NGHIÊN CỨU ỨNG DỤNG MẠNG NƠRON TRUYỀN THẲNG NHIỀU LỚP TRONG ĐIỀU KHIỂN THÍCH NGHI VỊ TRÍ ĐỘNG CƠ ĐIỆN MỘT CHIỀU KHI CÓ THÔNG SỐ VÀ TẢI THAY ĐỔI

ĐẠI HỌC THÁI NGUYÊN TRƯỜNG ĐẠI HỌC KỸ THUẬT CÔNG NGHIỆP ĐẠI HỌC THÁI NGUYÊN TRƯỜNG ĐHKT CÔNG NGHIỆP *** CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc lập - Tự - Hạnh phúc -o0o - THUYẾT MINH LUẬN VĂN THẠC SĨ TỰ ĐỘNG HÓA VŨ MẠNH THỦY NGHIÊN CỨU ỨNG DỤNG MẠNG NƠRON TRUYỀN THẲNG NHIỀU LỚP TRONG ĐIỀU KHIỂN THÍCH NGHI VỊ TRÍ ĐỘNG CƠ ĐIỆN MỘT CHIỀU KHI CĨ THƠNG SỐ VÀ TẢI THAY ĐỔI ĐỀ TÀI: NGHIÊN CỨU ỨNG DỤNG MẠNG NƠRON TRUYỀN THẲNG NHIỀU LỚP TRONG ĐIỀU KHIỂN THÍCH NGHI VỊ TRÍ ĐỘNG CƠ ĐIỆN MỘT CHIỀU KHI CĨ THƠNG SỐ VÀ TẢI THAY ĐỔI Học viên: Vũ Mạnh Thủy Lớp: CHK10 Chuyên ngành: Tự động hóa Người HD khoa học: TS Phạm Hữu Đức Dục LUẬN VĂN THẠC SĨ TỰ ĐỘNG HÓA Ngày giao đề tài: 01/02/2009 Ngày hoàn thành: 30/07/2009 KHOA ĐT SAU ĐẠI HỌC THÁI NGUYÊN - 2009 Số hóa Trung tâm Học liệu – Đại học Thái Nguyên NGƯỜI HƯỚNG DẪN KHOA HỌC HỌC VIÊN T.S Phạm Hữu Đức Dục Vũ Mạnh Thủy THÁI NGUYÊN – Năm 2009 http://www.Lrc-tnu.edu.vn Số hóa Trung tâm Học liệu – Đại học Thái Nguyên http://www.Lrc-tnu.edu.vn MỤC LỤC Lời cam đoan Trang 1.11 So sánh khả mạng nơron với mạch logic 25 1.12 Kết luận chƣơng 25 Chƣơng 2: CÁC PHƢƠNG PHÁP ỨNG DỤNG MẠNG NƠRON Danh mục ký hiệu, bảng, chữ viết tắt TRONG NHẬN DẠNG VÀ ĐIỀU KHIỂN Danh mục hình vẽ, đồ thị 26 Phần mở đầu 2.1 Các phƣơng pháp ứng dụng mạng nơron nhận dạng 26 Chƣơng 1: TỔNG QUAN VỀ MẠNG NƠRON NHÂN TẠO 2.1.1 Khái quát chung 26 1.1 Lịch sử phát triển mạng nơron nhân tạo 2.1.1.1 Đặt vấn đề 26 1.2 Các tính chất mạng nơron nhân tạo 2.1.1.2 Định nghĩa 27 1.3 Mơ hình nơron 2.1.1.3 Sơ lược phát triển phương pháp nhận dạng 27 1.3.1 Mô hình nơron sinh học 2.1.1.4 Các bước để nhận dạng hệ thống 28 1.3.2 Nơron nhân tạo 2.1.2 Các phương pháp nhận dạng 29 1.4 Cấu tạo mạng nơron 10 2.1.2.1 Nhận dạng On-line 30 1.5 Cấu trúc mạng nơron 11 2.1.2.1.1 Phương pháp lặp bình phương cực tiểu 30 1.6 Phƣơng thức làm việc mạng nơron 13 2.1.2.1.2 Phương pháp xấp xỉ ngẫu nhiên 31 1.7 Các luật học 14 2.1.2.1.3 Phương pháp lọc Kalman mở rộng 31 1.8 Mạng nơron truyền thẳng mạng nơron hồi quy 18 2.1.2.2 Nhận dạng Off-line 33 1.8.1 Mạng nơron truyền thẳng 18 2.1.2.2.1 Phương pháp xấp xỉ vi phân 34 1.8.1.1 Mạng nơron truyền thẳng lớp nơron 18 2.1.2.2.2 Phương pháp gradient 34 1.8.1.2 Mạng nơron truyền thẳng nhiều lớp nơron 18 2.1.2.2.3 Phương pháp tìm kiếm trực tiếp 36 1.8.2 Mạng nơron hồi quy 19 2.1.2.2.4 Phương pháp tựa tuyến tính 36 1.8.2.1 Mạng hồi quy khơng hồn tồn 19 2.1.2.2.5 Phương pháp sử dụng hàm nhạy 37 1.8.2.2 Mạng dãy Jordan 20 2.1.2.3 Nhận dạng theo thời gian thực 37 1.8.2.3 Mạng hồi quy đơn giản 21 2.1.3 Mơ tả tốn học đối tượng rời rạc 38 