Nghiên cứu ứng dụng thuật toán di truyền (genetic algorithm) trong dự

MỤC LỤC DANH MỤC CHỮ VIẾT TẮT iii DANH MỤC BẢNG iv DANH MỤC HÌNH v MỞ ĐẦU CHƢƠNG 1: TỔNG QUAN 1.1 Mạng thần kinh nhân tạo (ANN) 1.1.1 Giới thiệu mạng thần kinh nhân tạo .4 1.1.2 Mô hình mạng thần kinh nhân tạo .8 1.1.2.1 Huấn luyện xây dựng mạng 1.1.2.2 Các vấn đề xây dựng kiến trúc mạng 1.1.3 Mạng nơ-ron truyền thuận (FFNN) 11 1.2 Thuật toán di truyền (GA) 12 1.2.1 Cơ chế GA 12 1.2.2 Quy trình GA đơn giản 16 1.3 Ứng dụng GA ANN 16 CHƢƠNG 2: PHƢƠNG PHÁP NGHIÊN CỨU 23 2.1 Chuẩn bị liệu nghiên cứu 24 2.2 Thiết kế chạy mô hình 27 2.2.1 2.2.1.1 Thiết kế chạy mô hình FFNN .27 Cấu trúc mạng 27 2.2.1.2 Thiết kế mạng chƣơng trình Matlab .28 2.2.1.3 Đào tạo mạng 29 2.2.2 Thiết kế chạy mô hình FFNN có kết hợp GA 29 2.2.2.1 Tham số GA 31 2.2.2.2 Thiết kế mạng chƣơng trình Matlab .31 2.3 Đánh giá độ tin cậy mô hình 33 CHƢƠNG 3: KẾT QUẢ VÀ THẢO LUẬN 36 3.1 Dự báo chất lƣợng không khí sử dụng FFNN 36 3.1.1 Dự báo SO2 36 3.1.1.1 Mối tƣơng quan xu hƣớng diễn biến SO2 36 i 3.1.1.2 Độ tin cậy mô hình SO2 38 3.1.2 Dự báo PM10 39 3.1.2.1 Mối tƣơng quan xu hƣớng diễn biến PM10 .39 3.1.2.2 Độ tin cậy mô hình PM10 42 3.2 Dự báo chất lƣợng không khí sử dụng FFNN kết hợp với GA 43 3.2.1 Dự báo SO2 43 3.2.2 Dự báo PM10 45 3.3 Bù liệu nồng độ chất ô nhiễm khuyết thiếu 47 KẾT LUẬN 50 TÀI LIỆU THAM KHẢO 51 PHỤ LỤC 55 ii DANH MỤC CHỮ VIẾT TẮT ANN: Mạng thần kinh nhân tạo (Artificial Neural Network) GA: Thuật toán di truyền (Genetic Algorithm) FFNN: Mạng thần kinh truyền thuận (FeedForward Neural Network) PCA Phân tích thành phần (Principal Component Analysis) MLP Mạng thần kinh nhân tạo đa lớp (Multi Layer Peceptron) SPSS Chƣơng trình chuyên dụng phục vụ cho xử lý phân tích số liệu thống kê (Statistical Package for Social Sciences) ARIMA Mô hình tự hồi quy tích hợp trung bình trƣợt (AutoRegressive Intergrated Moving Average) FL Logic mờ (Fuzzy Logic) iii DANH MỤC BẢNG Bảng 1.1 Một số dạng hàm truyền thƣờng dùng Bảng 2.1 Tổng hợp liệu quan trắc trạm Láng 25 Bảng 2.2 Tỷ lệ liệu quan trắc khuyết thiếu theo tháng SO2 PM10 đo trạm quan trắc chất lƣợng không khí cố định Láng, Hà Nội từ 2003 đến 2007 (%) 26 Bảng 2.3 Cấu trúc mạng cho chất ô nhiễm 28 Bảng 3.1 Độ tin cậy FFNN với SO2 39 Bảng 3.2 Độ tin cậy FFNN cho PM10 42 Bảng 3.3 Số nơ-ron lớp ẩn FFNN xác định GA SO2 kích thƣớc quần thể 20 43 Bảng 3.4 Số nơ-ron lớp ẩn FFNN xác định GA SO2 kích thƣớc quần thể 30 43 Bảng 3.5 Độ tin cậy mô hình GA-FFNN dự báo SO2 .44 Bảng 3.6 So sánh độ tin cậy FFNN(1-10-1) GA-FFNN(1-68-1) 44 Bảng 3.7 Số nơ-ron lớp ẩn FFNN xác định GA PM10 kích thƣớc quần thể 20 45 Bảng 3.8 Số nơ-ron lớp ẩn FFNN xác định GA PM10 kích thƣớc quần thể 30 46 Bảng 3.9 Độ tin cậy mô hình GA-FFNN dự báo PM10 .46 Bảng 3.10 So sánh độ tin cậy FFNN(1-05-1) GA-FFNN(1- 254-1) 47 iv DANH MỤC HÌNH Hình 1.1 Cấu tạo tế bào nơ-ron Hình1.2 Mô hình nơ-ron nhân tạo Hình 