6. Cấu trúc của luận án
3.3.2.1 Ứng dụng CNN bậc hai trong bài toán nuôi trồng
Một thử nghiệm ứng dụng khác của CNN bậc cao là kết hợp với STM32 ARM Cortex MCUs trong nuôi trồng thông minh khép kín chuồng, ao, vườn. CNN bậc hai được áp dụng trong xây dựng hệ thống nuôi trồng thông minh trên cơ sở thu thập thông tin tương tác đa chiều: hình ảnh, âm thanh, tiếng động, độ ẩm, mật độ oxy, độ rắn, trọng lượng, mực nước v.v…
a) Sơ đồ hệ thống nuôi trồng thông minh
Trong (Hình 3.10), các khối: thức ăn, nước uống (A); chuồng gà, lợn (gia súc) (B); xử lý chất thải (C); ao, hồ (bể cá) (D); máy bơm hút (E); vườn rau thủy canh hoặc bán thủy canh (dinh dưỡng cho rau là phân cá trong nước ao hồ hoặc bể cá) (F); xử lý nước trước khi trả về ao, hồ (bể cá) (G). Quy trình như (Hình 3.10).
Hình 3.10 Mối quan hệ trong hệ thống nuôi trồng thông minh
- Thức ăn: Dạng hạt, dạng bột, dạng nước, dạng tổng hợp, hạt mềm, hạt rắn, hạt khô, hạt ướt, nước, v.v.
Hình 3.11 Tính tương tác đa chiều của CNN bậc hai trong hệ thống - Chuồng gia súc: Sạch, bẩn, khô, ướt; loại động vật nuôi v.v...
- Xử lý chất thải: Lấy chất thải từ chuồng, xử lý phân loại, lưu trữ, xả cho cá, xác định hàm lượng độc hại tồn dư v.v…
- Ao, hồ (bể cá): Nước, cá, chất hỗn hợp hòa tan từ phân gia súc, cá và từ nguồn tự nhiên v.v…
- Công xuất, lượng nước bơm, thời gian bơm, dạng nước xả ở đầu ra, khoảng cách, áp suất, thời gian v.v…
- Cách thức trồng, loại rau, độ ẩm, mực nước, chất dinh dưỡng v.v…
- Lọc, độ sạch của nước v.v…
Từ dữ liệu, tác giả xây dựng thành các cụm tương tác đa chiều tương ứng. Ví dụ: Ao hồ (D): Có lượng thức ăn nhiều → xử lý chất thải (C) không xả thêm thức ăn cho cá → Thức ăn, nước uống (A) điều chỉnh lượng thức ăn, v.v… (Hình 3.11) cho thấy quan hệ từ các phần tử láng giềng tạo nên tương tác đa chiềụ
b) Các bước thực hiện của chương trình hệ thống nuôi trồng thông minh sử dụng HiCNN và STM32.
Bước 1. Start (khởi tạo chương trình) Bước 2. Nhận dạng khối chức năng
Hình 3.12 Sơ đồ hệ thống Smart Farm sử dụng HiCNN và STM32
Khối cảm biến, thu thập dữ liệu Camera Micro Cảm biến nhiệt độ Cảm biến ánh sang Cảm biến độ ẩm Cảm biến mực nước Cảm biến mưa, gió Cảm biến độ ẩm Khối xử lý STM32 ARM Cortex MCUs Khối Nguồn AC.220v DC.24v DC.12v DC.5.0v DC.3.2v Khối kết nối hệ thống thực thi Bơm Micro Đồ ăn, đồ uống Đóng, mở cửa Tắt/mở đèn, quạt Tưới, làm sạch Cảnh bái
Bước 3. Xác nhận các trạng thái: Nếu sai, cảnh báo lỗi; Nếu đúng thì dừng cảnh bảo và chuyển tiếp bước 4.
Bước 4. Khối A hoạt động: Nếu sai, cảnh báo lỗi; Nếu đúng thì dừng cảnh báo và chuyển tiếp bước 5.
Bước 5. Khối B hoạt động: Nếu sai, cảnh báo lỗi và quay lại bước 4; Nếu đúng dừng cảnh báo và chuyển tiếp bước 6…
…
Bước 10. Khối G hoạt động: Nếu sai, cảnh báo lỗi và chuyển bước 9; Nếu đúng, dừng báo và chuyển tiếp bước 11.
Bước 11. Kiểm tra dữ liệu sau xử lý: Nếu đúng, dừng cảnh báo và chuyển sang bước 12; Nếu sai, cảnh báo lỗi và chuyển về bước 10.
