Luận văn thạc sĩ Điều khiển nhiệt Độ hơi quá nhiệt nhà máy Điện sử dụng bộ Điều khiển dự báo trên cơ sở mô hình mạng neural nhân tạo

Khôi tạo từn hiện chuẩn Mệt uu điểm của điều khiển đự báo là nên tin hiện chủ đạo ở tương lai đã biết trước, hệ thông có thế phân mg trước những thay đối có thể xây ra, đo đó tránh được

NGUYEN VAN NAM

DIEU KHIEN NHIET DO HOI QUA NHIET

NHÀ MÁY NHIẸT DIỆN SỬ DỰNG

BO DIEU KHIEN DU BAO TREN CO SG

MO HINH MANG NEURAL NHAN TAO

Chuyển ngành: Điều khiển tự động

LUẬN VĂN THẠC SĨ KIOA HỌC

DIU KITEN TY DONG

NGƯỜI HƯỚNG DẪN KHOA HỌC

PG8 T8 PHAN XUÂN MINH

Hà Nội, Tháng 10/2010

Nhiệt độ hơi quá nhiệt nhà máy nhiệt điện là đại lượng quan trọng quyết định

đến chất lượng, điện của một nhả máy và ảnh hướng lớn đến tuổi thợ của các thiết bị vền có giả trị rất lớn Hiiện nay, nhiệt độ hơi quá nhiệt đang được điền khiển bằng các

bộ điều khiếu truyền thống ŒID) Vấn đề khó khăn là mỗ hình đối lượng hơi quá nhiệt phụ thuộc nhiều vào công suất phụ tải tiêu thụ Khi mô hình thay đổi, bộ diều khiến

TID vốn nghèo nàn tham số điều chỉnh và không có tính thích nghĩ sẽ gặp khó khăn

trong việc duy trì chất lương điều khiến Nó có thể cho kết quả Lối ở vũng lâm vide my nhưng lại cho kết quá hạn chế ở vủng, làm việc khác

Bộ điều khiến đự báo tựa mô hình (MPC) đã được nghiên cứu rộng rãi từ những

ầm 60 của thể kỷ trước Ứu điểm của bộ diều khiến dự báo là không dồi hôi người

thiết kế phái có kiến thức quả chuyên sảu về điều khiển bởi vị những khái niệm đưa ra đều rất trực quan, việc điều chính tương đổi dễ dàng, có thể được sứ dụng để điều khiển rất nhiều quá trình, rất hiệu quả khi quỹ đạo tín hiệu đặt đã biết trước

Tay nhiên img dung cia MPC bị hạn chế bởi việc giải bài toán tôi ưu trực uyên

đòi hồi khối lượng tỉnh toán lớn, trong khi các thiết bị điều khiển những nắm trước day

bị hạn chả về têc độ tính toán và đưng lượng bộ nhớ Ngày nay, cùng với sự phát triển

vượt bật

của thiết bị phần cứng, khi tốc độ của các ví xử lý ngày cảng được nàng cao

và dụng lượng bộ nhớ ngày cảng dược cải thiện, thuật toán diễu khiển dự báo lại dược nghiên cứu nhiều ham và ứng dung trong nhiều lĩnh vực

6 bé điều khiến dụ báo, mô hình xếp xỉ của đối lượng đồng vai trò trung lâm

Mô hình dối tượng cần phái đủ chỉnh xác để phục vụ việc tính toán tin hiệu ciểu khiển

đự báo rong mỗi chu kỳ trích mẫu Mạng neural nhân tạo, vốn là một khâu xếp xi vạn xăng, có khả năng xáp xỉ dối Lượng với độ chính xác luỷ ý

'TTừ thực tế nảy, luận văn với đề tải “Diều khiến nhiệt độ hơi quá nhiệt nhả mày

nhiệt điện trên cơ sở mê hình mạng neural nhân tạo” nghiên cứu áp dụng thuật toán

diéu khién MPC với mỏ hình xắp xỉ đối tượng dược xây dụng trên cơ sở mạng neural nhân tạo cho đối tượng nhiệt độ hơi quả nhiệt nhá rnáy nhiệt điện như một giải pháp khắc phục nhược điểm của các bộ điểu khiến PID kính điển để thu được chất lượng

Bé cue huận văn gồm 4 chương:

-_ Chương Ì: Điểu khiến đự báo trên cơ sở mỗ hình

-_ Chương 2: Nhận dạng đối tượng sử dung mang neural

-_ Chương 3: Thuật toán điều khiển dự báo trên cơ sở câu trúc mạng neural -_ Chương 4 Điều khiển nhiệt độ hơi quả nhiệt sử dụng bộ diễu khiển dự bảo

trên cơ sé mé hinh mang neural

Dưới su huéng din cia cd gido PGS TS Phan Xuân Minh, tác giá đã hoàn thành để tài nghiên cứu dúng thời hạn qui định Tuy nhiên, do thời gian hạn hẹp, luận

văn chắc chắn không tránh khỏi những sai sót Tác giả rắt mong nhận được sự đóng góp ý kiến của các thấy có giáo để hoàn thiện kết quả nghiên cứu Tác giả cảm ơn sầu sắc cô giảo PGS T8 Phan Xuân Minh đã tận tình giủp đỡ tác giá trong suốt qua tinh

thực biện để tải!

Hà

Xôi, ngày 26 tháng 10 răm 2010

Nguyễn Văn Nam

ii

Mục lục

Chương 1 Điền khiển dự bảo trên cơ sở mô hình

1.1 Nguyễn lý diều khiển dự báo

1.2 Cấu trúc cơ sở của MPC

1.44 Khối tôi ưu hỏa

Chương 2 Nhận dạng đối lượng sử dụng mạng neural

2.1 Giới thiệu vài nét về bài toán nhận dạng

21.1 Một vài nguyên tắc chung .10

2.2.1 Mang neuradl tự nhiền 13

2.3 Nhân dạng dối tượng sử dụng mô hình mạng neural 30

2.3.2 VÍ dụ nhận dạng đổi tượng bằng mô hình mạng neural 32

Chương 3 Thuật toán MPC dựa trên cầu trúc mạng neural

3.2 'Thuật toán tôi ưu phi tuyến (Nonlinear Optimization) 36

3.3 Phương pháp chuyển động ngược hướng gradient 40 3.4 Thuật toán dự báo phi tuyên kết hợp tuyế ến tỉnh hóa (MPC NPL) ‹ 4]

Chương 4 Điều khiến nhiệt độ hơi quá nhiệt nhà máy nhiệt điện sử dụng bộ điền

1H

42.1 Tâm quan trọng của việc đâm bũo Ôn định nhiệt độ hơi quá nhiệt 54

4.2.2 Cac nguyén nhân làm thay adi nhiệt độ hơi quả nhiệt

4.2.3, Các phương pháp điều chính nhiệt độ hơi quả nhiệt

4.3 Thiết kế bộ điều khiển

4.4.2 Bộ điều khiển dự bảo trên cơ sở mạng neural nhân tạo 71

4.5 Nhận xét, đánh giá

iv

Multiple Tput Single Output

Multi-Layer Perceptron

Model Predictive Control

Moan Squared Error Nonlinear Autoregressive Moving Average

MBC hased on Neural Network Model

Nonhnear Optmizalion

Nonlinear Prediction and Linearization

Proportional Integral Derivative

Singls Taput Single Output

ổ tham số phiểm hàm mục tiêu

a tham sé phiém ham mue tiéu

N, sẽ phần tứ trễ tin hiệu vào

Ny số phân tứ trễ tin hiệu ra

Iw ma tn trọng lượng lop vao mang MLP

1B veclor bias của lớp vào mạng MLP

LW voelor trọng lượng lớp ra uạng MĨ,P

LB vector bias cia lop ra mang MLP

fm ham phi tuyén của mạng MLP

Ne dai điều khiến

Np tam du bao

ye? vector gia tri dat

vị

hộ số khuếch dại của bộ điều khiển PID

hằng số thời gian tích phân của bộ điều khién PID hing số thời gian vi phân của bộ điều khiển PII3

vũ

Danh muc hinh vé

Hình 1.1 - Nguyén ly digu khién du báo

Hinh 1.2 - So dé khéi hệ thống diệu khiển dự báo ào eee

Tlinh 1.3 - Minh hoa tac dung ctia khau tao tin hidu ChUaI oc cccceccccccseessssssseeeseeee

