Thieugia_duy
New Member
Download miễn phí Luận văn Ứng dụng mạng nơron nhân tạo vào việc dự báo lưu lượng nước đến hồ Hoà Bình
Mục lục
Lời cảm ơn. i
Mục lục . 4
Danh sách hình vẽ. 7
Danh sách bảng biểu . 9
MỞ ĐẦU . 10
CHƯƠNG 1 - MẠNG NƠ-RON NHÂN TẠO TRUYỀN THẲNG NHIỀU
LỚP. 13
1.1 Giới thiệu vềmạng nơ-ron nhân tạo. 13
1.1.1 Khái niệm cơbản. 13
1.1.2 Mô hình mạng nơ-ron nhân tạo . 15
1.1.3 Khảnăng ứng dụng của mạng nơ-ron nhân tạo . 18
1.2 Mạng nơ-ron lan truyền thẳng nhiều lớp. 19
1.2.1 Mạng perceptron một lớp . 19
1.2.2 Mạng perceptron nhiều lớp . 22
1.2.3 Một sốvấn đềcần chú ý khi sửdụng mạng MLP . 30
Kết luận chương . 33
CHƯƠNG 2 - KẾT HỢP GIẢI THUẬT DI TRUYỀN VỚI GIẢI THUẬT
LAN TRUYỀN NGƯỢC SAI SỐ ĐỂTỐI ƯU HOÁ TRỌNG SỐ
MẠNG NƠ-RON NHÂN TẠO . 34
2.1 Giới thiệu giải thuật di truyền . 34
2.1.1 Giới thiệu. 34
2.1.2 Tưtưởng chính của giải thuật di truyền . 35
2.1.3 Giải thuật di truyền đơn giản. 37
2.1 Ứng dụng giải thuật di truyền vào bài toán tối ưu hoá trọng sốcủa mạng
nơ-ron nhân tạo . 41
2.2.1 Xây dựng hàm giá . 42
2.2.2 Mã hoá nhiễm sắc thể. 42
2.2.3 Lai ghép . 43
2.2.4 Đột biến . 44
2.2.5 Thửnghiệm . 45
2.2.6 Giải thuật đềxuất . 49
2.3 Kết hợp giải thuật di truyền với giải thuật lan truyền ngược sai số đểtối ưu
hoá trọng sốmạng nơ-ron nhân tạo . 51
2.3.1 Đặt vấn đề. 51
2.3.2 Kết hợp giải thuật di truyền và giải thuật lan truyền ngược sai số. 53
Kết luận chương . 55
CHƯƠNG 3 - ỨNG DỤNG MẠNG NƠRON NHÂN TẠO VÀO VIỆC DỰ
BÁO LƯU LƯỢNG NƯỚC ĐẾN HỒHOÀ BÌNH . 57
3.1 Điều kiện địa lý, tựnhiên, khí tượng thuỷvăn lưu vực sông Đà . 57
3.1.1 Vịtrí địa lý. 57
3.1.2 Địa hình . 58
3.1.3 Điều kiện địa chất. 58
3.1.4 Điều kiện thổnhưỡng . 58
3.1.5 Đặc điểm khí hậu. 58
3.1.6 Đặc điểm chế độthuỷvăn . 59
3.1.7 Thống kê dữliệu thu thập được. 63
3.2 Các phương pháp dựbáo. 64
3.2.1 Dựa trên mô hình vật lý. 64
3.2.2 Dựa trên mô hình toán. 66
3.2.3 Hướng tiếp cận mới . 67
3.3 Một sốchỉtiêu đánh giá kết quảdựbáo. 67
3.4 Dựbáo lưu lượng đến hồHoà Bình trước 10 ngày . 68
3.4.1 Phần mềm xây dựng . 68
3.4.2 Sốliệu sửdụng . 69
3.4.3 Các tham số. 70
3.4.4 Các phương án dựbáo. 70
Kết luận chương . 75
10
M MỞ Ở Đ ĐẦ ẦU U
Dự báo thuỷ văn là công việc dự báo trước một cách có khoa học về trạng thái
biến đổi các yếu tố thuỷ văn trong tương lai. Đây là một ngành khoa học có nhiệm vụ
báo trước sự xuất hiện các yếu tố thủy văn trên cơ sở nghiên cứu các quy luật của
chúng. Hiện nay có rất nhiều bài toán dự báo thuỷ văn được đặt ra như dự báo dòng
chảy, dự báo mực nước, dự báo lưu lượng nước trên sông, dự báo lũ, và dự báo các
hiện tượng khác trên sông ngòi và hồ... [3].
