Điều khiển xe robot bằng mạng nơron mờ

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC MỎ-ĐỊA CHẤT NGUYỄN XUÂN THỊNH ĐIỀU KHIỂN XE ROBOT BẰNG MẠNG NƠRON MỜ CHUYÊN NGÀNH: TỰ ĐỘNG HÓA MÃ SỐ: 60.52.60 LUẬN VĂN THẠC SỸ KỸ THUẬT NGƯỜI HƯỚNG DẪN KHOA HỌC: PGS.TS PHAN XUÂN MINH HÀ NỘI 2006 BỘ GIÁO DỤC VÀ ĐÀO TẠO CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM TRƯỜNG ĐẠI HỌC MỎ-ĐẠI CHẤT ĐỘC LẬP - TỰ DO - HẠNH PHÚC LỜI CAM ĐOAN Luận văn thạc sỹ nghiên cứu hướng dẫn cô giáo PGS.TS Phan Xuân Minh Mô hình tốn học đối tượng cấu trúc mạng sử dụng sở gợi ý tài liệu: “Fuzzy Logic and Expert Systems Applications” – chương “Mean-Value-Based Functional Reasoning Techniques in the Development of Fuzzy-Neural Network Control Systems” – Nhà xuất ACADEMIC PRESS, 1998 Các tài liệu tham khảo liệt kê chi tiết phần tài liệu tham khảo Ngồi ra, tơi xin cam đoan khơng chép từ cơng trình nghiên cứu người khác Hà nội, ngày 30 tháng 05 năm 2006 Nguyễn Xuân Thịnh MỤC LỤC LỜI CAM ĐOAN .2 MỤC LỤC DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ .6 PHẦN 1: MỞ ĐẦU 11 Tính cấp thiết đề tài 11 Đối tượng phạm vi nghiên cứu đề tài .13 Mục đích đề tài 13 Nhiệm vụ đề tài 14 Nội dung nghiên cứu 14 Phương pháp nghiên cứu 14 Ý nghĩa khoa học thực tiễn 15 Cơ sở tài liệu 15 Kết cấu đề tài 15 PHẦN 2: NỘI DUNG 16 CHƯƠNG 1: LOGIC MỜ 16 1.1 Khái niệm tập mờ 16 1.1.1 Định nghĩa tập mờ 16 1.1.2 Các đặc tính tập mờ 18 1.2 Các phép toán tập mờ .21 1.2.1 Phép hợp hai tập mờ .21 1.2.2 Phép giao hai tập mờ 24 1.2.3 Phép bù tập mờ 27 1.3 Biến ngôn ngữ giá trị .28 1.4 Luật hợp thành mờ 30 1.4.1 Mệnh đề hợp thành 30 1.4.2 Luật hợp thành mờ 34 1.4.3 Luật hợp thành đơn max-MIN, max-PROD có cấu trúc SISO .37 1.4.4 Luật hợp thành đơn có cấu trúc MISO 39 1.4.5 Luật hợp thành kép max-MIN, max-PROD 41 1.4.6 Luật hợp thành sum-MIN, sum-PROD 45 1.5 Giải mờ 47 1.5.1 Phương pháp cực đại 47 1.5.2 Phương pháp diểm trọng tâm 50 CHƯƠNG 2: TỔNG QUAN VỀ MẠNG NƠRON NHÂN TẠO 53 2.1 Mạng nơron nhân tạo gì? 53 2.2 Các mô hình luật học mạng nơron nhân tạo 55 2.2.1 Phần tử xử lý 55 2.2.2 Các mơ hình kết nối 57 2.2.3 Các luật học 60 CHƯƠNG 3: MẠNG NƠRON MỜ .67 3.1 So sánh mạng nơron hệ mờ .67 3.1.1 Sự giống mạng nơron hệ mờ 67 3.1.2 Sự khác mạng nơron hệ mờ 67 3.2 Sự kết hợp hệ mờ mạng nơron 68 3.3 Các hệ mờ dựa mạng nơron (NN – based fuzzy systems) 69 3.3.1 Dùng mạng nơron để thực phép toán mờ 69 3.3.2 Suy diễn mờ dựa mạng nơron 71 3.4 Các mơ hình mạng nơron dựa logic mờ (fuzzy logic – based neural networks models) .74 3.4.1 Nơron mờ 75 3.4.2 Mờ hóa mơ hình mạng nơron 77 CHƯƠNG 4: PHƯƠNG PHÁP SUY LUẬN MỜ 82 4.1 Sơ đồ suy luận mờ 82 4.1.1 Suy luận mờ dựa vào liệu ngõ vào 82 4.1.2 Suy luận mờ giản đơn .83 4.1.3 Suy luận mờ dựa vào giá trị trung tâm 84 4.2 Thiết kế mệnh đề kết luận kỹ thuật suy luận mờ 85 4.2.1 Suy luận dựa vào liệu ngõ vào 85 4.2.2 Suy luận dựa vào giá trị trung tâm 85 4.3 Mạng Nơron mờ GAUSSIAN (Fuzzy Gaussian Neural Networks) 87 4.3.1 Cấu trúc mạng 87 4.3.2 Các thông số học 91 4.3.3 Huấn luyện mạng 94 CHƯƠNG 5: SỬ DỤNG MẠNG NƠRON MỜ ĐIỀU KHIỂN XE ROBOT 97 5.1 Mơ hình hàm truyền robot 97 5.2 Phân tích thiết kế hệ thống điều khiển 99 5.3 Mô hệ thống điều khiển MatLab 101 5.3.1 Sơ đồ khối tổng quát .101 5.3.2 Khối kết nối 102 5.3.3 Khối robot .103 5.3.4 Khối FGNN1 (khối điều khiển vận tốc) 104 5.3.5 Khối FGNN2 (Khối điều khiển góc quay) 105 5.3.6 Khối huấn luyện cho điều khiển FGNN1 107 5.3.7 Khối huấn luyện cho điều khiển FGNN2 110 5.4 Kết mô 111 5.4.1 So sánh hai trường hợp có huấn luyện khơng huấn luyện 111 5.4.2 Ảnh hưởng tham số học 114 5.4.3 Ảnh hưởng Wb lên hệ .116 PHẦN 3: KẾT LUẬN VÀ KHUYẾN NGHỊ 119 TÀI LIỆU THAM KHẢO 120 DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ Hình I.1: Mơ hình xe robt 11 Hình I.2: Cây mục tiêu 13 Hình 1.1: Hàm thuộc μA(x) tập kinh điển A .16 Hình 1.2: Minh họa hàm thuộc tập hợp .17 Hình 1.3: Minh họa miền xác định miền tin cậy tập mờ 18 Hình 1.4: Hàm thuộc có dạng tuyến tính đoạn 20 Hình 1.5: Các dạng hàm thuộc 20 Hình 1.6: Hàm thuộc hợp hai tập mờ có khơng gian 22 Hình 1.7: Phép hợp hai tập mờ không .23 Hình 1.8: Hàm thuộc giao hai tập mờ có khơng gian 26 Hình 1.9: Phép giao hai tập mờ không 26 Hình 1.10: Phép bù mờ mạnh 28 Hình 1.11: Mơ tả giá trị ngôn ngữ tập mờ 29 Hình 1.12: Xác định hàm thuộc mệnh đề hợp thành 33 Hình 1.13: Mơ tả độ thỏa mãn 34 Hình 1.14: Xây dựng R theo quy tắc max-PROD 39 Hình 1.15: Xây dựng R cho luật hợp thành MISO với hai mệnh đề điều kiện .41 Hình 1.16: Hàm thuộc giá trị nhanh, chậm cho biến tốc độ tăng, giảm cho biến đạp ga 42 Hình 1.17: Hàm thuộc hợp hai luật điều khiển 43 Hình 1.18: Mơ hình hóa với quy tắc sum-MIN 46 Hình 1.19: Giải mờ phương pháp cực đại 48 Hình 1.20: Giá trị rõ y’ không phụ thuộc vào đáp ứng vào luật điều khiển định 49 Hình 1.21: Giá trị rõ y’ phụ thuộc tuyến tính với đáp ứng vào luật điều khiển định 49 Hình 1.22: Giá trị rõ y’ phụ thuộc tuyến tính vào độ thỏa mãn 50 Hình 1.23: Hàm thuộc B’ có miền G khơng liên thơng G = G1∪G2 50 Hình 1.24: Giá trị rõ y’ hoành độ điểm trọng tâm 51 Hình 1.25: Xác định y’ theo phương pháp điểm trọng tâm miền giá trị tập mờ không liên thông 51 Hình 1.26: Tập mờ có hàm thuộc hình thang 52 Hình 2.1: Cấu trúc nơron sinh học 53 Hình 2.2: Cấu trúc nơron nhân tạo thứ i 54 Hình 2.3: Hàm tác động mẫu .57 Hình 2.4: Mơ hình kết nối mạng truyền thẳng lớp 58 Hình 2.5: Mơ hình mạng nơron truyền thẳng nhiều lớp 58 Hình 2.6: Mơ hình mạng hồi tiếp lớp 59 Hình 2.7: Mơ hình mạng hồi tiếp nhiều lớp 59 Hình 2.8: Mơ hình luật học giám sát 61 Hình 2.9: Mơ hình luật học củng cố 62 Hình 2.10: Mơ hình luật học khơng giám sát 63 Hình 2.11: Luật học trọng số tổng quát 63 Hình 3.1: Mạng nơron thực hàm thuộc đơn giản 70 Hình 3.2: Mạng suy luận mờ .72 Hình 3.3: Nơron mờ loại I 75 Hình 3.4: Nơron mờ loại II .76 Hình 3.5: Cấu trúc hệ FAM 81 Hình 4.1: Ý tưởng suy luận mờ dựa vào liệu ngõ vào 82 Hình 4.2: Ý tưởng suy luận mờ đơn giản 83 Hình 4.3: Ý tưởng suy luận mờ dựa vào giá trị trung tâm 84 Hình 4.4: Cấu trúc FGNN sử dụng suy luận hàm dựa vào liệu ngõ vào .89 Hình 4.5: Cấu trúc mạng FGNN sử dụng suy luận đơn giản 90 Hình 4.6: Cấu trúc FGNN sử dụng suy luận hàm dựa vào giá trị trung tâm 91 Hình 4.7: Phương pháp học tham số phần kết luận phương pháp suy luận hàm dựa vào giá trị trung tâm 93 Hình 4.8: Phương pháp học tham số phần kết luận phương pháp suy luận hàm dựa vào giá trị trung tâm sau giảm tham số học .93 Hình 5.1: Mơ hình robot 98 Hình 5.2: Sơ đồ khối hệ thống điều khiển 99 Hình 5.3: Hàm thuộc Gaussian .100 Hình 5.4: Mơ hình Matlab hệ thống 102 Hình 5.5: Sơ đồ khối kết nối 102 Hình 5.6: Sơ đồ matlab robot 103 Hình 5.7: Sơ đồ matlab điều khiển vận tốc FGNN1 104 Hình 5.8: Chi tiết khối Gaussian hình 5.7 .105 Hình 5.9: Sơ đồ matlab điều khiển vận tốc FGNN2 106 Hình 5.10: Khối huấn luyện cho điều khiển FGNN1 cập nhật cho Wa Wb 109 Hình 5.11: Khối huấn luyện cho điều khiển FGNN2 cập nhật OWa va OWb 110 Hình 5.12: Vận tốc đầu xe robot 111 Hình 5.13: Góc quay xe 112 Hình 5.14: Quỹ đạo chuyển động xe với góc quay ÷ 2π π .113 Hình 5.15: Quỹ đạo xe với góc quay -450 113 Hình 5.16: Vận tốc xe ứng với tham số học có giá trị đầu khác 114 Hình 5.17: Góc quay xe ứng với tham số học có giá trị đầu khác 115 Hình 5.18: Quỹ đạo xe ứng với tham số học có giá trị đầu khác 115 Hình 5.19: Quỹ đạo xe đường thẳng với góc