Ứng dụng mạng Nơron điều khiển mobile robot di chuyển tránh vật cản

Luận văn áp dụng lý thuyết mạng nơron nhân tạo xây dựng một mobile robot di chuyển trên mặt phẳng có thể tự động cảm nhận và tránh được các chướng ngại vật.. Mạng nơron được đã nghiên cứ

-

LÊ THANH HOÀN

ỨNG DỤNG MẠNG NƠRON ĐIỀU KHIỂN MOBILE ROBOT

Thành phần Hội đồng đánh giá Luận văn Thạc sĩ gồm:

(Ghi rõ họ, tên, học hàm, học vị của Hội đồng chấm bảo vệ Luận văn Thạc sĩ)

4 TS Nguyễn Hùng Chủ tịch hội đồng

1 PGS.TS Bùi Xuân Lâm Phản biện 1

3 TS Đồng Văn Hướng Phản biện 2

2 PGS.TS Ngô Văn Dưỡng Ủy viên

5 TS Trương Việt Anh Thư ký

Xác nhận của Chủ tịch Hội đồng đánh giá Luận sau khi Luận văn đã được sửa chữa (nếu có)

TP.HCM, Ngày 21 tháng 12 năm 2012

NHIỆM VỤ LUẬN VĂN THẠC SĨ

Họ tên học viên: LÊ THANH HOÀN Giới tính: Nam

Ngày, tháng, năm sinh: 16/05/1987 Nơi sinh: DăkLăk

Chuyên ngành: Kỹ thuật điện MSHV: 1181031015

- Chương 2: Cơ sở lý thuyết

- Chương 3: Mô hình động học của mobile robot

- Chương 4: Thiết kế phần cứng robot

- Chương 5: Kết luận

III- NGÀY GIAO NHIỆM VỤ: 21/06/2012

IV- NGÀY HOÀN THÀNH NHIỆM VỤ: 21/12/2012

V- CÁN BỘ HƯỚNG DẪN: PGS.TS TRẦN THU HÀ

CÁN BỘ HƯỚNG DẪN KHOA QUẢN LÝ CHUYÊN NGÀNH

PGS.TS Trần Thu Hà

LỜI CAM ĐOAN

Tôi xin cam đoan đây là công trình nghiên cứu của riêng tôi Các số liệu, kết quả nêu trong Luận văn là trung thực và chưa từng được ai công bố trong bất kỳ công trình nào khác

Tôi xin cam đoan rằng mọi sự giúp đỡ cho việc thực hiện Luận văn này đã được cảm ơn và các thông tin trích dẫn trong Luận văn đã được chỉ rõ nguồn gốc

Học viên thực hiện Luận văn

(Ký và ghi rõ họ tên)

Lê Thanh Hoàn

LỜI CÁM ƠN

Để hoàn thành Luận văn Thạc sĩ của mình, em xin gửi lời cảm ơn chân thành tới Ban giám hiệu, phòng Quản lý khoa học – Đào tạo sau đại học, Khoa Cơ – Điện – Điện tử cùng các Giảng viên trường Đại học Kỹ Thuật Công Nghệ Thành phố Hồ Chí Minh đã nhiệt tình tạo điều kiện và truyền đạt những kiến thức quý báu cho em trong suốt quá trình học tập cũng như hoàn thành Luận văn Thạc sĩ này

Đặc biệt, em xin chân thành cảm ơn PGS.TS Trần Thu Hà, người đã trực tiếp

hướng dẫn em trong suốt quá trình hoàn thành luận văn Với những chỉ dẫn, những tài liệu,

sự tận tình hướng dẫn, những lời đôn đốc và động viên của Cô đã giúp em vượt qua nhiều khó khăn thách thức trong quá trình thực hiện luận văn này

Sau cùng, em muốn gửi lời cảm ơn đến gia đình và người thân, luôn động viên, tiếp thêm sức mạnh cho em và các anh, chị trong lớp 11SMD1 đã sát cánh, cổ vũ em trên con đường tri thức

Lê Thanh Hoàn

TÓM TẮT

Ngày nay với sự phát triển không ngừng của khoa học kĩ thuật và nhu cầu của con người trong đời sống ngày càng được nâng lên Việc thiết kế ra những sản phẩm mang lại tiện ích cho con người cần phải đáp ứng được các nhu cầu đó Việc xây dựng một robot tự hành có thể thay thế con người thực hiện các công việc trong các môi trường độc hại (Ví dụ: môi trường hóa chất, nhiệt độ cao, áp xuất cao, những khu vực hạn chế tầm nhìn, phóng xạ, …) là một vấn đề cấp thiết Vấn đề đặt ra là chế tạo và làm ra mobile robot có khả năng di chuyển tránh vật cản sử dụng được trong nhiều loại môi trường Vì vậy, trong cuốn luận văn này báo cáo đề tài “Ứng dụng mạng nơron điều khiển mobile robot tránh vật cản”

Luận văn áp dụng lý thuyết mạng nơron nhân tạo xây dựng một mobile robot di chuyển trên mặt phẳng có thể tự động cảm nhận và tránh được các chướng ngại vật Nội dung thực hiện của luận văn gồm có 5 chương như sau:

- Chương 1: Tổng quan – Giới thiệu đề tài về robot tự hành và ý nghĩa thực tiễn của

nó, nhiệm vụ giới hạn của đề tài, nội dung thực hiện

- Chương 2: Tổng quan về nơron nhân tạo – Trình bày lý thuyết áp dụng trong đề tài luận văn

- Chương 3: Mô hình động học mobile robot – Giới thiệu và xây dựng mô hình toán học cho mobile robot Chạy chương trình mô phỏng bằng phần mềm matlab và đưa ra một số kết quả mô phỏng

- Chương 4: Thiết kế phần cứng robot - Thiết kế và thi công mô hình thực nghiệm

gồm: Sơ đồ nguyên lý, sơ đồ khối, lựa chọn thiết kế, thông số của đối tượng cần điều khiển, mạch vi điều khiển, mạch nguồn

- Chương 5: Kết luận – Phân tích kết quả luận văn, những thuận lợi, khó khăn và hướng phát triển đề tài

Today, with the continuous development of science and technology, human life

is increasingly improved The design of these products bring benefits to human The construction of a self-propelled robot can replace humans perform tasks in hazardous environments (for example: environmental chemicals, high temperature, high pressure, limited vision areas, free radiation, mine, etc.) The question is how to make mobile robots capable of moving avoid obstacles used in a variety of environments The thesis report topic "The application of neural networks to control mobile robot avoid obstacles."

This thesis applies the theory of artificial neural networks; genetic algorithms to build a mobile robot moving in the plane can automatically sense and avoid obstacles Contents of the thesis consist of five chapters as follows:

- Chapter 1: Overview - Introduction to themes of self-propelled robot and its practical implications, limitations of the mandate, perform content

- Chapter 2: Overview of artificial neuron - Presentation of simulation theory applies in topics such as: artificial neural networks

- Chapter 3: Mobile robot dynamics model - Introduction and mathematical modeling for self-propelled robot Control Solution and simulation - Make some simulation results to compare and change control methods and parameters

- Chapter 4: Design and construction - Presentation design process and construction

- Chapter 5: Conclusion - Analysis of the results of the thesis and development

MỤC LỤC

LỜI CAM ĐOAN i

LỜI CÁM ƠN ii

TÓM TẮT iii

MỤC LỤC v

DANH MỤC CÁC TỪ VIẾT TẮT viii

DANH MỤC CÁC BIỂU ĐỒ, ĐỒ THỊ, SƠ ĐỒ, HÌNH ẢNH ix

DANH MỤC CÁC BẢNG xii

CHƯƠNG 1: TỔNG QUAN 1

1.1 ĐẶT VẤN ĐỀ 2

1.2 TÍNH CẤP THIẾT CỦA ĐỀ TÀI 2

1.3 NHIỆM VỤ CỦA LUẬN VĂN 3

1.4 TỔNG QUAN TÌNH HÌNH NGHIÊN CỨU 3

1.4.1 Tình hình nghiên cứu trên thế giới 3

1.4.2 Tình hình nghiên cứu trong nước 5

CHƯƠNG 2: CƠ SỞ LÝ THUYẾT 7

2.1 GIỚI THIỆU VỀ MẠNG NƠRON 8

2.1.1 Những kiến trúc tính toán 8

2.1.2 Lịch sử phát triển của mạng nơron 9

2.1.3 Mô hình mạng nơron nhân tạo 10

2.1.4 Phân loại theo cấu trúc mạng nơron 17

2.2 ỨNG DỤNG CỦA MẠNG NƠRON TRONG ĐIỀU KHIỂN 25

2.2.1 Mạng nơron 3 lớp truyền thẳng 26

2.2.2 Mạng nơron truyền thẳng nhiều lớp 26

2.3 MỘT SỐ CẤU TRÚC MẠNG NƠRON VÀ HUẤN LUYỆN MẠNG 27

2.3.1 Mạng nơron 3 lớp lan truyền ngược 27

2.3.2 Luật học lan truyền ngược 28

2.3.3 Cấu trúc mạng nơron nhiều lớp 34

2.3.4 Các hệ số học của lan truyền ngược 36

2.4 MẠNG NƠRON TRONG KĨ THUẬT ROBOT 38

CHƯƠNG 3: MÔ HÌNH ĐỘNG HỌC CỦA MOBILE ROBOT 40

3.1 PHƯƠNG TRÌNH ĐỘNG HỌC CỦA MOBILE ROBOT 41

3.2 GIẢI PHÁP ĐIỀU KHIỂN VÀ MÔ PHỎNG 45

3.2.1 HỆ THỐNG ĐIỀU KHIỂN CHO MOBILE ROBOT 45

3.2.2 SƠ ĐỒ SIMULINK ĐIỀU KHIỂN MOBILE ROBOT BẰNG MẠNG NƠRON NHÂN TẠO 45

a Mô phỏng robot chuyển động theo quỹ đạo thiết lập trước là đường cong 49

b Mô phỏng với quỹ đạo đặt trước là đường thẳng 52

c Thiết lập tín hiệu đặt là đường tròn 56

CHƯƠNG 4: THIẾT KẾ PHẦN CỨNG CỦA ROBOT 59

4.1 SƠ ĐỒ KHỐI ROBOT 60

4.1.1 Nguồn cung cấp cho robot 60

4.1.2 Tổng quan về vi điều khiển PIC 16F877A 61

4.1.3 Cảm biến quang E3S-AD12 74

4.1.4 Khối động lực 74

4.2 THIẾT KẾ PHẦN MỀM 75

4.3 LỰA CHỌN THIẾT KẾ 77

4.3.1 Hình dáng của robot 77

4.3.2 Động cơ 80

4.4 SƠ ĐỒ NGUYÊN LÝ CỦA BỘ ĐIỀU KHIỂN 81

4.4.1 Sơ đồ nguyên lý bộ nguồn cung cấp 81

4.4.2 Sơ đồ nguyên lý mạch điều khiển 81

4.4.3 Sơ đồ nguyên lý mạch động lực 82

4.4.4 Sơ đồ nguyên lý mạch đảo chiều relay, sơ đồ nguyên lý khối sensor 82

4.5 THỬ NGHIỆM MÔ HÌNH 83

CHƯƠNG 5: KẾT LUẬN 90

5.1 CÁC KẾT QUẢ ĐẠT ĐƯỢC CỦA ĐỀ TÀI 91

5.2 ƯU VÀ KHUYẾT ĐIỂM CỦA ĐỀ TÀI 92

5.2.1 Ưu điểm 92

5.2.2 Khuyết điểm 92

5.3 HƯỚNG PHÁT TRIỂN ĐỀ TÀI 93

TÀI LIỆU THAM KHẢO 94

PHỤ LỤC 95

DANH MỤC CÁC TỪ VIẾT TẮT UTP Ngưỡng trên (Upper Trip Point)

LTP Ngưỡng dưới (Lower Trip Point)

MSE Sai số trung bình bình phương (Mean square error)

DANH MỤC CÁC BIỂU ĐỒ, ĐỒ THỊ, SƠ ĐỒ, HÌNH ẢNH

Hình 2.1 Một mạng nơron đơn giản gồm hai nơron 11

Hình 2.2 Nơron là khâu MISO 12

Hình 2.3 Cấu trúc của một phần tử xử lý nơron thứ i (PE) 13

Hình 2.4 Các hàm kích hoạt 17

Hình 2.5 Phân loại theo cấu trúc mạng nơron 18

Hình 2.6 Cấu trúc chung của mạng Jordan 20

Hình 2.7 Mạng hồi quy đơn giản 21

Hình 2.8 Học có giám sát 23

Hình 2.9 Học không có giám sát 24

Hình 2.10 Cấu trúc chung của quá trình học 27

Hình 2.11 Mạng Nơron 3 lớp lan truyền ngược 30

Hình 2.12 Mạng nơron truyền thẳng nhiều lớp 37

Hình 3.1 Biểu diễn Mobile robot trong không gian hai chiều 40

Hình 3.2 Hệ thống điều khiển chuyển động robot di động 42

Hình 3.3 Khối tùy chỉnh mạng nơron 43

Hình 3.4 Hệ thống điều khiển mobile robot di động sử dụng mạng nơron 44

Hình 3.5 Mô hình toán của robot di động 45

Hình 3.6 Thiết lập tín hiệu đặt là đường cong 46

Hình 3.7 Vị trí của robot sau khi xử lý tín hiệu đặt là đường cong 46

Hình 3.8 Tín hiệu ngõ ra đối với trục x khi tín hiệu đặt là đường cong 47

Hình 3.9 Tín hiệu ngõ ra đối với trục y khi tín hiệu đặt là đường cong 47

Hình 3.10 Thiết lập tín hiệu đặt là hình tứ giác 48

Hình 3.11 Vị trí của robot sau khi xử lý tín hiệu đặt là hình tứ giác 53

Hình 3.12 Tín hiệu ngõ ra đối với trục x khi tín hiệu đặt là hình tứ giác 54

Hình 3.13 Tín hiệu ngõ ra đối với trục y khi tín hiệu đặt là hình tứ giác 55

Hình 3.14 Thiết lập tín hiệu đặt là đường tròn 56

Hình 3.15 Vị trí của robot sau khi xử lý tín hiệu đặt là đường tròn 57

Hình 3.16 Tín hiệu ngõ ra đối với trục x khi tín hiệu đặt là đường tròn 57

Hình 3.17 Tín hiệu ngõ ra đối với trục y khi tín hiệu đặt là đường tròn 58

Hình 4.1 Sơ đồ khối của robot 60

Hình 4.2 Vi điều khiển PIC 16F877A 61

Hình 4.3 Sơ đồ khối của PIC16F877A 64

Hình 4.4 Sơ đồ chân của PIC 65

Hình 4.5 Sơ đồ logic của tất cả các ngắt trong vi điều khiển PIC16F877 73

Hình 4.6 Cảm biến E3S-AD12 74

Hình 4.7 Sơ đồ cấu tạo cảm biến E3S-AD12 74

Hình 4.8 Lưu đồ giải thuật tiến 75

Hình 4.9 Lưu đồ giải thuật lùi 76

Hình 4.10 Hình mobile robot từ trái qua phải 77

Hình 4.11 Hình mobile robot chụp từ trên xuống dưới 78

Hình 4.12 Hình mobile robot nhìn từ dưới lên 79

Hình 4.13 Hình bên trong mobile robot 79

Hình 4.14 Hình động cơ DC 12V không encoder 80

Hình4.15Sơ đồ nguyên lý khối nguồn cung cấp 81

Hình4.16Sơ đồ nguyên lý mạch điều khiển 81

Hình 4.17Sơ đồ nguyên lý khối mạch động lực 82

Hình 4.18Sơ đồ nguyên lý khối đảo chiều relay 82

Hình 4.19 Sơ đồ nguyên lý khối sensor 83

Hình 4.20 Robot tránh vật cản phía trước 84

Hình 4.21 Robot tránh vật cản 1 và vật cản 2 phía trước 85

Hình 4.22 Robot tránh cùng lúc 2 vật cản phía trước 86

Hình 4.23 Robot tránh cùng lúc 3 vật cản phía trước 87

Hình 4.24 Robot tránh vật cản nằm một phí 88

Hình 4.25 Robot đứng yên khi tín hiệu hồi tiếp về báo không có đường đi 89

DANH MỤC CÁC BẢNG

Bảng 4.1 Các thanh ghi liên quan đến Port A 68

Bảng 4.2 Các thanh ghi liên quan đến Port B 69

Bảng 4.3 Các thanh ghi liên quan đến Port C 70

Bảng 4.4 Các thanh ghi liên quan đến Port D 70

Bảng 4.5 Các thanh ghi liên quan đến Port E 71

CHƯƠNG 1: TỔNG QUAN

1.1 ĐẶT VẤN ĐỀ

Mạng nơron được đã nghiên cứu và được ứng dụng nhiều trong các hệ thống điều khiển thông minh, hệ thống điều khiển tự động nhờ các khả năng: Học, nhớ lại và khái quát hoá từ các mẫu huấn luyện hoặc dữ liệu, mạng nơron nhân tạo trở thành một phát minh ứng dụng mới đầy hứa hẹn Các tính toán nơron cho phép giải quyết tốt những bài toán đặc trưng bởi một số hoặc tất cả các tính chất sau: sử dụng không gian nhiều chiều, các tương tác phức tạp, chưa biết hoặc không thể theo dõi về mặt toán học giữa các biến

Bài toán lập lộ trình cho mobile robot di chuyển tránh vật cản vô định hình là một bài toán khá phức tạp, do khi tồn tại và hành động trong môi trường mobile robot

sẽ phải chịu rất nhiều sự tác động khác nhau Tuy nhiên, các tính toán mạng nơron lại cho phép giải quyết tốt các bài toán có nhiều tương tác phức tạp Vì vậy, ứng dụng mạng nơron trong bài toán xác định lộ trình cho mobile robot sẽ hứa hẹn là một giải pháp hiệu quả góp phần nâng cao hiệu năng làm việc của robot nhờ khả năng di chuyển nhanh chóng, chính xác trong các môi trường làm việc của mình

1.2 TÍNH CẤP THIẾT CỦA ĐỀ TÀI

Mobile robot dùng để thay thế cho con người làm việc như các cánh tay máy vận chuyển hàng hóa trong các hệ thống công nghiệp Mobile robot có thể di chuyển trong các môi trường độc hại ảnh hưởng đến sức khỏe của con người như: môi trường hóa chất, nhiệt độ cao, áp xuất cao, phóng xạ, …để thực hiện nhiệm vụ thay thế con người Việc nghiên cứu thiết kế mobile robot ứng dụng mạng công nghệ noron điều khiển mobile robot là một vấn đề cần thiết Tác giả chọn đề tài “Ứng dụng mạng nơron điều khiển mobile robot tránh vật cản”

