Mạng ANFIS và ứng dụng cho dự báo mực nước hồ thủy điện thác bà

i LỜI CAM ĐOAN Tôi xin cam đoan tất nội dung luận văn hoàn toàn hình thành phát triển từ quan điểm cá nhân tôi, hướng dẫn bảo PGS.TS Lê Bá Dũng Các số liệu kết có luận văn tốt nghiệp hoàn toàn trung thực Học viên Nguyễn Tô Hoán ii LỜI CẢM ƠN Để hoàn thành chương trình cao học viết luận văn này, nhận hướng dẫn, giúp đỡ bảo nhiệt tình thầy giáo, cô giáo Trường Đại học Công nghệ thông tin Truyền thông- Đại học Thái Nguyên Đặc biệt thầy Viện công nghệ thông tin Hà Nội tận tình dạy bảo cho suốt thời gian học tập trường Tôi xin gửi lời cảm ơn đến PGS.TS Lê Bá Dũng dành nhiều thời gian tâm huyết hướng dẫn hoàn thành luận văn Mặc dù cố gắng hoàn thiện luận văn tất lực mình, song tránh khỏi thiếu sót, mong nhận đóng góp quý báu thầy giáo, cô giáo bạn Tôi xin chân thành cảm ơn! iii MỤC LỤC LỜI CAM ĐOAN i LỜI CẢM ƠN ii MỤC LỤC iii DANH MỤC CÁC HÌNH VẼ v DANH MỤC CÁC BẢNG BIỂU vi DANH MỤC CÁC TỪ VIẾT TẮT vii MỞ ĐẦU Chương TỔNG QUAN VỀ MẠNG NƠRON NHÂN TẠO VÀ HỆ MỜ 1.1 Cấu trúc mô hình mạng nơron 1.1.1 Mô hình nơron sinh học 1.1.2 Mô hình nơron nhân tạo 1.2 Cấu tạo phương thức làm việc mạng nơron 1.2.1 Mạng nơron truyền thẳng lớp 1.2.2 Mạng nơron truyền thẳng nhiều lớp 1.2.3 Mạng nơron phản hồi 1.2.4 Mạng nơron hồi quy 10 1.3 Các luật học 10 1.3.1 Học có giám sát 11 1.3.2 Học giám sát 12 1.3.3 Học củng cố 13 1.4 Hệ mờ mạng nơron 14 1.4.1 Kiến trúc hệ mờ tổng quát 14 1.4.2 Sự kết hợp logic mờ mạng neural 20 1.5 Kết luận chương 22 Chương MÔ HÌNH MẠNG ANFIS VÀ KHẢ NĂNG ỨNG DỤNG 22 2.1 Hệ suy diễn mờ dựa mạng thích nghi 23 iv 2.1.1 Các mô hình kết hợp hệ mờ mạng nơron 23 2.1.2 Luật mờ if then hệ thống suy diễn mờ 24 2.1.3 Mạng thích nghi 26 2.1.4 Cấu trúc mạng ANFIS 27 2.2 Thuật toán ANFIS 29 2.2.1 Thuật toán học lan truyền ngược 29 2.2.2 Thuật toán học lai 35 2.3 Khả ứng dụng mạng ANFIS 37 Chương ỨNG DỤNG MÔ HÌNH MẠNG ANFIS TRONG BÀI TOÁN PHÂN TÍCH ĐÁNH GIÁ DỰ BÁO MỰC NƯỚC VÀ THỬ NGHIỆM 39 3.1 Bài toán dự báo mực nước 39 3.1.1 Một số khái quát khí hậu, môi trường tự nhiên 39 3.1.2 Sự cần thiết việc dự báo mực nước 41 3.1.3 Cần phải thích nghi 43 3.2 Ứng dụng mạng ANFIS dự báo mực nước 45 3.2.1 Thiết kế suy diễn nơron mờ thích nghi 45 3.2.2 Xây dựng mô hình ANFIS cho xử lý số liệu 50 3.3 Đánh giá kết thực chương trình 57 3.4 Kết luận hướng phát triển 58 3.4.1 Kết luận 58 3.4.2 Hướng phát triển 59 TÀI LIỆU THAM KHẢO 60 v DANH MỤC CÁC HÌNH VẼ Hình 1.1 Cấu trúc nơron sinh học điển hình Hình 1.2 Mô hình nơron nhân tạo Hình 1.3 Đồ thị dạng hàm truyền Hình 1.4 Mạng truyền thẳng lớp Hình 1.5 Mô hình cấu trúc mạng nơron truyền thẳng nhiều lớp Hình 1.6 Mạng nơron phản hồi Hình 1.7 Mạng hồi quy lớp có nối ngược 10 Hình 1.8 Mạng quy hồi nhiều lớp có nối ngược 10 Hình 1.9 Sơ đồ học tham số có giám sát 12 Hình 1.10 Sơ đồ học tham số giám sát 13 Hình 1.11 Kiến trúc hệ mờ tổng quát 14 Hình 1.12 Hệ mờ nhiều đầu vào - đầu 15 Hình 