quay -1350 116 Hình 5.20: Ảnh hưởng tham số Wb đến tốc độ xe .117 Hình 5.21: Ảnh hưởng Wb lên góc quay xe .117 Hình 5.22: Ảnh hưởng Wb lên quỹ đạo xe 118 LỜI NÓI ĐẦU Điều khiển mờ kỹ thuật điều khiển mới, đời từ năm 90 phát triển mạnh mẽ ngày kỹ thuật điều khiển hôm tương lai Việc ứng dụng điều khiển mờ đem lại nhiều thành tựu vượt bậc lĩnh vực điều khiển Ưu điểm điều khiển mờ so với phương pháp điều khiển kinh điển tổng hợp điều khiển mà khơng biết trước đặc tính đối tượng cách xác Khác hẳn với kỹ thuật điều khiển kinh điển hoàn toàn dựa vào xác tuyệt đối thơng tin mà nhiều ứng dụng khơng cần thiết khơng thể có được, điều khiển mờ cần xử lý thông tin khơng xác hay khơng đầy đủ, thơng tin mà xác nhận thấy quan hệ chúng với mơ tả ngơn ngữ, để từ cho định xác Chính khả làm cho điều khiển mờ chép phương thức xử lý thông tin điều khiển người, giải thành cơng tốn phức tạp mà trước khơng giải Điều khiển mờ hay gọi điều khiển “thông minh” bước ứng dụng ban đầu trí tuệ nhân tạo vào kỹ thuật điều khiển Mạng nơron nhân tạo mạng xây dựng cách mô nguyên lý làm việc não người Hệ nơron người gồm nhiều lớp: lớp vào, lớp ẩn lớp Lớp vào nối với cảm biến mũi, miệng, mắt, tai da …, lớp nối với phần tử tay chân…, lớp ẩn nằm lớp vào lớp Khi phát vài đối tượng, cảm biến gởi tín hiệu đến lớp vào đến lớp ẩn để tính tốn, sau gởi định đến lớp để điều khiển phần tử chân tay Việc kết hợp kỹ thuật mạng nơron logic mờ cho phép kết hợp ưu điểm hai: mạng nơron cung cấp cấu trúc tính tốn dựa liên kết chấp nhận nhiễu tính chất diễn biến phân bố khả học cho hệ logic mờ; hệ logic mờ đưa vào mạng nơron chế suy diễn dựa luật IF…THEN Sự kết hợp mạng neuron logic mờ thiết kế hệ thống tự động cho kết 10 hệ điều khiển thông minh, hệ thống mà điều khiển có khả tư não người Sự kết hợp cho hệ: Hệ mờ neuron, mạng neuron mờ, hệ lai Vì việc nghiên cứu, ứng dụng mạng neuron logic mờ cần thiết Lĩnh vực ứng dụng chúng phong phú dạng Trong việc ứng dụng mạng nơron mờ để điều khiển robot ứng dụng thực tiễn Để hoàn thành luận văn này, nhận hướng dẫn tận tình PGS.TS Phan Xn Minh; thầy mơn Tự động hóa - Trường Đại học Mỏ-Địa chất cung cấp cho kiến thức quý báu suốt thời gian học; bạn bè, đồng nghiệp góp ý, trao đổi chia kiến thức giúp tơi hồn thiện Trước tiên, em xin gởi lời cám ơn chân thành đến cô Phan Xuân Minh nhiệt tình hướng dẫn, truyền đạt cho em kiến thức quý báu để hoàn thành luận văn Em xin chân thành cám ơn thầy cô mơn Tự động hóa