KẾT hợp GIẢI THUẬT DI TRUYỀN và MẠNG nơ RON RBF NHẬN DẠNG và xử lý tín HIỆU điều KHIỂN PHI TUYẾN

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SĨ NGUYỄN NGỌC MINH THÔNG KẾT HỢP GIẢI THUẬT DI TRUYỀN VÀ MẠNG NƠ-RON RBF NHẬN DẠNG VÀ XỬ LÝ TÍN HIỆU ĐIỀU KHIỂN PHI TUYẾN NGÀNH: KỸ THUẬT ĐIỆN - 60520202 S K C0 Tp Hồ Chí Minh, năm 2016 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SĨ NGUYỄN NGỌC MINH THÔNG KẾT HỢP GIẢI THUẬT DI TRUYỀN VÀ MẠNG NƠ-RON RBF NHẬN DẠNG VÀ XỬ LÝ TÍN HIỆU ĐIỀU KHIỂN PHI TUYẾN NGÀNH: KỸ THUẬT ĐIỆN - 60520202 Hướng dẫn khoa học: PGS.TS NGUYỄN THANH PHƯƠNG LÝ LỊCH KHOA HỌC Tp Hồ Chí Minh, tháng 10/2016 LÝ LỊCH KHOA HỌC I LÝ LỊCH SƠ LƯỢC: Họ & tên: NGUYỄN NGỌC MINH THÔNG Giới tính: Nam Ngày, tháng, năm sinh: 24/10/1982 Nơi sinh : Vĩnh Long Quê quán: An Nhơn, Trung Thành, Vũng Liêm, Vĩnh Long Dân tộc: Kinh Chỗ riêng địa liên lạc: An Nhơn, Trung Thành, Vũng Liêm, Vĩnh Long Điện thoại quan: 070.3825903 Điện thoại nhà riêng: 0939712127 E-mail: thongmtu@gmail.com II QUÁ TRÌNH ĐÀO TẠO: Cao đẳng: Hệ đào tạo: Chính quy Thời gian đào tạo từ 09/2000 đến 04/2004 Nơi học (trường, thành phố): Trường CĐ Sư phạm Kỹ thuật Vĩnh Long, Tp Vĩnh Long Ngành học: Điện Công nghiệp Đại học: Hệ đào tạo: Hoàn chỉnh ĐHTC Thời gian đào tạo từ 09/2006 đến 09/2008 Nơi học (trường, thành phố): Trường ĐH Sư phạm Kỹ thuật Tp.HCM Ngành học: Điện Khí hóa Cung cấp điện Tên đồ án, luận án môn thi tốt nghiệp: Đồ án Thiết kế Cung cấp điện cho nhà xưởng khí chế tạo máy Ngày & nơi bảo vệ đồ án, luận án thi tốt nghiệp: 8/2008 Thành phố Vĩnh Long Người hướng dẫn: Thầy Nguyễn Thanh Tùng III QUÁ TRÌNH CÔNG TÁC CHUYÊN MÔN KỂ TỪ KHI TỐT NGHIỆP ĐẠI HỌC: Thời gian 2008 - 2010 Nơi công tác Công ty cổ phần dịch vụ Bưu Viễn thông Sài gòn Công việc đảm nhiệm Nhân viên phát triển thị trường 2010 - 2013 Công ty cổ phần Viễn thông FPT Trưởng phòng KD dịch vụ 2013 - 2016 Trường ĐHXD Miền Tây Nhân viên phòng Quản lý ĐT i LỜI CAM ĐOAN Tôi cam đoan công trình nghiên cứu Các số liệu, kết nêu luận văn trung thực chưa công bố công trình khác Tp Hồ Chí Minh, ngày 24 tháng 10 năm 2016 Tác giả Nguyễn Ngọc Minh Thông ii CẢM TẠ Đầu tiên, xin chân thành cảm ơn PGS.TS Nguyễn Thanh Phương trực tiếp hướng dẫn cho hoàn thành luận văn Xin chân thành cảm ơn Ban Giám hiệu, đồng nghiệp Trường Đại học Xây dựng Miền Tây tạo nhiều điều kiện thuận lợi trình thực luận văn Xin chân thành cảm ơn người thân gia đình, bạn bè, người quan tâm ủng hộ hoàn thành công trình Xin chân thành cảm ơn Tác giả luận văn Nguyễn Ngọc Minh Thông iii TÓM TẮT TÓM TẮT: Hệ phi tuyến tồn hầu hết hệ thống điều khiển, để đạt giá trị đầu mong muốn đòi hỏi phải có điều khiển thiết kế phù hợp với hệ thống khác Với đòi hỏi ngày cao hệ thống điều khiển xác cần có giải pháp điều khiển ngày tối ưu Ứng dụng trí tuệ nhân tạo để giải toán hướng nghiên cứu đại thiết thực Mạng Nơ-ron