Giới thiệu về mạng nơron xác suất đã được trình bày trong phần trước, trong mục này sẽ nêu chi tiết mô hình mạng và biểu diễn toán học của mạng.
Mô hình cấu trúc mạng dùng cho bài toán nhận dạng, phân loại gồm 3 lớp (lớp vào, lớp ẩn và lớp ra), hình thành nên tầng cơ sở xuyên tâm và tầng cạnh tranh, như hình vẽ 6.9:
Hình 6.9: Cấu trúc tổng quát mạng PNN
Đặc trưng tần số cao
Wihxh
Tầng cơ sở xuyên tâm Tầng cạnh tranh
Trong đó:
Lớp vào có i nơron nhận các ngả vào X = [X1, X2, . . ., Xi ] Lớp ẩn có k nơron H = [H1, H2, . . ., Hk ]
Lớp ra có j nơron nối với các ngả ra Y = [ Y1, Y2, . . ., Yj ], mỗi Yi đại diện cho một dạng cần phân loại.
Trọng số kết nối giữa lớp vào và lớp ẩn là Wihxh , lớp ẩn và lớp ra là Whjhy .
Mạng PNN hoạt động theo nguyên tắc sau: khi đưa một tín hiệu vào mạng, lớp vào sẽ tính toán khoảng cách từ tín hiệu này đến mẫu đã huấn luyện và tạo nên một vectơ có các phần tử xác định được vị trí của tín hiệu so với mẫu. Lớp ẩn sẽ tính xác suất phân bố của tín hiệu đưa vào so với mỗi dạng phân loại của mẫu. Còn lớp ra sẽ tìm ra xác suất lớn nhất của tín hiệu đưa vào so với mỗi dạng phân loại. Xác suất ứng với dạng nào có giá trị lớn nhất thì ngả ra Y tương ứng với dạng đó bằng 1, ngược lại thì Y = 0.
PNN là dạng mạng học có giám sát, và có những tính chất khác biệt so với những dạng mạng khác trong quá trình học. Các khác biệt này gồm:
- Mạng được thực hiện bằng mô hình xác suất, như bộ phân loại Bayes.
- Mạng PNN được đảm bảo hội tụ tới bộ phân loại Bayes miễn là nó được cung cấp đủ dữ liệu huấn luyện.
- Không yêu cầu quá trình học.
- Không cần đặt các trọng số ban đầu cho mạng.
- Không có quan hệ giữa quá trình học và quá trình gọi lại.
- Không dùng sai số giữa vectơ ra và vectơ mẫu để hiệu chỉnh trọng số mạng. Tốc độ học của mạng PNN rất nhanh, phù hợp với bài toán phân loại tín hiệu và chẩn đoán sự cố.
Trong ứng dụng để phân loại tín hiệu, các mẫu huấn luyện được sắp xếp theo các giá trị phân bố hàm mật độ xác suất (PDF – Probabilistic Density Function). PDF là nguyên tắc cơ bản của mạng PNN.
Hàm PDF được định nghĩa:
Nk
fk(X) = Nk-1 exp((– || X – Xkj|| ) / 22 ) (6.8)
j=1
Định nghĩa và áp dụng phương trình (6.9) cho vectơ ra H trong lớp ẩn của mạng PNN như sau:
Hh = exp(–(Xi– Wihxh )2 / 22 ) (6.9)
i
Thuật toán tạo vectơ ngả ra Y trong mạng PNN là:
netj = Nj-1 Whjhy . Hh và Nj = Whjhy (6.10)
Nếu netj = max(netk ) Thì Yj = 1 , ngược lại Yj = 0 (6.11)
Với :
i là số lượng các lớp vào, h là số các lớp ẩn,
y là số lớp ra,
k là số mẫu huấn luyện, Nk là số nhóm cần nhận dạng,
là thông số san bằng (độ lệch chuẩn), 0.1 < < 1 , thường chọn =0.5, X là vectơ vào,
|| X – Xkj|| là khoảng cách Ơ-clit giữa vectơ X và vectơ Xkj ,
|| X – Xkj|| = ( Xi– Xkj )2 (6.12)
Wihxh là trọng số kết nối giữa lớp vào X và lớp ẩn H, Whihj là trọng số kết nối giữa lớp ẩn H và lớp ra Y.
