Mạng nơron lai đánh giá ổn định động hệ thống điện

Mạng nơron lai đánh giá ổn định động hệ thống điện Mạng nơron lai đánh giá ổn định động hệ thống điện Mạng nơron lai đánh giá ổn định động hệ thống điện Mạng nơron lai đánh giá ổn định động hệ thống điện Mạng nơron lai đánh giá ổn định động hệ thống điện Mạng nơron lai đánh giá ổn định động hệ thống điện

Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh TÓM TẮT LUẬN VĂN Hệ thống điện (HTĐ) sở hạ tầng quan trọng, hỗ trợ thúc đẩy ngành kinh tế khác phát triển Trong năm gần đây, phát triển nhảy vọt công suất quy mô lảnh thổ HTĐ Việt Nam làm HTĐ trở nên phức tạp, tăng trưởng phụ tải nhanh nguồn điện hạn chế khiến HTĐ bị áp lực vận hành với điều kiện cận biên ổn định, điều dẫn đến ổn định HTĐ lớn Hiện nay, việc đánh giá ổn định động cho HTĐ phức tạp thực vấn đề khó khăn Các phương pháp nhận dạng ổn định truyền thống phức tạp nhiều thời gian gây nên chậm trễ việc định, nên cần đề xuất giải pháp chuẩn đoán, nhận dạng ổn định nhanh xác, đảm bảo cho HTĐ vận hành an toàn, tin cậy Để giải vấn đề khó khăn trên, luận văn tập trung nghiên cứu phương pháp nhận dạng nhanh ổn định động hệ thống điện có độ xác cao dựa kỹ thuật mạng nơron nhân tạo ANN (Artificial Nơron Network) Bộ nhận dạng sử dụng ma ̣ng nơron hồi quy tổng quát GRNN (Generalized Regression Nơron Network) Luận văn xây dựng mơ hình mạng nơrơn lai, kết hợp mạng nơron đơn cho kết nhận dạng cao mơ hình mạng nơron đơn Mạng nơron đề xuất xây dựng gồm bảy mạng nơron đơn với biến ngõ vào, tổng hợp đầu Kết tính tốn dựa luật bình bầu theo luật số đông Kết kiểm tra sơ đồ IEEE 10-máy 39-bus mồ hình đề xuất, cho thấy nhận dạng GRNN với phương pháp chọn biến Relief, áp dụng cho mẫu phân cụm Kmean (1100 mẫu) trình huấn luyện kết hợp Mơ hình cho độ xác nhận dạng đạt 97,75%, tăng 0,32% so với nhận dạng đơn HVTH: Đoàn Văn Phúc Trang v Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh ABSTRACT Power system is one of the most important infrastructures holding significant roles in supporting the development of the other economic fields In the recent years, power system becomes more complicated based on the development of the economic scale, increasing load so quickly while the new power source still has limitation This has put the system under operation pressure with margin stability, this undefined the HTĐ is extremely large Currently, working range of a stable rate for the HTĐ complications problems are difficult to problem The traditional solution of an alternative format is too much lost many time and cause you are slow in decision to determine, should be expected the normalization, fixed format fast and precision, đảm bảo cho The operators are an all, reliable In order to solve the