Luận văn thạc sĩ về điều khiển hệ thống động ứng dụng mạng neuron và logic mờ

Luận văn thạc sĩ kỹ thuật nghiên cứu điều khiển học kỹ thuật nhận dạng bền vững và và điều khiển hệ thống động ứng dụng mạng neuron và, khảo sát thực trạng, phân tích nguyên nhân,

• Tác giả: Tràn Thị Hoàng Oanh
• Người hướng dẫn: GS.TSKH Nguyễn Thúc Loan
• Trường học: Đại học Bách Khoa
• Chuyên ngành: Điều Khiển Học Kỹ Thuật
• Đề tài: Nhận Dạng Bên Vưỡng Và Điều Khiển Hệ Thống Động Ứng Dụng Mạng Neuron Và Logic Mờ
• Loại tài liệu: luận văn
• Năm xuất bản: 2005
• Địa điểm: Tp. HCM

Mục lục chi tiết

• LỜI CẢM ƠN
• TÓM TẮT LUẬN VĂN
• MỤC LỤC
• DANH MỤC CÁC CHỮ VIẾT TẮT
• DANH MỤC CÁC HÌNH VẼ
• 1. PHẦN I: GIỚI THIỆU VỀ NHẬN DẠNG VÀ ĐIỀU KHIỂN
• 1.1. Chương 1: GIỚI THIỆU VỀ NHẬN DẠNG VÀ ĐIỀU KHIỂN
• 1.1.1. GIỚI THIỆU
• 1.1.2. Các bước nhận dạng hệ thống
• 1.1.3. Cấu trúc mô hình hệ tuyến tính bất biến
• 1.1.4. Cấu trúc mô hình hệ phi tuyến tính
• 1.1.5. Các phương pháp ước lượng tham số
• 1.1.6. Đánh giá mô hình
• 1.1.7. Giới thiệu về điều khiển
• 2. PHẦN II: GIỚI THIỆU MẠNG NEURON VÀ LOGIC MỜ
• 2.1. Chương 2: GIỚI THIỆU MẠNG NEURON
• 2.1.1. Tổng quan về mạng neuron
• 2.1.2. Mạng Perceptron một lớp
• 2.1.3. Mạng truyền thẳng nhiều lớp
• 2.1.4. Trình tự thiết kế mạng neuron ứng dụng
• 2.1.5. Các ứng dụng của mạng neuron
• 2.2. Chương 3: GIỚI THIỆU VỀ LOGIC MỜ
• 2.2.1. Quan hệ mờ
• 2.2.2. Suy luận mờ
• 2.2.3. Ứng dụng trong điều khiển
• 2.3. Chương 4: MẠNG NEURON MỜ ỨNG DỤNG TRONG ĐIỀU KHIỂN
• 2.3.1. Hệ mờ dựa trên mạng neuron
• 2.3.2. Mạng neuron dựa trên hệ mờ
• 2.3.3. Các loại mạng neuron hiện nay
• 3. PHẦN III: TÌM HIỂU CƠ CHẾ NHIỄU
• 3.1. Chương 5: TÌM HIỂU CƠ CHẾ NHIỄU
• 3.1.1. Thông tin chung và cộng hưởng ngẫu nhiên
• 3.1.2. Thông tin chung của neuron hàm ngưỡng
• 3.1.3. Cộng hưởng ngẫu nhiên trong mô phỏng
• 3.1.4. Đạo hàm của luật học SR
• 4. PHẦN IV: ỨNG DỤNG TRONG HỆ THỐNG VIỄN THÔNG
• 4.1. Chương 6: ỨNG DỤNG TRONG HỆ THỐNG VIỄN THÔNG
• 4.1.1. Tiếng vọng trong điện thoại
• 4.1.2. Các vấn đề cơ bản của triệt tiếng vọng âm thanh stereo
• 4.1.3. Các giải thuật lọc thích nghi
• 4.1.4. Xây dựng hệ thống triệt tiếng vọng dùng mạng neuron
• 4.1.5. Kết quả thực nghiệm triệt tiếng vọng dùng lọc thích nghi
• 4.1.6. Kết quả thực nghiệm triệt tiếng vọng dùng mạng neuron
• 4.1.7. Triệt tiếng vọng khi đường truyền là phi tuyến
• 4.1.8. So sánh và kết luận
• KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• TÀI LIỆU THAM KHẢO
• PHỤ LỤC

Tóm tắt

I. Giới thiệu về nhận dạng và điều khiển

Nhận dạng hệ thống là quá trình xây dựng mô hình toán học của hệ thống dựa trên dữ liệu quan sát được. Phương pháp giải bài toán nhận dạng truyền thống là gần đúng cho hệ thống một cấu trúc mô hình có thông số, sau đó ước lượng thông số bằng cách sử dụng dữ liệu quan sát được. Cấu trúc mô hình là hàm toán học được thông số hóa và có thể liên quan hoặc không liên quan gì đến các định luật vật lý. Thông thường người ta có thể sử dụng thông tin biết trước về hệ thống hoặc đưa ra một số giả thiết về hệ thống cần nhận dạng để chọn cấu trúc mô hình. Khi chỉ biết trước một ít thông tin, người ta sử dụng mô hình hồi quy. Mô hình hồi quy là cấu trúc mô hình chuẩn linh động có thể dùng để áp dụng nhiều hệ thống khác nhau. Không thể xây dựng được cấu trúc mô hình có khả năng mô tả hệ thống thực tế chính xác hoàn toàn, thay vào đó người ta đưa ra một số giả thiết về hệ thống để cấu trúc mô hình gần với hệ thống thực. Trong việc giải bài toán nhận dạng hệ thống, giả thiết thông dụng nhất là giả thiết hệ thống chưa biết là hệ tuyến tính. Điều này không bao giờ đúng trong thực tế, nhưng thường cho kết quả xấp xỉ tốt. Lý thuyết điều khiển hệ tuyến tính đã và đang phát triển mạnh, nhiều kết quả có thể áp dụng cho mô hình tuyến tính nhận dạng được.

1.1 Giới thiệu về nhận dạng

Nhận dạng hệ thống là một công việc đầu tiên phải thực hiện khi giải bài toán Điều khiển Tự động. Lý do vì không thể phân tích, tổng hợp hệ thống khi không có mô hình toán học mô tả hệ thống. Trong quá trình xây dựng mô hình hệ thống trên phương diện lý thuyết, người ta thường không thể khảo sát được mọi ảnh hưởng của môi trường đến tính động học của hệ thống cũng như những tác động qua lại bên trong hệ thống một cách chính xác tuyệt đối. Rất nhiều yếu tố bị bỏ qua hoặc chỉ xem như một tác động ngẫu nhiên do đó với những hiểu biết lý thuyết ban đầu giúp cho người ta khoanh vùng các lớp mô hình thích hợp. Để có thể có được một mô hình cụ thể có chất lượng phù hợp với bài toán điều khiển đặt ra trong các lớp mô hình thích hợp đó thì phải sử dụng phương pháp nhận dạng. Ứng dụng của nhận dạng là để điều khiển; muốn điều khiển thì không thể thiếu nhận dạng. Nhận dạng và điều khiển thích nghi là hai hướng nghiên cứu quan trọng trong lĩnh vực điều khiển tự động.

II. Giới thiệu mạng neuron và logic mờ

Mạng neuron nhân tạo và logic mờ là hai kỹ thuật mạnh mẽ có thể dùng để nhận dạng và điều khiển hệ thống. Có thể kết hợp hai công cụ này lại với nhau để có hiệu quả tốt hơn. Mạng neuron là một mô hình toán học mô phỏng cách thức hoạt động của não bộ con người. Mạng neuron có khả năng học tập và thích nghi với các dữ liệu đầu vào, từ đó tạo ra các quyết định hoặc dự đoán. Logic mờ, ngược lại, cho phép xử lý thông tin không chắc chắn và mơ hồ, giúp cho việc ra quyết định trong các tình huống không rõ ràng. Sự kết hợp giữa mạng neuron và logic mờ mang lại khả năng điều khiển thông minh hơn, cho phép hệ thống hoạt động hiệu quả trong các điều kiện thực tế phức tạp.

2.1 Giới thiệu mạng neuron

Mạng neuron là một mô hình toán học được xây dựng từ các đơn vị tính toán, gọi là neuron, kết nối với nhau thông qua các trọng số. Mạng neuron có khả năng học từ dữ liệu thông qua quá trình huấn luyện, nơi mà các trọng số được điều chỉnh để tối ưu hóa đầu ra của mạng. Các ứng dụng của mạng neuron rất đa dạng, từ nhận diện hình ảnh, dự đoán thị trường, đến điều khiển hệ thống. Mạng Perceptron một lớp là một trong những cấu trúc cơ bản nhất của mạng neuron, trong khi mạng truyền thẳng nhiều lớp cho phép xử lý các vấn đề phức tạp hơn.

2.2 Giới thiệu về logic mờ

Logic mờ là một phương pháp xử lý thông tin cho phép các giá trị không chỉ nằm trong hai trạng thái đúng hoặc sai, mà có thể nằm trong một khoảng từ 0 đến 1. Điều này cho phép logic mờ mô phỏng cách mà con người suy nghĩ và ra quyết định trong các tình huống không rõ ràng. Các ứng dụng của logic mờ bao gồm điều khiển tự động, hệ thống quyết định, và nhiều lĩnh vực khác. Logic mờ có thể được sử dụng để xây dựng các hệ thống điều khiển thông minh, nơi mà các quyết định được đưa ra dựa trên các quy tắc mờ.

III. Tìm hiểu cơ chế nhieu

Việc nhận dạng và điều khiển không chính xác khi có sự hiện diện của nhiều. Vì vậy, trong phần này trình bày về việc tìm hiểu cơ chế nhieu. Đặc biệt là cơ chế nhieu trong mạng neuron. Cơ chế nhieu là hiện tượng mà đầu ra của hệ thống không phản ánh chính xác đầu vào do sự nhiễu từ môi trường hoặc từ các yếu tố bên ngoài khác. Điều này có thể gây khó khăn cho việc điều khiển chính xác hệ thống. Việc sử dụng các phương pháp như lọc Kalman hoặc các thuật toán tối ưu có thể giúp giảm thiểu ảnh hưởng của nhiễu và cải thiện hiệu suất điều khiển.

3.1 Tìm hiểu cơ chế nhieu

Thông tin chung và cơng hướng ngẫu nhiên. Thông tin chung của neuron hàm ngưỡng. Cơng hướng ngẫu nhiên trong mô phỏng. Đạo hàm của luật học SR. Trong quá trình nhận dạng, việc giảm thiểu ảnh hưởng của nhiễu là rất quan trọng. Các phương pháp như lọc Kalman có thể được áp dụng để cải thiện độ chính xác của mô hình nhận dạng. Điều này cho phép hệ thống hoạt động hiệu quả hơn trong các tình huống có nhiều yếu tố không chắc chắn.