1.13 Hàm thuộc hệ mờ đầu vào – luật 17 Hình 1.14 Hàm thuộc hệ mờ hai đầu vào - luật 18 Hình 1.15 Mô hình hệ mờ - neural 22 Hình 2.1 Hệ thống suy luận mờ 25 Hình 2.2 Mạng thích nghi 26 Hình 2.3 Cấu trúc ANFIS 27 Hình 2.4 Mạng ba lớp lan truyền ngược 29 Hình 3.1 Hình ảnh đập Hồ thủy điện Thác Bà 43 Hình 3.2 Các phương trình minh họa cho việc thực thi mạng 50 Hình 3.3 Biểu diễn đồ thị liệu vào 51 Hình 3.4 Biểu diễn kết mực nước thực tế dự báo qua mô hình A 52 Hình 3.5 Biểu diễn kết mực nước thực tế dự báo qua mô hình B 52 Hình 3.6 Biểu diễn kết mực nước thực tế dự báo qua mô hình C 53 Hình 3.7 Biểu diễn kết mực nước thực tế dự báo qua mô hình D 54 Hình 3.8 Biểu diễn kết mực nước thực tế dự báo qua mô hình E 54 vi DANH MỤC CÁC BẢNG BIỂU Bảng 3.1 Lưu lượng dòng chảy đến hồ biến đổi chậm 12 tháng45 Bảng 3.3 Các mô hình dự báo đầu mực nước hồ với đầu vào khác 51 Bảng 3.4 Biểu diễn số liệu đo thực dự báo theo mô hình bảng 3.3 55 Bảng 3.5 Mô hình dự báo theo ANFIS so sánh với số liệu dự báo 56 hồ Thác Bà theo tài liệu công bố 56 vii DANH MỤC CÁC TỪ VIẾT TẮT ANN ANFIS MIMO MISO LSE Artificial Neural Network Mạng nơron nhân tạo Adaptive Neural Fuzzy Insference System Hệ suy luận mờ Multi Input Multi Output Hệ mờ nhiều đầu vào - nhiều đầu Multi Input Single Output Hệ mờ nhiều đầu vào - đầu Least Squara Error Phương pháp ước lượng sai số bình phương cực tiểu MỞ ĐẦU Ngày nay, mạng nơron nhân tạo, Artificial Neural Network (ANN) gọi tắt mạng nơron ứng dụng thành công, nhà khoa học kĩ sư năm gần có nhiều nghiên cứu ứng dụng việc xấp xỉ hàm, nhận dạng điều khiển, xử lý ảnh, dự đoán chuỗi thời gian,… Hệ mờ nơ ron kết hợp logic mờ và khả học mạng nơron Một kết hợp hệ mờ nơron thích nghi (ANFIS - Adaptive Neuro Fuzzy Inference System) Hệ thống có khả tối ưu hóa hệ mờ dựa tập mẫu có sẵn Các hệ mờ - nơron công cụ thống kê phương pháp khác sử dụng toán dự báo dự báo số kinh tế, tài Các mạng nơron chứa số lượng lớn thông số đầu vào cho phép việc học bên quan hệ không tuyến tính chuỗi thời gian, tăng cường khả dự báo Trong năm gần đây, nhiều toán dự báo chuyên gia tin tưởng sử dụng hệ thống thông minh khác nhau, Mạng Nơron nhân tạo hệ suy luận mờ - nơron (ANFIS) ứng dụng lĩnh vực Bài toán dự báo mực nước hồ thủy điện yêu cầu phát triển kinh tế xã hội tỉnh Yên Bái Trong luận văn này, mực nước hồ thủy điện dự báo cách sử dụng hệ suy luận mờ dựa mạng thích nghi (ANFIS), luận văn bao gồm nội dung sau: Chương Tổng quan mạn nơron nhân tạo hệ mờ Chương Mô hình mạng Anfis khả ứng dụng Chương Ứng dụng mô hình mạng Anfis toán phân tích đánh giá dự báo mực nước thử nghiệm Do yêu cầu nên em chọn làm đề tài “Mạng ANFIS ứng dụng cho dự báo mực nước hồ thủy điện Thác Bà” cho luận văn tốt nghiệp Đề tài này, em trình bày hệ thống suy luận mờ dựa mạng thích nghi ANFIS để dự báo mực nước lâu dài, dự báo mực nước hàng năm, phục vụ cho phát triển kinh tế xã hội tỉnh Yên Bái Chương TỔNG QUAN VỀ MẠNG NƠRON