Ứng dụng mạng nơ ron truyền thẳng nhiều lớp trong nhận dạng vị trí rô bốt

LỊCH SỬ PHÁT TRIỂN CỦA MẠNG NƠ RON NHÂN TẠO

Năm 1969, Minsky và Papert phân tích sự đỳng đắn của Perception, họ đó chứng minh cỏc tớnh chất và chỉ rừ cỏc giới hạn của một số mô hình. Năm 1976, Grossberg dựa vào tính chất sinh học đã đưa ra một số cấu trúc của hệ động học phi tuyến với các tính chất mới.

CÁC TÍNH CHẤT CỦA MẠNG NƠ RON NHÂN TẠO

Là hệ xử lý song song: Mạng nơ ron có cấu trúc song song, do đó có độ tính toán rất cao rất phù hợp với lĩnh vực nhận dạng và điều khiển. Là hệ học và thích nghi: Mạng được luyện từ các số liệu quá khứ và có khả năng tự chỉnh khi số liệu đầu vào bị mất, có thể điều khiển on- line.

MÔ HÌNH NƠ RON .1.Mô hình nơ ron sinh học

Mạng nơ ron truyền thẳng

Mạng nhiều lớp rất mạnh, ví dụ có mạng 2 lớp, trong đó lớp 1 có hàm chuyển sigmoid, lớp 2 có hàm chuyển linear có thể được huấn luyện để làm xấp xỉ một hàm bất kỳ (với số điểm gián đoạn có hạn chế). Mạng liên kết hai chiều (BAM) là mạng thuộc nhóm mạng nơ ron hồi quy hai lớp nơ ron liên kết tay đôi, trong đó đảm bảo nơ ron của cùng một lớp không liên kết với nhau, cũng hội tụ về trạng thái ổn định. Mạng nơ ron hồi quy có khả năng về nhận mẫu, nhận dạng các hàm phi tuyến, dự báo … Một ưu điểm khác của mạng nơ ron hồi quy là chỉ cần mạng nhỏ hơn về cấu trúc cũng có khả năng như mạng truyền thẳng có cấu trúc lớp hơn.

Cấu trúc của mạng hồi quy không hoàn toàn phần lớn là cấu trúc truyền thẳng nhưng có cả sự lựa chọn cho một bộ phận có cấu trúc hồi quy.Trong nhiều trường hợp, trọng số của cấu trúc hồi quy được duy trì không đổi, như vậy luật học truyền ngược có thể dễ dàng được sử dụng.

QUÁ TRÌNH HUẤN LUYỆN MẠNG NHIỀU LỚP

Ở đây có nhiều thuật toán khả quan sử dụng các biến thể của giải thuật lan truyền ngược, trong đó các đạo hàm được xử lý từ lớp cối cùng đến lớp đầu tiên của mạng được tính theo công thức (1.37),(1.38). Chúng ta đã biết mạng nhiều lớp có khả năng làm xấp xỉ gần đúng các hàm bất kỳ, nhưng chúng ta chưa đề cập đến vấn đề tính chọn số nơ ron và số lớp cần thiết để đạt được một độ chính xác nhất định nào đó, chúng ta chưa đề cập đến vấn đề huấn luyện theo dữ liệu mẫu phải được chọn như thế nào. Trên hình vẽ cho biết : Hàm biên g( ) (có nét đậm), Giá trị đích của quá trình học là tq (các vòng tròn ), đáp ứng đầu ra thực tương ứng vớp các đầu vào là aq (vòng tròn nhỏ có gạch chéo bên trong) và đáp ứng toàn bộ của quá trình huấn luyện là đường nét mảnh.

Vấn đề thứ hai ở đây là trong quá trình huấn luyện không nhận giá trị p< 0, nên các nơ ron( bao gồm cả dữ lệu cơ sở và các phương pháp xấp xỉ ) không thể đáp ứng được yêu cầu ngoại suy chính xác.

SO SÁNH KHẢ NĂNG CỦA MẠNG NƠ RON VỚI MẠCH LOGIC

- Là hệ học và thích nghi, mạng được luyện từ số liệu quá khứ, có khả năng tự chỉnh khi số liệu đầu vào bị mất. - Là hệ nhiều biến, có nhiều đầu vào / ra (MIMO) rất tiện dùng khi điều khiển đối tượng có nhiều biến số. - Có khả năng học và làm xấp xỉ các hàm toán học bất kỳ với độ chính xác tùy ý.

2.So sánh mạng nơ ron truyền thẳng nhiều lớp với mạng nơ ron hồi quy nhiều lớp ta thấy mạng nơ ron truyền thẳng nhiều lớp đơn giản hơn vì mạng nơ ron hồi quy nhiều lớp có thêm các liên kết phản hồi.

