nghiên cứu ứng dụng bộ điều khiển narma - l2 vào thiết bị lái tự động vào góc bay của máy bay boeing

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn DANH MỤC CÁC CHỮ VIẾT TẮT, TIẾNG NƯỚC NGOÀI 3 Artificial Neural Networks Mạng nơron nhân tạo 4 Back Propa

Trang 1

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn

BÙI THỊ THU PHƯƠNG

THÁI NGUYÊN - 2010

Trang 2

ĐẠI HỌC THÁI NGUYÊN TRƯỜNG ĐẠI HỌC KỸ THUẬT CÔNG NGHIỆP

LUẬN VĂN THẠC SĨ KỸ THUẬT

NGHIÊN CỨU ỨNG DỤNG BỘ ĐIỀU KHIỂN NARMA-L2 VÀO THIẾT BỊ LÁI TỰ ĐỘNG GÓC BAY CỦA MÁY BAY BOEING

Ngành : TỰ ĐỘNG HÓA

Cán bộ hướng dẫn khoa học: TS PHẠM HỮU ĐỨC DỤC

THÁI NGUYÊN - 2010

Trang 3

Trang 4

LỜI NÓI ĐẦU

Trong hệ thống điều khiển hiện đại, có rất nhiều phương pháp điều khiển đảm bảo tốt chất lượng điều khiển Trong điều khiển tự động, để điều khiển chính xác đối tượng khi chưa biết rõ được thông số, trước tiên ta phải hiểu rõ đối tượng đó Đặc biệt đối với các đối tượng phi tuyến ta cần nhận dạng được đặc tính vào - ra của nó để đảm bảo tạo ra tín hiệu điều khiển thích nghi được lựa chọn chính xác hơn Những bộ điều khiển hiện đại thường được sử dụng như lôgic mờ, mạng nơron, mạng nơron mờ để nhận dạng và điều khiển thích nghi hệ thống phi tuyến Ngày nay trên thế giới người ta dựa vào cấu trúc mạng nơron sinh vật để làm mạng nơron nhân tạo áp dụng vào các ngành khoa học kỹ thuật

Trong thời gian của khoá học cao học, chuyên ngành Tự động hoá tại trường Đại học Kỹ thuật Công nghiệp Thái Nguyên, được sự tạo điều kiện giúp

đỡ của nhà trường và Tiến sĩ Phạm Hữu Đức Dục em đã lựa chọn đề tài của

mình là: “Nghiên cứu ứng dụng bộ điều khiển Narma - L2 vào thiết bị lái tự động góc bay của máy bay BOEING” Trong quá trình thực hiện đề tài, được

sự hướng dẫn nhiệt tình của Tiến sĩ Phạm Hữu Đức Dục, sự giúp đỡ của bạn bè cùng với sự nỗ lực, cố gắng của bản thân đến nay bản luận văn của em đã hoàn thành Dù đã có nhiều cố gắng, xong bản luận văn vẫn không tránh khỏi những thiếu sót và hạn chế, em rất mong nhận được sự góp ý của các thầy để bản luận văn của em được hoàn thiện hơn

Em xin trân trọng cảm ơn!

Trang 5

MỤC LỤC Lời cam đoan Trang Mục lục

Danh mục các chữ viết tắt, tiếng nước ngoài

Danh mục các hình vẽ, đồ thị

PHẦN MỞ ĐẦU 1

CHƯƠNG I TỔNG QUAN VỀ MẠNG NƠRON NHÂN TẠO 3

1.1 Các loại mô hình cấu trúc mạng nơron 3

1.2 Các tính chất của mạng nơron 5

1.3.Các luật học 5

1.3.1 Học có giám sát 6

1.3.2 Học củng cố 6

1.3.3 Học không có giám sát 7

1.4 Ứng dụng của mạng nơron trong nhận dạng và điều khiển 11 1.4.1 Các vấn đề chung 11 1.4.2 Mô tả toán học của đối tượng ở rời rạc 11 1.4.3 Ứng dụng của mạng nơ ron trong nhận dạng 13

1.4.3.1 Mô hình nhận dạng song song 14

1.4.3.2 Mô hình nhận dạng nối tiếp - song song 16 1.4.4 Ứng dụng của mạng nơron trong điều khiển 17 1.4.4.1 Bộ điều khiển ổn định 18

1.4.4.2 Điều khiển ngược thích nghi 18

1.4.4.3 Mô hình điều khiển phi tuyến 19

Trang 6

1.4.4.5 Điều khiển thích nghi theo mô hình mẫu hoặc điều khiển 21

nơron thích nghi

1.4.4.7 Phản hồi tuyến tính hóa phản hồi thích nghi dùng mạng nơron 23

1.4.4.8 Điều khiển thích nghi trực tiếp ổn định 24 CHƯƠNG II CÁC MÔ HÌNH CỦA MẠNG MỜ NƠRON TRONG 29 MATLAB VÀ ỨNG DỤNG TRONG NHẬN DẠNG VÀ ĐIỀU KHIỂN

2.1 Giới thiệu Simulink neural toolbox của matlab 29

2.1.1 Khối các hàm chuyển đổi 29

2.2 Các mô hình ứng dụng của Matlab trong điều khiển 31

2.2.1 Bộ điều khiển dự báo sử dụng mạng nơron 33

CHƯƠNG III ỨNG DỤNG BỘ ĐIỀU KHIỂN NARMA - L2 VÀO 57 THIẾT BỊ LÁI TỰ ĐỘNG GÓC BAY CỦA MÁY BAY BOEING

3.2 Ứng dụng bộ điều khiển NARMA - L2 vào thiết bị lái tự động 60 góc bay của máy bay Boeing