1.8.2.4 Mạng hồi quy hồn tồn 21 2.1.4 Mơ hình dùng mạng nơron 41 1.9 Ứng dụng mạng nơron điều khiển tự động 22 2.1.4.1 Mơ hình nhận dạng kiểu truyền thẳng 41 1.10 Công nghệ phần cứng sử dụng mạng nơron 24 2.1.4.2 Mơ hình ngược trực tiếp 45 Số hóa Trung tâm Học liệu – Đại học Thái Nguyên http://www.Lrc-tnu.edu.vn Số hóa Trung tâm Học liệu – Đại học Thái Nguyên http://www.Lrc-tnu.edu.vn 2.1.5 Tính gần hàm số dung mạng nơron 45 3.1.5 Tìm hàm truyền hệ thống 2.1.6 Mơ hình mạng nơron nhận dạng điều khiển 46 2.2 Các phƣơng pháp ứng dụng mạng nơron điều khiển 47 3.2 Ứng dụng mạng nơron truyền thẳng nhiều lớp điều khiển thích nghi vị trị động điện chiều có thơng số thay đổi 62 2.2.1 Các phương pháp ứng dụng mạng nơron điều khiển 47 2.2.1.1 Điều khiển thích nghi sử dụng nguyên tắc chung 47 2.2.1.2 Điều khiển có tín hiệu đạo 47 2.2.1.3 Điều khiển theo mơ hình 47 2.2.1.4 Điều khiển ngược trực tiếp 49 2.2.1.5 Điều khiển mơ hình 49 2.2.1.6 Điều khiển tối ưu 49 2.2.1.7 Điều khiển tuyến tính thích nghi 50 2.2.1.8 Phương pháp bảng tra 50 2.2.1.9 Điều khiển lọc 50 2.2.1.10 Điều khiển dự báo 50 2.2.2 Điều khiển thích nghi 51 2.2.2.1 Điều khiển thích nghi 51 2.2.2.2 Phương pháp điều khiển thích nghi theo mơ hình mẫu (MRAC) 52 2.3 Kết luận chƣơng 54 60 3.2.1 Bộ điều khiển phản hồi tuyến tính (NARMA-L2) 62 3.2.2 Nhận dạng mơ hình NARMA-L2 62 3.2.3 Bộ điều khiển NARMA-L2 64 3.2.4 Bài tốn ví dụ sử dụng khối điều khiển NARMA-L2 66 3.2.5 Kết thực nghiệm MATLAB 68 3.2.5.1 Số liệu 68 3.2.5.2 Kết mơ có tải thay đổi 68 3.2.5.3 Kết mơ có thơng số tải thay đổi 74 3.3 Kết luận chƣơng 80 Chƣơng4: KẾT LUẬN CHUNG VÀ KIẾN NGHỊ 81 Tài liệu tham khảo Chƣơng 3: ỨNG DỤNG MẠNG NƠRON TRUYỀN THẲNG NHIỀU LỚP ĐIỀU KHIỂN THÍCH NGHI VỊ TRÍ ĐỘNG CƠ ĐIỆN MỘT CHIỀU KHI CĨ THƠNG SỐ VÀ TẢI THAY ĐỔI 55 3.1 Mô tả động lực học động chiều 55 3.1.1 Tổng hợp mạch vòng dòng điện bỏ qua sức điện động động 55 3.1.2 Tổng hợp hệ thống truyền động điều khiển tốc độ 57 3.1.3 Hệ thống điều chỉnh tốc độ dùng điều chỉnh tốc độ tỷ lệ 57 3.1.4 Cấu trúc hệ điều chỉnh vị trí 59 Số hóa Trung tâm Học liệu – Đại học Thái Nguyên http://www.Lrc-tnu.edu.vn Số hóa Trung tâm Học liệu – Đại học Thái Nguyên http://www.Lrc-tnu.edu.vn DANH MỤC CÁC CHỮ VIẾT TẮT, TIẾNG NƯỚC NGỒI STT Ký hiệu DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ Diễn giải Artificial Neural Nơron nhân tạo Artificial Neural Networks Mạng nơron nhân tạo Hình 1.1 Mơ hình nơron sinh học Back Propagation Learaning Rule Luật học lan truyền ngược Hình 1.2 Mơ hình nơron nhân tạo Bipolar Sigmoid Function Hàm sigmoid cực Hình 1.3 Đồ thị loại hàm chuyển đổi Fuzzy Loogic mờ Hình 1.4 Mạng nơron lớp Fuzzy Neural Networks Mạng nơron mờ Hình 1.5 Sơ đồ cấu trúc loại mạng nơron Learing Học Hình 1.6 Mơ hình học có