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

Để điều khiển chính xác đối tượng khi chưa biết rõ được thông số, trước tiên ta phải hiểu rõ đối tượng đó. Đối với đối tượng có thông số thay đổi như đ ộng cơ một chiều và có tải thay đổi, ta cần thực hiện nhận dạng đặc tính vào ra của nó để đảm bảo tạo ra tín hiệu điều khiển thích nghi được lựa chọn chính xác hơn. Hiện nay thường dùng lôgíc mờ (Fuzzy Logic), mạng nơron (Neural Networks), và mạng nơron mờ (Fuzzy Neural Networks) để nhận dạng và điều khiển thích nghi hệ thống có thông số thay đổi.

pdf95 trang | Chia sẻ: vietpd | Lượt xem: 1803 | Lượt tải: 2download
Bạn đang xem trước 20 trang tài liệu 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, để xem tài liệu hoàn chỉnh bạn click vào nút DOWNLOAD ở trên
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên ĐẠI HỌC THÁI NGUYÊN TRƯỜNG ĐẠI HỌC KỸ THUẬT CÔNG NGHIỆP VŨ MẠNH THỦY 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 LUẬN VĂN THẠC SĨ TỰ ĐỘNG HÓA THÁI NGUYÊN - 2009 Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên ĐẠI HỌC THÁI NGUYÊN TRƯỜNG ĐHKT CÔNG NGHIỆP *** CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc lập - Tự do - Hạnh phúc ---------o0o--------- THUYẾT MINH LUẬN VĂN THẠC SĨ TỰ ĐỘNG HÓA ĐỀ TÀI: 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 Học viên: Vũ Mạnh Thủy Lớp: CHK10 Chuyên ngành: Tự động hóa Người HD khoa học: TS. Phạm Hữu Đức Dục Ngày giao đề tài: 01/02/2009 Ngày hoàn thành: 30/07/2009 KHOA ĐT SAU ĐẠI HỌC NGƯỜI HƯỚNG DẪN KHOA HỌC T.S Phạm Hữu Đức Dục HỌC VIÊN Vũ Mạnh Thủy THÁI NGUYÊN – Năm 2009 Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên 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 Chƣơng 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 Phƣơng thức 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 Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên 1.11 So sánh khả năng của mạng nơron với mạch logic 25 1.12 Kết luận chƣơng 1 25 Chƣơng 2: CÁC PHƢƠNG PHÁP ỨNG DỤNG MẠNG NƠRON TRONG NHẬN DẠNG VÀ ĐIỀU KHIỂN 26 2.1 Các phƣơng 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 Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên 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 phƣơng 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 chƣơng 2 54 Chƣơng 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 Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên 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 chƣơng 3 80 Chƣơng4: KẾT LUẬN CHUNG VÀ KIẾN NGHỊ 81 Tài liệu tham khảo Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên DANH MỤC CÁC CHỮ VIẾT TẮT, TIẾNG NƯỚC NGOÀI STT Ký hiệu Diễn giải 1 Artificial Neural Nơron nhân tạo 2 Artificial Neural Networks Mạng nơron nhân tạo 3 Back Propagation Learaning Rule Luật học lan truyền ngược 4 Bipolar Sigmoid Function Hàm sigmoid 2 cực 5 Fuzzy Loogic mờ 6 Fuzzy Neural Networks Mạng nơron mờ 7 Learing Học 8 Linear Graded Unit-LGU Phần tử graded tuyến tính 9 Linear Threshold Unit-LTU Phần tử ngưỡng tuyến tính 10 Myltilayer Layer Feedforward NetWord Mạng nhiều lớp truyền thẳng 11 Neural Nơron 12 Neural Networks Mạng nơron 13 Output Layer Lớp ra 14 Paramater Learning Học thông số 15 Recall Gọi lại 16 Recurrent Neural Networks Mạng nơron hồi quy 17 Reinforcement Signal Tín hiệu củng cố 18 