NHÂN TẠO VÀ HỆ MỜ 1.1 Cấu trúc mô hình mạng nơron 1.1.1 Mô hình nơron sinh học Qua trình nghiên cứu não, người ta thấy rằng: não người bao gồm khoảng 1011 nơron tham gia vào khoảng 1015 kết nối đường truyền Mỗi đường truyền dài khoảng mét Các nơron có nhiều đặc điểm chung với tế bào khác thể, chúng có khả mà tế bào khác được, khả nhận, xử lý truyền tín hiệu điện hóa đường mòn nơron, đường tạo nên hệ thống giao tiếp não Hình 1.1 Cấu trúc nơron sinh học điển hình Mỗi nơron sinh học có thành phần bản: • Các nhánh vào hình (dendrites) • Thân tế bào (cell body) 46 Các thông số đầu vào trạm khí Tượng thuỷ Văn Yên bái Nhiệt Stt Tháng/năm độ thấp Tmin Nhiệt độ cao Tma x Áp suất (P) Số nắng Sh Tổng lượng mưa (R mm) Tốc độ gió (m/s) Độ ẩm tươn g đối (%) Đầu (mực nước) Tháng 3/2014 Tháng 4/2014 19.2 32.4 10060 20.1 115.8 93 1884 Tháng 5/2014 19.1 39.2 9990 172.2 71.1 82 1896 23.4 36.5 9981 128.7 114.0 85 1865 Tháng 10 13.7 30.1 10088 11.3 71.8 94 2039 6/2014 Tháng 7/2014 24.3 36.4 9972 178.3 250.4 85 1909 Tháng 8/2014 22.7 36.1 9994 173.1 375.0 87 1854 Tháng 9/2014 22.1 34.9 10033 153.3 351.7 89 1952 10 Tháng 10/2014 19.0 33.5 10090 158.7 127.9 87 1941 11 Tháng 11/2014 16.3 32.3 10106 75.6 107.1 90 1930 12 Tháng 12/2014 7.2 24.4 10159 78.8 20.5 86 1875 47 Bước 2: Tiền xử lý số liệu: Các giá trị nhiễu loại bỏ để có số liệu thích hợp cho dự báo Bảng 3.2 Chuẩn hóa số liệu thu thập từ bảng 3.1 Các thông số đầu vào trạm khí Tượng thuỷ Văn Yên bái Nhiệt Nhiệt Stt Tháng/ độ năm thấp Chuẩn hóa độ Nhiệt độ cao thấp nhất Tmin Tmin Tma 3' Chuẩn hóa Áp Nhiệt độ cao suất Tmax (P) Số Chuẩn hóa áp suất (P) nắng Sh Chuẩn hóa số nắng Sh Tổng lượng mưa (Rmm) Chuẩn hóa Tốc độ tổng lượng gió mưa (Rmm) (m/s) Đầu Độ Chuẩn hóa tốc độ gió ẩm Chuẩn hóa tương độ ẩm tương (mực đối (%) nước) 9' 10 đối (m/s) Chuẩn hóa đầu (mực nước) (%) x 1 Tháng 1/2014 Tháng 2/2014 Tháng 3/2014 Tháng 4/2014 Tháng 5/2014 Tháng 6/2014 4' 5' 6' 7' 8' 10' 0.5 25.0 0.0 10140 0.898395722 104.4 0.55748503 6.2 84 0.166666667 1974 0.648648649 8.4 0.331932773 29.0 0.3 10114 0.759358289 33.3 0.131736527 44.1 0.102765727 0.333333333 89 0.583333333 1996 0.767567568 13.7 0.554621849 30.1 0.385135135 10088 0.620320856 11.3 71.8 0.177874187 0.333333333 94 2039 19.2 0.785714286 32.4 0.540540541 10060 0.470588235 20.1 0.052694611 115.8 0.297180043 0.666666667 93 0.916666667 1884 0.162162162 19.1 0.781512605 39.2 9990 0.096256684 172.2 0.963473054 71.1 0.175976139 82 1896 0.227027027 23.4 0.962184874 36.5 0.817567568 9981 0.048128342 128.7 0.702994012 114.0 0.292299349 0.333333333 85 0.25 1865 0.059459459 24.3 36.4 0.810810811 9972 178.3 250.4 0.662147505 0.666666667 85 0.25 1909 0.297297297 Tháng 7/2014 48 10 11 12 Tháng 8/2014 Tháng 9/2014 Tháng 10/2014 Tháng 11/2014 Tháng 12/2014 Trung bình năm 22.7 0.932773109 36.1 0.790540541 9994 0.117647059 173.1 0.968862275 375.0 0.666666667 87 0.416666667 1854 22.1 0.907563025 34.9 0.709459459 