Trang 7

3.2.3.1 Kết quả mô phỏng ở giai đoạn nhận dạng 67

3.2.3.2 Kết quả mô phỏng ở giai đoạn điều khiển 69 CHƯƠNG IV: KẾT LUẬN CHUNG VÀ KIẾN NGHỊ 73

Trang 8

DANH MỤC CÁC CHỮ VIẾT TẮT, TIẾNG NƯỚC NGOÀI

3 Artificial Neural Networks Mạng nơron nhân tạo

4 Back Propagation Learaning Rule Luật học lan truyền ngược

6 Fuzzy Neural Networks Mạng nơron mờ

7 Single Layer Feedforward NetWorks Mạng truyền thẳng một lớp

8 Multilayer Feedforward NetWorks Mạng truyền thẳng nhiều lớp

12 Laterat feedback network Mạng phản hồi bên

14 Lateral-inhibition network Mạng cấu trúc ngang - hạn chế

17 Parameter learning rules Luật học thông số

18 Structure learning rules Luật học cấu trúc

19 Hybrid learning rules Luật học lai

21 Transfer Function Khối các hàm chuyển đổi

22 Net Input Functions Khối đầu vào

23 Weight Functions Khối các hàm trọng số

24 NN Predictive Control Mô hình điều khiển dự báo

26 Model Reference Control Điều khiển theo mô hình mẫu

27 Nonlinear Autoregressive-

MovingAverage - NARMA

Mô hình trung bình trượt-phi tuyến tự hồi quy

Trang 9

DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ

STT Ký hiệu Diễn giải tên hình vẽ

1 Hình 1.1a Mạng nơron truyền thẳng một lớp

2 Hình 1.1b Mạng nơron truyền thẳng nhiều lớp

3 Hình 1.1c Mạng nơron chỉ có một nơron tự hồi quy

4 Hình 1.1d Mạng nơron hồi quy một lớp

5 Hình 1.1e Mạng có cấu trúc ngang - hạn chế

6 Hình 1.1f Mạng nơron hồi quy nhiều lớp

12 Hình 1.5 Mô hình nhận dạng song song

13 Hình 1.6 Cấu trúc của mô hình nhận dạng cho đối tượng phi tuyến

dạng 3 sử dụng các mạng nơron N1

và N2

14 Hình 1.7 Mô hình nhận dạng nối tiếp - song song

15 Hình 1.8 Bộ điều khiển ổn định

16 Hình 1.9 Hệ thống điều khiển ngược thích nghi

17 Hình 1.10 Mô hình điều khiển phi tuyến

18 Hình 1.11 Mô hình điều khiển dự báo

19 Hình 1.12 Điều khiển thích nghi theo mô hình mẫu

20 Hình 1.13 Mô hình đánh giá thích nghi

Trang 10

24 Hình 2.1 Các khối trong Neural Network Toolbox của Matlab

25 Hình 2.2 Khối các hàm chuyển đổi

26 Hình 2.3 Khối đầu vào

27 Hình 2.4 Khối các hàm trọng số

28 Hình 2.5 Khối các bộ điều khiển

29 Hình 2.6 Sơ đồ nhận dạng đối tượng

30 Hình 2.7 Sơ đồ cấu trúc mạng nơron nhận dạng đối tượng

31 Hình 2.8 Sơ đồ điều khiển theo mô hình dự báo

32 Hình 2.9 Mô hình bể chứa phản ứng có khuấy

33 Hình 2.10 Sơ đồ bộ điều khiển dự báo dùng mạng nơron điều khiển

bể chứa phản ứng có khuấy

34 Hình 2.11 Cửa sổ khối Neural Network Predictive Controller

35 Hình 2.12 Cửa sổ nhận dạng đôi tượng

36 Hình 2.13 Bộ dữ liệu huấn luyện

37 Hình 2.14 Đáp ứng của mô hình đối tượng sau quá trình huấn luyện

38 Hình 2.15 Đồ thị tín hiệu đầu ra đối tượng và tín hiệu mẫu

39 Hình 2.16 Cấu trúc của mạng nơron nhận dạng

40 Hình 2.17 Mô hình NARMA-L2

41 Hình 2.18 Mô hình NARMA-L2sau khi đã nhận dạng được đối

tượng, sử dụng trong bước điều khiển tìm tín hiệu điều

Trang 11

khiển u

42 Hình 2.19 Mô hình nam châm điện

43 Hình 2.20 Cửa sổ mô hình khối bộ điều khiển NARMA - L2

44 Hình 2.21 Cửa sổ khối nhận dạng đối tượng

45 Hình 2.22 Đồ thị tín hiệu đầu ra đối tượng và tín hiệu mẫu

46 Hình 2.23 Mô hình mạng nơron mô tả đối tượng và bộ điều khiển

dùng mạng nơron đã được cài đặt trong Neural Network Toolbook

47 Hình 2.24 Mô hình tay máy một khâu

48 Hình 2.25 Khối điều khiển tay máy một khâu theo mô hình mẫu sử

dụng mạng nơron

49 Hình 2.26 Khối Model Reference Control

50 Hình 2.27 Đồ thị dữ liệu vào ra của quá trình huấn luyện bộ điều

khiển

51 Hình 2.28 Đồ thị đáp ứng vòng kín của hệ thống sau quá trình huấn

luyện

52 Hình 2.29 Đồ thị tín hiệu đầu ra của đối tượng và tín hiệu mẫu

53 Hình 3.1 Mô hình động học của máy bay

54 Hình 3.2 Sơ đồ ứng dụng bộ điều khiển NARMA-L2 là thiết bị lái

tự động điều khiển đối tượng là góc bay 

55 Hình 3.3 Cấu trúc của hai mạng nơron nhận dạng hàm f(.) và hàm

g(.)

