Chuong05 nhap mon dktm

Microsoft PowerPoint Chuong05 Nhap mon DKTM ppt [Compatibility Mode] Môn học Môn học NHẬP MÔN ĐIỀU KHIỂN THÔNG MINHNHẬP MÔN ĐIỀU KHIỂN THÔNG MINH Giảng viên PGS TS Huỳnh Thái Hoàng Bộ môn Điều Khiển T[.]

Môn học

NHẬP MÔN ĐIỀU KHIỂN THÔNG MINH

Giảng viên: PGS TS Huỳnh Thái Hoàng

Bộ môn Điều Khiển Tự Động

Khoa Điện – Điện Tử Đại học Bách Khoa TP.HCM

Đại học Bách Khoa TP.HCM Email: hthoang@hcmut.edu.vn Homepage: http://www4.hcmut.edu.vn/~hthoang

Chương 5

ỨNG DỤNG MẠNG THẦN KINH

Ứ G Ụ G Ạ G

 Nhận dạng tiếng nói, âm thanh,…

 Nhận dạng hình ảnh: bảng số xe, mặt người, hướng ậ ạ g g , ặ g , g

nhìn, dấu vân tay,…

NHẬN DẠNG HỆ PHI TUYẾN

Ứng dụng nhận dạng hệ thống

Thí nghiệm thu

Thí nghiệm thu thập dữ liệu các qui gữ, … Xử lý sơ

hệ thống: ểu ngôn n

Xư ly sơ bộ dữ liệu

Chọn cấu trúc

ng tin biết t vật lý, c

Ước lượng thông số

Tốt  chấp nhận mô hình

thông tin biết trước

Mô hình hóa hệ phi tuyến dùng mạng thần kinh

 Đối tượng phi tuyến:

 Đối tượng phi tuyến:

) ( )]

( , ),

1 (

), (

, ),

1 (

[ )

1 (

), (

, ),

1 (

[ )

, (

v21

w1

w q

v r1 u(km)

z

z n

Huấn luyện mạng thần kinh nhận dạng hệ thống

 Chỉ tiêu bình phương tối thiểu huấn luyện mạng NN:

 Chỉ tiêu bình phương tối thiểu huấn luyện mạng NN:

,

( 2

1 )

Thí dụ nhận dạng hệ bồn đơn dùng mạng thần kinh

 Mô hình toán học hệ bồn nước (sử dụng để mô phỏng):ọ ệ ( ụ g p g)

) (

1 )

y A

min max

 Yêu cầu: Nhận dạng hệ bồn đơn dùng mô hình mạng NN Giả

sử chu kỳ lấy mẫu là T=0.1s, nhiễu đo mức chất lỏng có bị giá

max

y

sử chu kỳ lấy mẫu là T 0.1s, nhiễu đo mức chất lỏng có bị giá

trị trung bình là  = 0 và phương sai là  = 0.1

Thông số hệ bồn đơn

 u(t) điện áp điều khiển máy bơm (V)

 y(t): độ cao mực chất lỏng trong bồn (cm)

 A(y): tiết diện ngang bồn chứa (cm (y) t ết d ệ ga g bồ c ứa (c 2 ) (phụ thuộc độ cao) ) (p ụ t uộc độ cao)

 y max : độ cao cực đại của bồn chứa

 A max , A min : tiết diện ngang cực đại và cực tiểu

 k : hệ số tỉ lệ với công suất máy bơm

 k : hệ số tỉ lệ với công suất máy bơm

 a: tiết diện van xả (cm2)

 g: gia tốc trọng trường (981cm/sec2)

 C D : hệ số xả (tùy loại chất lỏng)

Giá trị cụ thể: yị ụ y max max = 50cm, A , max max = 200 cm 2 , A , min min = 100 cm 2 , ,

a = 1 cm 2 , k = 300 cm 3 /sec, C D =0.6.

Sơ đồ mô phỏng thí nghiệm thu thập dữ liệu

 Khối SingleTank_Input: tín hiệu có biên độ và tần số ngẫu nhiên Biên độ nằm trong khoảng [0, 1]

 Khối Gain nhằm tạo tín hiệu u có biên độ nằm trong miền

 Khối Gain nhằm tạo tín hiệu u có biên độ nằm trong miền

0  u  12V

Thí nghiệm thu thập dữ liệu

Sample

Dữ liệu đánh giá

Dữ liệu huấn luyện mạng Dữ liệu đánh giá

Cấu trúc mạng thần kinh nhận dạng hệ bồn đơn

 2 ngõ vào: y(k-1), u(k-1)

Kết quả đánh giá mô hình

 Phân tích thặng dư: So sánh ngõ ra của mạng thần kinh với

0

 Phân tích thặng dư: So sánh ngõ ra của mạng thần kinh với

dữ liệu đã dùng để huấn luyện mạng

 Sai số giữa mô hình mạng thầnh kinh và tín hiệu ra của hệ

bồn đơn không đáng kể

Kết quả đánh giá mô hình

Các ứng dụng của mô hình phi tuyến

 Mô hình phi tuyến được ứng dụng trong

 Mô hình phi tuyến được ứng dụng trong

 Điều khiển: điều khiển dự báo, điều khiển thích nghi,điều khiển dùng mô hình ngượcg g

 Dự báo

 Chuẩn đoán sự cố

HỌC LUẬT ĐIỀU KHIỂN

Điều khiển dùng mạng thần kinh

 Tiêu chuẩn huấn luyện mạng:

min )]

( )

( [

k u

J w

Điều khiển dùng mạng thần kinh

y m (k)