Tùy vào quan điểm phân chia mà tồn tại một số phân loại dự báo thủy văn.
Chẳng hạn, theo yêu cầu phục vụ thì có các loại dự báo như dự báo cho nông nghiệp,
dự báo cho giao thông, dự báo cho chống lũ lụt; còn theo đối tượng dự báo thì có các
loại dự báo mực nước, dự báo lưu lượng, dự báo bùn cát… Tuy nhiên, phân loại dự
báo theo thời gian là một phân loại điển hình với các loại dự báo là ngắn hạn, trung
hạn, dài hạn và siêu dài hạn. Dự báo ngắn hạn với khoảng thời gian dự báo từ một đến
ba ngày. Dự báo trung hạn với khoảng thời gian dự báo dài hơn dự báo ngắn hạn
nhưng tối đa không quá mười ngày. Dự báo dài hạn có khoảng thời gian dự báo từ hơn
mười ngày đến một năm. Khi thời gian dự báo lớn hơn một năm đó là dự báo siêu dài
hạn.
Thuỷ văn là một quá trình tự nhiên phức tạp, chịu tác động của rất nhiều yếu tố.
Tính biến động của các yếu tố này phụ thuộc vào cả không gian và thời gian nên gây
khó khăn rất lớn cho quá trình dự báo, tìm ra được mối liên quan giữa các yếu tố.
Thêm vào đó, do thiếu các trạm quan trắc cần thiết và thiếu sự kết hợp giữa các ngành
liên quan cho nên dữ liệu quan trắc thực tế thường là không đầy đủ, không mang tính
chất đại diện.
Yêu cầu chung mà tất cả các bài toán dự bảo thủy văn cần giải quyết là làm
cách nào để có thể phân tích và sử dụng chuỗi dữ liệu có trong quá khứ để đoán
được giá trị tương lai. Hiện nay, có rất nhiều phương pháp dự báo đã được đưa ra dựa
trên mô hình vật lý và mô hình toán học. Trong nhiều trường hợp, kết quả nghiên cứu
dự báo thủy văn theo các mô hình nói trên đã đạt được một số thành công đáng ghi
nhận [1]. Tuy nhiên, vấn đề tìm kiếm phương pháp đủ tốt, đáp ứng các yêu cầu thực tế
giải quyết bài toán dự báo thuỷ văn vẫn là nội dung nghiên cứu thời sự hiện nay. Ở
trong nước, tại Viện Khí tượng Thủy văn có hàng chục công trình nghiên cứu liên
quan tới dự báo thủy văn, đặc biệt có tới 4 đề tài cấp Nhà nước [3]. Trên thế giới, việc
áp dụng các phương pháp của khai phá dữ liệu (đặc biệt là các phương pháp học máy
mạng neuron và kết hợp với thuật toán gene) vào dự báo thủy văn đã trở thành nội
dung nghiên cứu dự báo thủy văn thời sự trong thời gian gần đây [5-7,12-14, 19].
Khai phá dữ liệu là một trong những lĩnh vực nghiên cứu của khoa học máy tính
hiện nay đang được phát triển rất mạnh mẽ. Nó kết hợp giữa học máy, công nghệ cơ sở dữ liệu và một số chuyên ngành khác để tìm ra những tri thức, bao gồm cả các thông
tin dự báo, từ những cơ sở dữ liệu lớn.
