Nghiên cứu ứng dụng trí tuệ nhân tạo artificial intelligence cho bài toán nhận dạng và áp dụng cho hệ cơ piezo actuator

Do đó, đề tài nghiên cứu được đề xuất nhằm mở rộng và phát triễn các hệ thống thông minh lai mạnh mẽ và tổng quát hơn so với các nghiên cứu hiện có để giải quyết vấn đề làm thế nào ước l

ỦY BAN NHÂN DÂN THÀNH ĐOÀN TP HỒ CHÍ MINH THÀNH PHỐ HỒ CHÍ MINH TRUNG TÂM PHÁT TRIỂN

SỞ KHOA HỌC VÀ CÔNG NGHỆ KHOA HỌC VÀ CÔNG NGHỆ TRẺ

CHƯƠNG TRÌNH KHOA HỌC VÀ CÔNG NGHỆ CẤP THÀNH PHỐ

BÁO CÁO TỔNG HỢP

KẾT QUẢ NHIỆM VỤ NGHIÊN CỨU KHOA HỌC VÀ CÔNG NGHỆ

(NGHIÊN CỨU ỨNG DỤNG TRÍ TUỆ NHÂN TẠO - ARTIFICIAL

INTELLIGENCE CHO BÀI TOÁN NHẬN DẠNG VÀ ÁP DỤNG CHO

ỦY BAN NHÂN DÂN THÀNH ĐOÀN TP HỒ CHÍ MINH THÀNH PHỐ HỒ CHÍ MINH TRUNG TÂM PHÁT TRIỂN

SỞ KHOA HỌC VÀ CÔNG NGHỆ KHOA HỌC VÀ CÔNG NGHỆ TRẺ

CHƯƠNG TRÌNH KHOA HỌC VÀ CÔNG NGHỆ CẤP THÀNH PHỐ

BÁO CÁO TỔNG HỢP

KẾT QUẢ NHIỆM VỤ NGHIÊN CỨU KHOA HỌC VÀ CÔNG NGHỆ

(NGHIÊN CỨU ỨNG DỤNG TRÍ TUỆ NHÂN TẠO - ARTIFICIAL INTELLIGENCE CHO BÀI TOÁN NHẬN DẠNG

VÀ ÁP DỤNG CHO HỆ CƠ PIEZO-ACTUATOR) (Đã chỉnh sửa theo kết luận của Hội đồng nghiệm thu ngày )

Chủ tịch Hội đồng nghiệm thu

Thành phố Hồ Chí Minh- 2019

BÁO CÁO THỐNG KÊ KẾT QUẢ THỰC HIỆN NHIỆM VỤ NGHIÊN CỨU KH&CN

I THÔNG TIN CHUNG

1 Tên nhiệm vụ: Nghiên cứu ứng dụng trí tuệ nhân tạo - artificial intelligence cho bài toán nhận dạng và áp dụng cho hệ cơ piezo-actuator

Thuộc: Chương trình/lĩnh vực (tên chương trình/lĩnh vực): Vườn ươm Sáng tạo Khoa học và Công nghệ trẻ

2 Chủ nhiệm nhiệm vụ:

Họ và tên: NGUYỄN NGỌC SƠN

Ngày tháng năm sinh: 20/07/1987 Giới tính: Nam

Học hàm, học vị: Tiến Sĩ

Chức danh khoa học: Chức vụ: Phó trưởng Khoa

Điện thoại tổ chức: (08)38940390 Điện thoại di động: 0976645726 Tên tổ chức đang công tác: Khoa Công Nghệ Điện Tử, Trường Đại học Công nghiệp

Tp Hồ Chí Minh

Địa chỉ tổ chức: 12 Nguyễn Văn Bảo, P.4, Q Gò Vấp, TP.HCM

Địa chỉ nhà riêng: 373/77 Lý Thường Kiệt, P.9, Q Tân Bình, TP.HCM

3 Tổ chức chủ trì nhiệm vụ:

Tên tổ chức chủ trì nhiệm vụ: Trung tâm phát triển khoa học và công nghệ trẻ

Điện thoại: (028) 38 233 363

Website: www.khoahoctre.com.vn

Địa chỉ: Phạm Ngọc Thạch, P Bến Nghé, Quận 1, TP Hồ Chí Minh

Họ và tên thủ trưởng tổ chức: Đoàn Kim Thành

Số tài khoản: 0301744926

Kho bạc Nhà nước: Quận 1

Tên cơ quan chủ quản đề tài:

Thời gian

(Tháng, năm)

Kinh phí (Tr.đ)

Thời gian (Tháng, năm)

Kinh phí (Tr.đ)

3 Nghiệm thu 18

c) Kết quả sử dụng kinh phí theo các khoản chi:

Đối với đề tài:

- Lý do thay đổi (nếu có):

3 Các văn bản hành chính trong quá trình thực hiện đề tài/dự án:

(Liệt kê các quyết định, văn bản của cơ quan quản lý từ công đoạn xét duyệt, phê duyệt kinh phí, hợp đồng, điều chỉnh (thời gian, nội dung, kinh phí thực hiện nếu có); văn bản của tổ chức chủ trì nhiệm

vụ (đơn, kiến nghị điều chỉnh nếu có)

Số

TT

Số, thời gian ban

Nội dung tham gia chủ yếu

Sản phẩm chủ yếu đạt được

5 Cá nhân tham gia thực hiện nhiệm vụ:

(Người tham gia thực hiện đề tài thuộc tổ chức chủ trì và cơ quan phối hợp, không quá 10 người

Nội dung tham gia chính

Sản phẩm chủ yếu đạt được

Ghi chú*

1 TS Nguyễn

Ngọc Sơn

TS Nguyễn Ngọc Sơn

Phụ trách quản

lý đề tài, mảng nghiên cứu trí tuệ nhân tạo AI;

viết bài báo khoa học

01 bài báo SCOPUS,

01 bài báo ISI đang phản biện

2 ThS Nguyễn

Duy Khanh

ThS Nguyễn Duy Khanh

Phụ trách mảng phần cứng nhúng, xử lý dữ liệu, phân tích kết quả

01 báo cáo hội thảo về phần cứng thu thập dữ liệu từ thiết bị Piezo

3 TS Trần Minh

Chính TS Trần Minh Chính Phụ trách mảng

viết chương trình máy tính,

và công việc khác

01 báo cáo hội thảo; và viết thành bài báo gửi tạp chí Trường Đại học CN TPHCM

4 Trần Nguyễn

Minh Thông

Trần Nguyễn Minh Thông Phụ trách thu thập dữ liệu

theo yêu cầu của chủ nhiệm

đề tài

Theo phân công chủ nhiệm; đang

áp dụng AI vào thực hiện khóa luận

- Lý do thay đổi ( nếu có):

6 Tình hình hợp tác quốc tế:

Số

TT

Theo kế hoạch (Nội dung, thời gian, kinh phí, địa

điểm, tên tổ chức hợp tác, số

đoàn, số lượng người tham gia )

Thực tế đạt được (Nội dung, thời gian, kinh phí, địa điểm, tên tổ chức hợp tác, số đoàn, số lượng người tham gia )

Ghi chú*

1

- Lý do thay đổi (nếu có):

7 Tình hình tổ chức hội thảo, hội nghị:

Số

TT

Theo kế hoạch (Nội dung, thời gian, kinh phí, địa

điểm )

Thực tế đạt được (Nội dung, thời gian, kinh phí, địa điểm ) Ghi chú*

1 Mạng nơ rôn nhân tạo và ứng

dụng, 03/2019, 9 tr.đ, Đại học

Công nghiệp Tp.HCM

Mạng nơ rôn nhân tạo và ứng dụng, 04/2019, 9 tr.đ, Đại học Công nghiệp Tp.HCM

- Lý do thay đổi (nếu có):

8 Tóm tắt các nội dung, công việc chủ yếu:

(Nêu tại mục 15 của thuyết minh, không bao gồm: Hội thảo khoa học, điều tra khảo sát trong nước và nước ngoài)

Số

TT

Các nội dung, công việc

chủ yếu (Các mốc đánh giá chủ yếu)

Thời gian (Bắt đầu, kết thúc

- tháng … năm) cơ quan Người,

thực hiện Theo kế

hoạch Thực tế đạt được

1 Nghiên cứu hệ thống trí tuệ nhân tạo 06/2018- 10/2018 06/2018- 10/2018

Chủ nhiệm và các thành viên

đề tài

2 Nghiên cứu mô hình nhận dạng dùng trí tuệ nhân tạo 06/2018- 10/2018 06/2018- 10/2018

3

Áp dụng nhận dạng mô hình hộp

xám/hộp đen đối tượng phi tuyến

dựa trên tập dữ liệu vào/ra

12/2018 10/2018-01/2019

10/2018-4 Báo cáo tổng kết 01/2019-03/2019 01/2019-04/2019

- Lý do thay đổi (nếu có): Không

III SẢN PHẨM KH&CN CỦA NHIỆM VỤ

1 Sản phẩm KH&CN đã tạo ra:

Thực tế đạt được

- Lý do thay đổi (nếu có):

dễ áp dụng

Chương trình nhận dạng viết bằng ngôn ngữ m-file của Matlab dễ đọc,

Theo

kế hoạch

Thực tế đạt được

1 Bài báo khoa học

01 bài báo công

danh mục ISI hoặc Scopus

danh mục Scopus

Computer Engineering, ISSN: 2088-

8708

2 Tài liệu phục vụ giảng dạy

Bài giảng giới thiệu về các loại thiết bị chấp hành thông minh, và chi tiết

về thiết bị chấp hành Piezo- Actuator phục

vụ cho môn học Thiết bị chấp hành và hệ thống thông minh

Giới thiệu về các loại thiết bị chấp hành thông minh, và chi tiết

về thiết bị chấp hành Piezo- Actuator, chương 4 quyển báo cáo

- Lý do thay đổi (nếu có): Không

d) Kết quả đào tạo:

Số

TT Cấp đào tạo, Chuyên ngành đào tạo

(Thời gian kết thúc)

Theo kế hoạch Thực tế đạt

được

- Lý do thay đổi (nếu có): Không

đ) Tình hình đăng ký bảo hộ quyền sở hữu công nghiệp:

Theo

kế hoạch

Thực tế đạt được

- Lý do thay đổi (nếu có): Không

e) Thống kê danh mục sản phẩm KHCN đã được ứng dụng vào thực tế

Kết quả

sơ bộ

1

- Lý do thay đổi (nếu có): Không

2 Đánh giá về hiệu quả do nhiệm vụ mang lại:

a) Hiệu quả về khoa học và công nghệ:

- Đã nắm vững kiến thức về trí tuệ tạo dùng kỹ thuật mạng nơ rôn và thuật toán tối ưu, đây là hướng nghiên cứu hiện đại, thời sự so với khu vực và thế giới Hiên nay, mãng nghiên cứu nhận dạng, chẩn đoán lỗi (Predictive Maintenance using AI) đang được ứng dụng nhiều trong cuộc cách mạng công nghiệp 4.0 và là hướng nghiên cứu rất mới hiện nay

- Tất cả các nghiên cứu, đề xuất cải tiến trong đề tài đều được kiểm chứng mô phỏng và thực nghiệm trên các đối tượng chuẩn thường sử dụng trong các nghiên cứu cùng lĩnh vực Các kết quả nghiên cứu này đã được tác giả gửi đến các tạp chí uy tín như: bài báo gửi tạp chí quốc tế trong danh mục SCOPUS [1] (đã xuất bản), bài báo gửi đến tạp chí SCIE [2] (đang phản biện), và tạp chí trong nước IUH [3] (đang phản biện)

b) Hiệu quả về kinh tế xã hội:

- Kết quả nghiên cứu hiện nay đang ở mức nghiên cứu cơ bản, chưa tạo ra được sản phẩm thương mại nhưng đây là bước đầu của việc nghiên cứu áp dụng trí tuệ nhân tạo vào giải quyết các bài toán thực tế tiếp theo Ngoài ra, kết quả nghiên cứu giúp các thành viên của đề tài (giảng viên trẻ, sinh viên) tiếp cận cách nghiên cứu, làm quen với việc công bố quốc tế, giúp họ định hướng thực hiện các nghiên cứu chuyên sâu

3 Tình hình thực hiện chế độ báo cáo, kiểm tra của nhiệm vụ:

Số

TT Nội dung thực hiện Thời gian (Tóm tắt kết quả, kết luận chính, người chủ trì…) Ghi chú

I Báo cáo tiến độ

giữa kỳ

Lần 1 12/2018 Chủ nhiệm đề tài đã thực hiện theo đúng nội

dung thỏa thuận trong Hợp đồng KHCN-VƯ:

13/2018/HĐ Báo cáo chuyên đề + Nội dung 1: Nghiên cứu mô hình AI dùng neural và thuật toán tối ưu

+ Nội dung 2: Thu thập dữ liệu kiểm chứng mô hình AI

+ Nội dung 3: Thiết kế, thi công mô hình phần cứng Piezo-Actuator

+ Nội dung 4: Thu thập dữ liệu từ phần cứng

- Hoạt động khoa học: 01 bài báo SCOPUS

Ký biên bản

nghiêm thu 03/2019 Bên A (Đoàn Kim Thành) đồng ý nghiệm thu khối lượng công việc do bên B (Chủ nhiệm đề

tài) đã thực hiện đạt 50%, tương ứng số tiền 45.000.000 đ (bằng chữ: bốn mươi lăm triệu đồng) của Hợp đồng

II Hội thảo khoa học 04/2019 - Chủ đề: Mạng nơ rôn nhân tạo và ứng dụng

- Thành phần: Chủ tọa PGS.TS Lưu Thế Vinh

III Nghiệm thu cơ sở 05/2019 Chủ tịch hội đồng: GS.TSKH Phạm Phố; Đề tài

được hội đồng đánh giá nghiệm thu loại xuất sắc

Chủ nhiệm đề tài

(Họ tên, chữ ký)

Thủ trưởng tổ chức chủ trì (Họ tên, chữ ký và đóng dấu)

9

TÓM TẮT Thiết bị chấp hànhPiezo đã và đang nhận được nhiều quan tâmdo có nhiều ứng dụng rộng rãi trong các lĩnh vực như micro robot, robot phẫu thuật, kỹ thuật y sinh và nhiều ứng dụng công nghiệp khác Tuy nhiên, đặc tính trễ phi tuyến của thiết bị chấp hành Piezo làm cho bài toán nhận dạng, điều khiển vẫn còn nhiều thách thức

Do đó, đề tài nghiên cứu được đề xuất nhằm mở rộng và phát triễn các hệ thống thông minh lai mạnh mẽ và tổng quát hơn so với các nghiên cứu hiện có để giải quyết vấn đề làm thế nào ước lượng/nhận dạng chính xác mô hình trễ phi tuyến.Các nội dung chính của đề tài được tóm tắt như sau:

- Một là, nghiên cứu phát triễn hệ thống thông minh lai dựa trên mạng nơ rôn

và thuật toán tối ưu Jaya, thuật toán DE (Differential Evolution) cải tiến

- Hai là, nghiên cứu nhận dạng đặc tính trễ phi tuyến của thiết bị chấp hành Piezo dựa trên tập dữ liệu vào/ra thực nghiệm

- Ba là, kiểm chứng chất lượng các mô hình đề xuất trên các hàm Benchmark thông dụng

10

LỜI CẢM ƠN Trước tiên, chúng tôi xin gửi lời cảm ơn sâu sắc đến Trung tâm phát triễn khoa học và công nghệ trẻ đã tài trợ kinh phí cho đề tài nghiên cứu, tận tình hướng dẫn các thủ tục trong suốt quá trình thực hiện đề tài

Chúng tôi xin gửi lời cảm ơn đến các thầy cô trong Hội đồng đánh giá xét duyệt, nghiệm thu đề tài đã có những ý kiến phản biện và góp ý thật sự sâu sắc đã giúp chúng tôi hoàn thiện đề tài đúng tiến độ

Cuối cùng, xin gửi lời cảm ơn đến lãnh đạo Trường Đại học Công nghiệp Tp.HCM, lãnh đạo Khoa Công nghệ Điện tử đã tạo điều kiện tốt về thời gian, phòng nghiên cứu và có những chính sách hỗ trợ rất tốt cho nhóm nghiên cứu thực hiện đề tài

11

MỤC LỤC

DANH MỤC CÁC HÌNH ẢNH 13

DANH MỤC BẢNG BIỂU 14

DANH MỤC CÁC TỪ VIẾT TẮT 15

DANH MỤC CÁC KÝ HIỆU 16

MỞ ĐẦU 17

Tính cấp thiết của đề tài 17

Mục tiêu của đề tài 18

Phương pháp nghiên cứu 18

Đóng góp mới về mặt khoa học và thực tiễn 19

Bố cục báo cáo 19

CHƯƠNG 1 TỔNG QUAN 20

1.1 Mạng nơ rôn và thuật toán tối ưu 20

1.1.1 Mạng nơ rôn nhân tạo 20

1.1.2 Thuật toán tối ưu 22

1.1.3 Huấn luyện mạng dùng thuật toán tối ưu 23

1.2 Các nghiên cứu liên quan nhận dạng hệ phi tuyến 23

1.3 Các nghiên cứu liên quan nhận dạng thiết bị chấp hành Piezo 25

1.4 Nội dung nghiên cứu 26

CHƯƠNG 2 CÁC THUẬT TOÁNTỐI ƯU 28

2.1 Thuật toán tối ưu DE 28

2.2 Thuật toán tối ưu Jaya 30

2.3 Thuật toán tối ưu cải tiến MDE 31

2.3.1 Thay đổi cơ chế gây đột biến 31

2.3.2 Lựa chọn thông số điều khiển F, CR 32

2.4 Kiểm chứng thực nghiệm 33

CHƯƠNG 3 NHẬN DẠNG DÙNG MÔ HÌNH LAINƠ RÔN VÀ THUẬT TOÁN TỐI ƯU 36 3.1 Mô hình lai nơ rôn và thuật toán tối ưu 36

3.1.1 Mạng nơ rôn MLP 36

3.1.2 Thuật toán học Jaya 37

12

3.1.3 Thuật toán học MDE 38

3.2 Ứng dụng nhận dạng hệ phi tuyến 38

3.2.1 Cấu trúc mô hình nhận dạng 38

3.2.2 Các bước thực hiện nhận dạng hệ thống 39

3.3 Kiểm chứng thực nghiệm 41

3.3.1 Kiểm chứng mô hình Jaya-NNARX 42

3.3.2 Kiểm chứng mô hình MDE-NNARX 47

3.3.3 Nhận xét 53

CHƯƠNG 4 NHẬN DẠNG ĐẶC TÍNH TRỄ PHI TUYẾN CỦA THIẾT BỊ CHẤP HÀNH PIEZO 54

4.1 Thiết bị chấp hành Piezo 54

4.1.1 Giới thiệu 54

4.1.2 Mô hình Bouc-Wen 56

4.2 Mô hình thực nghiệm 56

4.2.1 Cài đặt mô hình thực nghiệm 56

4.2.2 Thiết kế mạch điều khiển 58

4.3 Kết quả nhận dạng 63

KẾT LUẬN VÀ KIẾN NGHỊ 66

Kết luận 66

Kiến nghị 67

DANH MỤC CÔNG TRÌNH LIÊN QUAN ĐỀ TÀI 68

TÀI LIỆU THAM KHẢO 69

PHỤ LỤC SẢN PHẨM CHƯƠNG TRÌNH MÁY TÍNH 73

1 Chương trình chạy DE 73

2 Chương trình chạy MDE 73

3 Chương trình chạy Jaya 74

4 Chương trình Jaya-Neural, MDE-neural 75

a Lưu đồ chương trình MDE-NN 75

b Lưu đồ chương trình Jaya-NN 76

c Chạy chương trình 76

PHỤ LỤC SẢN PHẨM BÀI BÁO 76

13

DANH MỤC CÁC HÌNH ẢNH

Hình 1.1 Tế bào nơ rôn nhân tạo 20

Hình 1.2 Học có giám sát 21

Hình 2.1 So sánh hội tụ của các thuật toán n = 10 34

Hình 2.2 So sánh hội tụ của các thuật toán n=30 35

Hình 3.1 Mạng nơ rôn truyền thẳng MLP 36

Hình 3.2 Sơ đồ khối cấu trúc mô hình nhận dạng NNARX 39

Hình 3.3 Mô hình NNARX nhận dạng hệ phi tuyến A 43

Hình 3.4 Dữ liệu vào-ra hệ phi tuyến A 43

Hình 3.5 Dự báo dùng mô hình NNARX 44

Hình 3.6 So sánh tốc độ hội tụ của Jaya-NNARX khi thay đổi NP 44

Hình 3.7 So sánh tốc độ hội tụ của Jaya-NNARX và BP-NNARX, hệ SISO A 45

Hình 3.8 Dữ liệu dùng ước lượng và đánh giá hệ phi tuyến B 46

Hình 3.9 So sánh tốc độ hội tụ của Jaya-NNARX và BP-NNARX, hệ MIMO B 47

Hình 3.10 Tốc độ hội tụ khi ước lượng mô hình MDE-NNARX, thay đổi S1 48

Hình 3.11 Tốc độ hội tụ khi ước lương mô hình MDE-NNARX, thay đổi NP 49

Hình 3.12 Tốc độ hội BP, DE, HDE, MDE-NNARX, hệ A 51

Hình 3.13 Dữ liệu vào ra hệ hệ phi tuyến C 52

Hình 3.14 Đánh giá mô hình cho hệ C (a) dự báo, (b) mô phỏng 53

Hình 4.1 Nguyên tắc hoạt động của thiết bị Piezo 54

Hình 4.2 Các hình dạng khác nhau của thiết bị chấp hành Piezo 55

Hình 4.3 Piezo hexapod của PI với độ phân giải nanomet 55

Hình 4.4 Microscopy 55

Hình 4.5 Sơ đồ khối mô hình thực nghiệm thiết bị chấp hành Piezo 56

Hình 4.6 Hình ảnh thực tế thiết bị Piezo và mạch điều khiển 57

Hình 4.7 Sơ đồ nguyên lý mạch nâng áp 59

Hình 4.8 Mạch hạ áp 60

Hình 4.9 Mạch nguồn đôi 61

Hình 4.10 Sơ đồ mạch khối xử lý tín hiệu sử dụng cầu Wheatstone 61

Hình 4.11 Các chân kết nối cầu Wheatstone 62

Hình 4.12 Sơ đồ mạch khối khuếch đại tín hiệu điều khiển 62

Hình 4.13Tập dữ liệu vào-ra thực nghiệm của hệ truyền động PZT 63

Hình 4.14 Đánh giá mô hình MDE-NNARX 64

14

DANH MỤC BẢNG BIỂU

Bảng 2.1 Các biến thể của thuật toán tiến hóa vi sai 29

Bảng 2.3 Các hàm Benchmark để kiểm chứng thuật toán tối ưu 33

Bảng 2.4 Các tham số của thuật toán GA, PSO, DE, Jaya và MDE 34

Bảng 3.1 Pseudo-code thuật toán học Jaya 37

Bảng 3.2 Pseudo-code thuật toán học MDE 38

Bảng 3.3 Thông số vật lý hệ bồn chứa liên kết 42

Bảng 3.4 Thông số mô hình Jaya-NNARX trong nhận dạng 42

Bảng 3.5 So sánh chất lượng nhận dạng khi thay đổi NP 45

Bảng 3.6 So sánh chất lượng BP-NNARX và Jaya-NNARX, hệ SISO A 45

Bảng 3.7 So sánh chất lượng BP-NNARX và Jaya-NNARX, hệ MIMO B 47

Bảng 3.8 Chất lượng nhận dạng hệ phi tuyến A dùng MDE-NNARX 48

Bảng 3.9 Chất lượng nhận dạng dùng MDE-NNARX, thay đổi NP 49

Bảng 3.10 Thông số các thuật toán học trong quá trình nhận dạng 50

Bảng 3.11 Chất lượng nhận dạng dùng BP, DE, HDE, MDE-NNARX, hệ A 51

Bảng 3.12 Chất lượng nhận dạng của mô hình NNARX, hệ C 53

Bảng 4.1 Thông số các thiết bị mô hình thực nghiệm piezo-actuator 57

Bảng 4.2 Thông số làm việc IC MC34063A 58

Bảng 4.3 Bảng tính thông số mạch nâng áp 59

Bảng 4.4Giá trị các linh kiện trong mạch nâng áp 60

Bảng 4.5 Chất lượng nhận dạng mô hình NNARX 64

15

DANH MỤC CÁC TỪ VIẾT TẮT

17

MỞ ĐẦU

Tính cấp thiết của đề tài

Gần đây, nhiều nghiên cứu khác nhau về trí tuệ nhân tạo như mạng nơ rôn, mô hình mờ, các thuật toán tối ưu là hướng nghiên cứu thời đại, đang được các nhà khoa học trên thế giới quan tâm rất lớn Một số ứng dụng nổi bật của trí tuệ nhân tạo bao gồm các tác vụ điều khiển, lập kế hoạch và lập lịch (scheduling), khả năng trả lời các câu hỏi về chẩn đoán bệnh, trả lời khách hàng về các sản phẩm của một công ty, nhận dạng chữ viết tay, nhận dạng tiếng nói và khuôn mặt Ngày nay, các hệ thống thông minh nhân tạo được dùng thường xuyên trong kinh tế, y dược, các ngành kỹ thuật và quân sự, cũng như trong các phần mềm máy tính thông dụng trong gia đình

Thiết bị truyền động Piezo-Actuator đã và đang nhận được nhiều quan tâm to lớn, do có nhiều ứng dụng rộng rãi trong lĩnh vực micro robot, robot phẫu thuật, robot trợ lực, kỹ thuật y sinh và nhiều ứng dụng công nghiệp khác Tuy nhiên, đặc tính trễ phi tuyến của thiết bị Piezo-Actuator làm cho bài toán điều khiển chính xác vẫn còn nhiều thách thức

Bài toán nhận dạng hệ phi tuyến có trễ nói chung, trong đó có thiết bị truyền động Piezo-Actuator, cho đến nay vẫn đang là bài toán lớn đang được quan tâm bởi các nhà khoa học trên thế giới Việc nhận dạng này đóng vai trò cực kỳ quan trọng trong việc thiết kế bộ điều khiển để nâng cao chất lượng điều khiển chính xác Trong những năm gần đây, các kỹ thuật tính toán mềm như nơ rôn, logic mờ, và các thuật toán tối ưu được sử dụng nhiều để nhận dạng các hệ phi tuyến nói chung Các kết quả nghiên cứu vài năm gần đây cho thấy tuy đã có nhiều nghiên cứu sử dụng trí tuệ nhân tạo để nhận dạng mô hình toán học của thiết bị Piezo-Actuator, hay nhận dạng mô hình hộp đen thiết bị Piezo-Actuator dựa trên tập dữ liệu vào/ra thực nghiệm cho đến nay vẫn chưa được quan tâm nghiên cứu đầy đủ

18

Từ đó, đề tài đề xuất nhận dạng đặc tính trễ phi tuyến của thiết bị truyền động Piezo-Actuator dùng trí tuệ nhân tạo có tính cấp thiết và tính mới cao Đề tài vừa đáp ứng nhu cầu nghiên cứu thực tiễn thiết bị truyền động Piezo-Actuator trong điều khiển dịch chuyển độ phân giải siêu nhỏ mà còn thông qua bài báo công bố trên tạp chí quốc tế uy tín thuộc danh mục SCOPUS đóng góp vào lĩnh vực nhận dạng mô hình phi tuyến có trễ cho các thiết bị truyền động thông minh khác Hơn nữa, kết quả nghiên cứu này là bước khởi đầu của việc áp dụng trí tuệ nhân tạo vào bài toán thực tiễn, mở ra hướng nghiên cứu mới về ứng dụng trí tuệ nhân tạo vào cuộc sống

Mục tiêu của đề tài

Mục tiêu của đề tài là phát triễn các hệ thống thông minh lai dựa trên mạng nơ rôn và thuật toán tối ưu (Differential Evolution và Jaya algorithm) để nhận dạng đặc tính trễ phi tuyến của thiết bị truyền động Piezo-Actuator dựa trên tập dữ liệu vào/ra thực nghiệm

Phương pháp nghiên cứu

Phương pháp nghiên cứu được áp dụng để thực hiện đề tài là phân tích lý thuyết, chương trình máy tính, nghiên cứu thực nghiệm

- Phân tích lý thuyết: Nghiên cứu các lý thuyết liên quan đến nội dung đề tài

đã công bố trên các tạp chí, hội nghị khoa học chuyên ngành Trên cơ sở đó

đề xuất mô hình nhận dạng dùng kỹ thuật tính toán mềm phù hợp

- Chương trình máy tính: Lập trình để hiện thực mô hình nhận dạng dùng kỹ thuật tính toán mềm dùng m-file của Matlab

- Ứng dụng thực nghiệm: Thiết kế và thi công mô hình phần cứng Actuator Sử dụng công cụ Real-time Window Target của MATLAB để thu thập dữ liệu vào/ra thực nghiệm Sau đó, áp dụng mô hình đề xuất để nhận dạng đặc tính thiết bị Piezo-Actuator Cuối cùng, thực hiện phân tích kết quả, rút ra nhận xét

Bố cục báo cáo

Nội dung quyển báo cáo tổng kết đề tài bao gồm phần mở đầu giới thiệu tính cấp thiết đề tài, nội dung và phương pháp nghiên cứu, ý nghĩa khoa học và thực tiễn của đề tài Phần nội dung gồm4 chương: Chương 1 giới thiệu tổng quan về các nghiên cứu mô hình lai mạng nơ rôn và thuật toán tối ưu, tổng quan về nhận dạng đặc tính trễ phi tuyến của thiết bị chấp hành Piezo Chương 2 giới thiệu về các thuật toán Jaya, DE và phiên bản cải tiến MDE và kiểm chứng thuật toán trên các hàm Benchmark thông dụng Chương 3 giới thiệu các thuật toán Jaya, MDE trong huấn luyện mạng nơ rôn MLP và áp dụng nhận dạng hệ phi tuyến Chất lượng các mô hình đề xuất được kiểm chứng trên các hệ phi tuyến Benchmark thông dụng Chương 4 giới thiệu về cấu tạo, đặc tính trễ phi tuyến của thiết bị chấp hành Piezo Các bước cài đặt mô hình thực nghiệm, chi tiết thiết kế mạch điều khiển thiết bị chấp hành Piezo Cuối chương trình bày các kết quả nhận dạng dùng mô hình Jaya-NNARX và MDE-NNARX Cuối cùng là phần kết luận và kiến nghị hướng nghiên cứu tiếp theo trong tương lai

20

Các nội dung của chương bao gồm: Mục 1.1 giới thiệu tổng quan về mạng nơ rôn nhân tạo, thuật toán tối ưu và mô hình lai nơ rôn với các thuật toán tối ưu Mục 1.2 giới thiệu các nghiên cứu liên quan về nhận dạng hệ phi tuyến, mục 1.3 giới thiệu các nghiên cứu liên quan đến vấn đề nhận dạng đặc tính trễ của thiết

bị chấp hành Piezo Cuối cùng, các nội dung nghiên cứu trọng tâm của đề tài được trình bày ở mục 1.4

1.1 Mạng nơ rôn và thuật toán tối ưu

1.1.1 Mạng nơ rôn nhân tạo

Với mục đích tạo ra một mô hình tính toán phỏng theo cách làm việc của tế bào

nơ rôn trong bộ não con người, các tác giả McCulloch và Pitts [1] đã đề xuất một mô hình toán cho một nơ rôn nhân tạo như sau:

có thể chia thành hai phần: xử lý ở ngõ vào và xử lý ở ngõ ra Trong đó hàm xử

lý ngõ vào là hàm tổng có dạng như sau:

0

m

j j j

 Mạng nơ rôn một lớp là mạng chỉ gồm một lớp tế bào nơ rôn xử lý

 Mạng nơ rôn nhiều lớp là mạng gồm nhiều lớp tế bào nơ rôn xử lý

 Mạng truyền thẳng là mạng trong đó tín hiệu chỉ truyền theo một chiều từ ngõ vào đến ngõ ra

 Mạng hồi quy là mạng có tín hiệu hồi tiếp từ ngõ ra trở về ngõ vào

Mạng nơ rôn nhân tạo phải được huấn luyện trước khi sử dụng Có hai vấn đề cần huấn luyện đối với mỗi mạng nơ rôn nhân tạo đó là học thông số và học cấu trúc Học thông số để cập nhập các trọng số của mạng, còn học cấu trúc

để thay đổi cấu trúc mạng bao gồm số tế bào nơ rôn, số lớp nơ rôn và cách liên kết giữa chúng Hai kiểu học này có thể được sử dụng đồng thời hay riêng lẻ

Hình 1.2 Học có giám sát

Có 3 phương pháp học thông số đó là học có giám sát, học cũng cố và học không có giám sát Học có giám sát là phương pháp học thông dụng nhất Trong phương pháp học có giám sát, tập dữ liệu huấn luyện mạng nơ rôn là tập dữ liệu vào-ra mong muốn Các trọng số của mạng được cập nhập dựa trên sai số giữa

dữ liệu ra mong muốn và dữ liệu ra của mạng Hình 1.2 mô tả sơ đồ khối phương pháp học có giám sát

22

1.1.2 Thuật toán tối ưu

Tối ưu hóa đóng vai trò quan trọng trong lĩnh vực khoa học tính toán, bởi nó được sử dụng để giải nhiều loại bài toán khác nhau trong kỹ thuật như: bài toán tối ưu quỹ đạo cho robot tự hành[2], tối ưu công suất trong lĩnh vực năng lượng tái tạo [3], tối ưu trong lĩnh vực cơ kết cấu[4], huấn luyện mạng nơ rôn [5], tối

ưu hàm thuộc mô hình mờ [6], vv Nhờ tính ứng dụng cao và khả năng áp dụng rộng rãi cho nhiều lĩnh vực, tối ưu hóa luôn thu hút sự quan tâm của các nhà khoa học trên thế giới

Tổng quát, có hai nhóm phương pháp chính để giải bài toán tối ưu, bao gồm nhóm các phương pháp tìm kiếm trực tiếp dựa trên thông tin giá trị hàm mục tiêu và giá trị của các hàm ràng buộc như: giải thuật di truyền GA (Genetic Algorithm), giải thuật tiến hóa DE (Differential Evolution), giải thuật đàn kiến ACO (Ant Colony Optimization), giải thuật bầy đàn PSO (Particle Swarm Optimization), giải thuật Jaya v.v và nhóm các phương pháp tìm kiếm gián tiếp dựa trên thông tin đạo hàm của hàm mục tiêu, hàm ràng buộc như: phương pháp Newton, phương pháp đường dốc nhất (Stepest Descent), giải thuật bình phương tuần tự SQP (Sequential Quadratic Programming)

Đối với nhóm các phương pháp tìm kiếm trực tiếp, quá trình tìm kiếm được thực hiện trực tiếp dựa trên thông tin giá trị của hàm mục tiêu và hàm ràng buộc Vì vậy, nhóm phương pháp này sẽ dùng được cho tất cả các loại bài toán khác nhau, kể cả các bài toán có hàm mục tiêu hay hàm ràng buộc là hàm phi tuyến, bất liên tục và biến thiết kế là tập các giá trị rời rạc Các phương pháp này luôn tìm được nghiệm tối ưu toàn cục trên toàn bộ không gian thiết kế Tuy nhiên, chi phi tính toán khi sử dụng nhóm phương pháp này là tương đối lớn bởi quá trình tìm kiếm phải được thực hiện trên toàn bộ không gian thiết kế

Đối với nhóm các phương pháp tìm kiếm gián tiếp, quá trình tìm kiếm được thực hiện gián tiếp dựa trên thông tin đạo hàm của hàm mục tiêu và hàm ràng buộc Nhờ vào những thông tin này mà quá trình tìm kiếm sẽ diễn ra nhanh

23

hơn so với nhóm các phương pháp tìm kiếm trực tiếp Tuy nhiên, nghiệm tối ưu của bài toán có thể bị kẹt ở giá trị cực trị cục bộ khi bài toán tối ưu có độ phi tuyến cao và điểm xuất phát ban đầu không tốt Hơn nữa, quá trình tìm kiếm lại dựa trên thông tin đạo hàm Vì vậy, việc áp dụng các phương pháp này sẽ gặp nhiều khó khăn khi bài toán tối ưu có hàm mục tiêu hay hàm ràng buộc là các hàm bất liên tục, và biến thiết kế là tập các giá trị rời rạc

1.1.3 Huấn luyện mạng dùng thuật toán tối ưu

Vấn đề huấn luyện mạng nơ rôn dùng phương pháp tìm kiếm gián tiếp chẳng hạn như thuật toán lan truyền ngược BP [7], thuật toán conjugate gradient (CG) [8]có nhược điểm đó là lời giải thường rơi điểm cực trị cục bộ, hội tụ chậm

Gần đây, với các ưu điểm của phương pháp tìm kiếm trực tiếp dựa trên thông tin giá trị của hàm mục tiêu và hàm ràng buộc nên được quan tâm nghiên cứu cho bài toán huấn luyện mạng nơ rôn nhân tạo[9]–[11] Điểm đặc biệt hướng tiếp cận này là khả năng tự thay đổi kiến trúc mạng và luật học thông số một cách thích hợp theo sự thay đổi của môi trường mà không cần sự can thiệp của con người

Trong đề tài này, tác giả tập trung nghiên cứu sử dụng thuật toán tiến hóa

DE cải tiến và thuật toán Jaya trong huấn luyện mạng nơ rôn Vì đây là các thuật toán tối ưu khá mạnh mẽ, được đề xuất gần đây, và đang được quan tâm nghiên cứu khá nhiều trên thế giới

1.2 Các nghiên cứu liên quan nhận dạng hệ phi tuyến

Lý thuyết nhận dạng hệ tuyến tính đã được nghiên cứu khá hoàn chỉnh và hiện nay đã có các bộ công cụ để giải bài toán nhận dạng hệ tuyến tính chẳng hạn như công cụ nhận dạng “System Identification Toolbox” của Matlab hay công

cụ nhận dạng “System Identification Toolkit” của Labview

Lý thuyết nhận dạng hệ phi tuyến thì trái lại, mặc dù có nhiều nghiên cứu nhưng đến nay nhận dạng hệ phi tuyến vẫn có nhiều thách thức Để chọn cấu

24

trúc mô hình nhận dạng phù hợp chúng ta thường sử dụng thông tin biết trước về đặc tính của hệ phi tuyến Trong trường hợp thông tin biết trước về hệ phi tuyến không đầy đủ về các quy luật vật lý thì các cấu trúc mô hình thường được sử dụng để nhận dạng hệ phi tuyến như Hammerstein, Wiener, Hammerstein-Wiener được ghép nối từ một khâu phi tuyến tĩnh với khâu tuyến tính [12], mô hình hồi quy NARMAX [13] Tuy nhiên, các phương pháp này không thể nhận dạng toàn bộ đặc tính phi tuyến của đối tượng Để khắc phục các nhược điểm này, hướng tiếp cận dựa trên trí tuệ nhân tạo được phát triển để nhận dạng hệ phi tuyến

Nhờ khả năng xấp xỉ rất tốt, mô hình nơ rôn nhân tạo đã được sử dụng rộng rãi trong nhận dạng các hệ phi tuyến phức tạp Các kiến trúc mạng nơ rôn như mạng truyền thẳng nhiều lớp MLP [14], mạng hàm cơ sở xuyên tâm RBF [15], mạng hồi quy [16], mô hình mờ nơ rôn [17] và mạng ANFIS [18] với các trọng số được huấn luyện bởi thuật toán suy giảm độ dốc GD được sử dụng để nhận dạng hệ phi tuyến dựa trên dữ liệu vào-ra hệ thống Tuy nhiên, sự phức tạp của không gian tìm kiếm lời giải làm cho vấn đề nhận dạng không phải lúc nào cũng khả thi và có một số giới hạn nhất định Các thuật toán học dựa trên giải thuật GDđòi hỏi hàm chi phí khả vi và không gian tìm kiếm không lồi Điều kiện này có thể không thỏa mãn trong nhiều ứng dụng thực tiễn bởi vì nhiễu hệ thống hay hệ thống không liên tục Thậm chí ngay cả khi thông tin đạo hàm xác định được, các thuật toán học này có thể xác định lời giải rơi vào tối ưu cục bộ nếu hàm chi phí là hàm đa mục tiêu Vấn đề này càng trở nên phức tạp nếu hệ phi tuyến cần nhận dạng là hệ phi tuyến đa biến

Để khắc phục nhược điểm này, trong những năm gần đây với sự phát triển không ngừng của khoa học máy tính, nhiều phiên bản máy tính mới có tốc độ xử

lý cao đã ra đời đặc biệt là các hệ siêu máy tính đã làm cho việc giải quyết các bài toán có chi phí tính toán cao trở nên dễ dàng hơn Vì vậy, gần đây với những

ưu điểm nổi bật như lời giải tối ưu toàn cục, nhóm các thuật toán tối ưu ngẫu

Mặc dù các nghiên cứu ở trên đã đạt được một số kết quả ấn tượng, nhưng hai thách thức trong huấn luyện mạng nơ rôn để nhận dạng hệ phi tuyến vẫn đang được quan tâm nghiên cứu đó là tập trung vào vấn đề làm thế nào để tìm được chính xác lời giải tối ưu và làm thế nào để tăng tốc độ hội tụ

1.3 Các nghiên cứu liên quan nhận dạng thiết bị chấp hành Piezo

Thiết bị truyền động dùng vật liệu thông minh là các thiết bị truyền động có thể dịch chuyển ở độ phân giải mico hay nano mét Thiết bị truyền động này được chế tạo từ các vật liệu như hợp kim nhớ hình dạng (Shape memory alloys), piezoelectrics, sợi cơ nhân tạo (Pneumatic artificial muscles) Trong thập kỷ qua, các thiết bị truyền động thông minh đã được ứng dụng nhiều trong các lĩnh vực như robot siêu nhỏ [25], robot phẫu thuật[26], MEMs[27], thiết bị y tế [28] Tuy nhiên, đặc điểm chung của thiết bị truyền động này là đặc tính trễ phi tuyến, đặc tính này làm cho việc điều khiển các thiết bị truyền động gặp nhiều khó khăn làm hạn chế ứng dụng trong thực tiễn

Để điều khiển chính xác các thiết bị truyền động thông minh nói chung,

và thiết bị truyền động Piezo-Actuator thì việc nhận dạng được đặc tính trễ phi tuyến của thiết bị truyền động đóng vai trò quan trọng Sau khi nhận dạng, mô hình này được sử dụng để thiết kế bộ điều khiển ngược trực tiếp Chẳng hạn như, mô hình mô tả đặc tính trễ phi tuyến phổ biến được sử dụng trong điều

26

khiển đó là mô hình Preisach[29] Tương tự, một số mô hình toán học khác mô

tả đặc tính trễ phi tuyến thường được sử dụng đó là Krasnosel’skii-Pokrovskii (KP)[30], the Prandtl–Ishlinskii (PI) operator [31] Tuy nhiên, dưới sự tác động của môi trường như thời gian, nhiệt độ nhiễu và các điều kiệnkhác, thì các bộ điều khiển dựa trên mô hình vật lý của đối tượng có thể điều khiển không chính xác và dễ rơi vào dạng mô hình không chắc chắn

Gần đây, nhiều nghiên cứu dựa trên trí tuệ nhân tạo như mạng nơ rôn, mô hình mờ, các thuật toán tối ưu để giải quyết đặc tính trễ phi tuyến của thiết bị chấp hành Piezo như mô hình hóa, nhận dạng và điều khiển Chẳng hạn như, bài báo[32] phát triển bộ điều khiển thích nghi dựa vào mô hình nơ rôn để điều khiển dịch chuyển thiết bị chấp hành, trong đó thành phần điều khiển ngược được cập nhập thích nghi trong quá trình điều khiển Bài báo [33] sử dụng mô hình nơ rôn RBF (radial basis function neural network) để nhận dạng mô hình phi tuyến có trễ của thiết bị chấp hành, sau đó mô hình ngược được sử dụng để thiết kế bộ điều khiển thuận Ngoài ra, còn nhiều kiến trúc hệ thống thông minh lai khác được áp dụng để nhận dạng, điều khiển thiết bị chấp hành Piezo như mô hình lai neural-fuzzy[34], nơ rôn – PSO [35], fuzzy-PSO [36], neural-fuzzy-GA [37], Neural-BAT search [38]

Tóm lại, hướng nghiên cứu mô hình hóa, nhận dạng và điều khiển chính xác thiết bị truyền động thông minh dựa trên trí tuệ nhân tạo vẫn còn khá nhiều thách thức cần giải quyết Và hướng tiếp cận áp dụng các hệ thống thông minh lai cho bài toán này đang được quan tâm nghiên cứu rất lớn hiện nay

1.4 Nội dung nghiên cứu

Nội dung nghiên cứu trọng tâm của đề tài bao gồm các vấn đề sau:

a) Nghiên cứu thuật toán DE, thuật toán Jaya và các yếu tố ảnh hưởng đến chất lượng của thuật toán.Kiểm chứng chất lượng các thuật toán trên các hàm Benchmark thông dụng

27

b) Nghiên cứu nhận dạng hệ phi tuyến dùng mô hình lai nơ rôn và thuật toán tối ưu DE, Jaya Kiểm chứng chất lượng các mô hình lai trên các hàm Benchmark thông dụng

c) Áp dụng nhận dạng đặc tính trễ phi tuyến của thiết bị chấp hành Piezo dựa vào tập dữ liệu vào-ra thực nghiệm

28

Nội dung của chương bao gồm giới thiệu thuật toán tối ưu tiến hóa DE mục 2.1, thuật toán tối ưu Jaya mục 2.2 Phân tích hạn chế của thuật toán DE và đề xuất phiên bản cải tiến MDE mục 2.3 Mục 2.4 mô tả kết quả kiểm chứng chất lượng các thuật toán tối ưu Jaya, DE, MDE trên các hàm Benchmark thông dụng

2.1 Thuật toán tối ưu DE

Thuật toán DE được giới thiệu lần đầu bởi R Storn và K.V Price vào năm 1995[39], là thuật toán tìm kiếm lời giải tối ưu ngẫu nhiên Các ưu điểm của thuật toán như khả năng tìm kiếm chính xác lời giải tối ưu toàn cục mà không phân biệt giá trị tham số ban đầu, ít thông số điều khiển đã làm cho thuật toán

DE trở thành một trong những công cụ mạnh mẽ trong lĩnh vực tối ưu hóa.Lưu

đồ thuật toántiến hóa vi sai DE bao gồm các bước như khởi tạo quần thể, chọn lọc, lai ghép và đột biến

 Khởi tạo

Giả sử chúng ta muốn tìm kiếm lời giải tối ưu cho một mục tiêu D chiều Đầu tiên, chúng ta phải chọn kích thước quần thể NP Thuật toánDE được bắt đầu bằng cách tạo ra một cách ngẫu nhiên NP vector D chiều Mỗi một vector này được gọi là một cá thể và được biểu diễn như sau:

Bảng 2.1 Các biến thể của thuật toán tiến hóa vi sai

số 1i , 2i à 3i

r r v r là các số nguyên loại trừ lẫn nhau được chọn lựa ngẫu nhiên từ khoảng1, NPvà khác với véc-tơ mục tiêu thứ i Các chỉ số này được tạo ra ngẫu nhiên một lần cho mỗi véc-tơ đột biến Hiệu của hai véc-tơ bất kỳ trong ba véc-

tơ được thu nhỏ lại bởi hệ số đột biếnF 0,1và sau đó được cộng với véc-tơ thứ ba để được véc-tơ đột biến V  i G ,

 Lai ghép

Sau khi tạo ra véc-tơ đột biến, quá trình lai ghép được thực hiện để tăng cường

sự đa dạng của quần thể Véc-tơ đột biến V  i G , được lai ghép với véc-tơ mục tiêu

Rao và các cộng sự đã giới thiệu thuật toán tối ưu Jaya lần đầu vào năm 2016 [40] Các bước thực hiện giải thuật Jaya cũng giống như thuật toán DE Chi tiết như sau, quá trình khởi tạo các cá thể trong quần thể được mô tả ở phương trình (2.1) và (2.2) Sau đó, véc-tơ thử nghiệm Ui G,  [ u1, ,i G, u2, ,i G, , uD i G, , ] được hình thành bằng cách sử dụng thông tin của véc-tơ mục tiêu ở thế hệ hiện tại Cơ chế tạo véc-tơ thử nghiệm được trình bày như sau:

rand j xj  xj i có xu hướng di chuyển lời giải ra xa lời giải tệ nhất Các

số ngẫu nhiên rand1, jvà rand2 , jphân bố đều đảm bảo khai thác được lời giải tốt nhất trong không gian tìm kiếm

Cuối cùng, dựa vào giá trị của hàm chi phí, véc-tơ mục tiêuX  i G , được so

sánh với véc-tơ thử nghiệmU  i G , để chon lọc cá thể sống sót cho thế hệ kế tiếp, chi

tiết như mô tả ở phương trình (2.4) Điều kiện dừng của thuật toán tương tự như

mô tả ở thuật toán DE

2.3 Thuật toán tối ưu cải tiến MDE

2.3.1 Thay đổi cơ chế gây đột biến

Sự thành công của một phương pháp tìm kiếm tối ưu thường chịu ảnh hưởng của

sự cân bằng hai khía cạnh trái ngược nhau đó là: khám phá toàn cục và khai thác cục bộ, [41] Thông thường, một thuật toán tối ưu có khả năng tốt trong khám phá toàn cục thì thường xấu trong khai thác cục bộ và ngược lại

Trong thuật toán DE, cơ chế gây đột biến đóng vai trò quan trọng trong khả năng tìm kiếm và tốc độ hội tụ của thuật toán Chẳng hạn như: với cơ chế đột biến rand/1, thuật toán DE sẽ mạnh mẽ trong tìm kiếm toàn cục nhưng yếu trong tìm kiếm cục bộ Do đó, thuật toán hội tụ chậm đến các lời giải tối ưu toàn cục Ngược lại, với cơ chế đột biến best/1, thuật toán DE rất mạnh mẽ trong tìm kiếm cục bộ nhưng khá nghèo nàn trong tìm kiếm toàn cục Do đó, thuật toán

DE dễ rơi vào lời giải tối ưu cục bộ, [42]

Trong phần này, tác giả sửa đổi cơ chế gây đột biến của thuật toán DE cơ bản bằng cách ghép hai cơ chế đột biến rand/1 và best/1 với nhau để tạo ra véc-

tơ thử nghiệm thay vì chỉ sử dụng một toán tử đột biến rand/1 hoặc best/1 trong thuật toán DE cơ bản Việc sửa đổi này nhằm mục đích cân bằng khả năng khám

2.3.2 Lựa chọn thông số điều khiển F, CR

Storn và Price [43] đã chỉ ra rằng tham số NP tốt khi được chọn trong khoảng từ 5D đến 10D Tham số F thường được chọn trong khoảng 0.4   F 1, thường F = 0.5 Đối với CR thì lựa chọn tốt nhất là 0.1 Tuy nhiên, giá trị CR lớn sẽ làm tăng tốc độ hội tụ Vì vậy, trước khi dùng CR = 0.1, chúng ta nên thử CR = 0.9 hay 1 để kiểm tra hội tụ của thuật toán Sau nhiều phân tích thực nghiệm, Gamperle và các cộng sự [44] đề nghị rằng lựa chọn tốt cho NP trong khoảng từ 3D đến 8D, với F = 0.6 và 0.3  CR  0.9 Tuy nhiên, theo các phân tích trên thì việc lựa chọn các tham số điều khiển tùy thuộc vào các vấn đề riêng biệt và thiếu căn cứ để có thể lựa chọn chính xác các tham số điều khiển này

Do đó, một số nhà nghiên cứu đã xem xét các kỹ thuật thích nghi để tự động chỉnh định các tham số điều khiển thuật toán DE Liu và Lampinen [45] đã giới thiệu thuật toán FADE (Fuzzy Adaptive Differetial Evolution) bằng cách sử dụng bộ điều khiển logic mờ để chỉnh định các tham số F và CR Qin và các cộng sự [42] đã đề xuất thuật toán SaDE (Self Adaptive Differential Evolution) trong đó thông số F được xấp xỉ bởi một phân phối chuẩn với giá trị trung bình

Chất lượng và hiệu quả của thuật toán tối ưu MDE và thuật toán tối ưu Jaya được kiểm chứng thực nghiệm trên các hàm Benchmark thông dụng như mô tả ở bảng 2.3 và được so sánh với các thuật toán tối ưu khác như thuật toán DE cơ bản, thuật toán tối ưu hóa bầy đàn PSO, thuật toán di truyền GA.Các thông số điều khiển của các thuật toán tối ưu được mô tả ở bảng 2.4

Trong phần này, tất cả các kết quả kiểm chứng được tôi thực hiện trên phần mềm Matlab 2013b được cài đặt trong máy tính có cấu hình Intel Core i5, 4.00GB RAM và tốc độ xử lý 2.67GHz

Bảng 2.2 Các hàm Benchmark để kiểm chứng thuật toán tối ưu

i i

x

Bảng 2.3 Các tham s

Phương pháp

Thông số chung

GA

PSO

DE MDE Jaya

Thực hiện chạy chương tr

trị tối ưu nhất.Hình 2.1

Jaya và MDE trong trư

toán trong trường hợp n =

Hệ số đột biến Trọng số quán tính, w

Hệ số gia tốc, c1

Hệ số gia tốc, c2

Hệ số đột biến, F Xác suất lai ghép, CR

Hệ số đột biến, F Xác suất lai ghép, CR Không có thông số điều khiển khác ngoài thông s

NP chương trình 20 lần để thống kê các giá tr1biểu diễnkết quả hội tụ của các thuật toán PSO,trong trường hợp n = 10 Hình 2.2mô tả kết quả hội tụ các thuật ờng hợp n = 30

2.1So sánh hội tụ của các thuật toánn = 10

[0.7,1]

ài thông số

ê các giá trị tìm kiếm ở các

ủa các thuật toán PSO, GA, DE,

ết quả hội tụ các thuật

n = 10

Hình 2Dựa trên các kết quả mô tả ở

thuật toán tối MDE đã c

Đặc biệt, thuật toán MDE cho thấy đ

giải so với các thuật toán

hợp, thuật toán Jaya cũng tỏ ra hiệu quả h

và DE cơ bản

35

2.2So sánh hội tụ của các thuật toán n=30

ết quả mô tả ở hình 2.1 và hình 2.2, chúng ta

ã cải thiện chất lượng đáng kể so với các thuật toán DE

ặc biệt, thuật toán MDE cho thấy được hiệu quả vượt trội

ới các thuật toán GA, PSO, DE và Jaya Ngoài ra, trong m

ũng tỏ ra hiệu quả hơn khi so với các thuật toán GA, PSO

n=30 , chúng ta thấy rằng các ợng đáng kể so với các thuật toán DE

ợt trội về chất lượng lời Ngoài ra, trong một số trường

ới các thuật toán GA, PSO

36

THUẬT TOÁN TỐI ƯU Trong chương này, thuật toán MDE và thuật toán Jaya được áp dụng để tối ưu các trọng số của mạng nơ rôn MLP được trình bày ở mục 3.1 Sau đó, mục 3.2 giới thiệu cấu trúc mô hình nhận dạng dựa vào mạng nơ rôn MLP và mô hình hồi quy phi tuyến NARX Mục 3.3 trình bày kết quả kiểm chứng trên các hệ phi tuyến Benchmark thông dụng, thảo luận về sự hiệu quả của mô hình đề xuất 3.1 Mô hình lai nơ rôn và thuật toán tối ưu

3.1.1 Mạng nơ rôn MLP

Mạng nơ rôn truyền thẳng nhiều lớp MLP là mạng nơ rôn có từ hai lớp tế bào xử

lý trở lên Hình 3.1 mô tả cấu trúc mạng nơ rôn truyền thẳng ba lớp với n tế bào

nơ rôn ở lớp vào, q tế bào nơ rôn ở lớp ẩn và m tế bào nơ rôn ở lớp ra

1 (.) g

(.)

q

g

1 (.) G

o

11

o

0 m

o

10

o

Hình 3.1 Mạng nơ rôn truyền thẳng MLP

Ký hiệu trọng số của tế bào nơ rôn thứ j của lớp ẩn là hjl, trọng số của tế bào nơ rôn thứ i ở lớp ra là oij Gọi hàm tác động của các tế bào nơ rôn ở lớp ẩn là gj(.), của lớp ra là Gi(.) Bộ dự báo ngõ ra mạng nơ rôn truyền thẳng 3 lớp có thể biểu diễn bằng công thức sau:

Gọi D là tổng số các trọng số nơ rôn lớp ẩn và lớp ra của mạng nơ rôn MLP mô

tả ở hình 3.1, véc-tơ trọng số cần được ước lượng được ký hiệu:

w w1, , ,w2 D

37

Các thông số ở biểu thức (3.2) có thể được ước lượng bằng các thuật toán huấn luyện mạng Trong quá trình huấn luyện, tín hiệu vào x(k) và tín hiệu ra y(k) được biết, các trọng sốcủa mạng được xác định để có được một hàm ánh

xạ thích hợp từ tín hiệu vào x(k) và tín hiệu ra y(k) Nói chung, quá trình huấn luyện mạng có thể được thực hiện bằng cách cực tiểu hàm sai số EN:

N N

phí ENbằng cách tối ưu giá trị các trọng số  ở (3.2) của mạng nơ rôn MLP 3.1.2 Thuật toán học Jaya

Thuật toán Jaya sử dụng để tối ưu các trọng số mạng nơ rôn MLP được mô tả chi tiết ở bảng 3.1

Bảng 3.1 Pseudo-code thuật toán học Jaya

1 Bắt đầu

2 Khởi tạo các cá thể trong quần thể i G,    w 1, ,i G, w 2, ,i G, , wD i G, ,  

3 Đánh giá các cá thể vừa khởi tạo

38

3.1.3 Thuật toán học MDE

Thuật toán MDE sử dụng để tối ưu các trọng số mạng nơ rôn MLP được mô tả chi tiết ở bảng 3.2

Bảng 3.2 Pseudo-code thuật toán học MDE

17 Bắt đầu

18 Khởi tạo các cá thể trong quần thể i G,    w1, ,i G, w2, ,i G, , wD i G, ,  

19 Đánh giá các cá thể vừa khởi tạo

26 If rand[0,1] > threshold then