1.3 Minh họa chế GA 13 Hình 3.1 Tƣơng quan với giá trị đo kết dự báo mô hình FFNN(1-2-1) SO2 36 Hình 3.2 Tƣơng quan với giá trị đo kết dự báo mô hình FFNN(1-5-1) SO2 37 Hình 3.3 Tƣơng quan với giá trị đo kết dự báo mô hình FFNN(1-10-1) SO2 37 Hình 3.4 Tƣơng quan với giá trị đo kết dự báo mô hình FFNN(1-20-1) SO2 38 Hình 3.5 Tƣơng quan với giá trị đo kết dự báo mô hình FFNN (1-2-1) PM10 40 Hình 3.6 Tƣơng quan với giá trị đo kết dự báo mô hình FFNN (1-5-1) PM10 40 Hình 3.7 Tƣơng quan với giá trị đo kết dự báo mô hình FFNN (1-10-1) PM10 41 Hình 3.8 Tƣơng quan với giá trị đo kết dự báo mô hình FFNN (1-20-1) PM10 41 v MỞ ĐẦU Đặt vấn đề Ô nhiễm không khí ảnh hƣởng tiêu cực đến sống ngƣời Do dự báo chất lƣợng không khí cần thiết để phòng ngừa hạn chế tác động xấu xảy Hiện nay, hai loại mô hình đƣợc sử dụng phổ biến để dự báo chất lƣợng không khí là: mô hình tham số (parametric/statistical model) mô hình số trị (numerical model) [18] Trong đó, mô hình dự báo số trị dựa động lực học khí dự báo đƣợc đóng góp nồng độ chất ô nhiễm nhờ mô di chuyển biến đổi hóa học chúng không khí Chính vậy, loại mô hình cung cấp thông tin cách chi tiết tình trạng chất lƣợng không khí diện rộng, nơi trạm quan trắc Tuy nhiên, để xây dựng vận hành mô hình yêu cầu cao sở hạ tầng, nhƣ chuyên môn ngƣời sử dụng lƣợng liệu đầu vào mô hình lớn phức tạp Trong đó, mô hình tham số hay gọi mô hình thống kê đơn giản không đòi hỏi cao sở hạ tầng dựa phân tích thống kê liệu chất lƣợng không khí khứ (đƣợc lƣu lại trạm quan trắc chất lƣợng không khí) Hiện nay, nhiều mô hình dự báo thống kê chất lƣợng không khí đƣợc nghiên cứu ứng dụng thành công nhiều quốc gia cho thấy tiềm lớn chúng lĩnh vực Mạng thần kinh nhân tạo (ANN-Artificial Neural Network) công cụ dự báo thống kê đƣợc ứng dụng rộng rãi để xây dựng mô hình dự báo chất lƣợng không khí, thể đƣợc ƣu vƣợt trội so với công cụ truyền thống nhƣ hồi quy tuyến tính/phi tuyến, mô hình tự hồi quy tích hợp trung bình trƣợt- ARIMA (AutoRegressive Intergrated Moving Average), Logic mờ-FL (Fuzzy Logic),…trong dự báo chất lƣợng không khí, ANN đƣợc xây dựng dựa mô lại trình xử lý thông tin hệ thần kinh sinh học, thế, có khả học tập khái quát liệu cách mềm dẻo để đƣa hành vi thích nghi với điều kiện mà không cần đến phƣơng trình toán học cụ thể Tuy nhiên, tồn số nhƣợc điểm nhƣ: liệu đào tạo phải đủ lớn phản ánh đầy đủ tính chất diễn biến đối tƣợng cần dự báo; việc xác định kiến trúc ANN tối ƣu không đơn giản chủ yếu phụ thuộc vào kinh nghiệm ngƣời xây dựng, mà kiến trúc có ảnh hƣởng lớn đến hiệu suất dự báo mô hình Để tối ƣu hóa cấu trúc ANN, nhiều phƣơng pháp đƣợc nghiên cứu áp dụng, đó, thuật toán di truyền (GAGenetic Algorithm) thu đƣợc nhiều thành tựu đáng kể Mặt khác, lĩnh vực dự báo chất lƣợng không khí ứng dụng ANN nói chung kết hợp ANN với GA nói riêng Việt Nam mẻ chƣa có nhiều nghiên cứu công bố thức Chính thế, việc ứng dụng ANN nhƣ kết hợp ANN