Download Luận văn Nghiên cứu ứng dụng mạng nơron truyền thẳng nhiều lớp trong điều khiển thích nghi vị trí động cơ điện một chiều khi có thông số và tải thay đổi
MỤC LỤC
Lời cam đoan Trang
Danh mục các ký hiệu, bảng, các chữ viết tắt
Danh mục các hình vẽ, đồ thị
Phần mở đầu 1
Chương 1: TỔNG QUAN VỀ MẠNG NƠRON NHÂN TẠO 4
1.1 Lịch sử phát triển của mạng nơron nhân tạo 4
1.2 Các tính chất của mạng nơron nhân tạo 5
1.3 Mô hình nơron 5
1.3.1 Mô hình nơron sinh học 5
1.3.2 Nơron nhân tạo 7
1.4 Cấu tạo mạng nơron 10
1.5 Cấu trúc mạng nơron 11
1.6 cách làm việc của mạng nơron 13
1.7 Các luật học 14
1.8 Mạng nơron truyền thẳng và mạng nơron hồi quy 18
1.8.1 Mạng nơron truyền thẳng 18
1.8.1.1 Mạng nơron truyền thẳng một lớp nơron 18
1.8.1.2 Mạng nơron truyền thẳng nhiều lớp nơron 18
1.8.2 Mạng nơron hồi quy 19
1.8.2.1 Mạng hồi quy không hoàn toàn 19
1.8.2.2 Mạng các dãy của Jordan 20
1.8.2.3 Mạng hồi quy đơn giản 21
1.8.2.4 Mạng hồi quy hoàn toàn 21
1.9 Ứng dụng mạng nơron trong điều khiển tự động 22
1.10 Công nghệ phần cứng sử dụng mạng nơron 24
1.11 So sánh khả năng của mạng nơron với mạch logic 25
1.12 Kết luận chương 1 25
Chương 2: CÁC PHưƠNG PHÁP ỨNG DỤNG MẠNG NƠRON
TRONG NHẬN DẠNG VÀ ĐIỀU KHIỂN 26
2.1 Các phương pháp ứng dụng mạng nơron trong nhận dạng 26
2.1.1 Khái quát chung 26
2.1.1.1 Đặt vấn đề 26
2.1.1.2 Định nghĩa 27
2.1.1.3 Sơ lược về sự phát triển của các phương pháp nhận dạng 27
2.1.1.4 Các bước cơ bản để nhận dạng hệ thống 28
2.1.2 Các phương pháp nhận dạng 29
2.1.2.1 Nhận dạng On-line 30
2.1.2.1.1 Phương pháp lặp bình phương cực tiểu 30
2.1.2.1.2 Phương pháp xấp xỉ ngẫu nhiên 31
2.1.2.1.3 Phương pháp lọc Kalman mở rộng 31
2.1.2.2 Nhận dạng Off-line 33
2.1.2.2.1 Phương pháp xấp xỉ vi phân 34
2.1.2.2.2 Phương pháp gradient 34
2.1.2.2.3 Phương pháp tìm kiếm trực tiếp 36
2.1.2.2.4 Phương pháp tựa tuyến tính 36
2.1.2.2.5 Phương pháp sử dụng hàm nhạy 37
2.1.2.3 Nhận dạng theo thời gian thực 37
2.1.3 Mô tả toán học của đối tượng ở rời rạc 38
2.1.4 Mô hình dùng mạng nơron 41
2.1.4.1 Mô hình nhận dạng kiểu truyền thẳng 41
2.1.4.2 Mô hình ngược trực tiếp 45
2.1.5 Tính gần đúng hàm số dung mạng nơron 45
2.1.6 Mô hình mạng nơron trong nhận dạng và điều khiển 46
2.2 Các phương pháp ứng dụng mạng nơron trong điều khiển 47
2.2.1 Các phương pháp ứng dụng mạng nơron trong điều khiển 47
2.2.1.1 Điều khiển thích nghi sử dụng nguyên tắc chung 47
2.2.1.2 Điều khiển có tín hiệu chỉ đạo 47
2.2.1.3 Điều khiển theo mô hình 47
2.2.1.4 Điều khiển ngược trực tiếp 49
2.2.1.5 Điều khiển mô hình trong 49
2.2.1.6 Điều khiển tối ưu 49
2.2.1.7 Điều khiển tuyến tính thích nghi 50
2.2.1.8 Phương pháp bảng tra 50
2.2.1.9 Điều khiển lọc 50
2.2.1.10 Điều khiển dự báo 50
2.2.2 Điều khiển thích nghi 51
2.2.2.1 Điều khiển thích nghi 51
2.2.2.2 Phương pháp điều khiển thích nghi theo mô hình mẫu (MRAC) 52
2.3 Kết luận chương 2 54
Chương 3: ỨNG DỤNG MẠNG NƠRON TRUYỀN THẲNG NHIỀU LỚP
ĐIỀU KHIỂN THÍCH NGHI VỊ TRÍ ĐỘNG CƠ ĐIỆN MỘT CHIỀU KHI
CÓ THÔNG SỐ VÀ TẢI THAY ĐỔI 55
3.1 Mô tả động lực học của động cơ một chiều 55
3.1.1. Tổng hợp mạch vòng dòng điện khi bỏ qua sức điện động
của động cơ 55
3.1.2. Tổng hợp hệ thống truyền động điều khiển tốc độ 57
3.1.3. Hệ thống điều chỉnh tốc độ dùng bộ điều chỉnh tốc độ tỷ lệ 57
3.1.4. Cấu trúc hệ điều chỉnh vị trí 59
3.1.5. Tìm hàm truyền của hệ thống 60
3.2 Ứng dụng mạng nơron truyền thẳng nhiều lớp trong điều khiển thích nghi
vị trị động cơ điện một chiều khi có thông số thay đổi 62
3.2.1. Bộ điều khiển phản hồi tuyến tính (NARMA-L2) 62
3.2.2. Nhận dạng của mô hình NARMA-L2 62
3.2.3. Bộ điều khiển NARMA-L2 64
3.2.4. Bài toán ví dụ sử dụng khối điều khiển NARMA-L2 66
3.2.5. Kết quả thực nghiệm trên MATLAB 68
3.2.5.1. Số liệu 68
3.2.5.2. Kết quả mô phỏng khi có tải thay đổi 68
3.2.5.3. Kết quả mô phỏng khi có thông số và tải thay đổi 74
3.3. Kết luận chương 3 80
Chương4: KẾT LUẬN CHUNG VÀ KIẾN NGHỊ 81
Tài liệu tham khảo
Để tải bản DOC Đầy Đủ xin Trả lời bài viết này, Mods sẽ gửi Link download cho bạn sớm nhất qua hòm tin nhắn.
Ai cần download tài liệu gì mà không tìm thấy ở đây, thì đăng yêu cầu down tại đây nhé:
Nhận download tài liệu miễn phí
Meng, 1991; Puskorius và Feldkamp, 1991, 1992, 1993; Shah, 1992).
Narendra và Thathchar (19989) và Lin (1994) đã đề cập đến lịch sử phát
triển của luật học củng cố. Lý thuyết hội tụ của TS (λ) cho λ được Dayan (1992) đề
cập. Dạng khác của luật học củng cố TD là luật Q (Watkins, 1989; Watkins và
Dayan, 1992) đã giới thiệu lớp Dynn của cấu trúc học củng cố. Nó được sử dụng
cho điều khiển chuyển động của rô bốt hàng hải trong môi trường không biết trước
(Peng và Williams, 1993; Lin, 1993).
