Hiệu chỉnh đặc tính thang đo của cảm biến sử dụng mạng nơron

Ứng dụng vi xử lý trong xử lý số liệu đo của cảm biến [TL3]

Giá trị đo X tương ứng với giá trị Yx .Kiểm tra giá trị của Yx nằm trong khoảng Yi<Yx<Yi+1 tương ứng với Xi<X<Xi+1. Cảm biến thông minh có thể xử lý thống kê tức là đo với tốc độ nhanh rồi tính giá trị trung bình, tính sai số thống kê của kết quả đo, lưu giữ và truyền lên máy tính cấp trên.

Cấu trúc của cảm biến thông minh

+ Nếu các chuyển đổi là loại chuyển đổi sơ cấp bình thường thì các đầu ra của chúng được đưa vào một vi mạch công nghệ lai, gồm bộ biến đổi chuẩn hoá, MUX, A/D và vi xử lý trong một khối có truyền thông với máy tính và bộ nạp chương trình cho EPROM. Với sự phát triển mạnh mẽ của lĩnh vực mạng nơron nhân tạo, các giải pháp nơron đã được ứng dụng vào nhiều lĩnh vực nhằm thông minh hoá thiết bị như các hệ thống điều khiển, robot, các thiết bị gia dụng, phân loại sản phẩn, các hệ thống nhận dạng, phân tích tài chính v.v.

Ứng dụng mạng nơron trong cảm biến thông minh .1 Khắc độ tự động cảm biến

Hiệu chỉnh đặc tính thang đo của cảm biến MNN

Các cảm biến trong quá trình chế tạo hoặc sau một thời gian sử dụng đều mắc phải sai số hệ thống và sai số ngẫu nhiên, trong đó sai số hệ thống là sai số của phép đo luôn không đổi hoặc thay đổi có quy luật khi đo nhiều lần một đại lượng đo và sai số ngẫu nhiên là thành phần sai số của phép đo thay đổi không theo một quy luật nào cả mà ngẫu nhiên khi lặp lại phép đo nhiều lần một đại lượng duy nhất, có thể hình dung như hình 1.11. Ta có một nhận xét quan trọng là phương pháp tuyến tính hoá đường cong thực tế mắc phải một sai số hồi phục trong khi sử dụng mạng nơron có thể xấp xỉ chính xác hàm chuyển đổi với độ chính xác tuỳ ý mà không phải tuyến tính hoá đường cong thực tế, do đó sẽ giảm được sai số hệ thống và cho độ chính xác cao hơn.

Đề xuất phương pháp sử dụng mạng nơron để giảm sai số ngẫu nhiên và khắc độ bằng hàm nội suy Lagrange

Sau khi đã có mạng nơron được huấn luyện để có đáp ứng gần với giá trị thực nhất thì với một tập đầu vào số liệu đo ngẫu nhiên ta sẽ có giá trị đầu ra của mạng. Từ đó cho phép chúng ta tạo ra được những hệ thống thông minh có thể giải quyết nhiều vấn đề phức tạp trong đo lường, điều khiển tự động, hệ thống chuyên gia, công nghệ robot.v.v.

Nơron sinh vật

Cấu trúc cơ bản của nơron

Mỗi tế bào thần kinh nhận nhiều đầu vào (khoảng 104) qua các dây thần kinh vào (dendrite) và sau vài quá trình xử lý tạo ra một tín hiệu đầu ra truyền dọc theo dây thần kinh ra (axon). Quá trình tạo ra xung thần kinh trong nơron hoặc truyền trên các dây thần kinh ra là do thay đổi sự thẩm thấu của các ion K+ và Na+ trên màng tế bào thần kinh.

Mô hình nơron nhân tạo

Tính chất thứ hai gọi là thời gian hồi phục, là thời gian ngắn nhất cần thiết để tạo hai điện thế hoạt động thành công trên dây thần kinh ra như hình 2.5. Chẳng hạn, kích thích với cường độ cao sẽ thu được thời gian hồi phục nhỏ và thời gian tăng ngắn, do đó tạo ra điện thế hoạt động có tần số cao.

Mạng nơron nhân tạo .1 Cấu trúc mạng nơron

Một số mạng nơron nhân tạo .1 Mạng nơron truyền thẳng

Luật học perceptron được đảm bảo hội tụ đến một lời giải cho phép phân nhóm đúng đắn các mẫu huấn luyện, mạng thu được có thể nhạy với nhiễu vì các mẫu thường nằm ở gần các biên quyết định. Thuật học LMS cực tiểu hóa sai số bình phương trung bình do đó cố gắng dịch chuyển các biên quyết định ra xa các mẫu huấn luyện nhất có thể tránh được ảnh hưởng của nhiễu. Một số kỹ thuật về tối ưu hóa số đã áp dụng thành công cho mạng nơron nhiều lớp là : thuật toán gradient liên hợp và thuật toán Levenberg-Marquardt (LM- một phiên bản khác của phương pháp Newton).

Mạng có khả năng dùng làm bộ nhớ các mẫu lệnh để sau đó gọi lại.Mạng cũng có thể dùng trong hệ nhận dạng các tham số, làm các suy diễn mờ trong điều khiển thông minh, mở ra những lớp bài toán cho nhiều lĩnh vực khác nhau.

