VÀ NHỮNG ỨNG DỤNG CỦA CHÚNG TRONG ĐIỀU KHIỂN QUÁ TRÌNH
2.7.4.1 Nhận dạng thông số
Hai loại thông số đặc tính hoá một mô hình mờ: những thông số xác định
hình dáng và sự phân bố của những tập mờ ngõ vào và những thông số mô tả
những tập mờ ngõ ra (hay những mô hình tuyến tính).
Nhiều hệ neuro-mờ dùng tối ưu phi tuyến trực tiếp để nhận dạng tất cả thông số của một hệ mờ. Nhiều kỹ thuật tối ưu khác nhau có thể được dùng cho mục đích này. Được dùng rộng rãi nhất là một mở rộng của thuật toán lan truyền ngược được thực thi bởi giảm gradient. Một số lượng rất lớn những hệ neuro- mờ dựa trên những thuật toán giống như lan truyền ngược để nhận dạng những
thông số của một hệ mờ, từ nổi tiếng nhất là ANFIS (Jang J-S.R., 1995) đến rất
nhiều những phương pháp được đề nghị trong (Lin C.T. and Lee C.S.G., 1991;
Nomura H. et al., 1992; Halgamuge S.K. and Glesner M., 1994; Wang L. and Mendel J.M., 1992b; Shi Y. et al., 1996; Shi Y.and Mizumoto M., 2000). Một
hạn chế của việc dùng những kỹ thuật giảm gradient là những hàm liên thuộc và tất cả những hàm tham gia vào trong suy luận của cơ sở luật mờ phải đạo hàm
được. Kết quả là, học giảm gradient có thể được ứng dụng dễ dàng để nhận
dạng thông số của một mô hình mờ bởi vì chỉ toán hạng tích được dùng cho phần giao và ngõ ra được tính như là tổng trọng số. Những phương pháp neuro- mờ gần đây chọn việc thực thi lan truyền ngược bởi những phương pháp thực
nghiệm đơn giản thay vì giảm gradient để nhận dạng những thông số của mô
hình mờ loại Mamdani (Nauck D. and Kruse R., 1995; Nauck D. and Kruse R.,
1999). Ý tưởng chung của những phương pháp như thế là hiệu chỉnh từ từ
những hàm liên thuộc của một luật mờ theo đó bao nhiêu phân phối mà luật tác động lên ngõ ra toàn bộ của hệ mờ.
Những phương pháp khác để học thông số của những mô hình mờ không
yêu cầu tính toán gradient và vì thế không cần tính đạo hàm được, là học củng
cố (reinforcement)(Berenji H.R. and Khedkar P., 1992; Berenji H.R., 1990) mà chỉ yêu cầu tính giá trị vô hướng của ngõ ra và giải thuật di truyền (GA) thực
hiện việc tìm kiếm ngẫu nhiên trong không gian thông số, sử dụng một cộng đồng những cá thể, trong đó mỗi cá thể mã hoá những thông số của một luật
mờ (Castellano G. et al., 1998; Leitch D.D., 1995; Homaifar A. and McCormick E., 1995; Wong C.C. and Feng S.M., 1995; Perneel C. et al., 1995; Lim M.H. et al., 1996; Farag W.A. et al., 1998). Một vấn đề với GA là với mã hoá nhị phân truyền thống chiều dài của mỗi cá thể tăng theo số lượng ngõ vào, số lượng tập mờ và số lượng luật. Chiến lược tiến hoá (Evolution Strategies
(ES)) là kỹ thuật phù hợp hơn để tinh chỉnh những thông số luật mờ phụ thuộc vào sơ đồ mã hoá trực tiếp của chúng.GA và ES cũng cho phép nhận dạng đồng
thời thông số và cấu trúc (số luật) của một mô hình mờ, nhưng trong trường hợp như thế những kỹ thuật tính toán này yêu cầu tính toán rất phức tạp vì những cá
thể sẽ chứa rất nhiều vùng.
Việc nhận dạng toàn bộ tập thông số bởi những kỹ thuật tối ưu phi tuyến có
thể yêu cầu tính toán nhiều, thời gian hội tụ lâu. Để tăng tốc quá trình nhận
dạng thông số, nhiều hệ thống neuro-mờ tuân theo chương trình học nhiều tầng để tìm và tối ưu những thông số. Thường xem xét hai tầng. Trong tầng đầu tiên
không gian ngõ vào được phân chia thành những vùng bởi học không giám sát
và từ mỗi vùng những thông số giả thuyết ( và cuối cùng là kết luận) của một
luật sẽ nhận được. Trong tầng thứ hai những thông số kết quả được dự đoán
bằng kỹ thuật học có giám sát. Trong hầu hết trường hợp, tầng thứ hai cũng
thực hiện việc tinh chỉnh những thông số giả thuyết đạt được trong tầng thứ
nhất dùng những kỹ thuật tối ưu phi tuyến. Hầu hết những kỹ thuật được dùng trong tầng đầu tiên thuộc một trong những loại sau: