Nghiên cứu phương pháp điều khiển trách tắc nghẽn của dịch vụ ABR trong mạng ATM bằng thuật toán thông minh thích nghi neuron mờ (computational intelligent in congestion advoidance control alg

Trong trường hợp này, việc thiết kế hệ thống điều khiển dựa trên kiến thức liên quan tới hoạt động của hệ thống Mà những kiến thức này trong bộ điều khiển mờ đạt được theo diễn tả ngôn n

ĐẠI HỌC QUỐC GIA THÀNH PHỐÁ HỒ CHÍ MINH

TRƯỜNG ĐẠI HỌC BÁCH KHOA

KHOA ĐIỆN – ĐIỆN TỬ BỘ MÔN VIỄN THÔNG

µ ¶

LUẬN VĂN TỐT NGHIỆP

Đề tài:

NGHIÊN CỨU PHƯƠNG PHÁP ĐIỀU KHIỂN

TRÁNH TẮC NGHẼN CỦA DỊCH VỤ ABR TRONG

MẠNG ATM BẰNG THUẬT TOÁN THÔNG MINH

COMPUTATIONAL INTELLIGENT IN

CONGESTION ADVOIDANCE CONTROL

ALGORTHMS IN ATM NETWORKS

GVHD : TS PHẠM HỒNG LIÊN SVTH : NGUYỄN HOÀNG MINH LỚP : CAO HỌC KT ĐTVT- K11

TP HỒ CHÍ MINH NĂM 2002

LỜI CẢM ƠN

Việc nghiên cứu tìm tòi trong đề tài này được thực hiện trong khi tôi đang là học viên lớp cao học điện tử viễn thông trường đại học Bách Khoa Tp Hồ Chí minh

Tôi xin được gửi lời cảm ơn sâu sắc đến Tiến sĩ Phạm Hồng Liên, người đã tạo cho tôi niềm say mê tìm tòi, nghiên cứu, giúp đỡ và hướng dẫn tận tình trong suốt thời gian làm luận văn

Tôi xin được gửi lời cảm ơn chân thành đến Quý Thầy Cô trường Đại Học Bách Khoa Thành Phố Hồ Chí Minh, đặc biệt là các Thầy Cô thuộc Khoa Điện – Điện Tử về tất cả những kiến thức mà Quý Thầy Cô đã truyền đạt cho tôi trong suốt thời gian qua

Cuối cùng, tôi xin được gửi đến gia đình, bạn bè tôi với tình cảm sâu sắc nhất về những lời động viên, giúp đỡ và tạo điều kiện cho tôi trong suốt quá trình học tập

T.p Hồ Chí Minh, ngày 1 tháng 12 năm 2002.

Nguyễn Hoàng Minh

ACKNOWLEDGEMENTS

The research work described in this thesis was performed while I was a cadidare for degree of Master of the Technology of Hồ Chí Minh University

I would like to express my gratitude to my supervisors, Dr Phạm Hồng Liên of the Technology of Hồ Chí Minh University, who has given continuing support and guidance throughout the course of the research work

I woulde like to thank all professors for my enjoyable time with the master courses

Finally, and most importantly, I wish to thank my family and friends ,who were always very supportive, and kept me going

on the right path to complete my work

Hồ Chí Minh City, December, 1 st 2002

Nguyễn Hoàng Minh

TÓM TẮt SVTH : NGUYỄN HOÀNG MINH

TÓM TẮT

Mục đích của đề tài này là sử dụng thuật toán thông minh như là một công cụ hữu ích cho việc phát triển những ứng dụng trong việc điều khiển lưu lượng trong mạng đa dịch vụ dựa trên ATM để luôn giữ chất lượng dịch vụ theo yêu cầu và đạt độ sử dụng tài nguyên lớn nhất Đầu tiên đề tài này đưa ra cấu trúc điều khiển phân cấp và đa mức trong mạng ATM để thấy được sức mạnh của thuật toán thông minh khi ứng dụng trong điều khiển đa mức Tiếp đó chúng ta nghiên cứu về giải thuật ERICA( Explicit Rate Indication for Congestion Advoidance) Thuật giải tránh tắc nghẽn dùng chỉ thị tốc độ hồi tiếp tường minh và thấy được hướng phát triển trong thuật giải ERICA+( Explicit Rate Indication for Congestion Advoidance) và Nguồn ảo/Đích ảo( Virtual Source/Virtual Destination) Từ đó chúng ta đưa ra cấu trúc điều khiển cơ bản dùng thuật toán thông minh trong việc điều khiển tránh tắc nghẽn dạng mức

Mạng đa dịch vụ dựa trên mạng ATM phải sử dụng phương pháp điều khiển lưu lượng rất phức tạp để đáp ứng một cách hiệu quả được tất cả các yêu cầu truyền tải đa dạng của dịch vụ thoại, video và dữ liệu trong khi vẫn đáp ứng được chất lượng yêu cầu Những kỹ thuật điều khiển hồi tiếp có một vai tro rất quan trọng trong việc quản lý hiệu quả nguồn tài nguyên của mạng ATM Tuy nhiên, việc phát triển những kỹ thuật điều khiển hồi tiếo truyền thống phụ thuộc vào những mô hình hệ thống phân tích có sẵn Những mô hình phân tích này rất khó thực hiện; hay không thể thực hiện; do những đặc tính của mạng ATM và độ phức tạp của những dịch vụ yêu cầu Việc thiếu những mô hình tường minh thực dẫn tới vấn đề nghiêm trọng trong việc phát triển những giải pháp điều khiển trong mạng băng rộng B-ISDN Điều này làm giới hạn khả năng của những kỹ thuật truyền thống trong việc giải quyết và điều khiển trong mạng ATM Trong những nghiên cứu gần đây, tuy vài phương pháp điều khiển tắc nghẽn và chấp nhận kết nối cho mạng B-ISDN đã được đưa ra và chúng đã đạt được vài kết quả ban đầu, Nhưng thường chúng dựa trên những mô hình tương đối đơn giản hay chúng quá phức tạp để thực hiện, mà phần lớn dựa vào mô hình không đổi( steady –state)

Trái lại, Bộ điều khiển mờ hay bộ điều khiển thích nghi neuron-mờ đã được ứng dụng thành công trong những hệ thống điều khiển mà những mô hình phân tích không đạt được Bộ điều khiển mờ làđịnh hướng điều khiển dựa trên tri thức có thể dùng khi mô hình tường minh của hệ thống không đạt được hoặc nếu có thì cũng rất là phức tạp và phi tuyến Trong trường hợp này, việc thiết kế hệ thống điều khiển dựa trên kiến thức liên quan tới hoạt động của hệ thống Mà những kiến thức này trong bộ điều khiển mờ đạt được theo diễn tả ngôn ngữ trong dạng hàm tương quan mờ Bởi

TÓM TẮt SVTH : NGUYỄN HOÀNG MINH

việc dùng hàm tương quan mờ, những thông số của hệ thống có thể đạt được không cần mối quan hệ tường minh

Đề tài này đưa ra phương pháp điều khiển tránh tắc nghẽn dự đoán mới, Điều khiển tránh tắc nghẽn dựa trên tốc độ hồi tiếp tường minh dùng thuật toán thông minh mục đích tránh tắc nghẽn dựa trên

• Giảm nhỏ nhất độ mất mát cell

• Giữ độ sử dụng đường truyền cao và

• Giữ độ công bằng đướng truyền

Chất lượng của thuật giải FERC( Fuzzy Explicit Rate Controler) và ANFERC(Adaptive Neuron – Fuzzy Explicit Rate Controler) cực kỳ đáng kể khi so sánh với những thuật giải phát triển dựa trên những phương pháp truyền thống

Kết quả cho ta thấy rằng việc điều khiển dựa trên thuật toán thông minh là một công cụ thiết kế hiệu quả để giải quyết vấn đề này Khi hệ thống điều khiển có độ phức tạp và phi tuyến cao, nó giúp cho ta truy xuất được mức thấp của bộ điều khiển và từ đó mức điều khiển cao có thể xây dựng trên mức điều khiển này Ngoài

ra thuật toán thích nghi neuron mờ ANFERC có thể tự thích nghi từ đó ta có thể đạt được những thông số tự chỉnh và hệ thống sử dụng băng thông của mạng tốt hơn Việc này cho hệ thống điều khiển đạt được tính bền vững hơn

Abstract

The research presented in this thesis aim to demonstrate that computation intelligent

is useful tool for developing mechanisms for controlling traffic flows in ATM based multimedia networks to maintain quality of service(QoS) requirements and maximize resource utilization The study frist proposeses a hierarchical, multilevel control structure for ATM networks to exploit the reported strengths of fuzzy logic at various control levels Then, we study on ERICA- Explicit Rate Indication for Congestion Advoidance, we will see dvelopment for the next algorithms: ERICA + and VS/VD- Virtual Source/ Virtual Destination Based on these, we proposed control architecture

at the congestion control level at an extensive development and evaluation

An ATM based multimedia network must have quite sophisticated control capabilities

to effectively handle the requirements of a dynamically varying mixture of voice, videoand data services while meeting the required levels of performance Feedback control techniques have an essential role for the effective and efficient management

of the resources of ATM networks However, development of conventional feedback control techniqueõs relies on the availability of analytical system models The characteristics of ATM networks and the complexity of service requirements cause the analytical modeling to be very difficult, if not possible The lack of realistic dynamic explicit models lead to substantial problems in developing control solutions for B-ISDN networks This limits the ability of conventional techniques to directly address the control objectives for ATM networks In the literature, several connection admission and congestion control methods for B-ISDN networks have been reported, and these have achieved mixed seccess Usually they either assum heavily simplified models, or they are too complicated to implement, mainly derived using probabilistic(steady-state)models

Fuzzy logic controler or Adaptive Neuron Fuzzy controler, on the other hand, have been applied successfully to the task of controlling systems for which analytical models are not easily obtainable Fuzzy logic control is a knowledge-based control strategy that can be utilized when an explicit model of a system is not available or, the model itself, if available , is highly complex and nonlinear In this case, the problem

of control system design is based on qualitative and/ or empirically acquired knowledge regarding the operation of the system Representation of qualitative or empirically acquired knowledge in a fuzzy logic controller is achieved by linguistic expression in the form of fuzzy relational equations By using fuzzy relation equations, classifications related to system parameters can be derived without explicit description

This thesis presents a new predictive congestion control scheme Fuzzy Explicit Rate Controler( FERC) và Adaptive Neuron_ Fuzzy Explicit Rate Controler Which aim to avoid congestion, and by doing so

• Minimize the cell losses

• Attain high server utilization and

• Maintain the fair use of links

The performance of these above xchemes is extremely competitie with that of control scheme developed using traditional methods over a considerable period of time