10033 0.326203209 153.3 0.850299401 351.7 0.936822126 0.333333333 89 0.583333333 1952 0.52972973 19.0 0.777310924 33.5 0.614864865 10090 0.631016043 158.7 0.882634731 127.9 0.329989154 87 0.416666667 1941 0.47027027 16.3 0.663865546 32.3 0.533783784 10106 0.71657754 75.6 0.38502994 107.1 0.273590022 90 0.666666667 1930 0.410810811 7.2 0.281512605 24.4 10159 78.8 0.404191617 20.5 0.038774403 86 0.333333333 1875 0.113513514 16.3 0.663865546 28.0 0.2 10061 0.475935829 107.3 0.574850299 138.0 0.4 5.2 0.4 88 0.5 1926 0.637168142 49 Bước 3: Xây dựng mạng nơron Bước 4: Huấn luyện mạng: Quá trình huấn luyện mạng sử dụng với thuật toán lai kết hợp phương pháp bình phương thuật toán lan truyền ngược mạng ANFIS sử dụng hàm thuộc dạng hàm Gauus Bước 1: Chọn độ học   , chọn sai số cực đại Emax Bước 2: Khởi động - Gán sai số E = - Gán biến chạy k = - Gán vecto trọng số wiq(k), vqi(k) (i 1, n), (i 1, m) , q 1, l giá trị ngẫu nhiên nhỏ Bước 3: (Truyền thuận liệu) Tính ngõ mạng với tín hiệu vào x (k ) m Lớp ẩn: netq (k )   vqj (k ) x j (k ) q  1, l j 1 zq (k )  ah (netq (k )) q  1, l l Lớp ra: neti (k )   wiq (k ) z q (k ) (i 1, n) yi (k )  a0 (neti (k )) (i  1, n) q 1 Bước 4: (Lan truyền ngược sai số) Cập nhập trọng số mạng: Lớp ra:  oi (k )(di (k ))  yi (k )a0 (neti (k )) (i  1, n) yi (k )  a0 (neti (k )) Lớp ẩn:  n (i 1, n); q  1, l   hq (k )   oi (k ) wiq (k ) ah (netq (k )) (q 1, l ) vqj (k  1)  vqj (k )  hq (k ) x j (k ) (q  1, l )  i 1  Bước 5: Tính sai số tích lũy: EE  n  di (k )  yi (k )2 i 1 50 Bước 6: Nếu k < K gán k = k + trở lại bước Nếu k = K tiếp tục bước Bước 7: Kết thúc chu kỳ huấn luyện (Epoch) - Nếu E = kết thúc trình học - Nếu E ≠ gán E = 0, k = trở lại bước bắt đầu chu kỳ huấn luyện Bước 5: Kiểm tra trình hoạt động: Quá trình kiểm tra tính toán theo liệu thực theo sơ đồ: Bắt đầu Thu thập số liệu Tiền xử lý liệu Xây dựng mạng Huấn luyện mạng Kiểm tra mạng Kết thúc Hình 3.2 Các phương trình minh họa cho việc thực thi mạng 3.2.2 Xây dựng mô hình ANFIS cho xử lý số liệu Quá trình xử lý số liệu chia bước: Bước 1: Tính toán trình thực mạng qua kết hợp thông số mực nước hồ phụ thuộc vào thời tiết, nhiệt độ, gió, mưa, độ 51 ẩm tương đối… cho dự báo sử dụng ANFIS Ở sử dụng kết hợp khác thông số cần thiết cho dự báo mực nước hồ phụ thuộc vào thời tiết, nhiệt độ, gió, mưa, độ ẩm tương đối… Trong bảng 3.1 thông số liên quan đến mực nước hồ (RH), nhiệt độ thấp (MinT), nhiệt độ cao (MaxT), áp suất (SLp), số nắng (Ssh), mưa (Rain), tốc độ gió (Ws) độ ẩm (Wd) Trên sở đề xuất mô hình A, B, C, D, E theo phụ thuộc với thông số vào thời tiết Bảng 3.3 Các mô hình dự báo đầu mực nước hồ với đầu vào khác Mô hình N0 A B C D E Bước 2: Các thông số vào Đầu MinT, MaxT, SLp RH MinT, MaxT, SLp,Ssh RH MinT,MaxT,Slp, Ssh, Rain RH MinT, MaxT, Slp,Ssh, Rain,Ws RH MinT, MaxT, Slp, Ssh, Rain, Ws,Wd RH Chúng ta sử dụng việc kết hợp mạng ANN vào FL (hệ suy diễn nơron mờ thích nghi) với hàm