dangvancao
New Member
Download miễn phí Luận văn Ứng dụng mạng Noron
Nội dung của luận văn này là ứng dụng mạng nơron nhân tạo để khắc độ tự động thiết bị đo và cảm biến. Luận văn đã trình bày tổng quan các phương pháp khắc độ thiết bị đo và cảm biến bao gồm khắc độ công cụ đo tương tự, khắc độ công cụ đo có sử dụng vi xử lý hay máy tính và khắc độ chuyển đổi đo lường sơ cấp. Phần lý thuyết cơ sở của mạng nơron đã trình bày những hiểu biết về nơron sinh học đến khái niệm mạng nơron nhân tạo, nêu ra những mạng nơron nhân tạo với các thuật học làm cơ sở cho các nghiên cứu ứng dụng mạng nơron trong việc chế tạo cảm biến thông minh.
Để tải bản Đầy Đủ của tài liệu, 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 tài liệu:
nhau.+ Mạng BAM (Bidirection Associative Memory)
Mạng BAM là cải tiến của các mạng Hopfield do Kosko đề xuất năm 1988 với đầu ra truyền ngược trở về bằng một nơron. Thực chất có thể xem sự phản hồi đó như lớp mạng thứ hai.
Phương trình tác động: y’=g(Wx) hay y’i = g; i=1,2..,n
Hình 2.17: Mạng BAM
x1
x2
xm
y1
y2
ym
x’=g(WTy’) hay ; j=1,2...m
Qúa trình gọi lại:
y(1) =g(Wx(0))
x(2) = g(WTy(1))
y(3) =g(Wx(2))
x(4) = g(WTy(3))
.
.
y(k-1) =g(Wx(k-2))
x(k) = g(WTy(k-1))
Ta có hàm năng lượng
E(x,y)=
Chỉnh trọng trên cơ sở luật Hebb:
cho vectơ lưỡng cực
cho vectơ không lưỡng cực
cho vectơ lưỡng cực
cho vectơ không lưỡng cực
hay
Mạng BAM nhớ tập trọng liên kết x-y, với đầu vào x mạng cho đầu ra y tương ứng và ngược lại.
+ Mạng RBF(Radial Basis Function Networks)
x1
x2
xm
y1
y2
yn
...
...
Mạng RBF đã được đề xuất bởi một số tác giả như Moody và Darken 1989; Renals và Rohwer 1989... Kiến trúc chung của mạng RBF như ở hình 2.18.
Hình 2.18: Mạng RBF
Với lớp ẩn chứa các hàm RBF. Hàm RBF là hàm đối xứng hình chuông chẳng hạn như hàm Gauss.
Hàm gauss: f(x) = exp[-(x - M)2/2s2 ]
Trong đó M và s là giá trị trung bình và phương sai của biến x.
Mạng RBF Gauss có thể áp dụng luật học không giám sát của Kohonen mở rộng.
Phương trình tác động:
yi=gi(với i=1,...n
Trong đó
m q : giá trị trung bình
: phương sai
Hàm sai lệch:
Chỉnh trọng:
Mô hình RBF có thể thực hiện như một mô hình mờ bởi vì các RBF có thể xem như các hàm liên thuộc.
So sánh các loại mạng nơron ta thấy một số đặc điểm sau:
- Mạng nơron truyền thẳng không có lớp ẩn dễ phân tích nhưng không mô tả được mọi hàm. Mạng có lớp ẩn cho phép mô tả được hầu hết các hàm nhưng khó phân tích và có thể gây ra sai số tích lũy qua các lớp.
- Mạng nơron phản hồi một lớp đơn giản trong phân tích, không chứa sai số tích lũy, dễ thực hiện trên các mạch điện và mạch tổ hợp. Mạng được nghiên cứu và ứng dụng với phần động học tuyến tính thích hợp với các bài toán điều khiển và công nghệ rôbốt.
- Mạng tự tổ chức mở ra nhiều khả năng giải quyết các bài toán phức tạp, thông minh gần với tri thức con người nhưng chậm trong xử lý do số lượng tính toán nhiều.
2.4 Học của mạng nơron
Luật học (thuật toán huấn luyện) thực hiện thuật toán để điều chỉnh các trọng và ngưỡng hay cấu trúc của mạng để có tín hiệu đầu ra mong muốn. Có hai thuật học cơ bản là thuật học tham số quan tâm đến việc điều chỉnh các trọng số, ngưỡng của mạng và thuật học cấu trúc tập trung vào việc điều chỉnh cấu trúc mạng bao gồm số lượng các nơron, số lớp và mối liên kết giữa chúng.
Các thuật học có thể phân thành học có tín hiệu chỉ đạo, học củng cố và học không có hướng dẫn.
