THIẾT KẾ BỘ ĐIỀU KHIỂN BẰNG MẠNG NƠRON TRUYỀN THẲNG THEO MÔ HÌNH MẪU LÀ MỘT KHÂU DAO ĐỘNG BẬC 2

Ngày nay, trí tuệ nhân tạo đang phát triển mạnh mẽ nhằm tạo ra cơ sở xây dựng các hệ chuyên gia, hệ trợ giúp quyết định. Trí tuệ nhân tạo được xây dựng trên cơ sở mạng nơron nhân tạo và ứng dụng trong thiết kế hệ thống điều khiển thông minh mà trong đó bộ điều khiển có khả năng tư duy như bộ não của con người đang là xu hướng mới trong điều khiển tự động.
Nội dung trích xuất từ tài liệu:
THIẾT KẾ BỘ ĐIỀU KHIỂN BẰNG MẠNG NƠRON TRUYỀN THẲNG THEO MÔ HÌNH MẪU LÀ MỘT KHÂU DAO ĐỘNG BẬC 2 THIẾT KẾ BỘ ĐIỀU KHIỂN BẰNG MẠNG NƠRON TRUYỀN THẲNG THEO MÔ HÌNH MẪU LÀ MỘT KHÂU DAO ĐỘNG BẬC 2 KS. Phạm Ngọc Minh, PGS-TSKH. Phạm Thượng Cát Phòng Công Nghệ Tự Động Hóa - Viện Công Nghệ Thông Tin Viện Khoa Học và Công Nghệ Việt Nam Tel. 84-4-8363484, Fax: 84-4-8363485, E-mail: ptcat@ioit.ncst.ac.vn Tóm tắt : Bài báo này trình bày kết quả nghiên cúu thiết kế bộ điều khiển bằng mạng nơron truyền thẳng được huấn luyện bằng giải thuật học lan truyền ngược lỗi BP và được cài đặt trên thiết bị điều khiển thông minh ĐKTM, một sản phẩm công nghệ cao của phòng Công nghệ Tự động hoá - Viện Công nghệ Thông tin. DESIGN AND IMPLEMENTATION OF A NEURO CONTROLLER USING SECOND ORDER REFERENCE MODEL Dipl.Eng. Pham Ngoc Minh, Prof.DSC. Pham Thuong Cat Department for Automation Technology, Institute of Infomation Technology. Viet Nam Academy of Science and Technology Tel. 84-4-8363484, Fax: 84-4-8363485, E-mail: ptcat@ioit.ncst.ac.vn Abstract: This paper presents research results in design and implementation of a neural controller using Error Back-Propagation Algorithm. This controller has been installed in an intelligent control ĐKTM device, a high-tech product of Department for Automation Technology - Institute of Information Technology. 1. ĐẶT VẤN ĐỀ Ngày nay, trí tuệ nhân tạo đang phát triển mạnh mẽ nhằm tạo ra cơ sở xây dựng các hệ chuyên gia, hệ b trợ giúp quyết định. Trí tuệ nhân tạo được xây dựng trên cơ sở mạng nơron nhân tạo và ứng dụng trong thiết kế hệ thống điều khiển thông minh mà trong đó bộ điều khiển có khả năng tư duy như bộ não Vi Wi của con người đang là xu hướng mới trong điều khiển tự động. x y Mạng nơron là sự tái tạo bằng kỹ thuật những chức Input Output năng của hệ thần kinh con người với vô số các nơron được liên kết truyền thông với nhau trong mạng. Trong bài báo này, chúng tôi sẽ trình bày kết quả ứng dụng mạng nơron trong chế tạo thiết bị điều khiển thông minh. Output Input Hidden Layer 2. MÔ HÌNH MẠNG NƠRON LAN TRUYỀN Layer Layer THẲNG NHIỀU LỚP Hình 1 : Cấu trúc mạng nơron Trong báo cáo này, chúng tôi sử dụng mô hình Trong đó: mạng nơron lan truyền thẳng nhiều lớp áp dụng cho • Các nơron trong mạng là nơron Fermi hệ thống SISO (single-input single-output). Mạng • Input Layer gồm 1 nơron có trọng số bằng 1. nơron nhiều lớp lan truyền thẳng được mô tả như Tín hiệu vào x được đưa tới nơron của Input hình 1 với 3 lớp – Input Layer (lớp vào), Hidden Layer, khi đó tín hiệu ra của nơron là x Layer (lớp ẩn), Output Layer (lớp ra). • Vector trọng số giữa Input Layer và Hidden Layer là Vi . Tín hiệu ra của các nơron Input Layer được đưa vào các nơron của Hidden Layer, khi đó tín hiệu ra được tính theo công thức: Oi = f (Vi * x + b) = f (netVi ) (2.1) trong đó netVi = Vi * x + b 1 1 df ~ f (netVi ) = − netVi ⇒ = Oi (1 − Oi ) thực y[ k ] . Trên cơ sơ so sánh với mẫu học y[k], 1+ e dnetVi các trọng số Wi[k] được hiệu chỉnh thành Wi[k+1] . • Vector trọng số giữa Hidden Layer và Output Tiếp tục từ Wi[k+1] sẽ hiệu chỉnh các trọng số Layer là Wi .Tín hiệu ra của các nơron Hidden Vi[k] . Layer được đưa vào nơron của Output Layer, khi đó tín hiệu ra y được tính theo công thức: • Với sai lệch cho mẫu học thứ k là ~ 3 y = f ( ∑ ( Wi * Oi )) = f (netY ) = 1 y (k ) − y (k ) , giá trị gia tăng ∆Wi [k ] được i =1 1 + e − netY xác định theo công thức cải biên của Widnow df như sau: ⇒ = y (1 − y ) (2.2) dnetY  ~  df 3 ∆Wi [k ] = s y[k ] − y[k ]   d (netY ) Oi Trong đó netY = ∑ ( Wi * Oi )   netY [ k ] ...