Hệ Mờ Và Nơron Trong Kỹ Thuật Điều Khiển

TS NGUYỄN NHƯ HIỀN & TS LẠI KHẮC LÃI HỆ MỜ & NƠRON TRONG KỸ THUẬT ĐIỀU KHIỂN Sách Chuyên khảo dùng cho đào tạo Sau đại học ngành Điều khiển & Tự động hoá NHÀ XUẤT BẢN KHOA HỌC TỰ NHIÊN VÀ CÔNG NGHỆ HÀ NỘI – 2007 CuuDuongThanCong.com https://fb.com/tailieudientucntt MỤC LỤC LỜI NÓI ĐẦU Chương 1: LÔGIC MỜ 1.1 TỔNG QUAN VỀ LÔGIC MỜ 1.1.1 Q trình phát triển 1ơgic mờ 1.1.2 Cơ sở toán học 1ôgic mờ 1.1.3 Lôgic mờ 1ôgic người 1.2 KHÁI NIỆM VỀ TẬP MỜ 1.2.1 Tập kinh điển 1.2.3 Các thông số đặc trưng cho tập mờ 1.2.4 Các dạng hàm liên thuộc tập mờ 1.3 CÁC PHÉP TOÁN TRÊN TẬP MỜ 1.3.1 Phép hợp hai tập mờ 1.3.2 Phép giao hai tập mờ 1.3.3 Phép bù tập mờ 1.4 BIẾN NGÔN NGỮ VÀ GIÁ TRỊ CỦA BIẾN NGÔN NGỮ 1.5 LUẬT HỢP THÀNH MỜ 1.5.1 Mệnh đề hợp thành 1.5.2 Mô tả mệnh đề hợp thành 1.5.3 Luật hợp thành mờ 10 1.5.4 Các cấu trúc luật hợp thành 11 1.5.5 Luật hợp thành đơn có cấu trúc SISO 12 1.5.7 Luật nhiều mệnh đề hợp thành 19 1.5.7 Luật hợp thành SUM-MIN SUM-PROD 22 1.6 GIẢI MỜ 23 2.6.1 Phương pháp cực đại 24 Chương 2: ĐIỀU KHIỂN MỜ 29 2.1 CẤU TRÚC CỦA BỘ ĐIỀU KHIỂN MỜ 29 2.1.1 Sơ đồ khối điều khiển mờ 29 2.1.2 Phân loại điều khiển mở 30 2.1.3 Các bước tổng hợp điều khiển mờ 31 2.2 BỘ ĐIỀU KHIỂN MỞ TĨNH 32 CuuDuongThanCong.com https://fb.com/tailieudientucntt 2.2.1 Khái niệm 32 2.2.2 Thuật toán tổng hợp điều khiển mờ tĩnh 32 2.2.3 Tổng hợp điều khiển mờ tuyến tính đoạn 33 2.3 BỘ ĐIỀU KHIỂN MỜ ĐỘNG 35 2.4 THIẾT KẾ HỆ ĐIỀU KHIỂN MỜ BẰNG PIIẦN MỀM MATLAB 37 2.4.1 Giới thiệu hộp công cụ lôgic mờ 37 2.3.2 Ví dụ thiết kế hệ mờ 41 2.5 HỆ ĐIỀU KHIỂN MỜ LAI (F-PID) 45 2.6 HỆ ĐIỀU KHIỂN THÍCH NGHI MỜ 46 2.6.1 Khái niệm 46 2.6.2 Tổng hợp điều khiển thích nghi mờ ổn định 48 2.7 TỔNG HỢP BỘ ĐIỂU KHIỂN MỜ THÍCH NGHI TRÊN CƠ SỞ LÝ THUYẾT THÍCH NGHI KINH ĐIỂN 58 2.7.1 Đặt vấn đề 58 2.7.2 Mơ hình tốn học điều khiển mờ 60 2.7.3 Xây dựng cấu thích nghi cho điều khiển mờ 66 2.7.4 Một số ứng dụng điều khiển đối tượng công nghiệp 70 Chương 3: TỔNG QUAN VỀ MẠNG NƠRON 75 3.1 NƠRON SINH HỌC 75 3.1.1 Chức năng, tổ chức hoạt động não người 75 3.1.2 Mạng nơron sinh học 76 3.2 MẠNG NƠRON NHÂN TẠO 77 3.2.1 Khái niệm 77 3.2.2 Mơ hình nơron 80 3.3 CẤU TRÚC MẠNG 83 3.3.1 Mạng lớp 83 3.3.2 Mạng nhiều lớp 84 3.4 CẤU TRÚC DỮ LIỆU VÀO MẠNG 87 3.4.1 Mô tả véctơ vào mạng tĩnh 88 3.4.2 Mô tả véctơ vào liên tiếp mạng động 89 3.5 HUẤN LUYỆN MẠNG 92 3.5.1 Huấn luyện gia tăng 92 3.5.2 Huấn luyện mạng theo gói 94 Chương 4: MẠNG PERCEPTRONS 98 4.1 MỞ ĐẨU 98 CuuDuongThanCong.com https://fb.com/tailieudientucntt 4.1.1 Mơ hình nơron perceptron 98 4.1.2 Kiến trúc mạng perceptron 100 4.2 THIẾT LẬP VÀ MÔ PHỎNG PERCEPTRON TRONG MATLAB100 4.2.1 Thiết lập 100 4.2.2 Mô (sim) 102 4.2.3 Khởi tạo 103 4.3 CÁC LUẬT HỌC 104 4.3.1 Khái niệm 104 4.3.2 Luật học Perceptron (learnp) 105 4.3.3 Huấn luyện mạng (train) 107 4.4 CÁC HẠN CHẾ CỦA PERCEPTRON 111 4.5 SỬ DỤNG GIAO DIỆN ĐỒ HỌA ĐỂ KHẢO SÁT MẠNG NƠRON 112 4.5.1 Giới thiệu GUI 112 4.5.2 Thiết lập mạng Perceptron (nntool) 113 4.5.3 Huấn luyện mạng 115 4.5.4 Xuất kết Perceptron vùng làm việc 116 4.5.5 Xoá cửa sổ liệu mạng (Network/Data Window) 117 4.5.6 Nhập từ dòng lệnh 117 4.5.7 Cất biến vào file nạp lại 118 Chương 5: MẠNG TUYẾN TÍNH 119 5.1 MỞ ĐẦU 119 5.1.1 Khái niệm 119 5.1.2 Mơ hình nơron 119 5.2 CẤU TRÚC MẠNG 120 5.2.1 Cấu trúc 120 5.2.2 Khởi tạo nơron tuyến tính (Newlin) 121 5.3 THUẬT TỐN CỰC TIỂU TRUNG BÌNH BÌNH PHƯƠNG SAI LỆCH 122 5.4 THIẾT KẾ HỆ TUYẾN TÍNH 123 5.5 MẠNG TUYẾN TÍNH CĨ TRỄ 123 5.5.1 Mắt trễ 123 5.5.2 Thuật toán LMS (learnwh) 123 5.5.3 Sự phân loại tuyến tính (train) 125 5.6 MỘT SÓ HẠN CHẾ CỦA MẠNG TUYẾN TÍNH 126 CuuDuongThanCong.com https://fb.com/tailieudientucntt Chương 6: HỆ MỜ - NƠRON (FUZZY-NEURAL) 128 6.1 SỰ KẾT HỢP GIỮA LOGIC MỜ VÀ MẠNG NƠRON 128 6.1.1 Khái niệm 128 6.1.2 Kết hợp điều khiển mờ mạng nơron 129 6.2 NƠRON MỜ 133 6.3 HUẤN LUYỆN MẠNG NƠRON-MỜ 135 6.4 SỬ DỤNG