Hình 1.4 - Minh họa đáp ứng xung

Hinh 2.1 - Một phần của mạng netưal

Tlinh 2.2 - Neural là khâu MISO

Hình 2.3 - Neural nhậu tạo

Linh 2.4 - Minh họa mạng netral

Hình 2.5 - C4u trie mang neural

Hih 2.6 - Mang neural cé de tính động học tuyển tĩnh

Tlinh 2.7 - Mang neural cé dic tinh phi tuyén tinh

Hình 2.8 - Mang neural cé dac tinh 4éng hoe phi tuyén

Hình 2.9 - Cầu trúc của các khôi TDLa và TOLy

Hình 2.10 - Cầu trủc mang neural MILP 2 lớp -s-

Hình 2.11 - Câu trúc NARX cửa mang neural

Hình 2.12 - Sơ dỗ câu trúc trong nhận dang va kiém chứng mô hình

1Hinh 2.13 - Mô hình tay may rob0t vec sesssesssesiestesersienesnee senses

Hình 2.14- Lay dữ liệu nhận dang cánh tay robot

Hình 2.15 - Thử nghiệm mạng sau khi huấn lưyện

Ilinh 3.1 - Lệ thông điều khiển MPC tôi wu héa phi tuyén

Hình 3.2 - Minh họa phương pháp chuyển đông ngược hướng gradient

Hình 3.3 - Cau trie thuat toan MPC - NPL

Tinh 4.1 - Chu trình nhiệt chính của nhả máy nhiệt điện

Hình 4.2 - Sơ đỗ công nghệ nhà náy nhiệt điện

11nh 4.3 - Hoạt động của lò hơi —

Hình 4.4 - Cac dang dng xoan của hỗ quá nhiệt

Hình 4.5 - Cầu Iạo bộ quá nhiệt

Hình 4.8 - Các dạng dường khỏi di tắt qua bộ quá nhiệt

lỉnh 4.9 - Thay đổi vị trị trung tâm ngọn lửa nhờ quay vòi phưn

Hình 4.10 - Điều chỉnh nhiệt độ hơi quá rệt bằng tát tuần hoàn khói

Hình 4.11 - Bồ trí các bộ quả nhiệt

THỉnh 41.12 - Cầu trúc hệ điều khiển MPC trên cơ sở mô hình mạng neural

Hình 4.13 - Các lặp mũ cho các biến vào/ ra

Hình 4.14 - Cầu trủc mạng neural

Tinh 4.15 - Tap dir

vào/ ra, đổi tượng làm việc ở đải công suất 1

Hình 4.16 - Kết quả huấn luyện với mô tình đổi Lượng ở đải công suất 1

Linh 4.17 - Tập dữ liệu vảo/ ra, đổi tượng lam việc ở đãi công suất 2

Hình 4.18 - Két qua huấn luyện vải mô hình đôi tượng ở đải công suất 2

Hình 4.19 - Nhân dạng đối lượng, dải công suất 3

Tlinh 4.20 - Nhận đạng đối tượng, dải công suất 4 o.e

tình 4.21 - Khân dạng đối tượng, đãi công suat 5

Hình 4.22 - Xác định hệ số khuếch đại lới hạn và chủ Ay Lot han,

Hình 4.23 - Phương pháp Ziegler - Niehols ào Hình 424 - Phuong phap Tyreus & Luyben

Hình 4.25 - Phuong phap Ziegler - Nichols Khu có sai Iéch mé hinh

Linh 4.26 - Phượng pháp 1yreus - Luyben khi có sai lệch mô hình

Hình 4.37 - Phương pháp Ziegler - Nichols tín hiệu điều khiển bị bạu chế

Hình 4.28 - Đáp ứng với nhiều khi sử dụng bộ diễu khiến PTD

linh 4.29 - Phượng pháp chuyển động ngược hưởng gracient, mô hình 1 Hình 4.30 - Phương pháp chuyển động ngược hướng gradient, mô hình 2-5

Hình 4.31 - Phương pháp MPC - NO, mô hình 1

Tlinh 4.32 - Phượng pháp MPC-NO, mô hình 2-5

Hình 4.33 - Phương pháp MDC - NPT mồ hình 1

linh 4.34 - Phương pháp MPC-NPL, mồ hình 2-5 óc sec

Hình 4.35 - Ảnh hưởng của tắm dự báo đến chất lượng điều khiến

Hình 4.36 - Ảnh hưởng của hệ số lambla

Chương1 Điều khiển dự báo trên cơ sở mô hình

1.1 Nguyên lý điều khiển dự báo

Nguyễn lý chung cửa điêu khiên du báo (MPC) là tại mỗi thời điểm trích mẫu thw &, tinh toan tin higu điều khiển u(E) = #(k|k),(k + 1|È), u(k + Wị — 1|k), giá thiết # + p|k) = u(k + Nạ — 1|k) với Ð > Nẹ, trong đó Á; là dái điều khiển

(eontrol horizon) Ký biệu “w{E + p|K)” là giá trị của tín hiệu điều khiển tiên đoán tại thời điểm k + p, được tính tại thời điểm k Vector u(k) được tính sao cho tối thiếu hóa sai lệch giữa đầu ra tiến đoán y(k + p|k) và giá trị đặt tương ứng y*P(k + p|k)

trong suốt đải đự báo Np (p = 1,2, N;ẹ) đồng thời tối thiếu hóa thay đối tín hiện điều khiển A(k + p|&) với p = 1,2, Nẹ Trong mỗi lần tỉnh, tín hiệu điều khiển thực u(k) lấy bằng phần tử đầu tiêu z(k|k) của veetler u) (u(&) = u(k|k)) Tại thời điểm trích mẫu liếp theo (& + 1), đầu ra thực được đo và cả quả trình lrên được thực

hiện lại, với đối dự báo có cùng độ dải W;, nhưng dịch di một bước, Nguyên lý này được thể biện trên hình vế sat:

y À Tương lai panne -

Thuật toán MEC sử dụng mỏ hình xấp xỉ của đối tượng thực tế đẻ tính toán đầu ra

dự bảo phục vụ cho việc giải bài toán tối ưu tìm ra tin hiệu điền khiến Trong thực tế

còn lên tại những tín hiệu đầu vào không thể đo chính xác hoặc không đo được Bởi lế

dó, những dâu ra dụ bảo thưởng sai khác với giá trị do Sự sai khác dâu ra thể hiện

trong hình vẽ chính là sai lệch đ(k), đ(k) = y() — y(F|k — 1), xuất hiện tại thời điểm trích mẫu thứ & ((E|k — 1) là đầu ra đự báo cho thời điểm È, tinh tại thời điểm

trích mẫu trước đó (thời điểm k — 1))

Thuật toán MPC trên cơ sở mô hình nhằm mục tiêu tối thiểu hóa phiếm hàm mục tiêu mỗ tá møng muốn vẻ chất luợng điểu khiển trong suốt tim dy bao (prediction

horizon) Np va su thay đối tin hiệu điều khiển trong đải điều khiến W„

10) = Yi sly + vl) —yGe + PIP + Yap ilauck + POP

a1) Trong đó, cáo vecter y*P(k + p|k) và y(k + p|k) có chiển zm„ = dim (y) số

lượng đầu ra), các vecler Au(k + p|k) có chiều im„ = đỉm (#) (số lượng đầu vào) và 1<; <N,(N, > 1 nếu tôn tại phan tử trễ không gây một ảnh hưởng nào từ các dầu

ra tai những thời điểm trích mẫu k + 1,k + 2, È + Âu, — 1 tới sự thay đổi ca tía tiện điêu khiển tại thời điểm k) Dộ dài của đải điền khiển Nụ phải thỏa mãn điều kiện

< Ñ¿ < Nụ, thông thường Ñ„ < N„ nhằm giảm số chiều trong bài toán tôi tu hóa nhằm giâm khối lượng tính toán Cac hé sé 6(p) va AQp) trong phiém har rnục tiêu

JC) dong vai trò là các hệ số hiệu chỉnh, tạo sự lính hoạt trong việc lựa chọn luật điều

khiển và chúng cỏ ảnh hưởng khá lớn tới chất lượng điều khiến

Quỹ đạo tối ưu của tin hiệu điều khiển tính tại mỗi thời điểm trích mẫu lả nghiệm

của bài toán:

Trong dỏ, giả thiết các điều kiện lrạn chế:

Vai trò của mô hình xắp xỉ là rất quan trọng, bởi vi các giả trị dự báo có tham gia

trực tiép trong phiém hàm mục tiêu Sự sai lệch của mô hình lớn hay giá trị dự báo sai

khác nhiều so với đáp ứng thực của đối lượng tại thời điềm tỉnh loán sẽ co thé dan đến những lời giải cho cực trị địa phương trong thuật toán tôi ưu phiếm hàm mục tiêu J(k), đông nghĩa với chất lượng điều khiển không tốt Chính vi vậy, bài toán thiết kế vả cải

đặt bộ điều khiến MPC có thể chia thành hai phần chính: nhận đạng đổi tượng để đạt

dược mỏ hinh xắp xí dủ chỉnh xác vả giải quyết bài toàn tối tu

1⁄2 Cấu trúc cơ sử của MPC

Bộ điều khiển gồm 2 đầu vảo lả tín hiệu đặt y°P và tín hiệu đo đầu ra y Các khối chức năng trong bộ điều khiển như sau:

1.2.1 Khôi tạo từn hiện chuẩn

Mệt uu điểm của điều khiển đự báo là nên tin hiện chủ đạo ở tương lai đã biết trước, hệ thông có thế phân mg trước những thay đối có thể xây ra, đo đó tránh được ảnh hưởng của trễ lên đáp ứng của đổi tượng, Trong nhiều ng dụng, tin hiệu chú dao

tương lại y*P (Ie) là biết trước, như điều khiến robot, động cơ servo hay điêu khiển mẻ

gay cá trong những ứmg dụng mà tín hiệu chủ đạo là hằng sẻ, chất lượng hệ thông,

vẫn dược cãi thiện dang kẻ nhờ biết trước các thời điểm thay đổi của giá trị dặt đẻ có

sự điều chỉnh phủ hợp Thuật toán MPC thường sử dụng một quỹ đạo quy chiếu w(È) lam tin hiệu để điều khiển đầu ra của đổi tượng bám theo nó Tin hiệu w(k) không nhất thiết phải bằng tin hiệu chủ đạo thực y°P(E) mà thường là xắp xí gân đứng của

nó, bắt đầu từ giá trị đầu ra hiện tại y(k) tiên đến tín hiệu chủ đạo đã biết thông qua hệ

Thuật toán điều khiển dụ báo

Mé hinh dy bao Hàm mục tiểu

y À Tương lai

Hình 1.3 - Minh họa tác dụng của khâu tạo tín hiệu chuẩn

Gia tri ở cảng nhỏ thì quỹ đạo w; càng bám nhanh vào tín hiệu chủ đạo Ngược lại, khi œ cảng lớn thi quỹ đạo quy chiều w, bam chậm hơn nhưng trơn hơn

Mô hình xap xi déi tượng điều khiển đóng vai trò quyết định trong bô điều khiển

dự bảo Mô hình phải phản ánh đúng động học của quả trình đề có thể dự bảo chính

xác đầu ra tương lai cũng như phải đủ đơn giản đề thực hiện Có nhiều loại mô hình khả dĩ

122.1 M6 hinh dap ing xing

Với mô hình đáp ứng xung, đầu ra có quan hệ với đầu vào thông qua biểu thức

tổng quái sau:

yŒ) = 3 ga 0= Ô

q4)

Với g¡ là thời điểm lây mẫu thứ í khi quá trình dược kích thích bởi một xung don

vị (11ình 1.4) Nếu tổng này chí lấy hữu hạn N gia tri (do đó chỉ biểu điển được các

quá trình ồn định không chứa thành phân tích phân) thì ta có:

Hinh 1.4 - Minh họa đáp ứng xung

Thông thường Ấ là khá lớn (khoảng từ 30 đến 120) lam cho số lượng tham số cân thiết

lớn Đây cũng chính là hạm chế của mô hình đáp ứng xung, Ngược lại, nó rất trực quan

và phần ánh rõ ảnh hưởng của mỗi biển điều khiển lên một dầu ra xác dịnh Nếu hệ thống là nhiều biển có 7n đầu vào thì đáp ứng của hệ có dạng:

Ưu điểm của phương pháp này là không cần thông tín ban đầu về đổi tượng, do đỏ

bài toán nhận dang được đơn giãn hoá đồng thời cho phép khảo sát để dàng các quá

trình động bọc phúc tạp như hệ thông pha không cục tiếu (hay có thế có trễ)

Cách mô tả này cũng sử dụng dược đối với những quá trình không ổn dinh và có tưu điểm là cần it tham số, tuy nhiên không thể thiểu những thêng tín ban đầu về đối

tuợng, đặc biệt lä bậc của cáo đa thức 4 và

1.2.2.4 Mô hình trạng thái

Với mô hình trạng thái, hệ phương trình toán học mồ tá đối tượng có dạng như sau:

x(k) = Ax(k — 1) + Bu(k — 1)

Trong đó x là biển dang trang thai va A,B, C lần lượt là các ma trận hệ thông, ma

trận đầu vào và na lrận đầu ra Trường hợp này tin hiệu ra đự đoán được tĩnh bởi

Trường hợp các biên trạng thái không đo được, hệ thống cần phải thêm bộ quan sát

trạng thái, khi dé cae tink (oan sé phite tap hou

2.2.2.5 Mô hình mờ

TIệ thông suy luận mờ (Fuzzy Inference System) 1a mệt công cụ xâp xỉ rất mạnh

Các hệ thống suy luận mờ có thể xắp xỉ dặc tính tĩnh của bất cứ một hàm phi tuyển liên tục nảo trong một miễn xác định với độ chính xác cao

Đạo biệt, với những hệ phi tuyên mạnh, mô hình mờ tả ra chiếm ưu thể hơn so với

những nô hình khác

Bằng việc kết hợp với các khâu động học (đường dây trễ - Tapped Delay Line), ta

có thể mô hình hoá đổi tượng đông học phi tuyên (manh) với đồ chính xác tuỷ ý

Có hai loại mô hình mờ phổ biến là mô tỉnh mờ Maudani và tuô hình mờ Takagi -

Sugeno Dỗi với mô hình Mamddani, đâu ra đự bảo được tính toán như sau:

Hk + pik = Dh otock + plein yk + pik)

Si-:0(øŒk + p|))

ain

6 day, Fla tong số luậi hợp thành, Ø là vecLer tham số và

ø(k + p|k) = [y(k +p— 1, y(k +p — Ny),u(k +p — TÔ), uỐk + p — Ng)] được gọi

là vector hồi quy

1.2.2.6 Mô hình mạng neural

'Tương tự như mô hình mờ, mạng neural cũng lả một hệ phi tuyến tĩnh, khi được

kết hợp với các khâu động học, nó cũng có khả năng x4p xi mồ hình đổi tượng với độ

x(k) = |u(K — 1), u{k — Nụ), y(k — 1), yŒ — Ng)|

K là số neural lớp ấn;

TW là ma trận trạng số lớp vào;

IB: Vector “bias” lớp vào,

LW la vector trong số của lớp ra;

fn la ham kich hoat

x(k) = |u(k — 1), w{k — N„),y(k — 1), y( — Ny)|”

NN, va Ny là số lượng giá trị quá khứ của tín hiệu vào và tín hiệu ra được lây làm

cầu vào của mang ngural

Với yêu câu mô hình xấp xi đổi tượng có độ chính xác cao, mỗ hình raờ và mô

hình mạng noural ngày cảng dược nghiên cửu và áp dựng rộng rãi Tuy nhiên, với mô

hình mờ, việo cắn phải có những hiếu biết nhất định vẻ đối tượng để

ty dụng các luật

ð hàm thuộc )

hợp thành và mi hỏa các giá trị tín hiểu (xác định đạng hàm thuộc,

đã trở thành một trở ngại Hơn thể nữa, khi có nhiều dầu vào, số luật hợp thành sẽ tăng,