Luận văn này tập trung khảo sát một số phương pháp học máy tiên tiến, thực hiện
việc kết hợp giữa phương pháp học máy mạng neuron [5-7,9-20] với thuật toán gene
[4,8,21] và ứng dụng vào bài toán dự báo lưu lượng nước đến hồ Hòa Bình. Luận văn
tập trung khảo sát một số công trình nghiên cứu liên quan trên thế giới [5-7, 12-14,
19]. Demetris F. Lekkas [12] cung cấp một khung nhìn phương pháp luận về các
phương pháp dự báo dòng chảy. Ibrahim Can cùng các đồng tác giả [5] và Cristiane
Medina Finzi Quintao cùng các đồng tác giả [19] công bố một số kết quả nghiên cứu
cập nhật về dự báo dòng chảy của một số dòng sông tại Thổ Nhĩ Kỳ và Brazin. Đặc
biệt, các công trình này đã cung cấp cách thức đánh giá kết quả thực nghiệm các
phương pháp dự báo thủy văn được đề cập. Các công trình nghiên cứu khác về phương
pháp mạng nơron, thuật toán gene và kết hợp chúng được luận văn sử dụng để làm nền
tảng khoa học cho các nghiên cứu phát triển. Luận văn đã hoàn thành phần mềm thử
nghiệm và tiến hành thực nghiệm trên bộ dữ liệu được thu thập tin cậy thông qua hệ
thống đo đạc thủy văn dọc sông Đà, nguồn nước chính chảy vào hồ Hòa Bình. Đóng
góp khoa học của luận văn là một báo cáo khoa học đã được trình bày tại Hội thảo
khoa học quốc gia Một số vấn đề chọn lọc về Công nghệ thông tin và Truyền thông lần
thứ X được tổ chức tại Đại Lải vào tháng 9/2007 với kết quả thực hiện cho dự báo
nước trước 10 ngày có chỉ số R2
khá cao, lên tới 0.8737 [2]. Cải tiến do luận văn đề
xuất kết hợp đột biến BIASED với đột biến UNBIASED trong đó đột biến BIASED sẽ
đóng vai trò chủ đạo nhằm vượt ra khỏi cực trị địa phương (D. Montana and L. Davis
[16]) là có ý nghĩa. Các kết quả thực nghiệm cải tiến trên cho thấy mọi tiêu chí đánh
giá đều tốt lên, chỉ số R2
nâng lên 0.8742 (so với 0.8737 [2]), sai số quân phương là
72.28 m3
/s (so với 76.10 m3
/s [2]).
Nội dung chính của luận văn được tổ chức thành 3 chương có nội dung được
mô tả như dưới đây.
Chương I. Mạng nơ-ron nhân tạo truyền thẳng nhiều lớp. Chương này trình
bày những lý thuyết cơ bản về mạng nơ-ron nhân tạo, tập trung nghiên cứu mạng
truyền thẳng nhiều lớp. Chương này cung cấp một cách nhìn tổng quát nhất, và những
vấn đề về quá trình huấn luyện mạng và thuật toán học của mạng mà tập trung chủ yếu
vào thuật toán lan truyền ngược sai số.
Chương II. Kết hợp giải thuật di truyền với giải thuật lan truyền ngược sai số
để tối ưu hoá trọng số mạng nơ-ron nhân tạo. Chương này trình bày về lý thuyết
của giải thuật di truyền và khả năng ứng dụng của giải thuật này kết hợp với thuật toán
lan truyền ngược sai số nhằm đạt tới một kết quả tốt hơn đối với bài toán tối ưu trọng
số mạng nơ-ron nhân tạo.
Chương III. Ứng dụng mạng nơ ron nhân tạo vào việc dự báo lưu lượng nước
đến hồ Hoà Bình. Chương này giới thiệu sơ lược về bộ dữ liệu sử dụng, các phương
pháp đánh giá kết quả dự báo và tập trung vào thử nghiệm các phương pháp để dự báo
lưu lượng nước đến hồ Hoà Bình trước mười ngày, từ đó đánh giá được khả năng ứng
dụng các phương pháp học máy đã trình bày trong dự báo chuỗi thời gian, cụ thể là dự
báo lưu lượng.