1.3 NHIỆM VỤ LUẬN VĂN

Luận văn thạc sĩ thực hiện nhiệm vụ sau :

- Nghiên cứu ứng dụng công nghệ mạng nơron để điều khiển chuyển động mobile robot Xây dựng phương trình toán học của đối tượng mobile robot tự hành

- Mô phỏng ứng dụng mạng nơron nhân tạo để điều khiển mobile robot theo quỹ đạo cho trước

- Nghiên cứu giải thuật định vị vật cản và phát hiện vật cản, điều khiển Mobile robot tránh vật cản

- Thiết kế và thi công phần cứng của mobile robot với hệ thống điều khiển sử dụng công nghệ mạng nơron chuyển động tránh vật cản

- Thiết kế phần mềm và thi công bộ điều khiển dùng mạng nơron trên vi điều khiển PIC16F877A

- Chạy thử nghiệm trên mô hình thực

1.4 TỔNG QUAN TÌNH HÌNH NGHIÊN CỨU

1.4.1 Tình hình nghiên cứu trên thế giới

Hơn nửa thể kỷ qua, robot đã có những bước phát triển và tiến hóa mạnh mẽ Robot đầu tiên được ứng dụng trong công nghiệp vào những năm 60 để thay thế con người làm các công việc nặng nhọc, nguy hiểm trong môi trường độc hại Ngày nay, ngoài ứng dụng sơ khai ban đầu của robot trong chế tạo máy thì các ứng dụng khác như trong y tế, chăm sóc sức khỏe, nông nghiệp, đóng tàu, xây dựng, an ninh quốc phòng và gia đình đang có nhu cầu gia tăng đang là động lực cho các robot địa hình và robot dịch vụ phát triển

Có thể kể đến một số loại robot được quan tâm nhiều trong trên thế giới là: tay máy robot (Robot Manipulators), robot di động (Mobile Robots), robot phỏng sinh học (Bio Inspired Robots) và robot cá nhân (Personal Robots) Tay máy robot bao gồm các loại robot công nghiệp (Industrial Robot), robot y tế (Medical Robot) và robot trợ giúp

người tàn tật (Rehabilitation robot) Với robot phỏng sinh học, các nghiên cứu thời gian qua tập trung vào 2 loại chính là robot đi (Walking robots) và robot dáng người (Humanoid Robots)

Đặc biệt robot di động (Mobile Robots) được quan tâm nghiên cứu và ứng dụng nhiều như xe tự hành trên mặt đất AGV (Autonomous Guided Vehicles), robot tự hành dưới nước AUV (Autonomous Underwater Vehicles), robot tự hành trên không UAV (Unmanned Arial Vehicles) và robot tự hành trên vũ trụ (Space robots) Do nhu cầu sử dụng ngày càng tăng đối với robot di động nên nó đòi hỏi phải có khả năng thích nghi linh hoạt hơn, thông minh hơn và mức độ tự động hóa cao Nên trên thế giới đã sử dụng mạng nơron trong điều khiển robot di động đã được ứng dụng rộng rãi

- Aliakbar, giảng viên đại học kỹ thuật Amirkabir, Iran viết sách “Multiple Target Tracking For Mobile Robots Using the JPDAF Algorithm” Tác giả trình bày đã nghiên cứu vấn đề định vị cho Mobile Robot sử dụng kỹ thuật JPDAF (Joint Probabilistic Data Association Filter) Tác giả cho rằng vấn đề ước lượng vị trí của Robot trong môi trường vật lý là vấn đề hết sức quan trọng Trong lĩnh vực Robot, bộ lọc của Kalman đã dẫn đến một quy luật định hướng Kalman hướng tới sự kết hợp của tập hợp các thiết bị đo và các phép đo từ các cảm biến trên Robot và từ đó ước lượng vị trí hiện tại của Robot Giải thuật JPDAF là sự kết hợp của các bộ lọc và các phương pháp ước lượng nhằm hiệu chỉnh vị trí của Robot Tác giả đã đưa ra các công thức toán học cho giải thuật, cơ sở để giải bài toán checking trên Mobile Robot

- Jungtae Kim, khoa kỹ thuật và khoa học máy tính, POSTECH, Hàn Quốc nghiên cứu điều khiển Mobile Robot thông qua xử lý ảnh nhìn, bài viết “Vision-based Track Running Mobile Robot” Tác giả đã nghiên cứu các phương pháp điều khiển Mobile Robot chạy theo một ảnh nền Đầu tiên tác giả xử lý một ảnh, tách đường đi của Robot thành một đường khác màu với môi trường Từ đường này tác giả xác định

mối quan hệ giữa vị trí Robot với đường và tìm ra sai số từ đó đưa ra điều khiển thích hợp Tác giả đã sử dụng thiết bị camera để đọc ảnh, phân tích và xử lý ảnh

- Bài viết của “S K Harisha, Ramkanth Kumar P., M Krishna, and S C Sharma” về vấn đề “Fuzzy Logic Reasoning to Control Mobile Robot on Pre-defined Strip Path” Tác giả đã nghiên cứu điều khiển, quy hoạch đường đi cho Mobile Robot Tìm hiểu các lý thuết về Fuzzy, các luật và đưa ra các điều khiển Mobile Robot dựa vào kỹ thuật này Tiến hành mô phỏng trên phần mềm để kiểm nghiệm kết quả

1.4.2 Tình hình nghiên cứu trong nước

Tại Việt Nam, nghiên cứu phát triển robot đã có những bước tiến đáng kể trong

25 năm vừa qua Các nghiên cứu về robot ở Việt Nam liên quan nhiều đến các vấn đề

về động học, động lực học, thiết kế quỹ đạo, xử lý thông tin cảm biến, cơ cấu chấp hành, điều khiển và phát triển trí thông minh cho robot Các nghiên cứu về động học và động lực học robot được các khoa cơ khí, chế tạo máy ở các trường đại học và các viện nghiên cứu về cơ học, chế tạo máy, quan tâm cả trong dân sự và quân sự

Lĩnh vực điều khiển robot rất phong phú, từ các phương pháp điều khiển truyền thống như PID, phương pháp tính mô men, phương pháp điều khiển trượt đến các phương pháp điều khiển thông minh như điều khiển sử dụng mạng nơron, logic mờ, thuật gen và các phương pháp điều khiển tự thích nghi, các phương pháp học cho robot, các hệ visual servoing…

