Mô tả động học rô bốt hai khâu - Ứng dụng mạng nơ- 123docz.net

CHƯƠNG III ỨNG DỤNG MẠNG NƠRON TRUYỀN THẲNG NHIỀU LỚP NHẬN DẠNG

3.2. Ứng dụng mạng nơ ron truyền thẳng nhiều lớp nhận dạng vị trí rô bốt hai

3.2.2. Mô tả động học rô bốt hai khâu

Để xác định phương trình động học của rô bốt hai khâu ta xét cơ cấu tay máy hai khâu như hình 3.5:

q1, q2 tương ứng là vị trí của khâu thứ 1 và khâu thứ 2;

2 1,

 tương ứng là mô men điều khiển khâu thứ 1 và thứ2;

m1, m2 tương ứng là khối lượng của khâu thứ 1và khâu thứ2;

l1, l2 tương ứng là độ dài của khâu thứ 1 và khâu thứ 2;

lc1 là khoảng cách từ điểm nối của khâu thứ 1 đến trọng tâm của khâu này;

lc2 là khoảng cách từ điểm nối của khâu thứ 2 đến trọng tâm của khâu này;

I1, I2 tương ứng là mô men quán tính của khâu 1 và khâu 2;

i -

i

Mô hình vị trí rô bốt hai khâu

Mạng nơ ron nhận dạng

Hình 3.4. Sơ đồ ứng dụng mạng nơ ron nhận dạng vị trí rô bốt hai khâu với thuật toán lan truyền ngược

Lan truyền ngƣợc

Hình 3.5. Sơ đồ động học rôbôt hai khâu

1 1,I m

2 2,I m

l2 2 lc

m3 là khối lượng tải của rô bốt.

Theo [3] phương trình Lagrangian mô tả động học cho rô bốt hai khâu như (3.14):

(3.14)

Với: H11 = I1+ I2 + m1lc21 + m2 [l12lc222l1lc2cos(q2)] + m3 [l12l222l1l2cos(q2)];

H12 = H21 = m2 [l222l1l2cos(q2)] + m3 [l222l1l2cos(q2)];

H22 = m2l22+ m3l22; (3.15) h = m2l1lc2sin(q2);

g1 = m1lc1gcos(q1) + m2g [ lc2cos(q1+q2) + l1cos(q1) ];

g2 = m2lc2gcos(q1+q2).

Phương trình động học mô tả mối quan hệ vào – ra có dạng như (3.16):



















 







 







 



































 















    

 





2 1 11 21

12 22

2 11 1 21 2 1 11 2 1 2 21

2 12 1 2 22 1 12 2 1 2 22

21 12 22 2 11

. ) 2 (

) 2 ( 1



 H H

H H

g H g H q h H q q q h H

g H g H q h H q q q h H H H H q H

q (3.16)

3.2.3.Thiết lập mạng nơ ron nhận dạng.

3.2.3.1.Thiết lập sơ đồ nhận dạng.

Viết lại (3.16) ta được:

q..1 f1(q.1,q1,q.2,q2,m3)u1(1,2,q1,q2,m3) (3.17) q..2f2(q.1,q1,q.2,q2,m3)u2(1,2,q1,q2,m3) (3.18) với:

H11 H12



q1 -hq2 -hq1- hq2 q1 g1 1 H21 H22 q2 + hq1 0 . q2 + g2 = 2

) 2 (.) (

21 12 22 11

2 12 1 22 .2 1 2 12

. 1 . 2 . 1 22

H H H H

g H g H q h H q q q h H









  ;

21 12 22 11

12 2 22 1(.) 1

u H H H H

H H



  

21 12 22 11

2 11 1 21 .2 1 2 11 . 1 . 2 . 2 21

) 2 (.) (

f H H H H

g H g H q h H q q q h H









 ;

21 12 22 11

2 11 1 2(.) 21

u H H H H

H H





   

Với chú ý rằng phụ tải m3 thay đổi nhưng thông thường đã biết trước, nên có thể không coi nó là biến số. Biến đổi (3.17), (3.18) ra dạng rời rạc có:

 

 ( ), ( 1), ( 2), ( ), ( 1), ( 2)

) 2 ( ), 1 ( ), 2 ( ), 1 ( )

(

2 2

2 1

1 1 1

2 2

1 1









k k

k k u

k q k q k q k q f k q

d d



 (3.19)

 

 ( ), ( 1), ( 2), ( ), ( 1), ( 2)

) 2 ( ), 1 ( ), 2 ( ), 1 ( )

(

2 2

2 1

1 1 2

2 2

1 1 2 2









k k k k

k k u

k q k q k q k q f k q

d d



 (3.20)

Trong đó:

), k (

q1 q1(k1),q1(k2),q2(k),q2(k1),q2(k2) tương ứng là vị trí của các khâu thứ nhất, thứ hai tại các thời điểm thứ k, (k-1), (k-2);

), k 1(

 1(k1), 1(k2),2(k), 2(k1), 2(k2) tương ứng là mômen quay của các khâu thứ nhất, thứ hai tại các thời điểm thứ k, (k-1), (k-2).

Tại các phương trình (3.19), (3.20) các thành phần f1d(.),f2d(.) có mức độ phi tuyến cao hơn so với u1d(.),u2d(.). Mặt khác, trong bài toán nhận dạng với 2p bộ cặp mẫu vào-ra 1(k),q1(k) và 2(k),q2(k)( k = 1, 2, ..., p) của rôbôt hai khâu cũng đã biết trước. Vì vậy một giải pháp hợp lý cho mô hình nhận dạng [1] là chỉ tập trung nỗ lực để thực hiện nhận dạng các phần tử có độ phi tuyến cao là

(.) f (.),

f1d 2d , còn các thành phần đã biết trước trong quan hệ vào-ra là u1d(.),u2d(.) không cần nhận dạng chúng để mô hình nhận dạng không quá phức tạp mà vẫn nhận được độ chính xác đảm bảo yêu cầu.

Hình 3.6 mô tả sơ đồ ứng dụng mạng nơ ron truyền thẳng nhiều lớp nhận dạng rô bôt hai khâu có phụ tải m3 được xây dựng nhận dạng các hàm vị trí rời rạc (3.19) và (3.20) với 2p bộ cặp mẫu vào-ra 1(k),q1(k) và 2(k),q2(k) (k=1, 2, ..., p). Hai tín hiệu mô men đầu vào 1(k),2(k) có nhiệm vụ tạo ra các thành phần

) k ( u1d

 , u2d(k)

thông qua các khâu u1(.),u2(.).Mạng nơ ron sẽ có nhiệm vụ nhận dạng các hàm f1d(.) và f2d(.) với các tín hiệu vào là q1(k-1), q1(k-2), q2(k-1), q2(k-2) theo luật học lan truyền ngược. Tín hiệu ra của mạng tương ứng là f1d(k) và

)

2 (k

fd được cộng tương ứng với u1d(k) , u2d(k)

để có được q1(k) và q2(k).

(.) u1

(.) u2

) 1 k ( q1 

) 2 k ( q1 

) 1 k ( q2 

) 2 k ( q2  Rôbt hai khâu

Trễ

) k ( q1

) k ( q2 Phụ tải m3

Luật học lan truyền ngược theo sai lệch )

k 1(



) k 2(



) k ( q2

 q1(k)

) k ( e1

) k ( e2 )

k ( f1d



) k ( f2d



)

1 (k u d



)

2 (k u d



Mạng nơron truyền thẳng (4xn2xn3x2) nhận dạng các

hàm f1d(.) và f2d(.)

Trễ Trễ

Trễ + - -

+ +

Hình 3.6 . Sơ đồ ứng dụng mạng nơron truyền thẳng nhiều lớp nhận dạng rôbôt hai khâu

Theo [1] với đối tượng cần nhận dạng phi tuyến, nên chọn mạng nơ ron truyền thẳng 4 lớp để nhận dạng chúng. Do đó chọn mạng nơ ron truyền thẳng 4 lớp (4 x n2 x n3 x 2) (hình 3.7) có cấu trúc: lớp vào có số nơ ron là n1 = 4, có các tín hiệu vào là vị trí của khâu thứ nhất và thứ hai tại các thời điểm thứ (k-1) và (k-2) đó là:

), 1 k (

q1  q1(k2), q2(k1), q2(k2); lớp ẩn thứ nhất có số nơ ron là n2; lớp ẩn thứ hai có số nơ ron là n3; lớp ra có số nơ ron là n4 = 2, với các tín hiệu ra tương ứng là

) k ( f1d

 , f2d(k)

3.2.3.2. Quá trình nhận dạng.

Vấn đề đặt ra là cho mạng nơ ron (4 x n2 x n3 x 2) thực hiện hai giai đoạn học và kiểm tra để tìm ra được bộ thông số điều chỉnh trong quá trình nhận dạng là các ma trận trọng số w1[wmj]; w2[wfm]; w3[wif] và các ma trận bias

] b [

b2 m ; b3[bf]; b4[bi] (với j = 1,..,4; m = 1,..., n2; f= 1,.., n3; i = 1, 2) sao cho sai lệch E đạt cực tiểu, nói cách khác là hai tín hiệu vị trí tính toán q1(k),

) k ( q2

 bám theo được hai tín hiệu vị trí mẫu là q1(k), q2(k).

Giai đoạn học

. . . . . . . . .