giám sát học củng cố Linear Graded Unit-LGU Phần tử graded tuyến tính Hình 1.7 Mơ hình học khơng có giám sát STT Ký hiệu Diễn giải tên hình vẽ Linear Threshold Unit-LTU Phần tử ngưỡng tuyến tính Hình 1.8 Sơ đồ cấu trúc chung trình học 10 Myltilayer Layer Feedforward NetWord Mạng nhiều lớp truyền thẳng Hình 1.9 Mạng nơron truyền thẳng lớp 11 Neural Nơron 10 Hình 1.10 Mạng nơron truyền thẳng nhiều lớp 12 Neural Networks Mạng nơron 11 Hình 1.11 Sơ đồ cấu trúc mạng Jordan 13 Output Layer Lớp 12 Hình 1.12 Sơ đồ cấu trúc mạng nơron hồi quy đơn giản 14 Paramater Learning Học thơng số 13 Hình 2.1 Điều khiển theo nguyên tắc phản hồi đầu 15 Recall Gọi lại 14 Hình 2.2 Quy trình nhận dạng hệ thống 16 Recurrent Neural Networks Mạng nơron hồi quy 15 Hình 2.3 Sơ đồ tổng quát nhận dạng thong số mô hình 17 Reinforcement Signal Tín hiệu củng cố 16 Hình 2.4 Nhận dạng theo phương pháp gradient 18 Reinforcement Learning Học củng cố 17 Hình 2.5 Mơ hình dạng 19 Rump Function Hàm Rump 18 Hình 2.6 Mơ hình dạng 20 Self Organizing Tự tổ chức 19 Hình 2.7 Mơ hình dạng Hình 2.8 Mơ hình dạng 21 Single Layer Feedforward NetWord Mạng lớp truyền thẳng 20 22 Step Function Hàm bước nhảy 21 Hình 2.9 Mơ hình nhận dạng kiểu truyền thẳng 23 Structure Learning Học cấu trúc 22 Hình 2.10 Mơ hình nhận dạng kiểu song song 24 Supervised Learning Học giám sát 23 Hình 2.11 Mơ hình nhận dạng kiểu nối tiếp-song song 25 Threshold Function Hàm giới hạn cứng 24 Hình 2.12 Mơ hình nhận dạng ngược trực tiếp 26 Unipolar Sigmoid Function Hàm sigmoid cực 25 Hình 2.13 Mơ hình 27 Unsupervised Learning Học khơng có giám sát 26 Hình 2.14 Mơ hình 27 Hình 2.15 Mơ hình 28 Hình 2.16 Mơ hình 29 Hình 2.17 Mơ hình điều khiển trực tiếp STT Số hóa Trung tâm Học liệu – Đại học Thái Nguyên http://www.Lrc-tnu.edu.vn Ký hiệu Diễn giải tên hình vẽ Số hóa Trung tâm Học liệu – Đại học Thái Nguyên http://www.Lrc-tnu.edu.vn 30 Hình 2.18 Mơ hình điều khiển gián tiếp 59 Hình 3.24 Dữ liệu xác nhận cho điều khiển NN NARMA-L2 31 Hình 2.19 Sơ đồ điều khiển mơ hình 60 Hình 3.25 Dữ liệu kiểm tra cho điều khiển NN NARMA-L2 32 Hình 2.20 Sơ đồ điều khiển theo phương pháp dự báo 61 Hình 3.26 33 Hình 2.21 Sơ đồ nguyên lý phương pháp điểu khiển thích nghi theo phương pháp mơ hình mẫu Đồ thị vị trí mẫu qd (nét mảnh) vị trí sau điều khiển q (nét đậm) 62 Hình 3.27 Đồ thị điện áp điều khiển 34 Hình 2.22 Sơ đồ điều khiển trực tiếp 63 Hình 3.28 Đồ thị mơmen tải MC (Nm) 35 Hình 2.23 Sơ đồ điều khiển gián tiếp 64 Hình 3.29 36 Hình 3.1 Sơ đồ khối mạch vịng dịng điện Sơ đồ khối mô tả động điện chiều có R, MC thay đổi 37 Hình 3.2 Sơ đồ khối 65 Hình 3.30 Dữ liệu vào tín hiệu vị trí động chiều 38 Hình 3.3 Sơ đồ khối hệ điều chỉnh tốc độ 66 Hình 3.31 39 Hình 3.4 Cấu trúc điều chỉnh Bảng điều