CHƯƠNG I: TỔNG QUAN VỀ NHẬN DẠNG CÁC HỆ SỐ KHÍ ĐỘNG CỦA MÁY BAY
CHƯƠNG 4: MÔ PHỎNG VÀ ĐÁNH GIÁ CÁC THUẬT TOÁN NHẬN DẠNG CÁC ĐẠO HÀM HỆ SỐ KHÍ ĐỘNG CỦA MÁY BAY
4.2. Mô phỏng và đánh giá thuật toán nhận dạng đạo hàm hệ số khí động ứng dụng mạng nơron nhân tạo
4.2.2. Mô phỏng và đánh giá thuật toán nhận dạng các đạo hàm hệ số khí động ứng dụng mạng nơron đột biến
4.2.2.1 Mã hóa tín hiệu đầu vào
Với cấu trúc mạng SNN kênh độ cao của máy bay như trên hình 3.11, Tập dữ liệu luyện mạng gồm 600 điểm dữ liệu được chia thành 2 tập con: tập thứ nhất có 400 điểm dành cho việc luyện và tập thứ hai có 200 điểm dành cho kiểm tra mạng. Véc tơ đầu vào uSN N i được mã hóa thành chuỗi đột biến đầu
vào , , , , , ,
V C C m
y D L y
S S S S S S
S S
T T T T T T
T T , véc tơ dữ liệu bayzSN N i 1được
mã hóa thành các chuỗi đột biến đầu ra mong muốn
, , , , ,
V a a
y x z
d d d d d d
out out out out out o
ut ut
d
o
T T T T T T
T , việc mã hóa theo công thức (3.72).
Đối với tham số góc gật , mối quan hệ giá trị tham số từ dữ liệu bay - thời gian với khoảng thời gian kích hoạt từ 0 3 2 [ms] với tập dữ liệu luyện được thể hiện trên hình 4.8 .
Hình 4.8. Mã hóa thời gian - giá trị tham số góc gật
4.2.2.2 Đánh giá kết quả luyện và kiểm tra mạng Tính toán truyền thẳng
Tính toán truyền thẳng được thực hiện trước khi tiến hành luyện mạng theo lưu đồ thuật toán hình 3.8. Mạng SNN sẽ tính toán xác định các chuỗi đột
biến đầu ra , , , , ,
V a a
y x z
a a a a a a
out out out out out o
ut ut
a
o
T T T T T T
T từ chuỗi đột biến đầu vào
, , , , , ,
V C C m
y D L y
S S S S S S
S S
T T T T T T
T T .
Luyện mạng đưa sai số E về 0
Việc luyện mạng nhằm đưa u t outj đạt tới giá trị ngưỡng ung gồm hai phần: Thay đổi trọng số liên kết để hoàn thành việc luyện lớp hiện tại; biến động thời gian đột biến đầu vào để lan truyền ngược sai số.
Việc luyện mạng được thực hiện theo lưu đồ thuật toán biểu diễn trên hình 3.9. Thuật toán hội tụ rất nhanh, chỉ sau 4 epoch luyện. Xét quá trình luyện cho tham số là góc gật , chuỗi đột biến đầu ra o u ta
T trong 4 epoch được biểu diễn trên hình 4.9.
Hình 4.9. Kết quả luyện mạng SNN trong 4 epoch đối với góc gật
Xem xét quá trình luyện mạng SNN đối với tham số góc gật, sự sai khác thời điểm đột biến đầu ra outa
T (cột màu xanh)so với thời điểm đột biến mong muốn outd
T (cột màu đen) qua các epoch luyện thể hiện trên hình 4.10.
Hình 4.10. Kết quả luyện SNN trong 4 epoch đối với góc gật Sai lệch chuẩn giữa chuỗi đột biến đầu ra mạng SNN outa
T với chuỗi đột biến đích Toutd đối với góc gật qua các epoch được xác định trên bảng 4.11.