1.9 Ứng dụng mạng nơron trong điều khiển tự động
Với sự phát triển mạnh mẽ của khoa học và kỹ thuật, nên khả năng tính toán
và xử lý của máy tính ngày càng mạnh, nhờ đó các phương pháp lý thuyết đã nghiên
23
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên
cứu được ứng dụng rộng rãi như logic mờ, đặc biệt là mạng nơron. Trong lĩnh vực
điều khiển tự động, mạng nơron được ứng dụng để giải quyết hai bài toán cơ bản:
Nhận dạng đối tượng. Các đối tượng ở đây với đặc tính có thể là động học
tuyến tính, phi tuyến hay động học và phi tuyến.
Thiết kế bộ điều khiển nơron.
Theo lý thuyết đã chứng minh mạng nơron là một bộ xấp xỉ đa năng, có thể
dùng làm một mô hình toán học thay thế đối tượng với sai lệch cho trước nào đó.
Đây là cơ sở để ta có thể ứng dụng mạng nơron để nhận dạng các đối tượng. Ta sẽ
tiến hành nhận dạng lần lượt các đối tượng động học tuyến tính, đối tượng phi tuyến
tính và đối tượng động học và phi tuyến.
Khả năng xấp xỉ đa năng của mạng nhiều lớp tạo ra một sự lựa chọn cho việc
mô hình hóa các đối tượng phi tuyến và thực hiện các bộ điều khiển phi tuyến đa
năng. Mạng nơron được ứng dụng trong điều khiển tự động với ba bài toán sau:
Điều khiển tiên đoán mô hình: Model Predictive Control (MPC).
Điều khiển tuyến tính hóa phản hồi: NARMA-L2 (Feedback Linearization
Control).
Điều khiển theo mô hình mẫu: Model Reference Control.
Dùng mạng nơron để thiết kế bộ điều khiển phải thực hiện theo trình tự hai
bước cơ bản sau: bước 1 là nhận dạng đối tượng và bước 2 là thiết kế bộ điều khiển
nơron.
Trong bước nhận dạng đối tượng, phải xây dựng một mô hình mạng nơron
thay thế cho đối tượng cần được điều khiển. Ở bước thiết kế bộ điều khiển nơron,
sử dụng mô hình mạng nơron của đối tượng để huấn luyện bộ điều khiển. Cả ba bài
toán trên đều giống nhau ở bước nhận dạng, tuy nhiên ở bước thiết kế điều khiển thì
khác nhau đối với mỗi bài toán.
Đối với bài toán điều khiển tiên đoán, mô hình đối tượng được dùng để tiên
đoán đầu ra tương lai của đối tượng và sử dụng một thuật toán tối ưu chọn tín hiệu
đầu vào làm tối ưu chỉ tiêu tương lai.
Với bài toán tuyến tính hóa phản hồi, bộ điều khiển đơn giản là sự sắp xếp
lại mô hình đối tượng.
Với bài toán điều khiển theo mô hình mẫu, bộ điều khiển là một mạng nơron
được huấn luyện để điều khiển một đối tượng bám theo mô hình mẫu. Một mô hình
mạng nơron của đối tượng được sử dụng để hỗ trợ trong việc huấn luyện bộ điều
khiển.
24
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên
1.10 Công nghệ phần cứng sử dụng mạng nơron
Mạng nơron nhân tạo được dùng để xây dựng các chip mang lại nhiều lợi ích
với bản chất cấu trúc phân bố song song của sự gia công thông tin như các nơron
sinh học (Ramacher and Ruckert 1991; Shanchz – Sinencio and Lau 1992), chip
nơron có thể được sử dụng làm các bộ xử lý (Coprocessor) trong các máy tính thông
thường và trong việc tính toán.
Trong phần cứng, mạng nơron có thể sử dụng vào nhiều lĩnh vực. Mạng
nơron có thể sử dụng với các chức năng như các phần tử analog hay digital thay
thế cho các phần tử điện tử thông thường. Các loại chip analog có một tiềm năng to
lớn về sử lý tốc độ cao và kinh tế hơn chip digital cùng loại, các chip digital cũng có
các ưu điểm là có độ chính xác cao hơn và dễ chế tạo.
Ở phần tử analog, các trọng số liên kết mã hóa được với các phần tử điện trở,
điện cảm và điện dung. Các mức của các nút hoạt hóa (cường độ của tín hiệu) được
đặc trưng bằng các đại lượng dòng và áp. Ví dụ như lưới silic (Silicon Retina)
(Mead 1989) là một dạng chip analog có thể cạnh tranh được với lưới sinh học
(Biological Retina).
Công nghệ digital có thể áp dụng để thiết kế các chip nơron. Vấn đề này
được Hammerstrom và Means (1990) đề cập đến. Khả năng khác là xung học (Pulse
– Trains) là đặc trưng cho trọng số và cường độ tín hiệu (Caudill 1991). Xung học
phản ánh tương xứng với tần suất hay khả năng của nơron hoạt hóa, tái tạo điều
biến tần xuất quan sát được như của mạng nơron sinh học. Phép nhân của 2 xung
học là tương đương với phép AND trong mạch logic, phép cộng của 2 xung học là
tương đương với phép OR trong mạch logic.
Trong hướng của thuật học, có được một vài chọn lọc. Các trọng số trong
môt chíp nơron cần cố định trước như ở chíp ROM (Read – Only Memory), bộ nhớ
có thể chương trình hóa PROM (Programmable ROM), bộ nhớ có thể xóa và lập
trình được (Erasable PROM), hay bộ nhớ đọc/ ghi RAM (Random Access
Memory).
Mạng nơron mở ra một hướng cải tiến quan trọng về công nghệ. Với ưu điểm
nổi bật của mạng nơron là khả năng truyền tín hiệu ở các chíp nơron ở dạng song
song do đó tốc độ truyền tín hiệu rất cao, đặc trưng này không có ở các chíp điện tử
truyền thống.
25
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên
1.11 So sánh khả năng của mạng nơron với mạch lôgíc
- Mạng nơron dùng ở cả các dạng mức (0, 1), (-1, +1) ở dạng liên tục như
hàm chuyển đổi sigmoid và dạng phi tuyến. Do đó, phần tử logic chỉ là một trường
hợp riêng của mạng nơron.
- Khả năng lập trình được của mạng nơron rất tốt, thay vì phương pháp lắp
ráp phần cứng không lập trình được của mạng logic.
- Đặc trưng cơ bản của mạng nơron là tính truyền song song làm tăng tốc độ
tính toán.
- Ngày nay ở một phần tử nơron, cũng có thể được coi là một hệ điều khiển
trong mạch vì nó có đầy đủ các thành phần: ngưỡng, tín hiệu vào – ra, phản hồi, bộ
tổng; Trong khi đó mạch logic chỉ là một phần tử, hay một mạch điện, một mạch
điện tử.
1.12 Kết luận chƣơng 1
Qua phân tích tổng quan về mạng nơron nhân tạo ta thấy mô hình mạng
nơron có tính chất sau:
- Là hệ phi tuyến
- Là hệ xử lý song song
- Là hệ học và thích nghi: Mạng được luyện từ các số liệu quá khứ, có khả
năng tự chỉnh khi số liệu đầu vào bị mất.
- Là hệ nhiều biến, nhiều đầu vào, nhiều đầu ra (MIMO) rất tiện dùng khi
điều khiển đối tượng có nhiều biến số.
Vì vậy nó có ý nghĩa rất quan trọng trong quá trình nhận dạng và điều khiển
thích nghi đối tượng có tính chất phi tuyến và phụ tải thay đổi.
So sánh mạng nơron truyền thẳng nhiều lớp và mạng nơron hồi quy nhiều
lớp ta thấy về cấu trúc mạng nơron...
Download miễn phí Luận văn Nghiên cứu ứng dụng mạng nơron truyền thẳng nhiều lớp trong điều khiển thích nghi vị trí động cơ điện một chiều khi có thông số và tải thay đổi
MỤC LỤC
Lời cam đoan Trang
Danh mục các ký hiệu, bảng, các chữ viết tắt
Danh mục các hình vẽ, đồ thị
Phần mở đầu 1
Chương 1: TỔNG QUAN VỀ MẠNG NƠRON NHÂN TẠO 4
1.1 Lịch sử phát triển của mạng nơron nhân tạo 4
1.2 Các tính chất của mạng nơron nhân tạo 5
1.3 Mô hình nơron 5
1.3.1 Mô hình nơron sinh học 5
1.3.2 Nơron nhân tạo 7
1.4 Cấu tạo mạng nơron 10
1.5 Cấu trúc mạng nơron 11
1.6 cách làm việc của mạng nơron 13
1.7 Các luật học 14
1.8 Mạng nơron truyền thẳng và mạng nơron hồi quy 18
1.8.1 Mạng nơron truyền thẳng 18
1.8.1.1 Mạng nơron truyền thẳng một lớp nơron 18
1.8.1.2 Mạng nơron truyền thẳng nhiều lớp nơron 18
1.8.2 Mạng nơron hồi quy 19
1.8.2.1 Mạng hồi quy không hoàn toàn 19
1.8.2.2 Mạng các dãy của Jordan 20
1.8.2.3 Mạng hồi quy đơn giản 21
1.8.2.4 Mạng hồi quy hoàn toàn 21
1.9 Ứng dụng mạng nơron trong điều khiển tự động 22
1.10 Công nghệ phần cứng sử dụng mạng nơron 24
1.11 So sánh khả năng của mạng nơron với mạch logic 25
1.12 Kết luận chương 1 25
Chương 2: CÁC PHưƠNG PHÁP ỨNG DỤNG MẠNG NƠRON
TRONG NHẬN DẠNG VÀ ĐIỀU KHIỂN 26
2.1 Các phương pháp ứng dụng mạng nơron trong nhận dạng 26
2.1.1 Khái quát chung 26
2.1.1.1 Đặt vấn đề 26
2.1.1.2 Định nghĩa 27
2.1.1.3 Sơ lược về sự phát triển của các phương pháp nhận dạng 27
2.1.1.4 Các bước cơ bản để nhận dạng hệ thống 28
2.1.2 Các phương pháp nhận dạng 29
2.1.2.1 Nhận dạng On-line 30
2.1.2.1.1 Phương pháp lặp bình phương cực tiểu 30
2.1.2.1.2 Phương pháp xấp xỉ ngẫu nhiên 31
2.1.2.1.3 Phương pháp lọc Kalman mở rộng 31
2.1.2.2 Nhận dạng Off-line 33
2.1.2.2.1 Phương pháp xấp xỉ vi phân 34
2.1.2.2.2 Phương pháp gradient 34
2.1.2.2.3 Phương pháp tìm kiếm trực tiếp 36
2.1.2.2.4 Phương pháp tựa tuyến tính 36
2.1.2.2.5 Phương pháp sử dụng hàm nhạy 37
2.1.2.3 Nhận dạng theo thời gian thực 37
2.1.3 Mô tả toán học của đối tượng ở rời rạc 38
2.1.4 Mô hình dùng mạng nơron 41
2.1.4.1 Mô hình nhận dạng kiểu truyền thẳng 41
2.1.4.2 Mô hình ngược trực tiếp 45
2.1.5 Tính gần đúng hàm số dung mạng nơron 45
2.1.6 Mô hình mạng nơron trong nhận dạng và điều khiển 46
2.2 Các phương pháp ứng dụng mạng nơron trong điều khiển 47
2.2.1 Các phương pháp ứng dụng mạng nơron trong điều khiển 47
2.2.1.1 Điều khiển thích nghi sử dụng nguyên tắc chung 47
2.2.1.2 Điều khiển có tín hiệu chỉ đạo 47
2.2.1.3 Điều khiển theo mô hình 47
2.2.1.4 Điều khiển ngược trực tiếp 49
2.2.1.5 Điều khiển mô hình trong 49
2.2.1.6 Điều khiển tối ưu 49
2.2.1.7 Điều khiển tuyến tính thích nghi 50
2.2.1.8 Phương pháp bảng tra 50
2.2.1.9 Điều khiển lọc 50
2.2.1.10 Điều khiển dự báo 50
2.2.2 Điều khiển thích nghi 51
2.2.2.1 Điều khiển thích nghi 51
2.2.2.2 Phương pháp điều khiển thích nghi theo mô hình mẫu (MRAC) 52
2.3 Kết luận chương 2 54
Chương 3: ỨNG DỤNG MẠNG NƠRON TRUYỀN THẲNG NHIỀU LỚP
ĐIỀU KHIỂN THÍCH NGHI VỊ TRÍ ĐỘNG CƠ ĐIỆN MỘT CHIỀU KHI
CÓ THÔNG SỐ VÀ TẢI THAY ĐỔI 55
3.1 Mô tả động lực học của động cơ một chiều 55
3.1.1. Tổng hợp mạch vòng dòng điện khi bỏ qua sức điện động
của động cơ 55
3.1.2. Tổng hợp hệ thống truyền động điều khiển tốc độ 57
3.1.3. Hệ thống điều chỉnh tốc độ dùng bộ điều chỉnh tốc độ tỷ lệ 57
3.1.4. Cấu trúc hệ điều chỉnh vị trí 59
3.1.5. Tìm hàm truyền của hệ thống 60
3.2 Ứng dụng mạng nơron truyền thẳng nhiều lớp trong điều khiển thích nghi
vị trị động cơ điện một chiều khi có thông số thay đổi 62
3.2.1. Bộ điều khiển phản hồi tuyến tính (NARMA-L2) 62
3.2.2. Nhận dạng của mô hình NARMA-L2 62
3.2.3. Bộ điều khiển NARMA-L2 64
3.2.4. Bài toán ví dụ sử dụng khối điều khiển NARMA-L2 66
3.2.5. Kết quả thực nghiệm trên MATLAB 68
3.2.5.1. Số liệu 68
3.2.5.2. Kết quả mô phỏng khi có tải thay đổi 68
3.2.5.3. Kết quả mô phỏng khi có thông số và tải thay đổi 74
3.3. Kết luận chương 3 80
Chương4: KẾT LUẬN CHUNG VÀ KIẾN NGHỊ 81
Tài liệu tham khảo
Để tải bản DOC Đầy Đủ xin Trả lời bài viết này, Mods sẽ gửi Link download cho bạn sớm nhất qua hòm tin nhắn.
Ai cần download tài liệu gì mà không tìm thấy ở đây, thì đăng yêu cầu down tại đây nhé:
Nhận download tài liệu miễn phí
Tóm tắt nội dung:
ều tài liệu đề cập (Singhal và Wu, 1989; Douglas vàMeng, 1991; Puskorius và Feldkamp, 1991, 1992, 1993; Shah, 1992).
Narendra và Thathchar (19989) và Lin (1994) đã đề cập đến lịch sử phát
triển của luật học củng cố. Lý thuyết hội tụ của TS (λ) cho λ được Dayan (1992) đề
cập. Dạng khác của luật học củng cố TD là luật Q (Watkins, 1989; Watkins và
Dayan, 1992) đã giới thiệu lớp Dynn của cấu trúc học củng cố. Nó được sử dụng
cho điều khiển chuyển động của rô bốt hàng hải trong môi trường không biết trước
(Peng và Williams, 1993; Lin, 1993).