56 Hình3 4 Mô hình NARMA-L2sau khi đã nhận dạng được đối

tượng, tính toán tín hiệu điều khiển trong giai đoạn điều khiển

Trang 12

57 Hình 3.5 Sơ đồ trên MATLAB Simulink ứng dụng bộ điều khiển

NARMA-L2 đóng vai trò là thiết bị lái tự động điều khiển góc bay  của máy bay

58 Hình 3.6 Tín hiệu vào  ở dạng ngẫu nhiên trong giai đoạn nhận

Trang 13

PHẦN MỞ ĐẦU

1 Tính cấp thiết của đề tài:

Máy bay là phương tiện bay hiện đại, cao cấp, ngày nay đóng vai trò không

thể thiếu trong kinh tế và đặc biệt trong quân sự Máy bay là phương tiện hiện

đại đòi hỏi đảm bảo kỹ thuật rất khắt khe vì các tai nạn máy bay thường gây thiệt

hại rất lớn về nhân mạng và tài sản Một trong những đối tượng quan trọng cần

điều khiển tự động trên máy bay là góc bay Đây là đối tượng khó điều khiển vì

phương trình động học của nó có dạng phi tuyến Yêu cầu đặt ra đối với thiết bị

điều khiển góc bay là cần tạo ra được tín hiệu điều khiển bảo đảm góc bay của

máy bay bám theo được góc bay mong muốn với độ chính xác cao Vì vậy vấn

đề đặt ra là cần trang bị cho máy bay một thiết bị lái tự động để điều khiển góc

bay của nó bám theo được góc bay mong muốn với độ chính xác cao mà không

cần có người điều khiển Mạng nơron được xây dựng mô phỏng theo cấu trúc

của bộ não con người với các luật học hữu hiệu, chúng có khả năng học bộ dữ

liệu vào-ra của đối tượng phi tuyến nhiều vào-nhiều ra (MIMO) với độ chính xác

cao Hiện nay nó đang được ứng dụng nhiều vào các lĩnh vực nhận dạng, nhận

mẫu và điều khiển Trong chương trình khoá học Cao học chuyên ngành Tự

động hoá tại trường Đại học Kỹ thuật Công nghiệp Thái Nguyên, được sự tạo

điều kiện giúp đỡ của nhà trường và Tiến sĩ Phạm Hữu Đức Dục, em đã lựa chọn

đề tài tốt nghiệp của mình là: “Nghiên cứu ứng dụng bộ điều khiển Narma L2

vào thiết bị lái tự động góc bay của máy bay BOEING”

2 Ý nghĩa khoa học và thực tiễn của đề tài

a Ý nghĩa khoa học:

Trang 14

Điều khiển tự động đóng vai trò quan trọng trong sự phát triển khoa học

và kỹ thuật Lĩnh vực này hữu hiệu khắp nơi từ hệ thống điều khiển tên lửa, máy bay không người lái, người máy, tay máy trong các quy trình sản xuất hiện đại,

và ngay cả trong đời sống hàng ngày: điều khiển nhiệt độ, độ ẩm… Phần lớn việc thiết kế điều khiển góc bay cho máy bay từ trước tới nay thường được dựa trên lý thuyết điều khiển tuyến tính Theo đó, các yếu tố phi tuyến, bất định trong

mô hình động học của máy bay được bỏ qua và động học của máy bay được xấp

xỉ bằng các mô hình tuyến tính Sự phát triển của không quân ngày nay, với tốc

độ bay lớn, sức động cơ mạnh v.v đã tạo ra thách thức trong vấn đề nâng cao

độ chính xác thiết kế bộ phận điều khiển tự động góc bay của máy bay Do đó đề tài sẽ đề cập tới việc ứng dụng bộ điều khiển Narma -L2, bộ điều khiển trung bình trượt, phi tuyến tự hồi quy L2 vào trong thiết bị lái tự động điều khiển góc bay của máy bay Boeing

b.Ý nghĩa thực tiễn

Kết quả nghiên cứu của đề tài có thể làm cơ sở cho việc thiết kế các hệ thống điều khiển máy bay trong nước, đặc biệt làm tài liệu hỗ trợ cho việc học tập của sinh viên

3 Mục đích của đề tài

Nghiên cứu ứng dụng mạng nơron trong quá trình nhận dạng và điều khiển hệ thống phi tuyến nói chung Đặc biệt nghiên cứu sâu hơn về việc ứng dụng bộ điều khiển NARMA - L2 nhận dạng hệ thống được điều khiển, làm cơ

sở cho việc tạo ra tín hiệu điều khiển thích nghi được lựa chọn chính xác

Luận văn này được chia làm bốn chương:

Chương1 Tổng quan về ứng dụng của mạng nơron trong nhận dạng và điều khiển

Trang 15

Trang 16

CHƯƠNG I TỔNG QUAN VỀ ỨNG DỤNG CỦA MẠNG NƠRON

TRONG NHẬN DẠNG VÀ ĐIỀU KHIỂN 1.1 Các loại mô hình cấu trúc mạng nơron

Mạng nơron bao gồm sự liên kết của nhiều nơron Đầu ra của mỗi nơron kết nối với các nơron khác thông qua các trọng số, hoặc tự phản hồi trở về đầu vào của chính nó