CÔNG CỤ ANFIS TRONG MATLAB ĐỂ THIẾT KẾ HỆ MỜ - NƠRON (ANFIS and the ANFIS Editor GUI) 139 6.4.1 Khái niệm 139 6.4.2 Mơ hình học suy diễn mờ thơng qua ANFIS (Model Learning and Inferencc Through ANFIS) 140 6.4.3 Xác nhận liệu huấn luyện (Familiarity Brecds Validation) 141 6.5 SỬ DỤNG BỘ SOẠN THẢO ANFIS GUI 143 6.5.1 Các chức ANFIS GUI 143 6.5.2 Khuôn dạng liệu soạn thảo ANFIS GUI: kiểm tra huấn luyện (Data Formalities and the ANFIS Editor GUI: Checking and Training) 144 6.5.3 Một số ví dụ 145 6.6 SOẠN THẢO ANFIS TỪ DÒNG LỆNH 153 6.7 THÔNG TIN THÊM VỀ ANFIS VÀ BỘ SOẠN THẢO ANFIS EDITOR GUI 157 6.7.1 Dữ liệu huấn luyện (Training Data) 158 6.7.2 Cấu trúc đầu vào FIS (Input FIS Structure) 158 6.7.3 Các tùy chọn huấn luyện (Training Options) 159 6.7.4 Tuỳ chọn hiển thị Display Options 159 6.7.5 Phương pháp huấn luyện (Method) 160 6.7.6 Cấu trúc đầu FIS cho liệu huấn 1uyện 160 6.7.7 Sai số huấn luyện 160 6.7.8 Bước tính (Step-size) 160 6.7.9 Dữ liệu kiểm tra (Checking Data) 161 6.7.10 Cấu trúc đầu FIS cho liệu kiểm tra (Output FIS Structure for Checking Data) 162 6.7.11 Sai số kiểm tra (Checking Error) 162 TÀI LIỆU THAM KHẢO 163 CuuDuongThanCong.com https://fb.com/tailieudientucntt LỜI NÓI ĐẦU Ngày nay, hệ thống mờ mạng nơ ron ngày ứng dụng rộng rãi nhiều lĩnh vực đời sống xã hội Đặc biệt, lĩnh vực điều khiển tự động hoá, hệ mờ mạng nơ ron ngày chiếm ưu mang lại nhiều lợi ích to lớn Với ưu điểm xứ lý với độ xác cao thơng tin "khơng xác" hệ mờ mạng nơron sở hệ "điều khiển thơng minh" "trí tuệ nhân tạo" Để đáp ứng nhu cầu tìm hiểu ứng dụng lôgic mờ mạng nơ ron đông đảo bạn đọc, cổ vũ động viên BGH trường Đại học Kỹ thuật Công nghiệp, mạnh dạn viết sách "Hệ mờ nơron kỹ thuật điều khiển" Cuốn sách viết dựa giảng hệ thống điều khiển thông minh cho học viên cao học ngành Tự động hố trường Đại học Kỹ thuật Cơng nghiệp Cuốn sách khơng phân tích q sâu vấn đề lý thuyết phức tạp mà cung cấp cho bạn đọc nội dung Hệ mờ, mạng nơ ron nhân tạo hệ Mờ-nơron Mục tiêu cao giúp bạn đọc biết cách khai thác công cụ sẵn có phần mềm MATLAB để phân tích, thiết kế điều khiển mờ, nơron nhằm điều khiển đối tượng công nghiệp Mỗi phần có ví dụ cụ thể để hướng dẫn thiết kế Cuốn sách tài liệu tham khảo cho học viên cao học, sinh viên ngành Điều khiển, kỹ sư ngành Điện, Công nghệ thông tin nghiên cứu sinh quan tâm đến lĩnh vực điều khiển mờ mạng nơron Trong q trình biên soạn, khơng tránh khỏi nhiều sai sót Chúng tơi mong nhận đóng góp ý kiến đồng nghiệp bạn đọc gần, xa Xin chân thành cảm ơn! Thái Nguyên, ngày 01 tháng 12 năm 2006 Các tác giả CuuDuongThanCong.com https://fb.com/tailieudientucntt Chương LÔGIC MỜ 1.1 TỔNG QUAN VỀ LƠGIC MỜ 1.1.1 Q trình phát triển 1ơgic mờ Từ năm 1965 đời lý thuyết lý thuyết tập mờ (Fuzzy set theory) đo giáo sư Lofti A Zadeh trường đại học Califonia - Mỹ đưa Từ lý thuyết đời phát triển mạnh mẽ qua cơng trình khoa học nhà khoa học như: Năm 1972 GS Terano Asai thiết lập sở nghiên cứu hệ thống điều khiển mờ Nhật, năm 1980 hãng Smith Co bắt đầu nghiên cứu điều khiển mờ cho lò Những năm đầu thập kỷ 90 hệ thống điều khiển mờ mạng nơron (Fuzzy system and neural network) nhà khoa học, kỹ sư sinh viên lĩnh vực khoa học kỹ thuật đặc biệt quan tâm ứng dụng sản xuất đời sống Tập mờ lôgic mờ dựa thông tin "không đầy đủ, đối tượng để điều khiển đầy đủ đối tượng cách xác Các cơng ty Nhật bắt đầu dùng lôgic mờ vào kỹ thuật điều khiển từ năm 1980 Nhưng phần cứng chuẩn tính tốn theo giải thuật 1ơgic mờ nên hầu hết ứng dụng dùng phần cứng chuyên lôgic mờ Một ứng dụng dùng lôgic mờ nhà máy xử lý nước Fuji Electric vào năm 1983, hệ thống xe điện ngầm Hitachi vào năm 1987 1.1.2 Cơ sở tốn học 1ơgic mờ Lơgic mờ xác xuất thơng kê nói khơng chắn chắn Tuy nhiên lĩnh vực định nghĩa khái niệm khác đối tượng Trong xác suất thống kê không chắn liên quan đến xuất kiện chắn" Ví dụ: Xác suất viên đạn trúng đích 0, Bản thân kiện "trúng đích" định