above problems, this thesis focuses on the method of rapid identification of highly dynamic high-precision electromechanical systems based on artificial neural network (ANN) technique The identifier used is the generalized regression neural network (GRNN) The thesis built a hybrid neural network model, combining neural networks for higher recognition results than single neural network models The proposed neural network consists of seven single neurons with the same input variable, the synthesized output The results of the calculation are based on the law of mass vote The test results on the proposed planar 39-bus IEEE 10-plane show that the GRNN identifier with the Relief variable selection method applied to the Kmean clustering prototype (1100 samples) in the training process combined This pattern recognition accuracy reached 97,75%, 0,32% higher compared to the single application of neural networks HVTH: Đoàn Văn Phúc Trang vi Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh MỤC LỤC TRANG QUYẾT ĐỊNH GIAO ĐỀ TÀI PHIẾU NHẬN XÉT LUẬN VĂN THẠC SỸ BIÊN BẢN CHẤM LUẬN VĂN TỐT NGHIỆP THẠC SỸ LÝ LỊCH KHOA HỌC i LỜI CAM ĐOAN iii LỜI CẢM TẠ iv TÓM TẮT LUẬN VĂN .v MỤC LỤC vii DANH SÁCH CÁC CHỮ VIẾT TẮT/ KÝ HIỆU KHOA HỌC xii DANH SÁCH CÁC HÌNH xi DANH SÁCH CÁC BẢNG xi CHƯƠNG TỔNG QUAN .1 1.1 Tổng quan lĩnh vực nghiên cứu .1 1.2 Tính cấp thiết đề tài .3 1.3 Mục tiêu nhiệm vụ luận văn .4 1.3.1 Mục tiêu luận văn .4 1.3.2 Nhiệm vụ luận văn 1.4 Phạm vi nghiên cứu 1.5 Phương pháp nghiên cứu 1.6 Điểm luận văn 1.7 Ý nghĩa khoa học giá trị thực tiễn luận văn CHƯƠNG ỔN ĐỊNH HỆ THỐNG ĐIỆN 2.1 Chế độ làm việc 2.1.1 Các chế độ làm việc 2.1.2 Định nghĩa ổn định hệ thống điện .7 2.1.2.1 Ổn định tĩnh HVTH: Đoàn Văn Phúc Trang vii Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh 2.1.2.2 Ổn định động 10 2.2 Phân tích ổn định 15 2.2.1 Phương trình dao động 15 2.2.2 Mơ hình đơn giản hóa máy phát hệ thống tương đương 18 2.2.3 Tiêu chí cân diện tích .20 2.2.4 Ổn định hệ nhiều máy .22 2.3 Đánh giá ổn định hệ thống điện 25 2.4 Kết luận chương 26 CHƯƠNG TỔNG QUAN VỀ MẠNG NƠRON TRONG ĐÁNH GIÁ ỔN ĐỊNH HỆ THỐNG ĐIỆN 27 3.1 Giới thiệu tổng quát mạng nơron nhân tạo 28 3.1.2 Mơ hình nơron nhân tạo 29 3.1.2.1 Ký hiệu rút gọn 30 3.1.2.2 Hàm chuyển mạng nơron 30 3.2 Phân loại cấu trúc mơ hình mạng nơron 32 3.3 Lý thuyết mạng nơron lai 32 3.3.1 Mạng Perceptron .32 3.3.2 Mạng Hàm truyền xuyên tâm 33 3.3.2.1 Mạng hồi quy tổng quát .35 3.3.2.2 Mạng nơron xác suất 36 3.3.3 Luật đầu phân loại 39 3.3.4 Thuật toán lan truyền ngược 40 3.3.5 Mạng nơron lai 42 3.3.5.1 Mạng nơron dựa nơron kết hợp 42 3.3.5.2 Bộ tổng hợp luật bình bầu theo số đơng 44 3.4 Huấn luyện đánh giá mơ hình nhận dạng 45 3.5 Nhận dạng phương pháp tiếp