Xây dựng bộ quan sát neuron mờ thích nghi cho hệ phi tuyến

ĐẠI HỌC QUỐC GIA TP HỒ CHÍ MINH TRƯỜNG ĐẠI HỌC BÁCH KHOA LÊ ĐÌNH PHƯƠNG XÂY DỰNG BỘ QUAN SÁT NEURON MỜ THÍCH NGHI CHO HỆ PHI TUYẾN Chuyên ngành: Mã ngành: Điều Khiển Học Kỹ Thuật – 05 – 01 LUẬN VĂN THẠC SĨ TP HỒ CHÍ MINH, tháng 11 năm 2006 CƠNG TRÌNH ĐƯỢC HỒN THÀNH TẠI TRƯỜNG ĐẠI HỌC BÁCH KHOA ĐẠI HỌC QUỐC GIA TP HỒ CHÍ MINH Cán hướng dẫn khoa học : (Ghi rõ họ, tên, học hàm, học vị chữ ký) Cán chấm nhận xét : (Ghi rõ họ, tên, học hàm, học vị chữ ký) Cán chấm nhận xét : (Ghi rõ họ, tên, học hàm, học vị chữ ký) Luận văn thạc sĩ bảo vệ : HỘI ĐỒNG CHẤM BẢO VỆ LUẬN VĂN THẠC SĨ TRƯỜNG ĐẠI HỌC BÁCH KHOA, ngày tháng năm 2006 TRƯỜNG ĐẠI HỌC BÁCH KHOA PHÒNG ĐÀO TẠO SĐH CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM ĐỘC LẬP – TỰ DO – HẠNH PHÚC Tp HCM, ngày tháng năm 2006 NHIỆM VỤ LUẬN VĂN THẠC SĨ Họ tên học viên: LÊ ĐÌNH PHƯƠNG Phái: Nam Sinh ngày 06 tháng 12 năm 1977 Nơi sinh: Bình Trị Thiên Chun ngành: Điều Khiển Học Kỹ Thuật MSHV:01504375 I- TÊN ĐỀ TÀI: Xây Dựng Bộ Quan Sát Neuron mờ thích nghi cho hệ phi tuyến II- NHIỆM VỤ VÀ NỘI DUNG: - Nghiên cứu mạng neural mờ thích nghi - Xây dựng quan sát neuron mờ thích nghi cho hệ phi tuyến - Viết giải thuật hiệu chỉnh trọng số trọng số mạng neural mờ thích nghi cho hệ phi tuyến - Khảo sát đối tợng điều khiển phi tuyến là: hệ động điện chiều, hệ lắc xe - Viết chương trình, mô máy tính dùng Matlab - Kết luận hướng phát triển đề tài III- NGÀY GIAO NHIỆM VỤ (Ngày bắt đầu thực LV ghi Quyết định giao đề tài): IV- NGÀY HOÀN THÀNH NHIỆM VỤ: V- CÁN BỘ HƯỚNG DẪN: CÁN BỘ HƯỚNG DẪN (Học hàm, học vị, họ tên chữ ký) PGS TS NGUYỄN THỊ PHƯƠNG HÀ CN BỘ MÔN QL CHUYÊN NGÀNH Nội dung đề cương luận văn thạc sĩ Hội đồng chuyên ngành thơng qua TRƯỞNG PHỊNG ĐT – SĐH Ngày tháng năm TRƯỞNG KHOA QL NGÀNH LỜI CÁM ƠN Luận văn hoàn thành tốt đẹp, nỗ lực cố gắng thân, xin chân thành cảm ơn PGS TS Nguyễn Thị Phương Hà tận tình hướng dẫn nghiên cứu khoa học, hỗ trợ tài liệu định hướng trình thực luận án cao học Tôi xin trân trọng cảm ơn Thầy cô Trường ĐH Bách Khoa TPHCM giảng dạy chương trình cao học giúp có kiến thức vững chuyên môn hoàn thành luận văn Xin cám ơn ý kiến đóng góp, động viên bạn học viên cao học giúp hoàn thiện luận văn TP HCM, ngày 10 tháng 11 năm 2006 LÊ ĐÌNH PHƯƠNG MỤC LỤC CHƯƠNG 1: TỔNG QUAN ĐỀ TAØI 1.1 Toång quan 1.2 Khảo sát hệ phi tuyến (không biết trước) - 1.3 Mục tiêu đề tài -3 CHƯƠNG 2: CƠ SỞ LÝ THUYẾT -4 2.1 Maïng neuron nhân tạo 2.1.1 Các nguyên lý mạng neuron nhân tạo -4 2.1.2 Một số hàm tổng hợp -5 2.1.3 Một số hàm tác ñoäng -6 2.1.4 Moâ hình kết nối mạng neuron nhân tạo 2.1.5 Luật học thông số tổng quát cho mạng neuron nhân tạo 2.1.6 Học giaùm saùt 10 2.1.7 Học củng cố - 10 2.1.8 Học không giám sát 11 2.2 Maïng Perceptron - 12 2.2.1 Cấu trúc mạng - 12 2.2.2 Huấn luyện mạng - 13 2.3 Maïng perceptron nhiều lớp 14 2.3.1 Cấu trúc mạng - 14 2.3.2 Huấn luyện mạng - 15 2.3.3 Mạng hàm sở xuyên tâm - 21 2.4 Logic mờ - 22 2.4.1 Taäp mờ 22 2.4.2 Luật hợp thành mờ - 24 2.4.2.1 Mệnh đề hợp thành 24 2.4.2.2 Moâ tả mệnh đề hợp thành mờ 25 2.4.2.3 Quy tắc hợp thành PROD 25 2.4.2.4 Luật hợp thành mờ - 27 2.4.2.5 Hệ mờ 27 2.5 Điều khiển mờ thích nghi - 30 2.5.1 Nguyên lý điều khiển mờ trượt - 30 2.5.2 Điều khiển hồi tiếp tuyến tính hoùa 31 2.5.2.1 Điều khiển mờ thích nghi gián tiếp - 32 2.5.2.2 Điều khiển mờ thích nghi trực tiếp - 35 CHƯƠNG 3: BỘ QUAN SÁT NEURON – MỜ THÍCH NGHI CHO HỆ PHI TUYẾN - 37 3.1 Baøi toán thích nghi - 37 3.1.1 Hệ thích nghi tham chieáu 37 3.1.2 Mô tả hệ thích nghi - 38 3.2 Mô tả mạng neuron mờ - 41 3.3 Bộ quan sát neuron mờ thích nghi hiệu chỉnh trọng số tự chỉnh trực tuyeán - 43 3.4 Xây dựng giải thuật học xấp xỉ hàm quan sát neuron mờ thích nghi hệ phi tuyeán - 51 3.4.1 Xây dựng giải thuật học xấp xỉ hàm quan sát neuron mờ thích nghi - 54 3.4.2 Xây dựng giải thuật học mạng neuron mờ với hàm liên thuộc dạng Gaussian 55 3.4.3 Xây dựng giải thuật học mạng neuron mờ với hàm liên thuộc dạng Tam giác - 60 CHƯƠNG 4: KHẢO SÁT ĐỐI TƯNG 65 4.1 Đối tượng phi tuyến điều khiển – phương trình trạng thái 65 4.1.1 Động điện chieàu 65 4.1.2 Heä lắc ngược xe - 65 4.2 Xây dựng giải thuật học mạng neuron mờ với hàm liên thuộc dạng Gaussian tam giác 66 4.2.1 Giaûi thuật học mạng neuron mờ dạng Singleton hàm liên thuộc daïng Gaussian 67 4.2.2 Giải thuật học mạng neuron mờ dạng Singleton hàm liên thuộc dạng Tam giác - 68 4.3 Moâ hình động chiều 69 4.3.1 Kết mô quan sát mờ thích nghi lấy số liệu huấn luyện mạng neuron ước lượng hàm f, g động chiều 69 4.3.2 Các bước xây dựng mô hình quan sát neuron mờ thích nghi cho hệ động chiều 69 4.3.3 Kết mô điều khiển quan sát Neuron mờ thích nghi động chiều 70 4.4 Mô hình neuron mờ hệ phi tuyến: đối tượng hệ lắc xe 72 4.4.1 Kết mô quan sát mờ thích nghi lấy số liệu huấn luyện mạng hệ lắc xe 72 4.4.2 Các bước xây dựng mô hình quan sát neuron mờ thích nghi cho hệ lắc xe - 73 4.4.3 Kết mô quan sát Neuron mờ thích nghi hệ lắc xe 74 4.4.4 Bộ quan sát neuron mờ hệ lắc xe - 74 4.4.5 Bộ ước lượng neuron mờ dạng singleton lắc xe - 75 CHƯƠNG 5: KẾT QUẢ MÔ PHỎNG - 77 5.1 Bộ quan sát neuron mờ thích nghi cho động chiều 77 5.1.1 Dữ liệu dùng huấn luyện mạng neuron mờ dạng Singleton 78 5.1.2 Chương trình chạy mô sau huấn luyện mạng 79 5.1.3 Đồ thị liệu dùng để ước lượng hàm - 79 5.1.4 Kết Mô quan sát neuron mờ thích nghi cho động chiều 80 5.1.5 Kết mô huấn luyện hàm phi tuyến f, g với mạng neuron mờ, mờ hoá ngõ vào tập mờ, hàm liên thuộc dạng gaussian 81 5.1.6 Kết mô huấn luyện hàm phi tuyến f, g với mạng neuron mờ, mờ hoá ngõ vào tập mờ, hàm liên thuộc dạng tam giác 86 5.1.7 Kết mô huấn luyện hàm phi tuyến f, g với mạng neuron mờ, mờ hoá ngõ vào tập mờ, hàm liên thuộc dạng gaussian 89 5.1.8 Kết mô huấn luyện hàm phi tuyến f, g với mạng neuron mờ, mờ hoá ngõ vào tập mờ, hàm liên thuộc dạng Tam giác - 93 5.2 Bộ quan sát neuron mờ thích nghi cho hệ lắc 99 5.2.1 Dữ liệu dùng huấn luyện mạng neuron mờ dạng Singleton 99 5.2.2 Chương trình chạy mô sau huấn luyện mạng -100 5.2.3 Đồ thị liệu dùng để ước lượng haøm 100 5.2.4 Kết Mô neuron mờ thích nghi cho hệ lắc 101 5.2.5 Kết mô huấn luyện hàm phi tuyến f, g với mạng neuron mờ, mờ hoá ngõ vào tập mờ, hàm liên thuộc dạng gaussian 102 5.2.6 Keát mô huấn luyện hàm phi tuyến f, g với mạng neuron mờ, mờ hoá ngõ vào tập mờ, hàm liên thuộc dạng tam giác -107 5.3 Khảo quan sát neuron mờ thích nghi với sai số động - hệ động điện chiều 110 5.4 Nhận xét kết mô 115 CHƯƠNG 6: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN ĐỀ TÀI -116 6.1 Kết luận 116 6.2 Hướng phát triển đề tài -117 Taøi liệu tham khảo 122 Phuï luïc - 124 Chương 1 CHƯƠNG 1.1 TỔNG QUAN TỔNG QUAN ĐỀ TÀI Mục đích phát triển phương pháp thiết kế quan sát neuron mờ thích nghi cho hệ phi tuyến dựa ràng buộc ngõ đo lường tín hiệu đặt trước Hệ phi tuyến trước mà quan sát khảo sát luật hồi tiếp ngõ ra, tự chỉnh trực tuyến trọng số mạng neuron mờ để tín hiệu điều khiển bám theo tín hiệu đặt, luật hiệu chỉnh hồi tiếp cập nhật trọng số mạng neuron trình hội tụ thích nghi Phương pháp mờ neuron thích nghi dựa tiêu chuẩn ổn định Lyapunov, giải toán hội tụ không ổn định toán thường xuất điều khiển bám hệ phi tuyến Phương pháp mờ, luật mờ hoá, giá trị biến ngôn ngữ mờ hệ phi tuyến trước xây dựng tri thức kinh nghiệm Nhưng nhược điểm mờ thiết kế chuẩn hóa phương pháp tối ưu Nên phương pháp mờ dùng cách độc lập cho hệ phi tuyến trước Phương pháp neuron dựa giải thuật học lan truyền ngược tự cập nhật trọng số mạng phụ thuộc vào sai số ngõ mạng với tín hiệu hệ thống Mạng neuron có số hệ huấn luyện đủ lớn ngõ điều khiển cho kết điều khiển tốt Đồng thời ta phải có tín hiệu chuẩn mạng neuron tự học, thời gian học thường lớn Để kết hợp yếu tố ưu điểm điều khiển mờ, mạng neuron, tức thể tính tri thức kinh nghiệm tri thức học mạng neuron dùng điều khiển bám, tác giả: Yih-Gaung Leu, Tsu-Tian Lee Wei-Yen Wang đưa ra: Bộ quan sát điều khiển neuron mờ thích nghi cho hệ phi tuyến động trước [21] Bộ quan sát neuron mờ thích nghi kế phát triển sau: Ø Thừa kế tính ước lượng hàm điều khiển mờ gián tiếp để ước lượng hàm phi tuyến trước, dựa vào tính luật điều khiển để tín hiệu hệ thống bám theo tín hiệu đặt.(lý thuyết trình bày chương 2) Ø Dùng quan sát trạng thái neuron mờ ước lượng sai số tín hiệu đặt tín hiệu hệ thống, đồng thời cập nhật trọng số mạng neuron mờ, tín hiệu học mạng tín hiệu sai số, trình điều khiển LÊ ĐÌNH PHƯƠNG Chương quan sát neuron mờ neuro thích nghi điều khiển tín hiệu bám theo tín hiệu đặt Quá trình hiệu chỉnh lại trình ước lượng hàm mờ 1.2 Giới thiệu tổng quan quan sát trạng thái hệ phi tuyến(hệ phi tuyến trước) Đối với hệ phi tuyến hệ phương trình dạng sau: x = Ax + B( f (x) + g (x)u + d ) (1.1) y=C x T Trong ñoù: 0ù é1ù é0ù ê0ú ê ú ú 0ú ê ú ê0ú 0ú , B = ê ú , C = ê ú ê ú ê ú ú 0 ú ê0ú ê0ú êë úû êë úû 0 0úû é0 ê0 ê A = ê ê ê0 êë Ký hiệu: (1.2) f ( x) = f (.) = f ( x, x&, , x ( n -1) ) , g ( x) = g (.) = g ( x, x&, , x ( n -1) ) Trong f(x), g(x) hàm phi tuyến chưa biết, u Ỵ Â y Ỵ Â tương ứng ngõ vào – đối tượng điều khiển: x = ( x, x& , , x ( n -1) ) T Ỵ Â n vector trạng thái (giả thiết đo được) Hệ thống (1.1) điều khiển được, có g(x) ≠ 0, giả thiết g(x)>0 ta biết chặn chặn g(x), tức là: < g ( x ) < g ( x) < g ( x) < ¥ (1.3) Giả thiết độ biến thiên g(x) bị chặn, tức tồn Dg(x) hàm liên tuïc cho g& ( x) £ D g ( x) Bài toán đặt xây dựng quan sát trạng thái, quan sát xác định ước lượng trạng thái từ ngõ đo dùng ước lượng hàm phi tuyến trước Hồi tiếp để ước lượng trạng thái thiết kế theo điều khiển tối ưu Nếu hàm phi tuến f(x), g(x) biết thực yêu cầu cách sử dụng luật điều khiển: u * ( x) = [ - f ( x) + ym( n ) + v g ( x) ] (1.4) Giả sử ym khả vi đến bậc n(ym(n)), v(t) tín hiệu điều khiển bù nhiễu ngoài, sai số cấu trúc sai số ước lượng hệ thống để hệ thống ổn định LÊ ĐÌNH PHƯƠNG 117 Chương Đề tài mô máy tính, chưa có điều khiển thời gian thực 6.2 Hướng phát triển đề tài Có thể phát triển đề tài để tối ưu node mạng neuron mờ sau: Điều khiển thời gian thực Ngôn ngữ lập trình C/C++ dùng viết hàm S-function để tăng tốc độ chạy chương trình Xấp xỉ hàm f(.)và g(.) thực hiệu chỉnh giải thuật di tuyền (GA) Trong luận văn, ta áp dụng mạng neuron mờ cho hệ động điện chiều hệ lắc xe đối tượng phi tuyến SISO nên ta cần nghiên cứu thêm, phát triển với hệ đa biến(MIMO) Giải thuật di tuyền(GA) mô tả chi tiết phần sau: 6.3 Hướng phát triển dùng giải thuật GA hiệu chỉnh trọng số 6.3.1 GA hiệu chỉnh hàm liên thuộc dạng gausse giá trị singleton 6.3.1.1 Mã hoá tập mờ ngõ vào mạng neuron mờ GA cần hiệu chỉnh giá trị sau: Ø Độ rộng hàm liên thuộc dạng gausse (7 thông số) Ø Tâm hàm liên thuộc dạng gausse (7 thông số) Ø Các giá trị Singleton mệnh đề kết luận mạng neuron mờ (49 thông số) Mã hoá: Bộ ước lượng điều khiển neuron mờ có: ´ + ´ + ´ = 77 thông số cần chỉnh định, thông số mã hoá thành 77 gene NST (nhiễm sắt thể) mã số thực sau: LÊ ĐÌNH PHƯƠNG 118 Chương m11 del11 m17 del17 m21 del21 m27 del27 y y 49 Ngõ vào x1(et) Ngõ vào x2(ct) Giá trị Singleton 7´2 7´2 7´7 Mệnh đề kết luận Mệnh đề điều kiện Hình 6.1: Nhiễm sắt thể mã hoá thông số ước lượng với hàm liên thuộc dạng Gausse (neuron mờ) Hàm thích nghi: chuẩn ITAE 6.3.1.2 Mã hoá tập mờ ngõ vào mạng neuron mờ GA cần hiệu chỉnh giá trị sau: Ø Độ rộng hàm liên thuộc dạng gausse (5 thông số ) Ø Tâm hàm liên thuộc dạng gausse (5 thông số ) Ø Các giá trị Singleton mệnh đề kết luận mạng neuron mờ (25 thông số ) Mã hoá: Bộ ước lượng điều khiển neuron mờ có: ´ + ´ + ´ = 45 thông số cần chỉnh định, thông số mã hoá thành 45 gene NST (nhiễm sắt thể) mã số thực sau: m11 del11 m15 del15 m21 del21 m25 del25 y y 25 Ngõ vào x1(et) Ngõ vào x2(ct) Giá trị Singleton 5´ 5´ 5´5 Mệnh đề điều kiện Mệnh đề kết luận Hình 6.2: Nhiễm sắt thể mã