nghĩa rõ ràng, không CuuDuongThanCong.com https://fb.com/tailieudientucntt chắn có trúng đích hay khơng định lượng mức độ xác suất (trong trường hợp 0,8) Loại phát biểu xử lý kết hợp với phát biểu khác phương pháp thống kê, xác suất có điều kiện chẳng hạn Sự không chắn ngữ nghĩa, liên quan đến ngơn ngữ người, khơng xác từ ngữ mà người dùng để ước lượng vấn đề rút kết luận Ví dụ từ mơ tả nhiệt độ "nóng", "lạnh", "ấm"sẽ khơng có giá trị xác để gán cho từ này, khái niệm khác người khác (là lạnh người không lạnh người khác) Mặc dù khái niệm khơng định nghĩa xác người sử dụng chúng cho ước lượng định phức tạp Bằng trừu tượng óc suy nghĩ, người giải câu nói mang ngữ cảnh phức tạp mà khó mơ hình tốn học xác Sự khơng chắn theo ngữ vựng: Như nói trên, dùng phát biểu khơng mang tính định lượng người thành cơng ước lượng phức tạp Trong nhiều trường hợp, người dùng không chắn để tăng thêm độ linh hoạt Như hầu hết xã hội, hệ thống luật pháp bao gồm số luật, luật mô tả tình Ví dụ luật quy định tội trộm xe phải bị tù năm, luật khác lại giảm nhẹ trách nhiệm Và phiên tòa, chánh án phải định số ngày phạt tù tên trộm dựa mức độ rượu người, trước có tiền án hay tiền khơng, từ kết hợp lại đưa định cơng 1.1.3 Lôgic mờ 1ôgic người Trong thực tế, ta không định nghĩa luật cho trường hợp mà định nghĩa số luật cho trường hợp định Khi luật điểm rời rạc tập trường hợp liên tục người xấp xỉ chúng Gặp tình cụ thể, người kết hợp luật mơ tả tình tương tự Sự xấp xỉ dựa linh hoạt từ ngữ cấu tạo nên luật, trừu tượng suy nghĩ dựa linh hoạt lôgic người Để thực thi lôgic người kỹ thuật cần phải có mơ hình tốn học Từ lơgic mờ đời mơ hình tốn học cho phép CuuDuongThanCong.com https://fb.com/tailieudientucntt mơ tả q trình định ước lượng người theo dạng giải thuật Dĩ nhiên có giới hạn, lơgic mờ khơng thể bắt chước trí tưởng tượng khả sáng tạo người Tuy nhiên, lôgic mờ cho phép ta rút kết luận gặp tình khơng có mơ tả luật có sư tương đương Vì vậy, ta mơ tả mong muốn hệ thống trường hợp cụ thể vào luật lơgic mờ tạo giải pháp dựa tất mong muốn 1.2 KHÁI NIỆM VỀ TẬP MỜ 1.2.1 Tập kinh điển Khái niệm tập hợp hình thành tảng lơgic định nghĩa xếp chung đối tượng có tính chất, gọi phần tử tập hợp Cho tập hợp A, phần tử x thuộc A ký hiệu: x ∈ A Thông thường ta dùng hai cách để biểu diễn tập hợp kinh điển, là: Liệt kê phần tử tập họp, ví dụ tập A1 = {xe đạp, xe máy, xe ca, xe tải}; - Biểu diễn tập hợp thơng qua tính chất tổng qt phần tử, ví dụ: tập số thực (R), Tập số tự nhiên (N) Để biểu diễn tập hợp A tập X, ta dùng hàm thuộc µA(x), với: x ∈ A µA(x) nhận giá trị "1" x ∉ A "0" ký hiệu = {x ∈X| x thoả mãn số tính chất đó} Ta nói: Tập A định nghĩa tập X µA(x) = Hình 1.1 mơ tả hàm phụ thuộc µA(x) tập số thực từ -5 đến A = {x∈R|5 ≤ x ≤ 5} 1.2.2 Định nghĩa tập mờ Trong khái niệm tập hợp kinh điển hàm phụ thuộc µA(x) tập A, có hai giá trị "1" x∈A "0" x∉A CuuDuongThanCong.com https://fb.com/tailieudientucntt Cách biểu diễn hàm phụ thuộc không phù hợp với tập mô tả "mờ" tập B gồm số thực gần 5: B = {x ∈ R| x ≈ 5} Khi ta khơng thể khẳng định chắn số có thuộc B hay khơng? mà nói thuộc B gao nhiêu phần trăm Để trả lời câu hỏi này, ta phải coi hàm phụ thuộc µB(x) có giá trị khoảng từ đến tức là: ≤ µB(x) ≤ Từ phân tích ta có định nghĩa: Tập mờ B xác định tập kinh điển M tập mà phần tử biểu diễn cặp giá trị (x,µB(x)) Trong x ∈M µB(x) ánh xạ Ánh xạ µB(x) gọi hàm liên thuộc tập mờ B Tập kinh điển M gọi sở tập mờ B 1.2.3 Các thông số đặc trưng cho tập mờ Các thông số đặc trưng cho tập mờ độ cao, miền xác định miền tin cậy (hình 1.3) + Độ cao tập mờ B (Định nghĩa sở M) giá trị lớn giá trị hàm liên thuộc: H = SUP µ B (x) x∈M Một tập mờ có phần tử có độ phụ thuộc gọi tập mờ tắc (H = 1) Ngược lại, tập mờ B với H < gọi tập mờ khơng tắc + Miền xác định tập mờ B (Định nghĩa sở M) ký hiệu S tập M có giá trị hàm liên thuộc khác không: CuuDuongThanCong.com https://fb.com/tailieudientucntt