cận 45 3.6 Thuật toán huấn luyện Levenberg - Marquardt (trianlm 45 3.7 Mơ hình nhận dạng 47 HVTH: Đoàn Văn Phúc Trang viii Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh 3.8 Kết luận chương 48 CHƯƠNG XÂY DỤNG MẠNG NƠRON ĐÁNH GIÁ ỔN ĐỊNH HỆ THỐNG ĐIỆN 49 4.1 Mạng nơron đánh giá ổn định hệ thống điện .49 4.2 Tạo sở liệu ổn định động 49 4.3 Chuẩn hóa liệu 50 4.4 Lựa chọn biến đặc trưng 51 4.4.1 Khái niệm 51 4.4.2.Quy trình lựa chọn biến đặc trưng 51 4.5 Phân cụm liệu 56 4.5 Giới thiệu phân cụm liệu 56 4.5 Định nghĩa phân cụm liệu 57 4.5 Phương pháp phân cụm liệu Kmeans .57 4.5 Các bước thuật toán Kmean 59 4.5 Hàm Kmeans phần mềm Matlab 60 4.6 Quy trình rút gọn liệu 60 4.7 Mơ hình mạng Nơron lai nhận dạng ổn định động hệ thống điện .62 4.8 Kết luận chương 64 CHƯƠNG MẠNG NƠRON LAI ĐÁNH GIÁ ỔN ĐỊNH ĐỘNG HỆ THỐNG ĐIỆN IEEE 10 – MÁY 39 – BUS NEW ENLAND 65 5.1 Sơ đồ hệ thống điện IEEE 10 máy 39 – bus New England .65 5.2 Mơ hình mạng nơron lại nhận dạng ổn định hệ thống điện .66 5.3 Dữ liệu đầu vào 66 5.4 Đánh giá mơ hình đề nghị 66 5.4.1 Mạng nơron đơn 66 5.4.1.1 Cấu hình mạng nơron đơn 66 5.4.1.2 Kết huấn luyện kiểm tra 67 5.4.1.3 Nhận xét .68 5.4.2 Mạng nơron lai 68 HVTH: Đoàn Văn Phúc Trang ix Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh 5.4.2.1 Cấu hình mạng nơron lai 68 5.4.2.2 Kết huấn luyện kiểm tra 69 5.5.Nhận xét 70 5.5 Kết luận chương 70 CHƯƠNG KẾT LUẬN VÀ HƯỚNG NGHIÊN CỨU PHÁT TRIỂN 71 6.1 Kết luận 71 6.2 Hướng nghiên cứu phát triển 71 TÀI LIỆU THAM KHẢO 72 PHỤ LỤC 75 HVTH: Đoàn Văn Phúc Trang x Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh DANH SÁCH CHỮ VIẾT TẮT/KÝ HIỆU KHOA HỌC ANN (Artificial Nơron Network) BPLNN (Backpropagation Learning Nơron Network) CCT (Critical Clearing Time) CNN (Committee Nơron Network) FCT (Fault Clearing Time) GRNN (Generalized Regression Nơron Network) HTĐ (Hệ thống điện) IEEE (Institute of Electrical and Electronics Engnineers) MLFNN (Multilayer Feedforward Nơron Network) MLPNN (Multilayer Perceptron Nơron Network) PNN (Probabilistic Nơron Network) RBFN (Radial Basis Function Network) HVTH: Đoàn Văn Phúc Trang xi Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh DANH SÁCH CÁC HÌNH HÌNH TRANG Hình 2.1: Sơ đồ HTĐ đơn giản Hình 2.2: Đặc tính cơng suất máy phát đặc tính cơng suất Tuabin Hình 2.3: Đặc tính cơng suất 10 Hình 2.4: Sơ đồ thay HTĐ đơn giản 11 Hình 2.5: Sơ đồ đặc tính cơng suất điện sơ đồ thay ngắn mạch đường dây 12 Hình 2.6: Sơ đồ đặc tính cơng suất điện sơ đồ thay sau ngắn mạch 13 Hình 2.7: Ổn định góc Roto chế độ độ hệ thống điện 14 Hình 2.8: Đặc tính đường cong góc cơng suất 17 Hình 2.9: Sơ đồ máy phát kết nối với vô hạn 18 Hình 2.10: Mơ hình đơn giản hóa máy điện đồng cho nghiên cứu ổn định độ 18 Hình 2.11: Máy phát điện đồng kết nối với hệ thống tương đương 19 Hình 2.12: Đặc tính cơng suất tổ máy phát 20 Hình 2.13: Hệ thống điện N nút dùng cho nghiên cứu ổn định q độ 22 Hình 3.1: Mơ hình nơron sinh học 28 Hình 3.2: Mơ hình nơron nhân tạo 29 Hình 3.3: Mơ hình nơron với ký hiệu rút gọn 30 Hình 3.4: Hàm chuyển đổi log-sigmoid 31 Hình 3.5: Hàm chuyển đổi tan-sigmoid 31 HVTH: Đoàn Văn Phúc Trang xii Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh Hình 3.6: Hàm chuyển đổi linear 31 Hình 3.7: Hàm chuyển đổi radial basis 31 Hình 3.8: Cấu trúc lớp mạng Perceptron 32 Hình 3.9: Mạng hàm truyền xuyên tâm 34 Hình 3.10: Mạng hồi quy tổng quát 35 Hình 3.11: Mạng nơron xác suất 37 Hình 3.12: Mạng lan truyền lớp 41 Hình 3.13: Phân lớp kết hợp phân lớp đơn 43 Hình 3.14: Mơ hình mạng nơron 43 Hình 3.15: Mơ hình nhận dạng ANN 47 Hình 4.1: Quy trình lựa chọn biến đặc trưng 52 Hình 4.2: Mô tả giải thuật relief 55 Hình 4.3: Mơ tả giải thuật Kmean 58 Hình 4.4: Sử dụng Kmean để phân cụm liệu 59 Hình 4.5: Phương pháp kết hợp để chọn số tâm cụm liệu 61 Hình 4.6: Bộ nhận dạng kết hợp 62 Hình 4.7: Mơ hình mạng nơron lai 63 Hình 5.1: Sơ đồ HTĐ IEEE 10-máy 39-bus New England 65 Hình 5.2: Giao diện huấn luyện mạng nơron GRNN 67 Hình 5.3: Đồ thị biểu diển mối quan hệ độ xác nhận dạng số mạng nơron GRNN song song 69 Hình 5.4: Mơ hình mạng nơron lai với số nơron 70 HVTH: Đoàn Văn Phúc Trang xiii Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh DANH SÁCH CÁC BẢNG BẢNG TRANG Bảng 5.1: Dữ liệu đầu vào quy trình 66 Bảng 5.2: Kết độ xác nhận dạng sau lần huấn luyện mạng GRNN 68 HVTH: Đoàn Văn Phúc Trang xiv Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh Phụ lục 1: Chương trình chuẩn hóa liệu phân chia tập liệu thành tập huấn luyện kiểm tra close all; clc; clear all; load(C:\ProgramFiles\MATLAB\R2010b\bin\PHUC\2400OD_800KOD\SKOD_800'); load(C:\ProgramFiles\MATLAB\R2010b\bin\PHUC\2400OD_800KOD\SOD_2400'); % U=[SKOD_800]; % tập liệu không ổn định S=[SOD_2400]; % tập liệu ổn định S=S'; U=U'; [SS,UU]=chuanhoastd(S,U); [ms,ns]=size(SS); rr=randperm(ns,ns); SSrand=[];ks=0; for i=1:(ns); ks=rr(i); [SSrand]=[SSrand SS(:,ks)]; end [mu,nu]=size(UU); rru=randperm(nu,nu); UUrand=[];ku=0; for i=1:(nu); ku=rru(i); [UUrand]=[UUrand UU(:,ku)]; end k=10;z=0; for i=1:k; z=z+1; sx=[];S=[]; U=[];sy=[]; for j=1: round(ns/k); sx=[sx j]; S=[S SSrand(:,j)]; end for j=1:round(nu/k); sy=[sy j]; U=[U UUrand(:,j)]; end if z==i; testS=S; testU=U; SSrand(:,[sx])=[]; UUrand(:,[sy])=[]; learnS=SSrand; learnU=UUrand; end inputStrain{z}=learnS; HVTH: Đoàn Văn Phúc Trang 82 Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh inputUtrain{z}=learnU; inputtestS{z}=testS; inputtestU{z}=testU; inputtrain.inputtrainS=inputStrain; inputtrain.inputtrainU=inputUtrain; inputtest.inputtestS=inputtestS; inputtest.inputtestU=inputtestU; SSrand=[SSrand S]; UUrand=[UUrand U]; end save('C:\ProgramFiles\MATLAB\R2010b\bin\PHUC\inputtrain'); save('C:\ProgramFiles\MATLAB\R2010b\bin\PHUC\inputtest'); save('C:\ProgramFiles\MATLAB\R2010b\bin\PHUC\SS'); save('C:\ProgramFiles\MATLAB\R2010b\bin\PHUC\UU'); Phụ lục 2: Chương trình tính trọng số Relief vẽ đồ thị xếp hạng biến đặc trưng close all; clc; clear all; load(' C:\ProgramFiles\MATLAB\R2010b\bin\PHUC\SS'); load(' C:\ProgramFiles\MATLAB\R2010b\bin\PHUC\UU'); X=[SS';UU']; [m,n]=size(SS'); [p,q]=size(UU'); Y=[ones(m,1); zeros(p,1)]; [relief_RANKEDf,relief_WEIGHTf] = relieff(X,Y,10); [E_relief_RANKEDf order_relief_WEIGHTf] = sort(relief_WEIGHTf,'descend'); tElapserelieff = toc(tStart); % -sobien = 1:1:104; x=E_relief_RANKEDf; y=sobien; box off plot(y,x,'b-','linewidth',1.5) % xếp hạng theo trọng số Relief hold on hold on grid on xlabel('Feature') ylabel('Relief Weight') % save('C:\ProgramFiles\MATLAB\R2010b\bin\PHUC\relief_RANKEDf'); save('C:\ProgramFiles\MATLAB\R2010b\bin\PHUC\tElapserelieff'); save('C:\ProgramFiles\MATLAB\R2010b\bin\PHUC\relief_WEIGHTf'); save('C:\ProgramFiles\MATLAB\R2010b\bin\PHUC\order_relief_WEIGHTf'); HVTH: Đoàn Văn Phúc Trang 83 Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh Phụ lục 3: Chương trình phân cụm Kmeans với phương pháp lựa chọn biến Relief clear all; clc; close all; load('C:\ProgramFiles\MATLAB\R2010b\bin\PHUC\order_relief_WEIGHTf'); load('C:\ProgramFiles\MATLAB\R2010b\bin\PHUC\SS'); load('C:\ProgramFiles\MATLAB\R2010b\bin\PHUC\UU'); %===================================== d=15; % so bien duoc chon index= order_relief_WEIGHTf(:,1:d); %===================================== xtrainS=SS(index,:); xtrainU=UU(index,:); X.xtrainS=xtrainS; X.xtrainU=xtrainU; [nS,mS]=size(xtrainS); [nU,mU]=size(xtrainU); z=0; for k=300:100:1700 k z=z+1; [IDXlearnS,ClearnS] = kmeans(xtrainS',k); X.kmeanS{z}=ClearnS; IDX.ClearnS{z}=IDXlearnS; IDXlearnS=[]; ClearnS=[]; end z=0; for k=300:100:700 k z=z+1; [IDXlearnU,ClearnU] = kmeans(xtrainU',k); X.kmeanU{z}=ClearnU; IDX.ClearnU{z}=IDXlearnU; IDXlearnU=[]; ClearnU=[]; end X_Relief_Kmean=X; IDX_Relief_Kmean=IDX; save('C:\ProgramFiles\MATLAB\R2010b\bin\PHUC\X_Relief_Kmean'); save('C:\ProgramFiles\MATLAB\R2010b\bin\PHUC\IDX_Relief_Kmean'); HVTH: Đoàn Văn Phúc Trang 84 Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh Phụ lục 4: Chương trình đánh giá độ xác nhận dạng sử dụng GRNN với mẫu phân cụm Kmeans lựa chọn biến Relief clear all; clc; close all; load('C:\ProgramFiles\MATLAB\R2010b\bin\PHUC\order_relief_WEIGHTf'); load('C:\ProgramFiles\MATLAB\R2010b\bin\PHUC\SS'); load('C:\ProgramFiles\MATLAB\R2010b\bin\PHUC\UU'); load('C:\ProgramFiles\MATLAB\R2010b\bin\PHUC\X_Relief_Kmean'); %==================================== d=15; % so