Nhận dạng chữ viết tay tiếng việt sử dụng mạng nơron

Bài toán nhận dạng với sự trợ giúp của mạng Nơron ngàynay đã không còn dừng ở mức độ nghiên cứu nữa mà nó trở thành một lĩnhvực đế áp dụng vào thực tế.. Sự sắpxếp của các nơ-ron và mức đ

LỜI CẢM ƠN

Xin chân thành cảm ơn Thầy giáo, PGS.TS Lê Bá Dũng đã tận tình

chỉ dạy, hướng dẫn tôi trong suốt thời gian nghiên cứu và thực hiện luận văn

Tôi cũng xin chân thành cảm ơn các Thầy giáo Viện Công nghệ Thôngtin và các Thầy giáo Truông Đại học sư phạm Hà Nội 2 đã giảng dạy, giúp đờtrong suốt thời gian học tập

Xin cảm ơn tất cả các anh chị học viên Cao học khóa 15 - Khoa họcmáy tính, cảm ơn các cán bộ công chức, giảng viên Trường Đại học sư phạm

Hà Nội 2 đã tạo điều kiện tốt cho tôi trong suốt trong hai năm học qua

Xin cảm ơn các bạn bè, đồng nghiệp, gia đình đã tạo mọi điều kiện

Hà Nội, tháng 11/2013

Nguyễn Đức Thịnh

2

LỜI CAM ĐOAN

Tôi xin cam đoan đề tài luận văn “Sử dụng mạng noron cho nhận

dạng ký tự tiếng Việt” là công trình nghiên cứu của bản thân tôi Các số liệu,

kết quả nghiên cúu nêu trong luận văn này là trung thực và không sao chép ynguyên từ một công trình nào khác Tôi xin chịu trách nhiệm về luận văn củamình