điều chỉnh mẫu vượt giới hạn Anr's chọn tham số mơ hình có liên quan đển sai số kiểm tra tối thiểu Trong ví dụ này, tuỳ chọn kiểm tra anrs có hữu ích + Thử liệu tương phản với FIS huấn luyện (Testing Your Data Against thể Traincd FIS) Để thử FIS tương phản với liệu kiểm tra, chọn hộp kiểm tra Checking data phần Tesst FIS GUI, bấm Test now Ta kiểm tra liệu kiểm tra tương phản với FIS (hình 6.18) Chú ý: " Khi tải thêm liệu với anfis: Nếu tải liệu vào anfis sau xoá liệu tải trước đó, ta phải chắn liệu tải có số đầu vào liệu trước Nếu không ta cần phải khởi động lại anfisedit từ dòng lệnh " Khi lựa chọn liệu kiểm tra xố liệu: Nếu khơng muốn sử dụng phần lựa chọn liệu kiểm tra anfis, ta không cần tải liệu kiểm tra trước huấn luyện FIS Nếu ta định huấn luyện lại FIS mà không cần liệu kiểm tra, ta loại bỏ liệu kiểm tra hai cách: - Cách 1: Lựa chọn nút Checking phần Load data GUI sau bấm vào nút Clear Data để bỏ liệu kiểm tra - Cách 2: Đóng GUI tới dòng lệnh gõ lại anfisedit Trong trường hợp phải tải lại liệu kiểm tra Sau xóa liệu, ta cần tạo FIS 150 CuuDuongThanCong.com https://fb.com/tailieudientucntt " Khi FIS tạo ta sử dụng kinh nghiệm huấn luyện kỳ để định số kỳ huấn luyện muốn huấn luyện kỳ hai b Ví dụ 2: Dữ liệu kiểm tra khơng hợp với mơ hình Trong ví dụ này, khảo sát điều xảy liệu huấn luyện kiểm tra khác hoàn toàn Để xem cách sử dụng soạn thảo ANFIS GUI để nghiên cứu số điều tập liệu khác chúng Ta thực theo bước sau: " Xoá tất liệu huấn luyện liệu kiểm tra Để làm điều bấm vào nút Clear Plot bên phải cửa sổ soạn thảo " Tải liệu huấn luyện liệu kiểm tra theo thứ tự định sẵn fuzex2trnData fuzex2chkData vào vùng làm việc MATLAB tương tự làm ví dụ trước Trên hình ta nhận liệu hình 6.19 Huấn luyện FIS cho hệ thống tương tự ví dụ trước, khác chọn kỳ huấn luyện 60 trước huấn luyện Ta nhận sai số huấn luyện sai số kiểm tra (hình 6.20) Hình 6.19 151 CuuDuongThanCong.com https://fb.com/tailieudientucntt Hình 6.20 Ta thấy sai số kiểm tra lớn Dường sai số kiểm tra nhỏ lấy kỳ Chúng ta nhớ lại việc sử dụng tuỳ chọn liệu kiểm anfis cách tự động để thiết lập tham số có liên kết với sai số kiểm tra nhỏ Rõ ràng tập hàm liên thuộc lựa chọn tốt để tạo mẫu liệu kiểm tra Vậy, vấn đề gì? Ví dụ làm sáng tỏ vấn óc đề cập trên, liệu kiểm tra đưa đển anfis để huấn luyện khác hoàn tồn với liệu huấn luyện Nó thể tầm quan trọng việc.hiểu biết rõ đặc điểm liệu ta lựa chọn liệu huấn luyện kiểm tra Nếu khơng đúng, ta phân tích sơ đồ sai số kiểm tra để xem liệu kiểm tra có hoạt động hiệu với mơ hình huấn luyện hay khơng Trong ví dụ này, sai số kiểm tra đủ lớn thấy cần phải có nhiều liệu để lựa chọn cho việc huấn luyện thay đổi lựa chọn hàm liên thuộc (cả số lượng kiêu hàm liên thuộc) Hoặc huấn luyện lại hệ thống mà không cân liệu kiểm tra ta thấy liệu huấn luyện đủ mô tả nét đặc trưng mà ta cố gắng thực Sau ta thử huấn luyện mơ hình FIS đối lập với liệu kiểm tra Để làm việc này, lựa chọn Checking data mục Test FIS GUI, bấm vào Test Now Hình 6.21 thể khác đầu liệu kiểm tra với đầu FIS 152 CuuDuongThanCong.com https://fb.com/tailieudientucntt Hình 6.21 6.6 SOẠN THẢO ANFIS TỪ DỊNG LỆNH Ở ta thấy rõ số tiện lợi đơn giản sử dụng soạn thảo ANFIS GUI để xây dựng mơ hình mờ - nơron (FIS) Tuy nhiên, thấy trongví dụ 2, ta cần phái thận trọng thực chức công nhận giá trị liệu kiểm tra anfis phải kiểm tra xem sai số liệu kiểm tra có đảm bảo khơng Nếu khơng ta cần huấn luyện lại FIS Sau tìm hiểu cách thức sử dụng dòng lệnh anfis thơng qua ví dụ dự đoán chuỗi thời gian hỗn độn Chuỗi thời gian hỗn độn mơ tả phương trình Mackey- Glass (MG) sau: ⋅ x (t) = 0,2x(− τ) − 0,1x(t) + x10 (t − τ) Chuỗi thời gian hỗn độn, khơng có khoảng thời gian xác định rõ ràng Chuỗi không hội tụ hay phân kỳ, đường cong có độ nhạy cao với điều kiện ban đầu Đây tốn điển hình số nghiên cứu mơ hình mạng nơron logic mờ Để thu giá trị chuỗi thời gian giá trị nguyên, áp dụng phương pháp Runge-kuna bậc để tìm giải pháp số cho công thức (Mackey- Glass) MG trên, kết lưu lại file mgdata.dat Ở đây, ta giả thiết x(0) = 1,2, T = 17 x(t) = t < Để vẽ đồ thị chuỗi thời gian MG (hình 6.22) ta thực lệnh sau: load mgdata.dai t = mgdata (: , 1); x - mgdata (:, 2); plot(t, x); 153 CuuDuongThanCong.com https://fb.com/tailieudientucntt Hình 6.22 Đồ thị chuỗi MG Để dự đoán chuỗi thời gian, ta mong muốn dùng giá trị chuỗi thời gian đển điểm thời điểm t, để dự đoán giá trị chuỗi số thời điểm tương lai (t + P) Phương pháp chuẩn cho loại dự đoán tạo đồ từ điểm lấy mẫu liệu D, thời gian trích mẫu ∆ Tại thời điểm, (x(t - (D-1) ∆), x(t- ∆ x(t)) để dự đoán giá trị x(t + P) Theo quy ước để dự đoán chuỗi thời gian MG, đặt D = ∆ = P = Với t, liệu huấn luyện đầu vào cho anfls vecto bốn chiều theo công thức sau: w(t) = [x(t- 18) x(t- 12) x(t-6) x(t)] Dữ liệu huấn luyện đầu tương ứng với đường cong dự đoán: s(t) = x(t + 6) Với t, theo giá trị từ 118 đến 1117, liệu huấn luyện đầu vào/ đầu cấu trúc có thành phần đầu vào w bốn hướng, thành phần thứ hai đầu s Sẽ có 1000 giá trị liệu vào/ Chúng ta sử dụng 500 giá trị liệu để huấn luyện anfis (những giá trị trở thành liệu huấn luyện) giá trị khác sử dụng liệu kiểm tra để nhận dạng mô hình mờ Đây kết cấu trúc liệu 500 điểm, tmData chkData Dưới lệnh để tạo liệu For t = 118: 1117, Data (t- 117, :) = [x(t-18) x(t-12) x(t-6) x(t) x(t + 6)]; End trnData : Data (1:500, :); 154 CuuDuongThanCong.com https://fb.com/tailieudientucntt chkData = Data (501 : end, :); Để bắt đầu việc huấn luyện, cần cấu trúc FIS rõ tham số ban đầu cấu trúc FIS để học Đây công việc genrsl: fismat = genfisl (trnData) Vì không xác định rõ số lượng kiểu hàm liên thuộc sử dụng FIS nên giá trị mặc định khơng có thật Những giá trị mặc định cung cấp hai hàm liên thuộc hình chng đầu vào, tổng cộng Cấu trúc tạo FIS có 16 luật mờ với 140 tham số Theo thứ tự, để đạt khả phát tốt, quan trọng phải có điểm liệu huấn luyện lớn gấp vài lần số tham số ước tính Trong trường hợp này, tỷ lệ liệu tham số vào khoảng (500/104) Hình 6.23 Các hàm liên thuộc trước huấn luyện Hàm genfisl tạo hàm liên thuộc ban đầu xếp cân bao phủ tất khoảng đầu vào T vẽ hàm liên thuộc đầu lệnh sau: subplot(2,2,1) plotmf(rsmat, 'input', 1) suhplot(2,2,2) plotmf(rsmat, 'input', 2) subplot(2,2,3) plotmf(rsmat, 'input', 3) 155 CuuDuongThanCong.com https://fb.com/tailieudientucntt subplot(2,2,4) plotmf(rsmat, 'input', 4) Các hàm liên thuộc ban đầu hình 6.23 Để bắt đầu việc huấn luyện, gõ: [rsmat1, error1,ss, rsmat2, error2]= anrs (trnData, fismat, [],[], chkData); Vì tuỳ chọn liệu kiếm tra anrs gọi ra, FIS chọn cuối thường liên kết với sai số kiểm tra nhỏ Nó lưu rsmat2 Các lệnh sau vẽ hàm liên thuộc mới: subplot(2,2,1) plotmf(fismat2, 'input', 1) subplot(2,2,2) plotmf(rsmat2, 'input', 2) subplot(2,2,3) plotmí(rsmat2, 'input', 3) subplot(2,2,4) plotmf(rsmat2, 'input', 4) Hàm liên thuộc chi hình 6.24 Hình 6.24 Các hàm liên thuộc sau huấn luyện 156 CuuDuongThanCong.com https://fb.com/tailieudientucntt Hình 6.25a,b Tín hiệu sai số sau huấn luyện Để vẽ đồ thị sai số tín hiệu, gõ lệnh: plot ([error1; error2]); Ở error1 error2 bình phương trung bình sai số liệu huấn luyện kiểm tra theo thứ tự định sẵn Thêm vào đồ thị sai số này, ta muốn vẽ đồ thị đầu FIS trái với liệu huấn luyện kiểm tra Để so sánh chuỗi thời gian MG gốc dự đoán logic mờ mặt một, thử anfis_output = evamS([trnData; chkData1], fismat2); index = 125:1124; subplot(211), plot(t(index), [x(index) anfisoutput]); subplot(212), plot(t(index), x(index) - anfis_output); Chú ý: Sự khác chuỗi thời gian MG gốc giá trị anrs ước tính nhỏ Hai đồ thị gần trùng khít lên (hình 6.sa) Sai số chúng chi đồ thị hình 6.25b với tỉ lệ mịn nhiều Trong ví dụ này, ta chi huấn luyện cho 10 kỳ Nếu thêm số kỳ huấn luyện, thu kết tốt 6.7 THÔNG TIN THÊM VỀ ANFIS VÀ BỘ SOẠN THẢO ANFIS EDITOR GUI Lệnh anfis có nhiều đối