KẾT hợp GIẢI THUẬT DI TRUYỀN và MẠNG nơ RON RBF NHẬN DẠNG và xử lý tín HIỆU điều KHIỂN PHI TUYẾN

iv TÓM TẮT TÓM TẮT: Hệ phi tuyến tồn tại ở hầu hết các hệ thống điều khiển, để đạt được giá trị đầu ra mong muốn đòi hỏi phải có một bộ điều khiển được thiết kế phù hợp với từng hệ thốn

BỘ GIÁO DỤC VÀ ĐÀO TẠO

TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT

THÀNH PHỐ HỒ CHÍ MINH

LUẬN VĂN THẠC SĨ NGUYỄN NGỌC MINH THÔNG

KẾT HỢP GIẢI THUẬT DI TRUYỀN VÀ MẠNG NƠ-RON RBF

LÝ LỊCH KHOA HỌC

BỘ GIÁO DỤC VÀ ĐÀO TẠO

TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT

THÀNH PHỐ HỒ CHÍ MINH

LUẬN VĂN THẠC SĨ NGUYỄN NGỌC MINH THÔNG

KẾT HỢP GIẢI THUẬT DI TRUYỀN VÀ MẠNG NƠ-RON RBF NHẬN DẠNG VÀ XỬ LÝ TÍN HIỆU ĐIỀU KHIỂN

PHI TUYẾN

NGÀNH: KỸ THUẬT ĐIỆN - 60520202 Hướng dẫn khoa học:

PGS.TS NGUYỄN THANH PHƯƠNG

Tp Hồ Chí Minh, tháng 10/2016

i

LÝ LỊCH KHOA HỌC

I LÝ LỊCH SƠ LƯỢC:

Họ & tên: NGUYỄN NGỌC MINH THÔNG Giới tính: Nam

Ngày, tháng, năm sinh: 24/10/1982 Nơi sinh : Vĩnh Long Quê quán: An Nhơn, Trung Thành, Vũng Liêm, Vĩnh Long Dân tộc: Kinh Chỗ ở riêng hoặc địa chỉ liên lạc: An Nhơn, Trung Thành, Vũng Liêm, Vĩnh Long

Điện thoại cơ quan: 070.3825903

Điện thoại nhà riêng: 0939712127

Ngành học: Điện Công nghiệp

2 Đại học:

Hệ đào tạo: Hoàn chỉnh ĐHTC Thời gian đào tạo từ 09/2006 đến 09/2008 Nơi học (trường, thành phố): Trường ĐH Sư phạm Kỹ thuật Tp.HCM

Ngành học: Điện Khí hóa Cung cấp điện

Tên đồ án, luận án hoặc môn thi tốt nghiệp: Đồ án Thiết kế Cung cấp điện cho nhà xưởng cơ khí chế tạo máy

Ngày & nơi bảo vệ đồ án, luận án hoặc thi tốt nghiệp: 8/2008 tại Thành phố Vĩnh Long

Người hướng dẫn: Thầy Nguyễn Thanh Tùng

III QUÁ TRÌNH CÔNG TÁC CHUYÊN MÔN KỂ TỪ KHI TỐT NGHIỆP ĐẠI HỌC:

Thời gian Nơi công tác Công việc đảm nhiệm

2008 - 2010 Công ty cổ phần dịch vụ Bưu

chính Viễn thông Sài gòn Nhân viên phát triển thị trường

2010 - 2013 Công ty cổ phần Viễn thông FPT Trưởng phòng KD dịch vụ

2013 - 2016 Trường ĐHXD Miền Tây Nhân viên phòng Quản lý ĐT

ii

LỜI CAM ĐOAN

Tôi cam đoan đây là công trình nghiên cứu của 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

Tp Hồ Chí Minh, ngày 24 tháng 10 năm 2016

Tác giả

Nguyễn Ngọc Minh Thông

Xin chân thành cảm ơn

Tác giả luận văn

Nguyễn Ngọc Minh Thông

iv

TÓM TẮT

TÓM TẮT: Hệ phi tuyến tồn tại ở hầu hết các hệ thống điều khiển, để đạt được giá

trị đầu ra mong muốn đòi hỏi phải có một bộ điều khiển được thiết kế phù hợp với từng hệ thống khác nhau Với đòi hỏi ngày càng cao của hệ thống điều khiển chính xác cần có những giải pháp điều khiển ngày càng tối ưu hơn Ứng dụng trí tuệ nhân tạo để giải quyết bài toán này là một trong những hướng nghiên cứu hiện đại và thiết thực nhất Mạng Nơ-ron dùng hàm Xuyên tâm cơ sở (Neural network Radial Basic Function – RBFNN) là công cụ mạnh trong nhận dạng và xấp xỉ hệ phi tuyến Tuy nhiên RBFNN vẫn có nhược điểm đòi hỏi người sử dụng phải có kinh nghiệm trong việc chọn các thông số học Để giải quyết vấn đề này tác giả đề xuất giải pháp dùng Giải thuật di truyền (Genetic Algorithm – GA) giúp huấn luyện RBFNN trở nên dễ dàng hơn không cần phải có nhiều kinh nghiệm lựa chọn các tham số học cho RBF

Từ khóa: Mạng nơ-ron Xuyên tâm cơ sở, Giải thuật di truyền, Điều khiển phi tuyến,

Phân tích hệ thống phi tuyến

ABSTRACT: Nonlinear systems exist on the most of the control systems, to achieve

the desired output values require a controller is designed to suit each different

systems With requring the hight technology of the precise control system needs many

control solutions is more optimal Applying the artificial intelligence to solve this problem is the one of the morden research and practically Neural nerwork Radial Basic Function (RBFNN) is a powerful tool in the identification and approximate nonlinear systems However, RBFNN has a limitation to require to has experience in the selection of training parameters of them To resolve this issue, I propose Genetic Algorithm (GA) to training parameters of RBFNN and do not need to have any experience to select of them

Keywords: Neural nerwork Radial Basic Function, Genetic algorithm, Nonlinear

control, Nonlinear systems alnalysis

v

MỤC LỤC

Quyết định giao đề tài

MỞ ĐẦU 1

Chương 1 TỔNG QUAN 3

1.1 Điều khiển phi tuyến 3

1.2 Mạng nơ-ron nhân tạo (ANN - Artificial Neural Network) 5

1.3 Giải thuật di truyền (Genetic Algorithm - GA) 6

1.4 Kết hợp mạng nơ-ron RBF với Giải thuật di truyền 8

Kết luận chương 1 11

Chương 2 CƠ SỞ LÝ THUYẾT 12

2.1 Hệ phi tuyến 12

2.2 Mạng nơ-ron (Neuron) 15

2.3 Giải thuật di truyền 25

Kết luận chương 2: 30

Chương 3 HUẤN LUYỆN MẠNG NƠ-RON RBF 31

3.1 Xấp xỉ mạng nơ-ron RBF trên cơ sở phương pháp giảm Gradient 31

3.2 Thực nghiệm dùng mạng nơ-ron RBF xấp xỉ đối tượng phi tuyến 33

vi

3.3 Xấp xỉ đối tượng phi tuyến bằng mạng nơ-ron RBF với độ rộng b bất kỳ 37

Kết luận chương 3: 41

Chương 4 KẾT HỢP MẠNG NƠ-RON RBF VÀ GIẢI THUẬT DI TRUYỀN XẤP XỈ HÀM PHI TUYẾN 42

4.1 Kết hợp Giải thuật di truyền với mạng nơ-ron RBF 42

4.2 Mô phỏng thực nghiệm kết hợp Giải thuật di truyền (GA) để tối ưu độ rộng mạng nơ-ron RBF 43

Kết luận chương 4: 46

Chương 5 KẾT HỢP MẠNG NƠ-RON RBF VÀ GIẢI THUẬT DI TRUYỀN ĐIỀU KHIỂN CÁNH TAY MÁY HAI BẬC TỰ DO 47

5.1 Cánh tay máy hai bậc tự do: 47

5.2 Điều khiển cánh tay máy hai bậc tự do bằng RBF theo phương pháp Runge-Kutta-Merson [21] 49

5.3 Kết hợp Giải thuật di truyền để tối ưu độ rộng RBF cho hệ điều khiển cánh tay máy 2 bậc tự do sử dụng phương pháp điều khiển Runge-Kutta-Merson 53

Kết luận chương 5 54

KẾT LUẬN 56

TÀI LIỆU THAM KHẢO 58

vii

DANH MỤC CÁC CHỮ VIẾT TẮT

E(t) Hiệu suất xấp xỉ của hàm xuyên tâm cơ sở (RBF)

𝒉𝒋(𝒕) Ngõ ra của lớp ẩn j hàm xuyên tâm cơ sở (RBF)

M(q) Ma trận quán tính 𝑛 × 𝑛

𝑪(𝒒, 𝒒̇) Ma trận lực hướng tâm và hệ số Coriolis 𝑛 × 𝑛

𝑮(𝒒) Ma trận lực hướng tâm và momen 𝑛 × 1

𝒄𝒋 Tâm thứ j của hàm xuyên tâm cơ sở (RBF)

𝝈𝒋 Độ rộng thứ j của hàm xuyên tâm cơ sở (RBF)

w Trọng số hàm xuyên tâm cơ sở (RBF)

r Số K láng giềng của tâm

[… ]𝑇 Ma trận chuyển vị

|| || Khoảng cách Euclidean

AI Trí tuệ nhân tạo (Artifical Intelligent)

ANN Mạng nơ-ron nhân tạo (Artificial Neural Network)

RBFNN Mạng nơ-ron hàm bán kính xuyên tâm cơ sở (Radial

Basic Function Neural Netword)

GA Giải thuật di truyền (Genetic Algorithm)

RMSE Căn phương sai số (Root Mean Square Error)

SMC Điều khiển trượt (Sliding Mode Control)

MLP Mạng nhiều tầng (Multi-Layer Perceptrons)

MFN mạng nơ-ron truyền thẳng nhiều lớp (Multilayer

feed-forward network)

EAs Giải thuật tiến hóa (Evolution Algorithms)

KNN Phương pháp K- láng giềng gần nhất

(K-nearest-neighbor)

viii

DANH SÁCH CÁC HÌNH

Hình 1.1 So sánh kết quả NRMSE với các phương pháp khác (Phương pháp González

và Rivas) 11

Hình 2.1 Hệ thống bơm xả nước 13

Hình 2.2 Hệ cánh tay máy hai bậc tự do 13

Hình 2.3 Cấu tạo của tế bào nơ-ron sinh học 16

Hình 2.4 Mô hình một nơ-ron nhân tạo 18

Hình 2.5 Đồ thị hàm ngưỡng 18

Hình 2.6 Đồ thị hàm tuyến tính 18

Hình 2.7 Đồ thị hàm signmoid 19

Hình 2.8 Đồ thị hàm tanh 19

Hình 2.9 Đồ thị hàm Gaussian 19

Hình 2.10 Mô hình mạng nơ-ron nhiều lớp (MLP) 20

Hình 2.11 Mô hình mạng hàm cơ sở 22

Hình 2.12 Cấu trúc mạng nơ-ron RBF ba lớp 24

Hình 2.13 Lưu đồ thuật toán của Giải thuật di truyền đơn giản 26

Hình 2.14 Toán tử lai ghép biễu diễn theo cây 29

Hình 3.1 Kết quả mô phỏng huấn luyện một pha mạng nơ-ron RBF 34

Hình 3.2 Kết quả mô phỏng huấn luyện hai pha mạng nơ-ron RBF 35

Hình 3.3 Kết quả mô phỏng huấn luyện ba pha mạng nơ-ron RBF 36

Hình 3.4 Biểu đồ hiệu suất huấn luyện 1 pha, 2 pha, 3 pha của RBFNN 37

Hình 3.5 Hiệu suất huấn luyện một pha mạng nơ-ron RBF với b = 0.1 38

ix

Hình 3.7 Hiệu suất huấn luyện ba pha mạng nơ-ron RBF với b = 0.1 39

Hình 3.8 Biểu đồ so sánh hiệu suất huấn luyện 40

1 pha, 2 pha, 3 pha của RBFNN với b=0.1 40

Hình 4.1: Lưu đồ Giải thuật di truyền tối ưu độ rộng 42

Hình 4.2 Hiệu suất huấn luyện 2 pha mạng nơ-ron RBF có sử dụng GA với b=0.1 44

Hình 4.3 So sánh hiệu suất hai phương pháp 45

Hình 5.1 Mô tả cánh tay máy hai bậc tự do trong không gian Descartes 47

Hình 5.2 Đáp ứng vị trí của tay máy hai bậc tự do 50

Hình 5.3 Đáp ứng tốc độ của cánh tay máy hai bậc tự do 50

Hình 5.4 Tín hiệu điều khiển cánh tay máy hai bậc tự do 51

Hình 5.5 So sánh đáp ứng vị trí khi chọn tâm ci khác nhau 52

Hình 5.6 So sánh đáp ứng tốc độ khi chọn tâm ci khác nhau 52

Hình 5.7 So sánh đặc tính điểu khiển khi chọn tâm ci khác nhau 52

Hình 5.8 So sánh đáp ứng vị trí khi chưa có và có kết hợp GA 53

Hình 5.9 So sánh đáp ứng tốc độ khi chưa có và có kết hợp GA 54

Hình 5.10 So sánh đặc tính điều khiển khi chưa có và có kết hợp GA 54

x

DANH SÁCH CÁC BẢNG

Bảng 1.1 Căn phương sai số (RMSE) hàm Sin một chiều với 500 mẫu thử 9

Bảng 1.2 Căn phương sai số (RMSE) hàm Sin hai chiều với 1000 mẫu thử 10

Bảng 3.2 Hiệu suất huấn luyện một pha, hai pha, ba pha RBFNN với b = 0.1 40

Bảng 4.1 Hiệu suất xấp xỉ theo 2 cách huấn luyện mạng RBF 45

1

MỞ ĐẦU

1 Tính cấp thiết của đề tài: Hệ phi tuyến tồn tại ở hầu hết các hệ thống điều

khiển, để đạt được giá trị đầu ra mong muốn đòi hỏi phải có một bộ điều khiển được thiết kế phù hợp với từng hệ thống khác nhau Với đòi hỏi ngày càng cao của hệ thống điều khiển chính xác cần có những giải pháp điều khiển ngày càng tối ưu hơn Ứng dụng trí tuệ nhân tạo để giải quyết bài toán này là một trong những hướng nghiên cứu hiện đại và thiết thực nhất Mạng Nơ-ron dùng hàm Xuyên tâm cơ sở (Neural network Radial Basic Function – RBFNN) là công cụ mạnh trong nhận dạng và xấp xỉ hệ phi tuyến Tuy nhiên RBFNN vẫn

có nhược điểm đòi hỏi người sử dụng phải có kinh nghiệm trong việc chọn các thông số học

Đề tài luận văn “Kết hợp Giải thuật di truyền và mạng nơ-ron RBF nhận dạng và xử lý tín hiệu điều khiển phi tuyến” nghiên cứu giải pháp dùng Giải

thuật di truyền (Genetic Algorithm – GA) giúp huấn luyện các tham số của RBFNN làm cho huấn luyện mạng RBF trở nên dễ dàng hơn không cần phải

có nhiều kinh nghiệm lựa chọn các tham số học cho RBF

2 Đối tượng nghiên cứu của đề tài: Điều khiển cánh tay máy hai bậc tự do

3 Nội dung nghiên cứu:

- Nghiên cứu điều khiển hệ thống phi tuyến

- Nghiên cứu lý thuyết mạng nơ-ron RBF, Giải thuật di truyền

- Nghiên cứu kết hợp mạng nơ-ron RBF và Giải thuật di truyền

- Mô phỏng so sánh các giải pháp trong điều khiển nhận dạng điều khiển phi tuyến

4 Phạm vi nghiên cứu: Ứng dụng mạng nơ-ron RBF và Giải thuật di truyền xử

lý tín hiệu điều khiển phi tuyến

5 Phương pháp nghiên cứu: Trên cơ sở nghiên cứu lý thuyết hệ thống phi

tuyến, mạng nơ-ron RBF và Giải thuật di truyền Mô phỏng trên Matlab

2

simulink 2012b các giải thuật từ các hệ thống nhỏ đơn lẻ đến hệ cánh tay máy hai bậc tự do

6 Những đóng góp của luận văn:

 Hệ thống hóa kiến thức cơ bản về hệ phi tuyến, mạng nơ-ron RBF, Giải thuật di truyền

 Nghiên cứu phương pháp kết hợp Giải thuật di truyền và mạng nơ-ron RBF nhằm tối ưu hóa tham số độ rộng của RBFNN trong huấn luyện mạng để xấp xỉ đối tượng phi tuyến, dùng Giải thuật di truyền tối ưu tham số độ rộng của mạng nơ-ron RBF áp dụng cho huấn luyện hai pha không cần phải lựa chọn tối ưu tâm ci và độ rộng RBF

 Các kết quả mô phỏng trên tay máy hai bậc tự do cho thấy rằng phương pháp mà tác giả đề xuất ở trên là một đóng góp nhằm làm đa dạng hơn các thuật học của RBFNN cũng như sự đa dạng khi sử dụng RBFNN vào các quá trình điều khiển nói chung

7 Cấu trúc của luận văn: Gồm có 5 chương

Chương 1: Tổng quan

Chương 2: Cơ sở lý thuyết

Chương 3: Huấn luyện mạng nơ-ron RBF

Chương 4: Kết hợp mạng nơ-ron RBF và Giải thuật di truyền xấp xỉ hàm

phi tuyến

Chương 5: Kết hợp mạng nơ-ron RBF và Giải thuật di truyền điều khiển

cánh tay máy 2 bậc tự do

3

Chương 1

TỔNG QUAN

1.1 Điều khiển phi tuyến

Điều khiển phi tuyến đã được nhiều nhà vật lý, nhà toán học, nhà khoa học, nhà thiết kế hệ thống điều khiển,… quan tâm từ các hệ thống, thiết bị phục vụ sinh hoạt hằng ngày, đến các robot, thiết bị không gian vũ trụ Chẳng hạn như yếu tố thời tiết được xem là phi tuyến bất định vì trong đó các thay đổi đơn giản trong một phần của hệ thống hoặc có nhiễu loạn tác động đến hệ thống sẽ tạo ra các hiệu ứng phức tạp và có thể dẫn đến tan rã cả hệ thống điều khiển

Sự phi tuyến này là một trong những lý do tại sao dự báo dài hạn một cách chính xác là không thể với công nghệ hiện nay [20] Theo Jean-Jacquese.Slotine và Weipingli [4], có rất nhiều lý do để tiếp tục nghiên cứu điều khiển phi tuyến như:

 Cải tiến các hệ thống hiện có: Đối với các hệ thống điều khiển tuyến

tính thường chỉ được sử dụng trong các lĩnh vực nhỏ, hẹp Khi phát triển mở rộng lên thành các hệ thống lớn hơn chúng sẽ trở nên không ổn định, đáp ứng

sẽ thiếu chính xác Chẳng hạn khâu điều khiển nâng của robot nếu áp dụng điều khiển tuyến tính sẽ không đáp ứng tốt khi có tải thay đổi (tải đặt vào lớn hơn hoặc trọng lượng tải thay đổi liên tục) sẽ ảnh hưởng tốc độ di chuyển của robot (phản hồi của robot), nếu tại đây thay đổi thành kiểu điều khiển phi tuyến

sẽ giúp cho robot hoạt động ổn định hơn

 Phân tích phi tuyến đặc trưng (hard nonlinearities): Giả sử trong một

hệ thống điều khiển tuyến tính với mô hình hoàn toàn tuyến tính Tuy nhiên sẽ

có rất nhiều thành phần phi tuyến tác động vào hệ, cản trở hoạt động của hệ

làm hệ không thể hoạt động tuyến tính Các yếu tố “hard noninearities” đó là:

Ma sát Columb, bảo hòa, vùng chết (dead-zones), phản ứng (backlash), hiện tượng trễ (hysteresis) là những thứ thường gặp trong hệ thống điều khiển Chỉ

4

có dùng các kỹ thuật phân tích phi tuyến mới có thể phân tích, dự đoán và bù chính xác ảnh hưởng tác động phi tuyến bên ngoài

 Phù hợp với các mô hình bất định (model uncertainties): Trong các

mô hình điều khiển tuyến tính thường cần xác định các tham số cho mô hình

hệ thống một cách chính xác Tuy nhiên trong nhiều hệ điều khiển có rất nhiều các tham số bất định những thứ mà chỉ có thể dùng hệ điều khiển phi tuyến

 Đơn giản hóa thiết kế: Một thiết kế phi tuyến thường sẽ đơn giản hơn,

thực tế hơn so với thiết kế hệ tuyến tính Điều này có vẻ nghịch lý vì hệ phi tuyến thường phân tích rất sâu vào yếu tố vật lý của đối tượng Nhưng một điều chắc chắn rằng những phương pháp mới về phân tích, xử lý, nhận dạng

hệ thống phi tuyến sẽ nâng cao được chất lượng cho các hệ thống điều khiển hiện tại

Hầu hết các hệ thống vật lý đều phi tuyến Các hệ thống điều khiển phi tuyến thường được mô tả bởi các phương trình phi tuyến không giống nhau Tuy nhiên xét trong một khía cạnh nào đó và nếu các tác động phi tuyến tương đối

phẳng (smooth) thì hệ thống có thể được xấp xỉ bằng hệ thống tuyến tính và

các nhiễu động sẽ được mô tả bởi các phương trình tuyến tính khác nhau

Về mặt toán học người ta chia hệ phi tuyến thành hai dạng, liên tục

(continuous) và rời rạc (discontinuous) Vì hệ phi tuyến rời rạc không thể xấp

xỉ địa phương (locally approximated) bằng các hàm tuyến tính, người ta còn gọi đó là các “hard nonlinearities”

Vì các hệ thống phi tuyến đa dạng hơn và phức tạp hơn các hệ thống tuyến tính

do đó phân tích chúng trở nên khó khăn hơn nhiều Về mặt toán học nó biểu hiện ở hai mặt, mặt thứ nhất là các phương trình phi tuyến không giống với các loại tuyến tính nào, nó không thể gộp chung để tiến hành phân tích, do đó

để hiểu được các thuộc tính của nó trở nên rất khó khăn; Mặt thứ hai, khả năng của công cụ toán học như Laplace, triển khai Fourier không thể áp dụng cho các hệ thống phi tuyến phức tạp