) k ( f1d



-1

1 2x n m 2 [b ] b 

1 3x n f 3 [b ] b 

1 x 2 i 4 [b] b  xn3 2 if

3 [w ]

w  xn2

n3 fm 2 [w ]

w 

4 2x n mj

1 [w ]

w 

) k ( f2d

 )

1 k ( q1 

) 2 k ( q1 

) 2 k ( q2 

-1

-1 -1

-1 -1 -1

Hình 3.7. Sơ đồ cấu trúc mạng nơ ron truyền thẳng 4 lớp nhận dạng vị trí

Từ quá trình mô phỏng tìm được 2p bộ cặp mẫu vào-ra1(k),q1(k),

2(k),q2(k) (bảng 3.1) (k=1, 2, ..., 20) khi cho trước các tín hiệu1(k),2(k)ở dạng ngẫu nhiên (hình 3.9).

Luật cập nhật các giá trị điều chỉnh của trọng số, bias của mạng nơ ron truyền thẳng (4 x n2 x n3 x 2) như sau.

- Lớp ra: wif ia1(vfbf);bii;

a '(v b)(q q)

v E

i 1 i i i 2 i





 





 

 

n3 1

f if 1 f f

i w a (v b )

v .

- Lớp ẩn 2: wfmfa1(vmbm);

a '(v b ) w ;

E 2

1 i if i f f f 1

f 

 



 

 



 bf f; 

 

 n2 1

m fm1 m m

f w a (v b )

v .

- Lớp ẩn 1: wmjma1(vjbj);

a '(v b ) w ;

E n3

1 f fm f m

m m 1

m 







 

 



 bmm; 

 4 1

j mj j

m w x

v ;

x[q1(k1),q1(k2),q2(k1),q2(k2)]T; m

f i, ,

 là tín hiệu sai lệch tương ứng của nơ ron thứ i lớp ra, nơ ron thứ f lớp ẩn thứ hai và nơ ron thứ m lớp ẩn thứ nhất.

a1'(net)a1(net)/net; a2'(net)a2(net)/net;

với a1(.) và a2(.) tương ứng là các hàm chuyển đổi tang hyperbolic và tuyến tính:

e 1 ) 2 net (

a1 2net

   ; a2(net)net. Sai lệch trung bình bình phương:

    

 



 p

k i di k a vi k bi k E

1 2

2 ( ) ( ) 2

) 2 (

1 (3.21)

vớidi(k)qi(k)uid(k);

Sau khi đã tìm được bộ ma trận trọng số, bias của mạng (4 x n2 x n3 x 2) thoả mãn điều kiện EEcp (3.22), tiến hành giai đoạn kiểm tra như sau.

Giai đoạn kiểm tra

Dựa vào bộ ma trận trọng số và bias đã tìm được ở giai đoạn học, đưa các tín hiệu 1(k)và 2(k) vào đầu vào sơ đồ nhận dạng sẽ được các tín hiệu vị trí tính toán của rôbôt hai khâu ở đầu ra là q1(k), q2(k); so sánh chúng với các tín hiệu ra

) k (

q1 , q2(k) được sai lệch E (3.21).

Nếu thoả mãn (3.22) mô hình nhận dạng đã thoả mãn yêu cầu, ghi lại thông số nhận dạng của mạng nơ ron; Nếu không thoả mãn (3.22) tiếp tục điều chỉnh giá trị số lượng nơ ron các lớp ẩn là n2, n3 thực hiện lại giai đoạn học.

3.2.3.3. Kết quả mô phỏng và nhận dạng.

Thực hiện mô phỏng với các giá trị của các thông số của rôbôt hai khâu [4]:

m1=1kg; m2=1kg; l1=1m; l2=1m; lc1=0.5m; lc2=0.5m; I1=0.2kgm2; I2=0.2kgm2; m3

cho ở đồ thị hình 3.12; 1,2 ở giai đoạn học có giá trị ngẫu nhiên trong khoảng [- 100,+100]Nm (hình 3.9) và ở giai đoạn kiểm tra (hình 3.13, 3.14)

a) Xác định sơ đồ Simulink mô phỏng.

Từ (3.16) ta có:

q..1 f1(q.1,q1,q.2,q2,m3)u1(1,2,q1,q2,m3)

q..2 f2(q.1,q1,q.2,q2,m3)u2(1,2,q1,q2,m3) (3.23)

với: (2 )

(.) f

21 12 22 11

2 12 1 22 .2 1 2 12

. 1 . 2 .