hoá thông số ước lượng với 5hàm liên thuộc dạng Gausse Hàm thích nghi: chuẩn ITAE LÊ ĐÌNH PHƯƠNG 119 Chương 6.3.2 GA hiệu chỉnh hàm liên thuộc dạng Tam giác giá trị singleton 6.3.2.1 Mã hoá tập mờ ngõ vào mạng neuron mờ GA cần hiệu chỉnh giá trị sau: Ø Độ rộng hàm liên thuộc dạng tam giác (7 thông số ) Ø Tâm hàm liên thuộc dạng Tam giác (7 thông số ) Ø Các giá trị Singleton mệnh đề kết luận mạng neuron mờ (49 thông số) Mã hoá: Bộ ước lượng điều khiển neuron mờ có: ´ + ´ + ´ = 77 thông số cần chỉnh định, thông số mã hoá thành 77 gene NST (nhiễm sắt thể) mã số thực sau: m11 c11 m17 c17 m21 c21 Ngõ vào x1(et) m27 c27 Ngõ vào x2(ct) 7´2 7´2 Mệnh đề điều kiện y1 y 49 Giá trị Singleton 7´7 Mệnh đề kết luận Hình 6.3: Nhiễm sắt thể mã hoá thông số ước lượng với hàm liên thuộc dạng Tam giác (neuron mờ ) Hàm thích nghi: chuẩn ITAE B Mã hoá tập mờ ngõ vào mạng neuron mờ GA cần hiệu chỉnh giá trị sau: Ø Độ rộng hàm liên thuộc dạng tam giác (5 thông số ) Ø Tâm hàm liên thuộc dạng tam giác (5 thông số ) Ø Các giá trị Singleton mệnh đề kết luận mạng neuron mờ (25 thông số ) LÊ ĐÌNH PHƯƠNG 120 Chương Mã hoá: Bộ ước lượng điều khiển neuron mờ coù: ´ + ´ + ´ = 45 thông số cần chỉnh định, thông số mã hoá thành 45 gene NST (nhiễm sắt thể) mã số thực sau: m11 c11 m15 c15 m21 c21 m25 c25 y1 y 25 Ngõ vào x1(et) Ngõ vào x2(ct) Giá trị Singleton 5´ 5´ 5´5 Mệnh đề điều kiện Mệnh đề kết luận Hình 6.4: Nhiễm sắt thể mã hoá thông số ước lượng với hàm liên thuộc dạng Tam giác(neuron mờ ) Hàm thích nghi: ITEA 6.3.3 Hàm thích nghi giải thuật GA Hàm thích nghi để đánh giá nhiễm sắt thể Do chất lượng điều khiển mong muốn thông thường tối thiểu hóa sai số ngõ nên hàm thích nghi chọn sau: Ø Tiêu chuẩn tích phân giá trị tuyệt đối sai số (IAE) +¥ fitness = ị e(t ) dt (6.1) Ø Tiêu chuẩn tích phân bình phương sai số (ISE) +¥ fitness = ị e (t )dt (6.2) Ø Tiêu chuẩn tích phân thời gian nhân với trị tuyệt đối sai số (ITAE) +¥ fitness = ị t e(t ) dt LÊ ĐÌNH PHƯƠNG (6.3) 121 Chương Ø Tiêu chuẩn tối hiểu lượng sai số ngõ lượng tín hiệu điều +¥ fitness = khiển: ịe +¥ (t ) dt + r ò u (t ) dt (6.4) Ø Tiêu chuẩn cải tiến tiêu tối thiểu lượng sai số ngõ ra lượng tín hiệu điều khiển dùng hiệu thực tế là: (ITAE cải tiến) T1 T2 T1 T2 fitness = r1 ò e (t )dt + r ò e (t )dt + r ò u (t )dt + r ò u (t )dt 2 T1 (6.5) T1 6.3.4 Các phép tóan di truyền (GA) Về nguyên tắc sử dụng tất phép toán di truyền phù hợp với phương pháp mã hoá thập phân để lời giải tiệm cận đến lời giải tối ưu Tuy nhiên thực tế trường hợp chọn phép toán di truyền sau: Ø Phép chọn lọc: chọn lọc hạn tuyến tính, hạn luỹ thừa Ø Phép lai ghép: lai ghép điểm Ø Đột biến: đột biến điều 6.4 Ước lượng online Trong đề tài thực ước lượng trước điều khiển, cách cho mạng neuron mờ thích nghi Nay đề nghị thêm trình điều khiển thực trình cập nhật trọng số online lúc điều khiển Trong trình điều khiển cần thực hai thao tác: tính toán để cập nhật trọng số, vừa ước lượng hàm phi tuyến điều khiển, hai trình thực đồng thời Trước thực ước lượng online ta phải ước lượng hàm f(.), g(.) mạng neuron mờ học LÊ ĐÌNH PHƯƠNG Tài liệu tham khảo 122 TÀI LIỆU THAM KHAÛO [1] Li-Xin Wang, A course in fuzzy systems and control, Prentice Hall, 1997, ISBN 0-13-540882-2 o [2] Karl Johan A str&o&m , Bj&o&rn Wittenmark, Adaptive Control, Addison – Wesley, 1989, ISBN 0-201-09720-6 [3] Chin-Teng Lin, C.S.George Lee, Neural fuzzy systems: A neural fuzzy synergism toIntelligent systems, Prentice Hall, 1996, ISBN 0132351692 [4] Jean-Jacques E Slotine, Weiping Li, Applied nonlinear control, Prentice Hall, 1991, ISBN 0-13-040890-5 [5] Chủ biên: Bùi Công Cường, Nguyễn Doãn Phước, Hệ mờ, mạng nơron ứng dụng, NXB KHKT, 2001 [6] Chủ biên: Phan Xuân Minh, Nguyễn Doãn Phước, Lý thuyết điều khiển mờ, NXB KHKT, 2004 [7] Peter K.S Tam*, Ai Wu, “Stable fuzzy neural tracking control of a class of unknown nonlinear systems based on fuzzy hierarchy error approach”, IEEE