Luận văn Nghiên cứu ứng dụng mạng nơron truyền thẳng nhiều lớp nhận dạng vị trí rôbốt hai khâu

Tuy nhiên, đáp ứng toàn bộ của mạng lại không có khả năng đạt được tới đường biên. Điều đó có 2 nguyên nhân chủ yếu là: Thứ nhất do mạng có lượng quá điều chỉnh trong quá trình huấn luyện, đáp ứng của mạng quá phức tạp vì mạng có nhiều thông số độc lập. Vấn đề thứ hai ở đây là trong quá trình huấn luyện không nhận giá trị p< 0, nên các nơ ron( bao gồm cả dữ lệu cơ sở và các phương pháp xấp xỉ ) không thể đáp ứng được yêu cầu ngoại suy chính xác. Nếu một đầu vào mạng mà nằm ngoài phạm vi bao phủ của dữ liệu huấn luyện thì đáp ứng của mạng sẽ luôn bị sai. Rất ít khi chúng ta làm cho mạng biển diễn ra ngoài phạm vi của dữ liệu học, chúng ta có thể làm cho mạng có khả năng nội suy giữa các điểm dữ liệu. Quá trình Hình 1.16a. Đáp ứng của mạng khi sử dụng thuật toán bình phương sai lệch cực tiểu Hình 1.16b. Đáp ứng của mạng khi sử dụng thuật toán Bayesian Chương I.Tổng quan về mạng nơ ron nhân tạo Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên 40 khái quát hoá có thể đạt được sự đa dạng của các phương pháp kỹ thuật. Một phương pháp được gọi là sự dừng sớm, nhiệm vụ của chúng ta là phân chia dữ liệu huấn luyện theo biến dữ liệu đặt. Sự biểu diễn mạng dựa trên biến đặt sẽ được chỉ đạo trong suốt quá trình học. Trong giai đoạn đầu của quá trình huấn luyện thì biến sai lệch giảm, khi bắt đầu có lượng quá điều chỉnh thì biến sai lệch cũng bắt đầu tăng và tại các điểm quá trình huấn luyện được dừng lại. Thêm một phương pháp kỹ thuật nữa làm cho mạng tổng quát hoá được gọi là sự làm đúng theo quy tắc. Với phương pháp biểu diễn chỉ số so sánh làm thay đổi đến số hạng đem đến sự phức tạp cho mạng, số hạng bất lợi đó là tổng bình phương của các hàm trọng lượng: F(x)= 2 , 1 )( k ji Q q q T q wee     (1.41) Một bí quyết của phương pháp trên là sự lựa chọn đúng thông số ρ. Nếu giá trị của nó lớn thì đáp ứng của mạng sẽ bằng phẳng và sẽ xấp xỉ không chính xác được hàm biên. Nếu giá trị của ρ quá nhỏ thì mạng có sự quá điều chỉnh. Một trong các phương pháp thành công nhất trong việc lựa chọn ρ tốt nhất là quy tắc Bayesian ([Mack 92] và [FoHa 97]). Trên hình 1.16b. cho thấy đáp ứng của mạng khi mạng được huấn luyện theo quy tắc Bayesian. Chú ý rằng đáp ứng của mạng có độ chính xác phù hợp không dài hơn các điểm dữ liệu huấn luyện. Nhưng nhìn chung đặc tính đầu ra của mạng lại sát vào nhau hơn so với hàm biên trong phạm vi của dữ liệu huấn luyện. Tuy nhiên, với quy tắc Bayesian đáp ứng của mạng không tính toán được ngoài phạm vi dữ liệu huấn luyện. Như chúng ta đã đề cập trước đây là chúng ta không thể đòi hỏi mạng tính toán ngoại suy. Nếu chúng ta muốn đáp ứng của mạng chính xác từ đầu đến cuối thì ta cần phải cung cấp dữ liệu huấn luyện trong suốt phạm vi đó. Điều đó sẽ khó khăn hơn đối với trường hợp mạng có nhiều đầu vào. Chương I.Tổng quan về mạng nơ ron nhân