Bước 12. Kết thúc
Trong thực nghiệm này, tác giả ứng dụng mô hình CNN bậc 2 trong phát triển hệ thống nuôi trồng thông minh.
Toàn văn kết quả được công bố trên bài báo [Ạ3].
3.3.2.2 Ứng dụng CNN bậc hai trong cảnh báo sớm cho bệnh nhân sử dụng thuốc kháng Vitamin K
Dựa vào các yêu cầu nghiêm ngặt về việc sử dụng thuốc kháng vitamin K [Ạ5] cho bệnh nhân, mô hình này đáp ứng các yêu cầu sau:
- Bệnh nhân dùng vitamin K nên dùng đúng khung thời gian trong ngày/ tuần/ tháng/ năm và sử dụng thuốc trọn đời với tuổi thọ của van nhân tạọ
- Bệnh nhân thường quên dùng thuốc hoặc sai mốc thời gian dùng thuốc: + Thông báo bằng chuông hoặc nhạc hoặc lời nói trong 1 phút và gián
đoạn trong 4 phút, sau đó báo cáo nhiều lần trong khoảng 1 giờ. Nếu bệnh nhân uống thuốc, và xác nhận đã dùng thuốc thì hệ thống lưu thông tin và dừng cảnh báọ
+ Nếu bệnh nhân không dùng thuốc, cảnh báo sẽ được lặp lại 1 phút, phút và sẽ kéo dài trong 1 giờ,
+ Sau 1 giờ, nếu không được xác nhận, tin nhắn được gửi lại có tốc độ 1 phút và 10 phút gián đoạn (âm thanh có tần số cao hơn để phân biệt với 1 giờ trước đó), cảnh báo với tiếng chuông hoặc nhạc hoặc lời nói được
phát liên tục trong 60 phút.
+ Sau 60 phút, nếu chưa được xác nhận, tin nhắn được thông báo ở tần suất 1 phút và 15 phút (lần này âm thanh cao hơn và tần số của lần thứ hai khác với lần 1 và thời gian gián đoạn sau 120 phút, cảnh báo với tiếng chuông hoặc nhạc hoặc lời nói sẽ được liên tục trong 60 phút, và sau đó gửi tin nhắn ngắn đến điện thoại của gia đình người bện nhắc gia đình hỗ trợ người bệnh sử dụng thuốc.
+ Quy trình cảnh báo được lặp lại từ lần thứ 4 đến Lần thứ 7, với tần suất cao và khẩn cấp cho bệnh nhân đang dùng thuốc. Nếu đến lần thứ 7 vẫn chưa được xác nhận, chương trình sẽ thông báo cho các thành viên gia đình và bác sĩ gia đình về việc bỏ thuốc để gia đình và bác sĩ gia đình lên kế hoạch theo dõi và kiểm tra INR của bệnh nhân sau khi bỏ lỡ việc sử dụng thuốc.
- Nếu người dùng thuốc bỏ quên thuốc hoặc ngừng dùng thuốc vì lý do đã hết thuốc sau 8 giờ đồng hồ nhưng vẫn chưa có thuốc bổ sung. Lúc này chương trình sẽ thông báo cho gia đình. Các thành viên và bác sĩ gia đình về việc bỏ thuốc để bổ sung thuốc và kế hoạch theo dõi kiểm tra chỉ số đông máu (INR) sau khi bỏ thuốc.
a) Sơ đồ khối ứng dụng CNNs bậc 2 trong cảnh báo sớm cho bệnh nhân sử dụng thuốc kháng Vitamin K
Hình 3.13 Sơ đồ khối gửi thông tin cảnh báo sớm cho bệnh nhân sử dụng thuốc kháng Vitamin K Thông báo -Âm thanh -Text Bệnh nhân Sử dụng thuốc kháng Vitamin K Bệnh nhân Xác nhận đã sử dụng thuốc Bệnh nhân Xác nhận quên sử dụng thuốc Gửi tin nhắn đến người nhà và bác sĩ điều trị nhắc bệnh nhân Lưu dữ liệu trên máy cá nhân và iCloud
Thử nghiệm chương trình với một số chức năng cơ bản như nhắc bệnh nhân dùng thuốc bằng âm thanh, lời nói và tin nhắn trên màn hình nhắc liều thuốc theo toa của bác sĩ kê đơn cho mỗi lần/ngày/tuần/tháng.