dùng hàm Xuyên tâm sở (Neural network Radial Basic Function – RBFNN) công cụ mạnh nhận dạng xấp xỉ hệ phi tuyến Tuy nhiên RBFNN có nhược điểm đòi hỏi người sử dụng phải có kinh nghiệm việc chọn thông số học Để giải vấn đề tác giả đề xuất giải pháp dùng Giải thuật di truyền (Genetic Algorithm – GA) giúp huấn luyện RBFNN trở nên dễ dàng không cần phải có nhiều kinh nghiệm lựa chọn tham số học cho RBF Từ khóa: Mạng nơ-ron Xuyên tâm sở, Giải thuật di truyền, Điều khiển phi tuyến, Phân tích hệ thống phi tuyến ABSTRACT: Nonlinear systems exist on the most of the control systems, to achieve the desired output values require a controller is designed to suit each different systems With requring the hight technology of the precise control system needs many control solutions is more optimal Applying the artificial intelligence to solve this problem is the one of the morden research and practically Neural nerwork Radial Basic Function (RBFNN) is a powerful tool in the identification and approximate nonlinear systems However, RBFNN has a limitation to require to has experience in the selection of training parameters of them To resolve this issue, I propose Genetic Algorithm (GA) to training parameters of RBFNN and not need to have any experience to select of them Keywords: Neural nerwork Radial Basic Function, Genetic algorithm, Nonlinear control, Nonlinear systems alnalysis iv MỤC LỤC Trang tựa TRANG Quyết định giao đề tài Lý lịch cá nhân i Lời cam đoan ii Cảm tạ iii Tóm tắt iv Mục lục v Danh sách chữ viết tắt vii Danh sách hình viii Danh sách bảng x MỞ ĐẦU Chương TỔNG QUAN 1.1 Điều khiển phi tuyến 1.2 Mạng nơ-ron nhân tạo (ANN - Artificial Neural Network) 1.3 Giải thuật di truyền (Genetic Algorithm - GA) 1.4 Kết hợp mạng nơ-ron RBF với Giải thuật di truyền Kết luận chương 11 Chương CƠ SỞ LÝ THUYẾT 12 2.1 Hệ phi tuyến 12 2.2 Mạng nơ-ron (Neuron) 15 2.3 Giải thuật di truyền 25 Kết luận chương 2: 30 Chương HUẤN LUYỆN MẠNG NƠ-RON RBF 31 3.1 Xấp xỉ mạng nơ-ron RBF sở phương pháp giảm Gradient 31 3.2 Thực nghiệm dùng mạng nơ-ron RBF xấp xỉ đối tượng phi tuyến 33 v 3.3 Xấp xỉ đối tượng phi tuyến mạng nơ-ron RBF với độ rộng b 37 Kết luận chương 3: 41 Chương KẾT HỢP MẠNG NƠ-RON RBF VÀ GIẢI THUẬT DI TRUYỀN XẤP XỈ HÀM PHI TUYẾN 42 4.1 Kết hợp Giải thuật di truyền với mạng nơ-ron RBF 42 4.2 Mô thực nghiệm kết hợp Giải thuật di truyền (GA) để tối ưu độ rộng mạng nơ-ron RBF 43 Kết luận chương 4: 46 Chương KẾT HỢP MẠNG NƠ-RON RBF VÀ GIẢI THUẬT DI TRUYỀN ĐIỀU KHIỂN CÁNH TAY MÁY HAI BẬC TỰ DO 47 5.1 Cánh tay máy hai bậc tự do: 47 5.2 Điều khiển cánh tay máy hai bậc tự RBF theo phương pháp Runge-Kutta- Merson [21] 49 5.3 Kết hợp Giải thuật di truyền để tối ưu độ rộng RBF cho hệ điều khiển cánh tay máy bậc tự sử dụng phương pháp điều khiển Runge-Kutta-Merson 53 Kết luận chương 54 KẾT LUẬN 56 TÀI LIỆU THAM KHẢO 58 vi DANH