bien duoc chon index= order_relief_WEIGHTf(:,1:d); %==================================== [nS,mS]=size(X.xtrainS); [nU,mU]=size(X.xtrainU); [knS,kmS]=size(X.kmeanS); [knU,kmU]=size(X.kmeanU); % mẫu kiểm tra========================== xtestS=X.xtrainS; xtestU=X.xtrainU; %==================================== z=0; for k1=1:kmU z=z+1; for k2=1:kmS % vị trí chọn mẫu kmeans xU=X.kmeanU{k1}; xS=X.kmeanS{k2}; [mxU,nxU]=size(xU); [mxS,nxS]=size(xS); t=[ones(1,mxS) zeros(1,mxU)]; %========================= x=[xS;xU]'; spread=0.1; tStart=tic; net = newgrnn(x,t,spread); %training newgrnn %===================================== ketqua_mang{z}=net; tElapsed = toc(tStart); %===================================== rex=round(net(x)); rexS=rex(1:mxS); rexU=rex((mxS+1):end); HVTH: Đoàn Văn Phúc Trang 85 Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh correct_training = 100*[length(find(rexS==1))+ length(find(rexU==0))]/(mxS+mxU); %===================================== ts=round(net(xtestS)); tu=round(net(xtestU)); correct_testing = 100*[length(find(ts==1))+ length(find(tu==0))]/(mS+mU) ketquatrain(k1,k2)=[correct_training]; ketquatest(k1,k2)=[correct_testing]; ketquatime(k1,k2)=[tElapsed]; end correct_training=[];correct_testing=[]; end [a,b]=max(ketquatest); [c,d]=max(a); index=b(d); ketquamax=ketquatest(index,d) k1=index; k2=d; xU=X.kmeanU{k1}; xS=X.kmeanS{k2}; [p,q]=size(xS); [h,r]=size(xU); ti_le_rut_S=p/mS ti_le_rut_U=h/mU NNtrain_Relief_Kmean=ketquatrain; NNtest_Relief_Kmean=ketquatest; NNtime_Relief_Kmean=ketquatime; save('C:\ProgramFiles\MATLAB\R2010b\bin\PHUC\kqGRNNtrain_Relief_Kmean'); save('C:\ProgramFiles\MATLAB\R2010b\bin\PHUC\kqGRNN _Relief_Kmean'); save('C:\ProgramFiles\MATLAB\R2010b\bin\PHUC\kqGRNN _Relief_Kmean'); Phụ lục 5: Chương trình phân cụm Kmeans với mẫu tối ưu Data(800,300) clear all; clc; close all; load('C:\ProgramFiles\MATLAB\R2010b\bin\PHUC\order_relief_WEIGHTf'); load('C:\ProgramFiles\MATLAB\R2010b\bin\PHUC\SS'); load('C:\ProgramFiles\MATLAB\R2010b\bin\PHUC\UU'); %====================================== d=15; % so bien duoc chon index= order_relief_WEIGHTf(:,1:d); %====================================== xtrainS=SS(index,:); xtrainU=UU(index,:); X.xtrainS=xtrainS; HVTH: Đoàn Văn Phúc Trang 86 Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh X.xtrainU=xtrainU; [nS,mS]=size(xtrainS); [nU,mU]=size(xtrainU); z=0; for k=800 k z=z+1; [IDXlearnS,ClearnS] = kmeans(xtrainS',k); X.kmeanS{z}=ClearnS; IDX.ClearnS{z}=IDXlearnS; IDXlearnS=[]; ClearnS=[]; end z=0; k=[]; for k=300 k z=z+1; [IDXlearnU,ClearnU] = kmeans(xtrainU',k); X.kmeanU{z}=ClearnU; IDX.ClearnU{z}=IDXlearnU; IDXlearnU=[]; ClearnU=[]; end