Hà Nội, tháng 11/2013

Nguyễn Đửc Thịnh

MỤC LỤC

Trang

LỜI CẢM ƠN 1

LỜI CAM ĐOAN 2

MỤC LỤC 3

DANH MỤC CÁC TỪ TIẾNG ANH VIẾT TẮT 6

DANH MỤC CÁC HÌNH 7

LỜI NÓI ĐÀU 8

CHƯƠNG 1 MỘT SÓ VÁN ĐÈ VÈ MẠNG NƠRON 10

1.1 Mạng Nơron sinh học

10

1.2 Mạn g No-ron nhân tạo 11

1.2.1 Nơ-ron nhân tạo 11

1.2.2 Mạng nơ-ron nhân tạo 17

1.2.2.1 Mạng truyền thẳng 18

1.2.2.2 Mạng hồi quy (Recurrent Neutral Network) 20

1.3 Đặc trưng của mạng noron

21

1.4 Mạng KOHONEN

24

1.4.1 Giới thiệu về mạng Nơron Kohonen 24

1.4.2 Cấu trúc của mạng noron Kohonen 25

1.4.3 Thực hiện mạng nơron Kohonen 27

1.4.3.1 Chuẩn hóa đầu vào 27

1.4.3.2 Tín h toán đầu ra cho mỗi nơron 28

1.4.3.3 Chọn nơron chiến thắng 28

1.4.3.4 Quá trình học của mạng nơron Kohonen 29

1.4.4 Kết luận 33 CHƯƠNG 2 MỘT SỐ VÁN ĐỀ NHẬN DẠNG KÝ TỤ sử DỤNG MẠNG NƠRON 35

2.1 N

hận dạng ký tự 35

2.1.1 Giói thiệu về nhận dạng ký tự 35

2.1.2 Mô hình tong quát của một hệ nhận dạng ký tự 38

2.2 Mộ t số phương pháp nhận dạng ký tự 38

2.2.1 Đ ấi sánh mẫu 38

2.2.2 P hương pháp tiếp cận cấu trúc 39

2.2.3 Mô hình Markov ẩn (HMM - Hidden Markov Model) 40

2.2.4 Máy véc tơ tựa (SVM) 40

2.2.5 Mạng nơron 41

2.2.5.1 Những bài toán thích họp 41

2.2.5.2 Các lĩnh vực ứng dụng mạng nơron 41

CHƯƠNG 3 ỦNG DỤNG MẠNG KOHONEN CHO NHẬN DẠNG KÝ Tự 43

3.1 Bài toán .43

3.1.1 Phát biếu bài toán 43

3.1.2 Ỷ tưởng bài toán 43

3.2 Xá c định các tham số của mạng cho nhận dạng ký tự 43

3.2.1 Các bước giải quyết bài toán sử dụng mạng nơron Kohonen 43

3.2.1.1 Xây dựng giao diện vẽ 44

3.2.1.2 Xây dựng mạng nơron Kohonen 44

3.2.1.3 X ử lý dữ liệu (phân tích ảnh) 45

3.2.1.4 Huấn luyện mạng nơron Kohonen 46

3.2.1.5 Nhận dạng mạng noTon Kohonen 48

3.2.1.6 Kết luận 48

3.2.2 Giao diện chương trình 49

3.2.3 Quá trình nhận dạng 50

nh toán và huấn luyện mạng Noron 50

3.3.1 Tính toán đầu ra của mạng KOHONEN 50

3.3.2 Huấn luyện mạng noronKohonen 52

3.4 Kết quả chuơng trinh

54

3.5 Kế t quả đạt được, hướng phát triển 56

3.5.1 Kết quả 56

3.5.2 Hướng phát triển tiếp theo 56

KẾT LUẬN 57

TÀI LIỆU THAM KHẢO 58

DANH MỤC CÁC TỪ TIẾNG ANH VIẾT TẮT

Hình 1.6 Mạng nhiều lóp có nối ngược

Hình 1.7 Cấu trúc của mạng Kohonen

PHÀN MỞ ĐẦU

Công nghệ thông tin ngày nay càng ngày càng trở lên quan trọng trongcuộc sống hàng ngày của chúng ta Trong công nghệ thông tin, trí tuệ nhântạo hiện nay đang được quan tâm rất nhiều của xã hội Nó như là một giảipháp mang đến hy vọng mới mô phong được bộ não con người Nghiên cứu

và mô phỏng trí não, cụ thế là tế bào thần kinh (Neural) là một ước muốn từlâu của nhân loại Với khoảng 15 tỷ Neural ở não người, mỗi Neural có thếnhận hàng vạn tín hiệu từ khớp thần kinh và được coi là một cơ chế sinh vậtphức tạp nhất Bộ não con người có khả năng giải quyết rất nhiều vấn đề như:nghe, nhìn, nói, hồi ức thông tin, phân biệt, phân tích các mẫu dựa trên một sốthông tin đã có Neural thần kinh chính là yếu tố chính giúp chúng ta có thểlàm nhũng công việc như vậy Bộ não phân công công việc xủ lí cho hàng tỉNeural có liên quan, điều khiển các mối liên hệ giữa các Neural đó Neuralkhông ngừng nhận và truyền thông tin lẫn nhau Cơ chế hoạt động của Neural[1] bao gồm: liên kết (association), tống quát hóa (generation), và tự tố chức(Self Orgazation) Các Nơron tự liên kết với nhau thành mạng trong xử lý.Mỗi mạng gồm hàng vạn các phần tử Nơron khác nhau Mỗi phần tử Noron

có khả năng liên kết với hàng nghìn các Nơron khác

Hiện nay, mạng Nơron được đưa vào ứng dụng rộng rãi trong rất nhiềulĩnh vực Và bài toán nhận dạng là bài toán sử dụng các tính năng của mạngNơron nhiều nhất Bài toán nhận dạng với sự trợ giúp của mạng Nơron ngàynay đã không còn dừng ở mức độ nghiên cứu nữa mà nó trở thành một lĩnhvực đế áp dụng vào thực tế Các bài toán nhận dạng được nghiên cứu nhiềunhất hiện nay tập trung vào nhận dạng mẫu hình học (vân tay, mặt người, hìnhkhối ), nhận dạng tiếng nói và nhận dạng chữ viết Chúng được ứng dụng

lĩnh vực tự động hóa như điều khiển rô-bốt, điều khiến các thiết bị bằng giọngnói, Trong số các bài toán nhận dạng này, nhận dạng chữ viết đang đượcứng dụng rất phố biến Nhận dạng chữ viết được ứng dụng trong quá trình tựđộng hóa các công việc văn phòng như nhập liệu, lưu trữ văn bản, sách báo,phân loại thư tín, , những công việc rất nhàm chán và đòi hỏi nhiều thờigian của con người Nhận dạng bằng mạng Nơron đang được úng dụng tronghàng loạt lĩnh vực quan trọng của cuộc sống, phục vụ lợi ích trực tiếp và thiếtthực cho công việc của con người

Mục đích của luận văn là: Trình bày các kết quả nghiên cứu lý thuyếtphục vụ cho chủ đề: “Nhận dạng chữ viết tay Tiếng Việt sử dụng mạngNơron” Tuy nhiên, do hạn chế về mặt thời gian cũng như độ phức tạp của bài

Trong thực tế có rất nhiều dây thần kinh vào và chúng bao phủ một diệntích rất lớn (0.25 mm2) đế nhận các tín hiệu từ các nơ-ron khác Đầu thần kinh

ra được rẽ nhánh nhằm chuyến giao tín hiệu từ thân nơ-ron tới nơ-ron khác.Các nhánh của đầu thần kinh được nối với các khóp thần kinh (synapse) Cáckhớp thần kinh này được nối với thần kinh vào của các nơ-ron khác Sự sắpxếp của các nơ-ron và mức độ mạnh yếu của các khóp thần kinh được quyếtđịnh bởi quá trình hóa học phức tạp, sẽ thiết lập chức năng của mạng nơ-ron,các nơ-ron có thể sửa đối tín hiệu tại các khóp, trong các nơ-ron nhân tạođược gọi là trọng số

này cũng giải thích tại sao nhừng nghiên cứu khoa học về mạng nơ-ron nhântạo có điều kiện phát triến cùng với sự phát triến về kỹ thuật công nghệ phầncứng máy tính

Có nhiều loại nơ-ron khác nhau về kích thước và khả năng thu phát tín

Hình 1.1 Mô hình nơ-ron sinh học

Hoạt động của nơ-ron sinh học có thế mô tả tóm tắt như sau:

Mỗi nơ-ron nhận tín hiệu vào tù’ các tế bào thần kinh khác Chúng tíchhọp các tín hiệu vào, khi tống tín hiệu vượt quá một ngưỡng nào đó chúng tạotín hiệu ra và gửi tín hiệu này tới các nơ-ron khác thông qua dây thần kinh.Các nơ-ron liên kết với nhau thành mạng Mức độ bền vững của các liên kết

các nơ-ron nhân tạo và kết nối giữa chúng (kết nối này gọi là weights) Nơ-ron làmột đơn vị tính toán có nhiều đầu vào và một đầu ra, mỗi đầu vào đến từ mộtkhớp nối thần kinh (synapse) Đặc trưng của nơ-ron là một hàm kích hoạt phituyến chuyến đối một tố họp tuyến tính của tất cả các tín hiệu đầu vào thànhtín hiệu đầu ra.

Một nơ-ron nhân tạo là một đon vị tính toán hay đon vị xử lý thông tin

cơ sở cho hoạt động của một mạng nơ-ron

Các thành phần cơ bản của một mô hình nơ-ron.[ 1]

- Trọng số và tống tín hiệu đầu vào:

- Hàm kích hoạt (hàm chuyển):

Hầu hết các đơn vị trong mạng nơ-ron chuyển net input bằng cách sửdụng một hàm vô hướng (scalar - to - scalar íìinction) gọi là hàm kích hoạt,kết quả của hàm này là một giá trị gọi là mức độ kích hoạt của đơn vị Trừkhả năng đơn vị đó thuộc lớp ra, giá trị kích hoạt được đưa vào một hay nhiềuđơn vị khác Các hàm kích hoạt thường bị ép vào một khoảng giá trị xác định,

do đó thường được gọi là các hàm nén (squashing)