Trường Đại học Mỏ - Địa chất nhiệt tình giảng dạy suốt q trình học giúp em có kiến thức cần thiết để hồn thành luận văn cơng tác nghiên cứu sau Tôi xin gởi lời cám ơn đến tất bạn bè, đồng nghiệp chia khó khăn cơng việc chia kiến thức giúp tơi hồn thiện tốt đề tài Xin gởi lời cám ơn đến tất người thân gia đình quan tâm, ủng hộ động viên để vượt qua khó khăn sống trình học tập Hà nội, ngày 30 tháng 05 năm 2006 106 Hình 5.9: Sơ đồ matlab điều khiển vận tốc FGNN2 Trong đó: OWc1 = [-pi; -2*pi/3; -pi/3; 0; pi/3; 2*pi/3; pi] OWc2 = [-pi; -2*pi/3; -pi/3; 0; pi/3; 2*pi/3; pi] OWd1 = [0.5; 0.5; 0.5; 0.5; 0.5; 0.5; 0.5; 0.5] OWd2 = [0.5; 0.5; 0.5; 0.5; 0.5; 0.5; 0.5; 0.5] OWe1 = [1; 1; 1; 1; 1; 1; 1; 1] OWe2 = [1; 1; 1; 1; 1; 1; 1; 1] OWa = [1.5; 1.5; 1.5; 1.5; 1.5; 1.5; 1.5] OWb = [0.5; 0.5; 0.5; 0.5; 0.5; 0.5; 0.5] Tương tự khối FGNN1, OWa OWa giá trị khởi đầu chúng cập nhật trình học Hai khối Gaussian Gaussian1 giống sơ đồ điều khiển FGNN1 biểu diễn hình 5.8 107 5.3.6 Khối huấn luyện cho điều khiển FGNN1 Khối huấn luyện thiết kế để cập nhật trọng số kết nối wai, i = 1, …, theo giải thuật lan truyền ngược Theo phương pháp suy luận mờ dựa vào giá trị trung tâm (mục 4.1.3) cấu trúc mạng theo phương pháp suy luận mờ dựa vào giá trị trung tâm (hình 4.6), ta có ngõ nơron lớp mô tả công thức 4.8, viết lại sau: 49 ∑h f i i u= i =1 49 ∑h i i =1 đó: f1 = wc11 wa1 + wc21wb1 , … f = wc11wa1 + wc27 wb7 f8 = wc12 wa2 + wc21wb1 , … f = w1 w + w2 w , … 14 c2 a2 c7 b7 f15 = wc13 wa3 + wc21wb1 , … f = w1 w + w2 w 21 c3 a3 c7 b7 f 22 = wc14 wa4 + wc21wb1 , … f = w1 w + w2 w 28 c4 a4 c7 b7 f 29 = wc15 wa5 + wc21wb1 , … f = w1 w + w2 w 35 c5 a5 c7 b7 f36 = w1c6 wa6 + wc21wb1 , … 108 f = w1 w + w2 w 42 c6 a6 c7 b7 f 43 = wc17 wa7 + wc21wb1 , … f = w1 w + w2 w 49 c7 a7 c7 b7 Đạo hàm ngõ theo biến wai, ta được: du/dwa1 = w1c1 ∑ hi i =1 21 du/dwa3 = w1c3 ∑ hi i =15 35 du/dwa5 = wc15 ∑ hi i = 29 49 du/dwa7 = wc17 ∑ hi i = 43 49 14 i =1 i =8 49 28 i =1 i = 22 49 42 i =1 i =36 ∑ hi ; du/dwa2 = w1c2 ∑ hi ∑ hi ; du/dwa4 = wc14 ∑ hi ∑ hi ; du/dwa6 = wc16 ∑ hi 49 ∑h i i =1 49 ∑h i i =1 49 ∑h i i =1 49 ∑h i i =1 Theo giải thuật lan truyền ngược trọng số wai cập nhật theo công thức: wai (t+1) = wai (t) + η du (d – y) dwai đó, d ngõ mong muốn y ngõ thật Từ ta có sơ đồ matlab khối huấn luyện cho điều khiển FGNN1 hình 5.10 sau 109 Hình 5.10: Khối huấn luyện cho điều khiển FGNN1 cập nhật cho Wa Wb Trong đó: In1 = hi, i = 1, …, 49 