thuộc dạng Gauss cho tính toán dự báo Các kết dự báo thể bảng biểu đồ thị sau: DU LIEU VAO 0.8 0.6 0.4 0.2 0 THOI GIAN 10 12 THOI GIAN 10 12 DU LIEU RA 0.8 0.6 0.4 0.2 Hình 3.3 Biểu diễn đồ thị liệu vào 52  Dự báo thực tế mực nước mô hình A với đầu vào: - Nhiệt độ thấp Tmin - Nhiệt độ cao Tmax - Áp suất SLp DU LIEU DA CHUAN HOA CHO MUC NUOC HO 2.5 1.5 0.5 -0.5 -1 -1.5 -2 -2.5 THOI GIAN DO VA DU BAO 10 12 Hình 3.4 Biểu diễn kết mực nước thực tế dự báo qua mô hình A  Dự báo thực tế mực nước mô hình B với đầu vào: - Nhiệt độ thấp Tmin - Nhiệt độ cao Tmax - Áp suất SLp - Số ngày nắng Ssh DU LIEU DA CHUAN HOA CHO MUC NUOC HO 1.2 0.8 0.6 0.4 0.2 -0.2 THOI GIAN DO VA DU BAO 10 12 Hình 3.5 Biểu diễn kết mực nước thực tế dự báo qua mô hình B 53  Dự báo thực tế mực nước mô hình C với đầu vào: - Nhiệt độ thấp Tmin - Nhiệt độ cao Tmax - Áp suất SLp - Số ngày nắng Ssh - Lượng mưa Rain DU LIEU DA CHUAN HOA CHO MUC NUOC HO 1.2 0.8 0.6 0.4 0.2 -0.2 THOI GIAN DO VA DU BAO 10 12 Hình 3.6 Biểu diễn kết mực nước thực tế dự báo qua mô hình C  Dự báo thực tế mực nước mô hình D với đầu vào: - Nhiệt độ thấp Tmin - Nhiệt độ cao Tmax - Áp suất SLp - Số ngày nắng Ssh - Lượng mưa Rain - Tốc độ gió Ws 54 DU LIEU DA CHUAN HOA CHO MUC NUOC HO 1.2 0.8 0.6 0.4 0.2 -0.2 THOI GIAN DO VA DU BAO 10 12 Hình 3.7 Biểu diễn kết mực nước thực tế dự báo qua mô hình D  Dự báo thực tế mực nước mô hình E với đầu vào: - Nhiệt độ thấp Tmin - Nhiệt độ cao Tmax - Áp suất SLp - Số ngày nắng Ssh - Lượng mưa Rain - Tốc độ gió Ws - Độ ẩm tương đối Wd DU LIEU DA CHUAN HOA CHO MUC NUOC HO 1.2 0.8 0.6 0.4 0.2 -0.2 THOI GIAN DO VA DU BAO 10 12 Hình 3.8 Biểu diễn kết mực nước thực tế dự báo qua mô hình E 55 Bảng 3.4 Biểu diễn số liệu đo thực dự báo theo mô hình bảng 3.3 Do thuc Mo hinh Mo hinh Mo hinh Mo hinh Mo hinh 0.6486 0.6486 1.3311 0.8003 0.8003 0.6486 0.7676 0.5861 2.0634 0.0898 0.0898 0.7676 1.0000 0.1956 1.3033 0.0376 0.0376 1.0000 0.1622 0.1994 0.1548 0.0167 0.0167 0.1622 0.2270 0.0344 -1.2821 0.2270 0.2270 0.2270 0.0595 0.0177 -2.1699 0.4669 0.4669 0.0596 0.2973 0.0177 -2.1916 0.6520 0.6520 0.2972 0.0294 -1.8748 0.2858 0.2858 0.0000 0.5297 0.2007 0.0730 -0.1583 -0.1583 0.5297 0.4703 0.4884 0.6571 0.0365 0.0365 0.4703 0.4108 0.5806 1.4502 0.0550 0.0550 0.4108 0.1135 0.2263 0.8507 0.2545 0.2545 0.1135 56 DỰ BÁO THUỶ VĂN HẠN VỪA DÒNG CHẢY ĐẾN HỒ SƠN LA, HÒA BÌNH, THÁC BÀ VÀ TUYÊN QUANG Bảng 3.5 Mô hình dự báo theo ANFIS so sánh với số liệu dự báo hồ Thác Bà theo tài liệu công bố Tháng Ngày Giờ Hồ Sơn La Hồ Hòa Hồ Hồ Thác Tuyên Bình Bà Quang Dự báo Theo ANFIS Ghi 29 13 2350 2280 270 410 29 19 2200 2300 250 405 Thực 30 2100 2300 240 400 đo 30 2050 2350 230 390 30 13 2200 2400 220 385 261.0706 30 19 2300 2500 225 380 254.8526 31 2450 2600 220 375 245.8632 31 2500 2700 215 370 233.5753 31 13 2600 2600 210 365 31 19 2500 2500 220 360 NG 2400 2380 230 340 NG 2400 2380 250 330 NG 2600 2450 270 320 Dự báo Bước 3: Việc tính toán thực qua tiêu chuẩn khác xác định hiệu mạng cho khả dự báo Các phương pháp phân tích thống kê theo MBE (Mean Bias Errors) phương trình minh họa cho việc thực thi mạng 57 3.3 Đánh giá kết thực chương trình Hai tiêu chí khác sử dụng để đánh giá hiệu mạng khả mạng để xem xét cho dự báo có xác không Hai thông số MBE RMSE sử dụng để đánh giá độ xác mô hình dự báo liệu thực tế Mean Bias Error (MBE) thông số sai lệch trung bình giá trị dự đoán từ liệu đo tương ứng với giá trị thực tế Đó thông tin hiệu suất dài hạn mô hình dự báo Root Mean Square Error (RMSE) cung cấp thông tin việc thực ngắn hạn, thể số đo biến động giá trị dự báo xung quanh liệu đo Mean Bias Error: MBE  n  ( xi  x0 ) i 1 (3.1) Rest Mean Square Error: RMBE  n  ( xi  x0 )2 n i 1 (3.2) Trong đó: xi liệu quan sát x0 liệu tính toán n số lượng liệu thu thập Từ bảng 3.1 công thức (3.1), (3.2) ta có: MBE = -0.0000784 RMBE = 0.0495 Với việc sử dụng hàm thuộc dạng gbell cho thấy hệ ANFIS dự báo mực nước hồ Thác Bà với liệu đầu vào độ ẩm, nhiệt độ, lượng mưa… Quá trình dự báo thể hình từ 3.3 đến hình 3.8 giá trị thể màu xanh giá trị liệu thu thập, giá trị màu đỏ thể 58 giá trị dự báo Các kết dự báo tiệm cận gần tăng lên mô hình dự báo có đầu vào tăng lên với giá trị thu thập thời gian khảo sát Với phần đánh giá theo MBE âm lượng mưa dự báo thấp Giá trị RMBE nhỏ cho thấy mô hình dự báo chấp nhận 3.4 Kết luận hướng phát triển 3.4.1 Kết luận Trong luận văn đề cập đến vấn đề nghiên cứu rộng rãi, hệ suy diễn nơ ron mờ thích nghi (ANFIS), hệ ứng dụng nhiều thực tế, đặc biệt lĩnh vực dự báo thời tiết, dự báo số phát triển người, dự báo tình hình phát triển kinh tế ứng dụng cho tính toán phân cụm, phân lớp, Dự đoán trước tình hình thời tiết như: sạt lở đất, thời tiết khắc nghiệt, ảnh hưởng sông ngòi, mưa nhiều dẫn đến lũ lụt, hạn hán vấn đề người dân nước quan tâm Tuy nhiên, để tìm định xác nhiệm vụ khó khăn có nhiều yếu tố ảnh hưởng Trong trình tìm hiểu nghiên cứu, giúp đỡ nhiệt tình PGS.TS Lê Bá Dũng với cố gắng thân, luận văn đạt kết sau: - Nghiên cứu lý thuyết mạng Nơron bao gồm loại mạng, kiến trúc chúng, thuật toán luyện mạng, phân tích khả hoạt động chúng Nghiên cứu lý thuyết lôgic mờ, hệ mờ thường gặp nhằm làm sáng tỏ trình suy luận hệ mờ thực tế để áp dụng xây dựng hệ mờ cho dự báo mực nước hồ Thác Bà - Nêu rõ cấu trúc mạng ANFIS, thuật toán huấn luyện ứng dụng rộng lớn thực tế đặc biệt toán dự báo mực nước hồ thủy điện Thác Bà 59 - Khái quát kiến thức dự báo, toán dự báo mức nước hồ Thác bà để phục vụ cho vận hành tối ưu nhà máy thủy diện, cung cấp nước cho phát triển chăn nuôi trồng trọt - Xây dựng mô hình mạng ANFIS cho toán dự báo mực nước hồ Thác Bà - Thu thập liệu, tiền xử lý liệu phục vụ việc huần luyện kiểm tra - Cài đặt mô hình mạng ANFIS môi trường Matlab 3.4.2 Hướng phát triển Chương trình thực nghiệm chạy cho kết dự đoán xác Để có kết dự báo xác hướng nghiên cứu là: - Thời gian tới tiếp