Hàm biến đối tín hiệu đầu vào net cho tín hiệu đầu ra out được gọi làhàm kích hoạt Hàm này có đặc điếm là không âm và bị chặn, dùng đế giớihạn biên độ đầu ra của nơ-ron Có nhiều dạng hàm kích hoạt, người ta thường

sử dụng một hàm kích hoạt chung cho toàn mạng

Đồ thị hàm đồng nhất (Identity function)

3) Hàm sigmoid (Sigmoid íimction (logsig))

Ớ đó Ả là tham số độ dắc của hàm sigma Bằng việc biến đối tham số

Ả , chúng ta thu được các hàm sigma với các độ dốc khác nhau Thực tế, hệ số

góc tại x= 0 là ^ /4 Khi tham số hệ số góc tiến tới không xác định, hàm sigmatrở thành một hàm ngưỡng đơn giản Trong khi một hàm ngưỡng chỉ có giátrị là 0 hoặc 1, thì một hàm sigma nhận các giá trị từ 0 tới 1 Cũng phải ghinhận rằng hàm sigma là hàm phân biệt, trong khi hàm ngưỡng thì không(Tính phân biệt của hàm là một đặc tính quan trọng trong lý thuyết mạng

ỡ(*) = —^

(1.6)

Mô hình của một nút xử lý (nút thứ i):

Sj

Các liên kết ra

Hình 1.2 Mô hình no-ron

Mạng nơ-ron nhân tạo (ArtiỊỉcỉaỉ Neural Network - ANN) là mô hình

toán học hay mô hình tính toán được xây dựng dựa trên các mạng nơ-ron sinhhọc Nó gồm có một nhóm các nơ-ron nhân tạo (nút) nối với nhau và xử lýthông tin bằng cách truyền theo các kết nối và tính giá trị mới tại các nút(cách tiếp cận connectionism đối với tính toán) Phần lớn mạng nơ-ron nhântạo là một hệ thống thích ứng (iadaptỉve System)tự thay đổi cấu trúc của mìnhdựa trên các thông tin bên ngoài hay bên trong chảy qua mạng trong quá trìnhhọc

Với việc giả lập các hệ thống sinh học, các cấu trúc tính toán, mạng ron có thể giải quyết được các lớp bài toán nhất định, như: Bài toán người dulịch, bài toán tô màu bản đồ, bài toán nhận dạng mẫu Các bài toán phức tạpcao, không xác định Tuy nhiên, sự liên kết giữa một bài toán bất kỳ trongthực tế với một giải pháp mạng nơ-ron lại là một việc không dễ dàng

nơ-Xét một cách tổng quát, mạng no-ron là một cấu trúc xử lý song songthông tin phân tán mang các đặc tính nôi bật sau :

- Là mô hình toán học dựa trên bản chất của nơ-ron

- Bao gồm một số lượng rất lớn các nơ-ron liên kết với nhau

1.2.2.1 Mạng truyền thẳng.

- Mạng truyền thắng một lóp

Mạng perceptron một lớp do F.Rosenblatt đề xuất năm 1960 là mạngtruyền thang chỉ một lớp vào và một lớp ra không có lóp ấn Trên mỗi lóp này

Mô hình mạng nơ-ron truyền thắng một lóp là mô hình liên kết cơ bản

và đơn giản nhất Các nơ-ron tố chức lại với nhau tạo thành một lớp, đườngtruyền tín hiệu được truyền theo một hướng nhất định nào đó Các đầu vàođược nối với các nơ-ron theo các trọng số khác nhau, sau quá trình xử lý cho

Với mỗi giá trị đầu vào: x= ,x VỊ Qua quá trình xử lý của

(1.8)

Hình 1.3 Mạng truyền thăng một lóp

đươc xác đinh như sau:

n: Số tín hiệu ra.