8

lên nhanh chóng kéo theo dó là khối lượng tính toán nhiều thêm dang kể, Vì các lý do này, việc nhận dang đổi tượng phục vụ xây dựng bộ điểu khiển dự bảo trong luận văn

được thực hiển trén co 86 mang neural

1.2.3 Ham mue tiêu

Nhu được trình bảy ở công thức (1.1) và được viết lại đưới đây, hàm mục tiêu thể

hiện mong muốn về chất lượng điều khiến vá đặc tỉnh tín hiệu điều khiển (đầu ra đối

tượng điều khiển bám giá trị đặt và tín hiện điền khiến là trơn),

hiện mơng muốn về tín hiệu điển khiến, nêu Â(ø) được chọn lón thé hiện yêu cầu tín

thiệu điều khiển cần phải trơn Tuy nhiễn, yêu cầu về chất lượng điển khiển và tín hiệu

diéu khiển thường không dễ đồng thời thỏa mãn, vỉ vậy nhiệm vụ của nguời thiết kế là phải tìm ra bộ tham số hợp lý đề thỏa hiệp hai yêu câu này,

1.2.4 Khôi tôi ưu hóa

Khải tối ưu hòa thực hiện thuật toán tôi ưu hoá phiếm ham muc tiêu để thu dược

chuỗi tin hiệu điệu khiển tối ưu trong đãi điều khiến từ 1 đến No Sau đó, chỉ tín hiệu điên khiến đầu tiên w{k) trong chuếi tín hiệu tính toán được đưa tới điêu khiến đối

lượng thực

Một số phương pháp tính toán tin hiệu điền khiển tối au thường được sử dụng với

bộ điều khiển dự báo đỏ là phương pháp chuyển động ngược hướng gradient, phuong phap quasi - Newton, phuong pháp Levenberg - Marquardt, giải thuật di truyền (Genetic Algorithm), phuong phap r8 nhanh va giéi han (Branch and Bound)

Chương2 Nhận dạng đối tượng sử dụng mạng neural

2.1 Giới thiệu vài nét về bài toàn nhận dạng

Phương pháp xây đựng mô hình loan học liên cơ sở các số liệu vàoZa thực nghiệm: được gọi là nhận dạng hệ thông Mô hinh nhận đạng của đổi tượng điều khiến có thể xem là trưng tâm của bộ điều khiển MPC Mô hình cảng chính xác sẽ cảng đâm bảo việc cung cấp các thông tin cản thiết cho quá trình tôi ưu hòa tín hiệu điều khiển nhằm

có được chất lượng điều khiển càng tốt

2.1.1 Một vài nguyên tắc chung

2.1.1.1 Các bước tiễn hành

Các bude co bản tiên hành nhận dạng đối tượng bao gồm

Bước 1: Thụ thập, khai thác thông tin ban đầu vẻ quả trình, vi dụ các biển quá trinh

Bước 4: Kết hợp những yêu cầu về mục địch sử dựng mỏ hình và khả năng ủng

dụng của phương pháp nhận đạng đã chọn, quyết định vẻ dạng mô hình (phi tuyển/

tuyển tỉnh, liên tục/ giản doạn ), dưa ra các giả thiết ban đầu về cầu trúc mô hình (bậc tử số/ bậc mẫu số của hàm truyền đạt, có trễ hay không có trễ )

Bước 5: Xác định các tham số mô bình theo phương pháp/ thuật toán đã chọn Nếu

tiễn hành theo từng mô hình con (ví dụ tùng kênh vảo/ ra, từng khâu trong quả trình)

thi sau dé can kết hợp chúng lại thành một mö hình tổng thể

Bước 6: Mô phòng, kiểm chứng và đảnh giá mô hình nhận được theo các liêu

'Việc lây mẫu số liệu có thể phải thực hiện theo nhiều bước

Đầu tiên, ta cần xác định đâu vào, đâu ra của hệ thống cân nhận dạng, tử đỏ xác

định tín hiệu kích thích để thực hiện thí nghiệm thu thập số liệu vá vị trí đặt cảm biển

để do tin hiệu ra

'Việc tiếp theo là chọn tín hiệu vào Dạng tín hiệu vào ảnh hướng rất lớn đến dữ liệu quan sát Tín hiệu vào quyết dịnh diém lam việc của hệ thông, bộ phân nào và chế độ lảm việc nảo của hệ thông được kich thích trong thí nghiệm

Sau đó, chu kỳ lây mẫu và số mẫu dữ liệu phải thu thập cần được xảo định

Buớc kế tiếp là lấy mẫu đữ liệu Ta có thể lấy mẫu số liệu từ đối tượng thực, trích mẫu gửi lên máy tính nhờ tín hiệu phán hồi từ các cảm biến thông qua các mạch phần

cứng phụ trợ Khi đó, bộ số liệu cẩn phải có đây đủ thông tin về 3 thành phân cơ bản:

Chu ky trích mẫu TS, các giả trị đầu ra cần quan tềm y(k), các giá trị của tín hiệu điều khiển tương ứng (k) Với số liêu thực tế, bộ số liệu có thẻ được ghỉ trong cde file dang txt, dat dưới dạng các hàng/ cột tách biệt từng, giả trị trích mẫu dễ tiện cho việc đọc số liệu sau này

Việc chọn chủ kỷ trích mẫu là rất quan trọng Nếu lẫy mẫu quá rửwmh (chủ kỳ trích

êu hệ thống có thời

mẫu nhớ) có thể dẫn đến các khó khăn khi ước lượng thông số

gian chết thì việc chọn cm kỳ trích mẫu quá nhỏ có thể sẽ làm cho hệ thông được mồ

trnh hóa với khâu trễ kéo dài trong nhiều chủ kỳ trích mẫu, điều này sẽ gây khó khăn khi sử dụng mô hình để thiết kẻ hệ thống điệu khiển,

Ngược lại, nêu lây mẫu quá chậm (chu kỳ lẫy mẫu lớn) có thé gây ra méo tin số

làm mất thông tím Khi chủ kỳ lấy tuấu lắng vượt quá hằng số thời gian 70 của hệ thống, phương s

1 lãng đột ngột

Chu kỹ lấy mẫu tối ưu trong trưởng hợp số mẫu đữ liệu cố định xấp xĩ hằng số thời gian của hệ thông Nấu không biết trước hằng số thời gian của hệ thắng thi ta phải ước lượng, nếu hằng số thời gian ước lượng cao hơn thực tế thị việc chọn chu kỷ trích mau xấp xỉ T0 sẽ đẫn đến kết quả nhận đạng rất xấu

21.13 tiênxữ lý đi liệu

Dữ liệu thu thập khi thí nghiệm thường không thể sử dụng ngay lrong các thuật

toán nhận dạng hệ thông, do các khiếm khuyết sau:

-_ Có nhiễu tân số cao trong tập đữ liệu tìm thập được

11

- _ Tập đữ liệu bị giản doạn, thiếu đữ liệu, hoặc có các giá trị do sai

-_ Nhiễu tân số thấp, trôi, độ lệch không (ofiset)

Đo vậy, nếu thực hiện nhận dạng offline trước tiên nên vẽ đỗ tìn dữ liệu vào ra,

xem xét dỗ thị dễ phát hiện các khiếm khuyết trong, tập dữ liệu vả tiễn xứ lý tập đữ liệu

để loại bỏ các khiểm khuyết (nếu có)

2114 Chọn bậc mô hình

Một trong những nguyên tic cơ bản của lý thuyết nhận dạng hệ thống là xảy dựng

mô hình toán cảng đơn giản càng tốt Khi bậc mô hình càng tăng, số thông số càng nhiều thì mô hình cảng linh hoạt và sai số xấp xỉ cảng giảm, tuy nhiên bậc tăng đến một mức nảo đỏ thì dù tăng thêm sai số vẫn giãm không đảng kê, vi vậy tiêu chuẩn

chọn ha cầu trúc mô hình phải tính đến sai số mô hính và số thông số của mồ hình

Đôi với doi tượng phi tuyến, vẫn dễ chọn bậc mö hình vẫn còn là một bài toán mở

Thông thường, số thông số của raô binh phi tuyển được chon dua vào kinh nghiệm hoặc bằng phương pháp thử sai