1 22 H H H H

g H g H q h H q q q h H









  ;

21 12 22 11

12 2 22 1(.) 1

u H H H H

H H



  

21 12 22 11

2 11 1 21 .2 1 2 11 . 1 . 2 . 2 21

) 2 (.) (

f H H H H

g H g H q h H q q q h H









 ;

21 12 22 11

2 11 1 2(.) 21

u H H H H

H H





   

Chuyển (3.17) sang dạng toán tử Laplace ta được dạng như (3.24):

q1(s) = f1(s) + u1(s) và q2(s) = f2(s) + u2(s) (3.24)

21 12 22 11

12 2 22 1 21

12 22 11

2 12 1 2 22 1 2 12 2 1 2 2 22

2 1 (2 )

H H H H

H H H

g H g H q h H s q q q h H q s

s 

 









   

21 12 22 11

1 11 2 21

12 22 11

2 11 1 2 21 1 2 11 2 1 2 2 21

2 2 (2 ) 21

H H H H

H H H

g H g H q h H s q q q h H q s

s 

 







   

. Mô hình SIMULINK mô phỏng rô bốt hai khâu như hình 3.8:

Hình 3.8. Mô hình thu gọn mô phỏng rô bốt hai khâu

b) Kết quả mô phỏng được cho trong bảng 3.1.

1

(N.m)

2 (N.m)

(rad) u2

(rad)

q1 (rad)

q2 (rad)

(rad) f2

(rad) 1.1650

0.6268 0.0751 0.3516 -0.6965 1.6961 0.0591 1.7971 0.2641 0.8717 -1.4462 -0.7012 1.2460 -0.6390 0.5774 -0.3600 -0.1356 -1.3493 -1.2704 0.9846 -0.0449 -0.7989 -0.7652 0.8617 -0.0562 0.5135 0.3967 0.7562 0.4005 -1.3414 0.3750 1.1252 0.7286 -2.3775

0.2605 0.1402 0.0168 0.0786 -0.1557 0.3793 0.0132 0.4018 0.0590 0.1949 -0.3234 -0.1568 0.2786 -0.1429 0.1291 -0.0805 -0.0303 -0.3017 -0.2841 0.2202 -0.0100 -0.1786 -0.1711 0.1927 -0.0126 0.1148 0.0887 0.1691 0.0896 -0.2999 0.0839 0.2516 0.1629 -0.5316

0.0000 0.0000 0.0000 0.0000 -0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 -0.0000 -0.0000 0.0000 -0.0000 0.0000 -0.0000 -0.0000 -0.0000 -0.0000 0.0000 -0.0000 -0.0000 -0.0000 0.0000 -0.0000 0.0000 0.0000 0.0000 0.0000 -0.0000 0.0000 0.0000 0.0000 -0.0000

0.0000 0.0000 0.0000 0.0000 -0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 -0.0000 -0.0000 0.0000 -0.0000 0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 0.0000 0.0000 0.0000 -0.0000 0.0000 -0.0000 -0.0000 -0.0000 -0.0000 0.0000 -0.0000 -0.0000 -0.0000 -0.0000

0 -0.0000 -0.0000 -0.0000 -0.0003 -0.0079 -0.0751 -0.2121 -0.4192 -0.6941 -1.0279 -1.3057 -1.4865 -1.6280 -1.7070 -1.7523 -1.7865 -1.7983 -1.7924 -1.7778 -1.7716 -1.7627 -1.7474 -1.7344 -1.7305 -1.7261 -1.7190 -1.7114 -1.6997 -1.6760 -1.6150 -1.4491 -1.0784 -0.5827

0 -0.0000 -0.0000 -0.0000 -0.0003 -0.0071 -0.0691 -0.1980 -0.3972 -0.6635 -0.9759 -1.2125 -1.3398 -1.3745 -1.2791 -1.1021 -0.7367 -0.1692 0.4292 0.9992 1.1348 1.2626 1.3946 1.4503 1.4581 1.4620 1.4613 1.4578 1.4510 1.4353 1.3913 1.2618 0.9455 0.4649

0 -0.0000 -0.0000 -0.0000 -0.0003 -0.0078 -0.0767 -0.2178 -0.4324 -0.7190 -1.0687 -1.3556 -1.5348 -1.6809 -1.7703 -1.8246 -1.8738 -1.9036 -1.9138 -1.9139 -1.9114 -1.9062 -1.8956 -1.8857 -1.8824 -1.8785 -1.8717 -1.8642 -1.8526 -1.8289 -1.7682 -1.6038 -1.2344 -0.7393

0 -0.0000 -0.0000 -0.0000 -0.0003 -0.0067 -0.0769 -0.2260 -0.4585 -0.7734 -1.1451 -1.4216 -1.5615 -1.6181 -1.5534 -1.4052 -1.0859 -0.5751 -0.0232 0.5172 0.6470 0.7684 0.8942 0.9481 0.9557 0.9593 0.9582 0.9541 0.9463 0.9286 0.8801 0.7400 0.3930 -0.1431

-0.2738 -0.3229 0.3180 -0.5112 -0.0020 1.6065 0.8476 0.2681 -0.9235 -0.0705 0.1479 -0.5571 -0.3367 0.4152 1.5578 -2.4443 -1.0982 1.1226 0.5817 -0.2714 0.4142 -0.9778 -1.0215 0.3177 1.5161 0.7494 -0.5077 0.8853 -0.2481 -0.7262 -0.4450 -0.6129 -0.2091 0.5621 -1.0639 0.3516 1.1330 0.1500

-0.0612 -0.0722 0.0711 -0.1143 -0.0005 0.3592 0.1895 0.0599 -0.2065 -0.0158 0.0331 -0.1246 -0.0753 0.0928 0.3483 -0.5466 -0.2456 0.2510 0.1301 -0.0607 0.0926 -0.2186 -0.2284 0.0710 0.3390 0.1676 -0.1135 0.1980 -0.0555 -0.1624 -0.0995 -0.1371 -0.0468 0.1257 -0.2379 0.0786 0.2533 0.0335

-0.0000 -0.0000 0.0000 -0.0000 -0.0000 0.0000 0.0000 0.0000 -0.0000 -0.0000 0.0000 -0.0000 -0.0000 0.0000 0.0000 -0.0000 -0.0000 0.0000 0.0000 -0.0000 0.0000 -0.0000 -0.0000 0.0000 0.0010 0.0018 -0.0050 0.0352 -0.0277 -0.2378 -0.3938 -1.3199 -2.1292 -9.1987 4.9504 -0.7590 -1.0984 -0.0584

-0.0000 -0.0000 0.0000 -0.0000 -0.0000 0.0000 0.0000 0.0000 -0.0000 -0.0000 0.0000 -0.0000 -0.0000 0.0000 0.0000 -0.0000 -0.0000 0.0000 0.0000 -0.0000 0.0000 -0.0000 -0.0000 0.0000 0.0001 0.0003 -0.0007 0.0052 -0.0040 -0.0348 -0.0577 -0.1933 -0.3118 -1.3469 0.7248 -0.1111 -0.1608 -0.0085

-0.1508 0.2029 0.3207 0.4137 0.4374 0.4415 0.4430 0.4433 0.4432 0.4431 0.4429 0.4429 0.4428 0.4428 0.4428 0.4428 0.4428 0.4428 0.4428 0.4428 0.4428 0.4428 0.4428 0.4428 0.4428 0.4428 0.4428 0.4428 0.4428 0.4428 0.4428 0.4428 0.4428 0.4428 0.4428 0.4428 0.4428 0.4428

-0.0567 -0.6516 -0.9301 -1.2411 -1.3737 -1.4131 -1.4364 -1.4480 -1.4604 -1.4619 -1.4635 -1.4641 -1.4641 -1.4642 -1.4642 -1.4642 -1.4642 -1.4642 -1.4642 -1.4642 -1.4642 -1.4642 -1.4642 -1.4642 -1.4642 -1.4642 -1.4642 -1.4642 -1.4642 -1.4642 -1.4642 -1.4642 -1.4642 -1.4642 -1.4642 -1.4642 -1.4642 -1.4642

-0.3062 0.0517 0.1717 0.2669 0.2914 0.2958 0.2974 0.2977 0.2975 0.2974 0.2973 0.2972 0.2972 0.2972 0.2972 0.2972 0.2972 0.2972 0.2972 0.2972 0.2972 0.2972 0.2972 0.2972 0.2972 0.2972 0.2972 0.2972 0.2972 0.2972 0.2972 0.2972 0.2972 0.2972 0.2972 0.2972 0.2972 0.2972

-0.7095 -1.3318 -1.6202 -1.9412 -2.0775 -2.1179 -2.1417 -2.1537 -2.1665 -2.1681 -2.1697 -2.1703 -2.1704 -2.1705 -2.1705 -2.1705 -2.1705 -2.1705 -2.1705 -2.1705 -2.1705 -2.1705 -2.1705 -2.1705 -2.1705 -2.1705 -2.1705 -2.1705 -2.1705 -2.1705 -2.1705 -2.1705 -2.1705 -2.1705 -2.1705 -2.1705 -2.1705 -2.1705

0.7031 -0.0524 2.0185 0.9242 -1.8141 0.0350 -1.8079 1.0282 0.3946 0.6394 0.8742 1.7524 -0.3201 -0.1374 0.6158 0.9779 -1.1153 -0.5500 0.0399 -2.4828 1.1587 -1.0263 1.1535 -0.7865 0.6348 0.8204 -0.1760 0.5625 -0.1274 0.5542 -1.0973 -0.7313 1.4047 -0.6202 0.2371 -1.5868 -0.4015 -0.7707

0.1572 -0.0117 0.4513 0.2066 -0.4056 0.0078 -0.4043 0.2299 0.0882 0.1430 0.1955 0.3918 -0.0716 -0.0307 0.1377 0.2187 -0.2494 -0.1230 0.0089 -0.5552 0.2591 -0.2295 0.2579 -0.1759 0.1419 0.1834 -0.0394 0.1258 -0.0285 0.1239 -0.2454 -0.1635 0.3141 -0.1387 0.0530 -0.3548 -0.0898 -0.1723