Trans.Fuzzy Sys., Vol 10 No.6, pp 779-789, Dec 2002 * Department of Electronics and Information Engineering, Hong Kong Polytechnic University, Hong Kong [8] Junhong Nie & Derek Linkens, Fuzzy-Neural Control, Prentice Hall, 1995, ISBN 0-13-337916-7 [9] Nguyễn Doãn Phước, Phan Xuân Minh, Lý thuyết điều khiển mờ , NXB KHKT, Hà nội, 2002 [10] Nguyễn Phùng Quang, Matlab Simulink dành cho kỹ sư điều khiển tự động, NXB KHKT, Hà nội 2004 [11] Wen Yu, Xiaoou Li, “Fuzzy identification using fuzzy neural networks with stable learning algorithms, ” IEEE.Trans.Fuzzy Syst., Vol.12, No.3, pp.411-420, June 2004 [12] R Marino and P Tomei, “Global adaptive output-feedback control of nonlinear systems, Part I: Linear parameterization, ” IEEE Trans Automatic Control, vol 38, pp.17-32, Jan 1993 [13] L.X Wang, “Stable adaptive fuzzy controllers with application to inverted pendulum tracking, ” IEEE Trans Syst., Man, Cybern., vol 26, pp.677-691, October 1996 LÊ ĐÌNH PHƯƠNG Tài liệu tham khaûo 123 [14] S.W Kim, Y.W Cho, and M Park, “A multirule-base controller using the robust property of a fuzzy controller and its design method,” IEEE Trans Fuzzy Syst., vol 4, pp.315-327, June 1996 [15] C.H Wang, W.Y Wang, T.T Lee, and P.S Tseng, “Fuzzy B-spline membership function and its applications in fuzzy-neural control,” IEEE Trans Syst., Man, Cybern., vol 25, pp.841-851, May 1995 [16] L.X Wang and J.M Mendel, “Fuzzy basis function, universal approximation, and orthogonal least-squares learning,” IEEE Trans Neural Networks, vol 3, pp 807-814, September 1992 [17].A Wu and P.K.S Tam, “A fuzzy neural network based on fuzzy hierarchy error approach,” IEEE Trans Fuzzy Syst., vol 8, pp.808-816, September 2000 [18] Kah Phooi Seng, Zhihong Man, Hong Ren Wu, “Lyapunov-Theory-Based Radial basis function Networks for adaptive Filtering,” IEEE Transaction on circuits and system, vol 49, No 8, pp 1215-1220, August 2002 [19] J.W Park, R.G Harley, G.K Venayagamoorthy, “Indirect adaptive control for synchronous generator: Comparison of MLP/RBF neuron network approach with Lyapunov stability analysis,” IEEE transaction on Neural Networks, vol 15 No 2, pp.460-464, March 2004 [20].Y Lieral, “Robust and adaptive backstepping control of nonlinear systems using RBF networks”, IEEE Transaction on Neural networks, vol 15, No 3, pp.693701, May 2004 [21] Yih – Gaung Leu, Tsu – Tian Lee, and Wei – Yen Wang, “Observer-based adaptive fuzzy – neural control for unknown nonlinear dynamical systems” IEEE Trans Syst., Man, Cybern., vol 29, pp.583-591, October 1999 [22] Baogang Hu, George K I Mann, and Raymond G Gosine, “ New Mothodogy for Analyytical and optimal design of fuzzy PID controllers” IEEE Trans.on Fuzzy Syst., vol 29, no.5, pp.521-539, October 1999 [23] Chia – Feng Juang, “Temporal problems solved by dynamic fuzzy network base on genetic algorithm with variable – length chromosomes” Department Of Electrical Engineering, national Chung – Hsing University, March 2003 [24] Mathew L Moore, John T Musacchio, and Kevin M Passino, “Genetic Adaptive control for Inverted Wedge: Experiment and cmparative analyses” Department Of Electrical Engineering, the Ohio state University, vol 14, No 1, pp.114, Feb 2001 LÊ ĐÌNH PHƯƠNG 124 Phụ lục PHỤ LỤC HƯỚNG DẪN CHẠY CHƯƠNG TRÌNH 8.1 Bộ quan sát neuron mờ thích nghi cho động DC Trong hàm f(.) ước lượng từ tập liệu huấn luyện [f e c] · File nf_mtdc_f_gau5.m: ước lượng hàm f với hàm liên thuộc dạng Gaussian, tập mờ hoá ngõ vào mạng neuron mờ · File nf_mtdc_f_gau7.m: ước lượng hàm f với hàm liên thuộc dạng Gaussian, tập mờ hoá ngõ vào · File nf_mtdc_f_triang5.m: ước lượng hàm f với hàm liên thuộc dạng tam giác, tập mờ hoá ngõ vào mạng neuron mờ · File nf_mtdc_f_triang7.m: ước lượng hàm f với hàm liên thuộc dạng tam giác, tập mờ hoá ngõ vào mạng neuron mờ · [f, e, c]: tập liệu huấn luyện · f(.) hàm phi tuyến đo løng gần qua mạng neuron mờ gián