Cấu trúc của mạng nơron là kiểu kết nối hình học của mỗi nơron liên kết trong mạng, đây là đặc điểm quan trọng của từng mạng nơron, dựa vào đó tiến hành phân loại chúng Hình 1.1 mô tả một số loại nơron thường gặp

Hình 1.1a mô tả mạng truyền thẳng một lớp (single - layer feedforward networks) có đặc điểm tất cả các nơron đều nhận tín hiệu vào từ nguồn bên ngoài qua các biến trọng số và mỗi nơron đều cho ra một tín hiệu ra

Hình 1.1b mô tả mạng truyền thẳng nhiều lớp (Multilayrer feedforward networks) Lớp vào (Input layer) gồm các nơron nhận trực tiếp các tín hiệu vào lấy từ bên ngoài Lớp ra (Output layer) gồm các nơron có các tín hiệu ra, đưa ra bên ngoài mạng Lớp ẩn (hidden layer) gồm các nơron còn lại không nhận trực tiếp các tín hiệu vào lấy từ bên ngoài và không cung cấp tín hiệu ra cho bên ngoài mạng, nó chỉ có nhiệm vụ truyền tín hiệu từ các nơron ở lớp vào đến các nơron ở lớp ra Mạng nơron truyền thẳng nhiều lớp có một lớp vào, một lớp ra,

có thể không có hoặc có nhiều lớp ẩn Một mạng được gọi là liên kết đầy đủ nếu mỗi nơron ở các lớp trước liên kết với tất cả các nơron ở lớp ngay sau nó Mạng nơron ở (hình 1.1b) là loại mạng nơron truyền thẳng có 3 lớp, có liên kết không đầy đủ

Trang 17

Nếu mạng nơron có các tín hiệu đầu ra được đưa ngược trở lại đầu vào của các nơron ở các lớp trước nó hoặc chính nó thì mạng đó được gọi là mạng phản hồi (Feedback network)

Mạng phản hồi ở các vòng kín được gọi là mạng hồi quy (recurrent network) Hình 1.1c mô tả một loại mạng hồi quy đơn giản nhất, chỉ có một nơron có tín hiệu ra tự phản hồi về đầu vào của chính nó

Mạng một lớp có liên kết phản hồi như hình 1.1d có đặc điểm tín hiệu đầu

ra của mỗi nơron được đưa ngược trở lại đầu vào của chính nó hoặc của các nơron khác được gọi là mạng hồi quy một lớp

Hình 1.1e mô tả mạng cấu trúc ngang - hạn chế (Lateral-inhibition network), mạng này có 2 loại tín hiệu đầu vào khác nhau: các đầu vào kích thích (Exitatory inputs) ứng với các tín hiệu vào có gắn kí hiệu vòng rỗng (0) và đầu vào hạn chế (Inhibition inputs) với các tín hiệu vào có gắn kí hiệu vòng đặc ()

Hình 1.1 f mô tả mạng hồi quy nhiều lớp

Trang 18

x1

x2

xm

(f) (e) (a) Mạng nơron truyền thẳng một lớp (b) Mạng nơron truyền thẳng nhiều lớp (c) Mạng nơron chỉ có một nơron tự hồi quy (d) Mạng nơron hồi quy một lớp (e) Mạng có cấu trúc ngang - hạn chế (f) Mạng nơron hồi quy nhiều lớp 1.2 Các tính chất của mạng nơron Mạng nơron có một số tính chất sau đây: - Là hệ phi tuyến - Là hệ xử lý song song: mạng nơron có cấu trúc song song, do đó có tốc độ tính toán rất cao, rất phù hợp với lĩnh vực nhận dạng và điều khiển - Là hệ học và thích nghi: Mạng được luyện từ các số liệu quá khứ, có khả năng tự điều chỉnh khi số liệu đầu vào bị mất, có thể điều khiển on-line - Là hệ nhiều biến, là hệ nhiều đầu vào, nhiều đầu ra (MIMO) rất tiện dùng khi điều khiển đối tượng khi có nhiều biến số 1.3 Các luật học Mạng nơron sử dụng hai nhóm luật học: nhóm các luật học thông số (Parameter learning rules) và nhóm các luật học cấu trúc (Structure learning rules) Hình 1.1 Cấu trúc của một số loại mạng nơron thường gặp y1

y2

yn



Trang 19

Hai nhóm luật học trên có thể được áp dụng đồng thời (khi đó gọi là các luật học lai - hybrid learning rules) học cả cấu trúc và thông số, hoặc được áp dụng riêng rẽ

Sau đây trình bày các luật học thông số với các giả thiết:

Cấu trúc của mạng nơron gồm số lượng lớp nơron, số lượng nơron và cách thức liên kết của các trọng số có trong mạng đã hợp lý

Ma trận trọng số đã bao gồm tất cả các phần tử thích ứng

Nhiệm vụ của học thống số là đưa ra phương pháp nào đó để tìm ra ma trận trọng số điều chỉnh từ ma trận trọng số tùy chọn ban đầu với cấu trúc của mạng nơron đã được xác định từ trước, thỏa mãn điều kiện sai lệch trong phạm

vi cho phép

Để làm được việc đó, mạng nơron sử dụng các phương pháp học thích ứng

để tính toán được các ma trận trọng số điều chỉnh w đặc trưng cho mạng Có 3 kiểu học là: Học có giám sát, học củng cố và học không có giám sát