Reinforcement Learning Học củng cố 19 Rump Function Hàm Rump 20 Self Organizing Tự tổ chức 21 Single Layer Feedforward NetWord Mạng một lớp truyền thẳng 22 Step Function Hàm bước nhảy 23 Structure Learning Học cấu trúc 24 Supervised Learning Học giám sát 25 Threshold Function Hàm giới hạn cứng 26 Unipolar Sigmoid Function Hàm sigmoid 1 cực 27 Unsupervised Learning Học không có giám sát Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ STT Ký hiệu Diễn giải tên hình vẽ 1 Hình 1.1 Mô hình nơron sinh học 2 Hình 1.2 Mô hình nơron nhân tạo 3 Hình 1.3 Đồ thị các loại hàm chuyển đổi 4 Hình 1.4 Mạng nơron 3 lớp 5 Hình 1.5 Sơ đồ cấu trúc các loại mạng nơron 6 Hình 1.6 Mô hình học có giám sát và học củng cố 7 Hình 1.7 Mô hình học không có giám sát 8 Hình 1.8 Sơ đồ cấu trúc chung của quá trình học 9 Hình 1.9 Mạng nơron truyền thẳng một lớp 10 Hình 1.10 Mạng nơron truyền thẳng nhiều lớp 11 Hình 1.11 Sơ đồ cấu trúc của mạng Jordan 12 Hình 1.12 Sơ đồ cấu trúc mạng nơron hồi quy đơn giản 13 Hình 2.1 Điều khiển theo nguyên tắc phản hồi đầu ra 14 Hình 2.2 Quy trình nhận dạng hệ thống 15 Hình 2.3 Sơ đồ tổng quát nhận dạng thong số mô hình 16 Hình 2.4 Nhận dạng theo phương pháp gradient 17 Hình 2.5 Mô hình dạng 1 18 Hình 2.6 Mô hình dạng 2 19 Hình 2.7 Mô hình dạng 3 20 Hình 2.8 Mô hình dạng 4 21 Hình 2.9 Mô hình nhận dạng kiểu truyền thẳng 22 Hình 2.10 Mô hình nhận dạng kiểu song song 23 Hình 2.11 Mô hình nhận dạng kiểu nối tiếp-song song 24 Hình 2.12 Mô hình nhận dạng ngược trực tiếp 25 Hình 2.13 Mô hình 1 26 Hình 2.14 Mô hình 2 27 Hình 2.15 Mô hình 3 28 Hình 2.16 Mô hình 4 29 Hình 2.17 Mô hình điều khiển trực tiếp STT Ký hiệu Diễn giải tên hình vẽ Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên 30 Hình 2.18 Mô hình điều khiển gián tiếp 31 Hình 2.19 Sơ đồ điều khiển mô hình trong 32 Hình 2.20 Sơ đồ điều khiển theo phương pháp dự báo 33 Hình 2.21 Sơ đồ nguyên lý của phương pháp điểu khiển thích nghi theo phương pháp mô hình mẫu 34 Hình 2.22 Sơ đồ điều khiển trực tiếp 35 Hình 2.23 Sơ đồ điều khiển gián tiếp 36 Hình 3.1 Sơ đồ khối của mạch vòng dòng điện 37 Hình 3.2 Sơ đồ khối 38 Hình 3.3 Sơ đồ khối của hệ điều chỉnh tốc độ 39 Hình 3.4 Cấu trúc bộ điều chỉnh 40 Hình 3.5 Cấu trúc hệ điều chỉnh vị trí tuyến tính 41 Hình 3.6 Sơ đồ khối của hệ điều chỉnh tốc độ 42 Hình 3.7 Sơ đồ khối tương đương 1 của hệ điều chỉnh tốc độ 43 Hình 3.8 Sơ đồ khối tương đương 2 của hệ điều chỉnh tốc độ 44 Hình 3.9 Sơ đồ khối của hệ điều chỉnh vị trí 1 45 Hình 3.10 Sơ đồ khối tương đương của hệ điều chỉnh vị trí 46 Hình 3.11 Cấu trúc một mạng nơron 47 Hình 3.12 Sơ đồ khối của bộ điều khiển NARMA-L2 48 Hình 3.13 Bộ điều khiển thực hiện với mô hình nhận dạng NARMA-L2 49 Hình 3.14 Sơ đồ điều khiển vị trí nam châm vĩnh cửu 50 Hình 3.15 Đồ thị vị trí mẫu và vị trí sau khi đã điều khiển 51 Hình 3.16 Sơ đồ khối mô tả động cơ một chiều 52 Hình 3.17 Sơ đồ mạng nơron truyền thẳng nhiều lớp điều khiển thích nghi vị trí động cơ điện một chiều khi có tải thay đổi 53 Hình 3.18 Bảng điều khiển nhận dạng tín hiệu vị trí động cơ một chiều NARMA-L2 54 Hình 3.19 Dữ liệu vào ra của tín hiệu vị trí động cơ một chiều 55 Hình 3.20 Xuất dữ liệu làm việc 56 Hình 3.21 Nhập dữ liệu vào bộ điều khiển 57 Hình 3.22 Huấn luyện đối tượng với dư liệu đã nhập vào 58 Hình 3.23 Dữ liệu huấn luyện cho bộ điều