Tìm hiểu lập trình c cho 8051 và ứng dụng thiết kế hệ thống đo nhiệt độ hiển thị trên LCD

Để tínhtổng hợp tín hiệu đầu vào , ta giả định là hàm của các tín hiệu và cáctrọng số ..1.1 Có nhiều cách để tính tổng tín hiệu vào của nơron, trên dây là cách khá đơngiản và hữu ích khi

MỤC LỤC

Mở Đầu 1

Chương 1 Tổng quan về mạng nơ-ron và logic mờ 3

1.1 Tổng quan về mạng nơ-ron 3

1.1.1 Giới thiệu về mạng nơ-ron nhân tạo 3

1.1.2 Mạng nơ-ron sinh học 3

1.1.3 Mạng nơ-ron nhân tạo 4

1.1.4 Định nghĩa và phân loại mạng nơ-ron nhân tạo 8

1.1.5 Một số ứng dụng của mạng nơ-ron 14

1.1.6 Mạng thích nghi 15

1.2 Tổng quan về logic mờ 19

1.2.1 Quá trình phát triển của logic mờ 19

1.2.1 Các khái niệm cơ bản của logic mờ 19

1.2.3 Cơ sở toán học của logic mờ 23

Chương 2 Hệ suy diễn mờ ( fuzzy inference system) 30

2.1 Tích hợp giữa hệ mờ và mạng no-ron 30

2.1.1 Lý do tích hợp giữa hệ mờ và mạng no-ron 30

2.1.2 Các hướng tiếp cận kết hợp hệ mờ với mạng no-ron 32

2.2 Tổng quan về hệ suy diễn mờ 34

2.2.1 Hệ suy diễn mờ Mamdani 36

2.2.2 Hệ suy diễn mờ Tsukamoto 37

2.2.3 Hệ suy diễn mờ Takagi-Sugeno 38

2.3 Ứng dụng hệ suy diễn mờ trên cơ sở mạng thích nghi trong bài toán phân lớp 49

2.3.1 Phát triển bài toán 49

2.3.2 Ứng dụng hệ ANFIS trong bài toán phân lớp dữ liệu 51

Chương 3 Giới thiệu phần mềm MATLAB 52

3.1 Giới thiệu chương trình mô phỏng hệ ANFIS 52

3.3 Kết quả thử nghiệm 61

3.4 Đánh giá hệ thống 62

3.5 Kết luận 63

Kết luận 64

Tài liệu tham khảo 65

Mở Đầu

Ngày nay, Công nghệ thông tin đang ngày càng phát triển một cách mạnh

mẽ Nó xâm nhập vào mọi lĩnh vực trong cuộc sống Chính vì vậy, để có thể đemlại kết quả cao nhất trong mọi lĩnh vực thì con người đã không ngừng tìm hiểu vànghiên cứu nhằm phát minh ra những sản phẩm thông minh, mang tính trí tuệ cao.Một trong những nghiên cứu lớn nhất của ngành Công nghệ thông tin đó là cốgắng mô phỏng những hoạt động của sản phẩm giống như bộ não con người Đây

là một vấn đề cực khó Hiện nay, con người đang tiếp cận bộ não của mình theonhiều phương pháp khác nhau Để diễn tả khả năng tư duy của bộ não, người ta sửdụng các hệ mờ trên cơ sở logic mờ để suy diễn Nhằm mô phỏng khả năng học,người ta đưa ra mô hình mạng noron nhân tạo

Từ những thập kỷ 20 trở lại đây, lý thuyết mờ và mạng noron nhân tạo đãphát triển rất nhanh và đa dạng Công nghệ mờ và công nghệ mạng noron đã cungcấp những công nghệ mới cho các ngành công nghiệp làm ra nhiều sản phẩmthông minh, đáp ứng được đầy đủ nhu cầu của thị trường cần có những bộ điềukhiển linh hoạt hơn, những thiết bị “biết suy nghĩ”, làm việc với những bài toánkhó, phải xử lý nhiều thông tin mờ, chưa đầy đủ và thiếu chính xác

Lý thuyết mờ và mạng noron nhân tạo đều có những ưu điểm và nhược điểmriêng Chính vì vậy, một cách tiếp cận chắc chắn sẽ đem lại nhiều thành công và làhướng mở cho nhiều nhà nghiên cứu, đó là tích hợp giữa hệ mờ và mạng noron lạivới nhau Việc tích hợp này sẽ làm tăng thêm những ưu điểm của cả hai hệ vàkhắc phục được đáng kể những nhược điểm của lý thuyết mờ và mạng noron nhântạo Trên thực tế, có rất nhiều cách tiếp cận để tích hợp mạng noron với lý thuyếttập mờ, việc tích hợp này chủ yếu dựa vào từng ứng dụng cụ thể và từng quanđiểm của mỗi chuyên gia

Việc tích hợp giữa mạng noron và lý thuyết tập mờ vẫn đã và đang là mộthướng mở và thời sự cho các nhà nghiên cứu trên thế giới Vì vậy, trong khuônkhổ của đồ án, chủ yếu là đi vào tìm hiểu và nghiên cứu các hướng kết hợp chínhcủa hai công nghệ này Dựa trên các cách tiếp cận đó, đồ án tập trung đi sâunghiên cứu, tìm hiểu và phân tích những ưu nhược điểm của hệ suy diễn mờ trên

cơ sở mạng thích nghi Để thực hiện mục đích đó, đồ án được trình bày trong 3chương như sau:

 Chương 1: Tổng quan về mạng noron và logic mờ

 Chương 2: Hệ suy diễn mờ

 Chương 3: Giới thiệu phần mềm MATLAB

Qua đồ án này, em xin chân thành cảm ơn: Ths Nguyễn Thị Tuyển bộ mônkhoa học máy tính đã tận tình giúp đỡ, động viên, định hướng, hướng dẫn và tạomọi điều kiện để em có thể hoàn thành đồ án này.

Em xin chân thành cám ơn các thầy cô trong bộ môn khoa học máy tínhtrường Đại học công nghệ thông tin và truyền thông đã quan tâm dạy dỗ và giúp

đỡ em trong suốt năm năm học vừa qua và trong quá trình làm đồ án tốt nghiệp

Em xin cám ơn sự giúp đỡ nhiệt tình của các bạn sinh viên trong lớp KHMT đãđộng viên và đóng góp nhiều ý kiến quý báu cho em trong quá trình học tập cũngnhư khi làm đồ án tốt nghiệp

Thái nguyên, tháng 6 năm 2011

Chương 1 Tổng quan về mạng nơ-ron và logic mờ

1.1 Tổng quan về mạng nơ-ron

1.1.1 Giới thiệu về mạng nơ-ron nhân tạo

Mạng nơron hay mạng nơron nhân tạo là sự tái tạo bằng kỹ thuật những chứcnăng của hệ thần kinh con người Trong quá trình tái tạo không phải tất cả cácchức năng của bộ não con người có đều được tái tạo, mà chỉ có những chức năngcần thiết Bên cạnh đó còn có những chức năng mới được tạo ra nhằm giải quyếtmột bài toán điều khiển đã định hướng trước Trước khi tìm hiểu về mạng nơronchúng ta giới thiệu sơ lược về mạng nơron sinh học

1.1.2 Mạng nơ-ron sinh học

Não người là tổ chức vật chất cấp cao, có cấu tạo vô cùng phức tạp, dày đặccác mối liên kết giữa các nơron nhưng xử lý thông tin rất linh hoạt trong môitrường bất định

Hình 1.1 Mô hình mạng nơron sinh học

Trong bộ não người có khoảng tế bào thần kinh được gọi là cácnơron và mỗi nơron có thể liên kết với nơron khác thông qua các khớp nốithần kinh (synapse) Dưới con mắt của những người làm tin học cấu tạo của mỗinơron gồm 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 các nơron khác được gọi là axon, trên axon cócác 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 noron được chia làm hai loại: loại nhận thông tin từ các nơron

khác qua axon, mà ta sẽ gọi là rễ đầu vào và loại đưa thông tin qua axon tới các nơron khác, gọi là rễ đầu ra Một nơron có thể có nhiều rễ đầu vào, nhưng chỉ có

một rễ đầu ra Bởi vậy nếu coi nơron như một khâu điều khiển thì nó chính làkhâu có nhiều đầu vào, một đầu ra Một nơron sẽ ở trạng thái kích thích khi tạiđầu vào xuất hiện một tín hiệu tác động vượt quá ngưỡng cân bằng của nơron.Một tính chất rất cơ bản của mạng nơ-ron sinh học là các đáp ứng theo kíchthích có khả năng thay đổi theo thời gian Các đáp ứng có thể tăng lên, giảm đihoặc hoàn toàn biến mất Qua các nhánh axon liên kết tế bào nơ-ron này với cácnơron khác, sự thay đổi trạng thái của một nơron cũng dẫn theo sự thay đổi trạngthái của những nơron khác và do đó là sự thay đổi của toàn bộ mạng nơ-ron Việcthay đổi trạng thái của mạng nơron có thể thực hiện qua một quá trình “dạy” hoặc

do khả năng “học” tự nhiên

Cấu trúc của mạng nơron luôn luôn phát triển và thay đổi để thích nghi dầnvới môi trường, làm cho cấu trúc bộ não ngày càng trở nên phức tạp sau mỗi lầnhọc Một số cấu trúc của nơron được xác định trước, một số sau này mới đượchình thành và một số thì bị huỷ bỏ qua quá trình chọn lọc tự nhiên, học và thíchnghi

Các nhà khoa học đã và đang xây dựng và phát triển các mô hình xử lý thôngtin mô phỏng hoạt dộng của bộ não người Đó chính là mô hình mạng nơ-ron nhântạo

1.1.3 Mạng nơ-ron nhân tạo

Một nơron nhân tạo phản ánh các tính chất cơ bản của nơron sinh học.Mỗi nơron nhân tạo là một đơn vị xử lí thông tin làm cơ sở cho hoạt động củamột mạng nơron Nó có chức năng nhận tín hiệu vào, tổng hợp và xử lý các tínhiệu vào để tính tín hiệu ra Dưới đây là một mô hình của một nơron nhân tạo

Hình 1.2 Mô hình một nơron nhân tạo

Trong đó:

- với : các tín hiệu đầu vào

- với : các trọng số tương ứng với đầu vào

- : ngưỡng kích hoạt của nơron

- : tín hiệu tổng hợp đầu vào

- : Hàm kích hoạt

- : tín hiệu ra của nơron Đầu vào của nơron nhân tạo gồm n tín hiệu với Mỗi tín hiệuđầu vào tương ứng với một trọng số với , nó thể hiện mức độ ảnhhưởng của tín hiệu đến nơron

Một nơron có thể có nhiều đầu vào nhưng chỉ có một tín hiệu đầu ra Tín hiệuđầu vào của một nơron có thể là dữ liệu từ bên ngoài mạng, hoặc đầu ra của mộtnơron khác, hoặc là đầu ra của chính nó

Nhằm tăng khả năng thích nghi của mạng nơron trong quá trình học, người ta

sử dụng gán thêm một tham số (Bias) cho mỗi nơron nhân tạo Tham số đó còn gọi

là trọng số của nơron, ta kí hiệu trọng số của nơron thứ là

Mỗi một nơron trong một mạng kết hợp các giá trị đưa vào nó thông qua cácliên kết với nơron khác, sinh ra một giá trị gọi là Hàm thực hiện nhiệm vụnày gọi là hàm kết hợp (combination function), được định nghĩa bởi một luật lantruyền cụ thể Trong phần lớn các mạng nơron, chúng ta giả sử rằng mỗi một

nơron cung cấp một bộ cộng như là đầu vào cho đơn vị mà nó liên kết Để tínhtổng hợp tín hiệu đầu vào , ta giả định là hàm của các tín hiệu và cáctrọng số

.(1.1)

Có nhiều cách để tính tổng tín hiệu vào của nơron, trên dây là cách khá đơngiản và hữu ích khi chúng ta xây dựng một mạng có nhiều nơron

Trường hợp , nơron được coi là đang ở trạng thái kích thích Tương

tự, nếu như , nơron ở trạng thái kiềm chế

Sau khi tổng hợp được tín hiệu đầu vào , sử dụng hàm kích hoạt biếnđổi để thu được tín hiệu đầu ra

(1.2)

Tóm lại có thể xem nơron là một hàm phi tuyến nhiều đầu vào, một đầu ra.Hàm kích hoạt phải thoả mãn các điều kiện sau:

- Tín hiệu đầu ra phải không âm với mọi giá trị của

- Hàm phải liên tục và bị chặn trong khoảng

Hàm kích hoạt hay còn được gọi là hàm nén vì chúng nén tín hiệu đầu ra vàomột khoảng nhỏ Hàm kích hoạt hay được sử dụng là:

Hàm đồng nhất (Linear function, Identity function)

Nếu coi các đầu vào là một đơn vị thì chúng ta sẽ sử dụng hàm này Đôi khimột hằng số được nhân với để tạo ra một hàm đồng nhất

01

Hàm bước nhị phân (Binary step function, Hard limit function)

Hàm này còn được gọi là hàm ngưỡng (Threshold function hay Heaviside

function) Đầu ra của hàm này chỉ giới hạn trong hai giá trị:

Hàm sigmoid lưỡng cực (Bipolar sigmoid function (tansig))

1.1.4 Định nghĩa và phân loại mạng nơ-ron nhân tạo

1.4.1.1 Định Nghĩa

Mạng nơron nhân tạo là sự mô phỏng hoạt động của bộ não con người Nó là

sự liên giữa các nơron độc lập với nhau Không có một định nghĩa tổng quát vềmạng nơron, song phần lớn những người làm việc trong lĩnh vực mạng nơron đều

có thể đồng ý với định nghĩa sau: “Mạng nơron là một hệ thống bao gồm rất nhiềuphần tử xử lý đơn giản hoạt động song song Tính năng của hệ thống này phụthuộc vào cấu trúc của hệ thống, cường độ liên kết giữa các phần tử và quá trình xử

lý bên trong các phần tử Hệ thống này có thể học số liệu và có khả năng tổng quáthoá từ các số liệu được học”

Trong định nghĩa trên, các phần tử xử lý được nhắc đến chính là các nơron

1.1.4.2 Phân loại

Liên kết các đầu vào và ra của nhiều nơron với nhau ta được một mạngnơron Nguyên lý cấu tạo của một mạng nơron bao gồm một hoặc nhiều lớp Mỗilớp bao gồm nhiều nơron có cùng một chức năng trong mạng

Mạng nơron nhân tạo có thể được chế tạo bằng nhiều cách khác nhau vì vậytrong thực tế tồn tại rất nhiều kiểu mạng nơron nhân tạo Dựa vào số lớp hay sựliên kết giữa các lớp trong mạng mà người ta phân mạng nơron nhân tạo thành cácnhóm khác nhau

 Phân loại theo số lớp

Phân loại theo số lớp thì mạng nơron nhân tạo gồm có hai nhóm: mạng mộtlớp và mạng nhiều lớp

- Mạng một lớp

Mạng một lớp cấu thành từ một lớp mạng, nó vừa là lớp vào vừa là lớp trunggian và cũng là lớp ra Một lớp mạng bao gồm một nhóm các nơron được tổ chứctheo một cách sao cho tất cả chúng đều nhận cùng một véc tơ

đầu vào để xử lý cùng thời điểm Việc sản sinh ra đầu vào, biến đổithành tín hiệu đầu ra xuất hiện cùng một lúc trong tất cả các nơron

Hình 1.5 Mô hình mạng một lớp.

- Mạng nhiều lớp

Mạng nhiều lớp được cấu thành từ nhiều lớp liên kết với nhau, bao gồm một

lớp vào, lớp ẩn và một lớp ra Trong đó, lớp nhận tín hiệu đầu vào được gọi là lớp vào Các tín hiệu đầu ra của mạng được sản sinh bởi lớp ra của mạng Các lớp nằm giữa lớp vào và lớp ra được gọi là lớp ẩn Lớp ẩn là thành phần nội tại của

mạng, nó không có bất kỳ tiếp xúc nào với môi trường bên ngoài Số lượng lớp ẩn

có thể dao động từ 0 đến một vài lớp Tuy nhiên thực tế cho thấy chỉ cần một lớp

ẩn là mạng đã đủ để giải quyết được một lớp các bài toán phức tạp nào

 Phân loại theo sự liên kết giữa các lớp

Sự liên kết trong mạng nơron tuỳ thuộc vào nguyên lý tương tác giữa đầu racủa từng nơron riêng biệt với nơron khác và tạo ra cấu trúc mạng nơron Vềnguyên tắc sẽ có rất nhiều kiểu liên kết giữa các nơron, nhưng chỉ có một số cấutrúc hay gặp trong ứng dụng sau:

- Mạng truyền thẳng (Feedforward neural networks)

Dòng dữ liệu đầu vào từ các nơron đầu vào đến các nơron đầu ra chỉ đượctruyền thẳng Việc xử lý dữ liệu có thể mở rộng ra nhiều lớp, nhưng không có cácliên kết ngược Tức là, không có các liên kết từ các đơn vị đầu ra tới các đơn vịđầu vào trong cùng một lớp hay các lớp trước đó

Nếu mô hình hoá mạng truyền thẳng bằng một đồ thị, thì nó là một đồ thị cóhướng hữu hạn không chu trình Trong đó, mỗi nơron là một nút, các liên liên kết

giữa các nơron là các cung của đồ thị Hình 1.6 là một minh họa về mạng truyền

chu trình Hình 1.7 minh họa cho một mạng hồi quy.

Hình 1.7 Mô hình mạng nơron nhiều lớp hồi quy

1.1.4.3 Thủ Tục học của mạng

Như chúng ta đã biết,mục đích cuối cùng của việc nghiên cứu ra mạng ron là huấn luyện cho mạng này biết “suy nghĩ” như não của con người Bởi vậyvấn đề quan trọng nhất và không thể thiếu được trong việc hình thành ra một mạngnơ-ron đáp ứng được đầy đủ yêu cầu của con người đó là quy tắc học của mạngnơ-ron Chúng ta có thể chia ra làm hai loại: Học có giám sát và học không giámsát

nơ- Học có giám sát

Mạng được huấn luyện bằng cách cung cấp cho nó các cặp mẫu đầu vào vàcác đầu ra mong muốn Do vậy mục đích chính của việc học có giám sát chính làxác định một tập tham số tốt nhất với một cấu trúc mạng cố định Để làm đượcđiều này ta phải điều chỉnh dần mạng do tồn tại sự khác biệt giữa đầu ra thực tế vàđầu r among muốn Khi đó ta phải xây dựng một hàm giá dựa trên tập các ký hiệumẫu Ttrain và tập trọng số W Hàm giá này có thể là một hàm khả vi bất kỳ mà cótính chất đạt đến cực tiểu khi các đầu ra Oi đúng bằng đầu ra lý tưởng yi của tậpmẫu

