Lý thuyết nhận dạng

Chương I• Nhận dạng là phương pháp thực nghiệm nhằm xác định một mô hình cụ thể trong lớp các mô hình thích hợp trên cơ sở quan sát các tín hiệu vào ra.. Các phần tiếp theo sẽ giới thiệu

Chương I

• Nhận dạng là phương pháp thực nghiệm nhằm xác định một mô hình cụ thể trong lớp các mô hình thích hợp trên cơ sở quan sát các tín hiệu vào ra

• Mô hình tìm được phải có sai số với đối tượng là nhỏ nhất

Tổng quan về các phương pháp nhận dạng quá trình1.1 các phương pháp nhận dạng

1.1.1 Định nghĩa

Loại mô hình không gian trạng thái tổng quát hơn và có thể hướng

đến lớp đối tượng rộng hơn như hệ phi tuyến, dừng và không dừng

Các phương pháp nhận dạng OFF-LINE có nhược điểm chung sau

đây:

- Mất thông tin do phép rời rạc hoá,

- Khó thể hiện bằng phần cứng trên thực tế,

- Khi số thông số lớn (>3), khó xác định chính xác vectơ thông số

ợc sử dụng trên thực tế nhưng hạn chế ở các đối tượng có tính phi tuyến thấp Khi đối tượng có tính phi tuyến cao, độ bất định lớn và

số chiều lớn thì cần phải có cách tiếp cận khác Các phần tiếp theo

sẽ giới thiệu về mạng nơron nhân tạo và một hướng giải quyết bài toán nhận dạng mô hình hướng đến điều khiển thông minh trên cơ

sở sử dụng khả năng học của mạng nơron nhân tạo

1.3 phương pháp mới ứng dụng trong nhận

Chương I

cơ sở lý thuyết của phương pháp nơron-tương quan để nhận dạng quá trình 2.1 lý thuyết về mạng nơron

2.1.1 Giới thiệu chung về mạng nơron

2.1.3 Cơ sở mạng nơron nhân tạo và một số khái niệm

2.1.3.1 Mô hình nơron sinh vật

Đầu vào synape

Thân (soma) Nhánh

Dây thần kinh (axon)

Đầu ra Hình 2.1: Nơron sinh vật

Các nhánh và rễ là bộ phận nhận thông tin

Thân thần kinh (soma) chứa các nhân và

cơ quan tổng hợp Prôtêin Dây dẫn đầu ra

xung gọi là dây thần kinh (axon)

Dây thần kinh (axon) là đầu ra Đây là

phương tiện truyền dẫn tín hiệu Đầu ra này

có thể truyền tín hiệu đến các nơron khác

Khớp thần kinh (synape): là bộ phận tiếp

xúc của các đầu ra nơron với rễ, nhánh của

các nơron khác Mức độ thấm của các ion

có thể coi là đại lượng thay đổi tuỳ thuộc

vào nồng độ như một giá trị đo thay đổi và

gọi là trọng (weight)

* Mạng một lớp : là tập hợp các nơron có đầu vào và đầu ra

trên mỗi một phần tử

* Mạng hai lớp : gồm một lớp đầu vào và một lớp đầu ra riêng biệt

trên mỗi một phần tử

* Mạng nhiều lớp : gồm nhiều lớp trong đó lớp đầu vào và lớp đầu ra

riêng biệt Các lớp nằm giữa lớp vào và lớp ra gọi là lớp ẩn (Hidden layer)

* Mạng truyền thẳng: Là mạng nhiều lớp mà quá trình truyền tín

hiệu từ đầu ra lớp này đến đầu vào lớp kia theo hướng xác định

* Mạng truyền ngược: Là mạng trong đó một hoặc nhiều đầu ra của

các phần tử lớp sau truyền ngược tới đầu vào phần tử lớp trước đó

* Mạng tự tổ chức: Là mạng có khả năng sử dụng các kinh nghiêm

quá khứ để thích ứng những biến đổi của môi trường (không dự

báo trước)