tiếp · e: sai số ngõ hệ thống với tín hiệu đặt · c/ e& : vi phân sai số ngõ hệ thống với tín hiệu đặt Trong hàm g(.) ước lượng từ tập liệu huấn luyện [g e c] · File nf_mtdc_g_gau5.m: ước lượng hàm g với hàm liên thuộc dạng Gaussian, tập mờ hoá ngõ vàomạng neuron mờ · File nf_mtdc_g_gau7.m: ước lượng hàm g với hàm liên thuộc dạng Gaussian, tập mờ hoá ngõ vào mạng neuron mờ · File nf_mtdc_g_triang5.m: ước lượng hàm f(.) với hàm liên thuộc dạng tam giác, tập mờ hoá ngõ vào mạng neuron mờ · File nf_mtdc_g_triang7.m: ước lượng hàm g(.) với hàm liên thuộc dạng tam giác, tập mờ hoá ngõ vàomạng neuron mờ · [g, e, c]: tập liệu huấn luyện · g(.): hàm phi tuyến đo løng gần qua mạng neuron mờ gián tiếp · e: sai số ngõ hệ thống với tín hiệu đặt · c: vi phân sai số ngõ hệ thống với tín hiệu đặt 8.1.1 Dữ liệu dùng huấn luyện mạng neural mờ dạng Singleton Các file tạo liệu sau: · File dùng tạo liệu huấn luyện: CreatDataIdent_fg.m tạo hai tập liệu dùng để huấn luyện sau: · File: data_motordc_f.mat: dùng huấn luyện nhận dạng hàm f(.) · File: data_motordc_g.mat: dùng huấn luyện nhận dạng hàm g(.) LÊ ĐÌNH PHƯƠNG 125 Phụ lục · File: ob_servomotordc.m: dùng thiết lập quan sát: v Vector hồi tiếp: Kc = [2; 1] v Vector độ lợi quan saùt: Ko = [9, 6] · File mdl_fuz_motordc_ok12.mdl: file mô hình điều khiển thích nghi gián tiếp hệ động DC, lấy số liệu để huấn luyện ước lượng hàm phi tuyến f(.), g(.) 8.1.2 Nội dung hàm Trong hàm f(.) ước lượng từ tập liệu huấn luyện [f e c] · nfmtdcgau5f.m: Hàm ước lượng hàm f với hàm liên thuộc dạng Gaussian, tập mờ hoá ngõ vào mạng neuron mờ · Hàm nfmtdcgau7f.m: Hàm ước lượng hàm f với hàm liên thuộc dạng Gaussian, tập mờ hoá ngõ vào · Hàm nfmtdctri5f.m: Hàm ước lượng hàm f với hàm liên thuộc dạng tam giác, tập mờ hoá ngõ vào mạng neuron mờ · Hàm nfmtdctri7f.m: Hàm ước lượng hàm f với hàm liên thuộc dạng tam giác, tập mờ hoá ngõ vào mạng neuron mờ · [f, e, c]: tập liệu huấn luyện · f(): hàm phi tuyến đo løng gần qua mạng neuron mờ gián tiếp · e: sai số ngõ hệ thống với tín hiệu đặt · c/ e& : vi phân sai số ngõ hệ thống với tín hiệu đặt Trong hàm g(.) ước lượng từ tập liệu huấn luyện [g e c] · Hàm nfmtdcgau5g.m: Hàm ước lượng hàm g(.) với hàm liên thuộc dạng Gaussian, tập mờ hoá ngõ vàomạng neuron mờ · Hàm nfmtdcgau7g.m: Hàm ước lượng hàm g(.) với hàm liên thuộc dạng Gaussian, tập mờ hoá ngõ vào mạng neuron mờ · Hàm nfmtdcgtri5g.m: Hàm ước lượng hàm g(.) với hàm liên thuộc dạng tam giác, tập mờ hoá ngõ vào mạng neuron mờ · Hàm nfmtdcgtri7g.m: Hàm ước lượng hàm g(.) với hàm liên thuộc dạng tam giác, tập mờ hoá ngõ vào mạng neuron mờ · [g, e, c]: tập liệu huấn luyện · g: hàm phi tuyến đo løng gần qua mạng neuron mờ gián tiếp · e: sai số ngõ hệ thống với tín hiệu đặt · c/ e& : vi phân sai số ngõ hệ thống với tín hiệu đặt LÊ ĐÌNH PHƯƠNG Phụ lục 126 8.1.3 Nội dung hàm chạy để ước lượng hàm Trong hàm f(.) ước lượng từ tập liệu huấn luyện [f e c] · File train_nfmtdcgau5f.m: ước lượng hàm f(.) với hàm liên thuộc dạng Gaussian, tập mờ hoá ngõ vào mạng neuron mờ cách gọi hàm nfmtdcgau5f.m · File train_nfmtdcgau7f.m: ước lượng hàm f(.) với hàm liên thuộc dạng Gaussian, tập mờ hoá ngõ vào cách gọi hàm nfmtdcgau7f.m · File train_nfmtdctri5f.m: ước lượng hàm f(.) với hàm liên thuộc dạng tam giác, tập mờ hoá ngõ vào mạng neuron mờ cách gọi hàm nfmtdctri7f.m · File train_nfmtdctri7f.m: ước lượng hàm f(.) với hàm liên thuộc dạng tam giác, tập mờ hoá ngõ vào mạng neuron mờ cách gọi hàm hàm nfmtdctri7f.m Trong hàm g(.) ước lượng từ tập liệu huấn luyện [g e c] · File train_nfmtdcgau5g.m: ước lượng hàm g(.) với hàm liên thuộc dạng Gaussian, tập mờ hoá ngõ vàomạng neuron mờ cách gọi hàm nfmtdcgau5g.m · File train_nfmtdcgau7g.m: ước lượng hàm g(.) với hàm liên thuộc dạng Gaussian, tập mờ hoá ngõ vào mạng neuron mờ cách gọi hàm nfmtdcgau7g.m · File train_nfmtdcgtri5g.m: ước lượng hàm g(.) với hàm liên thuộc dạng tam giác, tập mờ hoá