 3; a[10, 0] = 1; a[11, 0] = 2; a[12, 0] = 2; a[13, 0] = 3; a[0, 1] = 1; a[1, 1] = 1; a[2, 1] = 1; a[3, 1] = 2; a[4, 1] = 3; a[5, 1] = 3; a[6, 1] = 3; a[7, 1] = 2; a[8, 1] = 3; a[9, 1] = 2; a[10, 1] = 2; a[11, 1] = 2; a[12, 1] = 1; a[13, 1] = 2; a[0, 2] = -1; a[1, 2] = -1; a[2, 2] = -1; a[3, 2] = -1; a[4, 2] = 1; a[5, 2] = 1; a[6, 2] = 1; a[7, 2] = -1; a[8, 2] = 1; a[9, 2] = 1; a[10, 2] = 1; a[11, 2] = -1; a[12, 2] = 1; a[13, 2] = -1; a[0, 3] = 1; a[1, 3] = -1; a[2, 3] = 1; a[3, 3] = 1; a[4, 3] = 1; a[5, 3] = 1; a[6, 3] = -1; a[7, 3] = 1; a[8, 3] = 1; a[9, 3] = 1; a[10, 3] = -1; a[11, 3] = -1; a[12, 3] = 1; a[13, 3] = -1; a[0, 4] = 0; a[1, 4] = 0; a[2, 4] = 1; a[3, 4] = 1; a[4, 4] = 1; a[5, 4] = 0; a[6, 4] = 1; a[7, 4] = 0; a[8, 4] = 1; a[9, 4] = 1; a[10, 4] = 1; a[11, 4] = 1; a[12, 4] = 1; a[13, 4] = 0; } 3.2.2. Module áp dụng thuật toán Rosenblatt huấn luyện mạng Perceptron Khi có ma trận, hệ thống sử dụng thuật toán Rosenblatt huấn luyện mạng Perceptron tìm trọng số hệ số hiệu chỉnh. public void perceptron(int[,] a, ref int ia) { matran(a); double w1 = 0; // w1 trọng số double w2 = 0; // w2 trọng số double w3 = 0; // w3 trọng số 36 double w4 = 0; // w4 trọng số double b = 1; // b hệ số hiệu chỉnh int m=0; int interation = 0; int t=0; for (int i = 0; i < 14; i++) { { double n = w1 * a[i, 0] + w2 * a[i, 1] + w3 * a[i, 2] + w4 * a[i, 3] + b; if (n > 0) m = 1; else m = 0; if (m != a[i, 4]) { w1 = w1 + (a[i, 4] - m) * a[i, 0]; w1 = w2 + (a[i, 4] - m) * a[i, 1]; w3 = w3 + (a[i, 4] - m) * a[i, 2]; w4 = w4 + (a[i, 4] - m) * a[i, 3]; b = b + (a[i, 4] - m) * 1; } t = a[i, 4]; interation++; } while (m != t); } txtw1.Text = txtw1.Text + w1.ToString(); txtw2.Text = txtw2.Text + w2.ToString(); txtw3.Text = txtw3.Text + w3.ToString(); txtw4.Text = txtw4.Text + w4.ToString(); txtb.Text = txtb.Text + b.ToString(); 37 txtsolanlap.Text = interation.ToString(); } 3.2.3. Module thông tin cá nhân Sau áp dụng luật học có giám sát ta tìm trọng số w1, w2, w3, w4 hệ số hiệu chỉnh b. Hệ thống yêu cầu bạn trả lời thông tin cá nhân (bao gồm: độ tuổi, mức thu nhập, đối tượng, chất lượng sản phẩm) liệu x. Module yêu cầu trả lời thông tin cá nhân sau: private void btnbatdau_Click(object sender, EventArgs e) { if (txtcauhoi.Text == "Bạn mong muốn sản phẩm ?") { txtcauhoi.Text = "Bạn có sinh viên không ?"; rd1.Text = "Có"; rd2.Text = "Không"; rd3.Enabled = false; btnketqua.Enabled = false; if (rd1.Checked) p[2] = 1; if (rd2.Checked) p[2] = 2; } else { if (txtcauhoi.Text == "Bạn có sinh viên không ?") { txtcauhoi.Text = "Thu nhập bạn mức ?"; rd1.Text = "Cao"; rd2.Text = "Bình thường"; rd3.Text = "Thấp"; rd3.Enabled = true; btnketqua.Enabled = false; 38 if (rd1.Checked) p[1] = 1; if (rd2.Checked) p[1] = 2; if (rd3.Checked) p[1] = 3; } else if (txtcauhoi.Text == "Thu nhập bạn mức ?") { txtcauhoi.Text = "Bạn độ tuổi ?"; rd1.Text = "Trẻ"; rd2.Text = "Trung niên"; rd3.Text = "Lớn tuổi"; btnketqua.Enabled = false; if (rd1.Checked) p[0] = 1; if (rd2.Checked) p[0] = 2; if (rd3.Checked) p[0] = 3; } } } private void btntieptheo_Click(object sender, EventArgs e) { if (txtcauhoi.Text == "Bạn độ tuổi ?") { txtcauhoi.Text = "Thu nhập bạn mức ?"; rd1.Text = "Cao"; rd2.Text = "Bình thường"; rd3.Text = "Thấp"; btnketqua.Enabled = false; if (rd1.Checked) p[0] = 1; if (rd2.Checked) p[0] = 2; 39 if (rd3.Checked) p[0] = 3; } else { if (txtcauhoi.Text == "Thu nhập bạn mức ?") { txtcauhoi.Text = "Bạn có sinh viên không ?"; rd1.Text = "Có"; rd2.Text = "Không"; rd3.Enabled = false; btnketqua.Enabled = false; if (rd1.Checked) p[1] = 1; if (rd2.Checked) p[1] = 2; if (rd3.Checked) p[1] = 3; } else if (txtcauhoi.Text == "Bạn có sinh viên không ?") { txtcauhoi.Text = "Bạn mong muốn sản phẩm ?"; rd1.Text = "Khá tốt"; rd2.Text = "Tuyệt vời"; rd3.Enabled = false; btnketqua.Enabled = false; if (rd1.Checked) p[2] = 1; if (rd2.Checked) p[2] = 2; } else if (txtcauhoi.Text == "Bạn mong muốn sản phẩm ?") if (rd1.Checked) p[3] = 1; if (rd2.Checked) p[3] = 2; btnketqua.Enabled = true; 40 } } 3.2.4. Module kết Khi bạn cung cấp thông tin xong. Hệ thống tính w.x  b  n . Nếu n  hàm truyền hardlim cho kết đưa lời khuyên nên mua máy tính ngược lại kết không nên mua máy tính. Module đưa kết sau: public void ketqua() { int n = 0; n = p[0] * int.Parse(txtw1.Text) + p[1] * int.Parse(txtw2.Text) + p[2] * int.Parse(txtw3.Text) + p[3] * int.Parse(txtw4.Text) + int.Parse(txtb.Text); if (n < 0) MessageBox.Show("Theo tôi: Bạn không nên mua máy tính !", "Kết quả", MessageBoxButtons.OK, MessageBoxIcon.Information); else MessageBox.Show("Theo tôi: Bạn nên mua máy tính !", "Kết quả", MessageBoxButtons.OK, MessageBoxIcon.Information); } 3.2.5. Module lý Module lý để giải thích kết mà bạn nhận được. Module lý sau: public string lydo() { String tuoi = ""; if (p[0] == 1) tuoi = tuoi + "Theo câu trả lời bạn cung cấp cho thì: Bạn độ tuổi trẻ, "; if (p[0] == 2) 41 tuoi = tuoi + "Theo câu trả lời bạn cung cấp cho thì: Bạn độ tuổi trung bình, "; if (p[0] == 3) tuoi = tuoi + "Theo câu trả lời bạn cung cấp cho thì: Bạn lớn tuổi, "; String thunhap = ""; if (p[1] == 1) thunhap = thunhap + "thu nhập bạn mức cao, "; if (p[1] == 2) thunhap = thunhap + "thu nhập bạn mức bình thường, "; if (p[1] == 3) thunhap = thunhap + "thu nhập bạn mức thấp, "; String sv = ""; if (p[2] == 1) sv = sv + "bạn sinh viên"; if (p[2] == 2) sv = sv + "bạn không sinh viên"; String mm = ""; if (p[3] == 1) mm = mm + "bạn mong muốn sản phẩm tốt. "; if (p[3] == 2) mm = mm + "và bạn mong muốn sản phẩm tuyệt vời. "; String ld = tuoi + thunhap + sv + mm; return ld; } private void btngt_Click(object sender, EventArgs e) { String st = ""; int n = 0; 42 n = p[0] * int.Parse(txtw1.Text) + p[1] * int.Parse(txtw2.Text) + p[2] * int.Parse(txtw3.Text) + p[3] * int.Parse(txtw4.Text) + int.Parse(txtb.Text); if (n < 0) st = lydo() + "\n" + "Theo Perceptron ta có hardlim (n) = " + txtw1.Text + "*" + p[0] + " + " + txtw2.Text + "*" + p[1] + " + " + txtw3.Text + "*" + p[2] + " + " + txtw4.Text + "*" + p[3] + " + " + txtb.Text + " = " + "\n" + " => Vì lời khuyên dành cho bạn là: Bạn không nên mua máy tính !"; else st = lydo() + "\n" + "Theo Perceptron ta có hardlim (n) = " + txtw1.Text + " * " + p[0] + " + " + txtw2.Text + " * " + p[1] + " + " + txtw3.Text + " * " + p[2] + " + " + txtw4.Text + " * " + p[3] + " + " + txtb.Text + " = " + "\n" + " => Vì lời khuyên dành cho bạn là: Bạn nên mua máy tính !"; MessageBox.Show(st, "Lý do", MessageBoxButtons.OK, MessageBoxIcon.Information); } 43 3.3. Xây dựng chương trình mô Để xây dựng chương trình giải toán tư vấn mua máy tính sử dụng module sau: module giúp khởi tạo trọng số hệ số hiệu chỉnh, module áp dụng thuật toán Rosenblatt huấn luyện mạng Perceptron, module cung cấp thông tin cá nhân (bao gồm: độ tuổi, thu nhập, đối tượng, chất lượng sản phẩm), module kết quả, module lý do. 3.3.1. Giao diện Hình 3.1. Form giao diện 44 3.3.2. Module giúp khởi tạo trọng số hệ số hiệu chỉnh Khi giao diện lên. Ma trận lên bạn nhấn từ Bắt đầu: Hình 3.2. Form giúp khởi tạo trọng số hệ số hiệu chỉnh 3.3.3. Module áp dụng thuật toán Rosenblatt huấn luyện mạng Perceptron Khi giao diện lên. Perceptron lên trọng số hệ số hiệu chỉnh bạn nhấn từ Bắt đầu: Hình 3.3. Form áp dụng thuật toán Rosenblatt huấn luyện mạng Perceptron 3.3.4. Module thông tin cá nhân Sau trọng số hệ số hiệu chỉnh lên. Hệ thống yêu cầu bạn trả lời thông tin cá nhân sau: 45  Độ tuổi Hình 3.4. Form yêu cầu trả lời độ tuổi  Thu nhập Hình 3.5. Form yêu cầu trả lời thu nhập  Đối tượng Hình 3.6. Form yêu cầu trả lời đối tượng  Chất lượng sản phẩm Hình 3.7. Form yêu cầu trả lời chất lượng sản phẩm 46 3.3.5. Module kết Nhập liệu thông tin cá nhân. Nhấn vào nút Kết quả. Thông báo Kết lên đưa lời khuyên dành cho bạn hợp lí nhất. Hình 3.8. Form kết 3.3.6. Module lý Bạn xem lời lý từ thông tin bạn nhập vào nhấn vào nút Lý mà kết bạn nhận được. Hình 3.9. Form lý 47 KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 1. Kết luận Qua trình thực khóa luận, em học hỏi nhiều kinh nghiệm đạt kết sau: - Tìm hiểu mô hình ứng dụng mạng nơron nhân tạo. Mạng perceptron nằm mạng nơron nhân tạo. Mạng perceptron mạng truyền thẳng lớp nhiều lớp. - Giới thiệu thuật toán Rosenblatt giới thiệu luật học huấn luyện mạng perceptron giải toán tư vấn, phân lớp, dự đoán . - Tìm hiểu luật học, kiến trúc perceptron, luật học perceptron. - Xây dựng chương trình mô tư vấn mua máy tính nhờ việc áp dụng thuật toán Rosenblatt. Đó kết đạt trình nghiên cứu thuật toán Rosenblatt xây dựng chương trình tư vấn mua máy tính. Tuy nhiên thời gian kiến thức hạn chế nên khóa luận thiếu sót chưa giải phạm vi toán nhỏ kết chương trình thực với phương pháp đơn giản. Em mong đóng góp quý báu thầy cô giáo bạn để khóa luận em hoàn thiện hơn. Một lần em xin gửi lời cảm ơn TS. Lưu Thị Bích Hương tận tình hướng dẫn em thời gian qua để em hoàn thành tốt khóa luận tốt nghiệp. 2. Hướng phát triển Trong thời gian tới em tiếp tục nghiên cứu để hoàn thiện tiếp phần tồn trên. Để xây dựng hoàn chỉnh kết đề tài ứng dụng vào thực tế, làm tài liệu giúp cho việc nghiên cứu, tìm hiểu lý thuyết nhận dạng trực quan, sinh động hơn. Tiếp tục nghiên cứu đầy đủ đặc điểm lớp toán để việc ứng dụng mạng perceptron trở nên đơn giản nâng cao hiệu quả. Cải tiến thuật toán Rosenblatt cách kết hợp phương pháp khác giải thuật di truyền, logic mờ. Mở rộng nghiên cứu mạng khác ứng dụng cho 48 toán phân lớp, phân cụm liệu, dự đoán, tư vấn, … Xây dựng phương pháp biểu diễn liệu cho nhiều kiểu liệu khác dạng hình ảnh, âm thanh, …. Phần mềm cần bổ sung nhiều chức cho phép người sử dụng mô dễ dàng mạng khác nhau. 49 TÀI LIỆU THAM KHẢO 1. Lý thuyết nhận dạng ứng dụng quản lý GS.TS Đỗ Hoàng Toàn. 2. https://www.google.com.vn. 3. http://doc.edu.vn/tai -lieu/tieu -luan -ly-thuyet-nhan-dang-nhan-dang -doituong-tren-hinh-anh-33943/. 5. http://baigiang.violet.vn/present/show/entry_id/218839. 6. Bài tập lớn: http://www.docx.vn/bai-tap -lon -tri-tue-nhan-tao/tim -hieu thuat toan rosenblatt de huan luyen mang perceptron va cai dat ung dụng.html 50 [...]... được ứng dụng thành công trong việc xây dựng các mô hình dự báo sử dụng tập dữ liệu trong quá khứ để dự đoán số liệu trong tương lai Đây là nhóm bài toán khó và rất quan trọng trong nhiều ngành khoa học + Bài toán điều khiển và tối ưu hoá: Nhờ khả năng học và xấp xỉ hàm mà mạng nơron nhân tạo đã được sử dụng trong nhiều hệ thống điều khiển tự động cũng như góp phần giải quyết những bài toán tối ưu trong. .. không giám sát và luật học gia tăng 2.2.1 Luật học có giám sát Luật học đưa ra một tập hợp các mẫu có quy tắc và tương thích với mạng: p1 , t1 ,p 2 , t 2  , ,p q, t q  19 (2.2) pq là một đầu vào mạng và tq tương ứng với đầu ra chính xác mạng Khi các đầu vào được áp dụng vào mạng, các kết quả đầu ra của mạng được so sánh với các mục tiêu Luật học được sử dụng để điều chỉnh trọng số và hệ số hiệu chỉnh... perceptron ra đời, phát triển và có cơ sở khoa học vững chắc, nội dung nghiên cứu của khóa luận sẽ góp phần làm rõ hơn lý thuyết mạng perceptron và tính ứng dụng của nó Hiện nay mạng perceptron là một lĩnh vực đang được các chuyên gia nghiên cứu và phát triển Ý nghĩa thực tiễn: Chương trình mô phỏng nếu thành công sẽ góp phần phát triển mạng perceptron và ứng dụng mạng perceptron trong các bài toán phân... xếp vào loại luật học có giám sát 2.2.2 Luật học gia tăng Luật học gia tăng tương tự luật học có giám sát nhưng chỉ cho một lớp Lớp là thước đo cho sự hoạt động của mạng trên một chuỗi đầu vào Đây là loại luật học hiện nay ít phổ biến hơn so với luật học có giám sát Luật học gia tăng phù hợp nhất để kiểm soát các hệ thống 2.2.3 Luật học không giám sát Trọng số và hệ số hiệu chỉnh được sửa đổi để đáp ứng. .. có tác dụng làm cản tín hiệu tới nơron Ước tính mỗi nơron trong bộ não của con người có khoảng 104 khớp nối (hình 1.1) Chức năng cơ bản của các tế bào nơron là liên kết với nhau để tạo nên hệ thống thần kinh điều khiển hoạt động của cơ thể sống Các tế bào nơron truyền tín hiệu cho nhau thông qua các dây thần kinh vào và ra, các tín hiệu đó có dạng xung điện và được tạo ra từ các quá trình phản ứng hoá... tin đầu vào: w ij x j  i Trong đó: wij là trọng số liên kết từ nơron j tới nơron i, xj là đầu vào từ nơron j, và θ là ngưỡng của nơron i Trong trường hợp trái lại đối tượng sẽ được phân vào lớp B Việc huấn luyện mạng dựa trên phương pháp học có giám sát với tập mẫu học là {(x(k), d(k))}, k = 1, 2, … , p Trong đó d(k) = [d1(k), d2(k), …, dn(k)]T là đầu ra quan sát được tương ứng với đầu vào x(k)... tạo Trong mô hình này, một nơron thứ i sẽ nhận các tín hiệu vào xj với các m trọng số tương ứng là wij, tổng các thông tin vào có trọng số là  w ijx j j 1 Thông tin đầu ra ở thời điểm t+1 được tính từ các thông tin đầu vào như sau: out  t  1  g   w ijx j  t   i  1.1 Trong đó g là hàm kích hoạt (còn gọi là hàm chuyển) có dạng là hàm bước nhảy, nó đóng vai trò biến đổi từ thông tin đầu vào... Như vậy, out = 1 (ứng với việc nơron tạo tín đầu ra) khi tổng các tín hiệu vào lớn hơn ngưỡng θi, còn out = 0 (nơron không tạo tín hiệu ở đầu ra) khi tổng các tín hiệu vào nhỏ hơn ngưỡng θi Trong mô hình nơron của McCulloch và Pitts, các trọng số wij thể hiện ảnh hưởng của khớp nối trong liên kết giữa nơron j (nơron gửi tín hiệu) và nơron i (nơron nhận tín hiệu) Trọng số wij tương ứng với khớp nối kích... vector trong khu vực bóng mờ của hình 2.3 sẽ có tích trong lớn hơn -b và vector trong khu vực không có bóng mờ sẽ có tích trong ít hơn -b Vì vậy vector trọng số 1w sẽ luôn luôn hướng về phía khu vực nơi mà đầu ra của mạng là 1 Sau khi đã chọn một vector trọng số với định hướng góc chính xác, hệ số hiệu chỉnh có thể được tính bằng cách chọn một điểm trên ranh giới và thỏa mãn công thức (2.9) Áp dụng một trong. .. thể, trong đó s là số nơron 2.4 Luật học perceptron Luật học này là một ví dụ về luật học có giám sát, trong đó các luật học đưa ra một tập hợp các mẫu theo quy tắc của mạng: p1 ,t1 ,p2 , t 2  , ,pQ ,t Q  (2.11) Tại pq là một đầu vào mạng và tq tương ứng với đầu ra chính xác Khi các đầu vào được áp dụng vào mạng, các kết quả đầu ra mạng được so sánh với các mục tiêu Luật học sau đó được sử dụng . đã được ứng dụng thành công trong việc xây dựng các mô hình dự báo sử dụng tập dữ liệu trong quá khứ để dự đoán số liệu trong tương lai. Đây là nhóm bài toán khó và rất quan trọng trong nhiều. khiển và tối ưu hoá: Nhờ khả năng học và xấp xỉ hàm mà mạng nơron nhân tạo đã được sử dụng trong nhiều hệ thống điều khiển tự động cũng như góp phần giải quyết những bài toán tối ưu trong thực. công sẽ góp phần phát triển mạng perceptron và ứng dụng mạng perceptron trong các bài toán phân lớp, dự đoán, điều khiển và tối ưu hóa, … đặc biệt trong việc tư vấn mua máy tính cho phù hợp