3. TÍNH CẮP THIẾT CỦA ĐÈ TÀI
1.5 PHƯƠNG PHÁP THÔNG MINH NHÂN TẠO
1.5.1 Khái niệm
1.6.421 Mạng thần kinh nhân tạo (neural) là một hệ thống nhận thức dựa trên sự nhận thức của hệ thống thần kinh sinh học tự nhiên.
1.6.422 Ba công cụ trí tuệ nhân tạo gồm mạng thần kinh, logic mờ và thuật toán di truyền được két họp hài hòa trong quá trình thiết lập mô hình liên quan nhân quả tối ưu. Mạng thần kinh: thiết lập mô hình liên quan nhân quả (X, Y) và dự đoán (Y) từ (X) là các yếu tố đã biết.
1.6.423 Thuật toán di truyền: tối ưu hóa dựa trên mô hình liên quan nhân quả đã được thiết lập bởi mạng thần kinh, dùng khi cần cải thiện (Y) bằng cách thay đổi (X).
1.6.424 Logic mờ: làm cho mạng thần kinh hiệu quả hơn trong việc thiết lập mô hình liên quan nhân quả đối với các dữ liệu phức tạp, cả định lượng và không định lượng đồng thời giúp cho thuật toán di truyền được thuận lợi hơn trong sự tối ưu hóa với các mục tiêu liên quan.
1.5.2 Cấu trúc hoạt động
1.6.425 Mạng thần kinh nhân tạo ngày nay được ứng dụng trong rất nhiều ngành khoa học. Trong đó Hóa học là một lĩnh vực có nhiều ứng dụng của mạng thần kinh nhân tạo mà phương pháp tiuyền thống không thể giải quyết được, quá trình luyện mạng thần kinh dẫn ra ở Hình 1.6. Mạng thần kinh có thể thiết lập các mô hình nhân quả thích họp và mềm dẻo với nhiều loại số liệu đơn giản hay phức tạp tuyến tính hay không tuyến tính. Các lĩnh vực được ứng dụng:
- Hóa học môi trường.
- Hóa học hữu cơ (phân tích hữu cơ, tổng hợp hữu cơ...).
- Hoá học phân tích (phân tích môi trường, giám sát ô nhiễm...).
- Công nghệ hóa học (kỹ thuật nano, kỹ thuật dầu khí, tách chất...).
- Công nghệ xử lý môi trường (đánh giá xử lý, mô phỏng xử lý...).
1.6.426 Mạng thần kinh tự nhiên được tạo bởi sự liên kết giữa rất nhiều tế bào thần kiph Các xung động thần kinh được truyền qua trục để đến thân. Thân tế bào tổng hợp các xung động thần kinh và quyết định truyền các tín hiệu sang các tế bào khác.
1.6.427
1.6.428 Hình 1.6 Hoạt động mạng thần kinh nhân tạo 1.6.429
1.6.430 Đưa dữ liệu đầu vào gồm biến độc lập (X) và biến phụ thuộc (Y) qua lớp ẩn để mạng thần kinh định lượng mối quan hệ giữa X và Y để dự đoán Y từ X, quá trình định lượng này có thể tuyến tính hoặc không trên hệ thống các hàm toán, thông dụng như hàm Sigmoid, Tanh có phương trình của hàm cụ thể. Quá trình học (luyện mạng) như vậy tạm hiểu là quá trình học của hệ thần kinh tự nhiên, học, cải tiến, có kế thừa và phát huy và khả năng ghi nhớ, sao chép, rõ ràng đây là mô hình tối ưu hơn mô hình tuyến tính thuần túy.
1.6.431 Cơ sỏ’ toán học
1.6.432 Mạng thần kinh nhân tạo được mô phỏng theo cấu trúc của mạng thần kinh sinh học, được tạo bởi sự liên kết giữa rất nhiều đơn vị thần kinh. Nhũng đơn vị thần kinh có nhiệm vụ thu thập các tín hiệu ấy sang đơn vị thần kinh khác.