Bảng 4.11. Sai lệch chuẩn kết quả luyện SNN đối với góc gật trong 4 epoch Số epoch Sai lệch chuẩn đối với
tập dữ liệu luyện
Sai lệch chuẩn đối với tập dữ liệu kiểm tra
1 0.1557 0.1713
2 0.1055 0.1262
3 0.0635 0.0781
4 0,0352 0,0417
Sau khi đã thực hiện luyện mạng SNN với 4 epoch, mạng được kiểm tra trên tập dữ liệu kiểm tra. Đánh giá chất lượng luyện mạng SNN theo sai lệch chuẩn giữa thời điểm đột biến đầu ra mạng SNN (cột màu xanh) với thời điểm đột biến đích mong muốn (cột màu đen), với 6 tham số đầu ra sử dụng biểu đồ so sánh hình 4.11.
Hình 4.11. Kết quả luyện SNN đối với 6 tham số đầu ra
Trong bảng 4.12 chỉ ra sai lệch chuẩn sau 4 chu trình luyện giữa các tham số đầu ra mạng SNN với tập dữ liệu bay tương ứng của 6 tham số đầu ra.
Bảng 4.12. Sai lệch chuẩn luyện SNN các tham số đầu ra sau 4 epoch Tham số Sai lệch chuẩn đối với
tập dữ liệu luyện
Sai lệch chuẩn đối với tập dữ liệu kiểm tra
0
0.0322 0.0385
0
0.0352 0.0417
0/
y s
0.0585 0.0626
/
V m s
0.0253 0.0335
/ 2
ax m s
0.0218 0.0256
/ 2
az m s
0.0284 0.0327
Từ các kết quả luyện mạng trên, có thể đưa ra một số kết luận sau:
- Đối với quá trình luyện SNN, số thời điểm xuất hiện đột biến trong chuỗi đầu ra mạng outa
T sai khác với chuỗi thời điểm mong muốn outd
T giảm xuống rất nhanh sau một số ít chu trình luyện mạng (epoch).
- Số nơron trong lớp ẩn của mạng SNN khá nhỏ (50 nơron) (so với mạng thế hệ 2 xấp xỉ tốt nhất là mạng RBF là 164 nơron).
- Với các sai lệch chuẩn nhận được trong bảng 4.12, mạng SNN có độ chính xác cần thiết để thay thế cho mô hình chuyển động kênh độ cao của máy bay. Mạng SNN sẽ được kết hợp với thuật toán Gauss-Newton để nhận dạng các ĐHHSKĐ.
4.2.2.3 Đánh giá kết quả nhận dạng ĐHHSKĐ theo phương pháp SNN - GN Sử dụng phương pháp SNN - GN (NSEBP) (phương pháp SNN – GN với việc luyện mạng SNN bằng thuật toán NSEBP) để nhận dạng các ĐHHSKĐ
kênh độ cao của máy bay từ dữ liệu bay theo cấu trúc thuật toán nhận dạng như trên hình 3.10 và cấu trúc mạng SNN kênh độ cao của máy bay như trên hình 3.11. Khi quá trình nhận dạng thỏa mãn điều kiện hội tụ (3.47), kết quả nhận dạng các ĐHHSKĐ được cho trong cột 2 bảng 4.13. Để thuận tiện cho việc so sánh đánh giá kết quả nhận dạng, các kết quả nhận dạng theo phương pháp SNN – GN (SkipeProp) (phương pháp SNN – GN, luyện mạng SNN bằng thuật toán SkipeProp) và kết quả nhận dạng theo phương pháp RBF - GN cũng được đưa ra trong cột 3 và cột 4 của bảng 4.13.
