Luận văn phân loại Đối tượng học Để cải tiến chất lượng học tập trong Đào tạo Điện tử

Lam sao việc học tập trên mạng có thể tối ưu ¡ khỏa học thực tế nhất và giúp cho người học tiếp thu kiến thức hiệu quả nhất, đó cũng là một trong những vấn để mà hiện nay đang được qua

DAI HQC QUOC GIA HA NOI

TRUONG DAI HOC CONG NGHE

NGUYEN ANH NGUYET

PHAN LOAI DOI TUONG HOC DE CAI TIEN CHAT

LƯỢNG HỌC TẬP TRONG ĐÀO TẠO ĐIỆN TỬ

LUẬN VĂN THẠC SĨ

Hà Nội - 2011

PHAN LOAI DOI TUONG HOC DE CAI TIEN CHAT

LƯỢNG HỌC TẬP TRONG ĐÀO TẠO ĐIỆN TỬ

LUẬN VĂN THẠC SĨ

Chuyên ngành CÔNG NGHỆ PHAN MEM

NGƯỜI HƯỚNG DẪN KHOA HỌC: TS Nguyễn Văn Vĩnh

Hà Nội - 2011

1.3 Mô hình mang Bayes :

Chuong 2: TONG QUAN VE LOGIC MC “MANG NO RON,

2.2.1 Cấu trúc mạng nơ ron nhan tao (Artifical Neural Networks —ANN) 13

3.3.2 Phân loại mạng noron nhân tạo 1

2 3 Các phương pháp huấn luyện mạng nơ-ron

2.4 Mạng truyền thẳng một lớp (mạng perceptron đơn giản)

2.5 Mang truyén thẳng nhiều lớp (Multilayer perceptron _MLP) eee ZL

Chương 3: ÁP DỤNG MẠNG NÓ RON VA LOGIC MO CHO VAN BE PIIAN

3.1 Ung dung mang no Ton v logic mờ cho vẫn ¡đệ phân đại đối tượng học23

3.2 Ứng dụng để tạo thử nghỉ m một chương trình phn loại đối tượng 30

3.2.1 Xác định giá trị đầu vào và đầu ra

DANH SÁCH BẰNG

Bảng 3.1: Tập luật phân loại người học wl

vi

DANH SACH HINH VE

Hình 2.1: Minh họa miền tin cậ

Tình 2.2: Các đạng hàm liên thuộc [2]

Tình 2.3: Biển ngôn ngữ [2]

Tình 2.4: Giải mờ bằng phương pháp cực đại [2]

Hình 2.5: Tập mờ có hàm thuộc hỉnh thang |2]

Hình 2.6: Cầu trúc của một nơ ron sinh học |2|

Hình 2.7: Cấu tạo của tễ bào nơ ron sình học [2]

Hình 2.8: Mô hình nơ ron nhân tạo [2]

Hình2.9: Mạng truyền thẳng l lớp và mạng hồi quy 1 lớp [2]

Hình 2.10: Mang truyền thẳng nhiều lớp[2]

Hình 2.11: Mạng hồi quy nhiều lớp [2]

Hình 2.12: Mô hình luật học có giảm sát

TTình 2.13: Mô hình luật học cúng cô [2] ves

Ilinh 2.14: Mô hình luật học không có giám sát [2]

Hình 2.15: Cấu tric mang perceptron tổng quát |2|

Hình 3.2: Thực hiện của 1 fuzziier |4|

Hình 3.3: Ví dụ về các hảm thuộc |4|

Hình 3.4: Kiến trúc mạng đề thực hiện mỗi quan hệ mờ [4]

Hình 3.5: Hàm thuộc cho điểm bài thi se

Hình 3.6: Hàm thuộc cho thời gian hoản thành bải thị

Tinh 4.1: Man hình chính của chương trình

Tình 4.2: Phân loại người học bằng lay

Hình 4.3: Phân loại 1 tập người học

Hinh 4.4: M6 hinh No ron - Fuzzy

vii

DANH MỤC CÁC CHỮ VIÊT LÁT

Tir viet tat Ý nghĩa Giải thích tiếng Việt

AT Artificial Intelligence Tri tué nhân tao

ILE Intelligent Learning Environments | Cac méi truéng học

DAT VAN DE

Với sự phát triển vượt bậc của ngành công nghệ thông tin, học tập điện

tử đóng vai trỏ quan trọng trong giáo đục trong thế giới ngày nay Việc dạy học

hiện nay đặt người học làm trung tâm, vỉ dụ như đảo tạo tín chỉ [4] Chỉ cần có máy

tính và mạng Internet, người học giờ đây có thể theo học ở các khóa học trực tuyển

ở bất kì đầu,

nhất, pẦn pũi

bắt kì thời điểm nào Lam sao việc học tập trên mạng có thể tối ưu

¡ khỏa học thực tế nhất và giúp cho người học tiếp thu kiến thức

hiệu quả nhất, đó cũng là một trong những vấn để mà hiện nay đang được quan

tâm, nghiên cứu

Mặc khác, mỗi học sinh cé phong cách học tập riêng của mình, vả hiệu suất

học tập của mỗi học sinh không thể chỉ đánh giá đơn giản qua việc xem xét số

lượng câu trá lời đúng và sai Vì vậy, các chiến lược giảng day duoc phát triển bằng,

cách nghiên cứu vẫn đề này

Hơn nữa, quan sát việc piảng dạy của giáo viên, chúng ta có thể thấy, mỗi

giáo viên đều có chiến lược giảng day của riêng mình va áp dụng cách thức day học cho từng học sinh trong lớp khác nhau Ví dụ, với học sinh giỏi, và có ý thức học tập tốt, giáo viên không cần phải giải thích nhiễu về những phần lý thuyết cơ bản

mà để những học sinh này tự nghiên cứu, sau đó trình bày lại trên lớp, và đưa ra

nhiễu bài tập nâng cao nhằm giúp học sinh có thể phát huy được khả năng của

minh, nang cao kiến thức Cỏn với học sinh có trình độ học kém, giáo viên lại phải

có cách thức tiếp cận khác như trình bảy kĩ hơn về lý thuyết, đưa ra từng bước giải

thích chỉ tiết

VÌ vậy, tạo ra các khóa học thích nghỉ để làm sao có thể thích ứng với như cầu học tập của từng người học là vấn đề đang được quan tâm nghiên cứu hiện nay

Với khuôn khể của luận văn nảy, chúng tôi tập trung vào việc tìm hiểu cách thức

phân loai đối tượng học tập nhằm mục tiểu đưa ra dự đoán về đặc điểm học tập của người học đựa trên việc bắt chước kinh nghiệm của giáo viên để đưa ra các quyết định su phạm thích ứng cho từng người học

Hiện nay có nhiều phương pháp phân loại tự đồng, như mạng Bayes, khai

phá dữ liệu, mô hình mờ dựa trên mạng nơron được trình bày trang luận vẫn này

là một phương pháp nhằm mục đích bắt chước thủ tục thu được kiến thức của giáo viên trong việc đánh giá các đặc điểm học tập của người học, chẳng hạn như khả

2

năng, thái độ, trình độ kiến thức, động lực và phong cách học tập Logic mờ được

sử dụng để cung cấp một cách thức suy luận chất lượng, gần gũi hơn với quyết

định của giáo viên vì nỏ xứ lý không chính xác và sự mơ hỗ bằng cách kết hợp các mỗi quan hệ mờ và

ng no ron cung cấp một cách thuận

tiện dễ dạt dược khả năng thích nghỉ của quả trình chẩn doán cho lập luận và đánh

giá chủ quan của giáo viên Như vậy, kết hợp logic mờ và mạng nơ ron giúp hệ

Chương 1: Trình bày tổng quan vỀ nhân loại đối tượng học (ận trong đào

tạo điện tử Chương này nêu ra các phương pháp phân loại đối tượng, ưu, nhược điểm của từng phương pháp

Chương 2: Tổng quan về logic mờ, mạng nơ ron Chương nảy trình bảy những lý thuyết cơ bản về logic mờ, mạng nơ ron nhân tạo, cung cấp cách nhìn tổng quát nhất về quá trình lâm mở hóa, suy diễn, giải mờ và quá trình huấn luyện

mang no rơn nhân lạo

Chương 3: Áp dụng mạng nơ ron và logic mờ cho việc phân loại người học

Chương này tập trung vào việc áp dụng lý thuyết về logic mờ và mạng nơ ron cho

bai toán phân loại đối lượng học lập, các bước thực hiện

Chương 4: Cài đặt chương trình và thử nghiệm Chương này giới thiệu về

chương trình cải đặt và tập trung thử nghiệm việc phân loại cho bộ dữ liệu gồm

200 mẫu, từ đó đánh giá được khả năng ứng dựng của phương pháp kết hợp logic

Tờ - mạng nơ ron cho việc phân loại đối Lượng người học

Phan két luận tổng kết nhũng kết quả đã đạt được của luận văn và hướng phát

triển nghiên cứu tiếp theo

Chương 1: PHẦN LOẠI ĐÓI TƯỢNG HỌC Phân loại đếi tượng học là phân chia người học thành các nhóm đã được

xác định trước Mục đích của công việc nảy nhằm giúp giáo viên hay các chương

trình đào tạo trực Luyễn có thể biết được khả năng học lập của từng học sinh, qua

đó sẽ đưa ra được các chiến lược sư phạm thích hợp nhất cho học sinh nay,

Theo két qua thống kê [1] thỉ có ! sế phương pháp phân loại đối tượng học như sau

1.1 Tạo ra những mẫu cỗ định

Người học dược phân loại và hệ thống sẽ đáp ứng đựa trên những phân

loại đó Ví dụ, người học được phân loại thành ba nhóm: người mới bắt đầu,

người học có trình độ trung bình và người học có trình độ chuyên gia khi tham

gia vào một khóa học Cách tiếp cận nảy là hữu ích khi cần đánh giá nhanh

nhưng không nhất thiết là hoàn toản chính xác về nền tầng tri thức của người

học được yêu cầu

1.2 Mô hình phủ

Được sử dụng khá phổ biển, trong mô hình này miễn trí thức phải được

mô đưn hóa thánh từng chủ để hay khái niệm cụ thể ri thức của người học

được xây dựng đựa trên sự hiểu biết các k

hiểu biết của người học được cập nhật qua từng giai đoạn Ban đầu người học

có thể được phân loại như lả các mẫu có sẵn Sau đó mô hình người học dần

sửa đổi Lừ thông lin thu nhận được trong quá trinh người học Lương táo với hệ

¡ niệm thuộc lĩnh vực nảo đó, sự

thống Một số cách tiến cân để xây dựng mô hình người học

* Quan sát những tương tác trực tiếp giữa người học với phần mềm

© Phân tích thông tin về người học từ cơ sở dữ liệu hay các kho lưu trữ

của hệ thông

Danb giá

Khi xây đựng mô hình người học, các hệ thông nêu trên chưa sử đụng

nhiễu thuộc tính của người học để thích nghỉ Sử dụng giả trị nhị phan (vi du biết/không biết), giá trị dịnh tính (ví dụ: tốt trung hình, kém), giá trị định

lượng (vi dụ: tập sô nguyên trong khoảng [1 100]) dé định lượng mức độ

4

hiểu biết khái niệm của người học Các giá trị này không đạt được độ chính

xác cao khi đánh giá mức độ hiểu biết của người học Thêm vào đó, hệ thống

sẽ gặp khó khăn trong việc phân lớp người học để thích nghi khi dựa trên các

giá trị này Ngoài ra, các hệ thống này cũng không đánh giá mức độ hoàn

thành việc thực hiện các hoạt động của người học (da cách tiếp cận mô hình nội dung học không xem xét dến các hoạt déng, nhiệm vụ học tập)

1.3 Mé hinh mang Bayes

Dược sử dụng thánh công trong việc liên kết xác suất kiến thức của người sử dụng đối với các hành vi có thể quan sắt được của người học Đôi

hỏi việc xác định xác suất Lừ các luật của các chuyên gia

Danh giá:

Các chìa khóa để thành công với tất cả các mô hình mạng Baycsian nằm trong thể hiện chính xác cho xác suất phụ thuộc trong miền nhiệm vụ

[5] Kỹ thuật logic mờ cũng dã được dược sử dụng chơ nhiệm vụ này hiệu

quả Khi xem xét việc sử dung các kỹ thuật này trong một hệ thống mô hình hóa người đùng, các đối số được đánh địa chỉ không quan tâm về nguyên tắc vấn đề có hay không logic mờ cung cấp kết quả chính xác hoặc hữu ích chứ không phải bởi khả năng sử dụng của kỹ thuật logic mở trong thiết kế của hệ

thống cụ thể Logic mờ có thể só những ưu điểm liên quan đến lựa chẹn thay

thé trong một số những vấn dễ này |5J, ví dụ như trong lính loán phức

tạp Ngoài ra suy luận của một hệ thống logic mờ dược coi là dé dàng cho

các nhà thiết kế và người sử dụng hiểu hoặc chỉnh sửa |5| Một trong những,

yếu tố để xem xét nay là sự đồng dang với con người Mặc dù, khoảng cách giữa con người và suy luận Bayesian không phải là rộng nhưng sự đồng đạng với con người mạnh mẽ khi kết hợp với logic mờ vì nó có thể cung cắp mô tả giống như con người về kiến thức và bắt chước phong cách "con người" về

suy luận với khái niệm mơ hồ Đây là những quan Lâm đặc biệt khi cố gắng

thiết kế một hệ thống mô hình hóa người học có thể dịch giải được dựa trên

suy luận giáo viên và khái niệm của người học, như trong cách tiếp cân của

chúng chúng tôi Ngoài ra, cách tiển cần Baycs dỏi hỏi việc xác định xác suất

từ lập luân của các chuyên gia, trong khi logic mờ cung cấp một phương

pháp thuận tiện để gợi ra những kiến thức cần thiết từ các miền chuyên gia,

đo đó giáo viên chuyên gia trong trường hợp mô hình hóa người học, để thực

Chương này nêu một số phương pháp phân loại đối tượng học và đặc

điểm của từng phương pháp va so sánh với cách tiếp cận sử dụng logie mở và

mạng nơ ron Phương pháp logic mờ dược sử đụng vì chúng có những ru

điểm như: Dễ hiểu, linh hoạt, cho phép thao tác với dữ liệu không chính xác

Lapie mờ là một công cụ rất mạnh để giải quyết những vẫn để không chính

xác và phi tuyến một cách nhanh chóng hiệu quả

6

Chương 2 TONG QUAN VE LOGIC MO, MANG NO RON

21 Tổng quan về logic mờ:

3.1.1 Khải niệm cơ bắn

Mat cách tổng quát, một hệ thống mở lả một tập hợp các qui tắc dưới dạng, IÝ Then để tái tạo hành vi của con người được tích hợp vào cấu trúc điều

khiển của hệ thông [2]

Việc thiết kế một hệ thắng mử mang rất nhiều tính chất chủ quan, nó tủy

thuộc vào kinh nghiệm và kiến thức của người thiết kế Ngày nay, tuy kỹ thuật

mờ đã phát triển vượt bậc nhưng vẫn chưa có một cách thức chỉnh quy và hiệu quả

để thiết kế một hệ thống mờ Việc thiết kế vẫn phải dựa trên một kỹ thuật Tất cố

điển là thử - sai và đôi hổi phải đầu tư nhiễu thời gian dé có thể đi tới một kết quả

chấp nhận được

Dể hiểu rõ khái niệm “2Ö ” là gì ta hãy thực hiện phép so sánh sau:

Trong toàn học phổ thông ta đã hoc kha nhiều về tập hợp, vi dụ như tận các

số thực #, tập các số nguyên tổ # = ƒ2,3,5, Những tập hợp nhự vây được goi là tập hợp kinh điển hay tập rõ, tính "“RỠ” ở đây được hiểu là với một tập xác định

Ẩ chứa ø phần tử thi ứng với phần tử x ta xác định được một giá trị =S()

Giờ ta xét phát biểu thông thường về tốc độ một chiếc xe môtỗ: Châm, trung

bình, hơi nhanh, rất nhanh Phát biểu “CÁM” ở đây không được chỉ rõ là bao

nhiêu #mh, như vậy từ “C/TÀAZ” có miễn giá trị là một khoảng nào đó, ví đụ Skin‘h — 20km/h ching han Tap hop L—jchdm, trung bình, hơi nhanh, rất nhanh)

như vậy được gọi là một tập các biến ngôn ngữ Với mỗi thành phần ngôn ngữ xí: của phát biểu trên nếu nó nhận được một khả năng wf J thì tập hợp F gém các

miễn lún cây

xp

Hình 2.1: Minh họa miễn tin cậy và miễn xác định của một tập mé [2]

2 Các thuật ngữ trong logic mờ

Đôê cao tập mờ #' là giá trị h = SupuF(x), trong do supyF(x) chi giá trị nhỏ nhất

trong tắt cả các chăn trên của hàm wƑ:(x)

Miền xác định của tập mờ ` ký hiệu là Š là tập con thoả mãn

8= SuppHF(3) = {x€B | F(x) > 0}

e_ Miền tin cậy của tập mở #, ký hiệu là 7 là tập con thoả mãn :

T={x€B | uF(x) =1}

e_ Các dạng hàm thuộc (thuộc function) trong logic mờ

Có rất nhiều dang ham thuộc như: Gaussian, Pl-shape, 8-shape, Sigmoidal, Z~ shape

a seeiml went gaan gausedm? amt

Hình 2.2: Các dạng hàm liên thuộc [2]:

3 Biến ngôn ngữ

Biến ngôn ngữ là phần tử chủ đạo trong các hệ thống dủng logic mờ Ở đây các

thành phần ngôn ngữ của củng một ngữ cảnh được kết hợp lại với nhau

Dé minh hoa về hàm thuộc và biến ngôn ngữ ta xét ví dụ sau

Xét tốc độ của một chiếc xe môtô, ta có thể phát biểu xe đang chạy

biên ngôn ngữ trên được ký hiệu là

HE/S(S), HŠ(X), HAA(X) HE(S), HI/F(X)

Hình 2.3: Biển ngôn ngữ [2J

Như vậy biến tốc đô có hai miền giá trị

- Miền các giá tri ngôn ngữ

N= { rất châm, chậm, trung bình, nhanh, rất nhanh }

- Miễn các giá trị vật lý :

V={x€B|x>0}

Biển tốc độ được xác định trên miền ngôn ngữ N được gọi là biến ngôn ngữ

Với mỗi x€B ta co hàm thuộc

a

2 WY =f UVSC, USO) WMG), Hữá2, HE) }

Ví dụ hàm thuộc tại giá trị rỗ x — 65kim¿h là

kx(63) — ( 0;0;0.75;0.25;0 2

4 Cac phép toán trên tập mử'

Cho X,F là hai tập mè trên không gian nền Ö, có các bảm thuộc tương ứng là

BX wy, khi đó :

i Phép hợp hai tập mờ: XUY

Theo luật Max pXU Y(b) - Max{ pX(b), p¥(b) }

c Theo luật Sum pXU ¥(b) — Min{ 1, uX(b)+ pY(b) }

© Tổng trực tiếp #XUY(Œ)— uXŒ)+ HY@) - wX(b).HY(b)

ii, Pbép giao hai tap ma: XÂY

ø — Theo luat Lukasiewicz ^ Y(Œb) - Max{0, nX(Œ#Y(Œ}>-1}

Theo luat Prod 1X1 ¥(b) — pX(b).p¥(b)

ii — Phép bùtâp mờ: Xe @®)~ 1- HX(b)

5 Luật hợp thành

A Mệnh đề hợp thành

Ví dụ điều khiển mực nước trong bần chứa, la quan lâm đến 2 yếu tổ

+ Mực nước trong bổn L = {rất thấp, thấp, vừa}

+ Góc mở van ông dẫn G = {đóng, nhỏ, lớn}

'Ta có thể suy diễn cách thức diều khiển như thé nay

Nếu mực nước — rất thấp Thì gác mở van — lớn

Nếu mực mước — thắp Thì gúc mở van — nhô Nếu mực nước —

vừa Thì góc mở van = đồng

Trong ví dụ trên ta thấy có cấu trúc chung là “Nếu A thi B” Cấu trúc này

gọi là mệnh đề hợp thành, A là mệnh đề điều kiện, C = 1= Z là mệnh để kết

luận

Định lý Mamdani :

“Độ phụ thuộc của kết luận không được lớn hơn độ phụ thuộc diều kiện”

+ Luật Max - Min

+ Luật Max - Prod

+ Luat Sum — Min

+ Luat Sum - Prod

a Thuật toán xây dựng mệnh đề hợp thành cho hệ SISO

Luật mờ cho hệ SISO có dạng “If A Then B”

Chia ham thuộc tu4(x) thành ø điểm xị ,¡ = 1,2, ,n

Chia hàm thuộc #B() thành zm điểm yÿ, ƒ = 1,2, ,m

Xây dựng ma trận quan hệ mờ R

Re Hy(x2, yl) Hy (x2, ym) ii r2l r2m

Hy(an, yl) Hy (xn, ym) mi mm |

Ham thuộc pp '(y) dau ra img voi gid tri rd dau vào x‡ có giá trị

MB'6)=aTR, với aT = {0,0,0, ,0,1,0 0,0 } Số 1 ứng với vị tri thir k

Trong trường hợp đầu vào là giá trị mờ A' thì HB'(y) là : a

uB') = (H1,1213, ,Im } voi Ik=maxmin {ai, rik }

b Thudt toan xay dung ménh dé hop thanh cho hé MISO

Luật mờ cho hệ MISO cỏ dạng

11

“If cdl =Al and cd? = A2 and Thenrs =B”

Các bước xây dựng luat hop thanh R

* Roi rac cac ham thudc pA1(x1), wA2(x2), , wAn(xn), pB(y)

* Xác định đô thoả mãn H cho từng véctơ giá trị rõ đầu vào x={cl,c2, ,cn}

trong đó c¡ là một trong các điểm mẫu của pwAi(xi) Từ đó suy ra

H=Min{ pAl(cl), pA2(c2), ., wAn(on) }

+ Lập ma trận R gồm các ham thuộc giá trị mờ đầu ra cho từng véctơ giá trị mờ đầu vào: H8 '(w) = Min( H, tu(r) } hoặc B'(v) =H 8ú)

Hình 2.4: Giải mờ bằng phương pháp cực dai [2]

+ Nguyên lý trung bình: y'= wee

e Nguyên lý cận trái: Chon y’ = yl

Phương pháp trọng tâm cho luật Sum — Min

Giả sử có m luật điều khiển được triển khai, ký hiệu các giá trị mờ

đầu ra của luật điều khiển thứ k là wsx6;) thì với qui tic Sum — Min ham

thuộc sẽ là H (y) -$ " x0), và y` được xác định:

Chú ÿ: Hai công thức trén cé thé dp dung cho ca ludt Max —Min

'Từ công thức (1.1) nếu các hàm thuộc có dang Singleton thì ta được

với Hlt = Hg+0w)

YX Higa đây là công thức giải mờ theo phương pháp đô cao

2.2 Tổng quan về mạng nơ ron nhân tạo

2.2.1 Cầu trúc mang no ron nhan tao (Artifical Neural Networks — ANN)

Đô não con người có khoảng 1011 = 10Ì2 nơ-ron Mỗi nơ- ron có thể liên kết

với 104 nơ-ron khác thông qua các khớp nối (dendrite) Các nơ- ron nhận tín hiệu điện từ các khớp nối và khi sự tổng hợp của các tín hiệu này vượt quả một ngưỡng cho phép thì nơ-ron sẽ kích hoạt một tín hiệu điện ở ngõ ra để truyền tới trục nơ- ron (axon) và dẫn đến các nơ-ron khác

as) pe Tin higu ra tit

Hình 2.6: Cầu trúc của một nơ ron sinh học BỊ

Mạng nơ-ron nhân tạo cũng hoạt động dựa theo cách thức của bộ não con người nhưng ở cấp độ đơn giản hơn.

Hình 2.7: Câu tạo của tê bào nơ ron sinh hoc [2]

Hai đặc tính cơ bản của mạng nơron là:

+ Quá trình tính toán được tiến hành song song và phân tán trên nhiều nơron gần

như đồng thời

+ Tính toán thực chất là quá trình học, chứ không phải theo sơ đồ định sẵn từ trước

Mô hình toán của mạng nơron nhân tạo:

Một mạng nơron nhân tạo gồm 3 thuộc tính: trọng số kết nói, ngưỡng và hàm kích hoạt

Xn wo —

NLA trong xa ket ni

Hình 2.8: Mô hình nơ ron nhân tạo [2]

Ta đặt: X = [xI, x2 xn]T là cường độ của vector ngõ vào Ngõ ra của mạng

được tính theo công thức:

Ngu@ng (nguGng phan cue — bias): Kí hiệu: 8

Ngưỡng là giá trị biên độ độ lệch, nó ảnh hưởng đến sự kích hoạt ngõ ra của

nơ-ron theo công thức: 1 =xTw-o

Hàm kích hoạt

Quá trình xử lý thông tin gồm: xử lý tín hiệu đầu vào và tín hiệu đầu ra

e_ Hàm tổng (u): dùng đề kết hợp và xử lý các thông tin ở đầu vào

Thông thường, hàm tổng được sử dụng nhiều nhất là hàm tuyến tỉnh

e Ham kích hoạt (activation funetion): là hàm xử lý tín hiệu ngõ ra

Kihiéw: f()

y= 0=

y= f=

Voi 21a hé sé dang của hàm sigmoid

Ham dang S ludng cue

3.2.2 Phân loại mạng nơron nhân tạo

Các loại mạng có thể được phân loại dựa trên các tính chất của nó:

Theo số lớp:

e Mạng một lớp (mạng đơn nơ-ron): mạng chỉ gồm l nơ-ron

e_ Mạng nhiều lớp (mạng đa nơ-ron): mạng gồm nhiều nơ-ron

e Mạng truyền thắng (mạng nuôi tiền): các tín hiệu trong mạng chỉ truyền theo một chiều từ ngõ vào đến ngõ ra

© Mạng hồi quy (mạng nuôi lùi): các tin hiệu hồi tiếp từ ngõ ra trở về ngõ vào