với GA để dự báo chất lƣợng không khí đƣợc chọn làm nội dung nghiên cứu luận văn Mục đích nghiên cứu: - Đánh giá khả ứng dụng mạng thần kinh nhân tạo (ANN) dự báo chất lƣợng không khí - Đánh khả kết hợp thuật toán di truyền vào mạng thần kinh nhân tạo dự báo chất lƣợng không khí Đối tƣợng nghiên cứu: - Mô hình mạng nơ-ron truyền thuận-FFNN - Mô hình FFNN kết hợp GA CHƢƠNG 1: TỔNG QUAN Để dự báo chất lƣợng không khí sử dụng nhiều loại mô hình nhƣ: mô hình hực nghiệm hay mô hình tham số (thống kê) Có thể khái quát ƣu nhƣợc điểm số mô hình dự báo nhƣ sau [3-30]: Mô hình dự báo Ƣu điểm Nhƣợc điểm Phƣơng pháp dự báo thực nghiệm đơn giản: Mô hình chuẩn tắc Thời gian tính toán nhỏ; Độ xác cao trƣờng hợp môi trƣờng tĩnh; đơn giản, dễ sử dụng; Chi phí vận hành nhỏ Không xử lý đƣợc trƣờng hợp có biến động lớn khí tƣợng nồng độ chất ô nhiễm; Độ xác thấp; Không thể sử dụng cách độc lập Không xử lý đƣợc trƣờng hợp có biến động lớn Thời gian tính toán nhỏ; Đơn khí tƣợng nồng độ chất Mô hình khí tƣợng giản, dễ sử dụng; Chi phí vận ô nhiễm; Độ xác thấp; hành thấp Không thể sử dụng cách độc lập Mô hình kinh nghiệm Thời gian tính toán nhỏ; Là phƣơng pháp mạnh để dự báo trƣờng hợp ô nhiễm cao; Đơn giản, dễ sử dụng; Chí phí vận hành thấp Không thể dự báo xác đƣợc nồng độ chất cần dự báo; Không thể dự báo đƣợc với chất phụ thuộc vào yếu tố khí tƣợng; Độ xác trung bình Mô hình tham số (thống kê) Không thể dự báo đƣợc trƣờng hợp có cố; Độ xác bị giới hạn số lƣợng chất lƣợng liệu đầu vào; Không thích hợp với trƣờng hợp dự báo khu vực lớn Mô hình phân lớp hồi quy (CART) Thời gian tính toán nhỏ; Dự báo tốt phạm vị hẹp; Tự động phân biệt nồng độ chất ô nhiễm theo ngày; Vận hành không đòi hỏi chuyên môn cao; Độ xác Phƣơng pháp hồi quy tuyến tính Tính toán nhanh; Dự báo tốt Không thể dự báo đƣợc khu vực nhỏ; Chất trƣờng hợp xảy cố; lƣợng dự báo tốt; Vận hành Không thể xử lý đƣợc không đòi hỏi chuyên môn mối quan hệ phi tuyến hệ cao; Độ xác khá; Chi thống hóa học chất ô phí vận hành trung bình nhiễm; Độ xác bị giới hạn số lƣợng chất lƣợng liệu đầu vào; Không thích hợp với trƣờng hợp dự báo khu vực lớn Mạng thần kinh nhan tạo (ANNs) Có khả học từ liệu; Dự báo tốt khu vực nhỏ; Có thể xử lý tốt mối quan hệ hóa học phi tuyến phức tạp chất ô nhiễm; Chi phí vận hành trung bình; độ xác cao; thời gian tính toán thấp; Độ xác dự báo cố không cao; Độ xác bị giới hạn số lƣợng chất lƣợng liệu đầu vào; Không thích hợp với trƣờng hợp dự báo khu vực lớn Fuzzy Logic (FL) Xử lý tốt mối quan hệ hóa học phi tuyến phức tạp chất ô nhiễm; Độ xác tốt; Chi phí vận hành trung bình Cần liệu lớn; Hạn chế việc dự báo quy mô lớn; khối lƣợng tính toán lớn, phức tạp Qua nhận thấy tiềm lớn mô hình ANN dự báo chất lƣợng không khí Việt Nam liệu Việt Nam bị hạn chế số lƣợng chất lƣợng 1.1 Mạng thần kinh nhân tạo (ANN) 1.1.1 Giới thiệu mạng thần kinh nhân tạo Mạng thần kinh nhân tạo (ANN – Artificial Neural