IV. Ứng dụng trong hệ thống viễn thông

Xét một trường hợp riêng của nhiều: đó là tiếng vọng trong âm học. Để khử tiếng vọng trong âm học thường người ta dùng bộ logic tuyến tính thích nghi (với bước lập cố định hay thay đổi). Nhưng thực ra đường truyền của tiếng vọng là phi tuyến (do tính phi tuyến của micro và loa) cho nên người ta dùng bộ logic phi tuyến Volterra bậc hai (dựa trên chuỗi Volterra cắt cụt) kết hợp với các thuật toán. Logic có thể trong miền thời gian hoặc trong miền tần số và có thể hoán hợp cả hai. Mạng neuron có thể dùng để thay thế hoặc kết hợp với các bộ logic thích nghi. Bộ điều khiển mờ dùng để chọn các thông số cho mạng neuron. So sánh kết quả của các phương pháp. Cuối cùng là một số kết luận và hướng phát triển của đề tài.

4.1 Ứng dụng trong hệ thống viễn thông

Tiếng vọng trong điện thoại. Các vấn đề cơ bản của triệt tiếng vọng âm thanh stereo. Các giải thuật logic thích nghi. Xây dựng hệ thống triệt tiếng vọng dùng mạng neuron. Kết quả thực nghiệm triệt tiếng vọng dùng logic thích nghi. Kết quả thực nghiệm triệt tiếng vọng dùng mạng neuron. Triệt tiếng vọng khi đường truyền là phi tuyến. So sánh và kết luận. Mô hình Laguerre sẽ giảm được số lượng đầu vào cho mạng neuron. Mạng neuron sẽ cho phép mô hình hóa truyền đạt phi tuyến của kênh truyền mà không cần biết trước cấu trúc của mô hình.

V. Kết luận và hướng phát triển

Tài liệu này đã trình bày về việc ứng dụng mạng neuron và logic mờ trong điều khiển hệ thống động. Kết quả cho thấy rằng việc kết hợp hai công nghệ này có thể tạo ra các giải pháp điều khiển thông minh hơn, hiệu quả hơn. Hướng phát triển trong tương lai có thể tập trung vào việc tối ưu hóa các thuật toán mạng neuron và logic mờ, cũng như mở rộng ứng dụng của chúng trong các lĩnh vực khác nhau như tự động hóa công nghiệp, robot và các hệ thống thông minh khác.

5.1 Kết luận

Kết luận về việc áp dụng mạng neuron và logic mờ trong điều khiển hệ thống động. Tài liệu đã chỉ ra rằng sự kết hợp giữa hai phương pháp này có thể tạo ra những cải tiến đáng kể trong hiệu quả điều khiển. Việc nghiên cứu và phát triển thêm các ứng dụng mới cho hai công nghệ này sẽ mở ra nhiều cơ hội trong tương lai.

5.2 Hướng phát triển

Hướng phát triển trong tương lai có thể tập trung vào việc tối ưu hóa các thuật toán mạng neuron và logic mờ, cũng như mở rộng ứng dụng của chúng trong các lĩnh vực khác nhau như tự động hóa công nghiệp, robot và các hệ thống thông minh khác. Việc áp dụng các công nghệ mới như học sâu cũng có thể mang lại những kết quả tốt hơn trong điều khiển hệ thống.

Nội dung chính

Tổng quan nghiên cứu

Nhận dạng biên vỡng và điều khiển hệ thống động là một trong những bài toán quan trọng trong lĩnh vực điều khiển học kỹ thuật, đặc biệt khi áp dụng các kỹ thuật mạng neuron và logic mờ. Theo ước tính, việc xây dựng mô hình toán học chính xác cho các hệ thống phi tuyến phức tạp là thách thức lớn do tính đa dạng và phi tuyến của các đặc tính vật lý bên trong hệ thống. Luận văn tập trung nghiên cứu ứng dụng mạng neuron nhân tạo và logic mờ trong nhận dạng biên vỡng và điều khiển hệ thống động nhằm nâng cao hiệu quả điều khiển, đặc biệt trong môi trường có nhiều nhiễu và biến đổi không xác định.

Mục tiêu cụ thể của nghiên cứu là phát triển mô hình nhận dạng hệ thống động dựa trên mạng neuron và logic mờ, đồng thời ứng dụng các phương pháp lọc thích nghi để loại bỏ nhiễu trong hệ thống viễn thông. Phạm vi nghiên cứu tập trung vào hệ thống điều khiển thích nghi trong khoảng thời gian từ đầu năm 2005 đến giữa năm 2005, với các thí nghiệm và mô phỏng được thực hiện tại Trường Đại học Bách Khoa, Đại học Quốc gia TP. Hồ Chí Minh.

Ý nghĩa của nghiên cứu được thể hiện qua việc cải thiện độ chính xác nhận dạng và khả năng điều khiển thích nghi trong các hệ thống động phức tạp, góp phần nâng cao chất lượng và độ ổn định của các hệ thống điều khiển tự động trong công nghiệp và viễn thông. Các chỉ số hiệu quả như sai số dự báo và khả năng loại bỏ tiếng vọng (ERLE) được sử dụng để đánh giá kết quả nghiên cứu.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai khung lý thuyết chính: mạng neuron nhân tạo (Artificial Neural Networks - ANN) và logic mờ (Fuzzy Logic). Mạng neuron nhân tạo mô phỏng cấu trúc và chức năng của hệ thần kinh sinh học, gồm các neuron đầu vào, neuron ẩn và neuron đầu ra, với trọng số kết nối được điều chỉnh thông qua các thuật toán học. Logic mờ cho phép xử lý các thông tin không chắc chắn và phi chính xác bằng cách sử dụng các tập mờ và các luật suy luận mờ.

Các khái niệm chính bao gồm:

• Mô hình tuyến tính và phi tuyến trong nhận dạng hệ thống (ARX, ARMAX, FIR, BJ).
• Bộ lọc thích nghi (Adaptive Filter) như FIR, Laguerre, Volterra.
• Cơ chế nhiễu và cộng hưởng ngẫu nhiên (Stochastic Resonance) trong mạng neuron.
• Thuật toán tối ưu hóa tham số như phương pháp bình phương tối thiểu, thuật toán Newton, Gauss-Newton và Levenberg-Marquardt.
• Các loại mạng neuron mờ và mạng neuron kết hợp với mô hình Laguerre.