Ở nước ta lĩnh vực sử dụng mạng nơron để điều khiển mobile robot đã có nhiều

đề tài nghiên cứu dưới dạng luận văn, bài báo khoa học Nhưng chỉ dừng lại ở mô phỏng hoặc đã làm được mô hình Các robot này ít được ứng dụng vào thực tiễn và chủ yếu để phục vụ cho nghiên cứu và giảng dạy

Ở nước ta, tín hiệu GPS cũng đã được đưa vào ứng dụng trong các thiết bị định vị điều khiển có gắn trong ô tô như của hãng Toyota Việt Nam kết hợp với công nghệ GSM/ GPRS và GIS để giám sát xe từ xa theo thời gian thực

- Đề tài: “ Ứng dụng tín hiệu GPS trong hệ thống khống chế trắc địa cạnh ngắn” của kĩ sư Đoàn Văn Chinh (đại học Whushan Trung Quốc) và Thạc sĩ Ngô Xuân Thế (Viện khoa học và công nghệ) Đề tài đã ứng dụng tín hiệu GPS vào hệ thống trắc địa

và đem lại hiệu quả thiết thực

- Đề tài: “Định vị cho Robot tự hành” của KS Trần Nguyễn Phúc Nguyên do TS Ngô Văn Thuyên (Đại học Sư Phạm Kĩ Thuật) làm hướng dẫn khoa học trình bày chi tiết các phương pháp định vị và cuối cùng chọn ra phương pháp xác suất để định vị cho robot, đề tài đã sử dụng phần mềm Player/ Stage để mô phỏng

Để có thể khảo sát và mô phỏng mobile robot với phương pháp sử dụng tín hiệu GPS định vị

Đề tài của học viên Nguyển Minh Thức “Định vị cho mobile robot sử dụng GPS”

đã khảo sát và ứng dụng GPS để điều khiển đường đi của robot đến điểm chọn trước và tránh vật cản tĩnh trên đường đến đích

Đề tài chọn là ứng dụng mạng noron để điều khiển Mobile Robot tránh vật cản, chọn đường đi cho mobile robot

Mô hình được thiết kế sử dụng có 6 cảm biến quang E3S-AD12 và sử dụng PIC16F877 để thiết kế bộ điều khiển cho robot

CHƯƠNG 2: CƠ SỞ LÝ THUYẾT

2.1 GIỚI THIỆU VỀ MẠNG NƠRON

2.1.1 Những kiến trúc tính toán

Khái niệm tính toán có thể được hiểu theo nhiều cách Trước đây, việc tính toán

bị ảnh hưởng bởi quan niệm tính toán theo chương trình (Programed computing) Theo quan điểm này, để giải quyết bài toán thì bước đầu tiên ta cần thiết kế giải thuật sau đó

cài đặt giải thuật đó trên cấu trúc hiện hành có ưu thế nhất[1]

Quan sát các hệ sinh học, đặc biệt là bộ não người ta thấy chúng có những đặc

(4) Bộ não không yêu cầu thông tin hoàn hảo

(5) Bộ não thể hiện một kiến trúc chấp nhận lỗi tức là có thể khôi phục sự mất đi

của một vài nơron bằng cách thích nghi với nơron còn lại hoặc bằng cách đào tạo bổ xung

(6) Cơ chế hoạt động của bộ não đôi khi không rõ ràng trong vận hành Ví dụ

với một số bài toán chúng ta có thể cung cấp nghiệm nhưng không thể giải thích được các bước tìm nghiệm

(7) Bộ não có khuynh hướng đưa ra những giải pháp trong một trạng thái cân bằng hoặc có khuynh hướng dẫn đến trạng thái đó

Từ đó ta nhận thấy, tính toán dựa trên các hệ sinh học khác với tính toán theo chương trình ở các đặc điểm sau:

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

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

Dựa trên những đặc điểm này một phương pháp tính toán mới có nền tảng từ sinh học là mạng nơron nhân tạo (Artifical Neural Networks_ ANNs) đã ra đời và có tiềm năng trở thành kiến trúc tính toán chiếm ưu thế

2.1.2 Lịch sử phát triển của mạng nơron

Mạng nơron nhân tạo được xây dựng từ những năm 1940 nhằm mô phỏng một

số chức năng của bộ não người Dựa trên quan điểm cho rằng bộ não người là bộ điều khiển Mạng nơron nhân tạo được thiết kế tương tự như nơron sinh học sẽ có khả năng giải quyết hàng loạt các bài toán như tính toán tối ưu, điều khiển, công nghệ robot…

Quá trình nghiên cứu và phát triển nơron nhân tạo có thể chia thành 4 giai đoạn như sau[2]:

- Giai đoạn 1: Có thể tính từ nghiên cứu của William (1890) về tâm lý học với

sự liên kết các nơron thần kinh Năm 1940 Mc Culloch và Pitts đã cho biết nơron có thể mô hình hoá như thiết bị ngưỡng (Giới hạn) để thực hiện các phép tính logic và mô hình mạng nơron của Mc Culloch – Pitts cùng với giải thuật huấn luyện mạng của Hebb ra đời năm 1943

- Giai đoạn 2: vào khoảng gần những năm 1960, một số mô hình nơron hoàn thiện hơn đã được đư ra như: Mô hình Perceptron của Rosenblatt (1958), Adalile của Widrow (1962) Trong đó mô hình Perceptron rất được quan tâm vì nguyên lý đơn giản, nhưng nó cũng có hạn chế vì như Marvin Minsky và Seymour papert của MIT ( Massachurehs Insritute of Technology) đã chứng minh nó không dùng được cho các hàm logic phức (1969) Còn Adaline là mô hình tuyến tính, tự chỉnh, được dùng rộng rãi trong điều khiển thích nghi, tách nhiễu và phát triển cho đến nay

- Giai đoạn 3: Có thể tính vào khoảng đầu thập niên 80 Những đóng góp lớn cho mạng nơron trong giai đoạn này phải kể đến Grossberg, Kohonen, Rumelhart và Hopfield Trong đó đóng góp lớn của Hopfield gồm hai mạng phản hồi: Mạng rời rạc năm 1982 và mạng liên tục năm 1984 Đặc biệt, ông đã dự kiến nhiều khả năng tính toán lớn của mạng mà một nơron không có khả năng đó Cảm nhận của Hopfield đã