Hãy nói một cách cụ thể, trong học có giám sát mỗi vecto tín hiệu đầu vào Xđược cấp cho mạng thì đồng thời cũng cấp luôn cho mạng vecto đầu r amongmuốn Y Do đó, mạng sẽ được chỉ đạo phải sản sinh ra tín hiệu đầu ra Out như thếnào Độ lệch giữa tín hiệu đầu ra Out của mạng và vecto đầu ra yi sẽ được một bộsản sinh sai số thu nhận Bộ phận này sẽ sinh ra tín hiệu sai số Tín hiệu sai số này

sẽ đi vào mạng và mạng sẽ hiệu chỉnh các trọng số sao cho tín hiệu đầu ra Out sẽgần với vecto đầu ra mong muốn yi

vào

Hình 1.9 : sơ dồ học không giám sát

1.1.4.4 Đặc trưng của mạng no-ron

Mô hình mạng nơ-ron là một mô hình được ứng dụng nhiều trong thực tếcũng như đem lại những thành công to lớn trong cuộc cách mạng công nghệ máytính và quá trình xử lý thông tin Sở dĩ nó có thể đem lại những lợi ích lớn như vậy

là do nó có những đặc trưng chính sau:

- Khả năng của các quá trình xử lý song song và phân tán: Có thể đưa vàomạng một khối lượng lớn các nơ-ron liên kết với nhau theo những lược đồ với cáckiến trúc khác nhau

- Khả năng thích nghi và tự tổ chức: là khả năng xử lý thích nghi và điềuchỉnh bền vững dựa vào các thuật toán thích nghi và các quy tắc tự tổ chức

- Khả năng dung thứ lỗi: Có thể bắt trước khả năng dung thứ lỗi của não theođịnh nghĩa hệ thống có thể tiếp tục làm việc và điều chỉnh khi nhận tín hiệu vàomột phần thông tin bị sai lệch hoặc thông tin bị thiếu

- Khả năng xử lý các quá trình phi tuyến: Đây là một đặc trưng quan trọng ví

dụ trong xấp xỉ mạng, miễn nhiễu và có khả năng phân lớp

Véc tơ

vào

1.1.5 Một số ứng dụng của mạng nơ-ron

1.1.5.1 Mạng no-ron trong phân lớp

Trong lĩnh vực phân cụm dữ liệu thì mạng nơ-ron cũng có rất nhiều ứngdụng,có thể kể đến các kết quả của một số mạng như : mạng ánh xạ đặc trưng tự tổchức ( self-organizing feature maps ) do Kohonen đề xuất, mạng kohonen mờ( fuzzy Kohonen clustering network ) do Tsao đề xuất hay mạng Hopfield mờ( fuzzy Hopfield neural network ) do Lin đề xuất Các mạng này đã có sự kết hợpvới các công thức của fuzzy c-means để thực hiện quá trình phân cụm

1.1.5.2 Mạng no-ron trong nhận dạng

Nhận dạng mẫu là một nghành khoa học mà vai trò của nó là phân lớp cácđối tượng thành một số loại hoặc một số lớp riêng biệt Tuỳ thuộc vào lĩnh vựcứng dụng, các đối tượng có thể ở dạng ảnh, dạng tín hiệu, kí hiệu, nói chung là

“mẫu” (pattern) Hiện nay mạng nơron đã được sử dụng rất nhiều vào ngành khoahọc này, có thể kể đến một số loại mạng như sau: mạng Perceptron, mạng Adaline,mạng sao vào (Instar)…

1.1.5.3 Mạng no-ron trong dự báo

Hiện nay phân tích dự báo sử dụng mô hình mạng nơ-ron mờ được ứng dụngrộng rãi trong nhiều lĩnh vực, chẳng hạn như phân tích dự báo một số mặt hàngchiến lược ảnh hưởng đến nền kinh tế Việt Nam và ảnh hưởng của chúng có tácđộng rất lớn đến các hoạt động kinh tế khác Đây là hướng nghiên cứu mới đangđược các nhà khoa học quan tâm

1.1.5.4 Mạng no-ron trong bài toán tối ưu

Vấn đề chính ở đây là tìm những thuật toán huấn luyện mạng sao cho gópphần tìm nghiệm cho nhiều lớp bài toán tối ưu toàn cục

Có thể nêu lên các bước sau đây trong việc sử dụng mạng nơron để giải cácbài toán tối ưu hoá hay còn gọi là ánh xạ các bài toán tối ưu lên mạng nơron:

- Chọn sơ đồ biểu diễn để các đầu ra của các nơron có thể giải mã thành cácnghiệm có thể của bài toán tối ưu

- Chọn hàm năng lượng sao cho cực tiểu của nó ứng với nghiệm “tốt nhất”của bài toán cần ánh xạ

- Gán giá trị cho các tham số của hàm năng lượng - điều này sẽ xác địnhcác trọng số tương đối gán cho các thành phần khác nhau của hàm năng lượng

- Rút ra phương trình động học của các nơron (tương ứng với việc xác địnhcác trọng số liên kết và đầu vào ngoài)

- Đặt giá trị đầu cho các tín hiệu vào

Không có phương pháp trực tiếp ánh xạ các bài toán tối ưu có ràng buộc lênmạng nơron ngoại trừ việc thêm vào hàm mục tiêu các thành phần phạt khi cácràng buộc bị phá vỡ Trong trường hợp hàm năng lượng được biểu diễn như tổng

có trọng của hàm mục tiêu của bài toán và các thành phần phạt

1.1.6 Mạng thích nghi

Mạng thích nghi là một cấu trúc mạng bao gồm các nút và các liên kết trựctiếp để liên kết giữa các nút đó với nhau Tuy nhiên, không phải lúc nào tất cả cácnút đều là thích nghi Đôi khi chỉ một phần các nút này phụ thuộc vào các tham sốcủa nút đó, sau đó luật học chỉ rõ làm thế nào để thay đổi các tham số nhằm đưa rađược kết quả gần với tập mẫu nhất( tối thiểu hóa sai số) Mạng thích nghi trên thực

tế là một mạng nơ-ron truyền thẳng, sử dụng luật học có giám sát Bây giờ chúng

ta sẽ đi nghiên cứu cấu trúc của mạng thích nghi và các luật học cơ sở của nó

Kiến trúc mạng thích nghi và luật học cơ sở

Mạng thích nghi là một mạng lan truyền thẳng gồm có nhiều lớp, mỗi lớp cónhiều nút khác nhau, mỗi nút thực hiện một hàm đặc biệt( còn được gọi là núthàm- node function) trên dữ liệu đến nút đó như một tập các tham số thuộc về lớp