,x(2),…, x(p)

]T và d là véc tơ tín hiệu đầu ra mong muốn d =[(d(1)

,d(2),…, d(p)

]T

Trang 20

Khi đưa một mẫu tín hiệu là x(k)

vào đầu vào của mạng nơron, ở đầu ra có một tín hiệu ra tương ứng là y(k) Sai lệnh giữa hai véc tơ tín hiệu d, y có nhiệm

vụ điều chỉnh véc tơ trọng số w của mạng nơron sao cho véc tơ tín hiệu ra y của mạng bám theo được véc tơ tín hiệu ra mong muốn d, nói cách khác là để giảm thiểu sai lệch giữa chúng Như vậy kiểu học có giám sát (hình 1.2a) có đặc điểm

là cần có tín hiệu đầu ra mong muốn d được lấy từ bên ngoài

1.3.2 Học củng cố

Trong quá trình học giám sát, giả thiết rằng đáp ứng đầu ra của mạng đã đạt được giá trị mong muốn nhưng ở một mẫu vào – ra nào đó bị cho rằng có kết quả không đáng tin cậy, vì vậy cần phải tiến hành kiểm tra lại mẫu nói trên Khi

đó chỉ có một bit tín hiệu của mẫu cần kiểm tra đóng vai trò là tín hiệu củng cố được đưa vào mạng để góp phần khẳng định kết quả quá trình học có giám sát đúng hay sai Kiểu học này được gọi là kiểu học củng cố (hình 1.2b) Kiểu học này cũng có tín hiệu củng cố được lấy từ bên ngoài nên nó chỉ là một trường hợp đặc biệt của kiểu học có giám sát

1.3.3 Học không có giám sát

Kiểu học này có đặc điểm là không có tín hiệu lấy từ bên ngoài Mạng cần phải tự mình tìm ra các mẫu, nét đặc trưng, sự tương thích, phân loại trong dữ liệu đầu vào và mã hóa thành các mẫu ở đầu ra Trong quá trình học không giám sát (hình 1.2c) nếu mạng không thay đổi thông số của nó thì được gọi là tự tổ chức (self-organizing)

Hình 1.3 trình bày luật học trong số ở dạng cơ bản nhất cho nơron thứ i Trong đó véc tơ tín hiệu vào: x =[(x1,x2,…, xj, xm]T có thể được lấy từ các nơron khác hoặc được lấy từ bên ngoài Thành phần thông số ngưỡng có thể

Trang 21

W

Máy phát tín hiệu sai lệch

Tín hiệu sai lệch

(a)

Trang 22

Tín hiệu vào

Mạng nơron

Mạng nơron

W

Máy phát tín hiệu đánh giá

(b)

Trang 23

- Yêu cầu đối với hai kiểu học có giám sát và học củng cố

Cần phải có tín hiệu mong muốn ở đầu ra di, các trọng số của nơron thứ i được điều chính theo giá các trị của tín hiệu vào, tín hiệu đầu ra và tín hiệu đầu

ra mong muốn của nó Nghĩa là cần đưa ra một luật học với mục đích là thay đổi vectơ trọng số wi sao cho các tín hiệu đầu ra của nơron thứ i là yi bám theo được tín hiệu đầu ra mong muốn di (hình 1.3)

- Yêu cầu đối với kiểu học không có giám sát

Trọng số của nơron thứ i chỉ phụ thuộc vào giá trị của sự kết hợp của tín hiệu đầu vào and/or với tín hiệu đầu ra

Nơron thứ i

Máy phát tín hiệu học

w im =b i

Trang 24

Nói chung các luật học trọng số đều có sự thay đổi giá trị của véctơ trọng

số liên kết của nơron thứ i là wi tại thời điểm t phù hợp với tín hiệu học r và tín hiệu vào x(t):

wi(t)= rx(t) (1.1)

Với  là số dương gọi là hằng số học (learning constant) đặc trưng cho tốc

độ học của mạng, thông thường 0 <  < 1

Tín hiệu học r thông thường phụ thuộc vào wi, x, di

r = fr (wi, x, di) (1.2) Biểu thức tính véc tơ trọng số của nơron thứ i tại (t+1) như sau:

wi(t+1) = (wi(t) + ft (wi(t), x(t), di(t))x(t) (1.3)

Ở dạng liên tục có thể viết lại là

dt

)t(

dwi

Từ các biểu thức trên ta thấy rằng ở các luật học trọng số nói chung đều tập trung vào xác định tín hiệu học r trong biểu thức cập nhật trọng số của mạng nơron

- Luật học lan truyền ngược của sai lệch rất hiệu quả

So với mạng nơron hồi quy thì mạng nơron hồi quy có:

- Cấu trúc phức tạp vì có các phần tử truyền tín hiệu ở đầu ra của nơron lớp ra ngược tín hiệu ở đầu vào

Trang 25

Mạng nơron đã được ứng dụng thành công trong nhiều lĩnh vực như: các

hệ thống điều khiển, xử lý hình ảnh, tiếng nói, tối ưu, truyền thông, y học…

Vì có yêu cầu ngày càng tăng về điều khiển, các hệ thống động học phức tạp với điều kiện thông tin không đầy đủ hoặc không xác định nên việc sử dụng mạng nơron rất hấp dẫn bởi khả năng học tập để xấp xỉ hàm và phân loại mẫu của mạng Ngoài ra còn bởi tính xử lý song song mạnh mẽ của phần cứng thực thi mạng