Tống thông tin đầu vào Xw,y*

Trong trường họp trái lại nơ-ron sẽ được phân vào lóp B

- Mạng truyền thẳng nhiều lóp (Multilayer Perceptron -MLP)

Với mạng nơ-ron truyền thắng một lóp ở trên, khi phân tích một bàitoán phức tạp sẽ gặp rất nhiều khó khăn, đế khắc phục vấn đề này người tađưa ra mô hình mạng nơ-ron truyền thắng nhiều lớp bằng việc kết hợp một sốlóp nơ-ron lại với nhau Lớp nhận tín hiệu vào gọi là lóp vào, lớp đưa tín hiệu

ra của mạng được gọi là lớp ra Các lóp ở giữa lóp vào và lóp ra được gọi làlóp ấn và các nơ-ron trong các lớp ấn có hàm chuyển (hàm kích hoạt) dạngphi tuyến Mạng nơ-ron nhiều lớp có thế giải quyết các bài toán phi tuyến nhờvào các lớp ấn Càng nhiều lớp ấn thì khả năng mở rộng thông tin càng cao và

Hình (1.4) mô tả cấu trúc của mạng nơ-ron truyền thắng nhiều lóp.

1.2.2.2 Mạng hồi quy (Recurrent Neutral

1.3 Đặc trưng của mạng nơron.

Tiến trình học là tiến trình quan trọng của con người, nhờ học mà bộnão ngày càng tích lũy các kinh nghiệm đế thích nghi với môi trường và xử lýtình huống tốt hon Mạng nơ-ron xây dụng lại cấu trúc bộ não thì phải cần cókhả năng nhận biết dữ liệu thông qua tiến trình học, với các thông số tự docủa mạng có thế thay đối liên tục bởi nhũng thay đối của môi trường và mạngnơ-ron ghi nhớ giá trị đó

Trong quá trình học, giá trị đầu vào được đưa vào mạng và theo dòngchảy trong mạng tạo thành giá trị đầu ra

Tiếp đến là quá trình so sánh giá trị tạo ra bởi mạng nơ-ron vói giá trịmong muốn Neu hai giá trị này giống nhau thì không thay đối gì cả Tuynhiên, nếu có một sai lệch giữa hai giá trị này vượt quá giá trị sai số mongmuốn thì đi ngược mạng từ đầu ra về đầu vào đế thay đối một số kết nối

Đây là quá trình lặp lại liên tục và có thế không dừng khi không tìmđược giá trị w sao cho đầu ra tạo bởi mạng no-ron bằng đúng đầu ra mongmuốn Do đó trong thực tế người ta phải thiết lập một số tiêu chuẩn dựa trênmột giá trị sai số nào đó của hai giá trị này, hay dựa trên một số lần lặp nhấtđịnh

đồng thời từ đó giải quyết dễ dàng một số bài toán thuộc lớp bài toán NP- đầy

đủ (NP-Complete)

Các luật học đóng vai trò quan trọng trong việc xác định một mạngnơ-ron nhân tạo Một cách đơn giản về khái niệm học của mạng nơ-ron là cậpnhật trọng số trên cơ sở các mẫu Theo nghĩa rộng thì học có thể đuợc chia ralàm hai loại: Học tham số và học cấu trúc

- Học tham số: Các thủ tục học này nhằm tìm kiếm ma trận trọng số saocho mạng có khả năng đưa ra dự báo sát với thực tế Dạng chung của luật họctham số có thể được mô tả như sau:

Trong đó:

AWy: Là sự thay đối trọng số liên kết từ nơron j đến nơron i

X,: Là tín hiệu vào noTon i.

77: Là tốc độ học, nằm trong khoảng (0,1)

r: Là hằng số học.