Trong thực tế, do cân nhiều phép tính để tính số thông số tác động nên người tạ thường đùng các tiêu chuẩn chọn mö hình tuyến tính (theo thông số) để chọn mô hình

phi tuyển

2.1.2 Mô hình phi tuyển NARX

Với bài toán nhân dang đối tượng phi tuyến, loại mô hình chon lựa cần phải đâm bão một số yếu tố quan trọng như khả năng mỏ tả dược đặc tỉnh tính cũng như dic tinh động học cña đối tượng một cach chính xác Trong số rất nhiều mô hình có thể lựa

chọn như FTR, ARX, SOPDT, NARX, mô hình NARX (Nonlincar Auloregressive

Moying Average) có khá năng, cung cấp diy đủ thông tin về đổi tượng đặc biệt lá đặc tỉnh động học thông qua việc sử dụng các đường day tr TD (Taped Delay Line)

Nguyên lý chung của mỏ hình NARX:

yới+ 1) =8 (MÔ —+ + L), uẾt — 1), „uÊn — Nụ + 1); yO0, vấn — Ny + 1))

= g(TDLu; TDL)

‘Trong, dé u(n), y(n) la tin higu vao/ ra ctia hé théng tai thei diém n

AN, = 1, Ny > 1 lả độ dài của dường dãy tré dau vao va dau ra TDLu, TDLy

12

Tham số 2 được dưa vào có ý nghĩa hiệu chỉnh cau trúc dường dây trể làm ting

tỉnh linh hoạt của mô hình

2.2 Neural va mang neural

2.21 Mang neural te nhiên

Mạng ngưai lẻ sự tải tạo bằng kĩ thuật những chức năng của hệ thần kinh con

người Trong quá trình tái tạo không phải tất cả các chức năng của bộ não con người

có đều có thế? được tái tạo, mà chỉ có những chức năng cần thiết, Bên cạnh đó, ruội số

chức năng mới dược tạo ra nhằm giải quyết một bài toán điều khiển dã định trước

Mang neural bao gém vé số các neural được liên kết truyền thông với nhau trong

RE tin ra của ngural 1

được nỗi với axon

Rễ đầu ra

Hình 2.1 - Một phần của mạng ncural

Một neural bao gầm các thành phân cơ bản:

Than neun] được giới lạm trong môi màng tuernbran và trong cùng là nhằn Từ

thân neural còn có rất nhiều đường rẽ nhảnh gọi là rễ

Đường liên lạc liên kết netral này với neural khác được gọi là axon, trên axon có

ø đường rể nhánh Neural có thể liên kết với các neural khác qua các rễ Chính vì sự

liên kết đa đạng như vậy nên mạng neural có độ bên liên kết cao

Các rễ của neual được clúa thành bai loại: loại nhận thông tin từ nguai khác qua axon, mà ta sẽ gọi là rẻ đầu vào và loai dưa thông tin qua axơn tới các ncural khác goi 1ã rễ đầu ra

13

Một neura] cĩ thể cĩ nhiều rễ dầu vào, nhưng chỉ cĩ một rễ đầu ra Như thế, nếu

xem neural như một khâu điều khiển thì đĩ chính là khâu eĩ nhiều đầu vào, một đầu ra (Multiple Tnpul Multiple Output - MISO)

Neural —>—>

Hình 2.2 - Neural là khâu MISO Quả trình hoạt động của một neural là một quả trình diện hĩa tự nhiên Ở trạng thái cân bằng (trạng thải tinh) điện áp của màng membran khoảng 75mV Khi cĩ tác động

bén ngồi vào neural (múc điện áp khoảng 35mV) trong tế bảo neural xay ra hang loat

các phân ứng hĩa học tạo thành lực tác dộng làm neural bị kích hoạt Thể năng sinh ra

khi neural ở trạng thái bị kích thích hoản tồn này chí tổn tại trong khoăng vài rnih giây sau đĩ neural lai tré vé trang thái cân bằng cũ, thế năng này được truyền vào

xuạng qua exon vả cĩ khá năng kích thích hoặc kiu hãm tự nhiền các neural khác trong,

rạng Một neural sẽ ở trạng thải kích thích khi tại đầu vào xuất hiện một tín hiệu tác

động vượt qua ngưỡng cân bằng của neural

Một tỉnh chất của mạng neural sinh học lá các đáp ứng theo kích thích cĩ khá năng, thay đối theo thời gian Các đáp ứng cĩ thể tăng lên, giảm đi hoặc hoản tồn biển mắt

Qua các rhánh axon liên kết Lễ bào neuraÏ này với tế bảo neural khác, sự tuy đổi trang

thải của một neural cũng kéo theo sự thay dỗi trang thải của những neuưal khác và do

đĩ là sự thay đối của tồn bộ mạng neural Việc thay đối trạng thái oủa mạng neural cĩ

thể thực h

m qua một quá trình dạy hoặc do khả rỗng học lự nhiên 2.22 Mang neural nhân tạa

2.2.2.1 Tong quan vé mang neural nhan tao

Khi nĩi về mạng netal trong khoa học máy tinh ta hiểu lá đang nĩi về mạng

neural nhan lao (ANN - Arhficial Neural Network) boi vi trong thực tế mạng, neural

sinh học (BKN - Biological Neural Network) phức tap va tinh vi hon rat nhiéu so với

mạng neural nhân tạo Thực chất, mạng neural nhân tạo là những mơ hình tốn học rnà

cơn người xây đựng tiên Khơng cĩ một dink nghia long quét ngo ve mang neural nhưng hẳu hết mọi người dỏng ý với khải niệm về mạng neural như sau:

14

AMang neural là một hệ thông bao gỗm rất nhiều phân từ xử lý đơn giản cùng hoạt

ính năng hoạt động của hệ thông này phụ thuộc vào cầu trúc của hệ

động song song

thông, vùa cường độ liên kết giữa các phân từ trong hệ thông và vào quá trình xử lý bên trong các phần từ dó Hệ thông này có thể học từ các số liệu và có khả năng khái quát từ số liệu đó

Mang neural nhân tạo có thể dược chế tạo bằng nhiều cách khác nhau vì vậy rong

thực tế tồn tại rất nhiều kiểu rnạng neural nhân tạo

Linh 2.3- Neural nhân tạo

Dimg vé mat hé théng, mét neural fa mét hệ thông MISO quen thuộc với nhiều đầu vào vá một đầu ra Câu trức của một neural gém ba thành phân cơ bản:

- Cae kích thích (các dầu vào) của tế bào neural có thể năng tác déng vao mang membran khác nhau được biểu điễn qua trọng lượng M¿,í = 1,2 Ñ tương ứng với cường độ kích thích của từng đầu vào Tổng giá trị của các

kich thích đâu vào được thực hiện qua một bộ công, đó là giá trị đo kích

thích đầu vào tác động vào tế bảo neura]

- Dau ra của bộ cộng được đưa đền khâu tiên đáp ứng c Khâu này không chỉ

có chứo nàng tạo đáp ứng tức thời mã còn có khả năng hưu giữ cáo đáp ứng,

theo thời gian Thành phẩn nảy làm việc theo nguyên lý “nhớ dộ

- Neural bi kich thich trong théi gian thé ning của mảng membran vượt qua

ngưỡng, mô bình neural ở trạng thái tích cực Quan hệ này được thực hiện nhờ khâu tạo tín luệu ra ƒ, nó có chức nắng của khâu tạo lín hiệu ngưỡng,

xác dịnh sự phụ thuộc của tín hiệu ra a vào các kich thích dẫu vào

Cách thành lập neural nhân tạo như vậy tạo ra một dộ tự do trone thiết kế việc lựa

chon khâu công tín hiệu vào, khâu tiên đáp ứng e, và khâu tạo tín hiệu đáp img f sé

cho ra các kiểu neuưal nhân tạo khác nhau và tương ứng lá các mỏ hình mạng khác

nhau,

Khâu cộng }': Khâu công tín hiệu vào có chức nắng thực hiện phương trỉnh: n =

Khau tién đáp ứng c: Những, khá năng hoạt động của neural hoàn toàn phụ thuộc

vào khẩu tạo chức năng đáp ứng c Thể năng của mảng membran cảng cao nếu như giá

trịn cảng lớn

Khau tạo chúc năng đáp tmg tăng giảm phụ thuộc vào giá trị đầu vào, một cách

đơn giản nhất có thể tạo đáp ứng theo phương trình:

c=n

Quan hệ giữa tín hiệu vào và ra được biểu diễn theo phương trình trên là mnột quan

hệ tĩnh và tuyển tính Đây cũng là cách thiết kế neural nhân tạo một cách đơn giản

nhật,

Để tăng độ chính xáo, người ta tim cách xây đựng mô hình động cho nevral Thực

tế, khi có kích thích đâu vào, thế năng của mảng membran tăng dân lên cho dù ngay tại thời điểm được kich thích vẫn chưa có đáp ung dau ra Hoan toàn tương tự, khi kích thich mat đi thì neural cũng không thể trở về ngay trạng thái cân bằng cũ mà sự trở về điển ra cũng đân đần như một cgá trình lên tục theo thời gian Quá trình đó có thế mô

tả qua phương trình vi phân bậc nhất

Tẻ() + cŒ) — e; = n()

Trong đẻ cụ là thể năng của màng membran ở trạng thái không bị kích thích Đó là

phương trình động học của một khâu quán tính bậc nhật với hằng số thời gian quán

tinh 7 Khâu tạo chức năng đáp ứng kiểu nảy con có tên là BSB

Tiên cạnh khâu tạo đáp ứng e kiểu tuyến tính và kiểu IS còn tổn tại các kiểu khâu theo kiêu gián đoạn Thuộc nhóm khâu kiểu gián đoạn có khâu tạo đáp ứng theo ham

Khau tạo đáp ứng £ Giá tri đầu ra ø của một ncural biểu diễn trạng thái kích thích đến các ngural tiếp theo trong mang Tín hiệu ra ø phụ thuộc vào độ kích thích của netral, thông thường được so sánh theo kiêu cắt ngưỡng Quan hệ nảy được mô tả qua

khâu tạo đáp ứng ƒ của mö hình netral Thông thường giá trị ra a phải thay đổi liên tục theo sự thay đối của tiến đáp ímg c hoặc không thay đối nẻu c nhỏ hơn giá trị

ngưỡng Sự thay đổi này là đồng biến monoton) Có rãi nhiều phương pháp xây dựng

khâu tạo dáp ung f

Tuất phát từ quan điểm logic kinh điển, có thể coi neural như một phản tử làm việc

theo nguyên tắc đóng mô, tức là chí tổn tại hai wang thar neural tích cực (bị kích thích) và ở tạng thái không tích cực, ta tạo được khâu tạo đáp ứng ƒ đơn giản nhất

Khu tạo đáp ứng trong trường hợp này có thể biểu điển dưới dạng hàm bậc thang,

_ _ ([OkRic < cq

2= =[T pc Xe,

Với bước nhảy tại thời điểm £ = cạ, giả trị đầu ra 4 có thê là một hằng số nào đỏ không nhất thiết phái là 0 hoặc 1 Giả trị cạ chỉnh la ngưỡng quyết định trạng thải của

neural (bi kích thích hay không bị kích thích)

Thông thường sự chuyên đổi trạng thái của neimal từ không tích cực sang tích cực

và ngược lại là quả trình liên tục Quá trình chuyển doi nay có thé so sảnh với qua trình chuyến đổi từ tập rõ sang tập mờ, đó là quả trình chuyển đổi trơn từ giá trị 0 sang

giá trị 1 Một trong những khâu mô tả dược qua trình liên tục dé la khdu sigma biéu

điển dưới dang ham Fermi:

1

a= fley= 1t+e<

2.2.2.2, Cấu trúc mang neural

Ta cơi neural như ruột hệ MISO truyền dal va xử lý tín hiệu Đặc tính truyền đạt

của neural phân lén là đặc tính truyền đạt tĩnh, chỉ khi chọn khâu chức năng đáp ứng kiểu BSB thi lúc đó neural có đặc tính động Trong một số trưởng hợp đo đặc tính phí

tuyển của khâu tạo chức năng ra kết hợp và/hoặc với đặc tuyển phí tuyến của khâu tạo

chức năng đáp mg mã netral là một hệ có đặc tính phi tuyến mạnh

Tiên kết các đầu vào ra của nhiều neural với rau ta được một mạng neurai Việc

ghép nổi các ncural trong mạng với nhau cỏ thể theo một nguyên tắc bắt kỳ nảo dó, vi

vẻ nguyên tắc một nerral là một hệ MISO Từ đó có thẻ phân biệt các loại neural khác

17

nhau như các loại ngural má các đầu vào và nhận thơng tin từ mơi trường bên ngồi

với các loại neural mả các đầu vào được nổi với các neural khác trong mạng Các

Tieural trà đầu vào giữ chức năng nhận thơng tín từ mơi trường bên ngồi đơng vai Irị

là “dẫu váo” của mạng, Cũng tương tự như vậy, một neural cĩ một đầu ra, dâu ra của neural này cĩ thể là đầu vào của nhiều neural khác hoặc cĩ thẻ dua ra mơi trường bên ngoai Nhing neural cé đầu ra đưa tín hiệu ra nuơi trường bên ngồi gọi là “dẫn ra” của

xnạng Nhu vậy một mạng neural cũng cĩ chức năng của một hệ truyền đạt và xử lý tin

hiện từ đầu vảa đến đầu ra của mạng Các nerral trang một mạng thường được chọn

cũng một loại, chúng được phân biệt với nhau qua vector hằm trọng lượng ở đầu vào

TW

Nguyên ly tao mang neural bao gồm nhiễu lớp, mỗi lớp bao gồm nhiều neural cỏ

cùng một chức năng trong mạng Trong Hình 2 4 là một mơ hình mạng neural ba lớp

với 6 neuuaL Mạng cĩ ba dau vào x1, x2, X; và một đầu ra y Các tin hiệu đầu vào

được dua dén 2 neural dau vao, 2 neural nay lam thành lớp đầu vào của mang (input

layer) Cac neural trong lop nay được gọi là neural đầu vào Dầu ra ota cde neural nay được dưa đến dẫu vào pủa 3 nguraÏ tiếp theo, 3 neural này khơng trực tiếp tiếp xúc với

mơi trường xung quanh và làm thành lớp trung gian trong mang (hidden layer), Các

neural trong lớp này cĩ tên là neural nội hay neural bị che Dầu ra của các nieural này được đưa đến một rietzal đưa lín hiệu ra mơi trường bên ngồi Ngural trong lớp đầu ra này cĩ tên là neural đầu ra (output layer)

Mạng ncural được xây dựng như trên là mạng gồm ba lớp mắc nói tiếp nhau đi từ

rong mạng không tổn tại bết kỳ một mạch hỏi tiếp nào kế cả hỏi

Mang neural bao gém một hay nhiều lớp trung gian được gọi là mạng MLP

(Multilayer Perceptrons Network) Cén mang chi cé mét lép, viza 1a lớp vào vừa là lớp trung gian và cũng là lop ra thi mang đó có lên là mạng ruội lớp

Mang neural có cầu trủc mạng ghép nỗi hoàn toản, tức là bất cử một neural nào

trong mạng cũng được nỗi với một hoặc vai neural khác Trong trường hợp cáo neural

trong mạng: có khâu tạo chức nẵng, đáp ứng là khâu tuyến tính Tỉnh phí tuyến chỉ nằm

ở khâu tạo chức năng ra thì việc mắc nếi tiếp các neural trong mang không còn có ý nghĩa nữa và lúc đó ta hoàn toàn có thẻ thay thế mạng netral nhiều lớp thảnh mạng

neural một lớp,

Hình 2.5 - Cau tric mang neural

@) Mang truyén thing mét lop; b) Mang hi tiép mit lap

g Mạng MLP truyền thẳng; d) Mạng MLP hải tiệp

19

Và dặc tính của mang neural người ta chúa ra làm ba loại mạng neural déng hoc

tuyển tỉnh, phi tryén tinh hay động học và phi tuyến

2.2.2.3 Mang neural dong hoc tuyén tinh

Mang neural động học tuyển tính có thẻ bao gòm nhiều lớp với hàm truyền là ham

tuyến tính pzafin nhưng trong đó phải có ít nhất một khẩu trễ Trang điển khiến tự

ng neural cé dấu trủơ càng đơn giãn càng lối, tức là số lớp va sé neural ong:

mỗi lớp cảng ít càng tốt Ở dây trình bảy cau tric mét mang neural déng hoc tuyén

tỉnh đơn giản nhất, nhưng hiệu quả trong nhận đạng, đôi tượng

Mang neural déng học tuyển tính dơn giãn có sơ đỗ cầu trúc như Hình 2.6 Đây là mạng neural đặc biệt chỉ cô một neural duy nhất, với một đầu vào được đưa qua các

khâu trễ và dau ra cia neural được phản hỏi trở lại đầu vao sau khi đưa qua các khẩu

Nhu vay m,n sé thé hién cau trúc của mạng neural động học tuyết

nói câu trúc của mạng neural động học tuyến tỉnh nảy 1a (m,n) Sau khi huần luyện mạng neural nảy, nẻu cáo trong sé iw,, = Ö và lw,; = Oveit = (p+ 1).m, j= GA

thì ta có thế kết luận rằng câu trúc của mang neural sé 14 (p, g) Dây chính là điều kiện

để ta có thế xác định được cầu trúc của đổi tượng điều khiến có đặc tính động học trong quả trình nhận dạng bằng mạng neural

20

2.2.2.4 Mang neural phi tuyén nh

Mang neural phi tuyén tinh 14 mang neural cé câu trúc nhiều lén trong đó có ít nhất

là một lớp với hảm truyền là hàm phí tuyến và không chứa một khâu trễ não Sơ đã cấu trúc một mang neural phi tuyén tinh đơn giản như Hình 2.7

Hình 2.7- Mang neural có đặc tỉnh phi tuyến tĩnh

Mang neural cd cau lrúc báo gồm 3 lớp: lớp vào gồm @ ncural với hẻm Iruyễn tansig, lop ẫn g4m 7 neural voi ham truyền #øøsig, lớp ra gồm có | neural voi ham truyén purelin

Khối IW1 là một ma trận các trọng số liên kết giữa đầu vào thứ nhất với lớp vào

có kích thước q X 1, tie la ma tran IW" có q hàng vá 1 cột

Khối LW?T là một ma trận các trọng só liên kết giữa dầu ra của lớp vào với các neural lớp ân cỏ kich thước r hảng, và g cột

Khối LW?* là một ma trận các trọng số liên kết giữa dầu ra của lớp an với neural

lởpra có kích thước 1 hàng và 7 cội

Các hàm truyền trong cùng một lớp đều giống nhau

Khối bạ,bạ,bạ là các tham số bù, có số hàng bằng số neural trong lớp trong img

Mang neural phi tuyén tinh duge dimg đề nhận đạng đổi tượng phi huyền tĩnh

2.2.2.5 Mạng neural động hoc phi tuvén

Mang neural động học phi tuyển lả mạng neuraÌ gồm nhiều lớp cỏ ít nhất một ham

truyền là phi tuyển và cỏ các khâu trễ Dây là một loại mạng neural mà quan hệ vao ra

của nó không những không tuân theo nguyên lý xếp chẳng mà cón thể hiện cả đặc tính động học, do có cầu tric mang phic tap hon mang neural động học tuyến tỉnh va phi

21

tuyển tĩnh nên việc huấn huyện mạng cùng khỏ khăn hơn Hình 2.8 thể hiện một mạng, neural động học phi tuyến đơn giãn

Hình 2.9 - Cấu trúc cửa các khổi LDLn và IĐLy

Khau TDLu được gọi là khâu trễ đầu vào, có l dau vao vam + 1 đầu ra lần lượt

bị trễ 0,1,2 7n nhịp Khâu TDLy được gọi là khâu trễ đầu ra hay trễ phản hỏi, có L

đầu vào và ñ đâu ra lần lượt bị trễ 1,2 n nhịp

ý đến việc chọn sẻ nhịp trễ thích hợp,

§ lam tăng thêm cột trong, ma trận trọng số đồng thời sẽ làm tăng số

Trong khi chọn câu trúc mạng neural cân chú

Như vậy khi đùng mang neural ta có gắng giảm số nhịp trễ dến mức ít nhất có thể,

có nghĩa là khi chưa biết cảu trúc thì chọn số nhịp trễ nhỏ nhất, sau đỏ tăng dẫn số

nhịp sai lệch con chưa đạt yêu gẫu

Khối IWT! là một ma trận các lrọng số Hiên kết giữa đầu vào thứ nhất với lớp vào

có kinh thước 4 hàng và mm + 1 cột

Khối LW?† là một ma trận các trọng số liên kết giữa đầu ra của lớp vào với các neural lap 4n có kích thước r hàng và q cột

Khối LW®? là mot ma tran ede trọng số liến kết giúa đầu ra của lớp ẩn với neural

lớp r có kinh thước Ì hàng và r cội

Khối LWT là một ma tậu các trọng số liền kết giữa đầu ra của lớp ra với các

noural lớp vào có kích thước đ hàng và ø cội

Các hàm truyễn ƒ trong cùng một lớp đều giống nhau Tớp vào và lớp ấn cùng là

tansig, lop ra st dung ham purelin

Khối bạ, bạ,bạ là các tham sé bù, có số hàng bing sé neural trong lớp tương ứng

và có số cột bằng một

Một cách tổng quát, cầu true mang neural dong học và phí luyễn là giống như trên, nhưng số lớp của mạng có thể lớn hơn hoặc ít hơn và phải có khâu trễ, Có thể là trễ đầu vào, trễ đầu ra hoặc Irễ trung gian trong các lớp ẩn

Nhìn vào cấu trúc mang neural này ta thấy nó là một hệ dộng học phi tuyến Tỉnh động học của mạng được thẻ hiện ở các khâu trễ đầu vảo, trung gian hoặc trễ phản hỏi Tinh phú tuyến được thể hiện ở các ham truyén phi luyến (amsig Như vậy mô hình mạng neural này có thể được sử dung dễ thay thé m6 hinh toán học của dối tượng có đặc tính động học và phí tuyến

Khi nhận đạng đổi tượng động học phi tuyến ta đừng mạng neural động học phi

tuyển Để mỏ hình mạng neural có cầu trúc hợp lý, đầu tiên ta nên chọn câu trúc mạng,

đơn giản nhất, tức là có hai lớp và không có lớp ấn Mặt khác vì đổi tượng xét ở đây có

số lượng tham sỏ của mạng Cho nên cấu trúc của mang ban dau phải chon don giản nhất có thể, sau đỏ thay đổi số neưral và số nhịp trễ nêu như sai lệch còn chưa đạt yêu

cần

Dựa trên cơ sở mồ tả toàn học của dỏi tượng †a có thể xác định được bậc tương dỗi của nó, trên cơ sở đó sẽ xác định được số nhịp trễ tôi thiểu của mạng neural

3.2.3 Phương thức lam việc cũu mạng neural

Phương thức làm việc của mạng neural nhân tạo cỏ thế chia ra làm hai giai đoạn:

-_ Tự tái tạo lại (reproduction), -_ Giai đoạn học (leaming phase)

Ở một mạng neural có cầu trúc bên vững có nghĩa là vector hàm trọng lượng đâu

vào, khâu lao đáp ứng và khâu tạo tín hiệu đẫu ra ô định không bị thay đổi về mặt

câu trúc cũng như tham sẻ thì mạng có một quá trình truyén đạt xác định chắc chắn,

tính hoặc động phụ thuộc vào cầu tạo của các neural rong mạng, Ở đầu vào của mạng xuất hiện thông ti thi tại dầu ra cũng xuất hiện một dap ứng tương ứng Đối với mạng,

neural có quá trình truyền đạt tĩnh, đáp mg đầu ra xuất hiện ngay khi đầu vào xuất

tiện thông tín, côn đối với mạng neural có quá trình truyền đạt động thì phải sau một thời gian quá dộ ở dầu ra của mạng, neual mới xuất hiện dap ứng, Xuất phát tử quan điểm mọi đáp ứng của neural đều tiên định tự nhiên, cỏ nghĩa là khi xuất hiện các kích thích ở dầu vào cia mang ð các thời điểm khác nhau các giá Irị như nhau thì dập ứng 3 đầu ra ở các thời điểm tương ứng cũng hoản toàn giống nhau Quá trình làm việc như

vậy của một mạng netral được gọi lä quá trình tái diễn lại (reproduction phase) Khi

có thông tin ở dẫu vào mạng lưu giữ thông tin đó và dựa trên các trí thức của mình đưa

ra dap ung ở đầu ra phú hợp với lượng thông tin thu được từ đầu vào

224 Phương pháp huắn luyén mang neural

Mạng neural khi mới hình thành còn chưa có trì thức, trì thức của mạng hình thành

đần sau một quá trình hoc (learning process) Mang neural có thể được huấn luyện bằng hai phương pháp là học câu trúc và học tham số Trong lĩnh vục diều khiển,

chúng ta thường sử đựng phương pháp học tham sổ với ba phương pháp học khác nhau

-_ Học có thầy

-_ Học cưỡng bức

24

- Hoc không có thây Luận văn sẽ sử dụng phương pháp học có thấy để huấn luyện mạng Phương pháp

được thực hiển như sau

Mạng neural dược dạy bằng cach dưa vào dâu vào những kích thích và mạng hình

thành những đáp ứng tương ứng, những đáp ứng phù hợp với từng loại kích thích sẽ dược lưu giữ, giai doạn này được gọi là giai doạn học của nung Các tác động đầu vào

đó là hàng loạt các tác động x(),k = 1,2, có khả năng lặp lại trong quả trình mạng,

làm việc Những táo động này được gọi la tác động mẫu Các đáp ứng ÿ(K) đối với tác động vảo mẫu được so sánh với cáo đáp ứng mẫu y(È) chọn trước và các phần tử của

vector trọng số w được hiệu chính sao cha sai lệch giữa dau ra của mạng với mẫu là

nhỏ nhật Quá trình chỉnh định này sẽ được thực hiện cho đến khi đạt đến sai số mong,

muốn nào đỏ Mạng lúc này đã có dược một đáp ứng dẫu ra hoàn toàn phủ hợp với tắc động rẫu đầu vào và két qua nay sẽ được lưu giữ trong mạng, vá đó cũng chỉnh là trị

mo cho sau mỗi bước học giá lrị của

đích E theo các phẩn tử trong veclor trong số W,

F giảm dần đi Thông thường, việc giải bài toán tối ưu kiểu này được thục hiện theo phương pháp chuyển dộng dến cực trị hay còn gọi là phương pháp truy héi qua nhiều

bước

22.41 Thuật toán lan truyền ngược cho mạng percepiron nhiều lớp

Ap dung cho bải toàn nhận dang, ta sử dụng mạng perceptron hai lớp như Hinh 3.10 Thuật toán thường sử dụng cho mạng perceptron nhiều lớp dựa trên thuật toán

ngược hướng gradient nhằm tối thiểu hóa hàm mnục tiêu:

25

đị, là dầu ra mẫu với dầu vào thứ q

Unk 2.10 - Cau tric mang neural MLP 2 lép

Sử dụng thuật toàn ngược hướng gradient, phuong phap kuin huyện cho các trọng,

sẽ mỗi lớp là:

(s) GE,

nt

Với ý = 1,2 là chỉ số tương ứng cho từng lớp, #'®) > 0 lả thông số huấn luyện

Công thức cập nhật trọng số cho lớp 2 như sau:

26

‘Thut toan lan truyén nguos cé thé duge tém tit thanh cac bude như sau:

Bước 1: Khởi tạo các trọng số của mạng với các giá trị nhỏ

Bude 2: Ti tập các cặp vào/ ra, dưa một bộ đầu vào vá tỉnh đáp ứng của mạng

Bước 3: Dâu ra mẫu được so sánh với đáp img ra của mạng, tính ra các giá trị

xác cần thiết đổi với bắt kỳ một bộ số đầu vào nào

Tw các bước trên †a thầy một vấn đề đó là khi khởi tạo cáo giá trị ban đâu cho các

trong 36 mang neural Cac trong sé cia mang duoc khởi tạo với giá trị nhỏ ngău nhiên Chúng đủ nhỏ để cho mạng huấn luyện không bắt đầu từ điểm trong không gian sai số

27

xà sẽ đẫn chung tới quá trình bão hòa Thông thường, thuật toán khởi tạo cho các

trọng số lả các giá trị nằm trong khoảng -0.5/fan in tới Ú.5/fan im với fan in là tổng số

neural trong lớp chứa các trọng số đó

2.2.4.2 Thudl todn Levenberg - Marquart

Dặc điểm chỉnh của bài toán là đi tìm vector w € R2 *1 làm cho tôi thiểu hàm năng

nong E(w): R**! > R* Theo phương pháp Newton, phương pháp lặp để tối thiếư hóa hàm nầng lượng cần tuân theo các bước sau

Bước T: Khôi tạo các [hành phần của veclor w với các giá lrị tùy ý

-Bước 2: Cập nhật vector W:

Trong 46, ma tran Hz? € R** là ma trận nghịch đảo của ma trận Hassian Ma

trận Hessian cho bởi:

820w) 4?RE0w) â*£(@w}

aw? Đưa, Bưyg

dew) J? E(w) a7 Eww)

Pe) Ew) 82r(w)

dwyw, Øwwwa "” awh

Va tai các giá trị w = w(k), vector gy € RY* là gradieni của hàm mỗng lượng:

ly va Ta kii tinh oma trận nghịch đão của ma trận Hessian Mặc dù

cỡ của mạng là không lớn nhưng độ phức tạp của nó làm hạn chẻ tính ứng đụng Thuật toán Levenherg-Marquardt (LM) dua ra phuong pháp suy biến của phương pháp Newton Muc dính của thuật toán TM là tìm ra bộ Irọng số dễ tối thiểu hóa sai số giữa đầu ra mẫu và đầu ra mạng neural với tắt cả bộ số dầu vào của tập huấn luyện Nếu số

bộ đầu vào lá hữu han, hàm năng lượng được viết lại là

Trong đó q là tổng số tập dầu vào tham gia huấn luyện Theo phương pháp Newton, tập trọng số tối tu làm cực tiểu hàm năng lượng trên có thể tìm dược nhờ

He J'J 231)

Thay thé (2.31) va (2.26) vao (2.23)

Một vấn đề với phương, pháp lập cho ở (2.32) dò là ma trận nghịch đảo của H

J7J, nó có thể không tổn tại Có thể sử dụng phương pháp tính ma trận giả nghịch đảo

nhưng khối lượng tính toán sẽ rất lớn Dơn giản nhất là ta sưy

én nó đi một chút:

ø là số rất nhỏ và [ € ##*# là ma trận đẳng nhất Thay thế (2.33) cho (2.32) ta sẽ

có thuật Loán cập nhật T,evenherg - Marquart

wÉt + 1) = wk) — ede + Hell Tex (2.34)

‘Van dé quan trọng nhất của thuật toán LIM 1a tinh ma tran Jacobian J(w)

'Lhuật toản Levenberg - Marquardt có thể tóm lược lại thánh các bước như saư

Bước 1: Khổi tạo các trọng số của ng với các giá trị nhỏ tùy ý,

Buse 2: Cho một bộ dầu vào, tính dẫu ra của mạng,

Bước 3: Sử dụng công thức (2.27) để tính ma trận Jacobian tuong ứng với mỗi cặp

vào ra,

“Bước 3: Khi cặp vào/ ra cuối củng được đưa vào mạng, sử dụng (2.34) để cập nhật

trọng số của mạng,

Bước 5: Dừng thuật toán nêu thấy hội tụ; nêu không quay lại bước 2

2.3 Nhận đạng đối tượng sử dụng mô hình mạng neural