Học của mạng nơron

- Mạng tự tổ chức mở ra nhiều khả năng giải quyết các bài toán phức tạp, thông minh gần với tri thức con người nhưng chậm trong xử lý do số lượng tính toán nhiều. Điểm khác nhau là luật học Delta thay đổi các giá trị của trọng trong thời gian học, còn luật học Perceptron thêm hoặc bỏ trọng tuỳ theo giá trị sai số đầu ra là dương hay âm. Học củng cố được thực hiện trên thông tin phản hồi hai trạng thái đúng hoặc sai và tín hiệu mang thông tin phản hồi được gọi là tín hiệu cũng cố cho quá trình học.

Nếu coi cấu trúc mô hình mạng là phần xương thịt, thể xác thì các luật học là phần trí tuệ thông minh của mạng nơron và các công trình nghiên cứu luật học chiếm số lượng lớn nhất trong mấy chục năm qua.

Một số ứng dụng mạng nơron nhân tạo

So với phương pháp sử dụng mạng nơron khác dùng để tổng hợp hệ tuyến tính, phương pháp này có ưu điểm là tự động cả đặt cực và tối thiểu chuẩn mà không cấn huấn luyện trước. Đây là một phương pháp tổng hợp mạng kết hợp với tiêu chuẩn ổn định Liapunov để xác định các hệ số trọng của mạng liên tục cho từng phần tử nơron, mỗi nơron chỉnh một tham số của bộ PD. Trên cơ sở phân tích ưu điểm của mạng nơron RBF là khả năng sinh và diệt nơron tác giả đưa ra nhận định khả năng ứng dụng nó vào quá trình điều khiển thích nghi các hệ thống phi tuyến có cấu trúc thay đổi.

+ Mạng nơron đã dần được ứng dụng vào các lĩnh vực truyền thông như nhận dạng kênh, mô hình hoá kênh, mã hoá và giải mã, hiệu chỉnh kênh, phân tích phổ, lượng tử hoá véc tơ.

Khắc độ tự động thiết bị đo và cảm biến

Sử dụng hàm nội suy Lagrange để khắc độ tự động

Bằng cách tăng số lượng mẫu học và giảm sai số học của mạng ta có thể thu được giá trị đầu ra của mạng với độ chính xác tuỳ ý. Từ các kết quả đầu ra mạng sau khi đã được huấn luyện Xk*,Yk*, có thể tiến hành khắc độ tự động bằng một số phương pháp như phương pháp tuyến tính hóa, phương pháp nội suy Lagrange hoặc sử dụng mạng nơron. Nhận xét: Sử dụng phương pháp nội suy Lagrange để xây dựng đường đặc tính mắc phải sai số tương đối nhỏ (trong ví dụ này sai số tương đối mắc phải là 0.006 %).

Từ các giá trị đã được xử lý để giảm sai số ngẫu nhiên bằng mạng nơron, có thể dùng hàm nội suy Lagrange để tiến hành khắc độ đường đặc tính của cảm biến đạt độ chính xác cao.

Khắc độ tự động bằng mạng nơron

Mạng nơron để khắc độ tự động cảm biến có thể được huấn luyện lại để hiệu chỉnh đường đặc tính trong trường hợp sai số hệ thống vượt quá giới hạn cho phép. Khi cảm biến có sai số hệ thống vượt quá giới hạn cho phép, mạng nơron cần được huấn luyện lại để thực hiện việc bù sai số bằng cách xấp xỉ theo đường đặc tính thực tế x=fs(y). Nhận xét : Mạng nơron đã thiết kế để khắc độ tự động đặc tính của cảm biến, dựa trên các giá trị lấy mẫu đã qua xử lý giảm sai số ngẫu nhiên, cho phép đạt độ chính xác cao.

Như vậy việc sử dụng phương pháp nội suy Lagrange để khắc độ tự động đặc tính của thiết bị đo và cảm biến, dựa trên các giá trị lấy mẫu đã được xử lý giảm sai số ngẫu nhiên bằng mạng nơron, cho độ chính xác cao.

Hiệu chỉnh đặc tính thang đo của cảm biến sử dụng mạng nơron Xét bài toán thực tế

Luận văn đã trình bày tổng quan các phương pháp khắc độ thiết bị đo và cảm biến bao gồm khắc độ dụng cụ đo tương tự, khắc độ dụng cụ đo có sử dụng vi xử lý hoặc máy tính và khắc độ chuyển đổi đo lường sơ cấp. Phần lý thuyết cơ sở của mạng nơron đã trình bày những hiểu biết về nơron sinh học đến khái niệm mạng nơron nhân tạo, nêu ra những mạng nơron nhân tạo với các thuật học làm cơ sở cho các nghiên cứu ứng dụng mạng nơron trong việc chế tạo cảm biến thông minh. Hướng nghiên cứu tiếp theo từ cơ sở những nghiên cứu của luận văn này là ứng dụng mạng nơron để giảm đồng thời sai số ngẫu nhiên và sai số hệ thống của cảm biến và ứng dụng vào việc chế tạo cảm biến và thiết bị đo với độ chính xác cao.

Trong đó mạng nơron dùng để xử lý số liệu giảm sai số ngẫu nhiên đã được nghiên cứu ở chương 3 là mạng truyền thẳng, có hai lớp với lớp vào sử dụng hàm truyền sigmoid lưỡng cực và lớp ra sử dụng hàm truyền tuyến tính.