Qua quá trình phân tích ta có thể thấy được mạng nơron là loại mô hình theo đặc điểm của dữ liệu nó thuộc về mô hình thống kê, xét về mặt phương pháp luận
nó là mô hình theo phương pháp chiếc hộp đen. Nguyên lý mà chúng ta không quan tâm tới những vấn đề xảy ra bên trong hệ thống mà chỉ quan tâm tới giá trị các thông số của dữ liệu đầu vào và thông số đầu ra của hệ thống đó. Theo trạng thái, tùy theo ứng dụng và cấu trúc của từng mạng nơron mà ta xếp nó vào loại động hay tĩnh.
Ta có thể thấy rằng mạng nơron nhân tạo được sử dụng khi ta không nắm được bản chất của hiện tượng. Còn với hệ thống xử lý nước thải thì bản chất của hiện tượng khá phức tạp, khó khiểm soát chúng ta cũng có thể thu được “tri thức” từ nó song sẽ gặp rất nhiều khó khăn khi dùng phương pháp khác. Ta thấy rằng, mạng nơron nhân tạo là một giải pháp tốt cho việc mô phỏng quá trình xử lý nước thảị
5.2. MẠNG NƠRON NHÂN TẠO VÀ MÔ HÌNH THỐNG KÊ KINH ĐIỂN ĐIỂN
Mục tiêu chính của công việc mô hình hóa vẫn là tìm mối liên hệ giữa các thông số của hệ thống. Cả hai mạng nơron nhân tạo và mô hình thống kê kinh điển đều nhằm tới mục tiêu đó. Song giữa chúng có nhiều điểm tương đồng và cũng có những nét đặc trưng riêng.
5.2.1. Sự tƣơng đồng
Các thành phần của hai loại mô hình cũng như thuật ngữ sử dụng tương đồng và có ý nghĩa, vai trò như nhau [14];
Bảng 5.1 các thuật ngữ của mạng nơron và mô hình thống kê.
Mạng nơron nhân tạo Mô hình thống kê
Thông số đầu vào (in put) Biến độc lập (Independent variable)
Thông số đầu ra (out put) Giá trị được dự báo (Predicted value)
Giá trị luyện được (Training values ) Biến phụ thuộc (Dependent variable)
Lỗi (Errors) Sai số (Residuals)
Luyện mạng hay quá trình học để thu được các trọng số (Training or learning)
Hàm lỗi hay hàm chi phí (Error function or cost function)
Tiêu chí ước lượng (Estimation criterion)
Dữ liệu để luyện (Patterns or training pairs)
Các quan sát (Observation)
Các trọng số (Weights) Các hệ số (Parameter estimates)
Tổng quát hóa (Generilisation) Nội suy và ngoại suy (Interpolation and
extrapolation)
Cả mạng nơron nhân tạo lẫn mô hình thống kê đều tìm cách thu được những hệ số hay trọng số để diễn đạt mỗi quan hệ giữa đầu vào và đầu ra của hệ thống. Với mạng nơron thì thông qua hoạt động của hàm truyền còn với mô hình thống kê thì thông qua các hàm hồi quỵ
5.2.2. Sự khác nhau
5.2.2.1. Về mục tiêu
Mô hình thống kê đi xây dựng phương pháp luận tổng quát để đạt được tối ưu với ý nghĩa thống kê.
Mạng nơron nhân tạo quan tâm đến khả năng dự báo chính xác và tìm hiểu cơ chế hoạt động của vấn đề.
5.2.2.2. Phƣơng pháp tiếp cận mô hình
Mặc dù mạng nơron nhân tạo và mô hình thống kê được xem là tương đương nhau trong thời gian dài, nhưng điều này chỉ có ý nghĩa trong những ứng dụng mà bản chất vấn đề đơn giản, các mối liên hệ là tuyến tính hay xấp xỉ tuyến tính. Còn trong những ứng dụng thực tế có mối liên hệ phức tạp và thường là kết quả của những hàm phi tuyến phức tạp thì lúc này mô hình thống kê tỏ ra rất hạn chế. Ngược lại, mạng nơron nhân tạo tỏ ra rất linh hoạt và hiệu quả. Ví dụ các thông số đầu ra của một trạm xử lý nước thải được xem là một hàm phức hợp của các thông số đầu vào và các thông số vận hành, chưa có một mô hình toán học mô tả đầy đủ các mối liên hệ đó. Trong những trường hợp như vậy, ứng dụng mô hình mạng nơron nhân tạo là một hướng đi cần thiết.