In2 = na1, nb1 – tốc độ học In3 = ev – sai lệch vận tốc ngõ vận tốc đặc In4 = 49 ∑h i 110 Out1 = ∆wai, ∆wbi – Giá trị cộng thêm cho Wa, Wb sau lần tính 5.3.7 Khối huấn luyện cho điều khiển FGNN2 Tương tự điều khiển FGNN1, ta có sơ đồ matlab khối huấn luyện cho điều khiển FGNN2 hình 5.11 Hình 5.11: Khối huấn luyện cho điều khiển FGNN2 cập nhật OWa va OWb Trong đó: In1 = hi, i = 1, …, 49 111 In2 = na2, nb2 – tốc độ học In3 = eφ – sai lệch góc quay ngõ góc quay chuẩn In4 = 49 ∑h i Out1 = ∆Owai, ∆Owbi – giá trị cộng thêm cho OWa, OWb sau lần tính 5.4 Kết mơ Chúng ta xem xét trường hợp quỹ đạo xe đường thẳng đường trịn với bán kính 1.5m vận tốc 0.25m/s Với thông số chọn trên, tốc độ học na1 = nb1 = 0.05; nb1 = nb2 = 0.01; trạng thái khởi đầu robot x = [ v φ φ&] T =[0; 0; 0], ta có kết mơ sau: 5.4.1 So sánh hai trường hợp có huấn luyện không huấn luyện Các giá trị khởi đầu tham số học sau: Wai = [0.5; 0.5; 0.5; 0.5; 0.5; 0.5; 0.5]; Wbi = [0.5; 0.5; 0.5; 0.5; 0.5; 0.5; 0.5] a) So sánh vận tốc: Hình 5.12: Vận tốc đầu xe robot 112 Ghi chú: Đường màu vàng tốc độ chuẩn, đường màu hồng tốc độ xe với điều khiển huấn luyện, đường màu xanh tốc độ xe với điều khiển không huấn luyện (các trọng số kết nối không cập nhật) Với điều khiển không huấn luyện, vận tốc đầu đạt xác lập với độ lệch so với giá trị mong muốn b) So sánh góc quay: Hình 5.13: Góc quay xe Hình 5.13 gồm đường trùng nhau: đường góc quay chuẩn, thay đổi từ ÷ 2π khoảng thời gian 40 giây (để thỏa mãn giả thiết ban đầu xe chạy theo quỹ đạo tròn bán kính 1.5m với vận tốc 0.25m/s); đường thứ hai đường góc quay xe với điều khiển huấn luyện; đường thứ ba biểu thị góc quay xe với điều khiển không huấn luyện Trong trường hợp này, kết điều khiển góc quay hai điều khiển nhau, chứng tỏ tham số ban đầu điều khiển góc quay tối ưu c) So sánh quỹ đạo (trường hợp quỹ đạo trịn): 113 (a) – Có huấn luyện (b) – Khơng huấn luyện Hình 5.14: Quỹ đạo chuyển động xe với góc quay ÷ 2π Quỹ đạo chuyển động xe hai trường hợp đường trịn Tuy nhiên, với điều khiển khơng huấn luyện, đường kính quỹ đạo nhỏ trường hợp điều khiển có huấn luyện d) So sánh quỹ đạo (trường hợp quỹ đạo thẳng): (a) Có huấn luyện (b) Khơng huấn luyện Hình 5.15: Quỹ đạo xe với góc quay -450 Hình 5.13 cho thấy, đáp ứng góc quay điều khiển trường hợp có huấn luyện khơng huấn luyện tương đối giống Do đó, xe chuyển động theo đường thẳng ta thấy quỹ đạo chúng gần giống hình 5.15 114 5.4.2 Ảnh hưởng tham