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.
95 trang |
Chia sẻ: vietpd | Lượt xem: 1811 | Lượt tải: 2
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