Phần kết luận tổng kết những kết quả đã đạt được của luận văn và hướng phát
triển nghiên cứu tiếp theo. Phần phụ lục giới thiệu về phần mềm dự báo và hướng dẫn
cách thức cơ bản sử dụng phần mềm.
13
C CH HƯ ƯƠ ƠN NG G 1 1 - - M MẠ ẠN NG G N NƠ Ơ- -R RO ON N N NH HÂ ÂN N T TẠ ẠO O T TR RU UY YỀ ỀN N
T TH HẲ ẲN NG G N NH HI IỀ ỀU U L LỚ ỚP P
Mạng nơ-ron nhân tạo được coi là một công cụ mạnh để giải quyết các bài toán
có tính phi tuyến, phức tạp và đặc biệt trong các trường hợp mà mối quan hệ giữa
các quá trình không dễ thiết lập một cách tường minh. Có nhiều loại mạng nơ-ron
khác nhau trong đó mạng nơ-ron truyền thẳng nhiều lớp là một trong những mạng
nơ-ron thông dụng nhất. Đã có nhiều nghiên cứu sử dụng mạng nơ-ron truyền thẳng
nhiều lớp trong bài toán dự báo [5][7], [10], [14] và đã chứng tỏ đây là hướng tiếp
cận rất hiệu quả. Trong chương này chúng ta sẽ tìm hiểu những kiến thức về mạng
nơ-ron nhân tạo, mạng nơ-ron truyền thẳng nhiều lớp và khả năng ứng dụng của
chúng trong bài toán dự báo.
1.1 Giới thiệu về mạng nơ-ron nhân tạo
1.1.1 Khái niệm cơ bản
Theo các nhà nghiên cứu sinh học về bộ não, hệ thống thần kinh của con người
bao gồm khoảng 100 tỷ tế bào thần kinh, thường gọi là các nơ-ron. Mỗi tế bào nơ-
ron gồm ba phần:
• Thân nơ-ron với nhân bên trong (gọi là soma), là nơi tiếp nhận hay phát ra các
xung động thần kinh.
• Một hệ thống dạng cây các dây thần kinh vào (gọi là dendrite) để đưa tín hiệu
tới nhân nơ-ron. Các dây thần kinh vào tạo thành một lưới dày đặc xung
quanh thân nơ-ron, chiếm diện tích khoảng 0,25 mm2
• Đầu dây thần kinh ra (gọi là sợi trục axon) phân nhánh dạng hình cây, có thể
dài từ một cm đến hàng mét. Chúng nối với các dây thần kinh vào hay trực
tiếp với nhân tế bào của các nơ-ron khác thông qua các khớp nối (gọi là
synapse). Thông thường mỗi nơ-ron có thể có từ vài chục cho tới hàng trăm
ngàn khớp nối để nối với các nơ-ron khác. Có hai loại khớp nối, khớp nối
kích thích (excitatory) sẽ cho tín hiệu qua nó để tới nơ-ron còn khớp nối ức
chế (inhibitory) có tác dụng làm cản tín hiệu tới nơ-ron. Người ta ước tính
mỗi nơ-ron trong bộ não của con người có khoảng 104
khớp nối (hình 1.1)
Chức năng cơ bản của các tế bào nơ-ron là liên kết với nhau để tạo nên hệ thống
thần kinh điều khiển hoạt động của cơ thể sống. Các tế bào nơ-ron truyền tín hiệu
cho nhau thông qua các dây thần kinh vào và ra, các tín hiệu đó có dạng xung điện
và được tạo ra từ các quá trình phản ứng hoá học phức tạp. Tại nhân tế bào, khi điện
Do Drive thay đổi chính sách, nên một số link cũ yêu cầu duyệt download. các bạn chỉ cần làm theo hướng dẫn.