số học Bây ta thay đổi các giá trị đầu Wa Wb để xem đầu bị ảnh hưởng a) Vận tốc Hình 5.16: Vận tốc xe ứng với tham số học có giá trị đầu khác Đường màu vàng vận tốc chuẩn Đường màu hồng ứng với: Wai = [1.5; 1.5; 1.5; 1.5; 1.5; 1.5; 1.5] Wbi = [0.5; 0.5; 0.5; 0.5; 0.5; 0.5; 0.5] Đường màu xanh ứng với: Wai = [0.5; 0.5; 0.5; 0.5; 0.5; 0.5; 0.5] Wbi = [0.5; 0.5; 0.5; 0.5; 0.5; 0.5; 0.5] b) Góc quay Từ đồ thị hình 5.17 ta thấy, góc quay không bị ảnh hưởng thay đổi giá trị đầu tham số học Đồ thị bao gồm đường trùng nhau: đường đường chuẩn; đường màu xanh góc quay ứng với giá trị khởi đầu: Wai = [1.5; 1.5; 1.5; 1.5; 1.5; 1.5; 1.5] Wbi = [0.5; 0.5; 0.5; 0.5; 0.5; 0.5; 0.5] 115 Và đường màu hồng góc quay xe ứng với giá trị khởi đầu: Wai = [0.5; 0.5; 0.5; 0.5; 0.5; 0.5; 0.5] Wbi = [0.5; 0.5; 0.5; 0.5; 0.5; 0.5; 0.5] Hình 5.17: Góc quay xe ứng với tham số học có giá trị đầu khác c) Quỹ đạo xe đường trịn (a) (b) Hình 5.18: Quỹ đạo xe ứng với tham số học có giá trị đầu khác 116 Hình a) ứng với: Wai = [1.5; 1.5; 1.5; 1.5; 1.5; 1.5; 1.5] Wbi = [0.5; 0.5; 0.5; 0.5; 0.5; 0.5; 0.5] Hình b) ứng với: Wai = [0.5; 0.5; 0.5; 0.5; 0.5; 0.5; 0.5] Wbi = [0.5; 0.5; 0.5; 0.5; 0.5; 0.5; 0.5] d) Quỹ đạo xe đường thẳng (a) (b) Hình 5.19: Quỹ đạo xe đường thẳng với góc quay -1350 (a) ứng với: Wai = [1.5; 1.5; 1.5; 1.5; 1.5; 1.5; 1.5]; Wbi = [0.5; 0.5; 0.5; 0.5; 0.5; 0.5; 0.5]; (b) ứng với: Wai = [0.5; 0.5; 0.5; 0.5; 0.5; 0.5; 0.5]; Wbi = [0.5; 0.5; 0.5; 0.5; 0.5; 0.5; 0.5]; So sánh hai hình 5.19a 5.19b, quỹ đạo hai trường hợp trạng thái xác lập gần giống Tuy nhiên, quỹ đạo hai trường hợp khác giai đoạn đầu trọng số chưa cập nhật đến giá trị tối ưu 5.4.3 Ảnh hưởng Wb lên hệ Để xem xét ảnh hưởng tham số Wb lên hệ, ta cho tốc độ học Wb = 0, kết thu sau: 117 a) Tốc độ: Hình 5.20: Ảnh hưởng tham số Wb đến tốc độ xe Đường màu vàng đường chuẩn; đường màu hồng ứng với tham số Wa Wb cập nhật; đường màu xanh tương ứng với trường hợp có Wa cập nhật Từ ta thấy Wb ảnh hưởng đến tốc độ đầu xe b) Góc quay: Hình 5.21: Ảnh hưởng Wb lên góc quay xe 118 Hình 5.21 bao gồm hai đường trùng nhau, đường ứng với trường hợp Wa Wb cập nhật, đường lại tương ứng với trường hợp có Wa cập nhật Hai đường gần trùng nhau, vậy, Wb không ảnh hưởng đến góc quay c) Quỹ đạo: (a) (b) Hình 5.22: Ảnh hưởng Wb lên quỹ đạo xe (a) ứng với trường hợp Wa Wb cập nhật trình học (b) ứng với trường hợp có Wa cập nhật trình học Ta thấy quỹ đạo hai trường hợp gần giống