The results of the study demonstrate that computation intelligent: fuzzy logic and neuron-fuzzy is a highly effective design tool for this type of problems, relative to the traditional methods When controlled systems are highly nonlinear and complex, it keeps the human insight alive and accessible at the lower levels of the control hierarchy, and so higher levels can be built on this understanding Additionally, the FERC scheme have been extended to adaptive tune(ANFERC) so that continuous tuning of the parameters can be achieved, and thus be more adative to system changes leading to better utilization of network bandwidth This achieves a lavel of robustness that is not exhibited by other congestion control schemes reported in the literature

DẪN NHẬP

1 Mạng đa dịch vụ và mode truyền dẫn bất đồng bộ ATM:

Trong những năm gần đây, nhu cầu sử dụng những mạng đa dịch vụ càng tăng và những mạng này kết hợp dịch vụ thoại, dữ liệu, và ứng dụng video cho các dịch vụ

đa dạng như truyền hình theo yêu cầu (video on demand), hội nghị thoại (teleconference), dịch vụ y tế từ xa (telemedicine) Những ứng dụng dùng trong mạng

đa phương tiện (multimedia) này có yêu cầu chất lượng và các đặc tính lưu lượng rất khác nhau Từ đó mạng này hỗ trợ cho lưu lượng có băng thông từ vài Kb/s cho tới vài Mb/s (ví dụ: dòng bit video có độ phân giải cao) Trong đó, những ứng dụng về video và dữ liệu lại mang tính chất phát dạng chùm cao, trái lại vài ứng dụng khác lại yêu cầu chất lượng và thời gian trễ Ví dụ như ứng dụng thoại lại yêu cầu thời gian trễ nghiêm ngặt không đổi nhưng có thể cho phép mất dữ thoại tương đối Trái lại trong những ứng dụng dữ liệu, yêu cầu về truyền tải thời gian thực không phải là thông số quan trọng cơ bản nhưng lại yêu cầu nghiêm ngặt về sự mất dữ liệu Vài dịch vụ khác như truyền hình thời gian thực yêu cầu truyền không lỗi và có độ trễ truyền dẫn nhỏ nhất

Sự phát triển chính trong mạng đa dịch vụ, tốc độ cao là sự kết hợp giữa mạng số đa dịch vụ băng rộng (B-ISDN) và mode truyền dẫn bất đồng bộ Để đáp ứng những yêu cầu của mạng đa dịch vụ thông qua B-ISDN, vài kỹ thuật được đề nghị cho các phương pháp chuyển mạch và ghép kênh (hay gọi cách khác là mode truyền dẫn) Những phương pháp này bao gồm mode truyền dẫn đồng bộ (STM) dựa trên kỹ thuật chuyển mạch mạch và mode truyền dẫn bất đồng bộ dựa trên kỹ thuật chuyển mạch gói Đầu tiên mode truyền dẫn đồng bộ được xem như mode truyền dẫn thích hợp dành cho B-ISDN ATM được ảnh hưởng đáng kể từ những kinh nghiệm đạt được từ những mạng chuyển mạch gói đầu tiên như ARPANET Trong STM, băng thông được chỉ định theo từng khe thời gian theo chu kỳ khung Khe đồng bộ khung đánh dấu bắt đầu của mỗi khung Lúc này, trong kỹ thuật chuyển mạch mạch truyền thống, mỗi khe thời gian trong khung STM được chỉ định cho 1 cuộc gọi riêng biệt và cuộc gọi này được nhận biết vị trí của khe thời gian này Trong STM, khe thời gian được chỉ định dựa trên tốc độ truyền đỉnh của cuộc gọi vì vậy chất lượng dịch vụ của cuộc gọi luôn đạt được Dựa trên những đặc tính này, STM phù hợp cho những dịch vụ có tốc độ bit không đổi và nó không hỗ trợ những dịch vụ đa phương tiện hiệu quả và băng thông bị lãng phí trong suốt khoãng thời gian mà thông tin truyền dẫn dưới tốc độ đỉnh của nó ATM dự định thay thế việc sử dụng không hiệu quả và kém linh động của STM Trong ATM, thông tin được cấu trúc theo từng gói có chiều dài cố định ( được gọi là cell) bao gồm phần dẫn đường và phần tải Sự khác biệt cơ bản giữa ATM so với STM là nó chỉ định khe thời gian theo yêu cầu và dễ thay đổi, vì vậy trong mạng ATM băng thông không bị chiếm dụng trừ khi thông tin thực sự được truyền trên mạng Việc này dẫn đến việc sử dụng băng thông hiệu quả hơn bởi nguồn lưu lượng được ghép kênh theo hệ thống ảo Tối ưu việc sử dụng tài nguyên của mạng từ đó yêu cầu cấu trúc

điều khiển phân tán, phi tuyến và rất phức tạp Trong đó việc điều khiển nghẽn, điều khiển chấp nhận kết nối và điều khiển thông số người dùng cùng với điều khiển tránh tắc nghẽn là quan trọng nhất Chúng ta sẽ sử dụng thuật giải logic mờ cho việc giải quyết vấn đề tránh tắc nghẽn phức tạp trong mạng ATM

Trong mạng ATM tỉ số độ trễ truyền dẫn trên thời gian truyền cao hơn những mạng cũ (điều này ảnh hưởng trực tiếp độ hồi tiếp khi so sánh trong toàn mạng, một vấn đề khó khăn nhất trong lý thuyết điều khiển Tính chất này cùng với những thay đổi lưu lượng không dự đoán được và dòng lưu lượng phát dạng chùm làm cho việc điều khiển luồng và tắc nghẽn trong mạng ATM cực kỳ khó giải quyết Kết quả cho ta độ đáp ứng phi tuyến, độ biến động cao Thuật giải điều khiển nghẽn dạng đáp ứng thông thường (Purely reactive) sẽ không đạt hiệu quả trong mạng ATM bởi vì có một số lượng lớn các cell chuyển tải giữa 2 điểm nút mạng tại bất cứ thời gian nào và thiếu một mô hình chính xác thích hợp Muốn điều khiển tránh tắc nghẽn hiệu quả cần phải kết hợp giữa điều khiển dự đoán và điều khiển đáp ứng mạng Thuật giải điều khiển nghẽn dự đoán yêu cầu dự đoán đáp ứng động của lưu lượng trong chuyển mạch để gửi những tín hiệu điều khiển tránh tắc nghẽn về nguồn dữ liệu đủ sớm để tránh mất cell do tràn bộ đệm

Nhu cầu về những mạng đa dịch vụ dẫn đến việc điều khiển phức tạp càng tăng như đã được đề cập trong phần trên Cho những vấn đề này chúng ta cần kỹ thuật điều khiển và mô hình mới Những mô hình mới như mô hình tuyến tính chính xác, mô hình hàm dạng Radial cơ sở rất khó đạt được vì vậy chúng ta cần kỹ thuật có thể phù hợp với những bất ổn định này Đề tài này nghiên cứu những kỹ thuật điều khiển thông minh mà nó có thể phù hợp với mối quan hệ vào ra phi tuyến và hoạt động với những dữ liệu không chắc chắn chưa rõ Kỹ thuật điều khiển thông minh dùng mạng nơron nhân tạo, logic mờ hay tính toán dạng tiến hóa

2 Lý do dùng điều khiển mờ trong mạng ATM :

Những phương pháp điều khiển và mô hình hệ thống dựa trên logic mờ được dành chú

ý đặc biệt bởi vì những ưu điểm sau:

- Khả năng diễn tả nhanh cấu trúc điều khiển của hệ thống dựa trên tri thức dạng ưu tiên

- Ít phụ thuộc vào những mô hình chính xác có sẵn của quá trình điều khiển

- Dễ áp dụng cho những thông số phi tuyến

Những phương pháp mô hình hóa dạng mờ cho ta những mô hình có thể biểu diễn những đáp ứng của hệ thống đủ tốt cho ứng dụng của chúng trong điều khiển mờ Dạng điều khiển dựa trên mô hình mờ tạo ra phương pháp thay thế mô hình mờ dùng biến ngôn ngữ Do nhu cầu mô hình tin cậy và giá thấp, mô hình mờ trở nên sự thay thế hữu ích cho mô hình điều khiển truyền thống trong khi độ phức tạp và tính hay thay đổi của hệ thống gia tăng Điều này rất quan trọng trong thực tế bời vì việc mô hình hóa thường là bước trở ngại cho việc ứng dụng điều khiển mạng một cách hiệu quả

Ví dụ để giải quyết vấn đề điều khiển tránh tắc nghẽn dạng dự đoáùn dùng lý thuyết điều khiển dạng truyền thống, ta phải yêu cầu mô hình toán học chính xác cho quá trình đến và cho sự phân bố Cell trong bộ đệm chuyển mạch

Bất cứ lỗi nào trong mô hình toán học cũng làm giảm chất lượng hoạt động của bộ điều khiển và dẫn tới việc điều khiển không chính xác Hơn nữa mô hình này cần yêu cầu việc tính toán phức tạp không phù hợp cho việc tính toán trên thời gian thực Trái lại việc điều khiển mờ dạng thích nghi có khả năng tự chỉnh trên đường truyền dựa trên tăng chất lượng của hệ thống không phụ thuộc vào mô hình toán học chi tiết Chất lượng hệ thống lúc này liên tục được định chỉnh theo chỉ số chất lượng hay hàm giá cả

3 Mục đích của đề tài này và những nghiên cứu tương ứng:

Nghiên cứu đưa ra trong đề tài này mục đích chứng minh rằng logic mờ là công cụ hữu ích cho việc phát triển điều khiển dòng lưu lượng và tránh tắc nghẽn trong mạng đa dịch vụ dưạ trên ATM để giữ được những yêu cầu vầ chất lượng dịch vụ và độ sử dụng tài nguyên lớn nhất

Đề tài này đầu tiên đưa ra cấu trúc điều khiển đa mức, phân cấp của mạng để cho ta thấy ứng dụng mạnh mẽ của Logic mờ trong những mức điều khiển khác

Sau đó chúng ta đưa ra cấu trúc điều khiển tại mức điều khiển tránh tắc nghẽn dựa trên việc thực hiện và phát triển mở rộng theo cấu trúc trên

Người ta chấp nhận rằng vấn đề điều khiển tắc nghẽn mạng vẫn giữ vai trò chủ chốt và ưu tiên hàng đầu đặc biệt khi tốc độ, nhu cầu và độ lớn của mạng gia tăng, và độ hội tụ của những loại dữ liệu khác nhau Mặc dù đã cố gắng nghiên cứu qua nhiều năm và có rất nhiều phương pháp khác nhau được đề nghị mà chưa có một giải pháp điều khiển nào được chấp nhận rộng rãi để giải quyết vấn đề tắc nghẽn Nhưng chúng

ta cũng nhận thấy rằng những giải pháp hiện nay trên mạng hiện hữu trở nên không hiệu quả và những giải pháp này không dễ dàng nâng cấp

Chúng ta hy vọng giải pháp logic mờ này sẽ hoạt động với mô hình lưu lượng cho những thông số phi tuyến và tính bất định (hay thay đổi) của hệ thống mà vẫn cung cấp được độ sử dụng mạng cao trong khi cho phép sử dụng tài nguyên công bằng giữa các nguồn Chúng ta sẽ mong muốn giải pháp logic mờ sẽ được ứng dụng cho lưu lượng có độ ưu tiên cao như VBR (tốc độ bit thay đổi dùng cho ứng dụng Video) và CBR (tốc độ bit không đổi) trong mạng WAN và mạng LAN Những kết quả mô phỏng trong chương sau sẽ cho ta thấy việc dùng bộ điều khiển mờ có thể đạt được

4 Cấu trúc đề tài:

Đề tài này bao gồm 7 chương:

Phần mở đầu: Giới thiệu sơ lược về tình hình phát triển mạng ATM và tại sao dùng thuật toán mờ cho việc giải quyết tránh tắc nghẽn trong mạng ATM

Chương I: Giới thiệu tổng quát về mạng ATM và dịch vụ ABR

Chương II : Nghiên cứu các thuật giải điều khiển tránh tắc nghẽn dựa trên tốc độ hồi

tiếp tường minh: ERICA, ERICA+ và nguồn ảo, đích ảo

Chương III : Lý thuyết tập mờ, hệ thống điều khiển mờ và hệ thống điều khiển

mờ-neuron

Chương IV: Cấu trúc phân cấp điều khiển mờ trong mạng ATM và những ứng dụng lý

thuyết tập mờ và neuron trong mạng ATM

Chương V: Xây dựng Hệ thống điều khiển tránh tắc nghẽn dùng bộ điều khiển mờ

FERC(Fuzzy Explicit Rate Controller) và bộ điều khiển mờ-Neuron thích nghi ANFERC (Adaptive Fuzzy Explicit Rate Controller) dựa trên tốc độ hồi tiếp tường minh trong mạng ATM

Chương VI: Mô phỏng Hệ thống điều khiển tránh tắc nghẽn dùng bộ điều khiển mờ

FERC(Fuzzy Explicit Rate Controller) và bộ điều khiển mờ-Neuron thích nghi ANFERC (Adaptive Fuzzy Explicit Rate Controller) dựa trên tốc độ hồi tiếp tường minh trong mạng ATM dùng phần mềm Matlab 6.0 dựa trên thuật giải mờ và những định nghĩa trong chương 5 và chương 6

Chương VII : Đánh giá ưu nhược điểm, tính khả thi của phương pháp Điều khiển tránh

tắc nghẽn dùng logic mờ và fuzzy logic-neuron dựa trên tốc độ hồi tiếp tường minh Kết luận và những hướng giải quyết và phát triển trong tương lai

DẪN NHẬP

A.1 Mạng đa dịch vụ và mode truyền dẫn bất đồng bộ ATM 1

A.2 Lý do dùng điều khiển mờ trong mạng ATM 1

A.3 Mục đích của đề tài này và những nghiên cứu tương ứng 3

A.4 Cấu trúc đề tài 3

CHƯƠNG 1 GIỚI THIỆU TỔNG QUAN VỀ ATM VÀ ABR 1.1 Mục tiêu .5

1.2 Hoạt động của ATM 5

1.3 Các kết nối trên một mạng ATM 7

1.4 Mô hình giao thức ATM 7

1.4.1 Lớp vật lý 8

1.4.2 Lớp ATM 8

1.4.3 Lớp thích ứng ATM (AAL) 9

1.5 Giới thiệu về ABR 13

1.5.1 Dịch vụ tốc độ bit sẵn có (ABR) 13

1.6 Các thông số ABR 16

1.6.1 Cell RM hợp lệ (in-rate) và cell RM phạm quy (out-rate) 17

1.6.2 Các cell RM đi (forward) và về (backward) 18

1.6.3 Cấu trúc cell RM 18

1.7

Các quy luật cho hệ thống nguồn 20

1.8

Các quy luật cho hệ thống đích 24

1.9 Hoạt động của chuyển mạch 24

1.10 Quản lý lưu thông và điều khiển tắc nghẽn

1.10.1 Quản lý lưu thông cho dịch vụ ABR 27

1.10.1.1.Những vấn đề đặt ra 27

LÝ THUYẾT TẬP MỜ, HỆ THỐNG ĐIỀU KHIỂN MỜ VÀ

MỜ-NEURON

2.1 Giới thiệu 30

2.2 Giới thiệu Logic Mờ 30

2.3 Bộ điều khiển mờ 31

2.3.1 Lý thuyết điều khiển 31

2.3.1.1 Hệ thống điều khiển tự động 31

2.3.1.2 Phân loại hệ thống điều khiển 31

2.3.2 Cơ Sở Lý Thuyết Bộ Điều Khiển Mờ 33

2.3.2.1 Mô Hình Toán 33

2.3.2.2 Nhận dạng hệ thống 35

2.3.2.3 Thiết kế hệ điều khiển 35

2.3.2.3 Bề mặt điều khiển (hay bề mặt quyết định) 36

2.3.3 Cấu Trúc Bộ Điều Khiển Mờ (Fuzzy Logic Controller) 37

2.3.3.1 Khâu tiền xử lý (Preprocessing) 37

2.3.3.2 Khâu mờ hóa (Fuzzyfication) 37

2.3.3.3 Tập luật mờ (Rule Base) 37

2.3.3.3 Máy suy luận - Inference Engine 39

2.3.3.5 Khâu giải mờ (Defuzzyfication) 39

2.3.3.6 Khâu xử lý sau – Postprocessing .39

2.3.3 Bộ điều khiển dựa trên bảng - table based controller .40

2.3.5 Ứng dụng thiết kế bộ điều khiển mờ 40

2.3.5.1 Các bước thiết kế hệ điều khiển .40

2.3.5.2 Các giả thiết trong thiết kế hệ điều khiển mờ .41

2.3.5.3 Các bộ điều khiển logic mờ tổng quát .42

2.3.5.4 Các bộ điều khiển logic mờ đơn giản .43

2.3.6 Kết luận .44

2.4 Mạng neuron .44

2.4.1 Giới thiệu mạng neuron 44

2.4.2 Trình tự thiết kế mạng neuron ứng dụng 45

2.4.2.1 Xác định bài toán 46

2.4.2.2 Xác định các biến vào ra 46

2.4.2.4 Tiềm xử lý dữ liệu 46

2.4.2.6 Huấn luyện mạng .47

2.4.2.7 Thử nghiệm mạng 47

2.4.2.8 Tinh chỉnh mạng .47

CHƯƠNG 3 CẤU TRÚC PHÂN CẤP ĐIỀU KHIỂN MỜ TRONG MẠNG ATM VÀ NHỮNG ỨNG DỤNG LÝ THUYẾT TẬP MỜ, NEURON TRONG MẠNG ATM 3.1 Giới thiệu 47

3.2 Những phương pháp quản lý lưu lượng và điều khiển kết nối trong mạng ATM 47 3.2.1 Điều khiển mức mạng 48

3.2.1.1 Quản lý lỗi 48

3.2.1.2 Sự định tuyến và xác định dung lượng đường truyền 49

3.2.2 Điều Khiển Mức Cuộc Gọi 49

3.2.3 Điều khiển Mức Cell 50

3.2.3.1 Thuật toán Điều khiển Thông số đang dùng(Usage Parameters Control)50 3.2.3.2 Thuật toán Điều khiển tốc độ và tránh tắc nghẽn 50

3.2.3.3 Ghép kênh và chuyển mạch cell 52

3.3.Câùu trúc điều khiển phân cấp mờ dành cho mạng ATM 52

3.3.1 Cấu trúc điều khiển phân cấp và Điều khiển mờ 52

3.3.2 Điều khiển phân cấp trong mạng Viễn thông 53

3.3.3 Cấu trúc điều khiển phân cấp mờ trong mạng ATM 54

3.3.4 Kết luận và hướng phát triển

3.4 Các ứng dụng của logic mờ trong viễn thông-mạng ATM:(xem tài liệu tham khảo [34],[35],[36],[37],[38]) .57

3.5 Ứng dụng của logic mờ trong việc quản lý mạng ATM 60

3.5.1 Điều khiển lớp mạng - Quản lý lỗi .60

3.5.2 Điều khiển lớp mạng - Tìm đường và sự phân chia dung lượng kết nối .60

3.5.3 Điều khiển mức cuộc gọi - Chấp nhận kết nối 61

3.5.4 Điều khiển cấp cell : Điều khiển thông số sử dụng .62

CHƯƠNG 4

NGHIÊN CỨU CÁC THUẬT GIẢI DÙNG TỐC ĐỘ HỒI TIẾP TƯỜNG MINH : GIẢI THUẬT ERICA, ERICA+ VÀ NGUỒN ẢO

ĐÍCH ẢO

1.1 Giải thuật ERICA cơ bản 65

1.1.1 Giải thuật công bằng Max-Min 68

4.1.2 Thuật giải chia sẻ công bằng đầu tiên để tránh quá tải quá độ .69

4.1.3 Erica-thuật giải chọn ccr theo hướng đi được sử dụng cho hồi tiếp 69

4.1.4 Erica-chỉ dùng hồi tiếp đơn trong một khoảng thời gian chuyển mạch 71

4.1.5 Đo lường CCR cho mỗi kênh ảo VC .72

4.1.6 Hoạt động của dịch vụ ABR khi có thêm các dịch vụ VBR và CBR 73

4.1.7 Đếm số nguồn mang tính chùm ở cả hai hướng 73

4.1.8 Lấy trung bình số nguồn 74

4.1.9 Các trường hợp biên .74

4.1.10 Lấy trung bình hệ số tải .78

4.1.11 Trung bình dựa trên việc đếm và dựa trên thời gian 79

4.2 Chọn lựa các thông số cho giải thuật ERICA 79

4.2.1 Độ sử dụng đích U .82

4.2.2 Khoảng thời gian trung bình chuyển mạch AI 82

4.3 Erica+ thuật giải tránh tắc nghẽn dùng tốc độ hồi tiếp tường minh nâng cao .83

4.3.1 Chiều dài hàng đợi là một thông số đo lường thứ cấp 83

4.3.2 Sử dụng 100% và rút hàng đợi nhanh 83

4.3.5 Điểm vận hành mục tiêu .84

4.4 Chuyển mạch VS/VD 85

4.4.1 Giới thiệu chuyển mạch VS/VD 85

4.4.2 Chuyển mạch VS/VD sử dụng giải thuật ERICA 86

4.4.2.1 Cấu trúc hàng đợi chuyển mạch .86

4.4.2.2 Giải thuật chuyển mạch ERICA trongVS/VD .88

4.5 Tính toán hoạt động của những tổ hợp thiết kế VS/VD 89

4.5.1 Đáp ứng thời gian .89

4.5.2 Độ sử dụng đường truyền 89

4.5.3 Thời gian hội tụ 90

4.5.4 Hàng đợi 91

4.7 Kết luận 91

CHƯƠNG 5 THIẾT KẾ BỘ ĐIỀU KHIỂN LOGIC MỜ THEO TỐC ĐỘ HỒI TIẾP TƯỜNG MINH 5.1 Giới thiệu 93

5.2 Tầm quan trọng của thuật toán thông minh 93

5.2.1 Thuật toán thông minh trong mạng ATM 93

5.2.2 Kỹ thuật tính toán thông minh cho điều khiển tránh tắc nghẽn 94

5.2.3.Cấu trúc chung của bộ điều khiển mờ 95

5.3 Nguyên lý cơ sở cho quá trình xây dựng bộ điều khiển mờ cho thuật toán dựa trên tốc độ hồi tiếp tường minh vòng kín trong chuyển mạch ATM 96

(tài liệu tham khảo [1] và [8] trang 52-56 và 120-132) 96

5.3.1 Thuật giải ERICA+ 96

5.3.2.Thuật giải độ chia xẻ cân bằng max-min 96

5.3.3.Thiết kế chiều dài hàng đợi 98

5.3.3.1 Mô tả 98

5.3.3.2 Hàm chiều dài hàng đợi 98

5.4.Thiết kế sơ đồ khối mạng ATM dùng bộ điều khiển mờ 100

5.5 Mô hình và nguyên lý hoạt động 102

5.5.1 Mô hình 102

5.5.2 Nguyên lý Bộ Điều Khiển Mờ 103

5.6 Các bước xây dựng và thực hiện bộ điều khiển mờ 105

5.6.1 Miền giá trị vật lý của các biến ngôn ngữ vào/ra 105

5.6.2 Số lượng tập mờ 105

5.6.3 Xác định hàm liên thuộc 106

5.6.4 Rời rạc hoá các tập mờ 107

5.6.5 Xây dựng luật hợp thành mờ .109

5.6.6 Chọn thiết bị hợp thành mờ 110

5.6.7 Chọn nguyên lý giải mờ 110

5.7.Ứng Dụng Matlab Xây Dựng Bộ Điều Khiển Mờ 111

5.7.1 Fuzzy mandani 111

5.7.2 Fuzzy segeno 114

5.8 Ứng dụng Anfis trong Matlab xây dựng bộ điều khiển thích nghi mờ Neuron 116

5.8.1 Adaptive neuro-fuzzy inference system 116

5.8.1.1 Tạo dữ kiện huấn luyện 116

5.8.1.2 Huấn luyện hệ mờ Anfis 117

5.8.1.3 Kết quả huấn luyện 119

5.9.Kết Luận và Đánh giá 122

CHƯƠNG 6 MÔ PHỎNG VÀ KẾT QUẢ THỰC HIỆN 6.1 Giới thiệu 123

6.1.1 Mô hình tổng quát 123

6.2 Chương trình mô phỏng 124 Thuật giải chia xẻ công bằng & bảo đảm tốc độ khởi tạo MRC125

6.3.1.1 Nguồn đơn (So sánh với phụ lục 1 ) 127

6.3.1.1.1 Nguồn đơn vô hạn .128

6.3.1.1.2 Nguồn đơn nghẽn 127

6.3.1.1.3 Nguồn đơn on-off 128

6.3.1.2 Hai nguồn (Xem phụ lục hai nguồn) 6.3.1.2.1 Hai nguồn vô hạn 129

6.3.1.2.2 Hai nguồn nghẽn 130

6.3.1.2.3 Hai nguồn on-off 130

6.3.1.3 Ba nguồn ( Xem phụ lục 3 nguồn) 6.3.1.3.1 Ba nguồn vô hạn 131

6.3.1.3.2 Ba nguồn nghẽn 132

6.3.1.3.3 Ba nguồn on-off 133

6.3.2 Hệ mờ Sugeno 135

6.3.2.1 Một nguồn đơn (xem phụ lục 1 nguồn) 6.3.2.1.1 Nguồn đơn vô hạn 135

6.3.2.1.2 Nguồn đơn nghẽn 135

6.3.2.1.3 Nguồn đơn on-off 136

6.3.2.2 Hai nguồn:(xem phụ lục hai nguồn 137

6.3.2.2.1 Hai nguồn vô hạn 137

6.3.2.2.2 Hai nguồn nghẽn 138

6.3.2.3.3.Hai nguồn on-off 139

6.3.2.3.Ba nguồn (xem phụ lục 3 nguồn) 140

6.3.2.3.1 Ba nguồn vô hạn 140

6.3.2.3.2 Ba nguồn nghẽn 141

6.3.2.3.3.Ba nguồn on-off 142

6.3.3 Hệ mờ anfis 144

6.3.3.1.1 Một nguồn vô hạn 144

6.3.3.1.2 Một nguồn nghẽn 145

6.3.3.1.3 Một nguồne5 145:

6.3.3.2 Hai nguồn:( xem phụ lục hai nguồn) 146

6.3.3.2.1 Hai nguồn vô hạn 146

6.3.3.2.2 Hai nguồn nghẽn 147

6.6.6.2.3 Hai nguồn on-off 148

6.3.3.3.2 Ba nguồn nghẽn 150 6.3.3.3.3 Ba nguồn on-off 151 Nhận xét, đánh giá và kết luận 153

CHƯƠNG 7 : ĐÁNH GIÁ ƯU NHƯỢC ĐIỂM , TÍNH KHẢ THI VÀ HƯỚNG

PHÁT TRIỂN

7.1 Ưu điểm 154 7.2 Nhược điểm 154 7.3 TÍNH KHẢ THI CỦA ĐỀ TÀI155 155

PHỤ LỤC

A- Hướng dẫn sử dụng chương trình mô phỏng

B- Bảng từ viết tắt

C- Hinh vẽ tham khảo

• Hình vẽ một nguồn

• Hình vẽ hai nguồn

• Hình vẽ ba nguồn

CHƯƠNG 2 LÝ THUYẾT TẬP MỜ, HỆ THỐNG ĐIỀU

KHIỂN MỜ VÀ NEURON

MỜ-2.1 Giới thiệu:

Trong chương này ta sẽ tập trung khảo sát các nội dung sau đây:

• Điều khiển mờ

o Lý thuyết điều khiển

o Các thành phần bộ điều khiển mờ

o Thiết kế bộ điều khiển mờ

o Tóm tắt

• Neuron:

o Lý thuyết Neuron

o Thiết kế mạng Neuron ứng dụng

2.2 Giới thiệu Logic Mờ

Nền móng của toán học và logic kinh điển được xây dựng nhờ Aristotle và các nhà triết học kế thừa Họ đã đặt nền móng cho thuyết logic và sau này làø toán học qua tác phẩm “Các luật của suy nghĩ” (“Laws of thought”) Một trong những luật này là mọi mệnh đề chỉ có thể là đúng (true) hoặc sai (false) Tuy vậy ngay khi luật này được đưa

ra (khoảng 300 năm trước công nguyên) đã có ý kiến phản đối ví dụ như Heraclitus cho rằng có những điều có thể vừa đúng và vừa không đúng

Plato là người đầu tiên xây dựng nền tảng cho logic mờ (fuzzy logic) sau này Ông cho rằng còn có một vùng thứ ba tồn tại giữa vùng đúng và vùng sai Trong vùng đó các giá trị đúng và sai trộn lẫn lộn nhau không phân biệt được Tuy nhiên Lukasiewicz là người đầu tiên vào đầu những năm 1900 đưa ra khái niệm logic 3 giá trị Giá trị thứ 3

được gọi là “có thể” (possible) Về sau ông phát triển lý thuyết của mình thành logic

có vô hạn giá trị (infinite-valued logic), rồi kế đến là logic có bốn giá trị

Vào 1965 Lotfi A Zadeh công bố các nghiên cứu của mình về lý thuyết tập mờ [8],

trong đó ông đưa ra khái niệm hàm thành viên (membership function) lấy giá trị từ 0

đến 1 Ông quan niệm rằng có rất nhiều tập hợp được định nghĩa với đường biên phân biệt Ông mở rộng logic kinh điển hai giá trị {0, 1} thành miền liên tục [0, 1] Zadeh được xem như cha đẻ của logic mờ

Trong phần sau của chương này ta sẽ không đi sâu trình bày về logic mờ mà chỉ tập trung giới thiệu ứng dụng của logic mờ vào điều khiển Chi tiết về lý thuyết fuzzy logic được trình bày khá đầy đủ trong tài liệu tham khảo [26], [27], [30] và [31]

2.3 Bộ điều khiển mờ

2.3.1 Lý thuyết điều khiển

2.3.1.1 Hệ thống điều khiển tự động

Một hệ thống điều khiển tự động bao gồm 3 phần chủ yếu: Thiết bị điều khiển (TBĐK), đối tượng điều khiển (ĐTĐK), thiết bị đo lường Hình vẽ 3.1 trình bày sơ đồ khối của một hệ thống điều khiển tự động

Trong đó:

C: tín hiệu cần điều khiển, thường gọi là tín hiệu ra (output)

U: tín hiệu điều khiển

R: tín hiệu chuẩn tham chiếu (reference) thường gọi là tín hiệu vào (input) N: tín hiệu nhiễu tác động từ bên ngoài vào hệ thống

F: tín hiệu hồi tiếp, phản hồi (feedback)

N

C

TB ĐK ĐTĐK

TBĐL F

Hình 2.1: Sơ đồ khối của hệ thống điều khiển

Hệ thống điều khiển kín (closed loop control system)

Là hệ thống điều khiển có phản hồi (feedback) nghĩa là tín hiệu ra được đo lường và đưa về thiết bị điều khiển Tín hiệu hồi tiếp phối hợp với tín hiệu vào để tạo ra tín hiệu điều khiển Hình 2.1 chính là sơ đồ của hệ thống điều khiển kín Cơ sở lý thuyết để nghiên cứu hệ thống n Zzxzb kín chính là lý thuyết điều khiển tự động

Hệ thống điều khiển hở

Đối với hệ thống hở, khâu đo lường không được dùng đến Mọi sự thay đổi của tín hiệu ra không được phản hồi về thiết bị điều khiển Sơ đồ hình 2.2 là sơ đồ khối một hệ thống điều khiển hở

R

TBĐK U ĐTĐK C

Hình 2.2: Hệ thống điều khiển hở

2.3.1.2 Phân loại hệ thống điều khiển

Hệ thống điều khiển có thể phân loại bằng nhiều cách khác nhau Sau đây là một số phương pháp phân loại:

1 Hệ tuyến tính và phi tuyến

Hầu hết các hệ thống vật lý đều là hệ phi tuyến, có nghĩa là trong hệ thống có ít nhất một phần tử là phần tử phi tuyến (quan hệ vào ra là quan hệ phi tuyến) Tuy nhiên, nếu phạm vi thay đổi của các biến hệ thống không lớn, để đơn giản hóa quá trình tính toán, hệ thống có thể được tuyến tính hóa trong phạm vi biến thiên của các biến tương đối nhỏ Đối với hệ tuyến tính, phương pháp xếp chồng có thể được áp dụng

2 Hệ bất biến và biến thiên theo thời gian

Hệ bất biến theo thời gian (hệ dừng) là hệ thống có các tham số không đổi theo thời gian Đáp ứng của các hệ này không phụ thuộc vào thời điểm mà tín hiệu vào được đặt vào hệ thống

3 Hệ liên tục và gián đoạn theo thời gian

Trong hệ liên tục theo thời gian, tất cả các biến là hàm liên tục theo thời gian Công cụ phân tích hệ thống liên tục là phép biến đổi Laplace hay Fourier Trong khi đó, hệ gián đoạn là hệ thống có ít nhất một tín hiệu là hàm gián đoạn theo thời gian Người ta phân biệt hệ thống gián đoạn gồm:

- Hệ thống xung: Hinh2.3 mô tả hệ thống mà trong đó có một phần tử xung

(khóa đóng ngắt) hay là tín hiệu được lấy mẫu (sample) và giữ (hold)

c(t)

F(p)

e(t) r(t)

(-)

Đối tượng điều khiển

Hình 2.3: Hệ thống điều khiển xung

- Hệ thống số: là hệ thống rời rạc trong đó tín hiệu được mã hóa thanh logic 1,

0 Đó là các hệ thống có các khâu biến đổi tương tự / số (A/D), số / tương tự (D/A) và để kết nối kết nối tín hiệu với máy tính số

Công cụ để phân tích hệ thống gián đoạn là các phép biến đổi Laplace,

Fourier gián đoạn hay biến đổi Z

4 Hệ đơn biến và đa biến

Hệ đơn biến là hệ chỉ có một ngõ vào và một ngõ ra Công cụ để phân tích và tổng

hợp hệ đơn biến là lý thuyết điều khiển cổ điển Ví dụ: hệ điều khiển định vị (vị trí)

Hệ đa biến là hệ có nhiều ngõ vào và nhiều ngõ ra Công cụ để phân tích và tổng hợp

hệ đa biến là lý thuyềt điều khiển hiện đại dựa trên cơ sở biểu diễn hệ trong không

gian trạng thái Ví dụ: hệ điều khiển quá trình (Process Control System) gồm có điều

khiển nhiệt độ và áp suất

5 Hệ thống thích nghi và hệ thống không thích nghi

Hệ thống thích nghi là hệ thống hoạt động theo nguyên tắc tự chỉnh định, trong đó hệ

thống tự phát hiện những thay đổi của các tham số do ảnh hưởng của môi trường bên

ngoài và thực hiện việc tự điều chỉnh tham số của hệ để đạt được chỉ tiêu tối ưu đề ra

6 Hệ xác định (deterministic) và hệ ngẫu nhiên

Một hệ thống điều khiển là xác định khi đáp ứng đối với một ngõ vào nhất định có thể

được biết trước và lặp lại được Nếu không thỏa mãn 2 điều kiện trên, hệ thống điều

khiển là ngẫu nhiên

2.3.2 Cơ Sở Lý Thuyết Bộ Điều Khiển Mờ

t u dt

y d t y t y t w dt

y d

n

t n n

t n

trong đó t là thông số thời gian, u() là hàm ngõ vào, w[] là hàm tổng quát không tuyến

tính và y() là hàm đáp ứng hay ngõ ra của hệ thống Nếu ta định nghĩa các hàm phụ

sau đó một phương trình bậc n có thể chuyển thành n phương trình bật nhất

x(t) = x2(t)

xn-1(t) = xn(t)

xn(t) = w[t,x1(t),x2(t), … , xn(t), u(t)]

Cuối cùng, nếu ta định nghĩa các hàm vector n giá trị x() và f() như sau:

x(t) = [x1(t), x2(t), … , xn(t)]T

(2.4)

f(t,x,u) = [x2, x3, … , xn, w(t, x1, … , xnu)]T (2.5) trong đó x(t) là trạng thái hệ thống tại thời gian t (T là vector chuyển vị chuẩn), thì n

phương trình bậc nhất (t) (2.3) có thể kết hợp thành một phương trình vi phân

vector bậc nhất:

Việc mô tả các hệ vật lý dựa vào phương trình (2.8) và (2.9) là các sự biểu diễn không gian trạng thái (state-space) và x1, x2, …, xn là các biến trạng thái của hệ thống Trong trường hợp các hệ thời gian liên tục trong các khoảng thời gian khác nhau không tuyến tính, phương trình (2.8) và (2.9) trở thành:

trong đó các hằng số A, B, C và D là các ma trận hệ thống

Một hệ thống không tuyến tính bậc nhất một ngõ vào một ngõ ra được mô tả dùng phương trình thời gian rời rạc:

trong đó xk+1, xk là các giá trị trạng thái tại khoản thời gian thứ k và k+1 và uk là ngõ vào tại thời gian k

Một hệ thống bậc n một ngõ vào một ngõ ra có thể được viết theo dạng:

yk+n = f (yk, yk+1, … , yk+n-1, uk) (2.15) và đối với hệ thống rời rạc bậc n nhiều ngõ vào và một ngõ ra:

y(k+n) = f(y(k), y(k+1), … , y(k+n-1), u1(k), u2(k), … , up(k)) (2.16)

2.3.2.2 Nhận dạng hệ thống

Vấn đề tổng quát của việc nhận dạng hệ thống vật lý dựa vào việc đo đạc các ngõ vào, ngõ ra và các biến trạng thái để thu được các hàm f và g trong hệ phi tuyến, và các ma trận hệ thống A, B, C và D trong các hệ tuyến tính Các giải thuật tồn tại kết quả hội tụ thích ứng với các thông số hệ thống dựa vào các dữ liệu theo các biến ngõ vào và ngõ ra Các hệ mờ và các mô hìnnh mạng neuron nhân tạo giúp nhận dạng các hệ phi tuyến tính Trong chương 3 ta sẽ trình bày về vấn đề nhận dạng dùng kỹ thuật mạng neuron và chương 3 sẽ trình bày kết hợp mạng neuron với hệ điều khiển mờ

2.3.2.3 Thiết kế hệ điều khiển

Vấn đề tổng quát của việc thiết kế hệ điều khiển hồi tiếp nhằm đạt được một cách tổng quát hàm giá trị vector phi tuyến h():

trong đó u(t) là ngõ vào thiết bị hay quá trình, r(t) là ngõ vào cho trước, và x(t) là vector trạng thái Luật điều khiển hồi tiếp h giả sử làm hệ điều khiển hồi tiếp và kết quả ổn định trong đặc tính vừa ý

Trong trường hợp hệ thời gian thay đổi với loại bộ điều khiển điều chỉnh, trong đó ngõ vào cho trước là bất biến, điểm cốt lõi nhất của bộ điều khiển là dựa vào một trong các mô hình tổng quát như sau:

u(t) = h[y(t),y,∫ydt] (2.19) Nếu hệ đơn giản một ngõ vào một ngõ ra và điều khiển loại điều chỉnh, hàm h trở thành:

• Đối với bộ điều khiển tỉ lệ P (Proportional):

u(t) = Kp e(t) + K1 ∫e )(t dt (2.21)

• +Đối với bộ điều khiển tích phân tỉ lệ PI:

u(t) = KP e(t) + KD e&(t) (2.22)

• +Đối với bộ điều khiển đạo hàm tỉ lệ PD:

u(t) = KP e(t) + K1 ∫e )(t dt+K D e&(t) (2.23)

• Đối với bộ điều khiển tích phân đạo hàm tỉ lệ PID trong đó e(t), và

là lỗi ngõ ra, đạo hàm lỗi và tích phân lỗi tương ứng

• Hàm phi tuyến tổng quát h() nếu hệ phi tuyến

• Các hệ số K1, KD, và KP, nếu hệ hồi tiếp ngõ ra

• Các hệ số k1, k2, …., kn nếu giám sát điều khiển hồi tiếp trạng thái hoàn toàn trong hệ tuyến tính

2.3.2.3 Bề mặt điều khiển (hay bề mặt quyết định)

Ta có thể biểu diễn đồ họa quan hệ giữa các input và output bằng các đường hay bề mặt đồ họa gọi là bề mặt điều khiển Khái niệm bề mặt điều khiển, hay bề mặt quyết định, là trọng tâm trong phương pháp nghiên cứu các hệ điều khiển mờ Hàm h là bề mặt phi tuyến P trong không gian n chiều Các hệ thống tuyến tính với hồi tiếp trạng thái ngõ vào hay hồi tiếp trạng thái thì nó là một mặt phẳng trong không gian n chiều Bề mặt này để điều khiển hay quyết định Mặt điều khiển thể hiện tính động của bộ điều khiển và là bề mặt phi tuyến thay đổi theo thời gian.Các hệ thống chuyên dụng dựa trên luật logic mờ sử dụng tập hợp các câu điều khiển kiện mờ dựa vào cơ sở kiến thức chuyên môn để xấp xỉ và ước lượng bề mặt điều khiển Mô hình thiết kế hệ điều khiển này dựa vào suy luận nội suy (interpotative) và xấp sỉ (approximation) Các bộ dựa vào qui luật logic mờ hay các bộ nhận dạng hệ thống, là các mô hình có dạng tự

do Các hệ thống chuyên dụng dựa vào logic mờ là các phép xấp xỉ hàm phi tuyến, và bất cứ hàm phi tuyến có n biến độc lập và một biến thành viên nào có thể được xấp xỉ đến độ chính xác mong muốn

Với trường hợp hai ngõ vào và một ngõ ra ta có dạng đồ thị vào - ra là mặt phẳng, gọi là bề mặt điều khiển Sau đây là một ví dụ cho quan hệ giữa error E và change in error CE là hai input và output là u tại ngõ ra Hình mặt là kết quả của các luật mờ được đề cập ở phần trên

Hình 2.5: Ví dụ về bề mặt điều khiển (control surface)

Có 3 nguyên nhân gây không tuyến tính trong trong bộ điều khiển mờ:

• Tập các luật mờ: rule base

• Máy suy luận inference engine

• Giải mờ

Về nguyên tắc ta vẫn có thể thiết kế được luật cơ sở sao chơ3 là tuyến tính

Hình 2.6 Bề mặt điều khiển (control surface) tuyến tính

2 3.3 Cấu Trúc Bộ Điều Khiển Mờ (Fuzzy Logic Controller)

Hình vẽ 3.13 trình bày sơ đồ khối cơ bản của một bộ điều khiển mờ

Preprocessing Fuzzification Inference Defuzzification

denomalizaton Post processing Rule base

Hình 2.7: Sơ đồ khối của bộ điều khiển fuzzy

2.3.3.1 Khâu tiền xử lý (Preprocessing)

Khâu tiền xử lý nối với đầu vào bộ điều khiển, qui định kiểm tra các mẫu trước khi đưa vào bộ điều khiển

Ví dụ:

• Lượng tử, lấy mẫu và làm tròn về số nguyên

• Chuẩn hóa hay co giản

• Lọc nhiễu

• Lấy trung bình để tìm ra khuynh hướng lâu dài và ngắn hạn

• Kết hợp nhiều thông số để tìm key indicator

• Vi phân hay tích phân

2.3.3.2 Khâu mờ hóa (Fuzzyfication)

Là khâu đầu tiên trong bộ controller là fuzzyfication Khối này chuyển các tín hiệu đầu vào thành độ hàm thành viên (degrees of memebership) thông qua việc tìm kiếm

các hàm thành viên Khối này sẽ so sánh dữ liệu đầu vào với các điều kiện của các luật để xác định điều kiện nào của mỗi luật phù hợp với mẫu tín hiệu vào

2.3.3.3 Tập luật mờ (Rule Base)

Trong bộ điều khiển mờ ngôn ngữ (linguitsic controller) một luật mờ (fuzzy rule) thường có dạng điều kiện nếu … thì … và gồm hai vế: điều kiện và kết quả (condition

& conclusion) hay còn gọi trước – sau (antecedent – consequent hay premise - concolusion) Trên thực tế thì các luật mờ có thể có các dạng khác

Các luật có thể có nhiều giá trị trong cả vế điều kiện cũng như vế kết quả Do vậy bộ điều khiển có thể được áp dụng cho cả hai loại vấn đề: multi-input-multi-output (MIMO) và single-input-single-output (SISO)

Ví dụ:

1 If error is Neg and change in error is Neg then output is NB

2 If error is Neg and change in error is Zero then output is NM

3 If error is Neg and change in error is Pos then output is Zero

3 If error is Zero and change in error is Neg then output is NM

5 If error is Zero and change in error is Zero then output is Zero

6 If error is Zero and change in error is Pos then output is PM

7 If error is Pos and change in error is Neg then output is Zero

8 If error is Pos and change in error is Zero then output is PM

9 If error is Pos and change in error is Pos then output is PB

Trong đó Zero, Pos, Neg, NB, NM là nhãn của các tập mờ Trong đó: NB là negative big, NM là negative medium, PB là positive big, PM là positive medium

Biểu diễn tập mờ trên ở dạng quan hệ (relational) được trình bày ở bảng 2.1 Error và Change in error là hai input Dạng thể hiện này phù hợp cho việc sử dụng cơ sở dữ liệu quan hệ để lưu các luật (rule) trong thực hiện Một qui định cho dạng này là giữa hai input toán tử AND and OR được áp dụng nhưng cho cả tập luật thì chỉ có một loại toán tử Trong ví dụ trên thì toàn bộ các toán tử của hai input cho cả tập rule là AND Nếu cần thể hiện các điều kiện OR thì có thể sử dụng các phép toán quan hệ (luật DeMorgan) để chuyển về cùng một dạng toán tử AND hay OR

Error Change in error OutputNeg Neg NB Neg Zero NM Neg Neg Zero

Bảng 2.1: Biểu diễn tập mờ trên ở dạng quan hệ bảng Một dạng thể hiện thứ ba nữa là dạng ngôn ngữ bảng (tabular linguistic format):

Change in error

Neg Zero Pos Neg NB NM Zero Zero NM Zero PM

Error

Pos Zero PM PB Bảng 2.2: Quan hệ thể hiện bằng bảng

Dạng này còn được gọi là mặt phẳng pha ngôn ngữ (linguistic phase plane)

Hình 2.7 trình bày một dạng khác trong đó các biểu diễn dạng hàm thành viên

(membership) được sử dụng

2.3.3.3 Máy suy luận - Inference Engine

Trong hình vea2.7 mỗi một hàng biểu diễn một luật mờ (rule) Ví dụ: xét hàng 1, nếu

level là zero (hàng 1, cột 1), rate là zero (hàng 1, cột 2) và buffer size zero (hàng 1,

cột 3) thì output sẽ âm (hàng 1, cột 3) Điều này tương ứng với luật sau:

If level is Zero and rate is Zero and buffer size is Zero then Token is Negative

Các thể hiện (instance) của biến level, rate và buffer size được biểu diễn bởi các cột

1, 2 và 3 của hình vẽ Đối với mỗi luật, máy suy luận sẽ tìm các giá trị hàm thành

viên (membership value) trong các vế điều kiện của phát biểu luật mờ (rule)

Hình 2.8: Biểu diễn đồ hoạ của các tín hiệu điều khiển trong bộ điều khiển fuzzy

2.3.3.5 Khâu giải mờ (Defuzzyfication)

Kết quả thu được sau bộ suy luận sẽ được chuyển thành dạng đại lượng vô hướng rõ

Đại lượng này chính là tín hiệu điều khiển Quá trình này được gọi là giải mờ Ví dụ

trong hình 3.10, kết quả cuối cùng là ô thấp nhất bên tay phải

2.3.3.6 Khâu xử lý ssau - Postprocessing

Thang tín hiệu ngõ ra có thể là tùy biến nên trong trường hợp dùng không gian chuẩn

thì ta phải co/dãn tín hiệu về các đơn vị kỹ thuật như volt, meter Ví dụ ta dãn từ

không gian chuẩn [-1, 1] về [-10, 10] volt

Khối postprocessing thường có bộ tạo độ lợi đầu ra (output gain) có thể điều chỉnh

được, và trong một số trường hợp cả bộ tích phân

2.3.3 Bộ điều khiển dựa trên bảng - table based controller

Nếu không gian universe là rời rạc, ta có thể tính trước được các tổ hợp của các input

trước khi đưa vào bộ điều khiển Trong bộ điều khiển bảng (table based controller)

quan hệ giữa các tổ hợp input và các output tương ứng được sắp xếp trong bảng Với

hai input và một output ta có bảng 2 chiều Với 3 input ta có bảng 3 chiều

Bộ điều khiển dạng bảng này có ưu điểm về tốc độ thực hiện: việc suy luận được đưa

về việc tìm kiếm trên bảng, cho phép cải thiện tốc độ rất nhiều

Sau đây là một ví dụ về bảng tìm kiếm cho luật mờ: If error is Neg and change in

error is Neg then output is NB

Change in error

-100 -200 -160 -100 -30 0 -50 -160 -121 -61 0 30

0 -100 -61 0 61 100 -50 -30 0 61 121 160

Error

-100 0 30 100 160 200 Bảng 2.3: Ví dụ bảng tìm kiếm cho luật mờ

Trong trường hợp có hai input và một output ta có bảng hai chiều như đã trình bày ở

trên Ta có thể biễu diễn đồ họa quan hệ giữa hai input và một output bằng các đường

đồ hoạ Các đường đồ họa sẽ giúp việc chọn các hàm thành viên và định nghĩa các

luật mờ dễ dàng

Ví dụ trong trường hợp một input và một output, ta có tập luật mờ sau:

1 If error is Neg then output is Neg

2 If error is Zero then output is Zero

3 If error is Pos then output is Pos

Fuzzy rule base có 6 dạng mapping được mô tả trong hình 3.13 Mỗi hàng là một bộ

controller khác nhau, cột bên phải là input-output mapping Bộ controller có dạng if

then trong đó , if là input và then là output

2.3.5 Ứng dụng thiết kế bộ điều khiển mờ

2.3 5.1 Các bước thiết kế hệ điều khiển

Để thu được bề mặt điều khiển trong một hệ thống động phức tạp có thực thay đổi theo thời gian phi tuyến Một số bước đơn giản hóa được dùng trong việc lập mô hình một bộ điều khiển cho hệ thống Có 7 bước cơ bản trong việc thiết kế bộ điều khiển cho một hệ vật lý phức tạp:

- Các hệ thống vĩ mô được phân tích thành các hệ thống con riêng lẻ

- Các thiết bị được giả sử thay đổi rất chậm theo thời gian

- Các động cơ phi tuyến được tuyến tính hóa cục bộ thành tập hợp các điểm hoạt động

- Tập hợp các biến trạng thái, các biến điều khiển hay các dạng ngõ ra được xác định

Hình 2.9: Input output maps Một bộ điều khiển P, PD, PID, hay hồi tiếp trạng thái được thực hiện cho mỗi hệ thống phân tích Bộ điều khiển là loại điều chỉnh và đáp ứng đủ nhanh để thực hiện đầy đủ với trạng thái điều khiển tracking Các bộ điều khiển tối ưu cũng chứng minh hữu ích

Tuy nhiên có sự thay đổi theo môi trường xung quanh Thiết kế bộ điều khiển cần đạt đến sự tối ưu càng tốt, dựa vào kiến thức điều khiển của kỹ sư để phân tích ngõ vào ngõ ra ngôn ngữ, trực giác và các loại thông tin khác của động cơ và môi trường xung quanh

Hệ điều khiển giám sát, mỗi bộ hoạt động chuyên dụng nhân tạo và tự động, hình thành một vòng hồi tiếp để điều khiển và phân biệt các thông số của bộ điều khiển để bù lại các thay đổi không phải do động cơ

2.3.5.2 Các giả thiết trong thiết kế hệ điều khiển mờ

Một số giả thiết được hiểu ngầm trong thiết kế hệ điều khiển mờ Có 6 giả thiết giám sát điều khiển dựa vào logic mờ:

- Thiết bị có thể quan sát và điều khiển: các biến trạng thái, ngõ vào và ngõ ra dùng để quan sát, đo đạc hay điều khiển

- Phải có kiến thức về luật ngôn ngữ, tình huống kỹ thuật chung, trực giác, các dữ liệu ngõ vào ngõ ra, hay mô hình phân tích có thể được mờ hóa và có thể áp dụng các qui luật này

- Tồn tại các lời giải

- Các chuyên gia điều khiển tìm lời giải đủ tốt, không cần thiết phải tối ưu

- Ta thiết kế bộ điều khiển tốt nhất có thể và trong một giới hạn chính xác có thể chấp nhận

- Vấn đề ổn định và tối ưu vẫn còn là một vấn đề chưa giải quyết xong trong thiết kế bộ điều khiển mờ