tạo Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên 41 1.5. CÔNG NGHỆ PHẦN CỨNG SỬ DỤNG MẠNG NƠ RON. Mạng nơ ron 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 nơ ron sinh học. Chíp nơ ron có thể được sử dụng làm các bộ đồng xử lý trong các máy tính thông thường và trong việc tính toán. Trong phần cứng, mạng nơ ron có thể sử dụng vào nhiều lĩnh vực. Mạng nơ ron có thể sử dụng với các chức năng như các phần tử analog hoặc digital thay thế cho các phần tử điện tử thông thường. Các chíp 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 ưu điểm là có độ chính xác cao và dễ chế tạo hơn. Ở phần tử analog, các trọng số liên kết mã hoá được với các phần tử điện trở, điện cảm và điện dung. Các mức của các nút hoạt hoá (cường độ của tín hiệu) được đặc trưng bằng các đại lượng dòng và áp.Ví dụ như lưới silic (Silicon Retina) là một mạng chip analog có thể cạnh tranh được với lưới sinh học (Biologcal Retina) Công nghệ digital có thể áp dụng để chế tạo các chip nơ ron. Vấn đề này được Hammestrom và Means (1990) đề cập đến. Khả năng khác là xung học là đặc trưng cho trọng số và cường độ tín hiệu. Xung học phản ánh tương ứng với tần suất hoặc khả năng của nơ ron hoạt hoá, tái tạo điều biến quan sát được như của mạng nơ ron sinh học. Phép nhân của 2 xung học tương ứng với phép AND trong mạch logic, phép cộng của 2 xung học tương ứng với phép OR trong mạch logic. Trong hướng của thuật học, có một vài chọn lọc, các trọng số trong một chip nơ ron cần cố định trước như ROM(Read Only Memory), bộ nhớ có thể chương trình hoá PROM (Programmable ROM), bộ nhớ có thể xoá và lập trình được EPROM(Erasable PROM), hoặc bộ nhớ đọc / ghi RAM (Random Access Memory). Mạng nơ ron mở ra một hướng quan trọng về công nghệ, với ưu thế nổi bật của mạng nơ ron là khả năng truyền tín hiệu song song ở các chip nơ ron do đó tốc độ truyền tín hiệu rất cao, đặc trưng này không có ở các chip điện tử truyền thống. Chương I.Tổng quan về mạng nơ ron nhân tạo Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên 42 1.6. SO SÁNH KHẢ NĂNG CỦA MẠNG NƠ RON VỚI MẠCH LOGIC. - Mạng nơ ron dùng ở 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 nơ ron - Khả năng lập trình được của mạng nơ ron là rất tốt, thay vì phương pháp lắp giáp phần cứng không lập trình được của mạch logic. - Ưu điểm nổi bật của mạng nơ ron là khả năng truyền tín hiệu song song làm tăng tốc độ xử lý và tính toán. - Ngay ở một phần tử nơ ron 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 hoặc một mạch điện tử. Chương I.Tổng quan về mạng nơ ron nhân tạo Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên 43 KẾT LUẬN CHƢƠNG 1 1.Qua phân tích mô hình mạng nơ ron ta thấy mạng nơ ron có các tính chất sau: - Là hệ phi tuyến. - Là hệ xử lý song song. - Là hệ học và thích nghi, mạng được luyện từ số liệu quá khứ, có khả năng tự chỉnh khi số liệu đầu vào bị mất. - Là hệ nhiều biến, có nhiều đầu vào / ra (MIMO) rất