Network) đƣợc giới thiệu lần đầu McCulloch Pitt (1943), thuật toán đƣợc xây dựng trình xử lý thông tin hệ thần kinh sinh học bao gồm 03 nhiều lớp đƣợc cấu tạo từ nơron đƣợc gọi phần tử xử lý (unit) Trong lớp đƣợc gọi lớp đầu vào, lớp cuối chứa kết đƣợc gọi lớp đầu lớp lại đƣợc gọi lớp ẩn Mỗi nơ-ron ANN nhận tín hiệu đầu vào xử lý để đƣa tín hiệu đầu Mỗi nơ-ron đƣợc kết nối với nơ-ron khác, kết nối đƣợc thể dƣới dạng số thực đƣợc gọi trọng số, phản ánh mức độ quan trọng liên kết Tập hợp trọng số tạo thành ma trận đƣợc gọi ma trận trọng số Wi,j mã hóa kiến thức (kinh nghiệm) tích lũy đƣợc ANN từ tập liệu đầu vào [33] Ƣu điểm ANN việc sử dụng số thông tin ẩn liệu mối liên hệ thông số đầu vào đầu (các thông tin mô tả cụ thể hàm số toán học) Quá trình “nắm bắt” thông tin đƣợc gọi trình đào tạo ANN (quá trình học tập ANN) Về mặt nguyên tắc, học tập trình hiệu chỉnh trọng số liên kết nơ-ron Cho đến nay, mạng thần kinh nhân tạo đƣợc ứng dụng để giải vấn đề phức tạp nhiều lĩnh vực nhƣ công nghệ thông tin, khoa học điều khiển, dự báo kinh tế, khai thác liệu… Trong lĩnh vực khai thác liệu quản lý chất lƣợng không khí, ANN đƣợc nghiên cứu ứng dụng thành công nhiều quốc gia Điều cho thấy tiềm ứng dụng công cụ lĩnh vực khai thác liệu phục vụ cho công tác quản lý chất lƣợng không khí đáng quan tâm Theo nhà nghiên cứu sinh học não, hệ thống thần kinh ngƣời bao gồm khoảng 100 tỷ tế bào thần kinh, thƣờng gọi nơ-ron Mỗi tế bào nơron gồm ba phần [1]: + Thân nơ-ron với nhân bên (gọi soma) nơi tiếp nhận hay phát xung động thần kinh + Một hệ thống dạng dây thần kinh vào (gọi dendrite) để đƣa tín hiệu tới nơ-ron Các dây thần kinh vào tạo thành lƣới dày đặc xung quanh thân nơron + Đầu dây thần kinh (gọi sợi trục axon) phân nhánh dạng hình Chúng nối với dây thần kinh vào trực tiếp với nhân tế bào nơ-ron khác thông qua khớp nối (gọi synapse) Thông thƣờng nơ-ron có từ vài chục tới vài trăm ngàn khớp nối để nối với nơ-ron khác Có hai loại khớp nối, khớp nối KẾT LUẬN Nồng độ chất ô nhiễm SO2 PM10 đƣợc dự báo mô hình FFNN cho kết khả quan Đối với SO2 độ xác mô hình (MAPA) 64,1% sai số (nRMSE) 43% với số nơ ron lớp ẩn 10 Đối với PM10 độ xác (MAPA) 83,3% sai số (nRMSE) 23% với số nơ-ron lớp ẩn 05 Nồng độ chất ô nhiễm SO2 PM10 đƣợc dự báo mô hình FFNN kết hợp GA tìm số nơ-ron lớp ẩn cho kết tốt, đạt độ xác tƣơng đƣơng sai số nhỏ so với mô hình FFNN không kết hợp GA Cụ thể SO2: độ xác (MAPA) mô hình 64,1% sai số (nRMSE) 42,7% với số nơron lớp ẩn 68 tham số GA là: kích thƣớc quần thể 30, tỷ lệ chọn lọc 0,75, tỷ lệ đột biến 0,2 Còn PM10 độ xác (MAPA) mô hình 84% sai số (nRMSE) 21,7% với số nơ-ron lớp ẩn 254 tham số GA là: kích thƣớc quần thể 30, tỷ lệ chọn lọc 0,5, tỷ lệ đột biến 0,15 Kết tƣơng đồng với nghiên cứu công bố giới PM10 Bên cạnh FFNN-GA thể số lợi cụ thể là: số nơ-ron lớp ẩn tìm đƣợc nhờ GA dựa việc tối ƣu hóa nghiệm (lời giải) theo chế di truyền học, nhƣ kết có sở khoa học việc chọn mặc định số nơ-ron lớp ẩn dựa kinh nghiệm Đồng thời, việc ứng dụng GA để tối ƣu hóa cấu trúc FFNN giúp giảm đáng kể công sức ngƣời thiết kế mạng, xác định đƣợc tham số tối ƣu cho mạng cách nhanh chóng, độ tin cậy mô hình đƣợc tăng lên đáng kể Thêm nữa, việc sử dụng GA tƣơng đối đơn giản, không đòi hỏi cao mặt chuyên môn nhƣ phải dựa vào kinh nghiệm ngƣời xây dựng mạng Số liệu khuyết thiếu chất ô nhiễm SO2 PM10 đƣợc bù mô hình FFNN với kết khả quan đƣợc kiểm chứng thông qua đánh giá phân bố xác suất Bộ liệu sau bù có phân bố Weibull phù hợp với liệu nguồn 50 TÀI LIỆU THAM KHẢO Nguyễn Đình Thúc (2000), “Trí tuệ nhân tạo-Mạng nơ ron-Phương pháp ứng dụng”, Nhà xuất Giáo Dục, Hà Nội Nguyễn Đình Thúc (2000), “Trí tuệ nhân tạo-Lập trình tiến hóa”, Nhà xuất Giáo dục, Hà Nội Phạm Thị Hoàng Nhung (2007), “Ứng dụng mạng thần kinh nhân tạo thuật toán di truyền để dự báo thủy văn”, Luận văn thạc sỹ khoa học, Trƣờng Đại học Công nghệ, Đại học Quốc gia Hà Nội J.C.M Pires, B Goncalves, F.G.Azevedo, A.P.Carneiro, N.Rego, A.J.B Assembleia, J.F.B Lima, P.A.Silva, C.Alves, F.G.Martins (2012), “Optimization of artificial neural network models through genetic algorithms for surface ozone concentration forecasting”, Environ Sel Pollut Res-Springer-Verlag (19), 32283234 Hu Li, Raudel Sanchez, S.Joe Qin, Halil I.Kavak, Ian A.Webster, Theodore T.Tsotsis, Muhammad Sahimi (2011), “Computer simulation of gas generation and transport in landfills V: Use of artificial neural network and the genetic algorithm for short-and long-term forecasting and planning”, Chemical Engineering Scienc (66), 2646-2659 Harri Niska, Teri hiltunen, Ari Karppinen, Juhani Ruuskanen, Mikko kolehmainen (2004), “Evolving the neural network model for forecasting air pollution time series”, Engineering Applications of Artificial Intelligence (17), 159-167 Y.J.Cao, Q.H.Wu (1999), “Teaching Genetic Algorithm using Matlab” Int.J.Elect.Enging.Educ (36), 139-153 Siva Venkadesh, Gerret Hoogenboom, Walter Potter, Ronald McClendon (2013), “A genetic algorithm to refine input data selection for air temperature prediction using artificial neural networks”, Applied Soft Computing (13), 22532260 51 Hu Li, Raudel Sanchez, S.Joe Qin, Halil I.Kavak, Ian A.Webster, Theodore T.Tsotsis, Muhammad Sahimi (2011), “Computer simulation of gas generation and transport in landfills V: Use of artificial neural network and the genetic algorithm for short- and long-term forecasting and planning”, Chemical Engineering Science (66), 2646-2659 10 Minglei Duan (April 5, 2002), “Time Series Predictability”, Luận văn thạc sỹ Faculty of the Graduate School, Marquette University 11 Nina R.Dhamge, S.L.Atmapoojya, Mahendra S.Kadu (2012), “Genetic Algorithm driven ANN model for runoff estimation”, Procedia Technology (6), 501-508 12 Hong Zhao, Jie Zhang, Kai Wang, Zhi peng Bai, Aixie Liu (2010), “A GA-ANN model for air quality Predicting”, Computer Symposim (ÍCS), 693-699 13 Paulo Cortez, Miguel Rocha, Josse neves (2001), “A Meta-Genetic Algorithm for Time Series Forecasting”, Proceeding of Workshop on Artificial Intelligence Techniques for Financial Time Series Analysis, Porto, Portugal, 2131 14 Yang Zhangang, Che Yanbo, K.