6.2.2. Nhận dạng các hiện tượng quá độ bằng mạng PNN:
Mặc dù mạng PNN có một số bất lợi như cần bộ nhớ lớn, thời gian gọi lại tỉ lệ với số mẫu huấn luyện nhưng ta có thể khắc phục bằng định lý Parseval để giảm bớt số mẫu huấn luyện.
Trong đề tài này, người thực hiện đã thực hiện phân tích 13 cấp đối với từng tín hiệu rời rạc méo dạng để nhận các hệ số của thành phần chi tiết w1 . . . w13. Sử dụng phương trình (6.5), bằng cách bình phương các hệ số wavelets trong phân tích bậc 1 sẽ nhận được thời gian xảy ra nhiễu loạn tt .
Đồng thời, qua các phương trình (6.6) và (6.7) ta sẽ thu được phân bố năng lượng của 13 mức phân tích P1D . . . P13D . Các đặc trưng này được đưa vào mạng PNN để sử dụng cho quá trình nhận dạng và phân loại các tín hiệu méo dạng. Các giá trị tt và PiD được sử dụng làm các mẫu vào cho mạng PNN, ngả ra của mạng sẽ cho biết loại tín hiệu quá độ tương ứng với các mẫu vào.
CHƯƠNG 7
KẾT QUẢ PHÂN TÍCH VAØ NHẬN DẠNG
7.1. XÂY DỰNG GIẢI THUẬT:
Bài toán phân loại tín hiệu quá độ được thể hiện trên sơ đồ hình 7.1, gồm các bước thực hiện sau:
- Mô phỏng dạng sóng của các tín hiệu méo dạng.
- Tạo ra các tập mẫu dữ liệu từ các dạng sóng này sao cho phù hợp với bài toán phân tích wavelets (tạo ra tập tin *.mat).
- Các tập dữ liệu này được biến đổi DWT qua phân tích MRA 13 cấp để tạo ra các hệ số wavelets w1 , w2 , . . . , w13.
- Tính thời gian xảy ra quá độ tt và các mức năng lượng P1D , P2D , . . . , P13D
của tín hiệu quá độ từ các hệ số wavelets trên. - Xây dựng mô hình mạng PNN dùng để nhận dạng.
- Huấn luyện mạng PNN theo các mẫu là thời gian xảy ra và các mức năng lượng của tín hiệu méo dạng.
- Thử nghiệm: tạo ra một số dạng sóng bất kỳ cho hệ thống nhận dạng.
Dựa vào các bước thực hiện trên, người viết xây dựng giải thuật tổng quát cho bài toán nhận dạng và phân loại các hiện tượng quá độ như sau:
Begin
End
Nhập tín hiệu quá độ
Phân loại tự động ?