ngõ vào mạng neuron mờ cách gọi hàm nfmtdcgtri5g.m · File train_nfmtdctri7g.m: chạy ước lượng hàm g(.) với hàm liên thuộc dạng tam giác, tập mờ hoá ngõ vàomạng neuron mờ cách gọi hàm nfmtdctri7g.m 8.1.4 Mô hình chạy mô sau huấn luyện Ø Mô hình mdl_ctrl_mtdc_gau5.mdl: chạy mô quan sát neuron mờ thích nghi hệ động điện DC sau huấn luyện ước lượng hàm f(.), g(.) hàm liên thuộc dạng Gaussian Ø Mô hình mdl_ctrl_mtdc_gau7.mdl: chạy mô quan sát neuron mờ thích nghi hệ động điện DC sau huấn luyện ước lượng hàm f(.), g(.) hàm liên thuộc dạng Gaussian LÊ ĐÌNH PHƯƠNG Phụ lục 127 Ø Mô hình mdl_ctrl_mtdc_tri5.mdl: chạy mô quan sát neuron mờ thích nghi hệ động điện DC sau huấn luyện ước lượng hàm f(.), g(.) hàm liên thuộc dạng tam giác Ø Mô hình mdl_ctrl_mtdc_tri7.md: chạy mô quan sát neuron mờ thích nghi hệ động điện DC sau huấn luyện ước lượng hàm f(.), g(.) hàm liên thuộc dạng tam giác 8.2 Bộ quan sát mờ thích nghi cho hệ lắc xe Trong hàm f(.) ước lượng từ tập liệu huấn luyện [f e c] · File nf_conlac_gau7_ff.m: ước lượng hàm f(.) với hàm liên thuộc dạng Gaussian, tập mờ hoá ngõ vào · File nf_conlac_tri7_ff.m: ước lượng hàm f(.) với hàm liên thuộc dạng tam giác, tập mờ hoá ngõ vào mạng neuron mờ · [f, e, c]: tập liệu huấn luyện · f(.) hàm phi tuyến đo løng gần qua mạng neuron mờ gián tiếp · e: sai số ngõ hệ thống với tín hiệu đặt · c/ e& : vi phân sai số ngõ hệ thống với tín hiệu đặt Trong hàm g(.) ước lượng từ tập liệu huấn luyện [g e c] · File nf_conlac_gau7_gg.m: ước lượng hàm g(.) với hàm liên thuộc dạng Gaussian, tập mờ hoá ngõ vào mạng neuron mờ · File nf_conlac_tri7_gg.m: ước lượng hàm g(.) với hàm liên thuộc dạng tam giác, tập mờ hoá ngõ vàomạng neuron mờ · [g, e, c]: tập liệu huấn luyện · g(.) hàm phi tuyến đo løng gần qua mạng neuron mờ gián tiếp · e: sai số ngõ hệ thống với tín hiệu đặt · c/ e& : vi phân sai số ngõ hệ thống với tín hiệu đặt 8.2.1 Dữ liệu dùng huấn luyện mạng neural mờ dạng Singleton Các file tạo liệu sau · File dùng tạo liệu huấn luyện: creatData_conlac_fg_fuz.m tạo hai tập liệu dùng để huấn luyện sau: · File: data_conlac_f.mat: dùng huấn luyện nhận dạng hàm f(.) · File: data_conlac_g.mat: dùng huấn luyện nhận dạng hàm g(.) · File: Ob_conlac.mt: dùng thiết lập quan sát: LÊ ĐÌNH PHƯƠNG 128 Phụ lục v Vector hồi tiếp: Kc = [14; 2] v Vector độ lợi quan sát: Ko = [9; 6] · File mdl_ctrl_conlac_fuz.mdl: file mô hình điều khiển thích nghi gián tiếp hệ lắc xe, lấy số liệu để huấn luyện ước lượng hàm phi tuyến f(.), g(.) 8.2.2 Nội dung hàm dùng ước lượng Trong hàm f(.) ước lượng từ tập liệu huấn luyện [f e c] · Hàm nfconlacgau7f.m: ước lượng hàm f(.) với hàm liên thuộc dạng Gaussian, tập mờ hoá ngõ vào · Hàm nfconlactri7f.m: ước lượng hàm f(.) với hàm liên thuộc dạng tam giác, tập mờ hoá ngõ vào mạng neuron mờ · [f, e, c]: tập liệu huấn luyện · f(.) hàm phi tuyến đo løng gần qua mạng neuron mờ gián tiếp · e: sai số ngõ hệ thống với tín hiệu đặt · c / e& : vi phân sai số ngõ hệ thống với tín hiệu đặt Trong hàm g(.) ước lượng từ tập liệu huấn luyện [g e c] · Hàm nfconlacgau7g.m: ước lượng hàm g với hàm liên thuộc dạng Gaussian, tập mờ hoá ngõ vào mạng neuron mờ · Hàm nfconlactri7g.m: ước lượng hàm g với hàm liên thuộc dạng tam giác, tập mờ hoá ngõ vàomạng neuron mờ · [g, e, c]: tập liệu huấn luyện · g(.) hàm phi tuyến đo løng gần qua mạng neuron mờ gián tiếp · e: sai số ngõ hệ thống với tín hiệu đặt · c/ e& : vi phân sai số ngõ hệ thống với tín hiệu đặt 8.2.3 Các chương trình file.m Trong hàm f(.) ước lượng từ tập liệu huấn luyện [f e c] · File train_nfconlacgau7f.m: ước lượng hàm f(.) với hàm liên thuộc dạng Gaussianian, tập mờ hoá ngõ vào, sử dụng hàm nfconlacgau7f.m · File train_nfconlactri7f.m: ước lượng hàm f(.) với hàm liên thuộc dạng tam giác, tập mờ hoá ngõ vào mạng neuron mờ, sử dụng hàm nfconlactri7f.m Trong hàm g(.) ước lượng từ tập liệu huấn luyện [g e c] LÊ ĐÌNH PHƯƠNG Phụ lục 129 · Hàm train_nfconlacgau7g.m: ước lượng hàm g với hàm liên thuộc dạng Gaussianian, tập mờ hoá ngõ vào mạng neuron mờ, sử dụng hàm nfconlacgau7g.m · Hàm train_nfconlactri7g.m: ước lượng hàm g với hàm liên thuộc dạng tam giác, tập mờ hoá ngõ vàomạng neuron mờ, sử dụng hàm nfconlactri7g.m 8.2.4 Mô hình chạy mô sau huấn luyện Ø Mô hình mdl_ctrl_conlac_gau77.mdl: chạy mô hệ lắc xe sau huấn luyện ước lượng hàm f(.), g(.) hàm liên thuộc dạng Gaussian Ø Mô hình mdl_ctrl_conlacc_tri77.mdl: chạy mô hệ lắc xe sau huấn luyện ước lượng hàm f(.), g(.) hàm liên thuộc dạng tam giác 8.3 Các hàm thực chương trình mạng neuron mờ Ø Hàm gaussmf.m: thực mờ hóa ngõ vào hàm Gaussian, gọi hàm liên thuộc dạng Gaussian, Lớp để mờ hóa Ø Hàm mftriang.m: thực mờ hóa ngõ vào hàm Tam Giác, gọi hàm liên thuộc dạng Tam giác, Lớp để mờ hóa Ø Hàm fuzzgau.m: mờ hoá ngõ vào mạng neuron mờ với hàm liên thuộc dạng Gaussian Lớp Ø Hàm fuzztriang.m: mờ hoá ngõ vào mạng neuron mờ với hàm liên thuộc dạng tam giác Lớp Ø Hàm rulNeuFuz.m: thực luật mờ mạng neuron mờ lớp Ø Hàm subConsequent.m: chuyển giá trị Singleton thành ma trận mờ mạng neuron mờ Lớp Ø Hàm column.m: chuyển ma trận mờ Singleton từ kết hàm subConsequent.m cột Lớp để giải mờ Ø Hàm row.m: chuyển ma trận mờ Singleton từ kết hàm subConsequent.m hàng Lớp để giải mờ Ø Hàm coltomx_nmf.m: thực tìm ma trận vector sở mờ Lớp Ø Hàm row.m: chuyển ma trận mờ Singleton từ kết hàm subConsequent.m hàng Lớp để giải mờ LÊ ĐÌNH PHƯƠNG Phụ lục 130 8.4 Các file liệu lưu trữ Ø Hệ phi tuyến động DC v File neufuz_f_gau5.mat: liệu mạng neuron mờ hàm phi tuyến f(.) huấn luyện mạng neuron mờ dạng Singleton với tập mờ hoá gồm hàm liên thuộc Gaussian v File neufuz_f_gau7.mat: liệu mạng neuron mờ hàm phi tuyến f(.) huấn luyện mạng neuron mờ dạng Singleton với tập mờ hoá gồm hàm liên thuộc Gaussian v File neufuz_f_tri5.mat: liệu mạng neuron mờ hàm phi tuyến f(.) huấn luyện mạng neuron mờ dạng Singleton với tập mờ hoá gồm hàm liên thuộc Tam Giác v File neufuz_f_tri7.mat: liệu mạng neuron mờ hàm phi tuyến f(.) huấn luyện mạng neuron mờ dạng Singleton với tập mờ hoá gồm hàm liên thuộc Tam giác v File neufuz_g_gau7.mat: liệu mạng neuron mờ hàm phi tuyến g(.) huấn luyện mạng neuron mờ dạng Singleton với tập mờ hoá gồm hàm liên thuộc Gaussian v File neufuz_g_gau5.mat: liệu mạng neuron mờ hàm phi tuyến g(.) huấn luyện mạng neuron mờ dạng Singleton với tập mờ hoá gồm hàm liên thuộc Gaussian v File neufuz_g_tri7.mat: liệu mạng neuron mờ hàm phi tuyến g(.) huấn luyện mạng neuron mờ dạng Singleton với tập mờ hoá gồm hàm liên thuộc Tam Giác v File neufuz_g_tri5.mat: liệu mạng neuron mờ hàm phi tuyến g(.) huấn luyện mạng neuron mờ dạng Singleton với tập mờ hoá gồm hàm liên thuộc Tam Giác Ø Hệ phi tuyến lắc xe: v File neufuz_conlac_gau7_f.mat: liệu mạng neuron mờ hàm phi tuyến f(.) huấn luyện mạng neuron mờ dạng Singleton với tập mờ hoá gồm hàm liên thuộc Gaussian v File neufuz_conlac_tri7_f.mat: liệu mạng neuron mờ hàm phi tuyến f(.) huấn luyện mạng neuron mờ dạng Singleton với tập mờ hoá gồm hàm liên thuộc Tam giác LÊ ĐÌNH PHƯƠNG Phụ lục 131 v File neufuz_conlac_gau7_g.mat: liệu mạng neuron mờ hàm phi tuyến g(.) huấn luyện mạng neuron mờ dạng Singleton với tập mờ hoá gồm hàm liên thuộc Gaussian v File neufuz_conlac_tri7_g.mat: liệu mạng neuron mờ hàm phi tuyến g(.) huấn luyện mạng neuron mờ dạng Singleton với tập mờ hoá gồm hàm liên thuộc Tam giác LÊ ĐÌNH PHƯƠNG ... ĐỀ TÀI: Xây Dựng Bộ Quan Sát Neuron mờ thích nghi cho hệ phi tuyến II- NHIỆM VỤ VÀ NỘI DUNG: - Nghi? ?n cứu mạng neural mờ thích nghi - Xây dựng quan sát neuron mờ thích nghi cho hệ phi tuyến -... 3.3 Bộ quan sát neuron mờ thích nghi hiệu chỉnh trọng số tự chỉnh trực tuyến - 43 3.4 Xây dựng giải thuật học xấp xỉ hàm quan sát neuron mờ thích nghi hệ phi. .. mạng hệ lắc xe 72 4.4.2 Các bước xây dựng mô hình quan sát neuron mờ thích nghi cho hệ lắc xe - 73 4.4.3 Kết mô quan sát Neuron mờ thích nghi hệ lắc