Ƣ.Eric Cheng (2007), “Genetic Algorithm-Based RBF Neural Network Load Forecasting Model”, Power Engineering Society General Meeting, IEEE, 1-6 15 Colin R.Reeves (2010), “Genetic Algorithms”, International Series in Operations Research & Management Science (146), 109-139 16 Jaime Reyes, Abraham Sanchez (2013), “Analysis of air quality data in Mexico city with clustering techniques based on genetic algorithms”, Electronics, Communications and Computing 2013 International Conference, 2731 17 Pires JCM, Martins FG, Alvim-Ferraz MCM, Pereira MC (2008), “Genetic Algorithm Based Technique for Defining Threshold Regression Models”, International Congress on Environmental Modelling and Software (iEMSs ), 303-310 52 18 C.L.Wu, K.W.Chau (2006), “A flood forecasting neural network model with genetic algorithm”, Int.J Environment and Pollution (28), 1-13 19 Ahmad Zia Ul-Saufie, Ahmad Shukri Yahaya, Nor Azam Ramli, Norrimi Rosaida, Hazrul Abdul Hamid (2013), “Future daily PM10 concentrations prediction by combining regression models and feedforward backpropagation models with principle component analysis (PCA)”, Atmospheric Environment (77), 621-630 20 S.I.V.Sousa, F.G.Martins, M.C.M Alvim-Ferraz, M.C.Pereira (2007), “Multiple linear regression and artificial neural networks based on principal components to predict ozone concentrations”, Envrionment Modelling & Software (22), 97-103 21 Adriana Coman, Anda Ionescu, Yves Candau (2008), “Hourly ozone prediction for a 24-h horizon using neural networks”, Environmental Modelling & Software (23), 1407-1421 22 S.A.Abdul-Wahab, S.M.Al-Alawi (2002), “Assessment and prediction of tropospheric ozone concentration levels using artificial neural networks”, Environmental modeling and Software (17), 219-228 23 A.S.Luna, M.L.L.Paredes, G.C.G de Oliveira, S.M Correa (2014), “Prediction of ozone concentration in tropospheric levels using artificial neural networks and support vector machine at Rio de Janeiro, Brazil”, Atmospheric Environment (98), 98-104 24 Lovro Hrust, Zvjezdana Bencetic klaic, Josip Krizan, Oleg Antonic, Predrag Hercog (2009), “Neural network forecasting of air pollutants hourly concentrations using optimized temporal averages of meteorological variables and pollutant concentrations”, Atmospheric Environment (43), 5588-5596 25 Sang Hyun Sohn, Sea Cheon Oh, Yeong-Koo Yeo (1999), “Prediction of Air Pollutants by Using an Artificial Neural Network”, Korean J.Chem.Eng (16), 382-387 26 Shuiyuan Cheng, Li Li, Dongsheng Chen, Jianbing Li (2012), “A neural network based ensemble approach for improving the accuracy of meteorological 