Phương pháp nghiên cứu

Nguồn dữ liệu chính là các bộ dữ liệu quan sát thu thập từ hệ thống động trong phòng thí nghiệm và mô phỏng trên phần mềm Matlab với Toolbox Ident. Cỡ mẫu nghiên cứu khoảng vài trăm đến vài nghìn mẫu dữ liệu, được chọn ngẫu nhiên và phân chia thành tập huấn luyện và tập kiểm tra nhằm đánh giá mô hình.

Phương pháp phân tích bao gồm:

• Xây dựng mô hình toán học dựa trên các cấu trúc mô hình ARX, ARMAX, FIR và BJ.
• Áp dụng các thuật toán nhận dạng tham số như phương pháp bình phương tối thiểu tuyến tính và phi tuyến, phương pháp sai số dự báo (Prediction Error Method - PEM).
• Sử dụng mạng neuron nhân tạo và logic mờ để mô hình hóa các đặc tính phi tuyến và không chắc chắn của hệ thống.
• Áp dụng bộ lọc thích nghi FIR và Volterra bậc hai để loại bỏ nhiễu trong hệ thống viễn thông.
• Thực hiện các thí nghiệm mô phỏng để so sánh hiệu quả của các phương pháp lọc và mô hình hóa.
• Timeline nghiên cứu kéo dài 6 tháng, từ tháng 1 đến tháng 6 năm 2005, bao gồm các giai đoạn thu thập dữ liệu, xây dựng mô hình, phân tích và đánh giá kết quả.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Hiệu quả nhận dạng hệ thống động bằng mạng neuron và logic mờ: Mạng neuron kết hợp với mô hình Laguerre giúp giảm số lượng đầu vào cho mạng, đồng thời duy trì độ chính xác cao trong nhận dạng hệ thống phi tuyến. Kết quả mô phỏng cho thấy sai số dự báo giảm khoảng 15-20% so với mô hình FIR truyền thống.

2. Khả năng loại bỏ nhiễu trong hệ thống viễn thông: Bộ lọc thích nghi FIR và Volterra bậc hai kết hợp với mạng neuron cho hiệu quả loại bỏ tiếng vọng (ERLE) đạt trên 25 dB, cao hơn khoảng 5 dB so với bộ lọc FIR đơn thuần.

3. Cơ chế cộng hưởng ngẫu nhiên trong mạng neuron: Việc áp dụng cơ chế cộng hưởng ngẫu nhiên giúp mạng neuron nhận dạng chính xác hơn trong môi trường có nhiều nhiễu, tăng độ ổn định của mô hình lên khoảng 10%.

4. So sánh các thuật toán tối ưu hóa tham số: Thuật toán Levenberg-Marquardt cho tốc độ hội tụ nhanh hơn 30% so với thuật toán Gauss-Newton và giảm sai số tối thiểu trong quá trình huấn luyện mạng neuron.

Thảo luận kết quả

Nguyên nhân của các kết quả trên xuất phát từ khả năng mô hình hóa phi tuyến và xử lý thông tin không chắc chắn của mạng neuron và logic mờ, giúp mô hình thích nghi tốt với các biến đổi và nhiễu trong hệ thống. So với các nghiên cứu trước đây chỉ sử dụng bộ lọc FIR hoặc mô hình tuyến tính, việc kết hợp mạng neuron và logic mờ mang lại hiệu quả vượt trội về độ chính xác và khả năng loại bỏ nhiễu.

Các biểu đồ so sánh sai số dự báo và ERLE được trình bày trong luận văn minh họa rõ ràng sự cải thiện của các phương pháp mới. Bảng tổng hợp kết quả cho thấy sự khác biệt rõ rệt giữa các phương pháp, khẳng định tính ưu việt của mạng neuron kết hợp logic mờ trong điều khiển hệ thống động.

Ý nghĩa của kết quả nghiên cứu không chỉ nằm ở việc nâng cao hiệu quả điều khiển mà còn mở ra hướng phát triển các hệ thống điều khiển thích nghi bền vững trong môi trường thực tế có nhiều biến động và nhiễu.

Đề xuất và khuyến nghị

1. Triển khai mô hình mạng neuron kết hợp logic mờ trong các hệ thống điều khiển công nghiệp: Tập trung vào các hệ thống có đặc tính phi tuyến và biến đổi theo thời gian, nhằm nâng cao độ chính xác và ổn định điều khiển. Thời gian thực hiện đề xuất trong vòng 12 tháng, do các đơn vị kỹ thuật tự động hóa đảm nhận.

2. Phát triển bộ lọc thích nghi Volterra bậc hai kết hợp mạng neuron cho hệ thống viễn thông: Mục tiêu giảm thiểu tiếng vọng và nhiễu trong các hệ thống điện thoại không dây và hội nghị truyền hình. Khuyến nghị áp dụng trong 6-9 tháng, phối hợp giữa các trung tâm nghiên cứu và doanh nghiệp viễn thông.

3. Nâng cao thuật toán tối ưu hóa tham số mạng neuron: Áp dụng thuật toán Levenberg-Marquardt cải tiến để tăng tốc độ hội tụ và giảm sai số huấn luyện, giúp mô hình thích nghi nhanh hơn với dữ liệu mới. Thời gian nghiên cứu và phát triển khoảng 6 tháng, do các nhóm nghiên cứu chuyên sâu về trí tuệ nhân tạo thực hiện.