Thông thường người ta hay dùng mạng nơron truyền thẳng nhiều lớp với luật dạy học có giám sát Ưu điểm lớn nhất của các mạng loại này là khả năng tổng quát hoá ánh xạ đầu vào - đầu ra để có thể xấp xỉ bất cứ hàm nào với độ chính xác tuỳ ý Chủ yếu mạng nơron sử dụng để nhận dạng và điều khiển hệ thống

1.4.2 Mô tả toán học của đối tƣợng ở rời rạc

Xét hệ thống có phương trình trạng thái ở dạng sau đây:

Trang 26

y(t) = [y1(t), y2(t), ym(t)]T

p, m tương ứng là số đầu vào, đầu ra của hệ thống bậc n: ui(t), yi(t), tương ứng là các tín hiệu vào, tín hiệu ra: xi(t) là các biến trạng thái: (.), (.) là các hàm phi tuyến dừng được định nghĩa tương ứng với Rn  Rp Rn và Rn  RmViết lại (1.5) ở dạng rời rạc, ta có:

x(k+1) = [x(k),u(k)]

với u(k), x(k), y(k) là các đại lượng cho ở dạng dãy rời rạc

Giả thiết hệ rời rạc (1.6) là tuyến tính và bất biến, có thể viết lại ở dạng:

x(k+1) = Ax(k) + Bu(k)

với A, B, C tương ứng là các ma trận có kích thước (nn), (np) và (mn)

* Đối tượng tuyến tính

Xét hệ một vào - một ra (SISO), dạng rời rạc, có thông số tuyến tính bất biến với thời gian được cho ở dạng:

1 m 0 j j p

iy (k i) u(k j) (1.8) trong đó i, j là các hằng số chưa biết : m  n

Tín hiệu ra yp(k+1) là tổ hợp tuyến tính của các giá trị quá khứ của cả tín hiệu đầu vào u(k-j)(j=0,1, ,(m-1)) và tín hiệu đầu ra yp(k-i)(i=1,2, ,(n-1))

* Đối tượng phi tuyến

Đối tượng phi tuyến được biểu diễn theo mô hình rời rạc theo bốn dạng sau đây:

+ Dạng 1:

Trang 27

yp(k+1)= y (k i) g[u(k),u(k 1), ,u(k m 1)]

1 n 0 t

yp(k+1) phụ thuộc tuyến tính vào các giá trị quá khứ yp(k - i) (i =0,1, , (n-1)) và

phụ thuộc phi tuyến vào giá trị quá khứ đầu vào u(k), , u(k-m+1)

iu(k i) (1.10)

yp(k+1) phụ thuộc tuyến tính vào giá trị quá khứ đầu vào u(k-i)(i=0,1, ,(m-1))

và phụ thuộc phi tuyến vào giá trị quá khứ đầu ra yp(k), , yp(k-n+1)

+ Dạng 3:

yp(k+1) = f [(yp (k), ,yp(k-n+1)]+g[u(k), u(k-m+1)] (1.11)

yp(k+1) phụ thuộc phi tuyến vào giá trị quá khứ đầu vào u(k), , u(k-m+1), phụ thuộc phi tuyến vào giá trị quá khứ đầu ra yp(k), , yp(k- n+1)

+ Dạng 4:

yp(k+1) = f [(yp(k), yp(k-1), ,yp(k-n+1), u(k), u(k-1), .u(k-m+1)] (1.12)

yp(k+1) phụ thuộc phi tuyến vào giá trị quá khứ đầu ra và phụ thuộc vào các giá

trị đầu vào cùng với các giá trị quá khứ của nó, [u(k), yp (k)], là các cặp tín hiệu

vào ra của đối tượng tại thời điểm k, với m n

f(.), g(.), là các hàm chưa biết trước của đối tượng, chúng cần được xấp xỉ

gần đúng bởi mạng nơron với độ chính xác mong muốn Số lượng các lớp, số

nơron ở mỗi lớp và số lượng mối liên kết trọng số giữa các nơron mỗi lớp với

nhau của mạng nơron nhận dạng cần được chọn phù hợp với độ chính xác và đặc

tính vào ra của hàm phi tuyến tương ứng của đối tượng đã cho

Trang 28

1.4.3 Ứng dụng của mạng nơron trong nhận dạng

Vấn đề nhận dạng được đặt ra khi các hàm số (.), (.), của (1.6), hoặc các ma trận A, B và C của (1.7) hoặc i, j của (1.8) hoặc của các hàm phi tuyếnf(.), g(.), (từ 1.9 đến 1.12) là chưa được biết trước

Vì đầu vào và đầu ra của hệ bất biến theo thời gian, nên hệ động học rời rạc là u(k) và y(k) tương ứng: trong đó u(k) là hàm giới hạn, thay đổi theo thời gian Đối tượng được giả thiết là ổn định, nhưng chưa biết các giá trị thông số của đối tượng này

Hình 1.4 Mô hình nhận dạng

Hệ thống nhận dạng được mô tả tại hình 1.4, trong đó mô hình nhận dạng

có cùng đầu vào u(k) với đối tượng cần nhận dạng, đầu ra của mô hình cần nhận dạng là yp(k)

là biểu diễn tính toán gần đúng của đầu ra đối tượng cần nhận dạng là yp(k)