Hình 3.14. Sơ đồ khối chức năng cảnh báo cảnh báo sớm cho bệnh nhân sử dụng thuốc kháng Vitamin K
Lời thoại và tin nhắn văn bản được gửi cho gia đình bệnh nhân về việc bổ sung thuốc kháng vitamin K. Do bệnh nhân sử dụng van nhân tạo phải duy trì tần suất sử dụng thuốc và kiểm tra chỉ số INR định kỳ, chương trình cũng theo dõi nhịp tim và dữ liệu huyết áp, chỉ số INR hàng tuần/ tháng để cảnh báo sớm cho bệnh nhân và bác sĩ. Thực nghiệm cho thấy, 95,7% người dùng đúng chế độ thuốc theo quy định của bác sĩ, và trường hợp bỏ thuốc do quên hoặc hết thuốc được hạn chế.
b) Thuật toán sử dụng trong cảnh báo sớm cho bệnh nhân sử dụng thuốc kháng Vitamin K
CNN bậc hai được sử dụng ở đây bao gồm cả phần tử mạng bậc nhất và phần Dữ liệu đầu vào
Thời gian quên uống thuốc Liều lượng
Địa chỉ của dữ liệu lưu trữ trên mạng
Địa chỉ của người nhà, bác sỹ điều trị
Mạng nơron tế bào bậc cao trong cảnh báo sớm cho bệnh nhân kháng Vitamin K Thông báo - Âm thanh - Tin nhắn - Lưu dữ liệu
Gửi thông báo
-Các thành viên trong gia đình
tử CNN bậc 2 (2.1) trong chương 2.
c) Các bước thực hiện trong chương trình cảnh báo sớm cho bệnh nhân sử dụng thuốc kháng Vitamin K
Bước 1. Bắt đầu (khởi tạo chương trình)
Bước 2. Nhập thông tin cảnh báo: âm thanh cảnh báo, cảnh báo bằng lời thoại, số điện thoại gửi tin nhắn cảnh báo, địa chỉ lưu trữ trực tuyến về việc sử dụng thuốc kháng vitamin K.
Bước 3. Khai báo khung thời gian dùng thuốc
- Nếu được xác nhận khi bệnh nhân đã dùng thuốc, thì gửi thông tin được lưu trữ và dừng cảnh báọ
- Nếu không được xác nhận bệnh nhân đã dùng thuốc, thì chuyển đến bước 4.
Bước 4. Thông báo, nhắc lại yêu cầu cho người sử dụng với tỷ lệ ¼ liên tục trong 6 lần.
- Nếu người dùng xác nhận đã dùng thuốc, thì gửi thông tin được lưu trữ và dừng thông báo;
- Nếu không xác nhận, bệnh nhân đã dùng thuốc, chuyển đến Bước 5. Bước 5. Lời nhắc cho 1/4 liều được lặp lại sáu lần, tần số âm cao gấp 6 lần so
với trước đó.
- Nếu được xác nhận bệnh nhân đã dùng thuốc, hãy gửi thông tin được lưu trữ và dừng thông báo;
- Nếu không được xác nhận bệnh nhân dùng dụng thuốc, thì chuyển sang bước 6.
Bước 6. Lời nhắc được lặp lại sáu lần, tần suất cao hơn từ 1 giờ đến 2 giờ. - Nếu được xác nhận đã dùng thuốc, thì gửi thông tin được lưu trữ và dừng thông báo;
Bước 7. Thông báo tỷ lệ 1/4 và được lặp lại liên tục trong 18 lần, tần suất từ 1 giờ đến 2 giờ và 3 giờ.
- Nếu được xác nhận, bệnh nhân đã dùng thuốc thì gửi thông tin được lưu trữ và dừng thông báọ Gửi tin nhắn thông báo cho gia đình, bác sĩ. - Nếu không được xác nhận đã dùng thuốc, chuyển đến bước 8.
Bước 8. Gửi tin nhắn và lời thoại cho bệnh nhân đã bỏ sử dụng thuốc để không uống lại do thời gian đã quá 8 giờ theo hướng dẫn của bác sĩ.
- Người dùng thuốc xác nhận thông tin, dừng thông báọ
- Nếu không được xác nhận thông tin thì gửi tin nhắn âm thanh và văn bản cho các thành viên trong gia đình, gia đình bác sĩ.
Bước 9. Kết thúc
Toàn văn kết quả được công bố trên bài báo [Ạ5] của tác giả.