1

sT 1

1

−

) t ( v ) t ( x dt

) t ( dx

=

Bảng 2.1: Một số hàm H(s) thường dùng cho nơron nhân tạo

u2

um Líp vµo Líp Èn Líp raH×nh 2.5 : M¹ng truyÒn th¼ng nhiÒu líp

∑

2.1      lý thuyết phân tích tương quan

2.2.1 Quá trình ngẫu nhiên

2.2.1.1 Khái niệm

Nếu các hàm thời gian nhận được này có cùng một tính chất E nào

đó đặc trưng cho tín hiệu x(t) thì việc mô tả tín hiệu x(t) có thể thay

đổi bằng việc mô tả tập hợp x(t) của tất cả các hàm thời gian có cùng tính chất E nói trên Tập x(t) được gọi là một quá trình ngẫu nhiên, trong đó tín hiệu x(t) nhận được chỉ là một phần tử

Một quá trình ngẫu nhiên x(t), nếu có các tham số ngẫu nhiên không phụ thuộc vào điểm gốc thời gian, tức là không thay đổi giá trị khi trục thời gian được tịnh tiến một khoảng τ bất kỳ, thì quá

trình đó được gọi là quá trình ngẫu nhiên dừng.

Một quá trình ngẫu nhiên x(t), nếu các tham số ngẫu nhiên thay vì phải xác định từ toàn bộ tập hợp x(t) có thể xác định chỉ với một

phần tử đại diện x(t) bất kỳ của tập, được gọi là quá trình ngẫu

nhiên egodic.

2.2.1.2 Các hàm tương quan của quá trình ngẫu nhiên

* Hàm tự tương quan:

Mức độ thay đổi của tín hiệu ngẫu nhiên theo đối số t được xác

định bởi hàm tương quan của tín hiệu ngẫu nhiên theo công thức sau:

(t1 t2 M (t1 ) (t2 ) xyf x y t1 t2 dxdy

2.2.2 Đo đặc tính động (hàm truyền đạt, đáp ứng xung) của những hệ tuyến tính - nhận dạng quá trình.

Tương quan

kế

Tín hiệu thử b(t)

h( τ )

Hình 2.9: Mô hình khảo sát quá trình nhờ tín hiệu thử

2.2.3 Một số thuật toán (algorithm) tính hàm tương quan của tín hiệu ngẫu nhiên (THNN) dừng

2.2.3.1 Angôrit (algorithm) thứ nhất

2.1 áp dụng mạng nơron và lý thuyết phân tích

tương quan cho bài toán nhận dạng

2.3.1 Khả năng dùng mạng nơron trong nhận dạng thông số của quá trình

u

Hình 2.12: Mô hình nhận dạng cơ bản

Quá trình

Mạng nơron

y(k)

e(k) +

y^(k) u(k)

-Hình 2.13: Bổ sung thông tin đầu vào cho mạng nơron

Mô hình đối tượng song song chứa tri thức

2.3.3 Ưu điểm của mạng nơron

*  Mạng nơron có khả năng xử lý song song, với tốc độ xử lý nhanh như vậy nó là công cụ mới đầy hứa hẹn trong khoa học tính toán, nhận dạng, điều khiển tự động và nhiều lĩnh vực khác Các hệ sử dụng nó có thể tăng tốc độ xử lý và tính toán theo thời gian thực.

*  Mạng nơron nhân tạo có khả năng học thích nghi, nó thích ứng trong quá trình tự chỉnh trong điều khiển tự động.

*   Mạng nơron có khả năng tổng quát hoá do đó có thể áp dụng để dự báo lỗi hệ thống tránh được những sự cố đáng tiếc

mà các hệ thống khác có thể gây ra.

* Lý thuyết về mạng nơron đã hình thành và phát triển tuy vậy vẫn còn nhiều vấn đề chưa được giải quyết và trả lời

ứng dụng mạng nơron nhân tạo trong nhận dạng tham số

còn là vấn đề thời sự Nghiên cứu này nhằm bổ sung một

phần lý luận về mạng nơron, những ứng dụng mạng nơron

để nhận dạng tham số

2.3.4 Mục đích, tính thời sự của đề tài

* Đã có nhiều phương pháp kinh điển để nhận dạng hệ thống, nhận dạng tham số các hệ kỹ thuật, nhất là hệ theo dõi Những

hệ động học kinh điển áp dụng trong nhận dạng các quá trình

được áp dụng rộng rãi Với khả năng linh hoạt, mềm dẻo xử lý

hệ phi tuyến (hoặc xây dựng phần cứng và phần mềm) của phư

ơng pháp nơron-tương quan tác giả đã nghiên cứu phương

pháp nhận dạng tham số cho các quá trình nhờ phương pháp tuyến tính hóa xung quanh các điểm làm việc

x(t) Quá trình phải nhận

dạng hp(t)

Mô hình có thông

số biến thiên độc lập hm(t)

Tín hiệu

thử

Mạng nơron

điều khiển các thông số

P1 P2 P3 P4

hp( τ )

hm( τ ) b(t)

Hình 3.2 : Mô hình tự động nhận dạng quá trình nhờ phương pháp nơron tương quan

Sai số ε = hm( τ ) - hm( τ )

Hiển thị các kết quả của quá trình nhận dạng

Dùng mạng nơron điều chỉnh các thông số của quá trình

Hình 3.1 : Sơ lược lưu đồ thuật toán của phương pháp

1 s Integrator2

1 s Integrator1

1 Inport

H×nh 4.1: M« h×nh qu¸ tr×nh ®­îc m« pháng (trªn Simulink)

To File Band-Limited

White Noise Hình 4.2: Mô hình nguồn tạo tín hiệu thử dạng ồn trắng

4.2 chương trình mô phỏng chạy trên matlab

4.2.1 Chương trình khởi tạo lvinit.m

4.2.2 Chương trình con lvcon.m

4.2.3 Chương trình con lvtest.m

4.3 kết quả của quá trình mô phỏng

4.3.1 Các kết quả hiển thị bằng đồ thị

Hình 4.3: Màn hình đầu tiên của chương trình mô phỏng

0 50 100 150 200 250 300 350 400 450 500 -5

Hình 4.4: Màn hình cấu trúc mạng nơron trước khi được huấn luyện

Cau truc mang n¬ron

Hình 4.5 Cấu trúc mạng sau khi đã được huấn luyện

ì

Mang da duoc huan luyen xong!

H×nh 4.6: TiÕn tr×nh ®iÒu khiÓn c¸c gi¸ trÞ th«ng sè

0 50 100 150 200 250 300 -2

Tin hieu dieu khien

Thoi gian lay mau

Hình 4.7: Hiển thị kết quả để so sánh

4.4 đánh giá - nhận xét

Theo các kết quả thu được sau khi tiến hành chạy mô phỏng chư

ơng trình ứng dụng mạng nơron và thuật toán tương quan cho bài toán nhận dạng quá trình trên phần mềm MATLAB cho thấy:

* Mặc dù còn có sai số nhất định giữa quá trình thực và quá trình có thông số là kết quả của việc nhận dạng nhưng về cơ bản thì mô hình nhận dạng đã đáp ứng được yêu cầu của bài toán đặt ra

* Kết quả trên đã chứng minh được tính đúng đắn của các thuật toán, chương trình đã sử dụng trong đề tài

4.5 hướng phát triển của đề tài

Đề tài “ứng dụng mạng nơron và thuật toán tương quan cho bài toán nhận dạng quá trình ” đã được nghiên cứu phát triển và bư

ớc đầu cho kết quả khả quan Đây là một đề tài có nội dung mở

và có hướng phát triển tốt trong điều kiện hiện nay khi mà mạng nơron ngày càng được phát triển và ứng dụng rộng rãi hơn Hướng phát triển tiếp theo của đề tài là:

* Hoàn thiện thuật toán, nâng cao độ chính xác của phương pháp

* Mở rộng áp dụng cho các quá trình phi tuyến bậc cao

* Viết phần mềm, chế tạo phần cứng, áp dụng thực tế trong các thiết bị nhận dạng quá trình