Tạo tập tin *.mat Phân tích MRA 13 cấp
Quan sát biểu diễn năng lượng để nhận biết loại tín hiệu quá độ
Phân bố năng lượng 13 cấp của từng tín hiệu
Trích các đặc trưng năng lượng của từng
loại tín hiệu Tính thời gian quá độ
Tạo mạng PNN Tạo mẫu huấn luyện
Xuất kết quả Phân loại tín hiệu Huấn luyện mạng PNN
End Đ
Hình 7.1: Bộ phân loại dùng mạng PNN
Tạo mẫu dữ liệu từ các dạng sóng điện áp quá độ
Tính thời gian xảy ra quá độ
Biến đổi wavelet rời rạc DWT các mẫu dữ liệu Phân tích đa phân giải MRA
Trích các đặc trưng năng lượng
Pure Voltage Voltage Harmonic Flicker Inter- Cap- Sin Sag Swell ruption Switching
w1 , w2 , . . . , w13
7.2. KẾT QUẢ PHÂN TÍCH VAØ NHẬN DẠNG: 7.2.1 Nhận dạng qua các đặc trưng năng lượng: 7.2.1 Nhận dạng qua các đặc trưng năng lượng:
- Nguời viết đã thực hiện phương pháp nhận dạng và phân loại bằng cách sử dụng phần mềm mô phỏng quá độ ATP–EMTP và các hàm toán học trong phần mềm Matlab6.5 để tạo ra sóng sin chuẩn (tần số 50Hz, biên độ 1pu) và sáu tín hiệu méo dạng quá độ. Các tín hiệu này gồm: mất điện tạm thời, đóng cắt tụ, võng điện áp, tăng điện áp, méo họa tần và nhấp nháy điện áp. Các tín hiệu này được chuyển sang dữ liệu rời rạc (tập tin *.mat) thông qua biến đổi wavelets với hàm ‚db4‛.
- Thành phần chi tiết của phân tích wavelets 3 cấp và 13 mức phân bố năng lượng của sóng sin chuẩn được biểu diễn trên hình 7.3 và 7.4.
Trong hình 7.3 , trục X biểu diễn các điểm lấy mẫu của tín hiệu, trục Y biểu diễn biên độ tín hiệu.
Trong hình 7.4 , trục X là các mức phân tích và trục Y là mức năng lượng. Không quan tâm thời gian xảy ra nhiễu loạn vì sóng sin chuẩn không bị méo. - Tương tự, các hình vẽ 7.5 – 7.16 biểu diễn các thành phần chi tiết của phân tích wavelets 3 cấp và 13 mức phân bố năng lượng của các tín hiệu méo dạng còn lại.
Trong trường hợp méo họa tần và nhấp nháy điện áp, thời gian xảy ra nhiễu loạn được đặt rất nhỏ (0.0001s) vì các méo dạng sóng này mang tính chu kỳ.
Hình 7.3: Sóng sin chuẩn và phân tích wavelets 3 cấp
Hình 7.5: Dạng sóng võng điện áp và phân tích wavelets 3 cấp
Hình 7.7: Dạng sóng tăng điện áp và phân tích wavelets 3cấp
Hình 7.9: Dạng sóng méo họa tần và phân tích wavelets 3 cấp
Hình 7.11: Dạng sóng nhấp nháy điện áp và phân tích wavelets 3 cấp
Hình 7.3: Dạng sóng mất điện tạm thời và phân tích wavelets 3 cấp
Hình 7.15: Dạng sóng đóng cắt tụ điện và phân tích wavelets 3 cấp
- Từ các hình vẽ 7.2 – 7.16, có thể đưa ra 3 đặc tính của đồ thị phân bố năng lượng các tín hiệu méo dạng. Những đặc tính này dùng làm cơ sở cho việc phân loại các hiện tượng quá độ.
Khi xảy ra võng điện áp, tăng điện áp hoặc mất điện tạm thời thì các thành phần P6D , P7Dvaø P8Dsẽ thay đổi lớn.
Khi xảy ra quá độ tần số cao như đóng cắt tụ, méo họa tần thì các thành phần P3D , P4D và P5D có sựthay đổi rỏ ràng.
Khi xảy ra quá độ tần số thấp thì các thành phần P9D , P10D vaø P11D sẽ thay đổi rỏ.
Các đặc tính này cũng là lý do để người thực hiện chọn phân tiùch DWT 13 cấp. Nếu phân tích cấp thấp hơn thì dữ liệu sẽ giảm bớt nhưng không biểu diễn được các thay đổi tần số thấp.