-0.1277 0.0037 -0.0647 -0.0119 0.0116 -0.0001 0.0025 -0.0006 -0.0001 -0.0001 -0.0000 -0.0000 0.0000 0.0000 -0.0000 -0.0000 0.0000 0.0000 -0.0000 0.0000 -0.0000 0.0000 -0.0000 0.0000 -0.0000 -0.0000 0.0000 -0.0000 0.0000 -0.0000 0.0000 0.0000 -0.0000 0.0000 -0.0000 0.0000 0.0000 0.0000

-0.0187 0.0005 -0.0095 -0.0017 0.0017 -0.0000 0.0004 -0.0001 -0.0000 -0.0000 -0.0000 -0.0000 0.0000 0.0000 -0.0000 -0.0000 0.0000 0.0000 -0.0000 0.0000 -0.0000 0.0000 -0.0000 0.0000 -0.0000 -0.0000 0.0000 -0.0000 0.0000 -0.0000 0.0000 0.0000 -0.0000 0.0000 -0.0000 0.0000 0.0000 0.0000

0.4428 0.4428 0.4428 0.4428 0.4428 0.4428 0.4428 0.4428 0.4428 0.4428 0.4428 0.4428 0.4428 0.4428 0.4428 0.4428 0.4428 0.4428 0.4428 0.4428 0.4428 0.4428 0.4428 0.4428 0.4427 0.4427 0.4426 0.4427 0.4432 0.4450 0.4517 0.4700 0.5130 0.6242 0.8510 1.2003 1.5571 1.9092

-1.4642 -1.4642 -1.4642 -1.4642 -1.4642 -1.4642 -1.4642 -1.4642 -1.4642 -1.4642 -1.4642 -1.4642 -1.4642 -1.4642 -1.4642 -1.4642 -1.4642 -1.4642 -1.4642 -1.4642 -1.4643 -1.4643 -1.4644 -1.4646 -1.4651 -1.4660 -1.4680 -1.4718 -1.4812 -1.4989 -1.5392 -1.6135 -1.7403 -1.9906 -2.3917 -2.9104 -3.4025 -3.8951

0.2972 0.2972 0.2972 0.2972 0.2972 0.2972 0.2972 0.2972 0.2972 0.2972 0.2972 0.2972 0.2972 0.2972 0.2972 0.2972 0.2972 0.2972 0.2972 0.2972 0.2971 0.2971 0.2971 0.2971 0.2971 0.2970 0.2970 0.2971 0.2978 0.3000 0.3076 0.3276 0.3729 0.4905 0.7301 1.0965 1.4668 1.8274

-2.1705 -2.1705 -2.1705 -2.1705 -2.1705 -2.1705 -2.1705 -2.1705 -2.1705 -2.1705 -2.1705 -2.1705 -2.1705 -2.1705 -2.1705 -2.1705 -2.1705 -2.1705 -2.1705 -2.1705 -2.1705 -2.1706 -2.1707 -2.1709 -2.1713 -2.1723 -2.1743 -2.1782 -2.1876 -2.2054 -2.2458 -2.3207 -2.4496 -2.7032 -3.1085 -3.6344 -4.1360 -4.6415

-0.2627 0.9765 0.9778 1.1700 0.1593 0.4995 -1.0554 -0.4507 1.2704 0.8987 0.4387 -1.2473 0.3247 0.3901 -0.4051 0.2923 2.5659 -0.4578 -1.6108 -2.6695 -0.7597 -0.6747 -1.1717 2.0329 0.9685 0.6703 0.4201 -2.8728

-0.0587 0.2183 0.2186 0.2616 0.0356 0.1117 -0.2360 -0.1008 0.2841 0.2010 0.0981 -0.2789 0.0726 0.0872 -0.0906 0.0654 0.5738 -0.1024 -0.3602 -0.5969 -0.1699 -0.1509 -0.2620 0.4546 0.2166 0.1499 0.0939 -0.6424

0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 0.0000 0.0000 -0.0000 -0.0000 -0.0000 0.0000 -0.0000 -0.0000 0.0000 -0.0000 -0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 -0.0000 -0.0000 -0.0000 -0.0000 0.0000

2.2478 2.5679 2.8659 3.1412 3.3965 3.6375 3.8710 4.1029 4.3375 4.5758 4.8179 5.0631 5.3108 5.5601 5.8090 6.0560 6.2996 6.5388 6.7746 7.0099 7.2482 7.4918 7.7416 7.9964 8.2537 8.5103 8.7637 8.8391

-4.4105 -4.9625 -5.5621 -6.2158 -6.9244 -7.6800 -8.4672 -9.2705 -10.0810 -10.8986 -11.7223 -12.5468 -13.3630 -14.1608 -14.9345 -15.6869 -16.4309 -17.1831 -17.9510 -18.7274 -19.4948 -20.2338 -20.9342 -21.6007 -22.2538 -22.9203 -23.6231 -23.8435

2.1720 2.4961 2.7993 3.0826 3.3489 3.6024 3.8490 4.0936 4.3397 4.5901 4.8457 5.1052 5.3669 5.6295 5.8921 6.1529 6.4102 6.6643 6.9158 7.1661 7.4177 7.6734 7.9348 8.2007 8.4692 8.7381 9.0042 9.0834

-5.1718 -5.7403 -6.3552 -7.0209 -7.7382 -8.5008 -9.2944 -10.1044 -10.9224 -11.7471 -12.5767 -13.4065 -14.2282 -15.0321 -15.8116 -16.5697 -17.3196 -18.0767 -18.8488 -19.6302 -20.4039 -21.1503 -21.8584 -22.5332 -23.1943 -23.8682 -24.5780 -24.8004

Bảng 3.1. Kết quả các đầu vào- ra

c) Đồ thị các đầu vào 1, 2 và các đầu ra u1, u2, f1, f2, q1, q2 như các hình 3.9, 3.10, .

Hình 3.9. Đồ thị các đầu vào 1, 2

Hình 3.10a. Đồ thị các đầu ra u1, u2

Sau hai giai đoạn học và kiểm tra, kết quả chọn mạng nơ ron truyền thẳng 4 lớp (4 x 5x 10 x 2) (n2 = 5, n3 = 10) để nhận dạng vị trí rôbôt hai khâu. Đồ thị quan hệ vào-ra khâu 1 và 2 giai đoạn học tương ứng được biểu diễn ở hình 3.15 và 3.16.

Đồ thị sai lệch giai đoạn học của mạng (4x5x10x2) biểu diễn ở hình 3.19. Quan hệ vào-ra khâu 1và 2 giai đoạn kiểm tra tương ứng biểu diễn ở hình 3.17 và 3.18. Hình 20 biểu diễn đồ thị của các đại lượngq1,q2và q1,q2của mạng (4x5x10x2) giai đoạn kiểm tra,w1,w2,w3 tương ứng là các ma trận trọng số giữa lớp vào với lớp ẩn thứ nhất; giữa lớp ẩn thứ nhất với lớp ẩn thứ hai; giữa lớp ẩn thứ hai với lớp ra, b2, b3,

Hình 3.10b. Đồ thị các đầu ra q1, q2

Hình 3.10c. Đồ thị các đầu ra f1, f2

b4 tương ứng là các ma trận bias của các lớp ẩn thứ nhất, thứ hai và lớp ra. Kết quả các ma trận trọng số và bias có số liệu như sau:

















  



8403 . 2 6625 . 2 3387 . 3 3738 .

3.1955 4.8611 2.5360 5.9514 3.7799 6.0709 1.6258 4.5175 2.7287 0.2767 0.6060 4.8759 54.8018 3.8761 2.7178 5.7557

w1 ,



















   

    





3347 . 0 4787 . 3 0588 . 4 4348 . 0 4369 .

0066....2287126142319051 6160....7447338028415413 2210....5580807260022455 1111....5807178787900383 0200....3604516300385646 8.4499 0.1906 1.0841 5.4907 0.0783 1.4002 0.2176 0.1118 4.6111 0.0843 1.7976 9.6605 0.6668 2.7352 1.5407 6.8468 8.3064 3.6655 1.0948 2.1358 0.1238 30.2720 12.2202 7.7929 11.4731 5

w2 ;

T w3





 -0.0423 -1.5767 1.6355 6.6716 7.3328 -2.4450 4.6922 -4.5197 -2.7580 0.9291 0.3886 - 1.0689 2.0068 2.0695 - 1.7230 2.1823 - 2.2294 - 1.2174 - 0.9863 0.0165

 T

b21.1860 4.3878 0.5198 -0.6131 2.9391

 T

b3-16.8477 -2.5967 -1.1884 0.4501 1.3583 -0.8965 2.3568 0.6843 2.0420 3.5739

 T

b4-1.1098 0.8223 ;

0 1020 304050 60708090100

0 0.5 1 1.5 2 2.5 3 3.5

0 1020 30405060708090100

-100 -80 -60 -40 -20 0 20 40 60 80 100

0 50 100 150 200 250 300

-100 -80 -60 -40 -20 0 20 40 60 80 100

0 50 100 150 200 250 300

-100 -80 -60 -40 -20 0 20 40 60 80 100

Hình 3.11.

Đồ thị phụ tải của rôbôt m3

Hình 3.12.

Mômen 1,2 giai đoạn học

Hình 3.13.

Mômen1 giai đoạn kiểm tra

Hình 3.14.