tiện dùng khi điều khiển đối tượng có nhiều biến số. - Có khả năng học và làm xấp xỉ các hàm toán học bất kỳ với độ chính xác tùy ý. 2.So sánh mạng nơ ron truyền thẳng nhiều lớp với mạng nơ ron hồi quy nhiều lớp ta thấy mạng nơ ron truyền thẳng nhiều lớp đơn giản hơn vì mạng nơ ron hồi quy nhiều lớp có thêm các liên kết phản hồi. Chương I.Tổng quan về mạng nơ ron nhân tạo Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên 44 CHƢƠNG II. CÁC PHƢƠNG PHÁP ỨNG DỤNG MẠNG NƠ RON TRONG NHẬN DẠNG VÀ ĐIỀU KHIỂN 2.1.CÁC VẤN ĐỀ CHUNG. Mạng nơ ron đã được ứng dụng thành công trong nhiều lĩnh vực như: các hệ thống điều khiển, xử lý hình ảnh, tiếng nói , tối ưu, truyền thông, y học… Vì có yêu cầu ngày càng tăng về điều khiển, các hệ thống động học phức tạp với điều kiện thông tin không đầy đủ hoặc không xác định nên việc sử dụng mạng nơ ron rất hấp dẫn bởi khả năng học tập để xấp xỉ hàm và phân loại mẫu của mạng. Ngoài ra còn bởi tính xử lý song song mạnh mẽ của phần cứng thực thi mạng. Thông thường người ta hay dùng mạng nơ ron truyền thẳng nhiều lớp với luật dạy học có giám sát. Ưu điểm lớn nhất của các mạng loại này là khả năng tổng quát hoá ánh xạ đầu vào- đầu ra để có thể xấp xỉ bất cứ hàm nào với độ chính xác tuỳ ý. Chủ yếu mạng nơ ron sử dụng để nhận dạng và điều khiển hệ thống. 2.2 CÁC PHƢƠNG ỨNG DỤNG MẠNG NƠ RON TRONG NHẬN DẠNG. 2.2.1. Cơ sở lý luận. Trong nhận dạng hệ thống, để mô hình hoá quan hệ đầu vào - đầu ra của hệ thống động học, mạng được học tập bằng tập hợp dữ liệu đầu vào đầu ra, còn trọng số được điều chỉnh bằng thuật toán lan truyền ngược. Dễ nhận thấy rằng ánh xạ tĩnh phi tuyến sinh ra có thể thể hiện thoả đáng mọi hành vi động học của hệ thống trong khoảng quan tâm. Để điều đó trở thành hiện thực, cần cung cấp cho mạng nơ ron thông tin về quá khứ của hệ thống, thông thường là các trễ đầu vào và đầu ra. Phụ thuộc vào độ chính xác mong muốn mà ta phải cung cấp các thông tin về quá khứ đến mức độ phù hợp cho mạng. Thực tế cho thấy việc sử dụng mạng hai lớp ẩn cho kết quả tốt hơn mạng một lớp ẩn. Mạng nơ ron có thể được dùng để phát hiện và nhận dạng lỗi, giúp đỡ lưu trữ thông tin để ra quyết định. Nhưng trong hệ thống điều khiển có mạng nơ ron rất khó chứng minh các đặc tính như ổn định hệ thống. Điều đó là do các khó khăn toán học liên quan với hệ thống phi tuyến điều khiển bằng mạng nơ ron. Chương I.Tổng quan về mạng nơ ron nhân tạo Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên 45 Nói chung có các ứng dụng tiềm tàng của mạng nơ ron tại tất cả các mức độ trong hệ thống điều khiển thông minh cho phép thực hiện tự động hoá ở mức cao đối với hệ thống. Mạng nơ ron cũng rất có ích ở mức độ thi hành thấp nhất với khả năng xấp xỉ hàm và xử lý song song mạch. Các phương pháp nhận dạng được phân loại như sau: a/ Phân loại dựa trên các cơ sở các phần tử hệ thống. - Phân loại theo hệ thống nhận dạng S. - Phân loại theo tín hiệu