- Để quan sát rỏ hơn sự khác biệt trong phân bố năng lượng của các tín hiệu méo dạng, có thể biểu diễn phân bố năng lượng của 7 tín hiệu trên cùng một đồ thị 3 chiều như hình vẽ 7.17. 1 2 3 4 5 6 7 0 5 10 15 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7
Hình 7.17: Biểu diễn 3D của phân bố năng lượng các tín hiệu
Trong đó:
1: Pure Sin 2: Voltage Sag 3: Voltage Swell 4: Harmonic
V A ÊN T Ố T NG HIỆ P 62 C HÍ M INH 30 – 0 8 – 2 00 5
Bảng 7.1: Đặc trưng năng lượng và thời gian của các tín hiệu quá độ
Loại Ngả ra tín hiệu P1 P2 P3 P4 P5 P6 P7 P8 P9 P10 P11 P12 P13 t mẫu SIN 0.0000 0.0000 0.0001 0.0003 0.0043 0.0562 0.4232 0.5517 0.0839 0.1576 0.2818 0.1413 0.1717 0.0001 1 SAG 0.0001 0.0005 0.0008 0.0019 0.0067 0.0542 0.3820 0.4884 0.0565 0.0412 0.0144 0.0040 0.0046 0.0835 2 SW 0.0001 0.0004 0.0007 0.0019 0.0070 0.0632 0.4532 0.6151 0.0583 0.0271 0.0214 0.0134 0.0047 0.0835 3 HAR 0.0002 0.0012 0.0094 0.0451 0.0268 0.0540 0.3879 0.5131 0.0487 0.0262 0.0148 0.0076 0.0078 0.0001 4 FL 0.0001 0.0005 0.0007 0.0020 0.0067 0.0590 0.4221 0.5549 0.1329 0.1005 0.0493 0.0037 0.0207 0.0001 5 INT 0.0002 0.0005 0.0010 0.0021 0.0082 0.0547 0.3620 0.4641 0.0705 0.0541 0.0143 0.0097 0.0046 0.1163 6 CAP 0.0001 0.0004 0.0008 0.0035 0.0263 0.0821 0.4576 0.6049 0.0559 0.0284 0.0153 0.0050 0.0089 0.0667 7
7.2.2 Mẫu huấn luyện và nhận dạng tự động:
- Mạng PNN được chọn từ hộp công cụ Neural Networks Toolbox trong Matlab6.5. Toàn bộ chương trình được viết bằng ngôn ngữ Matlab.
- Các mẫu huấn luyện của mạng PNN được định dạng theo bảng 7.1. Mỗi dữ liệu huấn luyện mạng gồm 13 giá trị năng lượng P1D , P2D , . . . , P13D của mỗi tín hiệu méo dạng, 01 thời gian xảy ra nhiễu và 01 loại mong muốn. - Vì thời gian xảy ra các quá độ mang tính tương đồng giữa Voltage Sag,
Swell, Interruption, Capacitor Switching hoặc giữa Voltage Flicker, Harmonic nên người thực hiện nhận thấy có thể bỏ qua thông số về thời gian để đơn giản bài toán phân loại. Dựa vào đó, mạng được chọn có số lượng mẫu của lớp vào là 13 và của lớp ra là 7.
- Do độ lớn biên độ méo dạng, thời điểm và khoảng thời gian xảy ra một cách ngẫu nhiên của các tín hiệu quá độ trên hệ thống, nên người thực hiện đã tạo ra 10 dạng sóng điện áp bất kỳ đối với mỗi tín hiệu méo dạng đã cho. Các tín hiệu này có sự khác biệt về thời điểm và khoảng thời gian xảy ra, về độ lớn biên độ so với đặc tính của tín hiệu méo dạng như các mẫu huấn luyện.
- Như vậy sẽ có 70 tín hiệu méo được tạo ra (kể cả sóng sin chuẩn). Sử dụng các phương trình (6.5) – (6.7) sẽ nhận được những đặc trưng của các tín hiệu méo dạng này. Chúng được sắp xếp theo dạng trong bảng 7.1 để làm các mẫu huấn luyện cho mạng PNN. Mạng PNN sẽ được huấn luyện lần lượt với 35 và 70 mẫu.
