103
là K=100mẫu được lấy trong 10s đầu hoạt động của mạng đề xuất cho mô phỏng. Vì hai đầu vào của bộ điều khiển mờ của FNNRED là độ lệch hàng đợi ở chu kỳ hiện tại 𝑄𝑒(𝑡), độ lệch hàng đợi ở chu kỳ trước 𝑄𝑒(𝑡 − 𝑇) và một đầu ra là chiều dài hàng đợi tức thời 𝑞(𝑡) nên bộ mẫu dữ liệu để huấn luyện là tập hợp các mẫu có dạng {𝑄𝑒𝑖(𝑡), 𝑄𝑒𝑖(𝑡 − 𝑇), 𝑞𝑖(𝑡)}, 𝑖 = 1 ÷ 𝐾. Sau khi huấn luyện kết thúc, thu được kết quả là bộ tham số tốt nhất cho các hàm thuộc của FNNRED. Hình 3.11 và Hình 3.12 thể hiện hình ảnh các hàm thuộc 𝑄𝑒(𝑡) và 𝑄𝑒(𝑡 − 𝑇) sau khi huấn luyện
Hình 3.11. Các hàm thuộc của 𝑄𝑒(𝑡) sau khi huấn luyện
Hình 3.12. Các hàm thuộc của 𝑄𝑒(𝑡 − 𝑇) sau khi huấn luyện
Bảng 3.2 và Bảng 3.3 trình bày giá trị các tham số của các hàm thuộc 𝑄𝑒(𝑡) và
𝑄𝑒(𝑡 − 𝑇) sau khi huấn luyện.
Bảng 3.2. Giá trị tham số các hàm thuộc của 𝑄𝑒(𝑡) sau khi huấn luyện.
𝑄𝑒(𝑡) NB NM NS ZE PS PM PB
a 0.2167 0.1867 0.1667 0.2370 0.1867 0.1867 0.1667 b 1.8500 2.4952 2.3000 2.5000 1.8500 2.1500 1.5000 c -1.0000 -0.6366 -0.2533 0.0000 0.2642 0.7866 1.0000
104
Bảng 3.3. Giá trị tham số các hàm thuộc của 𝑄𝑒(𝑡 − 𝑇) sau khi huấn luyện
𝑄𝑒(𝑡 − 𝑇) NB NM NS ZE PS PM PB
a 0.1667 0.1367 0.2167 0.1967 0.1667 0.1667 0.1667 b 2.5000 1.5000 2.5000 1.8000 1.8000 1.8000 1.5000 c -0.9400 -0.6866 -0.0933 0.1812 0.7233 0.8733 1.0000
Mặt cong suy diễn của FNNRED được cập nhật theo kết quả huấn luyện được thể hiện trong Hình 3.13 như sau:
Hình 3.13. Mặt suy diễn của FNNRED sau khi huấn luyện