1.4.1.1 Mô hình nhận dạng song song

Trên cở sở các dạng phương trình của đối tượng tuyến tính và phi tuyến

Trang 29

(từ 1.8 đến 1.12), có các mô hình nhận dạng các đối tượng nói trên theo mô hình nhận dạng song song (hình 1.5) có các dạng tương ứng như sau

Hình 1.5 Mô hình nhận dạng song song

* Với đối tượng tuyến tính

1 m 0 j j p



(1.15) + Dạng 3:

Trang 30

yp(k1)=[yp k , ,ypkn1;u  k ,u k1, ,ukm1] (1.17)

Để nhận dạng đối tượng dạng 3 (1.11), trong trường hợp này cấu trúc của

mô hình nhận dạng là giống như đối tượng với f và g được thay thế tương ứng bởi N2

và N1 Mô hình này được mô tả bởi phương trình sau đây:

Đối tƣợng

Mạng nơron

N 1

Mạng nơron

 /  w1ij  /  w2ij

∑

∏

Trang 31

Hình 1.6 Cấu trúc của mô hình nhận dạng cho đối tượng phi tuyến dạng 3

sử dụng các mạng nơron N 1 và N 2

1.4.1.2 Mô hình nhận dạng nối tiếp - song song

Căn cứ vào dạng phương trình của đối tượng tuyến tính và phi tuyến (từ 1.8 đến 1.12), các mô hình nhận dạng của các đối tượng nói trên theo mô hình nhận dạng nối tiếp - song song (hình 1.7) có dạng tương ứng như sau:

Hình 1.7 Mô hình nhận dạng nối tiếp - song song

* Đối tượng tuyến tính:

1 m 0 j j p

Trang 32



(1.21) + Dạng 3:

Trong các mô hình nhận dạng, mô hình nhận dạng song song có ưu điểm:

- Đơn giản, dễ thực hiện

- Nhận dạng đối tượng đảm bảo độ chính xác cao hiện đang được ứng dụng nhiều trong nhận dạng đối tượng

Vì vậy trong luận văn này sử dụng mô hình nhận dạng song song

1.4.2 Ứng dụng của mạng nơron trong điều khiển

Vấn đề đặt ra là cần thiết kế bộ điều khiển thảo mãn yêu cầu đề ra với điều kiện các hàm số (.) và (.) của (1.6) hoặc các ma trận A, B và C của (1.7) hoặc

i, j của (1.8) hoặc của các hàm phi tuyến f(.), g(.) (từ 1.9 đến 1.12) đã được biết trước

Trang 33

1.4.2.2 Điều khiển ngƣợc thích nghi

Mạng nơron mô phỏng

mô hình ngƣợc của đối tƣợng điều khiển

Thuật toán thích nghi

Bộ điều khiển

Đối tƣợng điều khiển

Tín hiệu điều khiển ngƣợc

T/h điều khiển phản hồi

Tín hiệu đầu ra đối tƣợng

Trang 34

Hình 1.9 là mô hình cấu trúc của mô hình mẫu điều khiển ngược thich

nghi Thuật toán này có khả năng tiếp nhận sai lệch giữa đầu ra của đối tượng và

đầu ra của mô hình mẫu Thông số của bộ điều khiển được cập nhật liên tục để

giảm sai lệch Bộ điều khiển mô hình mẫu thích nghi cơ bản có thể ảnh hưởng

bởi nhiễu từ sensor và nhiễu bên ngoài tác động vào đối tượng điều khiển Loại

bỏ các loại nhiễu này bằng cách sử dụng mạng nơron mô tả đối tượng nối song

song với đối tượng điều khiển Mạng nơron được huấn luyện trên cơ sở dữ liệu

vào-ra của đối tượng điều khiển Sai lệch giữa đầu ra của đối tượng điều khiển

và của mô hình mạng nơron được phân tích như hiệu ứng của nhiễu và nhiễu ở

đầu ra đối tượng Tín hiệu sai lệch này được đưa vào mạng nơron mô phỏng mô

hình ngược của đối tượng điều khiển tạo ra tín hiệu lọc nhiều và dấu hiệu nhiễu

được loại trừ từ đầu vào đối tượng Đó chính là ý tưởng thực hiện loại bỏ được

nhiễu bên ngoài và nhiễu bên trong của đối tượng

L

+

Hình 1.9 Hệ thống điều khiển ngược thích nghi

1.4.2.3 Mô hình điều khiển phi tuyến

Mạng nơron mô phỏng đối tƣợng

Mạng nơron mô phỏng mô hình ngƣợc đối tƣợng

Mô hình mẫu

Thuật toán thích nghi

Nhiễu sensơ

Trang 35

Mô hình điều khiển phi tuyến được biểu diễn trên hình 1.10 Nó gồm có

bộ điều khiển sử dụng mạng nơron, mạng nơron mô phỏng đối tượng và bộ lọc với một thông số điều khiển Bộ điều khiển sử dụng mạng nơron thường được huấn luyện để biểu diễn mô hình ngược của đối tượng (nếu mô hình ngược này tồn tại) Sai lệch giữa đầu ra của mạng nơron mô phỏng đối tượng và tín hiệu đầu ra của đối tượng được đưa về đầu vào bộ của bộ lọc, sau đó được đưa tới bộ điều khiển sử dụng mạng nơron Mạng nơron mô phỏng đối tượng và mạng nơron đóng vai trò là bộ điều khiển đối tượng (nếu nó là mô hình ngược của đối tượng) có thể được huấn luyện theo kiểu off - line sử dụng dữ liệu tập hợp từ động học của đối tượng Bộ lọc ở mô hình này là bộ lọc bậc nhất có hằng số thời gian được lựa chọn để đảm bảo mạch vòng kín ổn định