Password giải nén nếu cần: ket-noi.com | Bấm trực tiếp vào Link để tải:
Mục lục
Lời cảm ơn. i
Mục lục . 4
Danh sách hình vẽ. 7
Danh sách bảng biểu . 9
MỞ ĐẦU . 10
CHƯƠNG 1 - MẠNG NƠ-RON NHÂN TẠO TRUYỀN THẲNG NHIỀU
LỚP. 13
1.1 Giới thiệu vềmạng nơ-ron nhân tạo. 13
1.1.1 Khái niệm cơbản. 13
1.1.2 Mô hình mạng nơ-ron nhân tạo . 15
1.1.3 Khảnăng ứng dụng của mạng nơ-ron nhân tạo . 18
1.2 Mạng nơ-ron lan truyền thẳng nhiều lớp. 19
1.2.1 Mạng perceptron một lớp . 19
1.2.2 Mạng perceptron nhiều lớp . 22
1.2.3 Một sốvấn đềcần chú ý khi sửdụng mạng MLP . 30
Kết luận chương . 33
CHƯƠNG 2 - KẾT HỢP GIẢI THUẬT DI TRUYỀN VỚI GIẢI THUẬT
LAN TRUYỀN NGƯỢC SAI SỐ ĐỂTỐI ƯU HOÁ TRỌNG SỐ
MẠNG NƠ-RON NHÂN TẠO . 34
2.1 Giới thiệu giải thuật di truyền . 34
2.1.1 Giới thiệu. 34
2.1.2 Tưtưởng chính của giải thuật di truyền . 35
2.1.3 Giải thuật di truyền đơn giản. 37
2.1 Ứng dụng giải thuật di truyền vào bài toán tối ưu hoá trọng sốcủa mạng
nơ-ron nhân tạo . 41
2.2.1 Xây dựng hàm giá . 42
2.2.2 Mã hoá nhiễm sắc thể. 42
2.2.3 Lai ghép . 43
2.2.4 Đột biến . 44
2.2.5 Thửnghiệm . 45
2.2.6 Giải thuật đềxuất . 49
2.3 Kết hợp giải thuật di truyền với giải thuật lan truyền ngược sai số đểtối ưu
hoá trọng sốmạng nơ-ron nhân tạo . 51
2.3.1 Đặt vấn đề. 51
2.3.2 Kết hợp giải thuật di truyền và giải thuật lan truyền ngược sai số. 53
Kết luận chương . 55
CHƯƠNG 3 - ỨNG DỤNG MẠNG NƠRON NHÂN TẠO VÀO VIỆC DỰ
BÁO LƯU LƯỢNG NƯỚC ĐẾN HỒHOÀ BÌNH . 57
3.1 Điều kiện địa lý, tựnhiên, khí tượng thuỷvăn lưu vực sông Đà . 57
3.1.1 Vịtrí địa lý. 57
3.1.2 Địa hình . 58
3.1.3 Điều kiện địa chất. 58
3.1.4 Điều kiện thổnhưỡng . 58
3.1.5 Đặc điểm khí hậu. 58
3.1.6 Đặc điểm chế độthuỷvăn . 59
3.1.7 Thống kê dữliệu thu thập được. 63
3.2 Các phương pháp dựbáo. 64
3.2.1 Dựa trên mô hình vật lý. 64
3.2.2 Dựa trên mô hình toán. 66
3.2.3 Hướng tiếp cận mới . 67
3.3 Một sốchỉtiêu đánh giá kết quảdựbáo. 67
3.4 Dựbáo lưu lượng đến hồHoà Bình trước 10 ngày . 68
3.4.1 Phần mềm xây dựng . 68
3.4.2 Sốliệu sửdụng . 69
3.4.3 Các tham số. 70
3.4.4 Các phương án dựbáo. 70
Kết luận chương . 75
10
M MỞ Ở Đ ĐẦ ẦU U
Dự báo thuỷ văn là công việc dự báo trước một cách có khoa học về trạng thái
biến đổi các yếu tố thuỷ văn trong tương lai. Đây là một ngành khoa học có nhiệm vụ
báo trước sự xuất hiện các yếu tố thủy văn trên cơ sở nghiên cứu các quy luật của
chúng. Hiện nay có rất nhiều bài toán dự báo thuỷ văn được đặt ra như dự báo dòng
chảy, dự báo mực nước, dự báo lưu lượng nước trên sông, dự báo lũ, và dự báo các
hiện tượng khác trên sông ngòi và hồ... [3].