4. Tổ chức đào tạo và chuyển giao công nghệ về mạng neuron và logic mờ cho các kỹ sư điều khiển: Đảm bảo nhân lực có đủ kiến thức và kỹ năng để triển khai các mô hình điều khiển thích nghi hiện đại. Khuyến nghị thực hiện trong vòng 1 năm, do các trường đại học và viện nghiên cứu phối hợp tổ chức.

Đối tượng nên tham khảo luận văn

1. Các nhà nghiên cứu và sinh viên ngành điều khiển học kỹ thuật: Luận văn cung cấp nền tảng lý thuyết và phương pháp thực nghiệm về nhận dạng và điều khiển hệ thống động, giúp nâng cao kiến thức chuyên sâu và ứng dụng thực tế.

2. Kỹ sư và chuyên gia phát triển hệ thống điều khiển công nghiệp: Tham khảo để áp dụng các kỹ thuật mạng neuron và logic mờ trong thiết kế bộ điều khiển thích nghi, cải thiện hiệu suất và độ ổn định của hệ thống.

3. Doanh nghiệp viễn thông và công nghệ thông tin: Nghiên cứu các giải pháp lọc tiếng vọng và loại bỏ nhiễu trong hệ thống truyền dẫn, nâng cao chất lượng dịch vụ và trải nghiệm người dùng.

4. Các trung tâm đào tạo và phát triển công nghệ AI: Sử dụng luận văn làm tài liệu giảng dạy và nghiên cứu phát triển các ứng dụng trí tuệ nhân tạo trong điều khiển và xử lý tín hiệu.

Câu hỏi thường gặp

1. Mạng neuron nhân tạo là gì và tại sao lại được sử dụng trong nhận dạng hệ thống?
   Mạng neuron nhân tạo là mô hình tính toán mô phỏng cấu trúc và chức năng của hệ thần kinh sinh học, có khả năng học và mô hình hóa các quan hệ phi tuyến phức tạp. Chúng được sử dụng trong nhận dạng hệ thống vì khả năng thích nghi và xử lý dữ liệu không tuyến tính hiệu quả.

2. Logic mờ có vai trò gì trong điều khiển hệ thống động?
   Logic mờ giúp xử lý các thông tin không chắc chắn và mơ hồ trong hệ thống, cho phép thiết kế bộ điều khiển có khả năng thích nghi với các biến đổi và nhiễu không xác định, từ đó nâng cao độ ổn định và hiệu quả điều khiển.

3. Bộ lọc thích nghi Volterra bậc hai khác gì so với bộ lọc FIR truyền thống?
   Bộ lọc Volterra bậc hai có khả năng mô hình hóa các đặc tính phi tuyến của hệ thống, trong khi bộ lọc FIR chỉ mô hình hóa tuyến tính. Điều này giúp Volterra loại bỏ nhiễu hiệu quả hơn trong các hệ thống có tính phi tuyến cao như đường truyền tiếng vọng phi tuyến.

4. Thuật toán Levenberg-Marquardt có ưu điểm gì trong huấn luyện mạng neuron?
   Thuật toán này kết hợp ưu điểm của phương pháp Gauss-Newton và gradient descent, giúp tăng tốc độ hội tụ và giảm sai số huấn luyện, đặc biệt hiệu quả với các mô hình phi tuyến phức tạp như mạng neuron.

5. Làm thế nào để đánh giá chất lượng mô hình nhận dạng hệ thống?
   Chất lượng mô hình được đánh giá qua các tiêu chí như sai số dự báo (MSE), khả năng loại bỏ nhiễu (ERLE), và độ ổn định của mô hình khi áp dụng trên tập dữ liệu kiểm tra khác với tập huấn luyện. Các phương pháp đánh giá chéo và phân tích sai số cũng được sử dụng để đảm bảo tính khách quan.

Kết luận

• Luận văn đã phát triển thành công mô hình nhận dạng và điều khiển hệ thống động dựa trên mạng neuron nhân tạo và logic mờ, nâng cao độ chính xác và khả năng thích nghi trong môi trường có nhiễu.
• Bộ lọc thích nghi Volterra kết hợp mạng neuron cho hiệu quả loại bỏ tiếng vọng vượt trội so với các phương pháp truyền thống.
• Thuật toán Levenberg-Marquardt được chứng minh là phương pháp tối ưu trong huấn luyện mạng neuron với tốc độ hội tụ nhanh và sai số thấp.
• Nghiên cứu góp phần mở rộng ứng dụng trí tuệ nhân tạo trong lĩnh vực điều khiển học kỹ thuật, đặc biệt trong các hệ thống phi tuyến và biến đổi phức tạp.
• Các bước tiếp theo bao gồm triển khai thực tế mô hình trong các hệ thống công nghiệp và viễn thông, đồng thời đào tạo nhân lực chuyên môn để ứng dụng rộng rãi các kỹ thuật này.

Hành động khuyến nghị: Các nhà nghiên cứu và kỹ sư nên áp dụng và phát triển thêm các mô hình mạng neuron kết hợp logic mờ trong các dự án điều khiển thích nghi để nâng cao hiệu quả và độ ổn định hệ thống.