vào. - Phân loại theo tiêu chuẩn nhận dạng. b/ Phân loại theo phương pháp cập nhật dữ liệu của hệ thống. - Phương pháp nhận dạng đệ quy: Thông số nhận dạng được tính toán trực tiếp theo mỗi thời điểm. Nghĩa là nếu có giá trị ^  (t) được cập nhật ở thời điểm t thì giá trị của ^  (t+1) được xác định từ ^  (t). Phương pháp nhận dạng đệ quy có đặc trưng: + Là bộ phận chính của hệ thống thích nghi. + Đòi hỏi cần có bộ nhớ. + Thuật toán có thể được thay đổi dễ dàng. + Tại bước tính toán đầu tiên có thể tìm ra được lỗi của thuật toán khi hệ thống có sự thay đổi thông số đủ lớn. Có 3 loại nhận dạng đệ quy: + Nhận dạng đệ quy On-line. Trong phương pháp nhận dạng đệ quy nếu không cần đòi hỏi dữ liệu vào-ra đầy đủ ở mỗi thời điểm thì được gọi là phương pháp on-line. Nhận dạng on-line vì thế được xem như là phương pháp dễ thực hiện cho việc tính toán. Nhận dạng on- line được sử dụng trong nhiều lĩnh vực như: Nhận dạng thích nghi, học thích nghi, lọc phi tuyến… + Nhận dạng theo thời gian thực. Trong phương pháp nhận dạng đệ quy nếu thông số của mô hình có đầy đủ cho mỗi thời điểm quan sát được theo thời gian thực, gọi là phương pháp nhận dạng theo thời gian thực. Nó được sử dụng trong nhận dạng thông số hệ thống biến Chương I.Tổng quan về mạng nơ ron nhân tạo Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên 46 đổi chậm theo thời gian. Để xác định thông số ^  (t+1) trên cơ sở N cặp tín hiệu vào- ra, phải thực hiện liên tiếp thủ tục nhận dạng dữ liệu tín hiệu vào-ra với bậc phù hợp. Thuật toán có dạng (2.1) ^  (t+1) = ^  (t) +  (t).e(t) ( 2.1) Trong đó: .  (t) là hàm số phụ thuộc vào đối tượng nhận dạng tại thời điểm t. . e(t) là sai lệch tại thời điểm t. + Nhận dạng off- line. Ngược lại với phương pháp on-line, phương pháp nhận dạng off-line sử dụng đồng thời tất cả các dữ liệu. Nhận dạng off-line sử dụng khi cần thiết sử lý một “mớ” tín hiệu cùng một lúc. Phương pháp nhận dạng theo đặc tính vào- ra, là điểm mạnh về ứng dụng của mạng nơ ron. Sử dụng mạng nơ ron để nhận dạng đối tượng có nhiều ưu điểm hơn so với phương pháp nhận dạng truyền thống vì: .Mạng nơ ron là hệ học và thích nghi có khả năng học on-line từ các số liệu quá khứ, do đó kết quả nhận dạng có thể đạt được độ chính xác rất cao. .Mạng nơ ron là hệ xử lý song song do đó tốc độ tính toán cao mà các phương pháp nhận dạng truyền thống khó có thể đạt được. .Mạng nơ ron là hệ MIMO, do đó rất tiện dùng khi nhận dạng cho đối tượng nhiều biến. Tóm lại bản chất “HỌC” của mạng nơ ron có một trong những đặc trưng rất đặc biệt đó là nhận dạng đối tượng căn cứ vào đặc tính vào- ra của nó. 2.2.2. Mô tả toán học của đối tượng ở miền rời rạc. Phương trình trạng thái của đối tượng được biểu diễn ở dạng liên tục như (2.2): (2.2) Trong đó: x(t) = [x1(t) x2(t) x3(t) x4(t) … xn(t) ]  dt tdx )( [x(t), u(t) ] y(t) = [x(t) ] Chương I.Tổng quan về mạng nơ ron nhân tạo Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên 47 u(t) = [u1(t) u2(t) u3(t) u4(t) … up(t) ] y(t) = [y1(t) y2(t) y3(t) y4(t) … ym(t)] Tương ứng với hệ có p đầu vào, m đầu ra có bậc n Phương trình trạng thái viết ở dạng rời rạc như (2.3) : (2.3) Trong đó:  là véc tơ bậc pn xRR  là véc tơ bậc mR u(k), x(k), y(k) là các biến ở dạng rời rạc. +Nếu biểu thức (2.3) là dạng tuyến tính thì ta có: (2.4) Trong đó A,B,C là các ma trận có cấp tương ứng là (n x n), (n x p), (m x n) Đối với hệ một đầu vào một đầu ra SISO ( Single Input Single Output) để điều khiển và quan sát được thì các ma trận A, B, C phải thoả mãn điều kiện (2.5), (2.6): M = [ BAn .1 BAn .2 BAn .3 ….B] có Rank (M) = n (2.5) N = [ TC TTCA … TnT CA 1)(  ] có Rank(N) = n (2.6) Và khi đó yp(k+1) = )()( 1 0 1 1 jkuiky m j jp n i i        (2.7) Trong đó i và j là các hằng số chưa biết ; m  n Tín hiệu đầu ra yp(k+1) là tổ hợp tuyến tính của các giá trị quá khứ của các giá trị vào u(k-j) với ( j= 0  m-1) và tín hiệu đầu ra yp(k-i) với (i=1  n-1) + Nếu đối tượng là phi tuyến đầu ra yp(k+1) có 4 dạng như (2.8), (2.9), (2.10), (2.11): Dạng1: x(k+1) = [x(k), u(k) ] y(k) = [x(k) ] x(k+1) = Ax(k) + Bu(k) y(k) = Cx(k) Chương I.Tổng quan về mạng nơ ron nhân tạo Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên 48 yp(k+1) =    )( 1 1 iky p n i i g[ u(k), u(k-1),…, u(k-m +1) ] (2.8) yp(k+1) phụ thuộc vào giá trị quá khứ của đầu ra yp(k-i) và giá trị quá khứ của đầu vào u( k), u(k-1), u(k-m+1). Dạng2: yp(k+1) = f[ yp(k), yp (k-1),…, yp(k-n +1) ] + )( 1 0 jku m j j     (2.9) yp(k+1) phụ phi tuyến vào các giá trị ra quá khứ yp(k), yp(k-1),…, yp(k-n+1) và phụ thuộc tuyến tính giá trị vào quá khứ u(k-j) với j = 0  m-1 Dạng3: yp(k+1) = f[yp(k), yp (k-1),…, yp(k-n +1) ]+g[ u (k), u (k-1),…, u(k-m +1)] (2.10) yp(k+1) phụ thuộc phi tuyến vào các giá trị ra quá khứ và các giá trị vào quá khứ Dạng 4: yp(k+1) = f[ yp(k), yp (k-1),…, yp(k-n +1) ,u (k), u (k-1),…, u(k-m +1) ] (2.11) yp(k+1) phụ thuộc phi tuyến vào giá trị ra quá khứ và các giá trị đầu vào cùng các giá trị quá khứ của nó. Với u(k), y(k) là các cặp tín hiệu vào ra của đối tượng tại thời điểm k, f(.), g(.) là các hàm phi tuyến của đối tượng chưa biết cần được tuyến tính gần đúng bởi mạng nơ ron có độ chính xác mong muốn. Số lớp, số lượng nơ ron ở các lớp cũng như các mối liên kết giữa các nơ ron của mỗi lớp với nhau trong mạng nơ ron nhận dạng được chọn cần phù hợp với độ chính xác và đặc tính vào- ra của hàm phi tuyến tương ứng của đối tượng đã cho. Chương I.Tổng quan về mạng nơ ron nhân tạo Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên 49 2.2.3 Mô hình dùng mạng nơ ron. yp: Là đầu ra của đối tượng  py : Là đầu ra của mạng nơ ron e = yp-  py : Là sai lệch giữa đầu ra của đối tượng và mạng nơ ron, được sử dụng làm tín hiệu học sửa trọng số cho mạng. 2.2.3.1.Mô hình song song. Trong trường hợp này, cấu trúc của bộ nhận dạng giống như của hệ thống cần nhận dạng. 2.2.3.2.Mô hình nối tiếp - song song. Mô hình nhận dạng nối tiếp - song song có ưu điểm tốc độ hội tụ cao (Hình vẽ 2.3) Tín hiệu ra của mô hình có dạng như (2.12): + Với đối tượng là tuyến tính: )()()()()1( 1 0 1 1 jkukikykky m j jp n i ip         (2.12) Trong đó )1(),(),(   kykk ji  là các thông số nhận dạng của (2.7) - p y  yp u Mạng nơron Đối tƣợng Hình 2.1. Mô hình mạng nơ ron nhận dạng kiểu truyền thẳng + + + + + + + + - u(k) g N  0  1  0  1 1z 1z 1z 1z yp(k+1) )1(   ky e Hình 2.2 .Mô hình mạng nơ ron nhận dạng kiểu song song Chương I.Tổng quan về mạng nơ ron nhân tạo Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên 50 + Với đối tượng là phi tuyến: Dạng 1:  )1(),...1(),()()()1( 1 1      mkukukugikykky p n i ip (2.13) Dạng 2: )()()1( 1 0 jkukky m j jp       + f [ )1(),...,1(),(   nkykyky ppp ] (2.14) Dạng 3:   )1(ky p  f [ )1(),...,1(),(   nkykyky ppp ] + g [u(k), u(k-1), …, u(k-m+1)] (2.15) Dạng 4:   )1(ky p  f [ )1(),...,1(),(   nkykyky ppp , u(k), u(k-1), …, u(k-m+1) ] (2.16) 2.2.3.3.Mô hình ngược trực tiếp. Hình 2.4 chỉ rõ, có thể dùng mạng nơ ron để nhận dạng hệ thống ngược như thế nào. + + + + + + + + - u(k) g N  0  1  0  1 1z 1z 1z 1z yp(k+1) )1(   ky e Hình 2.3.Mô hình mạng nơ ron nhận dạng kiểu nối tiếp song song Chương I.Tổng quan về mạng nơ ron nhân tạo Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên 51 Tín hiệu ra của đối tượng yp là tín hiệu vào của mạng nơ ron, tín hiệu này so sánh với tín hiệu đặt ở đầu vào, sai lệch e được sử dụng làm tín hiệu luyện mạng nơ ron, đầu ra của mạng là đầu vào của hệ thống. 2.2.3.4.Mô hình tổ hợp. Theo mô hình này, đầu tiên mạng nhiều lớp phải học để nhận dạng hệ thống thuận như hình 2.5a. Sau đó mạng này và mạng nhiều lớp khác được sử dụng như bộ điều khiển được cấu trúc như trên hình 2.5b. Lợi ích của mô hình hệ thống thuận là ta có thể tính toán khá dễ dàng đạo hàm của đầu ra theo mô hình của đầu vào dựa trên quá trình lan truyền ngược(tính toán chuyển đổi của ma trận Jacobi của mạng tại vector đầu vào hiện thời). Kết quả là sai số giữa đầu ra thực và đầu ra mong muốn của hệ thống được lan truyền ngược lại qua mô hình thuận sinh ra sai số của tín hiệu điều khiển, sai số này có thể để dạy cho một mạng khác làm chức năng điều khiển. Phương pháp này có ưu điểm so với nhận dạng trực tiếp hệ thống ngược khi hệ thống ngược không xác định tốt. - + Mạng nơron e u r yp Hình 2.4.Mô hình mạng nơ ron nhận dạng ngược trực tiếp Đối tƣợng Đầu ra mong muốn của mạng Hệ thống Mạng nơron (a) y v u N 2 N W(z) (b) Hình 2.5.Mô hình mạng nơ ron nhận dạng tổ hợp Chương I.Tổng quan về mạng nơ ron nhân tạo Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên 52 2.3.CÁC PHƢƠNG PHÁP ỨNG DỤNG MẠNG NƠRON TRONG ĐIỀU KHIỂN. Nhiều mạng nơ ron đã và đang được ứng dụng rất thành công trong lĩnh vực nhận dạng và điều khiển hệ thống truyền động. Thông thường người ta hay sử dụng mạng nhiều lớp truyền thẳng làm mô hình mẫu, làm các bộ điều khiển cho đối tượng là phi tuyến. Khi hệ thống đã được nhận dạng với độ chính xác nhất định, quá trình điều khiển được bắt đầu để cho đầu ra của hệ thống bám theo đầu ra của mô hình ổn định. Sau đây chúng ta nghiên cứu cấu trúc một số mạng nơron phổ biến cho việc nhận dạng và điều khiển hệ thống. 