Trong nhóm luật học này cũng cần phải kể đến luật học Perceptron củaRosenblatt (1958) về cơ bản luật học này thay đối các giá trị trọng trong thờigian học, còn luật Perceptron thì thêm hoặc bỏ trọng tùy theo giá trị sai sốdương hay âm

Một loạt các luật học khác cũng được dựa trên tư tưởng này Luật Oja

là cải tiến và nâng cấp của luật Delta Luật truyền ngược là luật mở rộng củaluật Delta cho mạng nhiều lóp Đối với mạng truyền thắng thường sử dụngluật truyền ngược để chỉnh trọng với tín hiệu chỉ đạo tù’ bên ngoài và người tagọi mạng này là mạng lan truyền ngược

+ Học không có tín hiệu chỉ đạo: Luật học này sử dụng đầu ra của

mạng làm cơ sở đế hiệu chỉnh các trọng số liên kết Hay trong luật này chính

là tín hiệu ra của mạng Điển hình là luật Hebb (1949) thường dùng cho cácmạng tự liên kết, luật LVQ (Leaming Vector Quantization) dùng cho mạng tự

tố chức một lóp thuộc lóp mạng ánh xạ đặc trung của Kohonen

Luật học Hebb là luật sinh học xuất phát tù’ tiên đề của Hebb cho rằng:Giữa hai nơ-ron có quan hệ và có thay đối thế năng thì giữa chúng có sự thayđối trọng số liên kết Nói cách khác, trọng số được điều chỉnh theo mối tươngquan trước và sau, nghĩa là:

Luật Hebb giải thích việc chỉnh trọng trong phạm vi cục bộ của mạng

mà không cần tín hiệu chỉ đạo từ bên ngoài Hopíleld cũng cải tiến luật Hebbcho các mạng tự liên kết thành 16 dạng khác nhau theo kiếu luật Hebb, luậtđối Hebb, luật Hopíìeld

Nhu vậy, ứng với mỗi nhóm mạng thường áp dụng một luật học nhấtđịnh Neu tồn tại hàng chục loại mạng khác nhau thì các luật học dùng trongmạng no-ron có thế tăng lên rất nhiều lần

Đối với mạng phản hồi thuờng sử dụng luật Hebb và các luật cải tiếncủa nó đế chỉnh trọng mà không cần tín hiệu chỉ đạo từ bên ngoài

+ Học tăng cườỉĩg: Trong một số trường họp, thông tin phản hồi chỉ là

tín hiệu bao gồm hai trạng thái cho biết tín hiệu đầu ra của mạng là đủng haysai Quá trình học dựa trên các thông tin hướng dẫn như vậy được gọi là học

có củng cố (học tăng cưòng) và tín hiệu mang thông tin phản hồi được gọi làtín hiệu củng cố cho quá trình học Ta có thể thấy rằng quá trình học này làmột dạng của quá trình học có tín hiệu chỉ đạo bởi vì mạng nhận được một sốthông tin phản hồi từ bên ngoài

+ Học cấu trúc: Tìm kiếm các tham số của cấu trúc mạng để tìm ra một

cấu trúc mạng hoạt động tốt nhất Trong thực tế, việc học cấu trúc là tìm ra sốlóp ấn và tìm ra số nơ-ron trên mỗi lóp đó Giải thuật di truyền thường được

sử dụng trong các cấu trúc nhưng thường chạy rất lâu, thậm chí ngay cả đốivới mạng có kích thước trung bình Ngoài ra kỹ thuật gọt tỉa mạng hay mạng

Thông thường, mạng noTon Kohonen gồm một lóp đầu vào và lóp đầura.

Mạng này được đặt tên bởi tên người lập ra nó, cố giáo sư, tiến sĩ T Kohonen.Mạng Kohonen khác biệt so với mạng noTon lan truyền ngược dẫn tiến ở cáchhuấn luyện và cách nó nhớ lại một mô hình Mạng Kohonen không sử dụngmột loại hàm kích hoạt nào Xa hon là nó không sử dụng loại trọng số biasnào

Đầu ra của mạng Kohonen không bao gồm đầu ra của một số nơron.Khi có một mẫu được đưa vào mạng thì chỉ có một nơron đầu ra được lựachọn gọi là noxon chiến thắng Nơron chiến thắng này chính là đầu ra củamạng Kohonen Thông thường thì các noron chiến thắng này đại diện cho cácnhóm dữ liệu đưa vào mạng Kohonen

Điếm khác biệt quan trọng nhất giữa mạng Kohonen va mạng nơrontruyền thẳng lan truyền ngược là mạng nơron Kohonen học theo phương pháphọc không giám sát, có nghĩa là mạng noxon Kohonen thao tác với dữ liệu

Các nơron đầu vào chỉ đon giản cung cấp dữ liệu vào cho mạng chứkhông có chức năng xử lý gì trên đấy Đối với mạng nơron Kohonen yêu cầuđầu vào được chuấn hóa có giá trị trong phạm vi từ -1 đến +1.