d) Kết luận: Trong tất trường hợp, ảnh hưởng của trình cập nhật Wb lên giá trị đầu xe khơng đáng kể, ta cố định Wb tham số học giảm (chỉ Wa) 119 PHẦN 3: KẾT LUẬN VÀ KHUYẾN NGHỊ Việc ứng dụng mạng nơron mờ điều khiển giúp người thiết kế không cần biết mơ hình tốn học cụ thể đối tượng mà có điều khiển tối ưu Mạng nơron mờ có nhiều cấu trúc khác nhau, nội dung đề tài ứng dụng cấu mạng nơron mờ Gaussian Với cấu trúc này, thông số học tương đối ít, việc huấn luyện mạng không phức tạp Mạng nơron không sử dụng mẫu học mà sử dụng phương pháp huấn luyện on-line, có nghĩa trọng số kết nối cập nhật q trình mạng hoạt động, đáp ứng hệ có khoảng thời gian độ Vấn đề cần cải tiến thay huấn luyện on-line huấn luyện off-line, có nghĩa mạng huấn luyện từ mẫu học, trình huấn luyện tìm trọng số kết nối tối ưu gán cho chúng trước hệ thống hoạt động hoạt động Phương pháp khắc phục trạng thái không ổn định hệ thống khoảng thời gian độ ban đầu hệ thống bắt đầu hoạt động 120 TÀI LIỆU THAM KHẢO Tiếng Việt Phan Xuân Minh, Nguyễn Doãn Phước (2004), Lý thuyết điều khiển mờ, Nhà xuất Khoa học Kỹ thuật, Hà Nội Tiếng Anh Li-Xin Wang (1997), A course in fuzzy systems and control, Prentice-Hall International, Inc Chin-Teng Lin and C.S George Lee (1996), Neural Fuzzy Systems, Prentice Hall Hisao Ishibuchi and Manabu Nii (1998), “Fuzzy Logic and Expert Systems Applications”, Fuzzy neural Networks techniques and their applications, p 152, Academic Press Keigo Watanabe and Spyros G Tzafestas (1998), “Fuzzy Logic and Expert Systems Applications”, Mean-value-based functional reasoning techniques in the development of fuzzy-neural network, p 243-282, Academic Press Yie-Chien Chen and Ching-Cheng Teng (1998), “Fuzzy Logic and Expert Systems Applications”, Fuzzy neural network systems and model reference control systems, p 285-312, Academic Press ... Mơ hình xe robot Ta sử dụng nhiều phương pháp điều khiển khác để điều khiển xe robot Tuy nhiên, nội dung đề tài này, phương pháp sử dụng dùng mạng nơron mờ Điều khiển mờ kỹ thuật điều khiển mới,... sở mạng nơron nhân tạo; kết hợp logic mờ mạng nơron - mạng nơron mờ; phương pháp suy luận mờ; cuối phần thiết kế hệ thống điều khiển xe robot mạng nơron mờ Phần 3: trình bày kết luận khuyến nghị... tìm hiểu sở lý thuyết logic mờ, lý thuyết mạng neuron nhân tạo, mạng neuron mờ dựa kết hợp mạng neuron logic mờ cuối thiết kế hệ thống điều khiển xe robot mạng nơron mờ sở mô công cụ MatLab Nội