Nhận dạng đối tượng phi tuyến bằng hệ mờ Nơron

Bài báo đề xuất một cấu trúc nhận dạng tích hợp giữa logic mờ và mạng nơron nhân tạo để nhận dạng đối tượng phi tuyến. Phương pháp này cho phép nhận dạng các đối tượng có tính phi tuyến mạnh với độ chính xác đủ dùng trong kỹ thuật.
Nội dung trích xuất từ tài liệu:
Nhận dạng đối tượng phi tuyến bằng hệ mờ NơronT¹p chÝ Khoa häc & C«ng nghÖ - Sè 2(42)/N¨m 2007NHẬN DẠNG ĐỐI TƯỢNG PHI TUYẾN BẰNG HỆ MỜ - NƠRONLại Khắc Lãi (Trường Đại học Kỹ thuật Công nghiệp- §H Th¸i Nguyªn)Phạm Văn Thịnh (Trường Cao đẳng Kinh tế kỹ thuật công nghiệp1)Nguyễn Ánh Dương (Trường Cao đẳng Hóa chất Phú Thọ)1. Mở đầuNhận dạng là bước đầu tiên và quan trọng nhất của nhiều lĩnh vực khoa học, đặc biệt tronglĩnh vực điều khiển và tự động hóa nếu không nhận dạng chính xác đối tượng điều khiển thì sẽkhông có giải pháp tối ưu nhất để điều khiển chúng. Trong [6] đã đề cập nhiều phương phápnhận dạng khác nhau. Các phương pháp nhận dạng truyền thống như: phương pháp xấp xỉ viphân; phương pháp gradient, phương pháp tìm kiếm trực tiếp, tựa tuyến tính, sử dụng hàmnhạy,… (đối với nhận dạng off-line) và các phương pháp: bình phương cực tiểu, xấp xỉ ngẫunhiên, lọc Kalman,… (đối với nhận dạng on-line) đều có chung nhược điểm là ®ộ chính xáckhông cao, chỉ phù hợp cho các đối tượng có tính phi tuyến yếu. Khi đối tượng có tính phi tuyếnmạnh, làm việc trong phạm vi rộng, chịu nhiễu lớn và có nhiều chiều (MIMO) ta cần phải sửdụng các phương pháp nhận dạng hiện đại mới đảm bảo độ chính xác mong muốn.Như đã phân tích trong [2] hệ mờ và mạng nơron mỗi loại đều có ưu, nhược điểm riêng. Nếukết hợp chúng lại, ta sẽ có một hệ lai với ưu điểm của cả hai: Lôgic mờ cho phép thiết kế bộ điềukhiển dễ dàng, tường minh, trong khi mạng nơron cho phép học những gì mà ta yêu cầu về bộđiều khiển. Nó sửa đổi các hàm liên thuộc về hình dạng, vị trí và sự kết hợp, … hoàn toàn tựđộng. Điều này làm giảm bớt thời gian cũng như giảm bớt chi phí khi phát triển hệ.Bài báo đề xuất một cấu trúc nhận dạng tíchhợp giữa logic mờ và mạng nơron nhân tạo để nhậndạng đối tượng phi tuyến. Phương pháp này cho phépnhận dạng các đối tượng có tính phi tuyến mạnh vớiđộ chính xác đủ dùng trong kỹ thuật.2. Cấu trúc hệ nhận dạng Mờ - NơronĐối tượngy+uHệ điều khiểnMờ-NơronyˆMột hệ nhận dạng Mờ - Nơron có cấu trúcethuật toánhuấn luyệnchung như hình 1 [4]. Khâu nhận dạng là hệ điềukhiển Mờ - Nơron, được xây dựng theo kiểu Hình 1: Cấu trúc hệ nhận dạng Mờ-NơronSugeno-Takasi, bộ điều chỉnh thông số là thuật toánhuấn luyện mạng. Tín hiệu vào/ra của đối tượng (y) được so sánh với tín hiệu vào/ra của khâunhận dạng ( yˆ ) Căn cứ vào sai lệch ở đầu ra (e) và thông qua quá trình huấn luyện, các thôngsố của tập mờ sẽ được chỉnh định sao cho đầu ra của khâu nhận dạng giống với đầu ra của đốitượng.Cấu trúc của hệ Mờ - Nơron trong hệ thống nhận dạng thường có 5 lớp như hình 2, trongcấu trúc này, lớp đầu tiên chỉ thuần túy mô tả các đầu vào, lớp cuối cùng mô tả các tín hiệu ở đầura, các lớp Nn sẽ thực hiện chức năng của một hệ điều khiển mờ như mờ hóa thông qua các hàmliên thuộc, suy diễn mờ, giải mờ.Mỗi nút trong mạng đều có hàm tổng f là tổng hợp các thông tintừ các nút khác thông qua các trọng liên kết.38T¹p chÝ Khoa häc & C«ng nghÖ - Sè 2(42)/N¨m 2007Neti = f(u1(k), u2(k),... up(k), w1(k), w2(k),...,wp(k))x1Trong đóu1(k), u2(k),... up(k)làtín hiệu vào nút; w1(k), w2(k),..., wp(k) là cáctrọng số liên kết ; k là chỉ số lớp. Đầu ra củamỗi nơron được xác định thông qua hàm tácđộng a của mỗi nút theo công thức :(k )Output = oi= a(net i ) = a ( f )Lớp vào Mờ hóa Suy diễn mờ Giải mờ Lớp ray1x2ymxnTa có thể sử dụng thuật toán lantruyền ngược (Backropa) hoặc thuật toán lai(Hybirdcho quá trình huấn luyện mạng) . Luậthọc sẽ làm thay đổi các trọng số liên kết trongLớp 1Lớp 2 Lớp 3 Lớp 4Lớp 5Hình 2: Cấu trúc hệ mờ nơroncác nút hoặc thông số của mỗi nút (như tâm, độ rộng hàm liên thuộc) theo hướng cực tiểu hóahàm mục tiêu sai lệch bằng cách sử dụng phép lặp.3. Ứng dụng hệ Mờ - Nơron để xấp xỉ đường congTrong lôgic mờ đã chứng minh rằng một bộ điều khiển mờ Takasi-Sugeno với luật điềukhiển tuyến tính có thể dùng để xấp xỉ một đa thức với độ chính xác tùy ý. Tuy nhiên, để đạtđược độ chính xác mong muốn, cần phải chỉnh định các thông số của bộ điều khiển mờ, việc nàythường rất khó khăn và mang nhiều tính mò mẫm. Khi kết hợp với mạng nơron, việc chỉnh địnhđó được thực hiện thông qua các luật học và quá trình huấn luyện mạng.Trong bài báo này, chúng tôi sử dụng bộ điều khiển Mờ - Nơron theo kiểu TakasiSugeno để xấp xỉ một đường cong bất kỳ và dùng luật học của mạng nơron của bộ điều khiểnmờ nhằm đạt được độ chính xác mong muốn. Xét đường cong được mô tả bởi phương trình:y = 25sin10t + 30e −30tTa sẽ khảo sát việc dùng hệ Mờ - Nơron để xấp xỉ đường cong trên trong khoảng t =[0,10](giây). Tập dữ liệu mẫu để huấn luyện hệ mờ - Nơ ron được liệt kê trong bảng 1.Thiết kế bộ điều khiển kiểu Takasi-Sugeno với 15 tập mờ đầu vào có dạng hàm Trapmf, đầura là các hàm tuyến tính. Sau 90 kỳ huấn luyện thu được các kết quả (hình 3 đến hình 6), trong đó:hình 3 là đồ thị tập mấu và tập dữ liệu của hệ Mờ - Nơron sau khi huấn luyện; hình 4 là dạng hàmliên ...