đó Để phản ánh khả năng thích nghi khác nhau, người ta sử dụng hai loại nút, đó

là nút hình tròn và nút hình vuông Trong đó, nút hình tròn ( nút cố định) không cótham số, còn nút hình vuông ( nút thích nghi) có các tham số Tập các tham số củamạng thích nghi là hợp của các tham số của mỗi nút

Bình thường, các nút hàm có thể biến đổi từ nút này đến nút khác và việcchọn mỗi một nút hàm phụ thuộc vào tất cả các hàm vào ra mà mạng thích nghiyêu cầu thực hiện Như vậy đối tượng mạng thích nghi để có thể đưa ra được mộtđầu ra mong đợi thì những tham số được cập nhật theo tập dữ liệu huấn luyện, thủtục học trên cơ sỏ gradient được mô tả dưới đây:

Giả sử rằng chúng ta có một mạng thích nghi gồm L lớp, và lớp thứ k có #knút Ta có thể ký hiệu vị trí của nút thứ I trong lớp k là (k,i), và hàm của nút (nútra) là Vì nút ra phụ thuộc vào dữ liệu đến nút và tập các tham số, nên ta có:

Ở đây a,b,c là các tham số thuộc về nút này

Giả sử rằng có tập dữ liệu huấn luyện P đầu vào, chúng ta có thể định nghĩalỗi cho đầu vào thứ p (1 p P) của dữ liệu huấn luyện là tổng sai số bìnhphương

Trong đó là thành phần thứ I của vecto đầu ra đích thứ p, là thànhphần thứ I của vecto đầu ra thực tế có được từ vecto đầu vào thứ p Do vậy, nếu ta

có P đầu vào thì tổng lỗi là :

Để phát trine thủ tục học sử dụng phương pháp giảm gradient trong J trênkhông gian tham số, trước tiên chúng ta đi tính tỉ lệ lỗi cho dữ liệu huấnluyện thứ p và cho mỗi nút ra O Tỷ lệ lỗi cho nút ra tại (L, i) có thể được tính theophương trình sau:

= -2( - )

Tại nút (k,i) bên trong, tỷ lệ lỗi có được tính bởi công thức sau:

=

Luật học Lai – Học gián tiếp (Off- line learning)

Đối với luật học lai- học gián tiếp thì để xác định các tham số không chỉ sửdụng phương pháp gradient mà còn kết hợp thêm với phương pháp ước lượng bìnhphương tối thiểu để xác định các tham số

Giả sử mạng thích nghi chỉ có một đầu ra:

Out= F( ,S)

Trong đó, là tập các biến đầu vào và S là tập các tham số Nếu tồn tại mộthàm H là hàm đa hợp tuyến tính H(F) trong một số các phần tử của S Khi đónhững phần tử này có thể được xác định bởi phương pháp ước lượng bình phươngtối thiểu Nếu tập các tham số có thể được chia thành hai tập và và

Với biểu diễn tổng trực tiếp, hay nói một cách khác H(f) là tuyến tínhtrong các phần tử của ta có:

H(Out) = H(F( ,s))

Trong đó H là hàm tuyến tính của các phần tử trong , khi đó với giá trị củacác phần tử của

Luật học lai – học trực tiếp ( On – Line learning)

Mô hình học trực tiếp là một mô hình mà các tham số được cập nhật sau mỗilần thực hiện Mô hình này còn được gọi là mô hình học mẫu Đây là một mô hìnhhọc dùng để xác định các tham số một các trực tiếp cho hệ thống với những đặctrưng thay đổi Để sửa đổi luật học của nó, ta thấy rằng giảm gradient có thể đượcdựa trên thay thế cho J Tuy nhiên, đây không phải là gradient chuẩn dùng đểtối thiểu học J, bởi vì nếu tỷ lệ học nhỏ thì nó sẽ không xấp xỉ tới 1

Với dãy các công thức ước lượng bình phương tối thiểu để xác định các đặctrưng biến đổi của dữ liệu đến, chúng ta cần giảm ảnh hưởng của cặp dữ liệu cũkhi mà luôn sẵn có cặp dữ liệu mới Một phương pháp đơn giản là tính sai số bìnhphương khi trọng số mới lớn hơn trọng số của cặp dữ liệu hiện tại, ở đây chúng tađưa thêm một số nhân tố (forgetting factor) vào dãy các công thức ban đầu:

]

Ở đây giá trị [0, 1], tuy nhiên càng nhỏ thì việc ảnh hưởng tới việc loại

bỏ dữ liệu cũ càng nhanh Nhưng nếu nhỏ lại thường là nguyên nhân của sựkhông ổn định

1.1.6.4 kết luận

Việc tạo ra lý thuyết tập mờ không những ứng dụng tự động hóa các hoạtđộng tư duy của con người mà còn là sự mở rộng rất chính xác của khái niệm tậphợp kinh điển Nó mở ra một tầm nhìn mới với nhiều hướng nghiên cứu mới Lợiích của việc mở rộng lý thuyết tập mờ là biến các phương pháp giải tích rõ thànhcác kỹ thuật mờ, đây là khả năng giải quyết các bài toán luôn tồn tại các yếu tố tácđộng có bản chất không chính xác và nhiều

Zadeh – người sáng lập ra lý thuyết tập mờ đã từng nói rằng: Con người takhông cần các thông tin đầu vào dạng số chính xác mà vẫn có năng lực thích nghicao với môi trường Chính vì vậy, lý thuyết tập mờ đã được coi là rất phù hợp với

việc mô phỏng hoạt động tư duy của con người, xét về khả năng xử lý các thôngtin xấp xỉ để đưa ra các quyết định.

