VÀ NHỮNG ỨNG DỤNG CỦA CHÚNG TRONG ĐIỀU KHIỂN QUÁ TRÌNH
2.7.4Mô hình với những hệ neuro-mờ
Khi xem xét những mô hình mờ, có hai pha khác nhau cần được thực hiện đó
là nhận dạng cấu trúc và nhận dạng thông số. Nhận dạng cấu trúc gồm có xác định cấu trúc của luật, ví dụ số luật và số tập mờ được dùng để phân chia mỗi
biến trong không gian vào và ra để nhận được những tên biến ngôn ngữ. Khi
một cấu trúc đã thoả mãn, tiếp theo là cần phải nhận dạng thông số để tinh
chỉnh vị trí của tất cả hàm liên thuộc cùng với hình dạng của chúng là những
mối quan tâm chính.
Như đã thấy trước đây, để giải quyết hạn chế của việc dùng những kiến thức chuyên gia khi định nghĩa những luật mờ, cần có những phương pháp dựa theo dữ liệu để tạo những hệ mờ. Với những phương pháp như thế cả thông số và cấu trúc nhận được chỉ phụ thuộc vào dữ liệu huấn luyện. Có vài cách khác nhau mà học cấu trúc và học thông số có thể được kết hợp trong một hệ neuro- mờ. Chúng có thể thực hiện theo tuần tự: học cấu trúc được dùng trước tiên để
cấu trúc thích hợp cho cho cơ sở luật mờ và sau đó học thông số được dùng để
nhận dạng thông số của mỗi luật. Trong vài hệ neuro-mờ, cấu trúc là cố định và chỉ có học thông số là được thực hiện. Những thuật toán được phát sinh bởi học
mạng nơron thường được dùng cho học thông số. Học cấu trúc thường không
xuất phát từ mạng nơron. Có nhiều phương pháp khác nhau tồn tại để tự động xác định cấu trúc của mạng nơron, nhưng không có phương pháp nào thích hợp để nhận dạng cấu trúc trong những mô hình neuro-mờ. Trong phần sau đây sẽ
thể hiện vài phương pháp khác nhau được dùng cho nhận dạng cấu trúc và thông số trong những mô hình neuro-mờ. Trong đó nhiều phương pháp lấy ý tưởng từ những phương pháp mô hình hoá cục bộ. Có rất nhiều kết hợp cấu
trúc/ thông số để làm cho mô hình mờ trở nên thoả mãn, vì thế việc tìm kiếm
mô hình tốt nhất không phải là một công việc dễ dàng. Thường thì, những mô
hình mờ đơn giản được chuộng hơn so với những mô hình phức tạp, vì thế
trong việc tìm kiếm mô hình tốt nhất cần xem xét hai mục tiêu chính là độ chính
xác tốt và độ phức tạp tối thiểu.