tục nghiên cứu xây dựng hệ ANFIS có nhiều đầu - Phân tích liệu loại bỏ mẫu liệu cực đoan để có tập liệu tốt phục vụ huấn luyện Do thời gian lực hạn chế, kính mong bảo đóng góp ý kiến Thầy, Cô bạn để luận văn đạt kết tốt Cuối cùng, em xin chân thành cảm ơn thầy PGS.TS Lê Bá Dũng, người tận tình hướng dẫn em suốt thời gian thực đề tài, cảm ơn giúp đỡ đồng nghiệp bạn bè gia đình dành cho thời gian qua! 60 TÀI LIỆU THAM KHẢO * Tiếng Việt [1] Lê Bá Dũng, Bài giảng mạng Nơron ứng dụng lớp Cao học Thái Nguyên, 2013 [2] Nguyễn Như Hiền, Lại Khắc Lãi, Hệ mờ Nơron kỹ thuật điều khiển, NXB khoa học tự nhiên công nghệ, 2007 [3] Bùi Công Cường, Nguyễn Doãn Phước, Hệ thống mạng Nơron mờ ứng dụng, NXB Khoa học Công nghệ, 2006 * Tiếng Anh [5] L Rutkowski, Flexible neuro-fuzzy systems structure, learning and performance, Kluwer Aca-demic Pub., 2004 [6] J.S.R.Jang,C.I Sun and E.Mizutani, Neuro-fuzzy and soft computing: a computational approach to learning and machine intelligence, Prentice-Hall, NJ, 1997 [7] C.T.Lin and C.S.G Lee, Neural Fuzzy Systems, Prentice Hall, London, 1996 [8] Weather Forecasting Using ANFIS and ARIMA MODELS A Case Study for Istanbul [9] Prediction of River Water Quality by Adaptive Neuro Fuzzy Inference System * Trang web [10] tailieu.vn [11] http://www.ebook.edu.vn/ [12] http://www.amazon.com [...]... đã nghiên cứu tổng quan về mạng nơron nhân tạo và hệ mờ Cấu trúc và mô hình của mạng nơron, cấu tạo và các phương thức làm việc của mạng nơron, các luật học Chương tiếp theo chúng ta sẽ nghiên cứu các thuật toán anfis và ứng dụng thuật toán để giải bài toán dự báo mực nước hồ thủy điện Thác Bà 23 Chương 2 MÔ HÌNH MẠNG ANFIS VÀ KHẢ NĂNG ỨNG DỤNG 2.1 Hệ suy diễn mờ dựa trên mạng thích nghi 2.1.1 Các... tiếp theo không chỉ phụ thuộc vào các tín hiệu đầu vào mà còn phụ thuộc vào các trạng thái trước đó của mạng Mạng Hopfield thuộc loại này Hình 1.6 Mạng nơron phản hồi 10 1.2.4 Mạng nơron hồi quy Mạng quy hồi một lớp có nối ngược Hình 1.7 Mạng hồi quy một lớp có nối ngược Mạng quy hồi nhiều lớp có nối ngược Hình 1.8 Mạng quy hồi nhiều lớp có nối ngược 1.3 Các luật học Mạng nơron có một số ưu điểm so... (1.12) Suy rộng cho các trường hợp nhiều đầu vào Ai, i = 1 n và một luật Luật: Nếu x1 là A1 và x2 là A2 và và xn là An thì z là C Sự kiện: x1 là A1’ và x2 là A2’ và và xn là An’ Kết luận: z là C’  C ' ( z )  min{(min hA'i  Ai ),  C ( z )} i 1 n (1.13) 18 Minh họa: Hình 1.14 Hàm thuộc hệ mờ hai đầu vào - một luật Trường hợp nhiều đầu vào và nhiều luật Trong trường hợp nhiều đầu vào và nhiều luật,... Lớp nhận tín hiệu vào gọi là lớp vào, lớp đưa ra tín hiệu ra của mạng được gọi là lớp ra Các lớp ở giữa lớp vào và lớp ra được gọi là các lớp ẩn Hình 1.5 Mô hình cấu trúc của mạng nơron truyền thẳng nhiều lớp 1.2.3 Mạng nơron phản hồi Kiến trúc phản hồi (Feedback architecture): Là kiểu kiến trúc mạng có các kết nối từ nơron đầu ra tới nơron đầu vào Mạng lưu lại các trạng