Ngày nay chính mạng nơ-ron đã tạo nên một cuộc cách mạng về công nghệmáy tính và sử lý thông tin nhờ vào khả năng tính toán song song và phân tán, khảnăng thích nghi và tự tổ chức, khả năng dung thứ lỗi,…

1.2 Tổng quan về logic mờ

1.2.1 Quá trình phát triển của logic mờ

Từ năm 1965 đã ra đời một lý thuyết mới đó là lý thuyết tập mờ ( Fuzzy settheory ) do giáo sư Lofti A.Zadeh ở trường đại học Califonia – Mỹ đưa ra.Từ khí

lý thuyết đo ra đời nó được phát triển mạnh mẽ qua các công trình khoa học củacác nhà khoa học như : năm 1972 giáo sư Terano và Asai thiết lập ra cơ sở nghiêncứu hệ thống điều khiển mờ ở Nhật, năm 1980 hãng Smith Co bắt đầu nghiên cứuđiều khiển mờ cho lò hơi…Những năm đầu thập kỷ 90 cho đến nay hệ thống điềukhiển mờ và mạng nơ-ron ( Fuzzy system and neural network ) được các nhà khoahọc, các kỹ sư và sinh viên trong mọi lĩnh vực khoa học kỹ thuật đặc biệt quan tâm

và ứng dụng trong sản xuất và đời sống Tập mời và logic mờ đã dựa trên cácthong tin “ không đầy đủ, về đối tượng để điều khiển đầy đủ về đối tượng mộtcách chính xác

Các công ty của Nhật bắt đầu dung logic mờ vào kỹ thuật điều khiển từ năm

1980 nhưng do các phần cứng chuẩn tính toán theo giải thuật logic mờ rất kém nênhầu hết các ứng dụng đều dùng các phần cứng chuyên về logic mờ Một trongnhững ứng dụng dùng logic mờ đầu tiên tại đây là nhà máy xử lý nước của FujiElectric vào năm 1983, hệ thống xe điện ngầm Hitachi vào năm 1987

1.2.1 Các khái niệm cơ bản của logic mờ

Định nghĩa tập mờ

Lý thuyết tập mờ là một phương pháp luận linh hoạt, mềm dẻo trong môitrường thông tin phức tạp, dữ kiện không chắc chắn, thiếu chính xác và biến động,kết hợp với sự trợ giúp của các chuyên gia để đưa ra được kết quả có độ chính xáccao nhất và tốc độ nhanh nhất [1], [2] Lý thuyết tập mờ là sự mở rộng của lýthuyết tập hợp kinh điển bằng cách chuyển miền giá trị của hàm thuộc từ {0,1}thành đoạn đơn vị [0,1]

Trong tập hợp kinh điển, một tập ( rõ) là một tập hợp các đối tượng riêngbiệt Nó được định nghĩa theo cách chia đôi các phần tử của một không gian nềncho trước thành hai nhóm: thuộc hay không thuộc Từ đó, một tập hợp rõ có thể

được định nghĩa thông qua hàm đặc trưng của tập đó như sau: Gọi U là không giannền, hàm đặc trưng của một tập rõ A trên U được định nghĩa như sau:

Đối với lý thuyết tập mờ, bất kỳ phần tử trong không gian U đều có khả năngthuộc tập mờ ở một mức độ nào đó Mức độ thuộc này được biểu thị bằng hàmthuộc của tập mờ Chính vì vậy mà tập mờ có thể được xem như là một sự mởrộng những ý tưởng cơ bản của tập hợp rõ (tập hợp kinh điển)

Định nghĩa 1:

A là một tập mờ trên không gian nền U nếu A được xác định bởi hàm:

là hàm thuộc biểu hiện ý nghĩa mờ của khái niệm tập mờ, nó là một điềukiện khi định nghĩa về một tập mờ cụ thể Giá trị của hàm thuộc là một phươngpháp tiện lợi để biểu diễn mức độ quan hệ của một phần tử đối với một khái niệmmờ

được gọi là hàm thuộc của tập Tập là tập kinh điển, là không gian

nền Như vậy hàm thuộc của tập cổ điển chỉ nhận hai giá trị là 0 hoặc 1 Giá trị 1của hàm thuộc còn được gọi là giá trị đúng, ngược lại 0 là giá trị sai của

Hàm thuộc định nghĩa trên tập , trong khái niệm kinh điển chỉ cóhai giá trị là 1 nếu hoặc 0 nếu Hình 1.1 mô tả hàm thuộc của hàm

, trong đó tập được định nghĩa như sau:

Cách biểu diễn hàm phụ thuộc như vậy không phù hợp với những tập được

mô tả “mờ” như tập gồm các số thực dương nhỏ hơn nhiều so với 6

,

có tập nền là , hoặc tập gồm các số thực gần bằng 3 cũng có tập nền

Tập , như vậy được gọi là các tập mờ.

Lý do là với những định nghĩa “mờ” như vậy chưa đủ để xác định được một

số chẳng hạn như có thuộc hoặc có thuộc hay không Nênchúng ta không thể dùng hàm thuộc của tập cổ điển chỉ có hai giá trị 1 và 0 đểđịnh nghĩa tập và trong trường hợp này

Vì vậy người ta nghĩ rằng: tại sao lại không mở rộng miền giá trị cho hàm thuộc của tập cổ điển, tức là hàm thuộc sẽ có nhiều hơn hai giá trị Khi đó thay vì

việc trả lời câu hỏi có thuộc hay không, ngưòi ta sẽ trả lời câu hỏi là:vậy thì thuộc bao nhiêu phần trăm? Giả sử rằng có câu trả lời thì lúcnày hàm thuộc tại điểm phải có một giá trị trong đoạn , tức

là

Nói cách khác hàm không còn là hàm hai giá trị như đối với tập

kinh điển nữa mà là một ánh xạ (hình )

trong đó là tập nền của tập “mờ”

tập mờ Tập kinh điển được gọi là tập nền (hay tập vũ trụ) của tập mờ

Ví dụ một tập mờ của các số tự nhiên nhỏ hơn 6 với hàm phụ thuộc

có dạng như hình 1.2a định nghĩa trên nền sẽ chứa các phần tử sau:

Số tự nhiên 1 và 2 có độ phụ thuộc

,các số tự nhiên 3 và 4 có độ phụ thuộc nhỏ hơn 1

Những số tự nhiên không được liệt kê đều có độ phụ thuộc bằng 0.