5.3. ỨNG DỤNG TRONG BÀI TOÁN XỬ LÝ NƢỚC THẢI
Trong bài toán xử lý nước thải, sử dụng mạng nơron đã được phát triển trong vòng một vài thập niên trở lại đâỵ Hiện nay phần lớn các hệ thống xử lý nước thải đều vận dụng những nguyên lý cơ lý, hóa sinh,…Vì các quá trình xảy ra trong đó rất phức tạp, để giải quyết vấn đề này người ta đã dùng nguyên lý chiếc hộp trắng hoặc mô hình thống kê kinh điển nhưng kết quả đạt được chưa cao, nhất là khi quá trình sinh hóa xảy rạ
Đó cũng là lý do mà hiện nay ngày càng nhiều các công trình nghiên cứu về khả năng ứng dụng mạng nơron nhân tạo để mô phỏng các quá trình xử lý trong kỹ thuật môi trường. Trong đó có thể kể đến một vài công trình nghiên cứu ứng dụng mạng nơron trong kỹ thuật môi trường của: Nguyễn Khoa Việt Trường [11]; Michael Hack and Manfre Kohnẹ[17]; Maged M. Hamed, Mona G. Khalafallah, Ezzat Ạ Hassanien, [18]; C.Ạ Gontarski, P.R. Rodrigues, M. Mori, L.F. Prenem, [19]; J.C. Chen, N.B. Chang, W.K. Shieh, [20].
Trong luận văn này, tác giả sẽ tìm hiểu ứng dụng của mạng nơron để dự báo đầu ra của một hệ thống xử lý nước thảị Vì sao sử dụng mạng nơron kết quả nhận được lại tốt hơn những công cụ khác? Chúng ta có thể giải thích như sau:
Trong quá trình xây dựng mô hình có hai nguyên nhân gây ra sai số:
Nguyên nhân thứ nhất: là do ánh xạ không cùng dạng với hàm đích. Bản chất mối quan hệ giữa thông số đầu vào và đầu ra của quá trình xử lý nước thải là quan hệ phi tuyến rất phức tạp. Do đó, nếu sử dụng các phương pháp có ưu thế về xấp xỉ các hàm tuyến tính xem ra không khả thị Còn các mô hình vật lý, hoạt động theo nguyên tắc chiếc hộp trắng cũng chỉ diễn đạt được một phần nào đó bản chất hiện tượng xảy ra bên trong hệ thống, mà chưa đưa ra một mô hình vật lý tổng quát cho một hệ thống xử lý nước thảị Trong khi đó, mạng nơron hoạt động theo nguyên lý chiếc hộp đen lại tỏ ra ưu thế hơn hẳn, chúng có thể xấp xỉ các hàm phi tuyến có độ phức tạp bất kỳ với một sai số mong muốn.
thông tin (do các biến độc lập không chứa đủ các thông tin cần thiết để xác định biến phụ thuộc). Và mạng nơron chấp nhận nhiễu là một trong những yếu tố quan trọng để nó được đưa vào ứng dụng trong thực tế [16].
5.4. PHÁT TRIỂN MÔ HÌNH5.4.1. Phƣơng pháp luận 5.4.1. Phƣơng pháp luận
Vấn đề đặt ra trong phần này là làm như thế nào để người ta tạo ra được một mô hình mạng nơron phù hợp để áp dụng cho một bài toán cụ thể. Cơ sở phương pháp luận của nó là gì? Và các bước tiến hành như thế nàỏ
Khi phát triển mô hình mạng nơron người ta tiến hành thực hiện các bước sau: