Các bài toán quan trọng trong lí thuyết điều khiển thƣờng là các thuật toán điều khiển và các phƣơng pháp nhận dạng mô hình. Hầu hết đối tƣợng
Chương 1: Tổng quan về Robot công nghiệp - Cơ sở lý thuyết
điều khiển là phi tuyến, có độ phức tạp cao, độ bất định lớn. Sự hiểu biết về mô hình đối tƣợng có thể nghèo nàn do hạn chế về tri thức. Hệ điều khiển mục đích giảm độ bất định của đối tƣợng, môi trƣờng, đạt đến tính ổn định bền vững. Tuy nhiên, khi độ bất định quá lớn, bộ điều khiển không còn phù hợp. Trong trƣờng hợp này cần đến điều khiển thích nghi.
Ở đây các thông số của đối tƣợng đƣợc nhận dạng on-line và thông tin này đƣợc sử dụng để thay đổi tham số của bộ điều khiển, tất cả đƣợc thực hiện nhờ mạng neuron nhân tạo. Các mạng neuron này tạo ra những biến đổi vào ra, có thể xấp xỉ mọi hàm liên tục với độ chính xác cho trƣớc. Một neuron nhân tạo có thể xem là một hàm phi tuyến với nhiều đầu vào và một đầu ra, có cấu trúc nhƣ sau:
Hình 1.13 Neuron nhân tạo
Trong đó :
xi các đầu vào của đơn vị xử lí thứ i
wij trọng số kết nối giữa đơn vị xử lí thứ i với đơn vị xử lí thứ j j
độ lệch (bias)
aj đầu vào mạng (net input)
zj đầu ra neuron
g(x) hàm kích hoạt
Cấu trúc mạng neuron chủ yếu đƣợc đặc trƣng bởi các loại neuron và mối liên hệ xử lí thông tin giữa chúng.
Chương 1: Tổng quan về Robot công nghiệp - Cơ sở lý thuyết
a. Hàm kích hoạt
Hàm kích hoạt của từng neuron trong từng mạng neuron đóng vai trò quan trọng trong sự liên kết giữa các neuron. Trong mô phỏng, để đảm bảo hệ ổn định đầu ra, ngƣời ta gán hàm chặn ở lối ra cho các tín hiệu. Lối ra của mỗi neuron phải đặt một hàm chặn, thƣờng ở dạng phi tuyến. Kết quả của hàm này là một giá trị đặc trƣng cho mức độ kích hoạt của neuron. Các hàm kích hoạt thƣờng đƣợc sử dụng
Hàm dấu (Hard Limiter Function)
Hình 1.14 Hàm dấu
Hàm đối xứng xuyên tâm cơ sở (Radial Basis Functions)
Hình 1.15 Hàm đối xứng xuyên tâm cơ sở
Chương 1: Tổng quan về Robot công nghiệp - Cơ sở lý thuyết
Hình 1.16 Hàm Sigmoid
Hàm Sigmoid sử dụng cho các mạng đƣợc huấn luyện (trained) bởi thuật toán Lan truyền ngƣợc ( Back - Propagation ), bởi vì nó dễ lấy đạo hàm, do đó giảm đáng kể các phép tính trong quá trình huấn luyện mạng. Đối với các đơn vị đầu ra, các hàm chuyển đƣợc chọn sao cho phù hợp với sự phân phối của các giá trị đích mong muốn. Nếu giá trị ra trong khoảng [0; 1] thì hàm Sigmoid là phù hợp nhất.
b. Liên kết mạng
Mạng truyền thẳng ( Feedforward Neural Networks )
Hình 1.17 Mạng truyền thẳng
Trong mạng neuron truyền thẳng, các liên kết đi theo một hƣớng nhất định từ lớp vào tới lớp ra, không tạo thành đồ thị có chu trình với các đỉnh là các neuron, các cung là các liên kết giữa chúng.
Chương 1: Tổng quan về Robot công nghiệp - Cơ sở lý thuyết
Hình 1.18 Mạng hồi quy
Cấu trúc mạng đƣợc kết nối chuyển tiếp tín hiệu từ lớp vào thông qua lớp ẩn đến lớp ra và đồng thời hồi tiếp tín hiệu về đơn vị xử lý chính nó hoặc các đơn vị xử lý trong lớp hoặc ở lớp khác. Mạng hồi quy cho phép các liên kết neuron tạo thành chu trình. Vì các thông tin ra của các neuron đƣợc truyền lại cho các neuron đã góp phần kích hoạt chúng, nên mạng hồi quy còn có khả năng lƣu trữ trạng thái trong của nó dƣới dạng các ngƣỡng kích hoạt ngoài các trọng số liên kết neuron, đây là ƣu điểm chính của mạng hồi quy.