số đầu vào, dạng tổng 157 CuuDuongThanCong.com https://fb.com/tailieudientucntt quát là: [fismat1,trnError,ss,fismat2,chkError] = anfis(trnData,fismat,trnOpt,dispOpt,chkData,method); Ở trnOpt (các tuỳ chọn huấn luyện), dispopt (các tuỳ chọn hiển thị), chkData (dữ liệu kiểm tra) method (phương pháp huấn luyện) tuỳ chọn Tất đối số đầu tuỳ chọn Trong phần bàn đển đối số phạm vi thành phần hàm dòng lệnh anfis, hàm tương tự soạn thảo ANFIS GUI Khi soạn thảo ANFIS GUI gọi sử dụng anfsedit, có tập liệu huấn luyện ưu tiên việc thực anrs Thêm vào đó, bước tính cố định hệ thống nơron mờ thích nghi huấn luyện sử dụng dụng cụ 6.7.1 Dữ liệu huấn luyện (Training Data) Dữ liệu huấn luyện, trnData, đối số yêu cầu với anfis Cũng soạn thảo ANFIS GUI Mỗi dòng trnData cặp vào/ra hệ thống đích mơ hình hóa Mỗi dòng bắt đầu vecto đầu vào theo sau giá trị đầu Vì số dòng trnData với số cặp liệu huấn luyện có đầu nên số cột trnData với số đầu vào cộng 6.7.2 Cấu trúc đầu vào FIS (Input FIS Structure) Cấu trúc đầu vào FIS, fismat, có từ số soạn thảo logic mờ bất kỳ: Bộ soạn thảo FIS, soạn thảo hàm liên thuộc soạn thảo luật từ soạn tháo ANFIS GUI, (cho phép tải cấu trúc FIS từ đĩa vùng làm việc), từ hàm dòng lệnh, genfis1 (chỉ cần đưa số lượng kiểu hàm liên thuộc) Cấu trúc FIS chứa cấu trúc mơ hình (như số luật FIS, số hàm liên thuộc cho đầu vào, ) tham số, (như dạng hàm liên thuộc) Có hai phương pháp mà anfis huấn luyện để cập nhật tham số liên thuộc: truyền ngược tất tham số (Hạ thấp độ dốc - a steepest descent method) phương pháp lai (hybrid) bao gồm việc truyền ngược tham số có liên quan đến hàm liên thuộc đầu vào, ước lượng bình phương nhỏ với tham số có liên quan với hàm liên thuộc đầu Kết là, sai số huấn luyện giảm, khu vực, qua trình luyện Vì vậy, nhiều hàm liên thuộc ban đầu giống hàm tối ưu dễ hội tụ tham số huấn luyện mơ hình Sự hiểu biết người hệ thống đích dùng làm mẫu giúp cho việc thiết lập hàm tham số hàm liên thuộc ban đầu cấu trúc FIS 158 CuuDuongThanCong.com https://fb.com/tailieudientucntt genfis1 tạo cấu trúc FIS dựa nhiều hàm liên thuộc cố định Điều gây phiền phức tạo nhiều nguyên tắc số đầu vào tương đối nhiều (4 đến đầu vào) Để giảm kích cỡ hệ thống suy luận mờ ta tạo cấu trúc FIS sử dụng thuật toán hồi (tham khảo mục Subtractive Clustering) từ soạn thảo ANFIS GUI, thuật toán lựa chọn trước tạo FIS Phương pháp hồi quy phân chia liệu thành nhóm gọi clusters tạo FIS với nguyên tắc tối thiểu theo u cầu để phân biệt tính chất mờ có liên quan đển cluster 6.7.3 Các tùy chọn huấn luyện (Training Options) ANFIS Editor GUI cho phép ta lựa chọn dung sai sai số số kỳ huấn luyện theo ý muốn Tuỳ chọn huấn luyện trnOpt cho dòng lệnh anfis vecto định rõ tiêu chuẩn dừng cỡ bước tính q trình thích nghi sau: trnOpt(1): number of training epochs, default =10 trnOpt(2): error tolerance, default = trnOpt(3): initial step-size, default = 0.01 trnOpt(4): step-size decrease nhe, default = 0.9 trnOpt(5): step-size increase nhe, default = 1.1 Nếu thành phần trnopt NaN thiếu, giá trị mặc định lấy Quá trình huấn luyện dừng chạy đủ kỳ huấn luyện thiết kế sai số nằm giới hạn cho trước sau số kỳ huấn luyện Thông thường ta muốn mô tả sơ lược cỡ bước tính đường cong tăng vào lúc đầu, đạt tối đa, sau giảm thời gian huấn luyện lại Mơ tả sơ lược cỡ bước lý tưởng đạt cách điều chỉnh cỡ bước ban đầu tỷ lệ tăng, giảm (tmopt (3) - tmopt (5)) Giá trị mặc định đặt cho vùng rộng nhiệm vụ nghiên cứu Để ứng dụng đặc biệt, ta muốn sửa đổi tuỳ chọn cỡ bước để đánh giá tích cực việc huấn luyện Tuy nhiên, nói đển phần trước, có tuỳ chọn cỡ bước không sử dụng đặc biệt để huấn luyện hệ thống noron suy luận mờ thích ứng tạo để sử dụng soạn thảo ANFIS GUI 6.7.4 Tuỳ chọn hiển thị Display Options Tuỳ chọn hiển thị ứng dụng cho hàm lệnh anrs Đối với dòng lệnh anrs, đối số tuỳ chọn hiển thị, disopt, vectơ rõ thông tin hiển thị (in cửa sổ dòng lệnh MATLAB), trước, sau 159 CuuDuongThanCong.com https://fb.com/tailieudientucntt trình huấn luyện Số '1' sử dụng để biểu thị in phần lựa chọn biểu thị không in phần chọn disOpt(1): hiển thị thông tin, mặc định = dissOpt(2): hiển thị sai số (mỗi kỳ), mặc định = disOpt(3): hiển thị cỡ bước (mỗi kỳ), mặc định = disOpt(4): hiển thị kết cuối cùng, mặc định = Mẫu mặc định hiển thị tất thơng tin có sẵn Nếu phụ disOpt NaN bị giá trị mặc định lấy 6.7.5 Phương pháp huấn luyện (Method) Cả soạn thảo ANFIS GUI dòng lệnh anfis áp dụng dạng thức truyền ngược phương pháp hạ thấp độ dốc để ước tính tham số hàm liên thuộc kết hợp dạng truyền ngược phương pháp bình phương nhỏ để tính hàm tham số hàm liên thuộc Các đối số chọn hybrid backpropagation Các lựa chọn phương pháp thiết kế hàm dòng lệnh, anfis, = 0, theo thứ tự mặc định 6.7.6 Cấu trúc đầu FIS cho liệu huấn 1uyện Fismat1 cấu trúc đầu FIS tương ứng với sai số huấn luyện nhỏ Đây cấu trúc FIS mà ta sử dụng để trình bày hệ thống suy luận mờ khơng có liệu kiểm tra để công nhận giá trị mẫu Dữ liệu trình bày cấu trúc FIS lưu soạn thảo ANFIS GUI tuỳ chọn liệu kiểm tra không sử dụng Khi liệu kiểm tra sử dụng, đầu lưu đầu có liên hệ với sai số kiểm tra nhỏ 6.7.7 Sai số huấn luyện Sai số huấn luyện khác giá trị liệu đầu ra, đầu hệ thống suy luận mờ tương ứng với giá trị liệu đầu vào (có liên hệ với giá trị liệu huấn luyện đầu ra) Sai số huấn luyện trnError ghi lại sai số bình phương nhỏ ban đầu (RMSE) liệu kỳ huấn luyện Fismat1 ghi nhận nhanh cấu trúc FIS phép đo sai số huấn luyện nhỏ Bộ soạn thảo ANFIS GUI vẽ sơ đồ sai số huấn luyện đường cong kỳ huấn luyện hệ thống 6.7.8 Bước tính (Step-size) Trong soạn thảo ANFIS GUI ta khơng thể tùy ý chọn bước tính Sử dụng dòng lệnh anfis, chuỗi cỡ bước ss ghi lại cỡ nước suốt trình huấn luyện Vẽ đồ thị ss mô tả sơ cỡ bước phần tham khảo để điều chỉnh cỡ bước theo tỷ lệ tăng, giảm tương ứng Cỡ bước ss cho hàm 160 CuuDuongThanCong.com https://fb.com/tailieudientucntt lệnh anfis cập nhật theo hướng dẫn sau: + Nếu sai số giảm lần liên tiếp, ta tăng bước tính cách nhân với số (ssinc) lớn + Nếu sai số tăng giảm lần liên tiếp, giảm bước tính cách nhân với số (ssdec) nhỏ Giá trị mặc định cho bước ban đầu 0.01, giá trị mặc định cho ssinc ssdec 1.1 0.9 theo thứ tự mặc định Tất giá trị mặc định thay đổi theo tuỳ chọn huấn luyện lệnh anfis 6.7.9 Dữ liệu kiểm tra (Checking Data) Dữ liệu kiểm tra, chkData, sử dụng để kiểm lực tổng quát hệ thống suy luận mờ kỳ huấn luyện Dữ liệu kiểm tra có dạng với liệu huấn luyện, có phần tử nói chung khác biệt với liệu huấn luyện Dữ liệu kiểm tra quan trọng việc nghiên cứu hệ thống có số đầu vào lớn, với liệu bị nhiễu Nói chung muốn hệ thống suy luận mờ train theo liệu vào/ra có thật tốt Vì cấu trúc mơ hình sử dụng sử dụng cho anfis cố định nên có xảy trường hợp khả mơ hình mơ hình vượt q liệu huấn luyện, đặc biệt số kỳ huấn luyện lớn Nếu việc xảy ra, hệ thống suy luận mờ đáp ứng tốt với phần liệu độc lập khác, đặc biệt chúng bị tác động nhiễu Một liệu kiểm tra công nhận giá trị hữu ích tình Dữ liệu sử dụng để công nhận giá trị mơ hình suy luận mờ Nó thực cách áp dụng liệu kiểm tra cho mô hình, xem việc mơ hình phản hồi tới liệu tốt Khi tuỳ chọn liệu kiểm tra sử dụng với anfis, theo dòng lệnh sử dụng soạn thảo ANFIS GUI, liệu kiểm tra áp dụng cho mẫu kỳ huấn luyện Khi dòng lệnh anfis gọi ra, tham số mơ hình tương ứng với sai số kiểm tra nhỏ trở lại theo đối số đầu fismat2 Các hàm tham số hàm liên thuộc FIS tính cách sử dụng soạn thảo ANFIS GUI hai liệu huấn luyện kiểm tra nạp vào kết hợp với kỳ huấn luyện có sai số kiểm tra nhỏ Kỳ sai số liệu kiểm tra nhỏ dùng để thiết lập hàm tham số hàm liên thuộc thừa nhận: • Dữ liệu kiểm tra đủ giống liệu huấn luyện để sai số liệu kiểm tra giảm q trình huấn luyện bắt đầu • Dữ liệu kiểm tra tăng vài điểm trình huấn luyện, sau xảy việc điều chỉnh mức 161 CuuDuongThanCong.com https://fb.com/tailieudientucntt