khiển NN NARMA-L2 STT Ký hiệu Diễn giải tên hình vẽ Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên 59 Hình 3.24 Dữ liệu xác nhận cho bộ điều khiển NN NARMA-L2 60 Hình 3.25 Dữ liệu kiểm tra cho bộ điều khiển NN NARMA-L2 61 Hình 3.26 Đồ thị vị trí mẫu qd (nét mảnh) và vị trí sau khi đã điều khiển q (nét đậm) 62 Hình 3.27 Đồ thị điện áp điều khiển 63 Hình 3.28 Đồ thị mômen tải MC (Nm) 64 Hình 3.29 Sơ đồ khối mô tả động cơ điện một chiều khi có R, MC thay đổi 65 Hình 3.30 Dữ liệu vào ra của tín hiệu vị trí động cơ một chiều 66 Hình 3.31 Bảng điều khiển nhận dạng tín hiệu vị trí động cơ một chiều NARMA-L2 67 Hình 3.32 Huấn luyện đối tượng với dư liệu đã nhập vào 68 Hình 3.33 Dữ liệu huấn luyện cho bộ điều khiển NN NARMA-L2 69 Hình 3.34 Dữ liệu xác nhận cho bộ điều khiển NN NARMA-L2 70 Hình 3.35 Dữ liệu kiểm tra cho bộ điều khiển NN NARMA-L2 71 Hình 3.36 Đồ thị điện áp điều chỉnh u 72 Hình 3.37 Đồ thị điện trở R () 73 Hình 3.38 Đồ thị mômen tải MC (Nm) 74 Hình 3.39 Đồ thị vị trí mẫu qd (nét mảnh) và vị trí sau khi đã điều khiển q (nét đậm) Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên LỜI CAM ĐOAN Tôi xin cam đoan Luận văn này là công trình do tôi tổng hợp và nghiên cứu. Trong luận văn có sử dụng một số tài liệu tham khảo như đã nêu trong phần tài liệu tham khảo. Tác giả luận văn VŨ MẠNH THỦY 1 Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên PHẦN MỞ ĐẦU 1. Lý do chọn đề tài: Để điều khiển chính xác đối tượng khi chưa biết rõ được thông số, trước tiên ta phải hiểu rõ đối tượng đó. Đối với đối tượng có thông số thay đổi như động cơ một chiều và có tải thay đổi, ta cần thực hiện nhận dạng đặc tính vào ra của nó để đảm bảo tạo ra tín hiệu điều khiển thích nghi được lựa chọn chính xác hơn. Hiện nay thường dùng lôgíc mờ (Fuzzy Logic), mạng nơron (Neural Networks), và mạng nơron mờ (Fuzzy Neural Networks) để nhận dạng và điều khiển thích nghi hệ thống có thông số thay đổi. Trong khuôn khổ của khóa học Cao học, chuyên ngành Tự động hóa tại trường Đại học Kỹ thuật Công nghiệp, được sự tạo điều kiện giúp đỡ của nhà trường và Tiến sĩ Phạm Hữu Đức Dục, em đã lựa chọn đề tài tốt nghiệp của mình là “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”. Trong quá trình thực hiện đề tài, tác giả đã cố gắng hạn chế tối đa các khiếm khuyết, xong không thể tránh được tất cả, kính mong Hội đồng Khoa học và độc giả bổ xung đóng góp ý kiến để đề tài được hoàn thiện hơn. 2. Cơ sở khoa học và thực tiễn của đề tài Ngày nay do tiến bộ của khoa học kỹ thuật trong điện tử và tin học các hệ thống điều khiển tự động được phát triển và có sự thay đổi lớn. Công nghệ vi mạch phát triển khiến cho việc sản xuất các thiết bị điện tử ngày càng hoàn thiện. Các bộ biến đổi điện tử trong các hệ thống không những đáp ứng được khả năng tác động nhanh, độ chính xác cao mà còn góp phần giảm kích thước và hạ giá thành của hệ thống. Đặc biệt trong những thập kỷ gần đây trước sự phát triển mạnh mẽ và ngày càng hoàn thiện của lý thuyết mạng nơron truyền thẳng nhiều lớp, hàng loạt các ứng dụng của lý thuyết mạng nơron truyền thẳng nhiều lớp đã và đang mở ra một kỷ nguyên mới ngành điều khiển. Tuy là ngành kỹ thuật điều khiển non trẻ nhưng những ứng dụng trong công nghiệp của điều khiển mạng nơron thật rộng rãi như trong nhận dạng, phân loại sản phẩm, xử lý tiếng nói, chữ viết và điều khiển hệ thống, điều khiển robot. Tới nay đã có rất nhiều sản phẩm công nghiệp được tạo ra và nhờ kỹ thuật điều khiển mạng nơron, rất nhiều nước trên thế giới đã thành công. Chính vì thế mà việc đi sâu nghiên cứu và áp dụng lý thuyết điều khiển nơron truyền thẳng nhiều lớp trong điều khiển thích nghi vị trí động cơ một chiều khi có thông số và tải thay đổi có ý nghĩa khoa học. 2 Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên Khác hẳn với kỹ thuật điều khiển kinh điển là hoàn toàn dựa vào sự chính xác tuyệt đối của thông tin mà trong nhiều ứng dụng không cần thiết hoặc không thể có được, điều khiển nơron truyền thẳng nhiều lớp chỉ cần sử lý những thông tin (không chính xác) hay không đầy đủ, những thông tin mà sự chính xác của nó chỉ nhận thấy được giữa các quan hệ của chúng với nhau và chỉ có thể mô tả được bằng ngôn ngữ, đã có thể cho ra những quyết định chính xác. Chính khả năng này đã làm cho điều khiển nơron truyền thẳng sao chụp được phương thức xử lý thông tin và điều khiển của con người. Do đó việc áp dụng điều khiển nơron truyền thẳng nhiều lớp vào hệ thống điều khiển thích nghi vị trí động cơ một chiều khi có tải và thông số thay đổi là việc cần phải làm. 3. Mục đích của đề tài Đối với đối tượng có thông số thay đổi như động cơ một chiều khi có phụ tải thay đổi, ta cần nhận dạng đặc tính vào ra của nó để bảo đảm tạo ra tín hiệu điều khiển thích nghi được chính xác hơn. Hiện nay thường sử dụng logic mờ (Fuzzy Logic), mạng nơron mờ (Fuzzy Neural Networks), mạng nơron (Neural Networks) để nhận dạng và điều khiển thích nghi vị trí động cơ điện một chiều. Đề tài này nghiên cứu ứng dụng mạng nơron truyền thẳng nhiều lớp (bộ điều khiển NARMA-L2) trong điều khiển thích nghi vị trí động cơ điện một chiều khi có thông số và tải thay đổi. 4. Đối tƣợng và phạm vi nghiên cứu của đề tài: Phần mở đầu Chương 1. Tổng quan về mạng nơron nhân tạo Phân tích tổng quan về mạng nơron bao gồm: phần lịch sử phát triển, kết cấu của mạng các nơron, ứng dụng của chúng… Chương 2. Các phương pháp ứng dụng mạng nơron trong nhận dạng và điều khiển. Phần này tập trung trình bày các phương pháp ứng dụng mô hình mạng nơron trong nhận dạng và điều khiển. 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. 3.1. Mô tả động lực học của động cơ một chiều. 3.2. 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. Chương 4. Kết luận chung và kiến nghị. 3 Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên 5. Ý nghĩa khoa học và thực tiễn của đề tài Với ứng dụng của mạng nơron truyền thẳng nhiều lớp điều khiển vị trí động cơ điện một chiều khi có thông sô và phụ tải thay đổi, sau khi đã nhận dạng được vị trí động cơ một chiều, ta có thể thay thế gần đúng mô hình động cơ một chiều bằng mạng nơron truyền thẳng nhiều lớp, từ đó căn cứ trên các thông số mô phỏng của mạng nơron, tính toán được tín hiệu điều khiển nhằm điều khiển thích nghi vị trí động cơ điện một chiều khi có thông số và phụ tải thay đổi phù hợp với yêu cầu cần thiết của điều khiển thích nghi vị trí động cơ điện một chiều. 