VÀ NHỮNG ỨNG DỤNG CỦA CHÚNG TRONG ĐIỀU KHIỂN QUÁ TRÌNH
2.7.3Mô hình Neuro-mờ
Một lợi ích của những hệ thống mờ là cơ sở luật có thể được tạo từ kiến thức
chuyên gia, dùng chỉ định những luật mờ để phân chia tất cả các biến và số lượng những luật mờ để mô tả liên hệ vào/ra của bài toán. Tuy nhiên, một hệ
thống mờ được xây dựng chỉ bởi kiến thức chuyên gia thường không thể hiện như mong muốn khi được ứng dụng vì chuyên gia có thể sai trong việc định vị
trí của những tập mờ và số lượng quy luật. Một quá trình tinh chỉnh thủ công
cần được đưa vào tầng thiết kế mà kết quả là sẽ hiệu chỉnh những hàm liên thuộc và/hoặc cơ sở quy luật của những hệ thống mờ. Quá trình tinh chỉnh này có thể tốn rất nhiều thời gian và gặp rất nhiều lỗi. Bên cạnh đó, trong nhiều ứng
dụng kiến thức chuyên gia chỉ là những biến riêng phần và không phải là tất cả.
Vì thế thật là hữu ích khi hổ trợ cho việc định nghĩa những cơ sở quy luật tập
mờ bằng những phương pháp học tự động mà sẽ sử dụng dữ liệu mẫu hợp lý.
Điều này là có thể vì khi chúng ta đưa những thành phần của hệ thống mờ vào trong định dạng thông số, những hệ thống suy luận mờ trở thành những mô
hình thông số mà có thể được tinh chỉnh bởi một chương trình học. Ý tưởng này
chính là cơ sở cho mt neuro-mờ (Brown M. and Harris C.J., 1994; Jang J-S.R. and Sun C-T., 1993;Wang L. and Mendel J.M., 1992a) với lý thuyết sau:
Lý thuyết. Khi những toán hạng đại số được dùng để thực thi những hàm lôgic mờ, những ngõ vào rõ được mờ hoá dùng mờ hoá đơn điểm và giải mờ trọng tâm được khai thác, ánh xạ vào ra của hệ thống mờ Mamdani có thể được thể
hiện bởi một kết hợp tuyến tính của những hàm liên thuộc mờ ngõ vào được
chuẩn hoá:
(2.82) với K là số lượng luật và bk là tâm của những tập mờ Bk.
Từ (2.82) ta có thể thấy rằng ngõ ra của hệ thống mờ Mamdani có thể được thể
hiện đơn giản như một kết hợp tuyến tính của những hàm cơ bản phi tuyến
(những hàm liên thuộc ngõ vào nhiều biến được chuẩn hoá), vì thế nó có thể được đề cập đến như là kỹ thuật mô hình cục bộ.(Add). Và ngõ ra của một hệ
mờ TS có thể được đề cập như là kết hợp tuyến tính của những những hàm liên thuộc ngõ vào nhiều biến được chuẩn hoá. Thật ra, nếu một hệ mờ TS dùng chuẩn trung bình trọng số để kết hợp những thể hiện cục bộ, thì ngõ ra cho một
ngõ vào x được tính như là tổng chuẩn hoá:
(2.83) Công thức (2.83)làm cho hệ mờ TS trở thành một ví dụ cụ thể của phương pháp
cục bộ được tổng quát hoá với hk(.) là những mô hình cục bộ và những hàm cơ
những hàm này sẽ xác định mô hình cục bộ nào là phù hợp với một ngõ vào cụ
thể được cho.
Vì những hệ mờ có thể được xem như là một trường hợp đặc biệt của những phương pháp mô hình cục bộ, với không gian ngõ vào được phân chia thành một số lượng những vùng mờ được thể hiện bởi những hàm liên thuộc nhiều
biến. Với mỗi vùng, một luật được định nghĩa mà có thể chỉ định ngõ ra của hệ
thống trong vùng đó. Lớp các hàm có thể được tạo ra chính xác bởi mô hình kết quả được xác định bởi ánh xạ phi tuyến được thể hiện bởi những hàm liên thuộc mờ nhiều biến. Kết quả này đã tạo được những ấn tượng mạnh khi so
sánh giữa những hệ mờ và những kỹ thuật truyền thống khác. Nếu những hàm liên thuộc hình chuông (Gauss) được dùng , thì một hệ mờ TS tương đương với
một loại mạng RBF đặc biệt (Jang J.-S. and C.-T. Sun, 1993). Những lý thuyết
và phân tích nhận được từ phương pháp mô hình cục bộ có thể được áp dụng (adsbygoogle = window.adsbygoogle || []).push({});
trực tiếp cho những hệ mờ. Tương tự, những hệ mờ cũng cho phép ứng dụng dễ
dàng những kỹ thuật học được dùng trong những phương pháp cục bộ để nhận
dạng những luật mờ từ dữ liệu. Mặt khác, những hệ mờ khác biệt với những kỹ
thuật mô hình cục bộ khác cho khả năng dễ dàng định trước cấu trúc và sự tích
hợp kiến thức ưu tiên.
Nhiều giải thuật học từ lĩnh vực mô hình cục bộ và những kỹ thuật đặc biệt hơn được phát triển cho vài loại mạng nơron được mở rộng để tinh chỉnh tự động những luật mờ dựa trên dữ liệu hợp lý. Những kỹ thuật này đã xem hệ mờ như là một kiến trúc đặt lớp, tương tự như mạng nơron thông minh. Bằng cách như thế, hệ mờ trở thành hệ neuro-mờ-một kiến trúc mạng nơron đặc biệt. Lin
và Lee (1991) đã lần đầu tiên đề xuất việc thực thi những mô hình mờ Mamdani
dùng kiến trúc truyền thẳng đặt lớp. Vì thế, ví dụ nổi tiếng nhất của mạng
neuro-mờ là hệ suy luận mờ dựa trên mạng thích nghi(Adaptive
Network-based Fuzzy Inference System (ANFIS)) được phát triển bởi Jang (1995), đã thực thi một hệ mờ TS trong một kiến trúc mạng, và ứng dụng hỗn
hợp của giải thuật lan truyền ngược và bình phương nhỏ nhất để huấn luyện hệ.
Hình 2.20 là một ví dụ của một mô hình mờ với hai luật được thể hiện như một
mạng ANFIS. Những luật là:
R1: Nếu (x1 là A11) và (x2 là A12) thì (y là b1) R2: Nếu (x1 là A21) và (x2 là A22) thì (y là b2)
Những nút đầu tiên trong lớp tính độ liên thuộc của những ngõ vào trong những tập mờ tiền đề. Những nút tích ∏ trong lớp thứ hai thể hiện liên kết tiền đề (ở đây là toán hạng ‘và’). Nút chuẩn hoá N và nút tổngthực hiện toán
hạng trung bình mờ.
Một vài hệ neuro-mờ được đề xuất (Kosko B.,1992; Sun C., 1994; Halgamuge S.K. and Glesner M., 1994; Lin Y. and Cunningham III G.A., 1995; Shann J.J and Fu H., 1995; Kasabov N., 1996; Nauck D. and Kruse R., 1996; Juang C.-F. and Lin C.-T., 1998; Kim J. and Kasabov N.,1999; Quek C. and Zhou R.W., 1999). Hầu hết chúng dựa trên một cấu trúc kết nối tương tự như
mạng nơron truyền thẳng nhiều lớp.