Tùy vào quan điểm phân chia mà tồn tại một số phân loại dự báo thủy văn.
Chẳng hạn, theo yêu cầu phục vụ thì có các loại dự báo như dự báo cho nông nghiệp,
dự báo cho giao thông, dự báo cho chống lũ lụt; còn theo đối tượng dự báo thì có các
loại dự báo mực nước, dự báo lưu lượng, dự báo bùn cát… Tuy nhiên, phân loại dự
báo theo thời gian là một phân loại điển hình với các loại dự báo là ngắn hạn, trung
hạn, dài hạn và siêu dài hạn. Dự báo ngắn hạn với khoảng thời gian dự báo từ một đến
ba ngày. Dự báo trung hạn với khoảng thời gian dự báo dài hơn dự báo ngắn hạn
nhưng tối đa không quá mười ngày. Dự báo dài hạn có khoảng thời gian dự báo từ hơn
mười ngày đến một năm. Khi thời gian dự báo lớn hơn một năm đó là dự báo siêu dài
hạn.
Thuỷ văn là một quá trình tự nhiên phức tạp, chịu tác động của rất nhiều yếu tố.
Tính biến động của các yếu tố này phụ thuộc vào cả không gian và thời gian nên gây
khó khăn rất lớn cho quá trình dự báo, tìm ra được mối liên quan giữa các yếu tố.
Thêm vào đó, do thiếu các trạm quan trắc cần thiết và thiếu sự kết hợp giữa các ngành
liên quan cho nên dữ liệu quan trắc thực tế thường là không đầy đủ, không mang tính
chất đại diện.
Yêu cầu chung mà tất cả các bài toán dự bảo thủy văn cần giải quyết là làm
cách nào để có thể phân tích và sử dụng chuỗi dữ liệu có trong quá khứ để đoán
được giá trị tương lai. Hiện nay, có rất nhiều phương pháp dự báo đã được đưa ra dựa
trên mô hình vật lý và mô hình toán học. Trong nhiều trường hợp, kết quả nghiên cứu
dự báo thủy văn theo các mô hình nói trên đã đạt được một số thành công đáng ghi
nhận [1]. Tuy nhiên, vấn đề tìm kiếm phương pháp đủ tốt, đáp ứng các yêu cầu thực tế
giải quyết bài toán dự báo thuỷ văn vẫn là nội dung nghiên cứu thời sự hiện nay. Ở
trong nước, tại Viện Khí tượng Thủy văn có hàng chục công trình nghiên cứu liên
quan tới dự báo thủy văn, đặc biệt có tới 4 đề tài cấp Nhà nước [3]. Trên thế giới, việc
áp dụng các phương pháp của khai phá dữ liệu (đặc biệt là các phương pháp học máy
mạng neuron và kết hợp với thuật toán gene) vào dự báo thủy văn đã trở thành nội
dung nghiên cứu dự báo thủy văn thời sự trong thời gian gần đây [5-7,12-14, 19].
Khai phá dữ liệu là một trong những lĩnh vực nghiên cứu của khoa học máy tính
hiện nay đang được phát triển rất mạnh mẽ. Nó kết hợp giữa học máy, công nghệ cơ sở dữ liệu và một số chuyên ngành khác để tìm ra những tri thức, bao gồm cả các thông
tin dự báo, từ những cơ sở dữ liệu lớn.