2.3.1.Bộ điều khiển đảm bảo tính ổn định bền vững. Bộ điều khiển đảm bảo tính ổn định bền vững có sơ đồ cấu trúc như (2.6): 2.3.2. Điều khiển thích nghi ngược trực tiếp. Hình vẽ 2.7 là sơ đồ cấu trúc của hệ điều khiển thích nghi ngược theo tài liệu [WiWa 96] Tín hiệu vào của khối thuật toán thích nghi là sai lệch giữa tín hiệu ra của thiết bị và tín hiệu ra của mô hình mẫu. Các thông số của bộ điều khiển luôn được cập nhật theo tín hiệu sai lệch này. Mạng nhận dạng của bộ điều khiển thích nghi bởi ảnh hưởng của nhiễu trên thiết bị và nhiễu ngoài khác. Một sự lựa chọn mà cho phép khử được sự tác động của các loại nhiễu trên là mắc song song mạng nơ ron - + + + Tín hiệu đặt Đầu ra thiết bị Bộ đ.k ổn định Thiết bị Mạng nơron TTthích nghi Hình 2.6.Sơ đố cấu trúc bộ điều khiển ổn định bền vững Chương I.Tổng quan về mạng nơ ron nhân tạo Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên 53 mô hình mẫu với thiết bị. Mô hình sẽ học các tín hiệu vào giống như tín hiệu vào thiết bị và cho tín hiệu ra mẫu. Sự khác nhau giữa các đầu ra của thiết bị và của mô hình đó là do sự ảnh hưởng của nhiễu. Tín hiệu này sẽ được đưa vào mạng nơ ron phản hồi để phát hiện và lọc nhiễu. Tín hiệu ra của khối này được trừ với tín hiệu vào của thiết bị, sự phối hợp đó trong điều khiển thích nghi được ứng dụng trong điều khiển quỹ đạo của các cánh tay rô bốt. Trên hình 2.7 chúng ta thấy rằng tín hiệu điều khiển đưa vào thiết bị là tổng của tín hiệu điều khiển phản hồi và tín hiệu truyền thẳng. Đó là mô hình sử dụng đặc tính mong muốn làm tín hiệu đầu vào và tín hiệu điều khiển phản hồi như tín hiệu sai lệch. Một lợi thế về cấu trúc, cho chúng ta có thể bắt đầu với một hệ thống ổn định bền vững dù cho mạng nơ ron chưa có quá trình huấn luyện triệt để. Tương tự như trong điều khiển cấu trúc, trong các bộ điều khiển ổn định đã sử dụng cách nối song song với mạng điều khiển nơ ron [Sas 192]. Sai lệch Nhiễu Nhiễu + + + + - - - Tín hiệu ra Tín hiệu đặt Mạng ĐK Mô hình mẫu Mạng phản hồi Thiết Bị T.T thích nghi Mạng nơron mô hình mẫu Hình 2.7.Sơ đồ cấu trúc của hệ điều khiển thích nghi ngƣợc Chương I.Tổng quan về mạng nơ ron nhân tạo Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên 54 2.2.3. Điều khiển phi tuyến mô hình trong. Sơ đồ điều khiển phi tuyến theo mô hình trong (NIMC) được cho như hình 2.8: Sơ đồ gồm có một bộ điều khiển nơ ron, một mạng nơ ron mô hình mẫu thiết bị và một bộ lọc thô với sự điều chỉnh đơn thông số [NaHe 92]. Bộ điều khiển nơ ron thông thường được huấn luyện để thay thế cho phản hồi của thiết bị, nếu có phản hồi trong. Sai lệch giữa đầu ra của mạng nơ ron mô hình mẫu và số đo đầu ra của thiết bị thực được sử dụng làm tín hiệu phản hồi đưa vào bộ lọc thô sau đó được chuyển đến bộ điều khiển nơ ron. Mạng nơ ron mô hình mẫu và bộ điều khiển nơ ron có thể được huấn luyện off-line sử dụng dữ liệu tự có từ thiết bị trong quá trình hoạt động. Bộ lọc thô là bộ lọc bậc nhất nó có hằng số thời gian được chọn sao cho mạch kín ổn định. 2.2.4. Mô hình điều khiển dự báo. Mô hình điều khiển dự báo được cho như sơ đồ hình 2.9. Tín hiệu vào đặt Đầu ra + - + - Bộ lọc thô Bộ ĐK Nơron Thiết bị Mô hình thiết bị Hình 2.8.Sơ đồ điều khiển mô hình trong Tín hiệu vào đặt Đầu ra dự báo Đầu ra thiết bị Đầu vào điều khiển Mô hình mạng nơron Bộ ĐK nơron Thiết bị Hình 2.9.Sơ đồ điều khiển dự báo Mô hình mẫu Luật tối ưu Chương I.Tổng quan về mạng nơ ron nhân tạo Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên 55 Sơ đồ cấu trúc bao gồm một mô hình mạng nơ ron, một bộ điều khiển nơ ron, một hàm thực hiện đánh giá sự phản ứng của hệ thống và một luật tối ưu để chọn tín hiệu điều khiển đầu vào tốt nhất: Luật tối ưu có thể được ước tính, nó đòi hỏi cần qua nhiều bước tính trước, trong đó mạng nơ ron được sử dụng để dự báo phản ứng của thiết bị. Bộ điều khiển nơ ron học để đưa ra tín hiệu điều khiển được chọn theo phương pháp tối ưu. Khi quá trình huấn luyện hoàn thành, các bước tối ưu hoá có thể được thay thế bằng bộ điều khiển nơ ron. 2.2.5 Điều khiển thích nghi theo mô hình mẫu (MRAC). Cũng như các phương pháp kỹ thuật khác, kỹ thuật điều khiển thích nghi theo mô hình mẫu sử dụng hai mạng nơ ron, một mạng điều khiển và một mạng mô hình. Sơ đồ cấu trúc như hình 2.10 Mạng nơ ron nhận dạng có thể được huấn luyện off-line, sử dụng các tín hiệu đo được trong quá khứ của thiết bị. Bộ điều khiển nơ ron được huấn luyện thích nghi tương ứng với đầu ra của thiết bị để theo giõi đầu ra của mô hình mẫu. Mạng nơ ron được sử dụng để dự báo tác động thay đổi của bộ điều khiển lên đầu ra của thiết bị, điều đó cho phép cập nhật được các thông số của bộ điều khiển. Sai lệch mô hình Đầu ra Sai lệch điều khiển Tín hiệu đặt - + - Mạng nơron điều khiển Thiết bị Mạng nơron nhận dạng Mô hình mẫu + Hình 2.10.Sơ đồ cấu trúc điều khiển thích nghi theo mô hình mẫu Chương I.Tổng quan về mạng nơ ron nhân tạo Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên 56 2.2.6. Điều khiển thích nghi tự chỉnh. Bộ điều khiển thích nghi tự chỉnh có sơ đồ khối như hình vẽ 2.11. Bộ điều khiển bao gồm có hai mạng nơ ron [SuBa 98], mạng thứ nhất hoạt động như bộ điều khiển ngược và được gọi là mạng hành vi, mạng thứ hai được gọi là mạng tự chỉnh dự báo diễn biến tương lai của hệ thống. Mạng tự chỉnh được huấn luyện để tối ưu hoá phản ứng tương lai của thiết bị. Quá trình huấn luyện được thực hiện theo phương pháp học củng cố, đó là một chương trình làm xấp xỉ quá trình động học. 2.2.7. Điều khiển thích nghi bằng mạng nơron hồi quy tuyến tính. Kỹ thuật điều khiển thích nghi