CÁC PHƯƠNG PHÁP ỨNG DỤNG MẠNG NƠ RON TRONG NHẬN DẠNG VÀ ĐIỀU KHIỂN

CÁC PHƯƠNG ỨNG DỤNG MẠNG NƠ RON TRONG NHẬN DẠNG

Số lớp, số lượng nơ ron ở các lớp cũng như các mối liên kết giữa các nơ ron của mỗi lớp với nhau trong mạng nơ ron nhận dạng được chọn cần phù hợp với độ chính xác và đặc tính vào- ra của hàm phi tuyến tương ứng của đối tượng đã cho. Tín hiệu ra của đối tượng yp là tín hiệu vào của mạng nơ ron, tín hiệu này so sánh với tín hiệu đặt ở đầu vào, sai lệch e được sử dụng làm tín hiệu luyện mạng nơ ron, đầu ra của mạng là đầu vào của hệ thống. Lợi ích của mô hình hệ thống thuận là ta có thể tính toán khá dễ dàng đạo hàm của đầu ra theo mô hình của đầu vào dựa trên quá trình lan truyền ngược(tính toán chuyển đổi của ma trận Jacobi của mạng tại vector đầu vào hiện thời).

Kết quả là sai số giữa đầu ra thực và đầu ra mong muốn của hệ thống được lan truyền ngược lại qua mô hình thuận sinh ra sai số của tín hiệu điều khiển, sai số này có thể để dạy cho một mạng khác làm chức năng điều khiển.

CÁC PHƯƠNG PHÁP ỨNG DỤNG MẠNG NƠRON TRONG ĐIỀU KHIỂN

Bộ điều khiển bao gồm có hai mạng nơ ron [SuBa 98], mạng thứ nhất hoạt động như bộ điều khiển ngược và được gọi là mạng hành vi, mạng thứ hai được gọi là mạng tự chỉnh dự báo diễn biến tương lai của hệ thống. Phương pháp kỹ thuật điều khiển tuyến tính hoá thích nghi dùng mạng nơ ron hồi quy cho ra một bộ điều khiển với hai thành phần: Thành phần thứ nhất khử độ phi tuyến đầu ra của thiết bị, thành phần thứ hai là một trạng thái tuyến tính của bộ điều khiển hồi quy. Có nhiều phương pháp ứng dụng mạng nơron để nhận dạng đối tượng, trong đó nổi bật là hai phương pháp nhận dạng on-line và nhận dạng off-line.Trong hai phương pháp trên thì phương pháp nhận dạng off-line có nhiều ưu điểm; nó có thể sử dụng đồng thời tất cả các dữ liệu.

Qua phân tích ở các phần trên, ta thấy mạng nơ ron truyền thẳng nhiều lớp có nhiều ưu điểm; có cấu trúc đơn giản, có thuật toán học lan truyền ngược rất nổi tiếng được sử dụng nhiều trong các lĩnh vực nhận dạng và điều khiển các đối tượng phi tuyến.

Ứng dụng mạng nơ ron truyền thẳng nhiều lớp nhận dạng vị trí rô bốt hai khâu

(3.13) Giá trị của sai lệch này được sử dụng để thay đổi thông số và cấu trúc của bộ điều khiển từ đó tạo ra tín hiệu điều chỉnh ui sao cho vị trí khâu i của rô bốt bám theo được vị trí tương ứng của mô hình mẫu với sai số đạt yêu cầu. Nếu thoả mãn (3.22) mô hình nhận dạng đã thoả mãn yêu cầu, ghi lại thông số nhận dạng của mạng nơ ron; Nếu không thoả mãn (3.22) tiếp tục điều chỉnh giá trị số lượng nơ ron các lớp ẩn là n2, n3 thực hiện lại giai đoạn học. Kết quả mô phỏng và nhận dạng. Thực hiện mô phỏng với các giá trị của các thông số của rôbôt hai khâu [4]:. a) Xác định sơ đồ Simulink mô phỏng. Kết quả mô phỏng cho thấy sai lệch nhận dạng giữa tín hiệu mẫu và tín hiệu tính toán của mô hình nhận dạng là rất nhỏ, điều đó chứng tỏ rằng sử dụng mạng nơ ron truyền thẳng nhiều lớp trong nhận dạng vị trí rôbôt hai khâu là một giải pháp rất hiệu quả và có độ chính xác cao.

Luận văn này đã hoàn thành những uyêu cầu đặt ra là khảo sát về một phương pháp ứng dụng mạng nơ ron truyền thẳng nhiều lớp nhận dạng vị trí q của rô bốt hai khâu với phụ tải nhỏ với độ chính xác cao. - Bằng phương pháp phân tích, so sánh về cấu trúc, các luật học và khả năng ứng dụng thực tiễn của các loại mạng nơ ron, luận văn này đã chọn mạng nơ ron truyền thẳng nhiều lớp là mạng có nhiều ưu điểm về cấu trúc và luật học để tập trung nghiên cứu ứng dụng nó trong bài toán nhận dạng. - Dựa trên kết quả nghiên cứu của tài liệu [1], sự hướng dẫn trực tiếp của TS Phạm Hữu Đức Dục, luận văn đã đi sâu nghiên cứu, phân tích được sự đúng đắn của việc sử dụng cấu trúc mạng nơ ron truyền thẳng 4 lớp là (4x5x10x2) với luật học lan truyền ngược của sai lệch và các thông số điều chỉnh của các lớp nơ ron để đạt được sai lệch trung bình bình phương trong giới hạn cho phép E  Emax nghĩa là tín hiệu học của mạng nơ ron qmh bám sát theo được tín hiệu vị trí thực q của sơ đồ điều chỉnh vị trí rô bốt hai khâu.