Mômen2 giai đoạn kiểm tra

-100 -50 0 50 100

0 1 2 3 -2.5 -2 -1.5 -1 -0.5 0

-100 -50 0 50 100

0 1 2 3 0 0.5 1 1.5 2

-100 -50 0 50 100

0 1 2 3 -2.5 -2 -1.5 -1 -0.5 0

-100 -50 0

50 100

0 1 2 3 0 0.5 1 1.5 2

0 1000 2000 3000 4000 5000

10-6 10-5 10-4 10-3 10-2 10-1 100 101

5584 Epochs

Training-Blue Goal-Black

Performance is 2.99983e-006, Goal is 3e-006

0 10 20 30 40 50 60 70 80 90 100

-2.5 -2 -1.5 -1 -0.5 0 0.5 1 1.5 2

Sai lệch trung bình bình phương E2.99983.106sau 5584 chu kỳ học.

3.2.3.4. Kết luận chương III.

Kết quả mô phỏng cho thấy sai lệch nhận dạng giữa tín hiệu mẫu và tín hiệu tính toán của mô hình nhận dạng là rất nhỏ, điều đó chứng tỏ rằng sử dụng mạng nơ ron truyền thẳng nhiều lớp trong nhận dạng vị trí rôbôt hai khâu là một giải pháp rất hiệu quả và có độ chính xác cao. Giải pháp này có đóng góp mới là chỉ cần sử dụng một mạng nơ ron truyền thẳng nhiều lớp mà có thể nhận dạng được vị trí rôbôt hai khâu là hệ MIMO phi tuyến. Có thể ứng dụng giải pháp này cho việc sử dụng mạng nơ ron truyền thẳng nhiều lớp nhận dạng cho các đối tượng phi tuyến MIMO khác có mức độ phi tuyến cao.

Hình 3.15. Quan hệ vào-ra khâu 1 giai đoạn học

Hình 3.16. Quan hệ vào-ra khâu 2 giai đoạn học

Hình 3.17. Quan hệ vào-ra khâu 1 giai

đoạn kiểm tra

Hình 3.18. Quan hệ vào-ra khâu 2 giai

đoạn kiểm tra



 q1

Hình 3.19. Đồ thị sai lệch giai đoạn học của mạng (4x5x10x2).

Hình 3.20. Đồ thị q1,q2của rôbôt hai khâu và q1,q2của mạng(4x5x10x2)giai

đọan kiểm tra

KẾT LUẬN CHUNG

1. Luận văn này đã hoàn thành những uyêu cầu đặt ra là khảo sát về một phương pháp ứng dụng mạng nơ ron truyền thẳng nhiều lớp nhận dạng vị trí q của rô bốt hai khâu với phụ tải nhỏ với độ chính xác cao.

2. Các đóng góp chính của đề tài nghiên cứu:

- Đã tổng hợp các tài liệu về mạng nơ ron và các ứng dụng của nó để có cái nhìn tổng quan về cấu trúc, các luật học và các phương pháp ứng dụng các mạng nơ ron trong nhận dạng và điều khiển,

- Bằng phương pháp phân tích, so sánh về cấu trúc, các luật học và khả năng ứng dụng thực tiễn của các loại mạng nơ ron, luận văn này đã chọn mạng nơ ron truyền thẳng nhiều lớp là mạng có nhiều ưu điểm về cấu trúc và luật học để tập trung nghiên cứu ứng dụng nó trong bài toán nhận dạng.

- Dựa trên kết quả nghiên cứu của tài liệu [1], sự hướng dẫn trực tiếp của TS Phạm Hữu Đức Dục, luận văn đã đi sâu nghiên cứu, phân tích được sự đúng đắn của việc sử dụng cấu trúc mạng nơ ron truyền thẳng 4 lớp là (4x5x10x2) với luật học lan truyền ngược của sai lệch và các thông số điều chỉnh của các lớp nơ ron để đạt được sai lệch trung bình bình phương trong giới hạn cho phép E  Emax nghĩa là tín hiệu học của mạng nơ ron qmh bám sát theo được tín hiệu vị trí thực q của sơ đồ điều chỉnh vị trí rô bốt hai khâu.

- Trong khuôn khổ luận văn này mới chỉ tìm hiểu được giai đoạn 1 của bài toán ứng dụng mạng nơ ron truyền thẳng nhiều lớp để nhận dạng đối tượng. Do thời gian nghiên cứu có hạn, nên giai đoạn 2 của bài toán là phần tính toán hệ số KU để tìm tín hiệu điều chỉnh thích nghi vị trí rô bốt hai khâu chưa được đề cập tới.

- Với kết quả rất tốt của giai đoạn 1 (Sai lệch vị trí tổng chỉ là E2.99983.106), tin chắc rằng việc sử dụng các thông số đã tính toán được trong quá trình nhận dạng của giai đoạn 1 cho giai đoạn 2 cũng sẽ đạt được kết quả tốt đẹp.

Vì vậy luận văn này là một hướng nghiên cứu mở, có thể phát triển tiếp tục hướng nghiên cứu này ở các công trình khoa học cấp cao hơn.