Mạng FNN để huấn luyện dữ liệu của bộ điều khiển mờ để tìm bộ tham số tốt nhất cho bộ điều khiển mờ. Cấu trúc mạng FNN được trình bày trong Hình 3.8 sau:
Lớp vào Lớp ẩn Lớp ẩn Lớp ra Mờ hóa Luật suy diễn Kết quả Giải mờ e(t) e(t-T) y(t) Hình 3.8. Cấu trúc mạng nơ-ron mờ FNN
Đầu vào (Input): biến đầu vào của FNN là sự độ lệch của giá trị đầu ra tức thời (𝑦) của bộ điều khiển mờ thích nghi (trong mục 2.3.2) so với giá trị đầu ra tham chiếu (𝑦𝑚)tại hai thời điểm liên tiếp là 𝑡 và 𝑡 − 𝑇. Biểu thức 𝑒(𝑡) = 𝑦𝑚 − 𝑦(𝑡) xác định lỗi thời điểm hiện tại và 𝑒(𝑡 − 𝑇) = 𝑦𝑚 − 𝑦(𝑡 − 𝑇) là xác định lỗi thời điểm sau khi trễ một thời gian 𝑇(ở chu kỳ lấy mẫu trước đó).
Lớp mờ hóa (Fuzzifier Layer): là lớp vào của mạng nơ-ron, lớp này thực hiện chức năng mờ hóa giá trị các biến ở đầu vào, sẽ truyền mỗi giá trị của đầu vào để
97
thiết lập ngôn ngữ tương ứng. Để việc điều khiển của bộ điều khiển trơn và mịn thì FNN dùng phương pháp giải mờ theo dạng hình chuông. FNN chia miền giá trị của
𝑒(𝑡) và e(𝑡 − 𝑇) đã được chuẩn hóa trong miền giá trị [−1,1] thành 7 miền (hoặc 9
miền) giá trị đã trình bày trong mục 2.3.3.1.
Lớp luật suy diễn (Rule Layer): là lớp ẩn của mạng nơ-ron, lớp này chứa các luật cơ sở để suy diễn. FNN dùng bộ luật của AFC được trình bày trong mục 2.3.3.3. Lớp kết quả (Consequent Layer): là lớp ẩn thứ hai của mạng nơ-ron, lớp này thực hiện chức năng tính tổng kết quả của các nút ở lớp luật suy diễn gửi tới bằng các phép hợp thành đã được trình bày trong mục 2.1.5.
Lớp giải mờ (Defuzzifier Layer): là lớp ra của mạng nơ-ron, lớp thực hiện chức năng giải mờ từ lớp kết quả, kết quả là tính được xác suất đánh dấu gói tin tối ưu theo trạng thái hiện tại của mạng, đã trình bày trong mục 2.3.3.4. Bộ điều khiển mờ sẽ quyết định giá trị của xác suất đánh dấu/ loại bỏ gói tin, đại diện cho đầu ra của hệ mờ.