53 fields used for regional air quality modeling”, Jounal of Environmental Management (112), 404-414 27 Ugur Kesgin (2004), “Genetic algorithm and artificial neural network for engine optimization of effiency and NOx emission”, Fuel (83), 885-895 28 Giuseppe Nunnari, Stephen Dorling, Uwe Schkink, Gavin Cawley, Rob Foxall, Tim Chatterton (2004), “Modelling SO2 concentration at a point with statistical approaches”, Environmental Modelling and Software (19), 887-905 29 Ulku Alver Sahin, Cuma Bayat, Osman N Ucan (2011), “Application of cellular neural (CNN) to the prediction of missing air pollutant data”, Atmospheric Research (101), 314-326 30 Nguyễn Kỳ Phùng, Nguyễn Khoa Việt Trƣờng (2007), “Mô hình hóa trình xử lý nƣớc thải mạng nơ-ron nhân tạo”, Tạp chí phát triển KH&CN (10), số 01, 87-95 31 Goldberg, David E Korb, Bradley, Deb Kalyanmoy (1989), “Messy genetic algorithms: motivation, analysis, and first results”, Complex Systems, 3(5), 493-530 ISSN 0891-2513 32 Mahfoud, S and G Mani (1996), “Finalcial forecasting using genetic algorithms”, Applied Artificial Intelligence (10), 543-565 33 Daniel Svozil, Vladimir Kvasniska, and Jiri Pospichal (1997), “Introduction to multi-layer feed-forward neural networks’’, Chemometrics and Intelligent Laboratory Systems 39(1), 43-62 34 QCVN 05:2013/BTNMT Quy chuẩn kỹ thuật quốc gia chất lƣợng không khí xung quanh 35 De Nevers, Noel (2000), “Air Pollution Control Engineering”, William C Brown Pub 36 Chử Thị Hồng Nhung Nghiêm Trung Dũng (2012), “Xác định định luật phân bố xác suất liệu chất lƣợng không khí đƣợc quan trắc Hà Nội”, Tạp chí Khoa học Công nghệ 50(1), 81-87 54 PHỤ LỤC A Minh họa trình chạy mô hình chƣơng trình matlab cho FFNN Hình A.1: Bảng mã (code) với số nơ ron ẩn 02, chất ô nhiễm SO2 55 Hình A.2: Kết huấn luyện mạng FFNN 56 Hình A.3: Quá trình huấn luyện FFNN 57 B Minh họa trình chạy mô hình chƣơng trình matlab cho GA+FFNN Hình B.1: Mã code cho trình đột biến 58 Hình B.2: Code cho trình lai ghép 59 Hình B.3: Code tính giá trị sai số mse 60 Hình B.4: Code chạy chƣơng trình FFNN sử dụng GA tối ƣu cấu trúc mạng 61 Hình B.5: Code chạy chƣơng trình tìm số nơ ron lớp ẩn cho PM10 với tham số xác định 62 Hình B.6: Quá trình huấn luyện mạng FFNN tìm số nơ-ron tối ƣu 63 Hình B.7: Kết hiển thị matlab tìm số nơ-ron tối ƣu 64 ... có kết dự báo tốt Và thuật toán di truyền (Genetic Algorithm-GA) đƣợc coi mạnh việc tìm cực tiểu toàn Do việc kết hợp FFNN GA giải pháp khả thi 1.2 Thuật toán di truyền (GA) Thuật toán di truyền. .. chọn làm nội dung nghiên cứu luận văn Mục đích nghiên cứu: - Đánh giá khả ứng dụng mạng thần kinh nhân tạo (ANN) dự báo chất lƣợng không khí - Đánh khả kết hợp thuật toán di truyền vào mạng thần... ngƣời xây dựng, mà kiến trúc có ảnh hƣởng lớn đến hiệu suất dự báo mô hình Để tối ƣu hóa cấu trúc ANN, nhiều phƣơng pháp đƣợc nghiên cứu áp dụng, đó, thuật toán di truyền (GAGenetic Algorithm)