X1=X; IDX_Relief_Kmean=IDX; save('C:\ProgramFiles\MATLAB\R2010b\bin\PHUC\X1'); save('C:\ProgramFiles\MATLAB\R2010b\bin\PHUC\IDX_Relief_Kmean1'); Phụ lục 6: Chương trình đánh giá độ xác nhận dạng sử dụng GRNN với mẫu phân cụm Kmeans lựa chọn biến Relief mẫu Data(800, 300) clear all; clc; close all; load('C:\ProgramFiles\MATLAB\R2010b\bin\PHUC\SS'); load('C:\ProgramFiles\MATLAB\R2010b\bin\PHUC\UU'); load('C:\ProgramFiles\MATLAB\R2010b\bin\PHUC\X1'); %=============================================================== [nS,mS]=size(X1.xtrainS); [nU,mU]=size(X1.xtrainU); [knS,kmS]=size(X1.kmeanS); [knU,kmU]=size(X1.kmeanU); %===mau kiem tra======================== xtestS=X1.xtrainS; xtestU=X1.xtrainU; %==================================== HVTH: Đoàn Văn Phúc Trang 87 Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh z=0; % vi tri chon so mau cua kmeans xU=X1.kmeanU{1,1}; xS=X1.kmeanS{1,1}; [mxU,nxU]=size(xU); [mxS,nxS]=size(xS); t=[ones(1,mxS) zeros(1,mxU)]; %==================================== x=[xS;xU]'; spread=0.1; tStart=tic; net = newgrnn(x,t,spread); %training newgrnn %==================================== ketqua_mang=net; tElapsed = toc(tStart); %view (net); %==================================== rex=round(net(x)); rexS=rex(1:mxS); rexU=rex((mxS+1):end); correct_training = 100*[length(find(rexS==1))+ length(find(rexU==0))]/(mxS+mxU); %==================================== ts=round(net(xtestS)); tu=round(net(xtestU)); ketqua1.ts=ts; ketqua1.tu=tu; correct_testing = 100*[length(find(ts==1))+ length(find(tu==0))]/(mS+mU) ketquatrain=[correct_training]; ketquatest=[correct_testing]; ketquatime=[tElapsed]; correct_training=[];correct_testing=[]; [a,b]=max(ketquatest); [c,d]=max(a); index=b(d); [p,q]=size(xS); [h,r]=size(xU); ti_le_rut_S=p/mS; ti_le_rut_U=h/mU; NNtrain_Relief_KmeanONLINE=ketquatrain; NNtest_Relief_KmeanONLINE=ketquatest; NNtime_Relief_KmeanONLINE=ketquatime; HVTH: Đoàn Văn Phúc Trang 88 Luận văn thạc sĩ GVHD: PGS.TS Quyền Huy Ánh save('C:\ProgramFiles\MATLAB\R2010b\bin\PHUC\kqtrain_Relief_Kmean1'); save('C:\ProgramFiles\MATLAB\R2010b\bin\PHUC\kqtime_Relief_Kmean1'); save('C:\ProgramFiles\MATLAB\R2010b\bin\PHUC\ketqua1'); Phụ lục 7: Chương trình đánh giá độ xác nhận dạng sử dụng mạng GRNN kết hợp với ba mạng GRNN đơn theo luật bình bầu clear all; clc; close all; load('C:\ProgramFiles\MATLAB\R2010b\bin\PHUC\ketqua1'); load('C:\ProgramFiles\MATLAB\R2010b\bin\PHUC\ketqua2'); load('C:\ProgramFiles\MATLAB\R2010b\bin\PHUC\ketqua3'); %======================================= kqs=[ketqua1.ts;ketqua2.ts;ketqua3.ts]; kqsums=sum(kqs); kqu=[ketqua1.tu;ketqua2.tu;ketqua3.tu]; kqsumu=sum(kqu); a=length(find(kqsums>1)); b=length(find(kqsumu