Bảng 4.13. So sánh các kết quả nhận dạng giữa các phương pháp nhận dạng Tham số ˆ (SNN - GN)
(NSEBP)
ˆ (SNN - GN) (SpikeProp)
θˆ(RBF - GN)
D0
C 0,0815 0,0792 0,0983
CD - 1,4983 - 1,4592 -1,4115
y
CD - 5,2055 - 5,3127 -5,1297
e
CD - 0,0798 - 0,0827 -0,0881
L0
C 0,3911 0,3871 0,4192
CL 2,9331 2,7151 2,5013
y
CL 32,1132 32,1377 31,5327
e
CL 0,6011 0,5791 0,5112
0
my 0,07256 0,0685 0,0886
m y -0,7133 -0,7871 -0,7733
y
my -20,1229 -19,763 -19,3229
e
my -0,8717 -0,7553 -0,7125
Các giá trị ĐHHSKĐ nhận dạng được theo các phương pháp trong bảng 4.13 được đưa trở lại mô hình đối với HSKĐ kênh độ cao của MB (mô hình
HSKĐ (3.7)) để tính toán xác định các HSKĐ đầu ra mô hình, các HSKĐ này cùng với các dữ liệu bay là các tham số trạng thái tạo thành véc tơ đầu vào các mạng SNN (NSEBP), SNN (SpikeProp) và RBF, các mạng nơron cho các giá trị đáp ứng đầu ra tương ứng. Đem so sánh giá trị đầu ra các mạng với tập dữ liệu bay thực tế, kết quả phù hợp giữa hai tập dữ liệu được đánh giá qua sai lệch chuẩn, sai lệch chuẩn đối với các tham số chuyển động đầu ra của các mạng được cho trong bảng 4.14.
Bảng 4.14. Các sai lệch chuẩn trong kết quả nhận dạng của các phương pháp Tham số SNN - GN
(NSEBP)
SNN - GN (SkipeProp)
RBF - GN
0
0,0376 0,0457 0,0573
0
0.0332 0.379 0.317
0/
y s
0.0635 0.0681 0.0717
/
V m s
0,0387 0,0235 0,0519
/ 2
ax m s
0,0257 0,0266 0,0287
/ 2
az m s
0,0288 0,0302 0,0239
Việc xác nhận mô hình khi sử dụng phương pháp SNN - GN (NSEBP) để nhận dạng các đạo hàm hệ số khí động trong kênh độ cao của MB được xem xét khi sử dụng tập dữ liệu thứ hai để thực hiện xác nhận chéo. Sai lệch chuẩn giữa dữ liệu đầu ra mô hình cấu trúc SNN (NSEBP) và tập dữ liệu bay ghi nhận được từ chuyến bay thực tế được thể hiện trong cột thứ hai của Bảng 4.15. Để thuận tiện cho việc so sánh, đánh giá kết quả nhận dạng giữa các phương pháp, các cột thứ ba và thứ tư của bảng 4.15 biểu diễn kết quả độ lệch chuẩn khi thực hiện xác nhận mô hình nhận dạng theo các phương pháp SNN - GN (SkipeProp) và RBF - GN, tương ứng.
Bảng 4.15. Sai lệch chuẩn khi xác nhận mô hình của các phương pháp Sai lệch chuẩn SNN – GN
(NSEBP)
SNN – GN (SkipeProp)
RBF-GN
deg
0,0417 0,0595 0,0613
deg
0.0385 0.0432 0.0365
deg/
y s
0.0751 0.0788 0.0791
/
V m s
0,0468 0,0519 0,0588
/ 2 ax m s
0,0292 0,0319 0,0305
/ 2
az m s
0,0314 0,0338 0,0257
Từ các kết quả nhận được theo phương pháp SNN - GN (NSEBP), có thể so sánh với kết quả nhận dạng theo phương pháp SNN – GN (SpikeProp) và phương pháp RBF - GN, có các nhận xét sau:
- Kết quả nhận dạng của cả ba phương pháp đều có độ chính xác phù hợp (sai lệch chuẩn nhỏ) nên có thể sử dụng làm phương pháp nhận dạng các ĐHHSKĐ của máy bay.
- Nhận dạng các ĐHHSKĐ kênh độ cao của máy bay theo phương pháp SNN – GN (NSEBP) và SNN – GN (SpikeProp) có kết quả chính xác hơn so với phương pháp RBF - GN.
- Độ chính xác nhận dạng theo phương pháp SNN – GN (NSEBP) không hơn nhiều so với phương pháp SNN – GN (SpikeProp), tuy nhiên, số epoch luyện mạng nhỏ hơn nhiều, dẫn đến thời gian thực hiện sẽ nhanh hơn.