Dựa vào đường cong sai số liệu kiểm tra để kết luận FIS sử dụng khơng sử dụng 6.7.10 Cấu trúc đầu FIS cho liệu kiểm tra (Output FIS Structure for Checking Data) Đầu dòng lệnh anfis, fismat2 cấu trúc đầu FIS có sai số kiểm tra nhỏ Đây cấu trúc FIS sử dụng để tính tốn thểm liệu kiểm tra sử dụng cho trình công nhận giá trị 6.7.11 Sai số kiểm tra (Checking Error) Sai số kiểm tra khác giá trị liệu kiểm tra đầu đầu hệ thống suy luận mờ tương ứng với giá trị liệu kiểm tra đầu vào (có kết hợp với giá trị liệu kiểm tra đầu ra) Sai số kiểm tra chkError ghi lại RMSE cho liệu kiểm tra kỳ Fismat2 minh họa cấu trúc FIS sai số kiểm tra mức nhỏ Bộ soạn thảo ANFIS GUI vẽ sơ đồ sai số kiểm tra với đường cong kỳ huấn luyện hệ thống 162 CuuDuongThanCong.com https://fb.com/tailieudientucntt TÀI LIỆU THAM KHẢO [1] Phan Xuân Minh & Nguyễn Doãn Phước (1999), "Lý thuyết điều khiển mờ", Nhà xuất khoa học kỹ thuật [2] Nguyễn Thương Ngô (1998), "Lý thuyết điều khiển tự động đại", Nhà xuất khoa học kỹ thuật [3] Nguyễn Như Hiển (2003) "Nghiên nâng cao chất lượng hệ chuyển động nhiều trục ", Luận án tiến sĩ kỹ thuật [4] Lại Khắc Lãi (2003), "Một số phương pháp tổng hợp tối ưu điều khiển sở logic mờ thích nghi", Luận án tiến sĩ kỹ thuật [5] Phan Xuân Minh, Nguyễn Tiến Hiếu "Điều khiển thích nghi tay máy sở hệ mờ" Tuyển tập báo cáo khoa học hội nghị tự động hóa tồn quốc lần thứ (2005), trang 370-375 [6] Phạm Hữu Đức Dục "Nghiên cứu ứng dụng tương nơron mờ điều khiển thích nghi rơbơt hai khâu" Tuyển tập báo cáo khoa học hội nghị tự động hóa toàn quốc lần thứ (2005), trang 107- 112 [7] H Yamamoto & T Furuhashi (1999), "New fuzzy Inference methodfor system Using symbolic stability analysis offuzzy control", The fourth Asian Fuzzy System Synposium, May 31 - June, Tsukuba, Japan pp.450-455 [8] Kenji IKEDA and Seiichi SHIN (2000), "Autonomous Decentralizrd Adaptive Control System Using Parameter Projection", The fourth Asian Fuzzy System Synposium, May 31 - June, Tsukuba, Japan pp.293-298 [9] Huganghan & Shuta Murakami (2000), "Adaptive Fuzzy Control of Nonlinear system Witht Various Shapes of Membership Funetions", The fouth Asian Fuzzy Systems Symosium, may 31 -June 3.2000 Tshkuba, Japan pp.426-467 [10] Kosko, B (1991), "Neuralnetworks andfuzzy control", Prentice Hall, [11] L.A Zadeh (1965), "fuzzy sét", Inf contr vol 8, pp 338-353 [12] Yih-Guang Leu, Wei-Yen Wang and Tsu-Tian lee (1999), "Robust Adaptive Fuzzy-Neural controllers for Uncertain Nonlinear Systems", IEEE Transaction on roboties and automation Vol 15 No 5, pp 805 - 817 [13] Matlab 7.4 [14] research reports Esprit, I.F.Croall, J.P.Mason) Industrial Applications of Neural Networks 163 CuuDuongThanCong.com https://fb.com/tailieudientucntt NHÀ XUẤT BẢN KHOA HỌC TỰ NHIÊN VÀ CÔNG NGHỆ 18 đường Hồng Quốc Việt, Cầu Giấy, Hà Nội Điện thoại Phòng phát thanh: 04.2149040; Biên tập: 04.2149034 Quản lý tổng hợp:04.2149041 Fax: 04.7910147, Email: nxb@vap.ac.vn; www.vap.ac.vn HỆ MỜ VÀ NƠRON TRONG KỸ THUẬT ĐIỀU KHIỂN Tác giả: TS Nguyễn Như Hiển TS Lại Khắc Lãi Chịu trách nhiệm xuất bản: GS.TSKH Nguyễn Khoa Sơn Tổng biên tập: GS.TSKH Nguyễn Khoa Sơn Kỹ thuật vi tính: Lê Thị Thiên Hương Trình bày bìa: Vương Quốc Cường In 1000 khổ 16 x 24 Nhà in Khoa Học Công Nghệ Số đăng ký KHXB: 124-2007/CXB/012-10/KHTNVCN Cấp ngày tháng năm 2007 164 CuuDuongThanCong.com https://fb.com/tailieudientucntt ... 32 2.2.2 Thuật toán tổng hợp điều khiển mờ tĩnh 32 2.2.3 Tổng hợp điều khiển mờ tuyến tính đoạn 33 2.3 BỘ ĐIỀU KHIỂN MỜ ĐỘNG 35 2.4 THIẾT KẾ HỆ ĐIỀU KHIỂN MỜ BẰNG PIIẦN MỀM... lôgic mờ 37 2.3.2 Ví dụ thiết kế hệ mờ 41 2.5 HỆ ĐIỀU KHIỂN MỜ LAI (F-PID) 45 2.6 HỆ ĐIỀU KHIỂN THÍCH NGHI MỜ 46 2.6.1 Khái niệm 46 2.6.2 Tổng hợp điều khiển. .. Chương 6: HỆ MỜ - NƠRON (FUZZY-NEURAL) 128 6.1 SỰ KẾT HỢP GIỮA LOGIC MỜ VÀ MẠNG NƠRON 128 6.1.1 Khái niệm 128 6.1.2 Kết hợp điều khiển mờ mạng nơron 129 6.2 NƠRON MỜ