4. Các giải thuật về máy học [16-17, 21-23]
4.1. Giải thuật Mạng nơ-ron nhân tạo (Artificial NeuralNetwor k ANN)
- Mạng nơ-ron nhân tạo là sự mơ phỏng chức năng của hệ thần kinh con người với vơ số các nơ-ron được liên kết và truyền thơng với nhau. Giống như mạng nơ-ron của não người, ANN học và lưu những kinh nghiệm và sử dụng trong những tình huống phù hợp. Mạng nơ-ron đã áp dụng thành cơng trong nhiều vấn đề liên quan đến dự báo, phân loại và điều khiển thuộc nhiều lĩnh vực khác nhau, như tài chính, y tế, địa chất và vật lý. Ví dụ như khả năng nhận dạng mặt người, dự báo thời tiết và thiên tai, tự động điều khiển hệ thống lái tàu, hệ thống dự báo sự cố, v.v.
- Kiến trúc chung của một mạng nơ-ron nhân tạo gồm 3 thành phần đĩ là: input layer, hidden layer và output layer. Trong đĩ, hidden layer gồm các thần kinh nhận dữ liệu input từ các neural ở lớp trước đĩ và chuyển đổi các input này cho các lớp xử lý tiếp theo. Trong một ANN cĩ thể cĩ nhiều lớp ẩn.
- Quá trình xử lý thơng tin của một mạng nơ-ron nhân tạo liên quan đến: (1) Lớp Inputs: Dữ liệu nhập tương ứng các thuộc tính của dữ liệu. (2) Lớp Outputs: Kết quả là một giải pháp cho một vấn đề.
(3) Lớp Weights: Trọng số liên kết là thành phần quan trọng thể hiện mức độ quan trọng (độ mạnh) của dữ liệu nhập đối với quá trình xử lý thơng tin (quá trình chuyển đổi dữ liệu từ lớp này sang lớp khác). Quá trình học của ANN thực ra là quá trình điều chỉnh các trọng số của các dữ liệu nhập để cĩ được kết quả mong muốn. Trong đĩ:
(1) Summation Function: hàm tổng tính tổng trọng số của tất cả các dữ liệu nhập đưa vào mỗi neural. Hàm tổng của một nơ-ron đối với n dữ liệu nhập được tính theo cơng thức sau:
1 n i i i Y X W
(2) Transfer Function: hàm tổng của một neural cho biết khả năng kích hoạt của neural đĩ, cịn gọi là kích hoạt bên trong. Các nơ-ron này cĩ thể sinh ra một kết quả hoặc khơng (nĩi cách khác rằng cĩ thể kết quả của 1 neural cĩ thể được chuyển đến lớp tiếp trong mạng nơ-ron hoặc khơng). Mối quan hệ giữa kích hoạt bên trong và kết quả được thể hiện bằng hàm chuyển đổi (Transfer Function). Việc lựa chọn hàm chuyển đổi cĩ tác động lớn đến kết quả của một mạng nơ-ron nhân tạo. Hàm chuyển đổi phi tuyến được sử dụng phổ biến là hàm sigmoid Yt = 1/ (1+e-y), trong đĩ yt là hàm chuyển đổi và y là hàm tổng.
(3) Kết quả xử lý tại các nơ-ron đơi khi rất lớn, vì vậy hàm chuyển đổi được sử dụng để xử lý kết quả này trước khi chuyển đến lớp tiếp theo. Đơi khi thay vì sử dụng hàm chuyển đổi người ta sử dụng giá trị ngưỡng để kiểm sốt các kết quả của các neural tại một lớp nào đĩ trước khi chuyển các kết quả này đến các lớp tiếp theo. Nếu kết quả của một nơ-ron nào đĩ nhỏ hơn giá trị ngưỡng thì nĩ sẽ khơng được chuyển đến lớp tiếp theo. Kiến thức nền tảng này tham khảo từ tài liệu [5].