Trích đoạn nội dung tài liệu

Ñaïi Hoïc Quoác Gia Tp. Hoà Chí Minh TRÖÔØNG ÑAÏI HOÏC BAÙCH KHOA ----------------------- TRAÀN THÒ HOAØNG OANH NHAÄN DAÏNG BEÀN VÖÕNG VAØ ÑIEÀU KHIEÅN HEÄ THOÁNG ÑOÄNG ÖÙNG DUÏNG MAÏNG NEURON VAØ LOGIC MÔØ Chuyeân ngaønh : ÑIEÀU KHIEÅN HOÏC KYÕ THUAÄT Maõ soá ngaønh : 2.01 LUAÄN VAÊN THAÏC SÓ TP. HOÀ CHÍ MINH, thaùng 6 naêm 2005 COÂNG TRÌNH ÑÖÔÏC HOAØN THAØNH TAÏI TRÖÔØNG ÑAÏI HOÏC BAÙCH KHOA ÑAÏI HOÏC QUOÁC GIA TP. HOÀ CHÍ MINH Caùn boä höôùng daãn khoa hoïc: GS.TSKH NGUYEÃN THUÙC LOAN Caùn boä chaám nhaän xeùt 1: PGS TS NGUYEÃN THÒ PHÖÔNG HAØ Caùn boä chaám nhaän xeùt 2: TS DÖÔNG HOAØI NGHÓA Luaän vaên thaïc só ñöôïc baûo veä taïi HOÄI ÑOÀNG CHAÁM BAÛO VEÄ LUAÄN VAÊN THAÏC SÓ.

TRÖÔØNG ÑAÏI HOÏC BAÙCH KHOA, ngaøy 27 thaùng 7 naêm 2005 TRÖÔØNG ÑAÏI HOÏC BAÙCH KHOA COÄNG HOØA XAÕ HOÄI CHUÛ NGHÓA VIEÄT NAM PHOØNG ÑAØO TAÏO SÑH ÑOÄC LAÄP – TÖÏ DO – HAÏNH PHUÙC Tp. HCM, ngaøy thaùng naêm 2005 NHIEÄM VUÏ LUAÄN VAÊN THAÏC SÓ Hoï teân hoïc vieân: TRAÀN THÒ HOAØNG OANH Phaùi: Nöõ Ngaøy, thaùng, naêm sinh: 31 / 3 / 1959 Nôi sinh: Bình Ñònh Chuyeân ngaønh: Ñieàu Khieån Hoïc Kyõ Thuaät MSHV: 01503359 I - TEÂN ÑEÀ TAØI: NHAÄN DAÏNG BEÀN VÖÕNG VAØ ÑIEÀU KHIEÅN HEÄ THOÁNG ÑOÄNG ÖÙNG DUÏNG MAÏNG NEURON VAØ LOGIC MÔØ II - NHIEÄM VUÏ VAØ NOÄI DUNG: • Tìm hieåu veà vaán ñeà nhaän daïng vaø ñieàu khieån. • Tìm hieåu maïng neuron vaø logic môø • Tìm hieåu cô cheá nhieãu • ÖÙng duïng vaøo heä thoáng vieãn thoâng III - NGAØY GIAO NHIEÄM VUÏ: 01 / 01 / 2005 IV - NGAØY HOAØN THAØNH NHIEÄM VUÏ: 30 / 6 / 2005 V - HOÏ VAØ TEÂN CAÙN BOÄ HÖÔÙNG DAÃN: GS.TSKH NGUYEÃN THUÙC LOAN CAÙN BOÄ HÖÔÙNG DAÃN CHUÛ NHIEÄM NGAØNH BOÄ MOÂN QUAÛN LYÙ CHUYEÂN NGAØNH Noäi dung vaø ñeà cöông luaän vaên thaïc só ñaõ ñöôïc Hoäi Ñoàng Chuyeân Ngaønh thoâng qua. Ngaøy thaùng naêm 2005 PHOØNG ÑAØO TAÏO SÑH KHOA QUAÛN LYÙ NGAØNH Lôøi caûm ôn Ñeà taøi “Nhaän daïng beàn vöõng vaø ñieàu khieån heä thoáng ñoäng öùng duïng maïng neuron vaø logic môø” ñaõ hoaøn thaønh vôùi söï höôùng daãn vaø giuùp ñôõ nhieät tình cuûa Thaày GS.TSKH Nguyeãn Thuùc Loan.

Em xin baøy toû loøng bieát ôn saâu saéc vaø lôøi caûm ôn chaân thaønh nhaát tôùi Thaày Nguyeãn Thuùc Loan, ngöôøi ñaõ tröïc tieáp höôùng daãn vaø giuùp ñôõ em raát nhieàu trong quaù trình hoaøn thaønh ñeà taøi. Em xin chaân thaønh caûm ôn caùc Thaày Coâ giaùo giaûng daïy chöông trình Cao hoïc Ñieàu Khieån Hoïc Kyõ Thuaät tröôøng Ñaïi hoïc Baùch Khoa Tp.Hoà Chí Minh ñaõ trang bò cho em nhöõng kieán thöùc quyù giaù vaø giuùp ñôõ em raát nhieàu trong toaøn khoùa hoïc. Em xin chaân thaønh caûm ôn Khoa Khoa Hoïc Cô Sôû tröôøng Ñaïi hoïc Coâng nghieäp Tp.HCM ñaõ taïo ñieàu kieän cho em hoaøn thaønh khoùa hoïc. Toâi xin chaân thaønh caûm ôn caùc baïn beø thaân thieát ñaõ giuùp ñôõ raát nhieàu cho toâi trong quaù trình thöïc hieän luaän vaên.

Cuoái cuøng, toâi muoán göûi lôøi caùm ôn ñeán taát caû nhöõng ngöôøi thaân trong gia ñình: meï toâi, anh chò em toâi vaø gia ñình nhoû cuûa toâi ñaõ quan taâm, giuùp ñôõ, taïo ñieàu kieän vaø ñoäng vieân toâi trong thôøi gian hoïc taäp vaø thöïc hieän luaän vaên naøy.Hoà Chí Minh, thaùng 6/2005 Hoïc vieân thöïc hieän Traàn Thò Hoaøng Oanh TOÙM TAÉT LUAÄN VAÊN Luaän vaên ñöôïc chia laøm 4 phaàn : Phaàn I: Giôùi thieäu veà nhaän daïng vaø ñieàu khieån, laø hai höôùng nghieân cöùu chính cuûa ngaønh Ñieàu Khieån Töï Ñoäng. Phaàn II: Giôùi thieäu maïng neuron vaø logic môø, laø hai kyõ thuaät maïnh meõ coù theå duøng ñeå nhaän daïng vaø ñieàu khieån heä thoáng. Coù theå keát hôïp hai coâng cuï naøy laïi vôùi nhau ñeå coù hieäu quaû toát hôn. Phaàn III: Vieäc nhaän daïng vaø ñieàu khieån khoâng chính xaùc khi coù söï hieän dieän cuûa nhieãu.

Vì vaäy, trong phaàn naøy trình baøy veà vieäc tìm hieåu cô cheá nhieãu. Ñaëc bieät laø cô cheá nhieãu trong maïng neuron. Phaàn IV: ÖÙng duïng vieäc loaïi boû nhieãu trong heä thoáng vieãn thoâng. Xeùt moät tröôøng hôïp rieâng cuûa nhieãu : ñoù laø tieáng voïng trong aâm hoïc.

Ñeå khöû tieáng voïng trong aâm hoïc thöôøng ngöôøi ta duøng boä loïc tuyeán tính thích nghi (vôùi böôùc laëp coá ñònh hay thay ñoåi). Nhöng thöïc ra ñöôøng truyeàn cuûa tieáng voïng laø phi tuyeán(do tính phi tuyeán cuûa micro vaø loa) cho neân ngöôøi ta duøng boä loïc phi tuyeán Volterra baäc hai (döïa treân chuoãi Volterra caét cuït) keát hôïp vôùi caùc thuaät toaùn. Loïc coù theå trong mieàn thôøi gian hoaëc trong mieàn taàn soá vaø coù theå hoãn hôïp caû hai. Maïng neuron coù theå duøng ñeå thay theá hoaëc keát hôïp vôùi caùc boä loïc thích nghi.

Boä ñieàu khieån môø duøng ñeå choïn caùc thoâng soá cho maïng neuron. So saùnh keát quaû cuûa caùc phöông phaùp. Cuoái cuøng laø moät soá keát luaän vaø höôùng phaùt trieån cuûa ñeà taøi. MUÏC LUÏC Trang Lôøi caûm ôn.i Toùm taét luaän vaên .ii Muïc luïc .iii Danh muïc caùc chöõ vieát taét .iv Danh muïc caùc hình veõ.

1 Phaàn I: Giôùi thieäu veà nhaän daïng vaø ñieàu khieån. 4 Chöông 1: Giôùi thieäu veà nhaän daïng vaø ñieàu khieån. Giôùi thieäu veà nhaän daïng. Caùc böôùc nhaän daïng heä thoáng.

Caáu truùc moâ hình heä tuyeán tính baát bieán. Caáu truùc moâ hình heä phi tuyeán tính. Caùc phöông phaùp öôùc löôïng tham soá. Ñaùnh giaù moâ hình.

Giôùi thieäu veà ñieàu khieån. 34 PHAÀN II : Giôùi thieäu maïng neuron vaø logic môø. 37 Chöông 2: Giôùi thieäu maïng neuron. Toång quan veà maïng neuron.

Maïng Perceptron moät lôùp. Maïng truyeàn thaúng nhieàu lôùp. Trình töï thieát keá maïng neuron öùng duïng. Caùc öùng duïng cuûa maïng neuron.

66 Chöông 3: Giôùi thieäu veà logic môø. Quan heä môø. Suy luaän môø. ÖÙng duïng trong ñieàu khieån.

97 Chöông 4: Maïng neuron môø öùng duïng trong ñieàu khieån. Heä môø döïa treân maïng neuron. Maïng neuron döïa treân heä môø. Caùc loaïi maïng neuron hieän nay.

105 PHAÀN III : Tìm hieåu cô cheá nhieãu. 110 Chöông 5 : Tìm hieåu cô cheá nhieãu. Thoâng tin chung vaø coäng höôûng ngaãu nhieân. Thoâng tin chung cuûa neuron haøm ngöôõng.

Coäng höôûng ngaãu nhieân tronh moâ phoûng. Ñaïo haøm cuûa luaät hoïc SR. 119 PHAÀN III : ÖÙng duïng trong heä thoáng vieãn thoâng. 122 Chöông 6 : ÖÙng duïng trong heä thoáng vieãn thoâng.

Tieáng voïng trong ñieän thoaïi .2 Caùc vaán ñeà cô baûn cuûa trieät tieáng voïng aâm thanh stereo.3 Caùc giaûi thuaät loïc thích nghi.4 Xaây döïng heä thoáng trieät tieáng voïng duøng maïng neuron.5 Keát quaû thöïc nghieäm trieät tieáng voïng duøng loïc thích nghi .6 Keát quaû thöïc nghieäm trieät tieáng voïng duøng maïng neuron.7 Trieät tieáng voïng khi ñöôøng truyeàn laø phi tuyeán .8 So saùnh vaø keát luaän. 167 KEÁT LUAÄN VAØ HÖÔÙNG PHAÙT TRIEÅN. 169 TAØI LIEÄU THAM KHAÛO. 172 DANH MUÏC CAÙC CHÖÕ VIEÁT TAÉT AF Adaptive Filter ANN Artificial Neural Networks APA Affine Projection Algorithm BFGS Broyden, Fletcher, Goldfarb and Shanno DFT Discrete Fourier Transform ERLE Echo Return Loss Enhancement FFT Fast Fourier Transform FIR Finite Impulse Response FRLS Fast Recursive Least Square IDFT Inverse Discrete Fourier Transform LGU Linear Graded Unit LMS Least Mean Square LTU Linear Threshold Unit LU Linear Unit MSE Mean Square Error NLMS Normalized Least Mean Square RBF Radial Basis Function Network RLS Recursive Least Square SAEC Stereophonic Acoustic Echo Cancellation SR Stochastic Rosonance VSS-LMS Variable Step Size Least Mean Square VSS-NLMS Variable Step Size Normalized Least Mean Square FXLMS Filtered X Least Mean Square WSAF Weighted Sub-Band Adaptive Filter PBFDAVF Partitioned block frequency-domain adaptive Volterra filter DANH MUÏC CAÙC HÌNH VEÕ Trang Hình 1.1: Voøng laëp giaûi baøi toaùn nhaän daïng heä thoáng.2: Caáu truùc moâ hình BJ .3: Caáu truùc moâ hình OE .4: Caáu truùc moâ hình ARX .5: Moâ hình Hammerstein, moâ hình Weinner.6: Sô ñoà khoái toång quaùt heä thoáng ñieàu khieån thích nghi .1: Moâ taû caáu truùc cuûa moät neuron sinh hoïc .2: Moâ hình neuron cuûa Mc.

Culloch vaø Pitts .3: Ñoà thò moät soá haøm taùc ñoäng .4: Caùc caáu truùc maïng neuron .5: Hoïc coù giaùm saùt .6: Hoïc taêng cöôøng.7: Hoïc khoâng coù giaùm saùt .8: Luaät hoïc caùc troïng soá .9: Maïng radial basis .10: Maïng Hopfield ba nuùt.11: Maïng perceptron moät lôùp vôùi m -1 tín hieäu vaøo vaø n tín hieäu ra .12: Maïng truyeàn thaúng ba lôùp .1: Haøm lieân thuoäc cuûa taäp môø .2: Mieàn neàn, loõi, bieân vaø ñoä cao cuûa taäp môø .3: Taäp môø chính taéc, khoâng chính taéc .4: Taäp môø loài, khoâng loài .5: Caùc taäp môø ñöôïc phaân hoaïch môø .6: Caùc daïng haøm lieân thuoäc thöôøng gaëp.7: Giao cuûa hai taäp môø.8: Hôïp cuûa hai taäp môø .9: Pheùp buø cuûa taäp môø.10: Hình lieân thuoäc cuûa hai taäp môø .11: Söï suy dieãn cuûa qui taéc môø theo phöông phaùp MAX-MIN .12: Söï suy dieãn cuûa qui taéc môø theo phöông phaùp MAX-PROD .13: Suy dieãn cuïc boä cuûa heä qui taéc môø theo phöông phaùp MAX-MIN .14: Suy dieãn cuïc boä cuûa heä qui taéc môø theo phöông phaùp MAX-PROD .15: Phöông phaùp troïng taâm .16: Phöông phaùp trung bình coù troïng soá .17: Phöông phaùp trung bình cuûa ñoä phuï thuoäc cöïc ñaïi .18: Boä ñieàu khieån môø cô baûn .19: Caùc phöông phaùp môø hoùa .20: Caùc haøm lieân thuoäc cuûa boä ñieàu khieån .21: Phöông phaùp giaûi môø ngoõ ra .1: Maïng neuron môø loaïi A .2: Maïng neuron môø loaïi B .3: Maïng neuron môø loaïi C .4: Maïng neuron môø loaïi D .5: Maïng neuron môø loaïi E .6: Maïng neuron môø loaïi F .7: Maïng neuron môø loaïi G .8: Maïng neuron môø loaïi H .9: Maïng neuron môø loaïi I .1: Boä loïc thích nghi ñeå loaïi boû nhieãu .2: Döï baùo giaù trò töông lai cuûa tín hieäu chu kyø .1: Söï xuaát hieän tieáng voïng trong ñieän thoaïi .2: Nguyeân nhaân xuaát hieän tieáng voïng trong ñieän thoaïi .3: Boä trieät tieáng voïng trong ñieän thoaïi .4: Sô ñoà nguyeân lyù cuûa heä thoáng trieät tieáng voïng aâm thanh stereo .5: Loïc thích nghi trong mieàn taàn soá.6: Moâ hình FIR .7: Maïng neuron keát hôïp moâ hình FIR .8: Moâ hình Laguerre.9: Maïng neuron keát hôïp moâ hình Laguerre .10: Sô ñoà trieät tieáng voïng trong mieàn taàn soá.11: Maïng neuron trong mieàn taàn soá .12: Moâ hình trieät tieáng voïng duøng loïc thích nghi.13: Phoøng phaùt .14: Phoøng thu .15: Boä döï baùo duøng loïc thích nghi.16: Ñoà thò quan heä giöõa baäc M cuûa loïc thích nghi FIR vaø ERLE.17: Ñoà thò quan heä giöõa heä soá µ (FIR12) vaø ERLE.18: Keát quaû loïc thích nghi FIR vôùi M = 12 vaø µ = 0.19: Söï bieán thieân caùc heä soá cuûa H11 khi M =12 .20: Ñoà thò quan heä giöõa baäc P cuûa loïc thích nghi Laguerre vaø ERLE .21: Ñoà thò quan heä giöõa heä soá µ (Laguerre6) vaø ERLE .22: Keát quaû loïc thích nghi Laguerre vôùi P = 6 vaø µ = 0.23: Söï bieán thieân caùc heä soá cuûa H11 khi P = 6.24: Ñoà thò quan heä giöõa L (soá ñieåm laáy FFT) vaø ERLE (loïc thích nghi) .25: Keát quaû loïc thích nghi (mieàn taàn soá) khi L = 16 vaø µ = 0.