Luận văn này tập trung khảo sát một số phương pháp học máy tiên tiến, thực hiện
việc kết hợp giữa phương pháp học máy mạng neuron [5-7,9-20] với thuật toán gene
[4,8,21] và ứng dụng vào bài toán dự báo lưu lượng nước đến hồ Hòa Bình. Luận văn
tập trung khảo sát một số công trình nghiên cứu liên quan trên thế giới [5-7, 12-14,
19]. Demetris F. Lekkas [12] cung cấp một khung nhìn phương pháp luận về các
phương pháp dự báo dòng chảy. Ibrahim Can cùng các đồng tác giả [5] và Cristiane
Medina Finzi Quintao cùng các đồng tác giả [19] công bố một số kết quả nghiên cứu
cập nhật về dự báo dòng chảy của một số dòng sông tại Thổ Nhĩ Kỳ và Brazin. Đặc
biệt, các công trình này đã cung cấp cách thức đánh giá kết quả thực nghiệm các
phương pháp dự báo thủy văn được đề cập. Các công trình nghiên cứu khác về phương
pháp mạng nơron, thuật toán gene và kết hợp chúng được luận văn sử dụng để làm nền
tảng khoa học cho các nghiên cứu phát triển. Luận văn đã hoàn thành phần mềm thử
nghiệm và tiến hành thực nghiệm trên bộ dữ liệu được thu thập tin cậy thông qua hệ
thống đo đạc thủy văn dọc sông Đà, nguồn nước chính chảy vào hồ Hòa Bình. Đóng
góp khoa học của luận văn là một báo cáo khoa học đã được trình bày tại Hội thảo
khoa học quốc gia Một số vấn đề chọn lọc về Công nghệ thông tin và Truyền thông lần
thứ X được tổ chức tại Đại Lải vào tháng 9/2007 với kết quả thực hiện cho dự báo
nước trước 10 ngày có chỉ số R2
khá cao, lên tới 0.8737 [2]. Cải tiến do luận văn đề
xuất kết hợp đột biến BIASED với đột biến UNBIASED trong đó đột biến BIASED sẽ
đóng vai trò chủ đạo nhằm vượt ra khỏi cực trị địa phương (D. Montana and L. Davis
[16]) là có ý nghĩa. Các kết quả thực nghiệm cải tiến trên cho thấy mọi tiêu chí đánh
giá đều tốt lên, chỉ số R2
nâng lên 0.8742 (so với 0.8737 [2]), sai số quân phương là
72.28 m3
/s (so với 76.10 m3
/s [2]).
Nội dung chính của luận văn được tổ chức thành 3 chương có nội dung được
mô tả như dưới đây.
Chương I. Mạng nơ-ron nhân tạo truyền thẳng nhiều lớp. Chương này trình
bày những lý thuyết cơ bản về mạng nơ-ron nhân tạo, tập trung nghiên cứu mạng
truyền thẳng nhiều lớp. Chương này cung cấp một cách nhìn tổng quát nhất, và những
vấn đề về quá trình huấn luyện mạng và thuật toán học của mạng mà tập trung chủ yếu
vào thuật toán lan truyền ngược sai số.
Chương II. Kết hợp giải thuật di truyền với giải thuật lan truyền ngược sai số
để tối ưu hoá trọng số mạng nơ-ron nhân tạo. Chương này trình bày về lý thuyết
của giải thuật di truyền và khả năng ứng dụng của giải thuật này kết hợp với thuật toán
lan truyền ngược sai số nhằm đạt tới một kết quả tốt hơn đối với bài toán tối ưu trọng
số mạng nơ-ron nhân tạo.
Chương III. Ứng dụng mạng nơ ron nhân tạo vào việc dự báo lưu lượng nước
đến hồ Hoà Bình. Chương này giới thiệu sơ lược về bộ dữ liệu sử dụng, các phương
pháp đánh giá kết quả dự báo và tập trung vào thử nghiệm các phương pháp để dự báo
lưu lượng nước đến hồ Hoà Bình trước mười ngày, từ đó đánh giá được khả năng ứng
dụng các phương pháp học máy đã trình bày trong dự báo chuỗi thời gian, cụ thể là dự
báo lưu lượng.