1.9 Ứng dụng mạng nơron trong điều khiển tự động
Với sự phát triển mạnh mẽ của khoa học và kỹ thuật, nên khả năng tính toán
và xử lý của máy tính ngày càng mạnh, nhờ đó các phương pháp lý thuyết đã nghiên
23
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên
cứu được ứng dụng rộng rãi như logic mờ, đặc biệt là mạng nơron. Trong lĩnh vực
điều khiển tự động, mạng nơron được ứng dụng để giải quyết hai bài toán cơ bản:
Nhận dạng đối tượng. Các đối tượng ở đây với đặc tính có thể là động học
tuyến tính, phi tuyến hay động học và phi tuyến.
Thiết kế bộ điều khiển nơron.
Theo lý thuyết đã chứng minh mạng nơron là một bộ xấp xỉ đa năng, có thể
dùng làm một mô hình toán học thay thế đối tượng với sai lệch cho trước nào đó.
Đây là cơ sở để ta có thể ứng dụng mạng nơron để nhận dạng các đối tượng. Ta sẽ
tiến hành nhận dạng lần lượt các đối tượng động học tuyến tính, đối tượng phi tuyến
tính và đối tượng động học và phi tuyến.
Khả năng xấp xỉ đa năng của mạng nhiều lớp tạo ra một sự lựa chọn cho việc
mô hình hóa các đối tượng phi tuyến và thực hiện các bộ điều khiển phi tuyến đa
năng. Mạng nơron được ứng dụng trong điều khiển tự động với ba bài toán sau:
Điều khiển tiên đoán mô hình: Model Predictive Control (MPC).
Điều khiển tuyến tính hóa phản hồi: NARMA-L2 (Feedback Linearization
Control).
Điều khiển theo mô hình mẫu: Model Reference Control.
Dùng mạng nơron để thiết kế bộ điều khiển phải thực hiện theo trình tự hai
bước cơ bản sau: bước 1 là nhận dạng đối tượng và bước 2 là thiết kế bộ điều khiển
nơron.
Trong bước nhận dạng đối tượng, phải xây dựng một mô hình mạng nơron
thay thế cho đối tượng cần được điều khiển. Ở bước thiết kế bộ điều khiển nơron,
sử dụng mô hình mạng nơron của đối tượng để huấn luyện bộ điều khiển. Cả ba bài
toán trên đều giống nhau ở bước nhận dạng, tuy nhiên ở bước thiết kế điều khiển thì
khác nhau đối với mỗi bài toán.
Đối với bài toán điều khiển tiên đoán, mô hình đối tượng được dùng để tiên
đoán đầu ra tương lai của đối tượng và sử dụng một thuật toán tối ưu chọn tín hiệu
đầu vào làm tối ưu chỉ tiêu tương lai.
Với bài toán tuyến tính hóa phản hồi, bộ điều khiển đơn giản là sự sắp xếp
lại mô hình đối tượng.
Với bài toán điều khiển theo mô hình mẫu, bộ điều khiển là một mạng nơron
được huấn luyện để điều khiển một đối tượng bám theo mô hình mẫu. Một mô hình
mạng nơron của đối tượng được sử dụng để hỗ trợ trong việc huấn luyện bộ điều
khiển.
24
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên
1.10 Công nghệ phần cứng sử dụng mạng nơron
Mạng nơron nhân tạo được dùng để xây dựng các chip mang lại nhiều lợi ích
với bản chất cấu trúc phân bố song song của sự gia công thông tin như các nơron
sinh học (Ramacher and Ruckert 1991; Shanchz – Sinencio and Lau 1992), chip
nơron có thể được sử dụng làm các bộ xử lý (Coprocessor) trong các máy tính thông
thường và trong việc tính toán.
Trong phần cứng, mạng nơron có thể sử dụng vào nhiều lĩnh vực. Mạng
nơron có thể sử dụng với các chức năng như các phần tử analog hay digital thay
thế cho các phần tử điện tử thông thường. Các loại chip analog có một tiềm năng to
lớn về sử lý tốc độ cao và kinh tế hơn chip digital cùng loại, các chip digital cũng có
các ưu điểm là có độ chính xác cao hơn và dễ chế tạo.