1.2.3 Cơ sở toán học của logic mờ

Logic mờ và xác suất thống kê đều nói về sự không chắc chắn Tuy nhiênmỗi lĩnh vực định nghĩa một khái niệm khác nhau về đối tượng

Trong xác suất thống kê sự không chắc chắn liên quan đến sự xuất hiện củamột sự kiện chắc chắn nào đó

Ví dụ : xác suất viên đạn trúng đích là 0

Bản thân sự kiện “ trúng đích” đã được định nghĩa rõ ràng, sự không chắcchắn ở đây là có trúng đích hay không và được định lượng bởi độ xác suất ( trongtrường hợp này là 0,8) Loại phát biểu này có thể được xử lý và kết hợp với cácphát biểu khác bằng phương pháp thống kê như là xác suất có điều kiện chẳnghạn

Sự không chắc chắn trong từ ngữ liên quan đến ngôn ngữ của con người đó là

sự không chính xác trong các từ ngữ mà con người dùng để ước lượng vấn đề vàrút ra kết luận Ví dụ như mô tả nhiệt độ “nóng”, “lanh”, “ấm” sẽ không có mộtgiá trị chính xác nào để gán cho các từ này các khái niệm này cũng khác nhau đốivới những người khác nhau ( là lạnh đối với người này nhưng không lạnh đối vớingười khác) Mặc dù các khái niệm không được định nghĩa chính xác nhưng conngười vẫn có thể sử dụng chúng cho các ước lượng và quyết định phức tạp Bằng

sự trừu tượng và óc suy nghĩ con người có thể giải quyết câu nói mang ngữ cảnhphức tạp mà rất khó có thể mô hình bởi toán học chính xác

Logic mờ và logic của con người

Để thực thi logic của con người cần phải có một mô hình toán học của nó Từ

đó logic mờ ra đời như một mô hình toán học cho phép mô tả các quá trình quyếtđịnh và ước lượng của con người theo dạng giải thuật Logic mờ không thể bắtchước trí tưởng tượng của con người nhưng logic mờ cho phép ta rút ra kết luậnkhi gặp những tình huống không có trong luật nhưng có sự tương đương Vì vậynếu mô tả mong muốn đối với hệ thống trong những trường hợp cụ thể thì logic

mờ sẽ tạo ra giải pháp dựa trên tất cả những mong muốn đó

Các phép toán về tập mờ

Các phép toán trên tập mờ được định nghĩa thông qua các hàm thuộc và đượcxây dựng tương tự như các phép toán trong lý thuyết tập mờ kinh điển, bao gồmtập con, phép giao, phép hợp và phép lấy phần bù

Cho A và B là hai tập mờ trên không gian nền U có các hàm thuộc , khi đó ta có:

Biến ngôn ngữ

Trong logic mờ, những biến ngôn ngữ đảm nhiệm những giá trị ngôn ngữ.Mỗi giá trị ngôn ngữ thực chất là một tập mờ xác định bởi một hàm thuộc vàkhoảng giá trị tương ứng Logic mờ cho phép các tập này có thể xếp giao nhau.Chẳng hạn ta có các giá trị ngôn ngữ như “nhanh”, “trung bình”, “chậm”, mỗi giátrị ngôn ngữ này có hàm thuộc dạng hình thang cân xác định trong khoảng tốc độ[20,100] Khi đó tốc độ 45 có thể trực thuộc cả tập mờ “chậm” lẫn tập mờ “trungbình”

Hình 1.11 : Các tập mờ điển hình dùng để định nghĩa biến ngôn ngữ

Một dạng suy rộng khác trong cơ sở tri thức của nhiều hệ mờ thực tiễn (ví dụtrong các hệ điều khiển mờ) có thể được phát biểu như sau:

Cho , ,…, là các biến vào của hệ thống, y là biến ra Các tập , , với i = 1,2,…,m, j = 1,2,…, n là các tập mờ trong không gian nền tương ứng củacác biến vào và biến ra là các suy diễn mờ dạng “if…then…”

is then y is

: if is and…and is then y is

: if is and…and is then y is

Bài toán:

Output Giá trị y là

ở đây ,…, là các giá trị đầu vào hay sự kiện ( có thể mờ hoặc rõ )

Chúng ta có thể nhận thấy, phần cốt lõi của nhiều hệ mờ cho bởi cơ sở tríthức dạng R = {các luật } và các cơ chế suy diễn cài đặt trong mô tơ suy diễn

Luật mờ if-then

Luật mờ if-then bao gồm hai phần: phần giả thiết và phần kết luận Phần giảthiết có thể được kết hợp từ nhiều biến và giá trị ngôn ngữ khác nhau, trong khi đóphần kết luận chính xác chỉ có một biến với giá trị ngôn ngữ Luật mờ if-thenthường có hai dạng:

Dạng 1 : Luật mờ if then thường được dùng để diễn tả những lập luận mơ hồ

và đưa ra những quyết định trong môi trường không chắc chắn và mập mờ

Dạng 2 : Được Takagi và Sugeno đưa ra là các tập mờ chỉ liên quan đến

phần giải thiết

Ví dụ : if vận tốc là nhanh, then lực tác động =

ở đây, nhanh trong phần giả thiết là một nhãn ngôn ngữ đặc trưng bởi mộthàm thuộc Tuy nhiên, phần kết luận được mô tả một phương trình không mờ củabiến đầu ra

1.2.7 Giải mờ

Sau khi thực hiện xong việc tính giá trị luật hợp thành chúng ta thu được kếtquả là một tập mờ cùng nền với tín hiệu ra [1] tuy nhiên kết quả đó chưa phải làmột giá trị thích hợp để điều khiển Chẳng hạn, bài toán điều khiển tốc độ xe, tuy

đã xác định được kết quả của luật điều khiển là tập mờ có hàm thuộc cho tốc

độ 50km, ta vẫn không biết phải chỉnh tay ga như thế nào, nói cách khác ta vẫnchưa biết phải điều chỉnh tay ga một goc mở là bao nhiêu?

Công việc xác định một góc mở tay ga cụ thể, hay nói một cách tổng quátviệc xác định một giá trị rõ từ tập mờ của nó, được gọi là giải mờ Giá

trị rõ xác định được có thể được xem như “phần từ đại diện xứng đáng” cho tậpmờ.

Căn cứ theo những quan điểm khác nhau về phần từ đài diện xứng đáng mà

ta có các phương pháp giải mờ khác nhau Trong điều khiển, người ta thường hay

sử dụng hai phương pháp chính:

Phương pháp điểm cực đại

Phương pháp điểm trọng tâm

Phương pháp điểm cực đại

Tư tưởng chính của phương pháp giải mờ điểm cực đại là tìm trong tập mờ

có hàm thuộc một phần tử rõ với độ phụ thuộc lớn nhất, tức là:

=

Hình 1.12: giải mờ bằng phương pháp cực đại

Tuy nhiên do việc tìm như trên có thể dẫn tới vô số nghiệm nên ta phảiđưa thêm những yêu cầu cho phép chọn trong số các nghiệm đó một giá trị cụthể chấp nhận được Như vậy, việc giải mờ bằng phương pháp cực đại gồm haibước:

Xác định miền chứa giá trị rõ Giá trị rõ là các giá trị mà tại đó hàmthuộc đạt giá trị cực đại, tức là miền:

Xác định có thể chấp nhận được từ G

Phương pháp điểm trọng tâm

Phương pháp điểm trọng tâm sẽ cho ra kết quả là hoành độ của điểm trọngtâm miền được bao bởi trục hoành và đường cong

Với S = supp = {y| 0} là miền xác định của tập mờ R

Hình 1.13: Phương pháp giải mờ điểm trọng tâm.