Học có tín hiệu chỉ đạo là học để đưa ra các tín hiệu bám sát các đầu ra mong muốn. Mạng được cung cấp các cặp giá trị mẫu học (p1, d1), (p2, d2),... (pk, dk) là các cặp giá trị đầu vào đầu ra mong muốn. Quá trình học là điều chỉnh trọng số và ngưỡng của mạng để giảm sai số giữa giá trị đầu ra thực tế và đầu ra mong muốn. Luật học điển hình của nhóm này là luật học Delta của Widrow dùng để xấp xỉ trọng của mạng Adaline dựa trên nguyên lý giảm Gradient. Một luật học hiệu quả và được sử dụng rộng rãi trong lĩnh vực mạng nơron là thuật toán lan truyền ngược cũng nằm trong nhóm này với các trọng số và ngưỡng được cập nhật theo luật xấp xỉ giảm dốc nhất. Ngoài ra còn có luật học Perceptron. Về cơ bản luật học Perceptron giống luật học Delta. Điểm khác nhau là luật học Delta thay đổi các giá trị của trọng trong thời gian học, còn luật học Perceptron thêm hay bỏ trọng tuỳ theo giá trị sai số đầu ra là dương hay âm.
Học củng cố được thực hiện trên thông tin phản hồi hai trạng thái đúng hay sai và tín hiệu mang thông tin phản hồi được gọi là tín hiệu cũng cố cho quá trình học.
Quá trình học không có hướng dẫn là quá trình học không có thông tin phản hồi cho biết tín hiệu đầu ra là đúng hay không. Mạng phải tự xác định các cặp dữ liệu mẫu, các tính chất, các quan hệ và mã hóa chúng trong tín hiệu đầu ra. Luật học không có hướng dẫn điển hình là luật Hebb thường dùng cho mạng tự liên kết. Luật học LVQ thường dùng cho mạng nơron tự tổ chức.
MNN
W
Bộ tính sai số
X
Y
d
Tín hiệu sai số
Đầu ra mong muốn
Đầu ra thực tế
(a)- Học có tín hiệu chỉ đạo
MNN
W
Bộ nhận xét
X
Y
d
Tín hiệu nhận xét
Đầu ra thực tế
Đầu ra mong muốn
(b)- Học củng cố
MNN
W
X
Y
Đầu vào
Đầu ra thực tế
(c)- Học không có hướng dẫn
Hình 2.19 : Sơ đồ khối các thuật học của mạng nơron.
Ứng với các nhóm mạng nơron khác nhau thường áp dụng một số luật học nhất định. Nếu tồn tại hàng chục loại mạng nơron khác nhau thì các luật học dùng trong mạng nơron có thể liệt kê gấp nhiều lần.
Đối với mạng nơron phản hồi thường sử dụng luật Hebb và các luật cải tiến của nó để chỉnh trọng mà không cần tín hiệu chỉ đạo từ bên ngoài.
Đối với mạng nơron truyền thẳng thường sử dụng luật truyền ngược để chỉnh trọng với tín hiệu chỉ đạo từ bên ngoài.
Nếu coi cấu trúc mô hình mạng là phần xương thịt, thể xác thì các luật học là phần trí tuệ thông minh của mạng nơron và các công trình nghiên cứu luật học chiếm số lượng lớn nhất trong mấy chục năm qua.
2.5 Một số ứng dụng mạng nơron nhân tạo
+ Mạng nơron nhân tạo có khả năng nhận dạng (ảnh, vật thể, tiếng nói...), xử lý thông tin có nhiễu, không đầy đủ, không chắc chắn, mờ [TL7], [TL18].
+ Mạng nơron có khả năng xử lý song song với tốc độ xử lý nhanh do vậy nó là công cụ mới đầy hứa hẹn trong khoa học tính toán, nhận dạng, điều khiển tự động cũng như nhiều lĩnh vực khác. Các hệ thống sử dụng nó có thể tăng tốc độ xử lý và tính toán theo thời gian thực [TL18].
+ Mạng nơron nhân tạo có khả năng học thích nghi, nó sẽ thích ứng với quá trình tự chỉnh trong quá trình điều khiển tự động.
+ Mạng nơron có khả năng tổng quát hoá do đó có thể áp dụng để dự báo lỗi hệ thống tránh được những sự cố đáng tiếc mà các hệ thống điều khiển có thể gây ra [TL5], [TL7].
+ Mạng nơron có thể phối hợp cả nhận dạng và điều khiển đối tượng do đó nó có thể được thực hiện như một bộ điều khiển thích nghi.
Việc nghiên cứu để đưa mạng nơron nhân tạo áp dụng vào quá trình điều khiển tự động đã được nhiều nhà khoa học thực hiện và đã đưa ra được nhiều kết quả quan trọng.
+ Theo Hunt (1992) thì mạng Hopfield có thể dùng làm bộ điều khiển cho hệ thống học tuyến tính [TL15]. Trong trường hợp này người ta dùng các phần tử của cấu trúc nơron thay đổi được để xây dựng bộ điều khiển. Bộ điều khiển đưa ra chứa đựng sự thích nghi và đạt độ bền tốt.
+ Theo Chu thì mạng Hopfield có thể dùng làm một phần của cơ chế thích nghi trong nhận dạng hệ tuyến tính. Trong trường hợp này, mạng tham gia vào vòng thích nghi và được dùng để tối thiểu tốc độ sai số bình phương tức thời của tất cả các trạng thái. Các đầu ra của mạng được dùng để thể hiện các tham số của mô hình đối tượng dạng tuy...