Thích nghi và học cho những thành phần ngưỡng nơron

Một phần của tài liệu Luận văn thạc sĩ mạng điều khiển fuzzy và neural (Trang 29)

VÀ NHỮNG ỨNG DỤNG CỦA CHÚNG TRONG ĐIỀU KHIỂN QUÁ TRÌNH

2.4.2 Thích nghi và học cho những thành phần ngưỡng nơron

Một công việc quan trọng là làm cách nào để thiết kế một thuật toán hiệu quả để thích nghi những trọng số và ngưỡng của một đơn vị. Lập trình tuyến tính có

thể cung cấp một giải pháp thay thế cho một tập những bất phương trình mà có thể nhận được từ một hàm chuyển mạch được cho. Vì tất cả những giá trị hợp lý

của hàm này hiện diện trong một chương trình tổng hợp như thế tại cùng thời điểm, thuật toán này được xem là có bản chất song song. Trong trường hợp này, một máy tính được lập trình để thực hiện một chương trình mà phải có đủ bộ

nhớ để lưu trữ toàn bộ hàm chuyển mạch hoặc là một bảng kết hợp hay một

hàm Boolean.

Đối ngược với điều trên có một số chương trình mà có thể thực hiện theo

vòng lặp hay theo chuỗi. Nghĩa là, tại bất kỳ thời điểm nào , chương trình cho một giá trị hàm chỉ với một kết hợp ngõ vào và không cần bộ nhớ để lưu trữ

những giá trị hàm ở các thời điểm trước. Cần có bộ nhớ để lưu trữ ước lượng

hiện thời của chương trình cho việc nhận dạng đúng và chứa những giá trị trọng

số và ngưỡng. Khi giá trị hàm cho một vài kết hợp ngõ vào thì có được một tín

hiệu lỗi giữa giá trị hàm này và ước lượng hiện thời và được hồi tiếp để mà

chương trình có thể thay đổi ước lượng hiện thời nhưng không lưu trữ thông tin

khác. Ý tưởng là sau mỗi hiện diện của ngõ vào với một lượng thời gian đủ thì

ước lượng của chương trình sẽ hội tụ đến đến một giá trị đúng. Loại chương

trình này được gọi lả thích nghi hay học vì mối liên hệ nào đó đến những quá

trình trong những nơron sinh học.

Cho một tập gồm n biến ngõ vào x1,x2,…,xnnhư hình sau, ngõ ra của bộ kết

hợp tuyến tính(linear combiner) được xác định đơn giản như sau:

(2.9)

Định nghĩa những véctơ đối số của những ngõ vào và trọng số nơron , ta có:

(2.10)

Hình 2.7 Sơ đồ thể hiện của một quá trình thích nghi cho một thành phần ngưỡng nơron.

Vì thế ta có được phương trình

(2.11) Vì thế, với một hàm chuyển mạch f(x1,x2,…,xn) một quá trình thích nghi cho những thành phần ngưỡng có thể được xem như một bộ kết hợp tuyến tính được đặt nối tiếp với hàm giới hạn như trong hình 1.4. Tín hiệu lỗi giữa hàm chuyển

mạch đã biết và ngõ ra của thành phần ngượng nơron được cho như sau:

(2.12) với d(k) = f(x1,x2,…,xn) là một hàm của những biến xi, i=1,…,n. Thuật toán

thích nghi là một chương trình tối thiểu hàm lỗi sẽ được bàn đến sau.

Một phần của tài liệu Luận văn thạc sĩ mạng điều khiển fuzzy và neural (Trang 29)

Tải bản đầy đủ (PDF)

(150 trang)