1.6.433 Việc sử dụng mạng thần kinh có nhiều ưu điểm: có thể áp dụng rộng rãi, đặc biệt cho những vấn đề phức tạp, kể cả những dữ liệu phi tuyến, có khả năng học (hay luyện
1.6.434 mạng) để thiết lập mối quan hệ nhân quả từ đó dự đoán chính xác về “nhân” hay “quả”;
không đòi hỏi dữ liệu đầu vào phải thật đầy đủ, ít bị lỗi vì mạng thần kinh cónhiều đơn vị, một vài hư hỏng không gây ảnh hưởng chung, áp dụng dễ dàng, xử lý nhanh chóng và bảo trì thuận tiện.
1.6.435 Mạng thần kinh nhân tạo không thích hợp với vấn đề đòi hỏi về kí tự và bộ nhớ.Mạng thần kinh cấu tạo bởi nhiều lớp: I(j) - HL(k) - HL(m) - O(n). Trong đó: I là lóp vào, j là số nút đi vào, HL là lớp ẩn, k là số nút của lớp ẩn thứ nhất, m là số nút của lớp ẩn thứ hai, o là lớp đi ra, n là số nút đi ra.
1.6.436 Hàm truyền trong mạng thần kinh
1.6.437 Có hai loại hàm truyền: hàm Sỉgmoid\’k hàm bán kính, trong đó loại hàm s (Sigmoid) được sử dụng trong hầu hết các mạng thần kinh.
1.6.438 Một hàm truyền g(u) là một hàm truyền dạng s nếu nó thỏa mãn điều kiện:Hàm bị chặn: Các giá trị của g(u) bị giới hạn bởi chặn trên và chặn dưới.
1.6.439 Hàm đơn điệu tăng: Khi giá trị u tăng hay giảm dần thì giá trị g(u) cũng tăng hay giảm một cách tương ứng.
1.6.440 Hàm liên tục và trơn: không có khe và góc cạnh, có đạo hàm và độ dốc rõ ràng, về mặt toán học hàm g(u) có thể được trình bày theo biểu thức sau:
1.6.441gO) = 77717
1.6.442 l+e (l.ll)
1.6.443 Hàm truyền SỉgmoiđLằ. một hàm đơn điệu tăng, do đó nó có thể lấy nghịch đảo được. Do vậy một giá trị xuất y mong muốn đối với mạng có nút xuất thuộc ảạngSigmoid thì tương đương với một giá trị xuất g_l(y) đối với mạng có nút xuất tuyến tính.
1.6.444______...-t., r-._____________
1.6.445f(x) 1.6.446---1 .u __---
1.6.447-0.5
1.6.448 1.6.449
0
1.6.450 x->
1.6.451
1.6.452
- -1.0
1.6.453 1.6.454
1.6.455 Sự ỉuyện mạng và thử
1.6.456 Khác với chương trình máy tính khác được lập trình sẵn một cách rành mạch, mạng thần kinh nhân tạo phải .được luyện với các nhóm luyện có sẵn.Quá trình luyện
1.6.457 mạng có tính chất lặp lại, cải thiện chất lượng mô hình một cách liên tục thường sử dụng thuật toán lan truyền ngược gồm các bước:
1.6.458 Chọn một cặp đầu vào - đầu ra từ nhóm luyện để làm vector đầu vào cho đầu vào của mạng thần kinh.
1.6.459 Tính đầu ra của mạng.
1.6.460 Tính sự khác biệt giữa đầu ra của mạng và đầu ra mong muốn.
1.6.461 Điều chỉnh mức quan trọng để giảm thiểu sai số.
1.6.462 Lặp lại bước điều chỉnh cho đến khi sai số luyện mạng được chấp nhận.
1.6.463 Khi luyện mạng các mô hình nhân quả có thể được thiết lập riêng rẽ hay một lượt. Các mức quan trọng được điều chỉnh cho phù họp với dữ liệu luyện mạng, có khả năng mạng thần kinh được luyện quá mức.Khi ấy mạng thần kinh có thể chỉ dự đoán tốt cho nhóm luyện mà không chính xác đối với trường họp thử.Do đó dữ liệu nghiên cứu thường được chia thành hai nhóm: luyện và thử, dùng nhóm luyện để luyện mạng và dùng nhóm thử để đánh giá về mạng. Nếu giá trị dự đoán gần với giá trị quan sát thì khả năng dự đoán là tốt (R2thử, R2iuyện cao).