Đầu ra của mạng Kohonen không bao gồm đầu ra của một số nơron.Đối với mạng nơron truyền thắng, nếu có năm nơron đầu vào thì một đầu rabao gồm năm giá trị Còn mạng nơron Kohonen khi có một mẫu được đưavào mạng thì chỉ có một nơron đầu ra được lựa chọn gọi là noTon chiến thắng.Noron chiến thắng này chính là đầu ra của mạng noTon Kohonen Đầu ra củamạng nơron Kohonen thường là chỉ số của nơron chiến thắng, ví dụ Nơron

«23

Hình 1.8 dưới đây là một mạng Kohonen điển hình.Input trom txternalEnviror^ment

Hình 1.8: Mạng noron Kohonen điển hình

1.4.3.1 Chuẩn hóa đầu vào

Mạng Kohonen yêu cầu đầu vào được chuẩn hóa Dữ liệu đầu vào nên

có giá trị nằm trong khoảng -1 đến 1 Neu một hoặc nhiều hơn nơron đầu vào

sử dụng các giá trị chỉ nằm trong khoảng từ 0 đến 1 thì mạng nơron hoạt độngkhông đảm bảo chất lượng, đế chuấn hóa đầu vào, việc đầu tiên chúng ta phải

Hình 1.9 Dữ liệu đầu vào nơron Hình 1.10 Trọng số kết nối giữa các nơron

Đê chuân hóa dữ liệu đầu vào, chúng ta sẽ tính toán độ dài vector (vectorlength) của các dữ liệu đầu vào, hoặc vector đầu vào Trong trường hợp này độ dàivector sẽ là: (0.5 * 0.5) + (0.75 * 0.75) = 0.8125

Vậy trường hợp trên sẽ có độ dài vector là 0.8125 Sử dụng độ dài này, chúng ta cóthê xác định được hệ sô chuân hóa Hệ sô chuân hóa là sô nghịch đảo của căn bậchai độ dài vector đầu vào Trong trường hợp trên thì hệ số chuân hóa là:

^/0.8125

1.4.3.2 Tính toán đầu ra cho mỗi noron

Đe tính toán đầu ra cho mỗi véctơ đầu vào thì phải cùng xem xét véctơđầu vào và trọng số Đầu tiên phải tính tích vô hướng của các nơron đầu vào

Xét đầu ra của noron thứ j bây giờ được chuấn hóa bằng cách nhân giá

Giá trị vừa được tính toán phải được ánh xạ thành số lường cực Đe ánh

1.4.3.3 Chọn noxon chiến thắng.

Khi tính toán được đầu ra với từng nơron, tiến hành so sánh chúng đếtìm xem nơron nào có đầu ra lớn nhất (khoảng cách nhỏ nhất) thì nơron đóđược quyết định là nơron chiến thắng Như vậy ta đã tìm ra đầu ra của mạngnơron Kohonen Ta thấy giá trị này được quyết định bởi giá trị trọng số giừađầu vào và đầu ra Như vậy ta điều chỉnh trọng số này đế điều chỉnh giá trịđầu ra theo như nhiệm vụ yêu cầu

1.4.3.4 Quá trình học của mạng noron Kohonen

Quá trình học là quá trình hiệu chỉnh trọng số Toàn bộ quá trình huấnluyện cho mạng nơron Kohonen bao gồm các chu kỳ lặp lại cho đến khi mứclỗi của mạng dưới một mức chấp nhận được Quá trình huấn luyện cho mạng