khiển nhận dạng tín hiệu vị trí động chiều NARMA-L2 Hình 3.32 Huấn luyện đối tượng với dư liệu nhập vào Hình 3.5 Cấu trúc hệ điều chỉnh vị trí tuyến tính 67 40 Hình 3.33 Dữ liệu huấn luyện cho điều khiển NN NARMA-L2 41 Hình 3.6 Sơ đồ khối hệ điều chỉnh tốc độ 68 Hình 3.34 Dữ liệu xác nhận cho điều khiển NN NARMA-L2 Hình 3.7 Sơ đồ khối tương đương hệ điều chỉnh tốc độ 69 42 Hình 3.35 Dữ liệu kiểm tra cho điều khiển NN NARMA-L2 43 Hình 3.8 Sơ đồ khối tương đương hệ điều chỉnh tốc độ 70 Hình 3.36 Đồ thị điện áp điều chỉnh u Hình 3.9 Sơ đồ khối hệ điều chỉnh vị trí 71 44 Hình 3.37 45 Hình 3.10 Sơ đồ khối tương đương hệ điều chỉnh vị trí 72 Đồ thị điện trở R () 46 Hình 3.11 Cấu trúc mạng nơron 73 Hình 3.38 Đồ thị mơmen tải MC (Nm) 47 Hình 3.12 Sơ đồ khối điều khiển NARMA-L2 74 Hình 3.39 Đồ thị vị trí mẫu qd (nét mảnh) vị trí sau điều khiển q (nét đậm) 48 Hình 3.13 Bộ điều khiển thực với mơ hình nhận dạng NARMA-L2 49 Hình 3.14 Sơ đồ điều khiển vị trí nam châm vĩnh cửu 50 Hình 3.15 Đồ thị vị trí mẫu vị trí sau điều khiển 51 Hình 3.16 Sơ đồ khối mơ tả động chiều 52 Hình 3.17 Sơ đồ mạng nơron truyền thẳng nhiều lớp điều khiển thích nghi vị trí động điện chiều có tải thay đổi 53 Hình 3.18 Bảng điều khiển nhận dạng tín hiệu vị trí động chiều NARMA-L2 54 Hình 3.19 Dữ liệu vào tín hiệu vị trí động chiều 55 Hình 3.20 Xuất liệu làm việc 56 Hình 3.21 Nhập liệu vào điều khiển 57 Hình 3.22 Huấn luyện đối tượng với dư liệu nhập vào 58 Hình 3.23 Dữ liệu huấn luyện cho điều khiển NN NARMA-L2 STT Ký hiệu Diễn giải tên hình vẽ Số hóa Trung tâm Học liệu – Đại học Thái Nguyên http://www.Lrc-tnu.edu.vn Số hóa Trung tâm Học liệu – Đại học Thái Nguyên http://www.Lrc-tnu.edu.vn LỜI CAM ĐOAN Tôi xin cam đoan Luận văn cơng trình tơi tổng hợp nghiên cứu Trong luận văn có sử dụng số tài liệu tham khảo nêu phần tài liệu tham khảo Tác giả luận văn VŨ MẠNH THỦY PHẦN MỞ ĐẦU Lý chọn đề tài: Để điều khiển xác đối tượng chưa biết rõ thông số, trước tiên ta phải hiểu rõ đối tượng Đối với đối tượng có thơng số thay đổi động chiều có tải thay đổi, ta cần thực nhận dạng đặc tính vào để đảm bảo tạo tín hiệu điều khiển thích nghi lựa chọn xác Hiện thường dùng lơgíc mờ (Fuzzy Logic), mạng nơron (Neural Networks), mạng nơron mờ (Fuzzy Neural Networks) để nhận dạng điều khiển thích nghi hệ thống có thơng số thay đổi Trong khn khổ khóa học Cao học, chuyên ngành Tự động hóa trường Đại học Kỹ thuật Công nghiệp, tạo điều kiện giúp đỡ nhà trường Tiến sĩ Phạm Hữu Đức Dục, em lựa chọn đề tài tốt nghiệp “Nghiên cứu ứng dụng mạng nơron truyền thẳng nhiều lớp điều khiển thích nghi vị trí động điện chiều có thơng số tải thay đổi” Trong trình thực đề tài, tác giả cố gắng hạn chế tối đa khiếm khuyết, xong khơng thể tránh tất cả, kính mong Hội đồng Khoa