- Để thử nghiệm phương pháp thực hiện, người viết cũng tạo ngẫu nhiên 21 dạng sóng điện áp méo dạng đối với 7 loại tín hiệu trên để đưa vào cho hệ thống phân tích và nhận dạng tự động. Kết quả thử nghiệm được cho trên bảng 7.2. Theo kết quả này, khi huấn luyện với 35 mẫu thì độ chính xác phân loại là 81%. Khi số mẫu huấn luyện tăng lên 70 thì độ chính xác đạt được 90.5%. Rỏ ràng càng có nhiều mẫu huấn luyện thì độ chính xác càng tăng. Bảng 7.2 cũng cho biết thời gian học và thử với các mẫu mới của mạng.
- Mạng PNN có thời gian học rất ngắn nên phương pháp này phù hợp cho việc xử lý trong thời gian thực khi kết hợp với một bộ ghi nhận tín hiệu số.
Chương trình được thực hiện trên máy Notebook PIII 650MHz, 192MB RAM.
Số mẫu huấn luyện 35 70
Số mẫu thử nghiệm 21 21
Số mẫu đúng 17 19
Độ chính xác 80.9% 90.5%
Thời gian thử (s) 0.02 0.03
Bảng 7.2: Kết quả thử nghiệm nhận dạng
7.3. TẠO GIAO DIỆN NGƯỜI DÙNG:
Để thực hiện công việc nhận dạng và phân loại, người sử dụng phải lưu tập tin chứa dữ liệu của tín hiệu cần phân loại vào máy tính và sử dụng các câu lệnh phân tích trên Matlab. Cách này sẽ gây khó khăn và làm mất nhiều thời gian của người sử dụng, đồng thời khó quan sát kết quả. Do đó, người viết thực hiện thêm một giao diện cho người sử dụng. Giao diện này được thực hiện bằng công cụ GUI (Graphic User Interface) của Matlab.
Khi đó, người sử dụng chỉ thao tác trên các nút nhấn để chọn lựa tín hiệu và các lệnh phân tích. Đặc biệt kết quả phân tích sẽ được hiển thị trên một cửa sổ trên giao diện tạo thuận lợi để quan sát.
7.3.1. Giới thiệu về GUI:
Sử dụng lệnh ‘guide’ để bắt đầu với tạo giao diện, Matlab mở ra hộp thoại yêu cầu chọn tạo mới GUI hoặc mở GUI có sẵn, như hình 7.18.
Hình 7.18: Bắt đầu với GUI
Giả sử chọn tạo mới GUI. Sau khi chọn lưu tên tập tin *.fig (vd: LVTN.fig) Matlab sẽ mở ra màn hình tạo giao diện như hình 7.19.
Tạo mới GUI
Hình 7.19: Màn hình tạo giao diện
Kéo chọn các thành phần chức năng vào cửa sổ làm việc để tạo ra giao diện theo yêu cầu. Các thành phần này bao gồm:
- Push button: nút này sẽ tạo ra một tác động khi nó được nhấn. Khi được Click thì nút này nhấn xuống, khi thả ra thì nó trở lại trạng thái ban đầu. - Radio button: tương tự như Check box, nhưng nút này làm việc theo cách chỉ
cho phép lựa chọn một trong một nhóm các Radio button. Muốn chọn nút nào thì Click vào nút đó.
- Edit text: dùng để nhập số liệu vào.
- Slider: cho phép người dùng di chuyển thanh trượt để chọn một số trong dãi số cho trước.
- List box: biểu diễn một danh sách các phần tử và cho phép người dùng chọn một trong các phần tử này.
- Toggle button: tạo ra một tác động và cho biết một trạng thái nhị phân khi nó được nhấn. Khi được Click thì nút này nhấn xuống và vẫn còn nhấn xuống khi thả ra. Nó sẽ trở về trạng thái ban đầu khi được Click một lần nữa.