Tóm tắt Luận án Tiến sĩ Kỹ thuật điện tử: Phát triển một số phương pháp học trọng số cho mạng nơ ron tế bào bậc hai

Tóm tắt Luận án Tiến sĩ Kỹ thuật điện tử "Phát triển một số phương pháp học trọng số cho mạng nơ ron tế bào bậc hai" được nghiên cứu với mục tiêu: Phát triển các luật học Perceptron hồi quy và thuật toán GA cho mạng nơ ron tế bào bậc cao; Đề xuất thuật toán lai GASORPLA để tính toán bộ trọng số cho mạng nơ ron tế bào bậc cao đảm bảo tối ưu toàn cục; Thử nghiệm kết quả các thuật toán trên mô phỏng và chương trình phần mềm.
Nội dung trích xuất từ tài liệu:
Tóm tắt Luận án Tiến sĩ Kỹ thuật điện tử: Phát triển một số phương pháp học trọng số cho mạng nơ ron tế bào bậc haiBỘ GIÁO DỤC VÀ ĐÀO TẠO BỘ CÔNG THƯƠNG VIỆN NGHIÊN CỨU ĐIỆN TỬ, TIN HỌC, TỰ ĐỘNG HÓA ===***=== PHÁT TRIỂN MỘT SỐ PHƯƠNG PHÁP HỌC TRỌNG SỐ CHO MẠNG NƠ RON TẾ BÀO BẬC HAI TÓM TẮT LUẬN ÁN TIẾN SĨ Chuyên Ngành: Kỹ thuật điện tử Mã số: 9520203 HÀ NỘI – NĂM 2024 MỞ ĐẦU Thời đại số ở Việt Nam và trên thế giới đang sử dụng trí tuệ nhân tạo làm hạt nhân cho sự pháttriển, trong đó mạng nơ ron phỏng theo não người đang nổi lên như một công cụ hiện đại. Hai lớpcấu trúc cơ bản của mạng nơ ron là mạng nơ ron truyền thẳng và mạng nơ ron hồi quy (phản hồi).Mạng nơ ron hồi quy là một hướng phát triển có thể cấy trên các phần sụn (chương trình phần mềmđược ghi trên các chip phần cứng như bộ nhớ ROM) và đã được chế tạo thành máy tính nơ ron trênthế giới. Chiếc máy tính này được phát triển dựa trên cấu trúc mạng nơ ron tế bào (do L. Chua và L.Yang đề xuất năm 1988). Hướng phát triển của mạng nơ ron tế bào hiện nay bên cạnh về cấu trúc còncác luật học và khả năng ứng dụng thực tế. Trong luận án này, nghiên cứu sinh phát triển một số thuậttoán học cho mạng nơ ron tế bào bậc cao (SOCeNNS) – dựa trên cấu trúc do Nguyễn Quang Hoanvà cộng sự đề xuất. Các thuật toán SORPLA, GA đề xuất có khả năng tính toán đầy đủ bộ trọng sốcủa SOCeNNs tuy nhiên để đảm bảo tính hội tụ của thuật toán, nghiên cứu sinh tiếp tục xây dựngmột thuật toán lai GASORPLA để đảm bảo tính hội tụ toàn cục bộ trọng số tính toán cho mạng nơron tế bào bậc cao.1. Đối tượng và phạm vi nghiên cứu ➢ Đối tượng nghiên cứu: Các luật học để xác định các bộ trọng số cho mạng nơ ron tế bào bậchai với cấu trúc đã chọn trước. ➢ Phạm vi nghiên cứu: Luận án giới hạn nghiên cứu các thuật toán hồi quy và phát triển thànhthuật toán dạng Perceptron (theo kiểu truyền thẳng) phù hợp cho mạng nơ ron tế bào bậc hai. Xâydựng giải thuật di truyền để xác định bộ trọng số SOCeNNs và phương pháp học kết hợp giữa GA vàSORPLA để giảm thiểu các trường hợp tối ưu cục bộ của phương pháp SORPLA. Thử nghiệm chobài toán xác định biên ảnh sử dụng kết quả các thuật toán đã phát triển trong luận án chỉ để chứng tỏcác bộ trọng số tìm được là đúng, đề xuất khả năng ứng dụng thực tế sau này. Trong nội dung nghiêncứu tại luân án, NCS không đi sâu vào đánh giá chất lượng xử lý ảnh so với các phương pháp khác;đây là một hướng nghiên cứu mà NCS sẽ định hướng vào giai đoạn tiếp theo.2. Mục tiêu của luận án Mục tiêu tổng quát: phát triển các luật học để xác định các bộ trọng số cho mạng nơ ron tếbào bậc hai. Mục tiêu cụ thể: Phát triển các luật học Perceptron hồi quy và thuật toán GA cho mạng nơ rontế bào bậc cao; Đề xuất thuật toán lai GASORPLA để tính toán bộ trọng số cho mạng nơ ron tế bàobậc cao đảm bảo tối ưu toàn cục; Thử nghiệm kết quả các thuật toán trên mô phỏng và chương trìnhphần mềm.3. Phương pháp tiếp cận, nghiên cứu của luận án Phương pháp tiếp cận: từ các tài liệu đã công bố, tham khảo các chuyên gia, mô hình toán họcvà thực nghiệm; Phương pháp nghiên cứu: kết hợp giữa nghiên cứu lý thuyết, các mô hình toán học, tiến hànhmô phỏng, thực nghiệm, đánh giá.4. Nội dung nghiên cứu của Luận ánBố cục của Luận án gồm ba chương: Chương một. Trên cơ sở cấu trúc mạng nơ ron tế bào bậc hai, kết hợp với thuật toán Perceptronhồi quy của C. Gukzelis và cộng sự, NCS đề xuất và phát triển luật học áp dụng cho mạng nơ ron tếbào bậc hai để tính toán đầy đủ bộ trọng số SOCeNNs, chứng minh tính hội tụ của luật học đã đềxuất. Chương hai. Trên cơ sở cấu trúc mạng nơ ron tế bào bậc cao, kết hợp với thuật toán Perceptronhồi quy của C. GuKzelis và cộng sự, nghiên cứu sinh đề xuất và phát triển luật học áp dụng cho mạngnơ ron tế bào bậc cao để tính toán đầy đủ bộ trọng số SOCeNNs. Chương ba. Dựa theo phương pháp đề xuất ở chương hai, NCS tiếp tục sử dụng giải thuật di 1truyền xác định bộ trọng số cho mạng nơ rơn tế bào bậc hai, tiếp đó xây dựng thuật toán học lai giữaGA kết hợp SORPLA để đảm bảo tính tối ưu toàn cục của thuật toán, đưa ra một số chứng minh vềkhả năng xử lý ảnh của mạng nơ ron tế bào bậc hai. Ở phần cuối đã trình bày một số kết luận về kết quả đạt được của luận án và kiến nghị hướngnghiên cứu tiếp theo.5. Đóng góp của luận án Đóng góp thứ nhất: Phát triển luật học Perceptron hồi quy cho mạng nơ ron tế bào bậc hai(SOCeNNs). Đóng góp thứ hai: Chứng minh tính hội tụ của thuật toán SORPLA. Đóng góp thứ ba: Xây dựng thuật toán GA cho mạng nơ ron tế bào bậc hai, và hai thuật toánlai giữa GA với thuật toán RPLA và thuật toán SORPLA để cải thiện chất lượng học cho mạng nơron tế bào bậc hai. CHƯƠNG 1. TỔNG QUAN VỀ CẤU TRÚC VÀ LUẬT HỌC MẠNG NƠ RON1.1. Cấu trúc và luật học trong mạng nơ ron truyền thống1.1.1. Khái niệm và phân loại học trong mạng nơ ron truyền thống Học trong mạng nơ ron nhân tạo có thể chia làm hai loại: học cấu trúc và học tham số. Học cấutrúc: xác định số lớp kết nối, số các phần tử nơ ron trong mỗi lớp. Học tham số: xác định bộ giá trịtrọng số trong mạng, được chia làm 03 loại: Học không giám sát: Học từ các cặp mẫu đầu vào/ ra; Học giám sát: Học từ các nhãn (gồm tín hiệu đầu vào, các đầu ra mong muốn). Nhãn đóng vai trònhư giáo viên nhằm giám sát quá trình học; Học củng cố: Sử dụng các thông tin trái ngược nhau kết hợp các phản hồi thực tế để củng cố cáctín hiệu khác nhau.1.1.2. Cấu trúc và luật học của mạng nơ ron truyền thẳng1.1.2.1. Mạng PerceptronLuật học Perceptron sử dụng phương pháp định tính : Thử - Sai – Chỉnh như trong học máy đ ...