Phần kết luận tổng kết những kết quả đã đạt được của luận văn và hướng phát
triển nghiên cứu tiếp theo. Phần phụ lục giới thiệu về phần mềm dự báo và hướng dẫn
cách thức cơ bản sử dụng phần mềm.
13
C CH HƯ ƯƠ ƠN NG G 1 1 - - M MẠ ẠN NG G N NƠ Ơ- -R RO ON N N NH HÂ ÂN N T TẠ ẠO O T TR RU UY YỀ ỀN N
T TH HẲ ẲN NG G N NH HI IỀ ỀU U L LỚ ỚP P
Mạng nơ-ron nhân tạo được coi là một công cụ mạnh để giải quyết các bài toán
có tính phi tuyến, phức tạp và đặc biệt trong các trường hợp mà mối quan hệ giữa
các quá trình không dễ thiết lập một cách tường minh. Có nhiều loại mạng nơ-ron
khác nhau trong đó mạng nơ-ron truyền thẳng nhiều lớp là một trong những mạng
nơ-ron thông dụng nhất. Đã có nhiều nghiên cứu sử dụng mạng nơ-ron truyền thẳng
nhiều lớp trong bài toán dự báo [5][7], [10], [14] và đã chứng tỏ đây là hướng tiếp
cận rất hiệu quả. Trong chương này chúng ta sẽ tìm hiểu những kiến thức về mạng
nơ-ron nhân tạo, mạng nơ-ron truyền thẳng nhiều lớp và khả năng ứng dụng của
chúng trong bài toán dự báo.
1.1 Giới thiệu về mạng nơ-ron nhân tạo
1.1.1 Khái niệm cơ bản
Theo các nhà nghiên cứu sinh học về bộ não, hệ thống thần kinh của con người
bao gồm khoảng 100 tỷ tế bào thần kinh, thường gọi là các nơ-ron. Mỗi tế bào nơ-
ron gồm ba phần:
• Thân nơ-ron với nhân bên trong (gọi là soma), là nơi tiếp nhận hay phát ra các
xung động thần kinh.
• Một hệ thống dạng cây các dây thần kinh vào (gọi là dendrite) để đưa tín hiệu
tới nhân nơ-ron. Các dây thần kinh vào tạo thành một lưới dày đặc xung
quanh thân nơ-ron, chiếm diện tích khoảng 0,25 mm2
• Đầu dây thần kinh ra (gọi là sợi trục axon) phân nhánh dạng hình cây, có thể
dài từ một cm đến hàng mét. Chúng nối với các dây thần kinh vào hay trực
tiếp với nhân tế bào của các nơ-ron khác thông qua các khớp nối (gọi là
synapse). Thông thường mỗi nơ-ron có thể có từ vài chục cho tới hàng trăm
ngàn khớp nối để nối với các nơ-ron khác. Có hai loại khớp nối, khớp nối
kích thích (excitatory) sẽ cho tín hiệu qua nó để tới nơ-ron còn khớp nối ức
chế (inhibitory) có tác dụng làm cản tín hiệu tới nơ-ron. Người ta ước tính
mỗi nơ-ron trong bộ não của con người có khoảng 104
khớp nối (hình 1.1)
Chức năng cơ bản của các tế bào nơ-ron là liên kết với nhau để tạo nên hệ thống
thần kinh điều khiển hoạt động của cơ thể sống. Các tế bào nơ-ron truyền tín hiệu
cho nhau thông qua các dây thần kinh vào và ra, các tín hiệu đó có dạng xung điện
và được tạo ra từ các quá trình phản ứng hoá học phức tạp. Tại nhân tế bào, khi điện
Do Drive thay đổi chính sách, nên một số link cũ yêu cầu duyệt download. các bạn chỉ cần làm theo hướng dẫn.
Password giải nén nếu cần: ket-noi.com | Bấm trực tiếp vào Link để tải:
You must be registered for see links