học độc giả bổ xung đóng góp ý kiến để đề tài hồn thiện Cơ sở khoa học thực tiễn đề tài Ngày tiến khoa học kỹ thuật điện tử tin học hệ thống điều khiển tự động phát triển có thay đổi lớn Công nghệ vi mạch phát triển khiến cho việc sản xuất thiết bị điện tử ngày hoàn thiện Các biến đổi điện tử hệ thống đáp ứng khả tác động nhanh, độ xác cao mà cịn góp phần giảm kích thước hạ giá thành hệ thống Đặc biệt thập kỷ gần trước phát triển mạnh mẽ ngày hoàn thiện lý thuyết mạng nơron truyền thẳng nhiều lớp, hàng loạt ứng dụng lý thuyết mạng nơron truyền thẳng nhiều lớp mở kỷ nguyên ngành điều khiển Tuy ngành kỹ thuật điều khiển non trẻ ứng dụng công nghiệp điều khiển mạng nơron thật rộng rãi nhận dạng, phân loại sản phẩm, xử lý tiếng nói, chữ viết điều khiển hệ thống, điều khiển robot Tới có nhiều sản phẩm cơng nghiệp tạo nhờ kỹ thuật điều khiển mạng nơron, nhiều nước giới thành cơng Chính mà việc sâu nghiên cứu áp dụng lý thuyết điều khiển nơron truyền thẳng nhiều lớp điều khiển thích nghi vị trí động chiều có thơng số tải thay đổi có ý nghĩa khoa học Số hóa Trung tâm Học liệu – Đại học Thái Nguyên http://www.Lrc-tnu.edu.vn Số hóa Trung tâm Học liệu – Đại học Thái Nguyên http://www.Lrc-tnu.edu.vn Khác hẳn với kỹ thuật điều khiển kinh điển hồn tồn dựa vào xác tuyệt đối thông tin mà nhiều ứng dụng khơng cần thiết khơng thể có được, điều khiển nơron truyền thẳng nhiều lớp cần sử lý thơng tin (khơng xác) hay khơng đầy đủ, thơng tin mà xác nhận thấy quan hệ chúng với mơ tả Ý nghĩa khoa học thực tiễn đề tài Với ứng dụng mạng nơron truyền thẳng nhiều lớp điều khiển vị trí động điện chiều có thơng sơ phụ tải thay đổi, sau nhận dạng vị trí động chiều, ta thay gần mơ hình động chiều mạng nơron truyền thẳng nhiều lớp, từ thơng số mơ ngơn ngữ, cho định xác Chính khả làm mạng nơron, tính tốn tín hiệu điều khiển nhằm điều khiển thích nghi vị trí cho điều khiển nơron truyền thẳng chụp phương thức xử lý thông tin động điện chiều có thơng số phụ tải thay đổi phù hợp với yêu cầu cần điều khiển người Do việc áp dụng điều khiển nơron truyền thẳng nhiều lớp vào hệ thống điều khiển thích nghi vị trí động chiều có tải thơng thiết điều khiển thích nghi vị trí động điện chiều số thay đổi việc cần phải làm Mục đích đề tài Đối với đối tượng có thơng số thay đổi động chiều có phụ tải thay đổi, ta cần nhận dạng đặc tính vào để bảo đảm tạo tín hiệu điều khiển thích nghi xác Hiện thường sử dụng logic mờ (Fuzzy Logic), mạng nơron mờ (Fuzzy Neural Networks), mạng nơron (Neural Networks) để nhận dạng điều khiển thích nghi vị trí động điện chiều Đề tài nghiên cứu ứng dụng mạng nơron truyền thẳng nhiều lớp (bộ điều khiển NARMA-L2) điều khiển thích nghi vị trí động điện chiều có thơng số tải thay đổi Đối tƣợng phạm vi nghiên cứu đề