MỤC CÁC CHỮ VIẾT TẮT Ký hiệu Mô tả E(t) Hiệu suất xấp xỉ hàm xuyên tâm sở (RBF) 𝒉𝒋 (𝒕) Ngõ lớp ẩn j hàm xuyên tâm sở (RBF) M(q) Ma trận quán tính 𝑛 × 𝑛 𝑪(𝒒, 𝒒̇ ) Ma trận lực hướng tâm hệ số Coriolis 𝑛 × 𝑛 𝑮(𝒒) Ma trận lực hướng tâm momen 𝑛 × 𝒄𝒋 Tâm thứ j hàm xuyên tâm sở (RBF) 𝝈𝒋 Độ rộng thứ j hàm xuyên tâm sở (RBF) w Trọng số hàm xuyên tâm sở (RBF) r Số K láng giềng tâm [… ]𝑇 Ma trận chuyển vị || || Khoảng cách Euclidean AI Trí tuệ nhân tạo (Artifical Intelligent) ANN Mạng nơ-ron nhân tạo (Artificial Neural Network) RBFNN Mạng nơ-ron hàm bán kính xuyên tâm sở (Radial Basic Function Neural Netword) GA Giải thuật di truyền (Genetic Algorithm) RMSE Căn phương sai số (Root Mean Square Error) SMC Điều khiển trượt (Sliding Mode Control) MLP Mạng nhiều tầng (Multi-Layer Perceptrons) MFN mạng nơ-ron truyền thẳng nhiều lớp (Multilayer feedforward network) EAs Giải thuật tiến hóa (Evolution Algorithms) KNN Phương pháp K- láng giềng gần (K-nearestneighbor) vii DANH SÁCH CÁC HÌNH HÌNH TRANG Hình 1.1 So sánh kết NRMSE với phương pháp khác (Phương pháp González Rivas) 11 Hình 2.1 Hệ thống bơm xả nước .13 Hình 2.2 Hệ cánh tay máy hai bậc tự 13 Hình 2.3 Cấu tạo tế bào nơ-ron sinh học 16 Hình 2.4 Mô hình nơ-ron nhân tạo 18 Hình 2.5 Đồ thị hàm ngưỡng 18 Hình 2.6 Đồ thị hàm tuyến tính 18 Hình 2.7 Đồ thị hàm signmoid 19 Hình 2.8 Đồ thị hàm 19 Hình 2.9 Đồ thị hàm Gaussian 19 Hình 2.10 Mô hình mạng nơ-ron nhiều lớp (MLP) 20 Hình 2.11 Mô hình mạng hàm sở .22 Hình 2.12 Cấu trúc mạng nơ-ron RBF ba lớp 24 Hình 2.13 Lưu đồ thuật toán Giải thuật di truyền đơn giản 26 Hình 2.14 Toán tử lai ghép biễu diễn theo 29 Hình 3.1 Kết mô huấn luyện pha mạng nơ-ron RBF 34 Hình 3.2 Kết mô huấn luyện hai pha mạng nơ-ron RBF 35 Hình 3.3 Kết mô huấn luyện ba pha mạng nơ-ron RBF 36 Hình 3.4 Biểu đồ hiệu suất huấn luyện pha, pha, pha RBFNN 37 Hình 3.5 Hiệu suất huấn luyện pha mạng nơ-ron RBF với b = 0.1 .38 viii Hình 3.7 Hiệu suất huấn luyện ba pha mạng nơ-ron RBF với b = 0.1 .39 Hình 3.8 Biểu đồ so sánh hiệu suất huấn luyện 40 pha, pha, pha RBFNN với b=0.1 40 Hình 4.1: Lưu đồ Giải thuật di truyền tối ưu độ rộng .42 Hình 4.2 Hiệu suất huấn luyện pha mạng nơ-ron RBF có sử dụng GA với b=0.1 44 Hình 4.3 So sánh hiệu suất hai phương pháp 45 Hình 5.1 Mô tả cánh tay máy hai bậc tự không gian Descartes 47 Hình 5.2 Đáp ứng vị trí tay máy hai bậc tự 50 Hình 5.3 Đáp ứng tốc độ cánh tay máy hai bậc tự 50 Hình 5.4 Tín hiệu điều khiển cánh tay máy hai bậc tự 51 Hình 5.5 So sánh đáp ứng vị trí chọn tâm ci khác .52 Hình 5.6 So sánh đáp ứng tốc độ chọn tâm ci khác .52 Hình 5.7 So sánh đặc tính điểu khiển chọn tâm ci khác 52 Hình 5.8 So sánh đáp ứng vị trí chưa có có kết hợp GA 53 Hình 5.9 So sánh đáp ứng tốc độ chưa có có kết hợp GA .54 Hình 5.10 So sánh đặc tính điều khiển chưa có có kết hợp GA .54 ix DANH SÁCH CÁC BẢNG BẢNG TRANG Bảng 1.1 Căn phương