Ở phần tử analog, các trọng số liên kết mã hóa được với các phần tử điện trở,
điện cảm và điện dung. Các mức của các nút hoạt hóa (cường độ của tín hiệu) được
đặc trưng bằng các đại lượng dòng và áp. Ví dụ như lưới silic (Silicon Retina)
(Mead 1989) là một dạng chip analog có thể cạnh tranh được với lưới sinh học
(Biological Retina).
Công nghệ digital có thể áp dụng để thiết kế các chip nơron. Vấn đề này
được Hammerstrom và Means (1990) đề cập đến. Khả năng khác là xung học (Pulse
– Trains) là đặc trưng cho trọng số và cường độ tín hiệu (Caudill 1991). Xung học
phản ánh tương xứng với tần suất hay khả năng của nơron hoạt hóa, tái tạo điều
biến tần xuất quan sát được như của mạng nơron sinh học. Phép nhân của 2 xung
học là tương đương với phép AND trong mạch logic, phép cộng của 2 xung học là
tương đương với phép OR trong mạch logic.
Trong hướng của thuật học, có được một vài chọn lọc. Các trọng số trong
môt chíp nơron cần cố định trước như ở chíp ROM (Read – Only Memory), bộ nhớ
có thể chương trình hóa PROM (Programmable ROM), bộ nhớ có thể xóa và lập
trình được (Erasable PROM), hay bộ nhớ đọc/ ghi RAM (Random Access
Memory).
Mạng nơron mở ra một hướng cải tiến quan trọng về công nghệ. Với ưu điểm
nổi bật của mạng nơron là khả năng truyền tín hiệu ở các chíp nơron ở dạng song
song do đó tốc độ truyền tín hiệu rất cao, đặc trưng này không có ở các chíp điện tử
truyền thống.
25
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên
1.11 So sánh khả năng của mạng nơron với mạch lôgíc
- Mạng nơron dùng ở cả các dạng mức (0, 1), (-1, +1) ở dạng liên tục như
hàm chuyển đổi sigmoid và dạng phi tuyến. Do đó, phần tử logic chỉ là một trường
hợp riêng của mạng nơron.
- Khả năng lập trình được của mạng nơron rất tốt, thay vì phương pháp lắp
ráp phần cứng không lập trình được của mạng logic.
- Đặc trưng cơ bản của mạng nơron là tính truyền song song làm tăng tốc độ
tính toán.
- Ngày nay ở một phần tử nơron, cũng có thể được coi là một hệ điều khiển
trong mạch vì nó có đầy đủ các thành phần: ngưỡng, tín hiệu vào – ra, phản hồi, bộ
tổng; Trong khi đó mạch logic chỉ là một phần tử, hay một mạch điện, một mạch
điện tử.
1.12 Kết luận chƣơng 1
Qua phân tích tổng quan về mạng nơron nhân tạo ta thấy mô hình mạng
nơron có tính chất sau:
- Là hệ phi tuyến
- Là hệ xử lý song song
- Là hệ học và thích nghi: Mạng được luyện từ các số liệu quá khứ, có khả
năng tự chỉnh khi số liệu đầu vào bị mất.
- Là hệ nhiều biến, nhiều đầu vào, nhiều đầu ra (MIMO) rất tiện dùng khi
điều khiển đối tượng có nhiều biến số.
Vì vậy nó có ý nghĩa rất quan trọng trong quá trình nhận dạng và điều khiển
thích nghi đối tượng có tính chất phi tuyến và phụ tải thay đổi.
So sánh mạng nơron truyền thẳng nhiều lớp và mạng nơron hồi quy nhiều
lớp ta thấy về cấu trúc mạng nơron...