Trong phần sau sẽ trình bày các phương pháp đạt được bề mặt điều khiển h(), từ sự xấp xỉ dựa vào tập hợp các qui luật IF-THEN mờ thể hiện tính đồng bộ của bộ điều khiển Các mô hình chuyên dụng dựa vào qui luật mờ cũng có thể đạt được sự gần đúng có thể chấp nhận trong các hàm f() và g() trong việc nhận dạng hệ thống

Một hệ thống mờ bao gồm bốn cấu trúc:

- Các qui luật tương ứng với kỹ thuật giám sát và kinh nghiệm của chuyên gia

- Xác định data ngõ vào trước khi quyết định thật sự

- Dùng phương pháp đánh giá các hoạt động đưa ra dưới dạng thích nghi với các qui luật thể hiện, được cho bởi data có thể được sử dụng

- Phương pháp tạo các hoạt động hứa hẹn và quyết định khi nào ngừng nghiên cứu phương pháp mới tốt hơn

Các qui luật, các dữ liệu ngõ vào và các hoạt động hay các kết quả ngõ ra là các tập mờ được biểu diễn dưới dạng hàm thành viên trên không gian riêng Phương pháp dùng để đánh giá các qui luật là suy luận gần đúng (approximate reasoning) hay interpolative reasoning (suy luận nội suy), và thể hiện bằng phép cấu thành trong quan hệ mờ hỗ trợ cho phương trình quan hệ mờ

Bề mặt điều khiển liên hệ hoạt động điều khiển u() đến các biến ngõ vào hay trạng thái đo được, đạt được dùng bốn cấu trúc này Sau đó nó được lấy mẫu tại một số điểm giới hạn, phụ thuộc vào lời giải được yêu cầu và tạo bảng look-up Bảng look-up sẽ được tải vào bộ nhớ chỉ đọc và tạo thành bộ điều khiển cố định cho thiết bị

2.3.5.3 Các bộ điều khiển logic mờ tổng quát

Theo Lee C C , tài liệu tham khảo [30], các phần tử thiết kế cơ bản trong hệ điều khiển mờ tổng quát như sau:

a) Các chiến lược mờ hóa và sự diễn giải của một toán tử mờ hóa, hay bộ mờ hóa b) Cơ sở kiến thức:

- Rời rạc và chuẩn hóa không gian tổng thể

- Phân đoạn mờ (fuzzy partition) các không gian ngõ vào và ngõ ra

- Sự đầy đủ của các sự phân chia

- Chọn các hàm thành viên của các tập mờ cơ bản

c) Cơ sở luật:

- Chọn biến trạng thái (ngõ vào) quá trình và các biến điều khiển (ngõ ra)

- Nguồn suy diễn của các luật điều khiển mờ

- Dạng của các luật điều khiển mờ

- Tính chắc chắn, tính tương tác và sự đầy đủ của các luật điều khiển mờ

d) Logic thực hiện quyết định:

- Định nghĩa quá trình suy diễn mờ (fuzzy implication)

- Định nghĩa toán tử and

- Định nghĩa toán tử or

- Cơ chế suy luận

e) Các chiến lược giải mờ và sự diễn giải của toán tử giải mờ (bộ giải mờ)

Sự thay đổi bất cứ thông số nào trong 5 thông số trên sẽ hình thành một bộ điều khiển logic mờ thích nghi Nếu 5 bước được giữ cố định, hệ điều khiển logic mờ trở nên đơn giản và không thích nghi

2.3.5.4 Các bộ điều khiển logic mờ đơn giản

Các bộ điều khiển mờ đơn giản không thích ứng được mô tả theo giản đồ khối hình 3.17 Khối knowledge-base bao gồm các kiến thức về các ngõ vào và ngõ ra Nó bao gồm các tập tên và các hàm thành viên tương ứng theo các biến ngõ vào với hệ dựa vào quy luật mờ và các biến ngõ ra, hay các hoạt động điều khiển, với điều kiện các thiết bị

Rule base

Output Input

Hình2.10: giản đồ khối hệ điều khiển logic mờ đơn giản

Các bước thiết kế chi tiết hệ điều kiển logic mờ như sau:

- Xác định các biến (ngõ vào, ngõ ra, và trạng thái) của thiết bị

- Phân chia không gian tổng thể hay các khoảng hoạt động theo mỗi biến thành các tập con mờ, xác định mỗi nhãn ngôn ngữ (các tập con gồm tất cả các phần tử trong tổng thể)

- Xác định các hàm thành viên cho mỗi tập con mờ

- Xác định các quan hệ mờ giữa các tập con mờ của biến trạng thái hay ngõ vào và các tập con mờ theo các biến ngõ ra, từ đó tạo rule-base

- Chọn các hệ số thích hợp cho các biến vào và các biến ra để chuẩn hóa các biến đến khoảng [0,1] hay[-1,1]

- Mờ hóa các đầu vào của bộ điều khiển

- Dùng suy luận gần đúng mờ để suy ra các ngõ ra từ mỗi qui luật

- Tập hợp các đầu ra mờ theo mỗi qui luật

- Cung cấp việc giải mờ tạo ngõ ra rõ

Trong bộ điều khiển login mờ đơn giản không thích nghi, ta thực hiện theo 9 bước cố định trên, ngược lại trong bộ điều khiển thích nghi, chúng được thay đổi một cách thích nghi dựa vào các qui luật thích nghi để tối ưu hóa bộ điều khiển Hệ điều khiển logic mờ đơn giản có dạng sau:

- Cố định và đồng dạng các hệ số ngõ vào và ngõ ra

- Tất cả các luật có cùng độ chắc chắn và tin cậy, bằng 1 đơn vị

- Cố định các hàm thành viên

- Giới hạn số lượng các qui luật tăng theo lũy thừa theo các biến ngõ vào

- Các kiến thức cố định về phương pháp suy luận gần đúng, tổng hợp các qui luật và giải mờ ngõ ra

- Điều khiển mức thấp và không có cấu trúc qui luật hệ thống

2.3.6 Kết luận

Logic mờ như đã phân tích mở ra khả năng ứng dụng rộng rãi cho việc mô hình hoá các hệ phi tuyến phức tạp hoặc các hệ mà ta không có đủ tri thức toán để xây dựng mô hình bằng các hàm toán học hay logic kinh điển

Hiện nay các nhà nghiên cứu đang tập trung thích nghi hóa bộ điều khiển mờ bằng cách đưa mạng thích nghi vào bộ điều khiển mờ, mà trong đó mô hình mạng neuron là một lĩnh vực được ứng dụng nhiều nhất

2.4 Mạng neuron

2.4.1 Giới thiệu mạng Neuron

Mô hình neuron nhân tạo và mạng neuron nhân tạo

Mạng neuron được diễn tả bởi cơ cấu tổ chức của mạng, những đặc tính của từng nút trong mạng và những quy luật học tập (training learning rules) Những quy luật học tạo khởi đầu một tập trọng số và đồng thời chỉ các biến đổi trọng số để cải tiến sự liên hệ của những phần tử tính và qua đó tăng hiệu lực thi hành của mạng Những thủ tục xây dựng mạng và những quy luật học tập là những lĩnh vực nghiên cứu hiện nay của lĩnh vực neuron nhân tạo

Tóm lại mạng neuron nhân tạo (Artificial neural network – ANN) là mạng bao gồm các nút (neuron hay còn gọi là đơn vị xử lý) được nối với nhau bởi các liên kết neuron Mỗi liên kết kèm theo một trọng số nào đó, đặc trưng cho tính kích hoạt hoặc ức chế giữa các neuron Có thể xem các trọng số là phương tiện để lưu thông tin dài hạn trong mạng neuron, còn nhiệm vụ của quá trình huấn luyện (học) là cập nhật các trọng số khi có thêm thông tin về các mẫu học Những lợi ích của mạng neurons rất to lớn, đặc biệt nó cung cấp độ tính chính xác cao đồng thời cũng chấp nhận một khoảng lỗi sai cho phép nhất định Vì mạng neurons gồm nhiều nút và những nút được xử lý đồng thời Nếu trong một vài nút của mạng bị hư hỏng, mạng vẫn tiếp tục vận hành đúng và kết quả của bài toán không bị ảnh hưởng bao nhiêu

Mô hình neuron nhân tạo

- Tổng thông tin vào có trọng số là :

Net = Σwjsj, đây là thành phần tuyến tính của neuron

- Hàm kích hoạt g đóng vai trò biến đổi từ Net sang tín hiệu đầu ra Out :

- Out = g(Net), đây là thành phần phi tuyến của mạng neuron

- Các dạng hàm kích hoạt thường dùng trong thực tế :

step(x) = 1 nếu x > 0 (hayθ)0 nếu x < 0 (hayθ) Sin(x) = -1 nếu x < 0 (hayθ) 1 nếu x > 0 (hayθ)Sigmoid(x) = 1 + e1-α(x+θ)

Trong đó:

S = (s1,s2, ,sn): vector tín hiệu vào

W = (w1,w2, ,wn): vector trọng số

θ: là ngưỡng đóng vai trò làm tăng tính thích nghi và khả năng tính toán của mạng neuron

Trong phần sau của chương này ta sẽ không đi sâu trình bày về Neuron mà chỉ tập trung giới thiệu cách xây dựng mạng neuron Chi tiết về lý thuyết neuron được trình bày khá đầy đủ trong tài liệu tham khảo [26], [27], [30] và [31]

2.4.2 – Trình tự thiết kế mạng neuron ứng dụng :

Mạng neuron là một công cụ tốt cho phép xấp xỉ lớp tương đối rộng quan hệ phụ thuộc hàm giữa các tín hiệu ra Y và tín hiệu vào X của một hệ thống nào đó Điểm mạnh của mạng neuron là khả năng thích nghi khi tập dữ liệu mẫu {[x,d]} được cập nhật thường xuyên Khác với các cách tiếp cận truyền thống ( nội suy, ngoại suy, hồi qui ) là giả thiết một mô hình hay một hàm tường minh có quan hệ giữa biến ra và biến vào, mạng neuron tích luỹ các tri thức của nó về tập mẫu trong các trọng số liên kết neuron, các thông số về cấu trúc mạng hoặc thậm chí trong các ngưỡng kích hoạt tại các neuron

Quá trình thiết kế mạng neuron thường trải qua các bước sau :

Bước 1 : Xác định bài toàn

Bước 2 : xác định các biến vào ra

Bước 3 : thu thập dự liệu

Bước 4 : tiềm xử lý dữ liệu

Bước 5 : lựa chọn mô hình mạng neuron

Bước 6 : huấn luyện mạng

Bước 7 : thử nghiệm mạng

Nếu phù hợp thì tiếp tục bước 8 hoặc dừng, còn không phù hợp thì quay lại bước 2 Bước 8 : tinh chỉnh mạng, sau đó quay lại bước 7

