b. Mô phỏng mạng nơron.
5.4.3 Quá trình xây dựng bộ điều khiển mờ
Quá trình xây dựng bộ điều khiển mờ đợc thực hiện thông qua các bớc sau:
- Định nghĩa các biến vào ra
- Xác định tập mờ cho các biến ngôn ngữ
- Xác định hàm liên thuộc
- Rời rạc hoá tập mờ
- Xây dựng các luật hợp thành mờ
- Xây dựng bảng quyết định cho bộ điều khiển mờ
- Chọn thiết bị hợp thành mờ
- Chọn nguyên lý giải mờ
5.4.3.1 Định nghĩa các biến vào ra
Hệ điều khiển công suất trong hệ thống thông tin di động DS-CDMA sử dụng hai biến ngôn ngữ đầu vào là:
Error(e) Error(e) change (∆P) Mờ hoá Thiết bị hợp thành mờ Luật điều khiển
mờ cơ bản + Giải mờ /Tp Tp + ∆ P Tạp âm nhiều (dB) Độ lợi kênh truyền (dB) + + Công suất
phát (dB) Bộ tích phân Mức công suất
điều chỉnh Trễ vòng Bộ điều khiển mờ
Giá trị định mức
- e: mức sai số công suất thu đợc tại BS. Đây là mức sai lệch giữa công suất thu danh định mức của trạm gốc (không mất tính tổng quát đợc thiết lập ở giá trị 0 dB) so công suất thu đợc thực tế tại BS.
- ∆e: sự biến thiên của sai số công suất. Đây là mức chênh lệch giữa mức công suất thu trớc đó với công suất thu hiện tại.
Biến ngôn ngữ đầu ra của bộ điều khiển là mức điều chỉnh công suất phát ∆p. Đây là mức điều chỉnh công suất phát cần thiết của MS. Mức điều chỉnh này sẽ đợc cộng với mức công suất phát tại chu kỳ trớc để có mức công suất phát hiện tại.
Nh vậy, cấu trúc của bộ điều khiển mờ gồm hai đầu vào và một đầu ra.
5.4.3.2 Xác định tập mờ
• Miền giá trị vật lý của các biến ngôn ngữ vào/ra
Trong các phơng pháp điều khiển công suất thông thờng, một trong những nhợc điểm là có thời gian đáp ứng điều khiển lâu mà nguyên nhân là do phạm vi thay đổi lợng công suất nhỏ (khoảng 0.5 – 1 dB cho mỗi chu kỳ cập nhật công suất). Chính lý do này nên việc xác định miền vật lý (miền giá trị) của các đại lợng e, ∆e và ∆p là rất quan trọng. Xuất phát từ đặc tính fading trong môi trờng di động nên trong điều khiển mờ các giá trị này đợc xác định nh sau:
- Sai lệch công suất e đợc chọn trong khoảng : -18dB ≤ e ≤ +18dB - Lợng thay đổi của độ sai lệch ∆e có giá trị trong khoảng:
-12dB ≤ ∆e≤ +12dB
- Lợng thay đổi của độ sai lệch ∆p có giá trị trong khoảng: -6dB ≤ ∆p≤ +6dB
Bớc tiếp theo là xác định số lợng tập mờ (giá trị ngôn ngữ) • Số lợng tập mờ
Xét về mặt lý thuyết, số lợng các giá trị ngôn ngữ cho mỗi biến ngôn ngữ nằm trong khoảng từ 3 đến 10 giá trị. Nếu nhỏ hơn 3 giá trị thì không có ý nghĩa vì không thực hiện đợc việc lấy vi phân, còn nếu nh lớn hơn 10 thì việc bao quát các tình huống cũng nh kiến trúc thực tế của chúng ta không thực hiện nổi vì điều khiển mờ phụ thuộc rất lớn vào kinh nghiệm của ngời xây dựng luật điều khiển.
ở đây, đối với phơng pháp điều khiển công suất cho hệ thống thông tin di động DS/ CDMA, chúng ta có thể có nhiều phơng án để lựa chọn các giá trị ngôn ngữ nh:
e∈ {âm, không, dơng}
e∈ {âm, âm ít, không, dơng ít, dơng}
e∈ {âm nhiều, âm, âm ít, không, dơng ít, dơng, dơng nhiều} v.v..