tài: Phần mở đầu Chương Tổng quan mạng nơron nhân tạo Phân tích tổng quan mạng nơron bao gồm: phần lịch sử phát triển, kết cấu mạng nơron, ứng dụng chúng… Chương Các phương pháp ứng dụng mạng nơron nhận dạng điều khiển Phần tập trung trình bày phương pháp ứng dụng mơ hình mạng nơron nhận dạng điều khiển Chương Ứng dụng mạng nơron truyền thẳng nhiều lớp điều khiển thích nghi vị trí động điện chiều có thơng số tải thay đổi 3.1 Mô tả động lực học động chiều 3.2 Ứng dụng mạng nơron truyền thẳng nhiều lớp điều khiển thích nghi vị trí động điện chiều có thơng số tải thay đổi Chương Kết luận chung kiến nghị Số hóa Trung tâm Học liệu – Đại học Thái Nguyên http://www.Lrc-tnu.edu.vn Số hóa Trung tâm Học liệu – Đại học Thái Nguyên http://www.Lrc-tnu.edu.vn CHƢƠNG dụng nhiều lĩnh vực kinh tế, kỹ thuật, khoa học vũ trụ (Hecht - Nielsen, TỔNG QUAN VỀ MẠNG NƠRON NHÂN TẠO 1988) 1.2 Các tính chất mạng nơron nhân tạo - Là hệ phi tuyến: Mạng nơron có khả to lớn lĩnh vực nhận dạng điều khiển đối tượng phi tuyến Nghiên cứu mô não người, cụ thể mô nơron thần kinh ước muốn từ lâu nhân loại Từ mơ ước đó, nhiều nhà khoa học khơng ngừng nghiên cứu tìm hiểu mạng nơron Trong mạng nơron nhân tạo nói đến sách “Điều khiển học, hay điều chỉnh truyền sinh thể sống, máy móc” tác giả Nobert Wieners xuất năm 1948 Điều khiển học đặt mục đích nghiên cứu áp dụng nguyên lý làm việc hệ thống thần kinh động vật vào điều khiển Công cụ giúp điều khiển học thực mục đích trí tuệ nhân tạo mạng nơron Trí tuệ nhân tạo xây dựng dựa mạng nơron Mạng nơron nhân tạo (Artificial Neural Networks) hệ thống xây dựng dựa nguyên tắc cấu tạo não người Mạng nơron nhân tạo có số lượng lớn mối liên kết phần tử biến đổi (Processing Elements) có liên kết song song Nó có hành vi tương tự não người với khả - Là hệ xử lý song song: Mạng nơron có cấu trúc song song, có tốc độ tính tốn cao, phù hợp với lĩnh vực nhận dạng điều khiển - Là hệ học thích nghi: Mạng luyện từ số liệu khứ, có khả tự chỉnh số liệu đầu vào bị mất, điều khiển on-line - Là hệ nhiều biến, hệ nhiều đầu vào, nhiều đầu (Many Input Many Output - MIMO), tiện dụng điều khiển đối tượng có nhiều biến số 1.3 Mơ hình mạng nơron 1.3.1 Mơ hình nơron sinh học Mơ hình dạng nơron sinh học thể hình 1.1 học (Learning), gọi lại (Recall) tổng hợp thông tin từ luyện tập mẫu liệu Các phần tử biến đổi mạng nơron nhân tạo gọi nơron nhân tạo (Artificial Neural) gọi tắt nơron (Neural) Trong thiết kế hệ thống tự động hóa sử dụng mạng nơron khuynh hướng hoàn toàn mới, phương hướng thiết kế hệ thống điều khiển thông minh, hệ thống mà điều khiển có khả tư não người 1.1 Lịch sử phát triển mạng nơron nhân tạo Mạng nơron nhân tạo có lịch sử lâu dài Năm 1943, McCulloch Pitts đưa khả liên kết số liên kết bản, mạng nơron