được Rumelhart, Hinton và Williams đề xuất thuật toán sai số truyền ngược nổi tiếng

để huấn luyện mạng nơron nhiều lớp nhằm giải bài toán mà mạng khác không thực hiện được Nhiều ứng dụng mạnh mẽ của mạng nơron ra đời cùng với các mạng theo kiểu máy Boltzmann và mạng Neocognition của Fukushima

- Giai đoạn 4: Tính từ năm 1987 đến nay, hàng năm thế giới đều mở hội nghị toàn cầu chuyên ngành nơron IJCNN (International Joit Conference on Neural Networks) Rất nhiều công trình được nghiên cứu để ứng dụng mạng nơron vào các lĩnh vực như: Kỹ thuật tính, điều khiển, bài toán tối ưu, y học, sinh học, thống kê, giao thông, hoá học, Cho đến nay mạng nơron đã tìm và khẳng định được vị trí của mình trong rất nhiều ứng dụng khác nhau

2.1.3 Mô hình mạng nơron nhân tạo

Cơ sở của mạng nơron

Ngay từ khi được khai sinh bằng sự ra đời cuốn sách “ Điều khiển học, hay điều

chỉnh và sự truyền thông trong cơ thể sống, trong máy móc” của tác giả Nobert

Wieners xuất bản năm 1948 Điều khiển học đã đặt ra mục địch nghiên cứu áp dụng nguyên lý làm việc của hệ thống thần kinh động vật vào điều khiển Công cụ giúp điều khiển học thực hiện được mục đích này là trí tuệ nhân tạo và mạng nơron

Với logic mờ, trí tuệ nhân tạo phát triển mạnh mẽ trong những năm gần đây tạo

ra cơ sở xây dựng các hệ chuyên gia, những hệ có khả năng cung cấp “kinh nghiệm

điều khiển hệ thống” hay còn gọi là các hệ trợ giúp ra quyết định Trí tuệ nhân tạo được

xây dựng dựa trên hệ nơron nhân tạo Sự kết hợp giữa logic mờ và mạng nơron trong thiết kế hệ thống điều khiển tự động nói chung và việc ứng dụng điều khiển nơron cho các đối tượng công nghiệp nói riêng là một khuynh hướng hoàn toàn mới, phương hướng thiết kế hệ thống thông minh, một hệ thống mà bộ điều khiển có khả năng tư duy như bộ não của con người

Cấu trúc và mô hình của một nơron

Mạng nơron là sự tái 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 đều được tái tạo, mà chỉ có những chức năng cần thiết Bên cạch đó còn có những chức năng mới được tạo ra nhằm giải quyết một bài toán điều khiển đã định trước[3]

Hình 2.1 Một mạng nơron đơn giản gồm hai nơron

Mạng nơron bao gồm vô số các nơron được liên kết truyền thông với nhau trong mạng Hình 2.1 là một phần của mạng nơron bao gồm hai nơron

Một nơron chứa đựng các thành phần cơ bản sau:

Thân nơron được giới hạn trong một màng membran và trong cùng là nhân Từ thân nơron còn có rất nhiều đường rẽ nhánh tạm gọi là rễ

“Bus” liên kết nơron này với nơron khác được gọi là axon, trên axon có các đường rẽ nhánh Nơron còn có thể liên kết với các nơron khác qua các rễ Chính vì cách liên kết

đa dạng như vậy nên mạng nơron có độ liên kết rất cao

Các rễ của nơron được chia làm hai loại: loại nhận thông tin từ nơron khác qua axon, ta gọi là rễ đầu vào và loại đưa thông tin qua axon tới nơron khác gọi là rễ đầu ra Một nơron có thể có nhiều rễ đầu vào, nhưng chỉ có một rễ đầu ra Vì vậy nếu xem nơron như một khâu điều khiển thì nó chính là khâu có nhiều đầu vào, một đầu ra (khâu MISO)_hình 2.2

Hình 2.2 Nơron là khâu MISO

Quá trình hoạt động của một nơron là một quá trình điện hóa tự nhiên Ở trạng thái cân bằng (trạng thái tĩnh) điện áp của màng membran khoảng -75 mV Khi có tác động từ bên ngoài vào nơron (mức điện áp kích thích khoảng 35 mV), trong tế bào nơron xảy ra hàng loạt các phản ứng hóa học tạo thành lực tác động làm nơron bị kích thích hoàn toàn (bốc cháy) Thế năng sinh ra khi nơron ở trạng thái bị kích thích hoàn toàn này chỉ tồn tại trong khoảng vài mili giây sau đó nơron lại trở về trạng thái cân bằng cũ Thế năng này được truyền qua mạng axon và có khả năng kích hoặc kìm hãm

tự nhiên các nơron khác trong mạng Một nơron sẽ ở trạng thái kích thích khi tại đầu vào xuất hiện một tín hiệu tác động vượt qua ngưỡng cân bằng của nơron

Một tính chất rất cơ bản của mạng nơron sinh học là các đáp ứng theo kích thích

có khả năng thay đổi theo thời gian Các đáp ứng có thể tăng lên, giảm đi hoặc hoàn toàn biến mất Qua các nhánh axon liên kết tế bào nơron này với các nơron khác, sự thay đổi trạng thái của một nơron cũng kéo theo sự thay đổi trạng thái của những nơron khác và do đó làm thay đổi toàn bộ mạng nơron Việc thay đổi trạng thái của mạng nơron có thể thực hiện qua một quá trình “dạy” hoặc do khả năng “học” tự nhiên

Sự thay thế những tính chất này bằng một mô hình toán học tương đương được gọi là mạng nơron nhân tạo Mạng nơron nhân tạo có thể được chế tạo bằng nhiều cách khác nhau vì vậy trong thực tế tồn tại rất nhiều kiểu mạng nơron nhân tạo

Mô hình nơron có m đầu vào x 1, x 2 , x m và một đầu ra y (hình 2.3)

Hình 2.3 Cấu trúc của một phần tử xử lý nơron thứ i (PE)

Mô hình này gồm có ba thành phần cơ bản:

Các kích thích đầu vào (các đầu vào) của tế bào nơron có thế năng tác động vào

màng membran khác nhau được biểu diễn qua trọng lượng w i , i = 1, , m tương ứng

với cường độ kích thích của từng đầu vào Tổng giá trị của các kích thích đầu vào được

thực hiện qua một bộ cộng, đó là giá trị đo kích thích đầu vào tác động vào tế bào nơron.