Mô hình chuẩn

Đối tượng điều khiển

y(k) r(k)

 Có thể huấn luyện mạng thần kinh sao cho đáp ứng của hệthống bám theo đáp ứng của mô hình chuẩn

Tiê h ẩ h ấ l ệ

 Tiêu chuẩn huấn luyện mạng:

min )]

( )

( [

) (  N ym k  y k 2 

y

J w

Thí dụ huấn luyện mạng NN học bộ điều khiển PD mờ

 Phương trình vi phân mô tả đối tượng:

 ( ) ( )   ( ) ( ) 

1 )

(

1

1 )

2 1

3 2

1 2

1

t t

k t

t t

1 2



Trong đó:

Tín hiệu vào ä  (t) (radian) là góc của bánh lái. ( ) ( ) g

Tín hiệu ra  (t) (radian) là góc (hướng) chuyển động của

Thí dụ huấn luyện mạng NN học bộ điều khiển PD mờ (tt)

 Sơ đồ thu thập dữ liệu để huấn luyện mạng thần kinh

 Sơ đồ thu thập dữ liệu để huấn luyện mạng thần kinh

Thí dụ huấn luyện mạng NN học bộ điều khiển PD mờ (tt)

 Dữ liệu để huấn luyện mạng thần kinh

 Dữ liệu để huấn luyện mạng thần kinh

Thí dụ huấn luyện mạng NN học bộ điều khiển PD mờ (tt)

e(t)

u(t) e(t)

Thí dụ huấn luyện mạng NN học bộ điều khiển PD mờ (tt)

 Bộ điều khiển mạng thần kinh sau khi huấn luyện

 Bộ điều khiển mạng thần kinh sau khi huấn luyện

Thí dụ huấn luyện mạng NN học bộ điều khiển PD mờ (tt)

 Kết quả điều khiển lái tàu dùng mạng thần kinh đã huấn

 Kết quả điều khiển lái tàu dùng mạng thần kinh đã huấnluyện

Thí dụ huấn luyện mạng NN học bộ điều khiển PD mờ (tt)

 So sánh với kết quả

 So sánh với kết quả

45

0 500 1000 1500 2000 2500 3000 3500 4000 -45

Điều khiển mờ ĐK dùng mạng thần kinh

Thí dụ huấn luyện mạng học bộ điều khiển PI mờ

 Phương trình vi phân mô tả đặc tính động học hệ bồn chứa:

1 )

h  ( ) 2 ( ) 

) (

)

h A

t

min max

)

h h

Thí dụ huấn luyện mạng NN học bộ điều khiển PI mờ (tt)

 Sơ đồ thu thập dữ liệu để huấn luyện mạng thần kinh

 Sơ đồ thu thập dữ liệu để huấn luyện mạng thần kinh

Thí dụ huấn luyện mạng NN sao chép bộ điều khiển PI mờ (tt)

 Dữ liệu để huấn luyện mạng thần kinh

 Dữ liệu để huấn luyện mạng thần kinh

15 30

-30 -15 0

-50 -25

12

0 4

8

Thí dụ huấn luyện mạng NN học bộ điều khiển PI mờ (tt)

 Cấu trúc mạng thần kinh sao chép bộ điều khiển PI mờ

 Mạng có 3 ngõ vào e(t), de(t), u(t1), 1 ngõ ra u(t).

 Mạng có 3 ngõ vào e(t), de(t), u(t 1), 1 ngõ ra u(t).

 Lớp ẩn gồm 5 tế bào thần kinh có hàm kích hoạt dạng

sigmoid

 Lớp ra gồm 1 tế bào thần kinh có hàm kích hoạt tuyến tính

 Lớp ra gồm 1 tế bào thần kinh có hàm kích hoạt tuyến tính

Thí dụ huấn luyện mạng NN học bộ điều khiển PI mờ (tt)

 Bộ điều khiển mạng thần kinh sau khi huấn luyện

 Bộ điều khiển mạng thần kinh sau khi huấn luyện

Thí dụ huấn luyện mạng NN học bộ điều khiển PI mờ (tt)

 Kết quả điều khiển mực chất lỏng dùng mạng thần kinh đã

 Kết quả điều khiển mực chất lỏng dùng mạng thần kinh đã huấn luyện

NHẬN DẠNG MẪU

Ứng dụng nhận dạng mẫu

 Nhận dạng mẫu dùng mạng neuron: 2 bước

 Nhận dạng mẫu dùng mạng neuron: 2 bước

 Huấn luyện mạng neuron dựa vào tập mẫu

 Nhận dạng dùng mạng neuron đã huấn luyện

Ứng dụng nhận dạng mẫu

 Huấn luyện mạng neuron:

 Huấn luyện mạng neuron:

 Trích đặc trưng

 Huấn luyện mạng sử dụng dữ liệu là các đặc trưng

 Huấn luyện mạng sử dụng dữ liệu là các đặc trưng

Tập mẫu

huấn luyện

Trích đặc trưng

Huấn luyện mạng

Lưu trọng

số mạng

 Trích đặc trưng: tùy theo từng bài toán cụ thể

 Nhận dạng tiếng nói: đặc trưng tần số Mel

 Nhận dạng tiếng nói: đặc trưng tần số, Mel,

 Nhận dạng hình ảnh: đặc trưng mức xám của vùng ảnh đặc trưng Haar PCA

ảnh, đặc trưng Haar, PCA,…

Mạng NN

Tính ngõ ra của mạng

Tách từ dựa vào năng lượng