4 Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên CHƢƠNG 1 TỔNG QUAN VỀ MẠNG NƠRON NHÂN TẠO Nghiên cứu và mô phỏng não người, cụ thể là mô phỏng nơron thần kinh là một ước muốn từ lâu của nhân loại. Từ mơ ước đó, nhiều nhà khoa học đã không ngừng nghiên cứu tìm hiểu về mạng nơron. Trong đó mạng nơron nhân tạo đã được nói đến ở cuốn sách “Điều khiển học, hay điều chỉnh và sự truyền sinh trong cơ thể sống, trong máy móc” của tác giả Nobert Wieners xuất bản năm 1948. Điều khiển học đã đặt ra mục đích nghiên cứu áp dụng nguyên lý làm việc của hệ thống thần kinh động vật vào điều khiển. Công cụ giúp điều khiển học thực hiện được mục đích này là trí tuệ nhân tạo và mạng nơron. Trí tuệ nhân tạo được xây dựng dựa trên mạng nơron. Mạng nơron nhân tạo (Artificial Neural Networks) là hệ thống được xây dựng dựa trên nguyên tắc cấu tạo của bộ não con người. Mạng nơron nhân tạo có một số lượng lớn mối liên kết của các phần tử biến đổi (Processing Elements) có liên kết song song. Nó có hành vi tương tự như bộ não con người với các khả năng học (Learning), gọi lại (Recall) và tổng hợp thông tin từ sự luyện tập của các mẫu và dữ liệu. Các phần tử biến đổi của mạng nơron nhân tạo được gọi là các nơron nhân tạo (Artificial Neural) hoặc gọi tắt là nơron (Neural). Trong thiết kế hệ thống tự động hóa sử dụng mạng nơron là một khuynh hướng hoàn toàn mới, phương hướng thiết kế hệ thống điều khiển thông minh, một hệ thống mà bộ điều khiển có khả năng tư duy như bộ não con người. 1.1 Lịch sử phát triển của mạng nơron nhân tạo Mạng nơron nhân tạo đã có một lịch sử lâu dài. Năm 1943, McCulloch và Pitts đã đưa ra khả năng liên kết và một số liên kết cơ bản, của mạng nơron. Năm 1949, Hebb đã đưa ra các luật thích nghi trong mạng nơron. Năm 1958, Rosenblatt đưa ra cấu trúc Perception. Năm 1969, Minsky và Papert phân tích sự đúng đắn của Perception, họ đã chứng minh các tính chất và chỉ rõ các giới hạn của một số mô hình. Năm 1976, Grossberg dựa vào tích chất sinh học đã đưa ra một số cấu trúc của hệ động học phi tuyến với các tính chất mới. Năm 1982, Hoppfield đã đưa ra mạng học phi tuyến với các tính chất mới. Năm 1982, Rumelhart đưa ra mô hình song song (Parallel Distributer Processing-PDS) và một số kết quả và thuật toán. Thuật toán học lan truyền ngược (Back Propagation learning rule) được Rumelhart, Hinton, Williams (1986) đề xuất luyện mạng nơron nhiều lớp. Những năm gần đây, nhiều tác giả đã đề xuất nhiều loại cấu trúc mạng nơron mới. Mang nơron được ứng 5 Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên dụng trong nhiều lĩnh vực kinh tế, kỹ thuật, khoa học vũ trụ (Hecht - Nielsen, 1988). 1.2 Các tính chất của mạng nơron nhân tạo - Là hệ phi tuyến: Mạng nơron có khả năng to lớn trong lĩnh vực nhận dạng và điều khiển các đối tượng phi tuyến. - Là hệ xử lý song song: Mạng nơron có cấu trúc song song, do đó có tốc độ tính toán rất cao, rất phù hợp với lĩnh vực nhận dạng và điều khiển. - 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, có thể điều khiển on-line. - Là hệ nhiều biến, là hệ nhiều đầu vào, nhiều đầu ra (Many Input Many Output - MIMO), rất tiện dụng khi điều khiển đối tượng có nhiều biến số. 1.3 Mô hình mạng nơron 1.3.1 Mô hình nơron sinh học Mô hình của một dạng nơron sinh học được thể hiện ở hình 1.1. Gồm có ba phần chính: Thân (Cell body), bên trong có nhân (Nucleus), cây (Dendrites) và trục (Axon). Cây gồm các dây thần kinh có liên kết với thân. Trục có cấu trúc đơn, dài liên kết với thân có nhiệm vụ truyền tải thông tin từ nơron. Phần cuối của trục có dạng phân nhánh
Tài liệu liên quan