Đầu ra của bộ cộng được đưa đến khâu đáp ứng ặ) Khâu này không chỉ có

chức năng tạo ra đáp ứng tức thời mà còn có khả năng lưu giữ các đáp ứng theo thời gian Thành phần này hoạt động theo nguyên lý “ nhớ ” động

Nơron bị kích thích trong thời gian thế năng của màng membran vượt quá

ngưỡng Quan hệ này được thực hiện nhờ khâu tạo tín hiệu ặ), nó có chức năng của

khâu tạo tín hiệu ngưỡng, xác định phụ thuộc của tín hiệu ra y vào các kích thích đầu vàọ

Cách thành lập nơron nhân tạo như vậy tạo ra một độ tự do trong thiết kế Việc

lựa chọn khâu cộng tín hiệu đầu vào, khâu đáp ứng ặ) sẽ cho ra các kiểu mạng nơron

nhân tạo khác nhau và tương ứng là các mô hình mạng khác nhaụ

Theo hình 2.3 thì tín hiệu đầu ra y i:

m j ij

01

)

(

f khi

f khi f

a (2.2)

như vậy y i chỉ có thể có 2 giá trị bằng 0, hoặc bằng 1

,1

i j m j ij i

Các hàm f(.) thường được sử dụng[4]

+ Hàm bình phương (Quadratic function):

,2 1

i j m j ij

1

2

i ij m

j j



 (2.5)

trong đó  và w ij là bán kính và tâm của hình cầu

+Hàm đa thức (Polynomial function):

,1

1

i k j k j m k ijk m

j i

k j

x x x x w

Các hàm kích hoạt thường được sử dụng:

+ Hàm bước nhẩy (Step function):

01

)(

f if

f if f

01

)()

(

f if

f if f

sng f

a , (2.8)

1 0

1 1

) (

f if

f if

f

f if f

a , (2.9)

+ Hàm sigmoid đơn cực (Unipolar sigmoid function):

f e f



 1

1 ) ( , (2.10)

+ Hàm sigmoid lưỡng cực (Bipolar sigmoid function):

1 1

2 )



e f

a  , (2.11) Trong đó  0

Hình 2.4 là thể hiện dưới dạng đồ thị quan hệ a(f) của 5 hàm kích hoạt trên:

Hình 2.4 Các hàm kích hoạt: (a) Hàm bước nhẩy; (b) Hàm dấu; (c) Hàm dốc; (d) Hàm

sigmoid đơn cực; (e) Hàm sigmoid lưỡng cực

2.1.4 Phân loại theo cấu trúc mạng nơron

Mạng nơron 1 lớp:

Hình 2.5 là một loại liên kết đặc thù của mạng nơron Nơron được vẽ là các vòng tròn xem như một tế bào thần kinh, chúng có các mối liên hệ đến các nơron khác nhờ các trọng số

Một lớp nơron là một nhóm các nơron mà chúng đều có cùng các trọng số, nhận cùng số tín hiệu đầu vào đồng thời (hình 2.5.a)

Trong ma trận trọng số, các hàng thể hiện các nơron, mỗi hàng thứ j có thể đặt

nhãn như một véc tơ W j của nơron thứ j gồm m trọng số w ij Các trọng số trong cùng

một cột thứ j (j=1,2, ,n) đồng thời cùng nhận một tín hiệu đầu vào x j:

W j = [wj1, wj2, , wjm] (2.12)

Tại cùng một thời điểm, véc tơ đầu vào x = [x 1 , x 2 , , x m], (2.13)

có thể một nguồn bên ngoài là cảm biến hoặc thiết bị đo lường đưa tới mạng

Hình 2.5a Hình 2.5b

Hình 2.5c

Mạng nơron truyền thẳng nhiều lớp:

Mạng nơron nhiều lớp (hình 2.5.c) có các lớp được phân chia thành 3 loại sau đây:

Lớp vào là lớp nơron đầu tiên nhận tín hiệu vào x i Mỗi tín hiệu x i được đưa đến tất cả các nơron của lớp đầu vào, chúng được phân phối trên các trọng số đúng bằng số nơron của lớp này Thông thường, các nơron đầu vào không làm biến đổi các tín hiệu

vào x i tức là chúng không có các trọng số hoặc không có các loại hàm biến đổi nào, chúng chỉ đóng các vai trò phân phối các tín hiệu và không đóng vai trò sửa đổi chúng

Lớp ẩn là lớp nơron dưới lớp vào, chúng không trực tiếp liên hệ với thế giới bên ngoài như các lớp nơron vào và ra

Lớp ra là lớp nơron tạo các tín hiệu ra cuối cùng

Mạng nơron hồi quy:

Mạng nơron hồi quy còn gọi là mạng nơron phản hồi, là loại mạng tự liên kết thành các vòng và liên kết hồi quy giữa các nơron Mạng nơron hồi quy có trọng số liên kết đối xứng như mạng Hopfield luôn hội tụ về trạng thái ổn định (hình 2.5.b) Mạng BAM thuộc nhóm mạng nơron hồi quy, gồm 2 lớp liên kết 2 chiều, không được gắn với tín hiệu vào - ra Nghiên cứu mạng nơron hồi quy có trọng số liên kết không đối xứng sẽ gặp phức tạp nhiều hơn so với mạng truyền thằng và mạng hồi quy đối xứng

Mạng nơron hồi quy gồm hai loại:

+ Mạng các dãy Jordan (Jordans Sequential Networks)

Hình 2.6 là cấu trúc chung của mạng Jordan Mạng đầu vào của mạng gồm tín hiệu phản hồi đầu ra vào lớp Context kết hợp với tín hiệu vào ở trạng thái sau đó, lớp Context sao chụp tín hiệu ra của thời điểm trước đó qua con đường phản hồi với trọng

số đơn vị Hàm hoạt hóa của phần tử thuộc lớp Context C i có dạng:

) ( )

C t

t S t

i

i( ) ( 0 ) ( )

0

) (





   (2.15)

Hình 2.6 Cấu trúc chung của mạng Jordan

Nếu y i cố định, C i sẽ giảm theo luật hàm mũ Tín hiệu ra của phần tử Context viết dưới dạng rời rạc như sau:

)()()1()1

C i    i  i (2.16) Nếu coi các phần tử lớp Context là các tín hiệu vào, ta có thể dùng luật Back-Propagation (BP) để luyện mạng

+ Mạng hồi quy đơn giản (Simple Recurrent Networks-SRN)

Liên kết phản hồi từ lớp ẩn đi tới lớp Context (hình 2.7) Mạng đầu vào được coi có hai phần: đầu vào thực và đầu ra của bộ Context

Hình 2.7 Mạng hồi quy đơn giản

+ Mạng hồi quy hoàn toàn (Fully Recurrent Networks):

Mạng này đã được xây dựng theo mẫu Instar-Outstar Mạng hồi quy hoàn toàn hay còn gọi là Sequential Competitive Avalanche Field (SCAF), có tác dụng nhận số lượng mẫu nhiều hơn Ngoài ra còn có một số mạng hồi quy khác được gọi là mạng lan truyền ngược hội tụ Trong loại mạng này, các lớp và bản thân mỗi phần tử của mỗi lớp đều có liên hệ ngược với bản thân chúng Với mạng hồi quy hoàn toàn, hình thành quan điểm thực hiện và luyện mạng hồi quy là hình thành mạng hồi quy từ mạng truyền thẳng nhiều lớp được xây dựng từ một lớp cho mỗi bước tính T Khái niệm này gọi là lan truyền ngược theo thời gian phù hợp khi quan tâm đến các dãy với độ lớn T

là nhỏ

Đặc điểm cấu trúc mạng nơron mà người ta quan tâm đến là: số lượng đầu vào, đầu ra; số lượng các lớp, số lượng nơron có trong mỗi lớp; trọng số liên kết trong mỗi lớp và giữa các lớp với nhau

Căn cứ vào yêu cầu của tín hiệu học, đối với mỗi cấu trúc mạng, mạng nơron cần được đánh giá lại giá trị của trọng số liên kết bằng cách thực hiện bài toán tối ưu thông qua các điều kiện thực hiện được gọi là luật học Mỗi luật học chỉ phù hợp với từng dạng tín hiệu học và cũng chỉ phù hợp với từng kiểu cấu trúc mạng

- Học có giám sát (Supervised Learning): Là quá trình học có tín hiệu chỉ đạo bên ngoài d (hình 2.8)

- Học củng cố (Reinforcement Learning): Tín hiệu chỉ đạo d có thể lấy từ bên ngoài môi trường (hình 2.8), nhưng tín hiệu này không được đưa đầy đủ mà chỉ đưa đại

diện một vài bit để có tính chất kiểm tra quá trình đúng hay sai Phương pháp này chỉ là

một trường hợp của phương pháp học có giám sát

- Học không có giám sát (Unsupervised Learning): Là quá trình học không có tín hiệu chỉ đạo từ bên ngoài (hình 2.9) Hình 2.10 mô tả cấu trúc chung của quá trình

học của ba phương pháp học đã được nêu trên Trong đó tín hiệu vào xj(j = 1, 2, 3, ,

m) có thể được lấy từ đầu ra của các nơron khác hoặc có thể được lấy từ bên ngoài

Trọng số của nơron thứ i được thay đổi tùy theo tín hiệu ở đầu vào mà nó thu nhận, giá

trị đầu ra của nó Dạng tổng quát của luật học trọng số của mạng nơron cho biết là gia

số của véc tơ W i w i là W i tỷ lệ với tín hiệu học r và tín hiệu đầu vào x(t):

Hình 2.10 Cấu trúc chung của quá trình học

Từ (2.17) ta thấy véc tơ trọng số  T

im i

i

W  1, 2, , có số gia tỉ lệ với tín hiệu vào x

và tín hiệu học r Véc tơ trọng số ở thời điểm (t + 1) được chính là:

)())(),(),(()()1

t x r dt

t

dW i



 (2.20)

Vấn đề quan trọng trong việc phân biệt luật học cập nhật trọng số có giám sát

hay không có giám sát hoặc học củng cố là tín hiệu học r như thế nào để thay đổi hoặc

cập nhật trọng số trong mạng nơron

Mạng nơron nhân tạo có các tính chất sau đây:

- Là hệ phi tuyến

- Là hệ xử lý song song

- Là hệ học và thích nghi: Mạng được luyện từ số liệu quá khứ, có khả năng tự

chỉnh khi số liệu đầu vào bị mất

- Là hệ nhiều biến, nhiều đầu vào, nhiều đầu ra (MISO), rất tiện dùng khi điều

khiển đối tượng có nhiều biến số

2.2 ỨNG DỤNG CỦA MẠNG NƠRON TRONG ĐIỀU KHIỂN

Định lý Weierstrass, làm cơ sở cho sử dụng mạng nơron biểu diễn gần đúng hàm liên tục dựa vào quan hệ số liệu vào – ra của đối tượng nghiên cứu Đã có một số thành công về việc sử dụng mạng nơron truyền thẳng nhiều lớp có một hay nhiều lớp

ẩn, với hàm kích hoạt sigmoid để biểu diễn gần đúng hàm liên tục

Tuy nhiên, để biểu diễn gần đúng một hàm liên tục nào đó bằng phương pháp sử dụng mạng nơron nhiều lớp, thì việc xác định số lớp ẩn, số nơron trong mỗi lớp ẩn hiện nay vẫn chưa có nghiệm duy nhất, vì bản chất là tìm nghiệm của bài toán tối ưu Nhưng bằng thực nghiệm đã chứng tỏ rằng mạng nơron truyền thẳng 2 lớp ẩn có nhiều

ưu điểm hơn so với việc sử dụng mạng nơron chỉ có 1 lớp ẩn về độ chính xác của việc biểu diễn và tốc độ hội tụ của thuật toán Một số nguyên tắc tính cho mạng nơron cũng

đã được đề cập

Theo định lý Kolmogorop, đối với hàm liên tục có N biến, người ta có thể thay thế bằng tổng các phần tử tuyến tính và phi tuyến của hàm liên tục đơn biến Vì thế để mạng nơron truyền thẳng 4 lớp có thể biểu diễn gần đúng một hàm liên tục của N biến cần sử dụng N(2N+1) nơron ở lớp ẩn thứ nhất và (2n+1) nơron ở lớp ẩn thứ 2

Sau đây trình bày các loại cấu trúc mạng nơron đã được ứng dụng trong lĩnh vực nhận dạng và điều khiển