Năm 1949, Hebb đưa luật thích nghi mạng nơron Năm 1958, Rosenblatt đưa cấu trúc Perception Năm 1969, Minsky Papert phân tích đắn Perception, họ chứng minh tính chất rõ giới hạn số mơ hình Năm 1976, Grossberg dựa vào tích chất sinh học đưa số cấu trúc hệ động học phi tuyến với tính chất Năm 1982, Hoppfield đưa mạng học phi tuyến với tính chất Năm 1982, Rumelhart đưa mơ hình song song (Parallel Distributer Processing-PDS) số kết thuật toán Thuật toán học lan truyền ngược (Back Propagation learning rule) Rumelhart, Hinton, Williams (1986) đề xuất luyện mạng nơron nhiều lớp Những năm gần đây, nhiều tác giả đề xuất nhiều loại cấu trúc mạng nơron Mang nơron ứng Số hóa Trung tâm Học liệu – Đại học Thái Nguyên http://www.Lrc-tnu.edu.vn Cây Trục Nhân Thân nơron Hình 1.1 Mơ hình nơron sinh học Gồm có ba phần chính: Thân (Cell body), bên có nhân (Nucleus), (Dendrites) trục (Axon) Cây gồm dây thần kinh có liên kết với thân Trục có cấu trúc đơn, dài liên kết với thân có nhiệm vụ truyền tải thơng tin từ nơron Phần cuối trục có dạng phân nhánh Trong nhánh có cấu nhỏ khớp thần kinh (Synapse), từ nơron liên kết tín hiệu tới nơron khác Sự thu nhận thơng tin nơron từ nơron khác từ từ thân Tín hiệu thu, nhận dạng xung điện - Màng (Membrane): Mỗi tế bào thần kinh có màng, có nhiệm vụ giữ chất ni tế bào khơng tràn ngồi Do đó, phần tử nội bào ngoại bào khơng nhau, chúng có dung dịch Số hóa Trung tâm Học liệu – Đại học Thái Nguyên http://www.Lrc-tnu.edu.vn muối lỏng làm cho chúng bị phân thành nguyên tử âm (ion) dương - Tính mơđun: Các vùng nhớ phân thành mơđun mã hóa (cation) Các nguyên tử dương màng tạo điện màng (Membrane potential), tồn trạng thái cân lực: lực đẩy nguyên tử dương khỏi tế bào với lực hút chúng vào tế bào Điện màng phần tử quan trọng trình truyền tin hệ thần định nghĩa mối quan hệ tích hợp tín hiệu vào qua giác quan tín hiệu - Mối liên kết: Liên kết lớp dẫn đến liệu dùng chung xem liên hệ phản hồi truyền tín hiệu kinh Khi thay đổi khả thẩm thấu ion màng điện màng tế bào bị - Sử lý phân tán tín hiệu vào: Các tín hiệu vào truyền qua nhiều thay đổi tiến tới ngưỡng đó, đồng thời sinh dịng điện, dịng điện kênh thông tin khác nhau, xử lý phương pháp đặc biệt gây phản ứng kích thích làm thay đổi khả thẩm thấu ion tế bào thần kinh 1.3.2 Mơ hình nơron nhân tạo Sự thay tính chất mạng nơron sinh học mơ hình tốn Bộ não người gồm có gần 1011 nơron nhiều loại khác Mạng học tương đương gọi mạng nơron nhân tạo Mạng nơron nhân tạo nơron tái tạo kỹ thuật chức hệ thần kinh người chế tạo nhiều cách khác thực tế tồn nhiều kiểu Trong q trình tái tạo khơng phải tất chức não người có tái tạo, mà có chức cần thiết Bên cạnh cịn có chức tạo nhằm giải toán điều khiển định trước mạng nơron nhân tạo Dựa vào cấu trúc nơron