toán lan truyền ngược - Tính sai lệch Emới Emới≤ε - Mô phỏng kết quả qua mạng đã huấn luyện - Vẽđồ thị - Lưu kết quả Kết thúc sai đúng
89
Kết quả mô phỏng :
Mạng nơron được huấn luyện với yêu cầu sai số học là 10-10. Ta có kết quả sai số tương đối quy đổi giảm dần khi tăng sốđiểm lấy mẫu nhưbảng 4.1
và hình 4.9
Bảng 4.1 : Kết quả mô phỏng sai số phụ thuộc sốđiểm lấy mẫu
Sốđiểm lấy mẫu N Số chu kỳ học Sai số %
5 606 1.107
6 724 0.723
7 1207 0.096
8 1800 0.029
90
9 1844 0.021
10 1256 0.008
Hình 4.9 : Sai số tương đối quy đổi giảm dần khi tăng sốđiểm lấy mẫu
Số điểm lấy mẫu cần thiết để đạt sai số yêu cầu 0.5% là N=7. Với N =7 ta có các kết quả thể hiện trên các hình 4.10, 4.11 và 4.12.
Hình 4.10 : Sai số học giảm dần khi tăng số chu kỳ học
Sai so % N 0 200 400 600 800 1000 1200 10-15 10-10 10-5 100 1207 Epochs T rai ni n g -B lue G oal -B la c k
91
Mạng xấp xỉ gần đúng đường cong chuyển đổi Uv1=0.001Uv22 tạo thành một đường cong như trên hình 4.11 sau :
Hình 4.11 : Đường cong xấp xỉ hàm bằng mạng nơron và đường cong chuyển đổi
Hình 4.12 : Đường sai số giữa đường cong xấp xỉ bằng mạng nơron và đường cong chuyển đổi
Uv2 Uv1 0 100 200 300 400 500 600 700 800 900 1000 -0.2 0 0.2 0.4 0.6 0.8 1 1.2 Sai so Uv2 + Điểm lấy mẫu -- Đường chuyển đổi Đường xấp xỉ bằng mạng nơron
92
Nhận xét : Hệ thống đo sử dụng mạng nơron để hiệu chỉnh sai số của bài toán trên đã giảm được sai số của hệ thống từ 12.5% xuống còn 0.096 % đảm bảo nằm trong giới hạn sai số 0.5% cho phép chỉ với 7 điểm lấy mẫu. Như vậy việc ứng dụng mạng nơron để hiệu chỉnh sai số của cảm biến, kể cả những cảm biến mắc phải sai số lớn, cho độ chính xác cao.
93
Chương 5
KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN CỦA ĐỀ TÀI
Nội dung của luận văn này là ứng dụng mạng nơron nhân tạo để khắc độ tự động thiết bị đo và cảm biến. Luận văn đã trình bày tổng quan các phương pháp khắc độ thiết bị đo và cảm biến bao gồm khắc độ dụng cụ đo tương tự, khắc độ dụng cụ đo có sử dụng vi xử lý hoặc máy tính và khắc độ chuyển đổi đo lường sơ cấp. Phần lý thuyết cơ sở của mạng nơron đã trình bày những hiểu biết về nơron sinh học đến khái niệm mạng nơron nhân tạo, nêu ra những mạng nơron nhân tạo với các thuật học làm cơ sở cho các nghiên cứu ứng dụng mạng nơron trong việc chế tạo cảm biến thông minh.
Luận văn đã nghiên cứu ứng dụng mạng nơron trong việc xử lý số liệu nhằm giảm sai số ngẫu nhiên, nêu ra được số lớp của mạng, số nơron và thuật học ứng dụng cho việc xử lý số liệu đo. Từ số liệu đã được xử lý, chúng tôi đề xuất việc sử dụng hàm Lagrange để xây dựng đường đặc tính đi qua tất cả những điểm lấy mẫu. Phưong pháp này cho phép giảm khối lượng tính toán cũng như bộ nhớ chương trình và đơn giản hơn so với những phương pháp thông thường. Với những kết quả thu được có thể áp dụng vào công nghệ chế tạo cảm biến và thiết bị đo để nâng cao độ chính xác của chúng.
Khắc độ tựđộng cảm biến dựa trên nguyên lý xấp xỉ hàm phi tuyến bằng mạng nơron đã được nghiên cứu trong luận văn cho ra những kết quả rất khả quan.
Đồng thời luận văn cũng đề cập đến việc hiệu chỉnh đặc tính thang đo của cảm biến đảm bảo sai số cho phép. Mạng được sử dụng là mạng hai lớp với hàm truyền Sigmoid/linear cho phép xấp xỉ hầu hết các hàm phi tuyến với độ chính xác tùy ý.
Do thời gian và điều kiện còn hạn chế nên luận văn mới dừng lại ở mức mô phỏng bằng phần mềm trên máy tính, chưa được ứng dụng trong thực tế. Nhưng cũng đã đề xuất được những hướng nghiên cứu cụ thể cho phép áp dụng vào việc chế tạo cảm biến thông minh trong tương lai không xa.
94
Ứng dụng mạng nơron để xử lý số liệu đo nhằm giảm sai số ngẫu nhiên cho phép ứng dụng không chỉ trong cảm biến thông minh mà còn có thể ứng dụng cho các thiết bịđo tương tự, thiết bị đo số...