2.4.2.1 – Xác định bài toán

Mạng neuron thường rỏ ra hiệu quả khi giải các bài toán :

Phân lớp dữ liệu : cho mô tả đối tượng, cần phân loại chúng thành các lớp sao cho tất

cả đối tượng trong một lớp có cùng một số đặc tính nào đó

Nhận dạng : xác định sự phụ thuộc giữa các giá trị đầu vào, đảm bảo nguyên tắc một

thay đổi nhỏ của tín hiệu vào chỉ gây ra những sai số nhỏ đối với tín hiệu ra Các bài toàn này bao gồm dự báo giá cả, thời tiết, thị trường

Biến đổi không gian biểu diễn : Biến đổi các biểu diễn đối tượng từ không gian nhiều

chiều sang không gian có số chiều nhỏ hơn

2.4.2.2- Xác định các biến vào ra :

Xác định các biến vào/ra và miền giá trị/kiểu giá trị các biến đó

2.4.2.3- Thu thập dữ liệu

Thu thập một lượng lớn các dữ liệu mẫu, đảm bảo nguyên tắc ngẫu nhiên, khách quan và chủ quan toàn bộ không gian đầu vào

Đối với các dữ liệu biến động kiểu chuỗi thời gian thì cần đảm bảo trình tự các sự kiện sao cho tạo ra những thông tin cốt lõi về đối tượng

Đối với các dữ liệu ngẫu nhiên có dạng hoàn toàn độc lập nhau thì phải bảo đảm đã vét hết các dạng cần thiết

2.4.2.4- Tiềm xử lý dữ liệu :

Thông thường tập dữ liệu thu thập được cần phải sơ chế theo những phương pháp truyền thống nhằm đảm bảo các yêu cầu :

- Dữ liệu mẫu phân bố đồng đều, đủ đại diện cho tất cả các dạng trong một phân hoạch không gian nào đó

- Dữ liệu mẫu phân bố đồng đều, đủ đại diện cho tất cả các dạng trong một phân hoạch không gian nào đó

- Dữ liệu được thu gọn trong không gian biểu diễn đầu vào

2.4.2.5.Lựa chọn mô hình Neuron

Tùy thuộc vào bản chất xử lý dữ liệu của bài toán mà ta lựa chọn mô hình mạng neuron phù hợp

Cấu trúc mạng đa lớp không tùy thuộc vào bài toán một cách hoàn toàn Số ngõ vào của mạng cũng như số neuron trong lớp ngõ ra do bài toán qui định Tuy nhiên số lớp ẩn vào kích thước của các lớp ẩn do người thiết kế chọn

2.4.2.6 Huấn luyện mạng :

Các thao tác cần thực hiện bao gồm :

- Phân dữ liệu mẫu thành 3 tập con : tập mẫu học, tập kiểm soát ( để xác định khi nào dừng quá trình học ) và tập kiểm thử ( để kiểm tra khả năng đoán nhận, dự đoán mạng ) Trong đó, tập mậu học phải mang tính đại diện, còn tập kiểm thử gắn với dáng điệu thực của môi trường đang xem xét

- Xác định luật học

- Xác định cơ chế cập nhật trọng số các neuron trong quá trình huấn luyện

- Khởi tạo các tham số

• Các loại mạng khác nhau tương ứng có các tham số khác nhau

• Các trọng số, tham số ban đầu xác định ngẫu nhiên hay theo kinh nghiệm

• Tốc độ học

• Mức độ quán tính

• Tiêu chuẩn dừng học

Tăng số dữ liệu mẫu và huấn luyện lại mạng

Xem xét lại tập dự liệu mẫu với sự tư vấn của chuyên gia

CHƯƠNG 3 : CẤU TRÚC PHÂN CẤP ĐIỀU

KHIỂN MỜ TRONG MẠNG ATM VÀ NHỮNG ỨNG DỤNG LÝ THUYẾT TẬP MỜ VÀ NEURON TRONG MẠNG ATM 3.1 Giới thiệu

Như đã nhấn mạnh ở chương trước, những mạng ATM cơ bản được thiết kế để có thể

đo lường (scalable), băng thông rộng, quản lí được và có tính linh động trong việc hỗ trợ nhiều lớp của thông tin đa truyền thông có tốc độ bit và yêu cầu chất lượng dịch vụ thay đổi Vì vậy, chúng có thể tạo ra một cơ sở hạ tầng thông tin hợp nhất để có thể vận chuyển tín hiệu thoại, hình và dữ liệu thời gian thực Để đạt được khả năng này, một vài cơ cấu điều khiển sẽ được thiết kế để giải quyết vô số các vấn đề dã được đề cập ở chương 2 Mỗi một vấn đề điều khiển này đặt ra một bài toán khó

Tuỳ vào bản chất phức tạp của các vấn đề điều khiển đã đề cập ở trên, một vài nhà nghiên cứu đang tìm kiếm các giải pháp bằng cách thiết kế các kĩ thuật điều khiển thông minh cho nhiều khía cạnh của việc quản lý mạng ATM, bổ sung các kĩ thuật điều khiển đã có Động cơ của họ xuất phát từ sự thành công trong báo cáo của các kĩ thuật đó cho nhiều vấn đề điều khiển nan giải và khó khăn trước đó trong nhiều lĩnh vực khác nhau

Điều khiển thông minh có thể được định nghĩa như là cách sử dụng hệ thống điều khiển mục đích chung (general-purpose) mà nó có thể học cách đạt được mục tiêu (hay tối ưu hóa) trong những môi trường phức tạp, nhiễu và phi tuyến mà có sự linh động phải được học tối đa trong thời gian thực Điều khiển thông minh sử dụng ý tưởng không những từ các phương pháp chuẩn của điều khiển hồi tiếp mà còn từ hệ kiến thức cơ bản, sự tiến triển lập trình, mạng thần kinh nhân tạo (neural network), hệ thống học, điều khiển thích nghi, mô phỏng định tính và điều khiển logic mờ

Trong số những kĩ thuật này, điều khiển logic mờ là tiêu điểm của đối tượng nghiên cứu được trình bày trong luận án này Khả năng của logic mờ có thể sử dụng phương pháp tự tìm tòi được sử dụng bởi con người và tích hợp những công cụ điều khiển phân tích đã có vào cấu trúc điều khiển cấp cao hơn là đọng lực chính cho sự lựa chọn nó như là mục tiêu của đối tượng

3.2 Những phương pháp quản lý lưu lượng và điều khiển kết nối trong mạng ATM:

Những mạng dựa trên ATM dễ dàng mở rộng, băng thông cao, có khả năng quản lý tập trung và nhiều lớp dịch vụ khác nhau linh động hổ trợ lưu lượng đa phương tiện có yêu cầu về tốc độ bit khác nhau và chất lượng dịch vụ Qos khác nhau Vì vậy, nó có khả năng tạo cơ sở truyền thông cho nhiều lớp dịch vụ với những yêu cầu khác nhau trên mạng ( dịch vụ truyền video và thoại thời gian thực không cho phép trễ nhưng có độ dung sai cho mất mát dữ liệu, ngược lại dữ liệu có thể cho phép độ dung sai về độ trễ nhưng không cho mất mát về dữ liệu) Để đạt được khả năng này vài thuật giải

điều khiển đã được nhgiên cứu để giải quyết nhiều vấn đề phức tạp này: điều khiển chấp nhận kết nối, điều chỉnh tốc độ ngõ vào, định tuyến, xác định băng thông, sắp xếp hàng đợi và quản lý hàng đợi

Sự phức tạp của những mạng ATM và tính nhiều chiều của điều khiển trong mạng ATM chỉ ra rằng điều khiển lưu lượng trong mạng ATM thường được thực hiện trong cấu hình nhiều mức, chia những giải pháp điều khiển thành nhiều mức khác nhau với độ phức tạp khác nhau Dựa theo thời gian ta chia như sau : mức cell, khoảng thời gian tính theo microseond; mức cuộc gọi, tính theo khoảng thời gian giây tới phút; và mức mạng, khoảng thời gian phút tới giờ

3.2.1 Điều khiển mức mạng:

Mục đích chính của điều khiển mức mạng là cho phép thực hiện và kết thúc những cuộc gọi sử dụng dịch vụ B-ISDN thành công lớn nhất Để thực hiện mục đích này hai chức năng chính tại mức điều khiển mạng luôn cố gắng được thực hiện: quản lý lỗi và quản lý nguồn tài nguyên

3.2.1.1 Quản lý lỗi:

Quản lý lỗi bao gồm nhận biết, cách ly và sửa lỗi mà những lỗi này thường gián đoạn nguồn tài nguyên mạng Ngoài những lỗi nghiêm trọng vài lỗi gây ra có thể làm sai lệch hệ thống làm giảm chất lượng hệ thống trong khi nguồn tài nguyên hệ thống vẫn còn dư Ví dụ như những bảng chuyển đổi hệ thống VPI/VCI lỗi sẽ gây ra định tuyến sai cho những kết nối hiện hữu Tầm quan trọng của điều khiển lỗi là liên tục hiển thị thành phần của mạng để nhận biết sự giảm chất lượng gây ra bởi những điều kiện trên và thực hiện những đáp ứng hợp lý để làm giảm những ảnh hưởng này Việc đáp ứng này được thực hiện bởi trung tâm Điều hành và Quản lý trong những mạng ATM

3.2.1.2 Sự định tuyến và xác định dung lượng đường truyền:

Khi mạng không xảy ra lỗi hay những lỗi gây ra sự sai lệch hệ thống, độ sử dụng nguồn tài nguyên mạng hiệu quả được thực hiện bởi chức năng quản lý nguồn tài nguyên và điều khiển lưu lượng bao gồm việc định tuyến và xác định dung lượng đường truyền

Chức năng chính đầu tiên là lựa chọn định tuyến Tại mức mạng, sự lựa chọn định tuyến được thực hiện bởi việc dùng thông tin lưu lượng cuộc gọi và xác xuất nghẽn cuộc gọi

Chức năng chính tiếp theo của việc điều khiển mức mạng trong những mạng ATM là việc xác định băng thông tối ưu cho những đường truyền ảo Việc thực hiện chức năng này một cách hiệu quả rất là quan trọng do:

• Dự trữ được dung lượng đường truyền ảo(virtual link) tương ứng cho những kênh ảo(virtual circuit) nằm trên đường truyền ảo này, từ đó quá trình xử lý để thiết lập 1 kênh ảo sẽ thấp nhất

• Đường truyền ảo có thể được dùng như loại lưu lượng riêng biệt có những yêu cầu về chất lượng dịch vụ khác nhau trong khi vẫn cho phép kênh ảo được ghép kênh theo dạng đa tốc độ