3.4 Kết luận chương 3
Dựa trên kết quả nghiên cứu mô hình CNN bậc cao, tác giả đã thử nghiệm bậc hai cho các bài toán điển hình bao gồm:
i) Thử nghiệm CNN bậc hai trong nhận mẫu tương ứng với Y Y1, 2,Y3 và số bit tương ứng là 9 bit và 81 bit cho nhận mẫu đã được học và các mẫu không được học có số bit sai đến 44% để kiểm chứng bộ nhớ CNN bậc cao làm bộ nhớ liên kết.
ii) Thực hiện trên phần cứng FPGA và thử nghiệm cho nuôi trồng, đóng góp gồm có 2 bài báo [Ạ3], [Ạ4] trong công trình khoa học của tác giả.
iii) Thực nghiệm CNN bậc hai với một số các ứng dụng khác, đóng góp gồm 2 bài báo [Ạ5], [Ạ6] trong công trình khoa học của tác giả.
KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN CỦA LUẬN ÁN
1. Kết luận
Với mục tiêu nghiên cứu phát triển cấu trúc CNN bậc cao trên cơ sở CNN chuẩn của Leon Ọ Chua [11] và xem xét một số tính chất cơ bản của chúng, luận án đã thực hiện các nội dung nghiên cứu:
Nghiên cứu về CNN và các mô hình phát triển của mạng; phân tích một số hạn chế và giải pháp đã được các nhà nghiên cứu sử dụng để khắc phục, trên cơ sở đó đề xuất cấu trúc CNN bậc cao (đa tương tác) dạng hàm mũ (bậc đa thức). Đây là cơ sở để phát triển các hướng nghiên cứu của luận án. Các đóng góp mới của luận án gồm ba vấn đề:
Đóng góp thứ nhất: Đề xuất mô hình CNN bậc cao hay đa tương tác gồm phương trình mô tả trạng thái, phương trình đầu ra và các giới hạn của mạng.
Đóng góp thứ hai: Chứng minh mô hình mạng bậc cao ổn định đầy đủ thông qua các bổ đề về mặt lý thuyết, và mô phỏng trên Matlab để kiểm nghiệm.
Đóng góp thứ ba, Ứng dụng CNN bậc cao dùng làm bộ nhớ liên kết dựa trên mạng nơron bậc hai (đại diện cho mạng nơron bậc cao).
2. Hướng phát triển của luận án
Các nội dung nghiên cứu của luận án có thể tiếp tục hoàn thiện và phát triển, một số hướng phát triển như sau:
i) Mở rộng nghiên cứu thử nghiệm nhận dạng với mô hình mạng tự điều chỉnh cấu hình mạng, tự điều chỉnh các tham số đầu vào, số lượng tham số thích nghị
ii) Nghiên cứu thử nghiệm với các mô hình lai ghép với mạng nơron tích chập và thẻ sinh trắc học.
iii) Tiếp cận hướng nghiên cứu nhằm đảm bảo độ chính xác trong nhận dạng khi ngữ liệu của môi trường thực không hoàn toàn như dữ liệu đã được học.
iv) Kết hợp việc nhận dạng hình ảnh, hành vi, tiếng nói và các giác quan để góp phần hướng tới xây dựng các hệ thống thông minh hoạt động hiệu quả.
v) Tiến tới xây dựng thuật toán học đầy đủ các tham số [A, B, I] cho mạng nơron tế bào bậc caọ
DANH MỤC CÁC CÔNG BỐ CỦA LUẬN ÁN
Ạ1. Nguyen Tai Tuyen, Nguyen Quang Hoan, Ngo Van Sy, (2016) “Stability of Multi-Interactive Cellular Neural Networks Using Lyapunov Function”, Hội thảo toàn quốc về Điện tử, Truyền thông và Công nghệ Thông tin REV-2016, pp.59- 61.
Ạ2. Nguyen Tai Tuyen, (2016) "On A Structure Of High Order Multi-Interaction Cellular Neural Network", International Journal of Advance Computational Engineering and Networking (IJACEN), pp. 24-26, Volume-4, Issue-2.