Hình 1.10 Mô hình điều khiển phi tuyến

1.4.2.4 Mô hình điều khiển dự báo

Mô hình điều khiển dự báo hình 1.11 sử dụng để tối ưu hóa đáp ứng đầu ra của đối tượng trong khoảng thời gian dự kiến Đây là cấu trúc phụ thuộc nhiều

Đầu ra đối tƣợng

+

-

Mạng nơron mô phỏng đối tƣợng

khiển nơron

Tín hiệu điều khiển

Dự báo đầu

ra đối tƣợng

Lệnh đầu

vào

-

+

Trang 36

vào mạng nơron mô tả đối tượng, bộ điều khiển sử dụng mạng nơron hàm biển diễn phản ứng đầu ra của hệ thống và thực hiện tối ưu hóa để lựa chọn tín hiệu điều khiển tốt nhất

Mạng nơron mô phỏng đối tượng được sử dụng để dự báo đầu ra của đối tượng Bộ điều khiển sử dụng mạng nơron tiến hành học, lựa chọn các đầu vào bằng quá trình tối ưu Khi quá trình huấn luyện đã hoàn thành, quá trình tối ưu hóa được thay thế bởi quá trình điều khiển sử dung bộ điều khiển nơron

Hình 1.11 Mô hình điều khiển dự báo

1.4.2.5 Điều khiển thích nghi theo mô hình mẫu hoặc điều khiển nơron

thích nghi

Điều khiển thích nghi theo mô hình mẫu sử dụng hai mạng nơron: mạng nơron thứ nhất thực hiện mô phỏng đối tượng và mạng nơron thứ hai đóng vai trò là bộ điều khiển hình 1.12 Mạng mô phỏng đối tượng được huấn luyện theo kiểu off - line sử dụng dữ liệu vào - ra của đối tượng điều khiển Bộ điều khiển

có nhiệm vụ tạo ra tín hiệu điều khiển cung cấp cho đối tượng điều khiển sao cho

Vòng tối ƣu hóa

Mô hình

mẫu

mô phỏng đối tƣợng

Bộ điều khiển nơron

Dự báo đầu

ra đối tƣợng

Tín hiệu điều khiển Lệnh đầu

vào

Trang 37

tín hiệu đầu ra đối tượng bám theo được tín hiệu đầu ra của mô hình mẫu Mạng nơron mô phỏng đối tượng được sử dụng để dự báo ảnh hưởng của bộ điều khiển đến sự thay đổi tín hiệu đầu ra của đối tượng điều khiển và cho phép cập nhật thông số của bộ điều khiển

Sai lệch điều khiển

+

Mô hình mẫu

Mạng nơron

mô phỏng đối tƣợng

Bộ điều khiển nơron

Lệnh đầu

vào

+

-

Sai lệch

-

Trang 38

Hình 1.13 Mô hình đánh giá thích nghi

1.4.2.7 Phản hồi tuyến tính hóa phản hồi thích nghi dùng mạng nơron

Phương pháp phản hồi tuyến tính hóa thích nghi dùng mạng nơron dựa vào nguyên tắc thiết kế bộ điều khiển phản hồi tuyến tính hóa hình (1.14) Phương pháp phản hồi tuyến tính hóa có đặc điểm là tín hiệu điều khiển có hai thành phần

Hệ thống phi tuyến được mô tả bởi quan hệ:

xp (n)

=f(xp)+ g(xp)u (1.24) với: xp(n)

=[(xp, x p, , x p(n-1)]T (1.25)

trong đó có n biến trạng thái và u là tín hiệu điều khiển

Mạng đánh giá (Tối ƣu hóa)

Đối tượng điều khiển

Mạng hoạt động (Bộ điều khiển)

Lệnh

đối tƣợng

Trang 39

Hình 1.14 Phương pháp phản hồi tuyến tính hoá thích nghi dùng mạng nơron

Để tìm được hệ tuyến tính hóa từ hệ thống phi tuyến mô tả bởi công thức (1.24), sử dụng tín hiệu u ở dạng:

u = [

)xp(g

1

f(xp) - kT xp+ r] (1.26) với k là hệ số phản hồi và r là tín hiệu đầu vào

Thay (1.26) vào (1.24) hệ tuyến tính có dạng:

xp(n) = - kT xp+ r (1.27)

Hệ thống được điều chỉnh bởi mạch phản hồi tuyến tính

Có thể sử dụng mạng nơron để thực hiện chiến lược phản hồi tuyến tính Thực hiện xấp xỉ các hàm f(.), g(.) bởi hai mạng nơron NNf và NNg, khi đó tín hiệu điều khiển có dạng:

Mô hình mẫu

Thích nghi cho NN g

e

xm

Trang 40

)x(NNg

)x(g

p g

p

[-NNf(xp) - kT xp+ r] (1.30) Sai lệch điều khiển được định nghĩa như sau:

1.4.2.8 Điều khiển thích nghi trực tiếp ổn định

Phương pháp này sử dụng định lý ổn định Lyapunov trong thiết kế của luật học của mạng nơron Bộ điểu khiển gồm có 3 phần: Bộ điều khiển phản hồi tuyến tính, bộ điều khiển trượt phi tuyến và bộ điều khiển mạng nơron thích nghi

Định dạng
Số trang	95
Dung lượng	1,2 MB