thái trước đó, và trạng thái tiếp... trúc của ANFIS Hình 2.3 là ví dụ về cấu trúc của ANFIS với 2 đầu vào và hai nhãn ngôn ngữ cho mỗi đầu vào Trường hợp tổng quát một mạng ANFIS với n đầu vào và m nhãn ngôn ngữ cho mỗi đầu vào có 5 tầng Các hàm nút trong một tầng thuộc cùng một họ  Lớp 1: Tầng này gồm n*m nút thích nghi (nút hình vuông) với hàm của nút là: Oi1, j   Ai , j ( X i ) (2.1) 28 Trong đó X i (0  i  n  1 ) là đầu vào thứ... của 13 mạng mà không cần tín hiệu chỉ đạo từ bên ngoài Hopfield cũng cải tiến luật Hebb cho các mạng tự liên kết thành 16 dạng khác nhau theo kiểu luật Hebb, luật đối Hebb, luật Hopfield Như vậy, ứng với mỗi nhóm mạng thường áp dụng một luật học nhất định Nếu tồn tại hàng chục loại mạng khác nhau thì các luật học dùng trong mạng nơron có thể tăng lên rất nhiều lần Đối với mạng phản hồi thường sử dụng. .. 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 của luật Delta cho mạng nhiều lớp Đối với mạng truyền thẳng thường sử dụng 12 luật truyền ngược để chỉnh trọng số với tín hiệu chỉ đạo từ bên ngoài và người ta gọi mạng này là mạng lan truyền ngược Tín hiệu vào Tín hiệu ra Mạng nơron Sản sinh sai số Tín hiệu ra... định nào đó Các đầu vào được nối với các nơron theo các trọng số khác nhau, sau quá trình xử lý cho ra một chuỗi các tín hiệu ra Mạng nơron là mô hình LTU thì nó được gọi là mạng Perception, còn mạng nơron là mô hình LGU thì nó được gọi là mạng Adaline Hình 1.4 Mạng truyền thẳng một lớp Với mỗi giá trị đầu vào x = [ x1,x2, ,xn]T Qua quá trình xử lý của mạng ta sẽ thu được một bộ tương ứng các giá trị đầu... sử dụng đầu ra của mạng làm cơ sở để 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 các mạng tự liên kết, luật LVQ (Learning Vector Quantization) dùng cho mạng tự tổ chức một lớp thuộc lớp mạng ánh xạ đặc trưng của Kohonen Luật học Hebb là luật sinh học xuất phát từ tiên đề của Hebb cho rằng: Giữa hai nơron có quan hệ và. .. tạo và phương thức làm việc của mạng nơron Mạng nơron nhân tạo (Artificial Neural Network) là một cấu trúc mạng được hình thành nên bởi số lượng các nơron nhân tạo liên kết với nhau Mỗi nơron có các đặc tính đầu vào, đầu ra và thực hiện một số chức năng tính toán cục bộ Với việc giả lập các hệ thống sinh học, các cấu trúc tính toán, mạng nơron có thể giải quyết được các lớp bài toán nhất định như: Bài ... ứng dụng Chương Ứng dụng mô hình mạng Anfis toán phân tích đánh giá dự báo mực nước thử nghiệm Do yêu cầu nên em chọn làm đề tài Mạng ANFIS ứng dụng cho dự báo mực nước hồ thủy điện Thác Bà cho. .. nhiều toán dự báo chuyên gia tin tưởng sử dụng hệ thống thông minh khác nhau, Mạng Nơron nhân tạo hệ suy luận mờ - nơron (ANFIS) ứng dụng lĩnh vực Bài toán dự báo mực nước hồ thủy điện yêu cầu... này, mực nước hồ thủy điện dự báo cách sử dụng hệ suy luận mờ dựa mạng thích nghi (ANFIS) , luận văn bao gồm nội dung sau: Chương Tổng quan mạn nơron nhân tạo hệ mờ Chương Mô hình mạng Anfis khả ứng