Ạ3. Tuyen Nguyen Tai, (2017) "On an Application of Multi-Interaction Cellular Neural Network in Smart Farms Systems", International Journal of Electrical, Electronics and Data Communication (IJEEDC), pp. 1-3, Volume-5, Issue-7. Ạ4. Nguyen Tai Tuyen, Nguyen Quang Hoan, (2018) “An Application of Multi-
Interaction Cellular Neural Network on the Basis of STM32 and FPGA”,
International Journal for Research in Applied Science & Engineering Technology (IJRASET), pp. 177-181, Volume-5, Issue-Ị
Ạ5. Tuyen Nguyen Tai, Hoan Nguyen Quang, (2018) “An Application of High Order Multi-Interaction Cellular Neural Network in Early Warning for Cardiovascular Disease Patients with Anti-Vitamin K”, International Journal of Research in Technology and Management, pp. 24-27, Volume-4, Issue-1.
Ạ6. Nguyen Tai Tuyen, Nguyen Quang Hoan, Ngo Van Sy, (2019) “On An Application of High Order MultiInteraction Cellular Neural Network in the Early Fire Warning System”, International Journal of Latest Engineering Science, pp. 53-58, Volume-2, Issue-6.
Ạ7. Nguyen Quang Hoan, Nguyen Tai Tuyen, Duong Duc Anh, (2020) “Architecture and Stability of the Second-Order Cellular Neural Networks”,
TÀI LIỆU THAM KHẢO
[1] Aein M. J., Talebi H.Ạ (2009), “Introducing a Training Methodology for Cellular Neural Networks with Application to Mechanical Vibration Problem”, IEEE Multi-conference on Systems and Control Saint Petersburg, Russia, pp. 1661- 1666.
[2] Arslan Ẹ, Orman Z. (2011), “Road Traffic Analysis on the CNN Universal Machine”, Proceedings of the World Congress on Engineering and Computer Science, 2011 (I), pp. 19-21.
[3] Aziz W., Controllability T. L. (2005), “Applications, and Numerical Simulations of Cellular Neural Networks”, Electronic Journal of Differential Equations, Conference (13), pp. 1-11.
[4] Ban J. C., Chang C. H., Lin S. S. (2012), “On the Structure of Multi-layer Cellular Neural Networks”, J -C. Ban et al. / J. Differential Equations (252), pp. 4563– 4597.
[5] Benziadị F., Kendouci Ạ (2016), “The Application of Kolmogorov’s Theorem in the one-Default Model”, Mathematical Sciences and Applications, pp. 71-78. [6] Bhambhani V., Herbert., Tanner G. (2010), “Topology Optimization in Cellular
Neural Networks”, Proceedings of the 49th IEEE Conference on Decision and Control, (15-17), pp. 3926-3931.
[7] Catherine D., Schuman., Thomas & James S. (2017), “A Survey of Neuromorphic Computing and Neural Networks in Hardware”, arXiv:1705.06963v1, (19), pp. 1-88.
[8] Cimagallị V., Balsị M. (1993), “Cellular Neural Network: A Review”,
Proceedings of Sixth Italian Workshop on Parallel Architectures and Neural Networks. Vietri sul Mare, Italy, pp. 12-14.
[9] Cuia B. T, Wuạ W. (2009), “Global Exponential Stability of High Order Recurrent Neural Network with Time-Varying Delays”. Applied Mathematical Modelling 33(1), pp. 198-210.
[10] Chen. Z., Meng. Z. (2012), “Exponential Convergence for Cellular Neural Networks with Time-Varying Delays in the Leakage Terms”, Abstract and Applied Analysis (2012), p. 1-10.
[11] Chua L. Ọ, Yang. (1988), “Cellular Neural Network Theory”, IEEE, Transactions on Circuits and Systems (35), p. 1259 - 1266.
[12] Elangọ P., Murugesan. K. (2009), “Digital Image Inpainting Using Cellular Neural Network”. Int. J. Open Problems Compt. Math, (2),pp. 339-350. [13] Elias. B., Kosmatopoulos., Marios. M., Polycarpoụ (1995), “High-Order Neural
Network Structures For Identification of Dynamical Systems”, IEEE Transactions on Neural Networks, 6(2), p. 422 – 431.
[14] Ettaouil. M., Elmoutaouakil. K., Ghanoụ Ỵ (2015), “The Continuous Hopfield Networks (CHN) for the Placement of the Electronic Circuit”, Weseas Wseas Transaction on Computers Joudar Nour-Eđine, El Moutouakil Karim, Ettaouil Mohamed, (14), pp. 1865-1874.
[15] Fantaccị R., Gubellinị R., Pecorellạ T., and Tarchị D. (2003), “A Cellular Neural Network Based Diffserv Switch for Satellite Communication Systems”,
Dipartimento di Elettronica e Telecomunicazioni Universit`a di Firenze Via di