sai số (RMSE) hàm Sin chiều với 500 mẫu thử Bảng 1.2 Căn phương sai số (RMSE) hàm Sin hai chiều với 1000 mẫu thử 10 Bảng 3.2 Hiệu suất huấn luyện pha, hai pha, ba pha RBFNN với b = 0.1 .40 Bảng 4.1 Hiệu suất xấp xỉ theo cách huấn luyện mạng RBF .45 x MỞ ĐẦU Tính cấp thiết đề tài: Hệ phi tuyến tồn hầu hết hệ thống điều khiển, để đạt giá trị đầu mong muốn đòi hỏi phải có điều khiển thiết kế phù hợp với hệ thống khác Với đòi hỏi ngày cao hệ thống điều khiển xác cần có giải pháp điều khiển ngày tối ưu Ứng dụng trí tuệ nhân tạo để giải toán hướng nghiên cứu đại thiết thực Mạng Nơ-ron dùng hàm Xuyên tâm sở (Neural network Radial Basic Function – RBFNN) công cụ mạnh nhận dạng xấp xỉ hệ phi tuyến Tuy nhiên RBFNN có nhược điểm đòi hỏi người sử dụng phải có kinh nghiệm việc chọn thông số học Đề tài luận văn “Kết hợp Giải thuật di truyền và mạng nơ-ron RBF nhận dạng và xử lý tín hiệu điều khiển phi tuyến” nghiên cứu giải pháp dùng Giải thuật di truyền (Genetic Algorithm – GA) giúp huấn luyện tham số RBFNN làm cho huấn luyện mạng RBF trở nên dễ dàng không cần phải có nhiều kinh nghiệm lựa chọn tham số học cho RBF Đối tượng nghiên cứu đề tài: Điều khiển cánh tay máy hai bậc tự Nội dung nghiên cứu: - Nghiên cứu điều khiển hệ thống phi tuyến - Nghiên cứu lý thuyết mạng nơ-ron RBF, Giải thuật di truyền - Nghiên cứu kết hợp mạng nơ-ron RBF Giải thuật di truyền - Mô so sánh giải pháp điều khiển nhận dạng điều khiển phi tuyến Phạm vi nghiên cứu: Ứng dụng mạng nơ-ron RBF Giải thuật di truyền xử lý tín hiệu điều khiển phi tuyến Phương pháp nghiên cứu: Trên sở nghiên cứu lý thuyết hệ thống phi tuyến, mạng nơ-ron RBF Giải thuật di truyền Mô Matlab simulink 2012b giải thuật từ hệ thống nhỏ đơn lẻ đến hệ cánh tay máy hai bậc tự Những đóng góp luận văn:  Hệ thống hóa kiến thức hệ phi tuyến, mạng nơ-ron RBF, Giải thuật di truyền  Nghiên cứu phương pháp kết hợp Giải thuật di truyền mạng nơ-ron RBF nhằm tối ưu hóa tham số độ rộng RBFNN huấn luyện mạng để xấp xỉ đối tượng phi tuyến, dùng Giải thuật di truyền tối ưu tham số độ rộng mạng nơ-ron RBF áp dụng cho huấn luyện hai pha không cần phải lựa chọn tối ưu tâm ci độ rộng RBF  Các kết mô tay máy hai bậc tự cho thấy phương pháp mà tác giả đề xuất đóng góp nhằm làm đa dạng thuật học RBFNN đa dạng sử dụng RBFNN vào trình điều khiển nói chung Cấu trúc luận văn: Gồm có chương Chương 1: Tổng quan Chương 2: Cơ sở lý thuyết Chương 3: Huấn luyện mạng nơ-ron RBF Chương 4: Kết hợp mạng nơ-ron RBF Giải thuật di truyền xấp xỉ hàm phi tuyến Chương 5: Kết hợp mạng nơ-ron RBF Giải thuật di truyền điều khiển cánh tay máy bậc tự Chương TỔNG QUAN 1.1 Điều khiển phi tuyến Điều khiển phi tuyến nhiều nhà vật lý, nhà toán học, nhà khoa học, nhà thiết kế hệ thống điều khiển,… quan tâm từ hệ thống, thiết bị phục vụ sinh hoạt ngày, đến robot, thiết bị không gian vũ trụ Chẳng hạn yếu tố thời tiết xem phi tuyến bất định thay đổi đơn giản phần hệ thống có nhiễu loạn tác động đến hệ thống tạo hiệu ứng phức tạp dẫn đến tan rã hệ thống điều khiển Sự phi tuyến lý dự báo dài hạn cách xác với công nghệ [20] Theo JeanJacquese.Slotine Weipingli [4], có nhiều lý để tiếp tục nghiên cứu điều khiển phi tuyến như:  Cải tiến hệ thống có: Đối với hệ thống điều khiển tuyến tính thường sử dụng lĩnh vực nhỏ, hẹp Khi phát triển mở rộng lên thành hệ thống lớn chúng trở nên không ổn định, đáp ứng thiếu xác Chẳng hạn khâu điều khiển nâng robot áp dụng điều khiển tuyến tính không đáp ứng tốt có tải thay đổi (tải đặt vào lớn trọng lượng tải thay đổi liên tục) ảnh hưởng tốc độ di chuyển robot (phản hồi robot), thay đổi thành kiểu điều khiển phi tuyến giúp cho robot hoạt động ổn định  Phân tích phi tuyến đặc trưng (hard nonlinearities): Giả sử hệ thống điều khiển tuyến tính với mô hình hoàn toàn tuyến tính Tuy nhiên có nhiều thành phần phi tuyến tác động vào hệ, cản trở hoạt động hệ làm hệ hoạt động tuyến tính Các yếu tố “hard noninearities” là: Ma sát Columb, bảo hòa, vùng chết (dead-zones), phản ứng (backlash), tượng trễ (hysteresis) thứ thường gặp hệ thống điều khiển Chỉ có dùng kỹ thuật phân tích phi tuyến phân tích, dự đoán bù xác ảnh hưởng tác động phi tuyến bên  Phù hợp với mô hình bất định (model uncertainties): Trong mô hình điều khiển tuyến tính thường cần xác định tham số cho mô hình hệ thống cách xác Tuy nhiên nhiều hệ điều khiển có nhiều tham số bất định thứ mà dùng hệ điều khiển phi tuyến  Đơn giản hóa thiết kế: Một thiết kế phi tuyến thường đơn giản hơn, thực tế so với thiết kế hệ tuyến tính Điều nghịch lý hệ phi tuyến thường phân tích sâu vào yếu tố vật lý đối tượng Nhưng điều chắn phương pháp phân tích, xử lý, nhận dạng hệ thống phi tuyến nâng cao chất lượng cho hệ thống điều khiển Hầu hết hệ thống vật lý phi tuyến Các hệ thống điều khiển phi tuyến thường mô tả phương trình phi tuyến không giống Tuy nhiên xét khía cạnh tác động phi tuyến tương đối phẳng (smooth) hệ thống xấp xỉ hệ thống tuyến tính nhiễu động mô tả phương trình tuyến tính khác Về mặt toán học người ta chia hệ phi tuyến thành hai dạng, liên tục (continuous) rời rạc (discontinuous) Vì hệ phi tuyến rời rạc xấp xỉ địa phương (locally approximated) hàm tuyến tính, người ta gọi “hard nonlinearities” Vì hệ thống phi tuyến đa dạng phức tạp hệ thống tuyến tính phân tích chúng trở nên khó khăn nhiều Về mặt toán học biểu hai mặt, mặt thứ phương trình phi tuyến không giống với loại tuyến tính nào, gộp chung để tiến hành phân tích, để hiểu thuộc tính trở nên khó khăn; Mặt thứ hai, khả công cụ toán học Laplace, triển khai Fourier áp dụng cho hệ thống phi tuyến phức tạp Thực tế cho thấy phương pháp tiên đoán trạng thái hệ thống phi tuyến không tạo phương pháp dùng để thiết kế hệ thống điều khiển phi tuyến Thay vào công cụ giúp phân tích xấp xỉ mạnh mẽ áp dụng vào toán điều khiển phi tuyến đạt kết cao Các công trình nghiên cứu hệ phi tuyến Đối tượng phi tuyến tồn lĩnh vực có nhiều công trình nghiên cứu công bố Trong đó, bật phương pháp phân tích mặt phẳng pha; phương pháp phân tích điều khiển hệ Hammerstein, hệ Wiener, phương pháp cân điều hòa, lý thuyết Lyapunov hay phương pháp điều khiển trượt (Sliding Mode Control - SMC),… giúp khai phá hệ phi tuyến điều khiển phi tuyến Với hệ điều khiển phi tuyến thực theo tác giả GS Nguyễn Doãn Phước [3] nhờ đời Lý thuyết tập mờ (Fuzzy logic – Klir 1997), mạng nơ-ron nhân tạo (Artificial Neural network), Giải thuật di truyền (Genetic algorithm), kỹ thuật vi điều khiển,… giúp cho khoảng cách lý thuyết thực tế hệ phi tuyến thu hẹp đáng kể 1.2 Mạng nơ-ron nhân tạo (ANN - Artificial Neural Network) Mạng nơ-ron nhân tạo (ANN) mô hình toán học dựa sở cấu trúc hoạt động mạng nơ-ron sinh học ANN giống não người, học kinh nghiệm (thông qua huấn luyện), có khả lưu giữ kinh nghiệm hiểu biết (tri thức) sử dụng tri thức việc dự đoán liệu chưa biết (unseen data) ANN đề xuất vào năm 1943 Warren McCulloch Walter Pitts, khái niệm “Perceptron” Rosenblatt (1958) nhiên chưa ý nhiều hạn chế ứng dụng giới hạn phạm vi tính toán [5] Đến năm 1986, Rumelhart McClelland phát triển ANN lên tầm cao chúng hoàn thiện cấu trúc phương pháp học ANN công cụ mạnh việc mô hình hóa liệu thống kê phi tuyến, mô hình hóa mối quan hệ phức tạp liệu vào liệu Các ứng dụng mạng nơ-ron sử dụng nhiều lĩnh vực điện, điện tử, kinh tế [6], quân sự,… để giải toán có độ phức tạp đòi hỏi có độ xác cao điều khiển tự động, khai phá liệu, nhận dạng, học ngôn ngữ, xấp xỉ [7],… ANN phát triển thành nhiều loại: Mạng nơ-ron truyền thẳng (feedforward network), Mạng hồi tiếp (Back-propagation), Mạng nhiều tầng (Multi-Layer Perceptrons – MLP), Mạng nơ-ron dùng hàm xuyên tâm sở (Radial Basic Function – RBF),…Về nhận dạng xấp xỉ đối tượng phi tuyến mạng nơ-ron RBF (RBF Neural network – RBFNN) chiếm ưu RBFNN Broomhead Lowe's đề xuất vào 1988 [8] Từ công trình nghiên cứu thực tiễn cho thấy khả đa dạng việc xấp xỉ RBFNN thực nhiều hàm phi tuyến cách đơn giản có độ xác cao ANN nói chung, RBFNN nói riêng, phụ thuộc nhiều vào số lượng nơ-ron, có số nơ-ron xấp xỉ đi, nhiều số nơ-ron làm cho toán phức tạp hơn, bên cạnh việc lựa chọn tham số độ rộng (width), tâm (centers) ảnh hưởng nhiều đến chất lượng xấp xỉ toán Vào thập niên 1990, D Whitley đề xuất Giải thuật tiến hóa (Evolution Algorithms – EAs) nhằm tối ưu hóa cấu trúc tham số ANN [9], tiếp sau hàng loạt công trình nghiên cứu dùng Giải thuật di truyền (Genetic Algorithm) luyện mạng RBFNN ứng dụng theo tiến hóa sinh học làm tăng khả tính toán, giải toán phức tạp 1.3 Giải thuật di truyền (Genetic Algorithm - GA) Trong “Trí tuệ nhân tạo” (Artifical Intelligent – AI) không kể đến Giải thuật di tuyền (Genetic Algorithm - GA) GA phân nhánh quan trọng Giải thuật tiến hóa (Evolution Algorithms – EAs) Nó dựa thuyết tiến hóa sinh học “Giữ lại cá thể tốt, loại bỏ cá thể kém, chọn lọc cá thể thích nghi nhất” kỹ thuật tính toán thông minh, mang lại phương pháp hiệu với dạng toán có nghiệm phức tạp, khó khăn giải phương pháp truyền thống Vào năm thập niên 1950, nhà khoa học bắt đầu nghiên cứu Trí tuệ nhân tạo tính toán thuyến tiến hóa, nỗ lực mô tả chương trình tính toán mô tượng giới tự nhiên Vào năm 1953, Nils Barricelli mời đến Princeton để nghiên cứu trí tuệ nhân tạo, Ông gần bị hút vào máy tính kỹ thuật số dùng viết phần mềm bắt chước tái sinh đột biến giới tự nhiên, Ông không giải toán tối ưu chưa mô trình tiến hóa sinh học đặt tảng cho giới nhân tạo, Ông người dùng máy tính để nghiên cứu thuyết tiến hóa, khơi màu cho nhà sinh vật học tiếp bước Ông cuối thập niên 1950 thập niên 1960 [10] Theo Michell [11], GA phát minh J.H.Holland năm 1962 phiên GA đặc biệt sử dụng đến ngày Holland phát triển từ học thuyết Charles Darwin “cá thể thích nghi sống sót” cách trải qua lai tạo (crossover), tái tạo (recombination), đột biến (mutation) ghéo chéo (inversion) diễn gen Về sau, Kenneth De Jong (học trò J.H.Holland) đưa giải pháp học tổng thể (comprehensive study) GA toán tối ưu luận án tiến sĩ ông GA giải thuật dựa chế chọn lọc tiến hóa tự nhiên [1] Một số công trình nghiên cứu điển hình như:  Quy hoạch tiến hóa (EP) D.B Pogel đề xuất Đề xuất mô tả sau: Cho lớp phương pháp giải (số) phần vấn đề Dựa vào quy luật tiến hóa, tìm phương pháp liên hợp đủ khả giải trọn vẹn vấn đề  Chiến lược tiến hóa T Baeck, F.H Hofmeister HP Schwefel Thuật toán dựa số chiến lược ban đầu, tiến hóa để tạo chiến lược phù hợp với môi trường thực tế cách tốt  Thuật toán di truyền (GA) D.E Goldberg đề xuất, L Davis Z Michalevicz phát triển Hoạt động GA đơn giản việc mô tiến hóa chọn lọc tự nhiên máy tính quần thể ngẫu nhiên Bên cạnh để tối ưu ta cần hàm lượng giá hàm thích nghi để chọn cá thể tốt loại bỏ cá thể xấu GA khác với kĩ thuật tối ưu khác chỗ [12]: - GA làm việc với mã biến làm việc trực tiếp biến - Hầu hết kĩ thuật tối ưu thông thường tìm kiếm từ đỉnh, GA hoạt động tập hợp đỉnh (điểm tối ưu), điều ưu điểm GA giúp tăng hội tiếp cận tối ưu toàn cục tránh hội tụ sớm điểm cục địa phương - GA đánh giá hàm mục tiêu để phục vụ trình tìm kiếm, ứng dụng cho toán tối ưu (liên tục hay rời rạc) - GA thuộc lớp thuật toán xác suất, thao tác GA dựa khả tích hợp ngẫu nhiên trình xử lý 1.4 Kết hợp mạng nơ-ron RBF với Giải thuật di truyền Việc kết hợp giải thuật tính toán lại đề giải toán việc thấy Trong việc kết hợp mạng nơ-ron RBF Giải thuật di truyền nhiều nhà nghiên cứu áp dụng hiệu toán phức tạp, nhiều ẩn số, tham số không đầy đủ hay không gian tìm kiếm lời giải lớn Một số công trình nghiên cứu kết hợp mạng nơ-ron RBF với công bố:  Dùng Giải thuật