CHƯƠNG 1 TỔNG QUAN CÁC VẤN ĐỀ NGHIÊN CỨU
1.3. MƠ HÌNH MẠNG THẦN KINH NHÂN TẠO (ANN)
Mạng thần kinh nhân tạo (Artificial Neural Network - ANN) là một trong các phương pháp phổ biến trong học máy (Machine Learning - ML), được xây dựng dựa trên ý tưởng mô phỏng chức năng của não bộ con người trong việc “học” để thực hiện các nhiệm vụ mà khơng cần phải lập trình theo các quy tắc cụ thể. ANN được xây dựng để mô phỏng các chức nang của bộ não con người là lưu trữ thông tin trong tế bào thần kinh và những khớp thần kinh giữa các tế bào với nhau. Mỗi khái niệm lưu trữ trong não bộ được tượng trưng bằng một mạng của các kết nối khác nhau giữa các tế bào thần kinh. Do vậy, ANN là một phương pháp hiệu quả để xử lý mối quan hệ phi tuyến phức tạp giữa dữ liệu đầu vào và đầu ra của một hệ thống với hiệu quả khá cao
[17]. ANN có thể được áp dụng hiệu quả trong các vấn đề liên quan đến nhận dạng, phân loại, ước tính và tối ưu hóa .
Hình 1.3: Sơ đồ mơ hình mạng thần kinh nhân tạo 3 lớp
Cấu trúc cơ bản của một ANN thường bao gồm các node gọi là neuron. Các neuron này được nhóm vào trong các lớp dữ liệu đầu vào (input), dữ liệu đầu ra (output) và một hoặc nhiều các lớp ẩn (hidden layer). Cấu trúc của một ANN 3 lớp được trình bày ở Hình 1.3.
Có sáu loại hình mạng thần kinh nhân tạo, tuy nhiên hai loại phổ biến nhất là Mạng Neuron Hồi Quy (Recurrent Neural Network- sau đây gọi là RNN) và Mạng Neuron Nhân Tạo Truyền Thẳng (Feedforward Neural Network - sau đây gọi là FNN). Trong đó:
- RNN sử dụng các liên kết giữa các node để tạo ra một sơ đồ được định hướng như là một chuỗi, qua đó cho phép dữ liệu chuyển tới và lui. Mạng này thực hiện cùng một tác vụ cho tất cả các phần tử của một chuỗi với đầu ra phụ thuộc vào cả các phép tính trước đó.Nói cách khác, RNN có khả năng nhớ các thơng tin được tính tốn trước đó. Do đó, loại mạng này được áp dụng khá phổ biến trong các ứng dụng liên quan đến nhận dạng giọng nói và chữ viết.
- FNN là một trong những dạng mạng neuron nhân tạo cơ bản nhất và thường được sử dụng cho các bài toán hồi quy và phân loại. Khác với RNN¸ trong FNN dữ liệu chỉ được xử lý trên một chiều duy nhất nghĩa là dữ liệu từ
lớp đầu vào sẽ chỉ được chuyển qua các lớp ẩn để tính tốn và kết quả tính tốn sẽ được chuyển tiếp qua lớp đầu ra để tạo ra dữ liệu đầu ra.
Cho đến nay, nhờ những tiến bộ về mặt lý thuyết, về khả năng tính tốn và những thuận tiện trong thực hành, mơ hình ANN ngày càng được áp dụng vào nhiều lĩnh vực khác nhau, đặc biệt là trong lĩnh vực mơi trường khơng khí để mơ phỏng hàm phức tạp nhằm tìm ra mối quan hệ giữa các biến đầu vào và đầu ra, từ đó xác định q trình vận chuyển và đánh giá tác động của ơ nhiễm khơng khí trên quy mơ lớn.
Sử dụng ANN khi giải quyết các bài toán phi tuyến, phức tạp, khi mà mối quan hệ giữa các q trình phức tạp, khơng dễ thiết lập một cách tường minh.
Ưu điểm:
- Có thể áp dụng cho nhiều lĩnh vực: Mơi trường, kinh tế, xây dựng… - Giải quyết các bài toán phi tuyến, phức tạp, khi mà mối quan hệ giữa
các q trình phức tạp, khơng dễ thiết lập một cách tường minh.
- ANN tự học và điều chỉnh các trọng số cho ra kết quả tính tốn phù hợp với thực tế và khơng phụ thuộc vào ý kiến chủ quan.
Nhược điểm: Mơ hình ANN là mơ hình rất phức tạp. Vì thế, rất khó khăn trong việc tìm hiểu, tiếp cận, sử dụng mơ hình.
CHƯƠNG 2. NGUYÊN VẬT LIỆU VÀ PHƯƠNG PHÁP NGHIÊN CỨU
2.1. NGUYÊN VẬT LIỆU