Để đơn giản, những tên gọi giá trị ngôn ngữ trên sẽ đợc dùng một ký hiệu ngắn gọn suy ra từ tiếng Anh nh sau:
âm nhiều: LN (Large Negative) âm: MN (Medium Negartive) âm ít: SN (Small Negartive) không: ZE (zero)
dơng ít: SP (Small Positive) dơng: MP (Medium Positive) dơng nhiều: LP (Large Positive)
Trong hệ điều khiển này, sau một số lần mô phỏng thử, ta chọn giá trị cho các biến ngôn ngữ vào ra gồm có 7 giá trị nh sau là hợp lý nhất:
e ∈ T(e) = {LN, MN, SN, ZE, SP, MP, LP} ∆e ∈ T(∆e) = {LN, MN, SN, ZE, SP, MP, LP} ∆p ∈ T(∆p) = {LN, MN, SN, ZE, SP, MP, LP}
Kết luận 1. Đề tài đã đạt đợc mục đích là
• Nghiên cứu các vấn đề khoa học về mạng nơ ron và logic mờ bao gồm sở cứ khoa học đợc trình bày và cho các ví dụ ở phần 1 và 2,
• Một số các phơng pháp và thuật học cũng đợc tiến hành nghiên cứu khá đầy đủ và súc tích. Một số ví dụ cho các thuật học cũng đợc nêu ra. Đây chính là nội dung của phần hai và ba.
• Hai khả năng ứng dụng chính đợc tiến hành demo cho việc ứng dụng mạng nơ ron trong nhận dạng ký tự tiếng Việt (Tin học) và thử thuật toán cho vấn đề định tuyến lu lợng (Viễn thông) đợc trình bày ở phần tứ t ba ví dụ về khả năng ứng dụng khác cũng đợc trình bày nhằm minh hoạ khả năng ứng dụng rộng rãi của các linh vực nơ ron và mờ-những lĩnh vực mới của trí tuệ nhân tạo.
2. Đề tài sẽ góp phần cung cấp t liệu cho các đồng nghiệp quan tâm, đặc biệt có phân tích một số khả năng và định hớng nghiên cứu tiếp. Mặt khác, đề tài là sở cứ và nhằm nâng cao chất lơng giáo viên nhằm chuẩn bị tốt cho hai môn học trong chơng trình Đào tạo của Học Viện Công nghẹ B chính Viễn thông: Mạng nơ ron nhân tạo, Logic mờ.
3. Vấn đề áp dụng cho thực tiễn bao giờ cũng là câu hỏi lớn của các khoa học mới. Đề tài thực sự đã cố gắng tập hợp các kết quả nghiên cứu của một số đồng nghiệp nhằm đóng góp phong phú cho mục đích của đề tài. 4. Đề tài chắc chắn cũng còn hạn chế. Chúng tôi mong các đồng nghiệp
đóng góp nhiều ý kiến để các định hớng nghiên cứu tiếp theo có những kết quả cao hơn trong công tác đào, nghiên cứu.
Tài liệu tham khảo
[1] Nguyễn Quang Hoan, Nguyễn Thanh Thuỷ, Phạm Thanh Hà , Mạng
nơ ron BAM và khả năng nhận dạng ký tự tiếng việt, Hội nghị Tự
động hoá Toàn quốc, VIICA3, Hà nội 4/1998.
[2] Nguyễn Quang Hoan. Recurrent High-Order Neural Networks
Stability. Japan-USA- Vietnam Workshop, May, 13-15, 1998..
[3] Nguyen Quang Hoan. Using Neural Networks for Vietnam Character
Recognition. The 4rd Telecommunication & Information Techno- Econmics Seminar between PTIT & ETRI June, 2000. Hanoi.
[4] Nguyễn Quang Hoan. Mở rộng cấu trúc và hàm Liapunop cho mạng
nơron”. Tạp chí Tin Học và Điều Khiển Học,1996
[5] Nguyễn Quang Hoan. ổn định mạng nơ ron Hopfield bậc cao và khả năng ứng dụng trong điều khiển rô bốt. Luận án tiến sĩ, Viện Công
nghệ Thông tin, Hà nội, 1996.
[6] Lơng Chi Mai, Nguyễn Hữu Hoà. áp dụng mạng nơ ron mờ trong nhận dạng chữ số, chữ viết tay tiếng Việt. Báo cáo khoa học kỷ
niệm 25 năm thành lập Viện Công nghệ Thông tin, tr.623-631. 2001
[7] Angelo Alessandri, Member IEEE, Marco Baglietto, Thomas Parisini, Senior Member, IEEE, and Riccrdo Zoppoli. A Neural State
Estimator with Bounded Errors for Nonlinear Systems. IEEE Tran.
on Automatic control, vol. 44(9), pp. 2028-2042. 1999.
[8] Behnam Bavarian. Introduction to Neural Networks for Intelligent
Control. IEEE Control Systems Manazine, pp. 3-7.1988.
[9] J. P. Beneke và J. S. Kunicki. Prediction of Telephone Traffic Load
Using Fuzzy Systems. Proc. Inst. Elect. Eng. Petersburg.
Teletraffic Seminar: New Telecomm Services Developing Networks, St. Petersburg, Russia. pp. 270-280. July, 2, 1995 [10] A. Celmins. Distributed fuzzy control of communications. Proc.
ISUMA-NAFIPS’95 3rd Int. Symp. Uncertainty Modeling Annu. Conf. North Amer. Fuzzy Inform. Processing Soc. pp. 258-262, 1995.
[11] Chin Teng Lin, C. S. George Lee. Neural Fuzzy Systems, Prentice-Hall International Editions. 1996
[12] Chu S. R., Shoureshi R., and Tenorio M. Neural Networks for System
Identification. IEEE Control Systems Magazine(10), pp. 31-34.
1990
[13] Cybenco G. Approximation by Superpositions of Sigmoidal Function. Math. Control Signal Systems, No. 2, pp. 303-314. 1995.
[14] David W. Tank and John J. Hopfield. Simple Neural Optimization“ ”
Networks: An A/D Converter, Signal Decision Circuit, And a Linear Programming Circuit. IEEE Tran. on Circurts and Systems,
33(5), pp. 318-325. 1986
[15] Simon Haykin. Neural Networks A Comprehensive Foundation. Prentice- Hall International, Inc. 1999.
[16] Hunt K. J and Others. Neural Networks for Control Systems - A
Survey, Automatica, vol. 28(6), pp. 1083-1112.1992.
[17] Jeffrey T. Spooner and Kevin M. Passino. Decentralized Adaptive
Control of Nonlinear Systems Using Radial Basis Neural Networks. IEEE Trans. on Automatic Control. vol. 44(9), pp.
2050-2057.1999.
[18] Kumpati S. Narendra fellow, IEEE and Kannan Parthasarathy.
Identification and Control of Dynamical Systems using Neural Networks. IEEE Tran. on Neural Networks, vol. 1(1), pp.4-26.
Mar. 1990.
[19] Li-Xin Wang. A course in Fuzzy Systems and Control. Prentice-Hall
[20] Li Min Fu. Neural Networks in Computer Intelligence, Mc. Graw- Hill, Inc. International Edittions. 1994.
[21] Martin T. Hagan, Howard B. Demuth, Mark Beale MHB. Neural
Network Design. An International Thomson Publishing Company,
Inc. 1995.
[22] Mohamed Ibnkahla. Application of Neural Networks to Digital
Communications - a Survey. Signal Proccessing. vol. 80(7), pp.
1185-1215. 2000.
[23] Y. Tanaka và S. Hosaka. Fuzzy Control of Telecommunications Networks Using Learning Technique,” Electron. Commun.
Japan, vol. 76, pt. I, No. 12, pp. 41-51, Dec,1993.
[24] Timothy J. Ross. Fuzzy Logic with Engineering Applications, Mc.Graw-Hill, Inc, 1995.
[25] L. A. Zadeh. Fuzzy Sets. Inform. Contr., vol. 8, pp. 338-353, 1965. [26] Zhao Jianye and Yu Daoheng. A New Approach for Multilevel Image
Segmentation Based on Fuzzy Cellular Neural Network. Journal of
Electronics, vol. 17(1), pp. 46-52.