di truyền tối ưu độ rộng hàm Gaussian mạng nơ-ron RBF A Golbabai A Safdari-Vaighani đề xuất [13] Tác giả sử dụng tối ưu tham số độ rộng (width) sở tính toán độ rộng Moody Darken kết hợp với phương pháp K- láng giềng gần (K-nearest-neighbor - KNN), sau dùng GA tìm kiếm hệ số tối ưu cho độ rộng để xấp xỉ đối tượng phi tuyến 𝑟 𝜎𝑗 = ( ∑‖𝑐𝑖 − 𝑐𝑗 ‖ ) 𝑟 (1.1) 𝑖=1 Trong đó: 𝜎𝑗 : Độ rộng thứ j 𝑐𝑗 : Tâm thứ j r : Số K láng giềng tâm cj, r thường Tham số độ rộng tính: 𝜎 = ℎ𝑞 𝜎𝑗𝑐 Dùng GA tối ưu hệ số hq sau cho ngõ đạt xấp xỉ với ngõ yêu cầu Kết đạt so với phương pháp khác sau: Bảng 1.1 Căn phương sai số (RMSE) hàm Sin chiều với 500 mẫu thử Căn phương sai số (Root Mean Square Error) Hàm Sin chiều với 500 mẫu thử Số tâm Kết Tác giả Moody & Darken S Hakin Optimal hq 0/0387 0/0428 0/0539 1/7415 0/0362 0/0393 0/0466 1/8760 Tác giả đề xuất xấp xỉ cấu trúc độ rộng RBF dùng GA Trong phương pháp tác giả thiết lặp tối ưu vòng lặp hàm Gaussian phương pháp tăng hiệu suất làm việc RBF Bảng 1.2 Căn phương sai số (RMSE) hàm Sin hai chiều với 1000 mẫu thử Căn phương sai số (Root Mean Square Error) Hàm Sin hai chiều với 1000 mẫu thử Số tâm Kết Tác giả Moody & Darken S Hakin Optimal q 0/1945 0/2052 0/2103 1/3115 0/1770 0/1871 0/1902 1/4560 0/1423 0/1482 0/1512 1/1941 10 0/1351 0/1420 0/1476 1/1016 Kết cho thấy với mẫu thử nhiều cho chất lượng tốt (sai số hơn) Tuy nhiên nhược điểm phương pháp nằm hệ số K- láng giềng gần hệ số K chưa phải lời giải đảm bảo tối ưu toàn cục cho toán  Mohammed Awad dùng Giải thuật di truyền tối ưu tham số mạng nơ-ron RBF sử dụng hàm xấp xỉ [14] Đã đề xuất cách tiếp cận toán hàm xấp xỉ hàm ngõ vào ngõ dùng mạng nơ-ron RBF Giải thuật di truyền Trên sở tối ưu tham số mạng nơ-ron RBF Giải thuật di truyền, tối ưu tâm c bán kính r mạng nơ-ron RBF Kết phương pháp cho thấy bình phương sai số (Normalized-Root-Mean-Square-Error - NRMSE) tốt so với cách truyền thống (Hình 1.1) Tác giả cho thấy ba phương pháp xấp xỉ, cho thấy NRMSE nhỏ hơn, hàm thích nghi tăng theo số lượng quần thể; Hàm thích nghi thay đổi chậm số lượng quần thể khoảng 20÷50 Tác giả nhận thấy điều kiện hội tụ xác lập quần thể khoảng 20 hàm thích nghi tăng thêm Dù cách tác giả có phần ưu nhiên để đạt giá trị tối ưu xấp xỉ tuyệt đối (sai 10 ... cứu điều khiển hệ thống phi tuyến - Nghiên cứu lý thuyết mạng nơ -ron RBF, Giải thuật di truyền - Nghiên cứu kết hợp mạng nơ -ron RBF Giải thuật di truyền - Mô so sánh giải pháp điều khiển nhận dạng. .. 4: Kết hợp mạng nơ -ron RBF Giải thuật di truyền xấp xỉ hàm phi tuyến Chương 5: Kết hợp mạng nơ -ron RBF Giải thuật di truyền điều khiển cánh tay máy bậc tự Chương TỔNG QUAN 1.1 Điều khiển phi tuyến. .. dạng điều khiển phi tuyến Phạm vi nghiên cứu: Ứng dụng mạng nơ -ron RBF Giải thuật di truyền xử lý tín hiệu điều khiển phi tuyến Phương pháp nghiên cứu: Trên sở nghiên cứu lý thuyết hệ thống phi tuyến,