Hướng nghiên cứu tiếp theo từ cơ sở những nghiên cứu của luận văn này là ứng dụng mạng nơron để giảm đồng thời sai số ngẫu nhiên và sai số hệ thống của cảm biến và ứng dụng vào việc chế tạo cảm biến và thiết bị đo với độ chính xác cao.
Như ta đã biết sai số của cảm biến bao gồm sai số hệ thống và sai số ngẫu nhiên được tính theo công thức :Δ=Δht +Δng. trong đó Δhtlà sai số hệ thống và Δnglà sai số ngẫu nhiên.
Từ những nghiên cứu trên ta có thể xây dựng mạng nơron gồm hai phần để giảm sai số ngẫu nhiên và sai số hệ thống. Phần thứ nhất là mạng nơron dùng để xử lý số liệu giảm sai số ngẫu nhiên, phần thứ hai là mạng nơron dùng để xấp xỉ hàm để giảm sai số hệ thống.
Trong đó mạng nơron dùng để xử lý số liệu giảm sai số ngẫu nhiên đã được nghiên cứu ở chương 3 là mạng truyền thẳng, có hai lớp với lớp vào sử dụng hàm truyền sigmoid lưỡng cực và lớp ra sử dụng hàm truyền tuyến tính. Mạng tổng hợp sử dụng thuật học lan truyền ngược.
Mạng tổng hợp có cấu trúc như sau : MNN (Y) {Y} MNN (X) {X} MNN (xấp xỉ hàm) + - * Y * X
Giảm sai số ngẫu nhiên Giảm sai số hệ thống
)( * ( * * X f Y = Hình 5.1: Cấu trúc mạng nơron tổng hợp
95
Cảm biến được chế tạo cài đặt mạng nơron này sẽ giảm được sai số ngẫu nhiên cũng như sai số hệ thống (tránh việc sử dụng phương pháp tuyến tính hoá gây ra sai số tuyến tính) đểđạt độ chính xác rất cao. Tuy nhiên phương án này cần phải được nghiên cứu thêm để có những kết quả cụ thể.
96
TÀI LIỆU THAM KHẢO
[TL1] Bộ Khoa học và Công nghệ (2005), Tuyển tập báo cáo khoa học Hội nghị khoa học kỹ thuật đo lường toàn quốc lần thứ 4, NXB Khoa học và kỹ thuật.
[TL2] Bùi Công Cường, Nguyễn Doãn Phước, Hệ mờ, mạng nơron và ứng dụng, NXB Khoa học và kỹ thuật Hà nội 2001.
[TL3] Phạm Thượng Hàn, Nguyễn Trọng Quế, Nguyễn Văn Hòa, Nguyễn Thị Vấn - Kĩ thuật đo lường các đại lượng vật lý (trọn bộ hai tập), NXB Giáo dục 2003.
[TL4] Phạm Thượng Hàn, Xử lí số tín hiệu, NXB Giáo dục 1993.
[TL5] Nguyễn Thanh Hải (2003), Tập bài giảng mạng nơron nhân tạo, Học Viện Kỹ Thuật Quân Sự.
[TL6] Nguyễn Hoàng Phương, Nguyễn Doãn Phước, Nguyễn Quang Hoan, Nguyễn Thanh Thủy, Chu Văn Hỷ và các tác giả khác, Hệ mờ và ứng dụng, NXB Khoa học và kĩ thuật Hà nội 1998.
[TL7] Nguyễn Đình Thúc, Mạng nơron, phương pháp và ứng dụng,
NXB Giáo dục, 2000.
[TL8] Nguyễn Mạnh Tùng (2003), Nghiên cứu ứng dụng mạng nơron nhân tạo cho các bài toán đo lường, Luận án tiến sĩ kỹ thuật, Đại học bách khoa Hà nội.
[TL9] C.T Lin, G.Lee (1996), Neural Fuzzy Systems, Prentice Hall, Inc [TL10] David M.Skapura (1996), Building Neural Networks, ACM press [TL11] J.-S.R.Jang, C.-T.Sun, E.Mizutani(1997), Neuro-Fuzzy and Soft Computing, Prentice Hall, Inc
[TL12] Jacob Fraden (1993), AIP hanbook of modern sensor,American institute of Physics.
97
[TL13] George A.Rovithakis (1999), Robustifying Nonlinear Systems Using High-Order Neural Network Controllers, IEEE Tran. on Automatic Control.
[TL14] Howard Demuth, Mark Beale, Neural Network Toolbox For Use with Matlab, Version 4, The MathWorks
[TL15] Hunt K.J and Others (1992), Neural Networks for Control System-A Survey, Automatica
[TL16] Limin Fu, Neural Networks in Computer intellingence, McGraw- Hill, Inc
[TL17] Martin T.Hagan, Howard B.Demuth, Mark Beale MHB (1995),
Neural Networks design, An Internation Thomson Publishing Company, Inc. [TL18] Madan M.Gupta, Liang Jin, Noriyasu Homma (2003), Static and DynamicNeural Networks, A John Wiley &Sons, Inc., Publication.
[TL19] Michael A. Arbib (2003), The handbook of Brain Theory and Neural Networks, The MIT Press.
[TL20] D.Michie, D.J.Spiegelhalter,C.C.Taylor(1994), Machine learning, Neural and Statistical Classification, ACM press.
[TL21] Stuart J. Russell, Peter Norvig (1995), Artificial Intelligence A Modern Approach, Prentice Hall, Inc.