6. BỐ CỤC LUẬN VĂN
2.1.2. Mô hình mạng nơ-ron nhân tạo
Nhƣ đã đƣợc giới thiệu, mạng nơ-ron nhân tạo (ANN) là một hệ thống xử lý thông tin đƣợc xây dựng trên cơ sở tổng quát hoá mô hình toán học của nơ-ron sinh học và phỏng theo cơ chế làm việc của bộ não con ngƣời. Mạng nơ-ron nhân tạo đƣợc thể hiện thông qua ba thành phần cơ bản: mô hình của nơ-ron, cấu trúc và sự liên kết giữa các nơ-ron, phƣơng pháp học đƣợc áp dụng cho mạng nơ-ron.
2.1.2.1. Các phần tử xử lý
Việc xử lý thông tin tại mỗi nơ-ron có thể xem là gồm hai phần: xử lý tín hiệu vào (input) và đƣa tín hiệu ra (output). Tƣơng ứng với phần vào của mỗi nơ- ron là một hàm tƣơng tác (interaction) f, hàm này kết hợp các thông tin truyền tới nơ-ron và tạo thành thông tin đầu vào tổng hợp (gọi là net input) của nơ-ron đó.
Một nơ-ron thứ i trong mạng thƣờng có hàm fi ở dạng tuyến tính nhƣ sau [14][17]: 1 : w m i i ij j i j f net x (2.3) Thao tác thứ hai trong mỗi nơ-ron là tính giá trị đầu ra tƣơng ứng với giá trị đầu vào f thông qua hàm kích hoạt hay còn gọi là hàm chuyển g(f) (hàm kích hoạt). Một số hàm chuyển thƣờng đƣợc sử dụng:
- Hàm bƣớc nhảy
( ) { (2.4) - Hàm dấu
- Hàm sigmoid 1 ( ) 1 f g f e hoặc 2 ( ) 1 1 f g f e (2.6)
2.1.2.2. Liên kết trong mạng nơ-ron nhân tạo
Mạng nơ-ron nhân tạo gồm các nơ-ron và liên kết có trọng số giữa chúng. ANN tạo nên một hệ thống xử lý thông tin làm việc trên cơ sở phỏng theo cách làm việc của hệ thống các nơ-ron trong bộ não con ngƣời. Tuy nhiên, trong bộ não của con ngƣời, các tế bào nơ-ron liên kết với nhau chằng chịt và tạo nên một mạng lƣới vô cùng phức tạp.
Các loại mạng nơ-ron nhân tạo [4] đƣợc xác định bởi cách liên kết giữa các nơ-ron, trọng số của các liên kết đó và hàm chuyển tại mỗi nơ-ron. Các hình vẽ dƣới đây thể hiện các cách kết nối khác nhau.
Hình 2.3.Mạng nơ-ron nhân tạo chỉ có một nút và có sự phản hồi
Mạng nơ-ron truyền thẳng một lớp là loại mạng chỉ có lớp nơ-ron đầu vào và một lớp nơ-ron đầu ra (thực chất lớp nơ-ron đầu vào không có vai trò xử lý, do đó ta nói mạng chỉ có một lớp). Loại mạng này còn đƣợc gọi là mạng perceptron một lớp. Mỗi nơ-ron đầu ra có thể nhận tín hiệu từ các đầu vào x1, x2, …, xmđể tạo ra tín hiệu đầu ra tƣơng ứng.
Hình 2.4. Mạng nơ-ron truyền thẳng một lớp [6]
Mạng nơ-ron truyền thẳng nhiều lớp, lớp nhận tín hiệu vào của mạng gọi là lớp vào (input layer), nó thƣờng không thực hiện việc chuyển đổi thông tin mà chỉ làm chức năng nhận tín hiệu. Tín hiệu ra của mạng đƣợc đƣa ra từ lớp ra (output layer). Các lớp ở giữa lớp vào và lớp ra gọi là các lớp ẩn. Trong mạng truyền thẳng (feedforward network) không có nút nào mà đầu ra của nó là đầu vào của một nút khác trên cùng lớp với nó hoặc lớp trƣớc.
Mạng có phản hồi (feedback network) là mạng mà đầu ra của một nơ-ron có thể trở thành đầu vào của nơ-ron trên cùng một lớp hoặc của lớp trƣớc đó. Mạng feedback network có chu trình khép khín gọi là mạng quy hồi (recurrent network).
2.1.2.3. Các luật học của mạng nơ-ron nhân tạo
Luật học là yếu tố quan trọng tạo nên một mạng nơ-ron nhân tạo. Có hai vấn đề cần học đối với mỗi mạng nơ-ron nhân tạo đó là học tham số (parameter learning) và học cấu trúc (structure learning).
Học tham số là việc thay đổi trọng số của các liên kết giữa các nơ-ron trong một mạng, còn học cấu trúc là việc điều chỉnh cấu trúc của mạng bao gồm thay đổi số lớp nơ-ron, số nơ-ron của mỗi lớp và cách liên kết giữa chúng. Hai vấn đề này có thể đƣợc thực hiện đồng thời hoặc tách biệt.
Về mặt phƣơng pháp học, có thể chia ra làm ba loại: học có giám sát hay còn gọi là học có thầy (supervised learning), học tăng cƣờng (reinforcement learning) và học không có giám sát hay còn gọi là học không có thầy (unsupperviced learning).