Đây là phương pháp ưa được sử dụng nhất Nó cho phép ta xác định giá trị với sự tham gia của tất cả các tập mờ đầu ra của luật điều khiển một cách bìnhđẳng và chính xác

1.2.8.Ứng dụng

Logic mờ có thể được sử dụng để điều khienr các thiết bị gia dụng như máygiặt ( cảm nhận kích thước tải và mật độ bột giặt và điều chỉnh các chu kỳ giặttheo đó ) và tủ lạnh

Một ứng dụng cơ bản có thể có đặc điểm là các khoảng con của một biến liên

biệt được xác định các khoảng nhiệt độ củ thể để điều khiển phanh một cách đúngđắn Mỗi hàm ánh xạ cùng một số đo nhiệt độ với một khoảng giá trị trongkhoảng từ 0 đến 1 Sau đó các khoảng giá trị này được dùng để quyết định cácphanh nên được điều khiển như thế nào

Trong hình cold ( lạnh ), warm ( ấm ), và hot ( nóng ) là các hàm ánh xạ mộtthang nhiệt độ Một điểm trên thang nhiệt độ có 3 khoảng giá trị mỗi hàm một giátrị Đối với nhiệt độ cụ thể trong hình, 3 khoảng giá trị này có thể được giải nghĩa

là 3 miêu tả về nhiệt độ là : “tương đối lạnh”, “ hơi hơi ấm”, và “ không nóng”

Chương 2: Hệ suy diễn mờ ( fuzzy inference system )

2.1 Tích hợp giữa hệ mờ và mạng noron

2.1.1 lý do tích hợp giữa hệ mờ và mạng noron

Việc tích hợp giữa hệ mờ và mạng no-ron đang được rất nhiều người tìm hiểu

và nghiên cứu Để có thể biết được lý do tích hợp chúng ta hãy đi so sánh hệ mờ

và mạng no-ron

Trong khoảng thời gian phát triển hệ mờ và mạng no-ron một cách độc lập,người ta đã nhận thấy rằng cả hai lý thuyết này và do đó cả hai công nghệ này đều

có những mục đích gần gửi, hơn nữa những thành công cũng có những điểm tương

tự Lý do là chúng có những điểm tương đồng như sau:

- Cả hai đều nhằm làm tăng thêm tri thức, tăng độ thông minh cho các hệthống với sự giúp đỡ của các hệ thống kỹ thuật, trong môi trường bất định, cónhiều, thông tin và tri thức thiếu chính xác

- Cả hai đều là hệ động, là công cụ ước lượng bằng số không cần dung môhình số chọn trước

- Cả hai khi ước lượng hàm số không đòi hỏi mô tả dạng toán học y = f(x)thường “ học được” từ mẫu dữ liệu, tiệm cận với các số liệu, khác nhiều với cáchtiếp cận xử lý tín hiệu như trong trí tuệ nhân tạo

- Cả hai hệ thống và công nghệ đều rất thành đạt, đã đưa ra nhiều hệ thống vàthiết bị đang dung trong đời sống hàng ngày

Tuy nhiên giữa hệ mờ và mạng no-ron đều có những điểm khác nhau về cáchước lượng hàm, cách biểu diễn và lưu trữ mẫu, cách biểu diễn và mã hóa trithức… Chính những điểm khác nhau này tạo nên được sức mạnh và hỗ trợ, bổsung cho nhau khi mà chúng ta kết hợp chúng lại với nhau Sau đây là bảng sosánh sự khác nhau giữa hai hệ này:

 Sự giải thích và sự thihành đơn giản

Bảng 2.1 : Sự khác nhau giữa hệ mờ và mạng no-ron

Trong mô hình tích hợp, những thuật toán học mạng no-ron được sử dụng đểxác định các tham số của hệ suy diễn mờ Hệ thống tích hợp mờ no-ron mờ chia sẻcấu trúc dữ liệu và tri thức Một hệ suy diễn mờ có thể dùng ý kiến chuyên gia đểxác định các hành động điều khiển dưới dạng các luật ngôn ngữ Sau đó thực hiện

để chuyển thành các luật mờ mô phỏng hành vi của chuyên gia điều khiển Do đó,luật mờ if- then và hàm thuộc tương ứng phụ thuộc trong tri tri thức tiên nghiệm

về hệ thống dưới sự xem xét Tuy nhiên, việc chuyển đổi các luật này sang lýthuyết tập mờ không được chuẩn hóa và có liên quan đến hàm thuộc Mà chấtlượng của một bộ điều khiển mờ có thể bị ảnh hưởng nghiêm trọng bởi việc thayđổi các hàm thuộc Chính vì vậy rất cần có những phương pháp điều chỉnh các bộđiều khiển mờ Với khả năng học của mạng no-ron thì có thể đáp ứng được vấn đềđiều chỉnh này

Ngược lại, cơ chế học của mạng no-ron không tin cậy vào ý kiến chuyên gia

Do cấu trúc thuần nhất của mạng no-ron nên rất khó trích rút tri thức có cấu trức từcác trọng số lẫn cấu hình của mạng Tuy nhiên cũng có rất nhiều bài toán tri thứctiên nghiệm thường nhận được từ các ý kiến chuyên gia, do vậy cách biểu diễn trithức thích hợp nhất lúc này chính là sử dụng tập hợp các luật mờ if – then

Chính vì vậy, một vấn đề đặt ra là làm thế nào để tích hợp chúng lại với nhau

để có thể thu được nhiều ưu điểm nhất giữa hai hệ đã biết Tuy nhiên có rất nhiềucách để tích hợp mạng no-ron với hệ mờ, nó tùy thuộc vào từng ứng dụng và ýkiến của các chuyên gia

2.1.2 Các hướng tiếp cận kết hợp hệ mờ và mạng noron

Mô hình no-ron mờ kết hợp