sinh học có nhiều mơ hình đưa perceptron (Roenblatt, 1958); adaline (Windrow Hoff, 1960) Nhưng thông thường nơron có phần (Hình 1.2) * Xử lý thơng tin não: Thông tin tiếp nhận từ giác quan chuyển vào tế bào thần kinh vận động tế bào Mỗi tế bào thần kinh tiếp nhận thông tin, điện Mỗi nơron gồm có nhiều đầu vào đầu Trên đầu vào có gắn trọng số để liên hệ nơron thứ i với nơron thứ j Các trọng số tương tự tế bào cảm giác nơron sinh học tăng thần kinh cảm giác, điện vượt ngưỡng tạo dòng điện tế bào thần kinh cảm giác, ý nghĩa dịng điện giải mã lưu thần kinh trung ương, kết sử lý thông tin gửi đến tế bào Các khớp tế bào thần kinh đưa tín hiệu giống nhau, khơng thể : y1 : phân biệt loại động vật nguyên thủy hay giáo sư Các khớp thần kinh cho tín hiệu phù hợp qua chúng, cịn lại tín hiệu khác bị cản u1 lại Lượng tín hiệu biến đổi gọi cường độ khớp thần kinh trọng số nơron mạng nơron nhân tạo Tại việc nghiên cứu mạng thần kinh lại có tầm quan trọng lớn lao? Có thể trả lời ngắn gọn giống tín hiệu tế bào thần kinh đơn lẻ, chức thực não khơng phụ thuộc vào vai trị tế bào thần kinh đơn, mà phụ thuộc vào toàn tế bào thần kinh hay cách tế bào thần kinh liên kết với thành mạng thần kinh hay mạng nơron (Neural Networks) * Các đặc tính não người: - Tính phân lớp: Các vùng não phân thành lớp, thông tin sử lý theo tầng Số hóa Trung tâm Học liệu – Đại học Thái Nguyên http://www.Lrc-tnu.edu.vn Wi1 Wij WiN : uk Wik∗ uM ∗ WiM θ1 Hệ động học tuyến  Wij∗ vi xi tính Hàm động học phi yi tuyến a(.) Hình 1.2 Mơ hình nơron nhân tạo - Tổng trọng: 𝑁 𝑛𝑒𝑡𝑖 𝑡 = 𝑣𝑖 𝑡 = 𝑀 𝑊𝑖𝑘∗ 𝑢𝑘 𝑡 + 𝜃𝑖 𝑊𝑖𝑗 𝑦𝑖 𝑡 + 𝑗 =1 1.1 𝑘=1 Số hóa Trung tâm Học liệu – Đại học Thái Nguyên http://www.Lrc-tnu.edu.vn Với vi(t) tổng trọng nơron thứ i; yi đầu nơron thứ j; ui(t) đầu vào từ bên tương ứng với trọng số Wij 𝑊𝑖𝑘∗ ; 𝜃𝑖 số gọi ngưỡng nơron thứ i Có thể viết (1.1) dạng: 𝑛𝑒𝑡𝑖 𝑡 = 𝑣𝑖 𝑡 = 𝑤 𝑦 𝑡 + 𝑤 ∗ 𝑢 𝑡 + 𝜃 1.2 Với ma trận w w* có cỡ tương ứng là: n x n n x m - Hệ động học tuyến tính SISO: đầu vào vi, đầu xi Ở dạng toán tử Laplace: 𝑥𝑖 𝑠 = 𝐻 𝑠 𝑣𝑖 𝑠 Dạng thời gian (1.3) trở thành: 1.3 𝑡 𝑥𝑖 𝑡 = 𝑕 𝑡 − 𝜏 𝑣𝑖 𝜏 𝑑𝜏 1.4 −∞ Quan hệ H(s), h(t) quan hệ vào - tương ứng nơron cho bảng 1.1 h(t) 𝛿(𝑡) xi(t)=vi(t) (1.6) - Số nhị phân (0,1) Có nhiều hàm số thỏa mãn điều kiện trên, thường dùng dạng sau (Hình 1.3): + Hàm Rump (Rump Function): (Hình 1.3a) 𝑛ế𝑢 𝑓 > 𝑎 𝑓 = 𝑓 𝑛ế𝑢 ≤ 𝑓 ≤ (1.7) 𝑛ế𝑢 𝑓 < + Hàm bước nhảy (Step Function): (hình 1.3b): Khơng khả vi, dạng bước nhảy, dương: 𝑛ế𝑢 𝑓 ≥ 1.8 𝑛ế𝑢 𝑓 < + Hàm giới hạn cứng (Threshold Function): (Hình 1.3c): 𝑎 𝑓 = Bảng 1.1: H(s) out = y = a(Net) out (hoặc y) tín hiệu ra; a(.) hàm chuyển đổi Hàm chuyển đổi a(.) thực coi nơron hộp đen, chuyển đổi m tín hiệu vào thành tín hiệu Các biến đầu vào đầu là: - Số thực: Tốt khoảng (0,1) (-1,1) 1 𝑠 𝑡