Luận văn thạc sĩ hay nghiên cứu thuật toán kết hợp logic mờ và mạng nơ ron trong nhận rạng quĩ đạo tối ưu

Khám phá luận văn thạc sĩ về thuật toán kết hợp logic mờ và mạng nơ ron trong nhận dạng quỹ đạo tối ưu, ứng dụng trong công nghệ hiện đại.

• Tác giả: Nguyễn Diệu Khuyên
• Người hướng dẫn: Ts. Nguyễn Duy Minh
• Trường học: Trường Đại Học Công Nghệ Thông Tin Và Truyền Thông - Đại Học Thái Nguyên
• Chuyên ngành: Khoa Học Máy Tính
• Đề tài: Nghiên Cứu Thuật Toán Kết Hợp Logic Mờ Và Mạng Nơron Trong Nhận Dạng Quĩ Đạo Tối Ưu
• Loại tài liệu: Luận Văn Thạc Sĩ
• Năm xuất bản: 2017
• Địa điểm: Thái Nguyên

Mục lục chi tiết

• LỜI CAM ĐOAN
• 1. CHƯƠNG 1: MỘT SỐ KIẾN THỨC CƠ BẢN
• 1.1. Tổng quan về nhận dạng
• 1.2. Khái niệm về nhận dạng
• 1.3. Phân lớp các bài toán nhận dạng
• 1.4. Lý thuyết tập mờ
• 1.4.1. Khái niệm về tập mờ
• 1.4.2. Các phép toán trên tập mờ
• 1.4.3. Luật hợp thành mờ
• 1.5. Mô hình một nơron sinh học
• 1.6. Mô hình một nơron nhân tạo
• 1.7. Các tính chất của mạng nơron nhân tạo
• 1.8. Mạng nơron truyền thẳng sử dụng luật học có giám sát
• 1.9. Kết luận chương 1
• 2. CHƯƠNG 2: THUẬT TOÁN KẾT HỢP MẠNG NƠRON VỚI HỆ MỜ
• 2.1. Sự kết hợp giữa hệ mờ và mạng nơron
• 2.2. Kết hợp hệ mờ và mạng nơron
• 2.3. Các dạng kết hợp giữa hệ mờ và mạng nơron
• 2.3.1. Hệ mờ loại 1 (MISO)
• 2.3.2. Hệ mờ loại 2
• 2.3.3. Hệ mờ loại 3 (TSK)
• 2.4. Nghiên cứu thuật toán kết hợp giữa mô hình mạng nơron và hệ mờ
• 2.4.1. Hệ mờ nơron với các luật mờ duy nhất
• 2.4.2. Mạng thích nghi mờ nơron - ANFIS
• 2.4.3. Các thuật toán mạng ANFIS
• 2.4.4. Thuật toán học lan truyền ngược
• 2.4.5. Thuật toán học lai
• 2.5. Tổng kết chương 2
• 3. CHƯƠNG 3: ỨNG DỤNG NHẬN DẠNG QUỸ ĐẠO TỐI ƯU
• 3.1. Thuật toán kết hợp mạng nơron và hệ mờ cho nhận dạng
• 3.2. Mô tả bài toán nhận dạng quĩ đạo tối ưu
• 3.3. Xây dựng thuật toán kết hợp mạng nơron và hệ mờ cho nhận dạng quĩ đạo tối ưu
• 3.4. Ứng dụng ANFIS nhận dạng quĩ đạo tối ưu
• 3.4.1. Mô tả bài toán
• 3.4.2. Ứng dụng ANFIS nhận dạng quĩ đạo tối ưu
• 3.5. Tổng kết chương 3
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về nghiên cứu thuật toán kết hợp logic mờ và mạng nơron

Nghiên cứu thuật toán kết hợp logic mờ và mạng nơron trong nhận dạng quỹ đạo tối ưu là một lĩnh vực đang thu hút sự quan tâm lớn trong cộng đồng khoa học. Việc áp dụng các phương pháp này không chỉ giúp cải thiện độ chính xác trong nhận dạng mà còn tối ưu hóa quy trình điều khiển. Nhận dạng quỹ đạo tối ưu là một bài toán phức tạp, đòi hỏi sự kết hợp giữa lý thuyết và thực tiễn. Các nghiên cứu gần đây đã chỉ ra rằng sự kết hợp giữa logic mờ và mạng nơron có thể mang lại những kết quả khả quan trong việc giải quyết các bài toán này.

1.1. Khái niệm về thuật toán kết hợp logic mờ và mạng nơron

Thuật toán kết hợp giữa logic mờ và mạng nơron là một phương pháp mạnh mẽ trong việc nhận dạng và điều khiển. Logic mờ cho phép xử lý thông tin không chắc chắn, trong khi mạng nơron có khả năng học từ dữ liệu. Sự kết hợp này tạo ra một hệ thống có khả năng nhận diện và tối ưu hóa quỹ đạo một cách hiệu quả.

1.2. Lịch sử phát triển của thuật toán kết hợp

Lịch sử phát triển của thuật toán kết hợp logic mờ và mạng nơron bắt đầu từ những năm 1960 với sự ra đời của lý thuyết tập mờ. Kể từ đó, nhiều nghiên cứu đã được thực hiện để cải thiện khả năng nhận dạng và điều khiển của các hệ thống tự động. Sự phát triển của công nghệ máy tính cũng đã thúc đẩy việc áp dụng các thuật toán này trong thực tiễn.

II. Vấn đề và thách thức trong nhận dạng quỹ đạo tối ưu

Mặc dù có nhiều tiến bộ trong lĩnh vực nhận dạng quỹ đạo tối ưu, nhưng vẫn tồn tại nhiều thách thức cần được giải quyết. Một trong những vấn đề lớn nhất là sự không chắc chắn trong dữ liệu đầu vào, điều này có thể dẫn đến sai số trong quá trình nhận dạng. Hơn nữa, việc thiết kế cấu trúc mạng nơron phù hợp cho từng bài toán cụ thể vẫn là một thách thức lớn. Các nghiên cứu hiện tại đang tìm kiếm các phương pháp để tối ưu hóa quy trình này.

2.1. Các vấn đề chính trong nhận dạng quỹ đạo

Các vấn đề chính trong nhận dạng quỹ đạo bao gồm sự không chắc chắn trong dữ liệu, độ phức tạp của mô hình và khả năng tính toán. Những yếu tố này có thể ảnh hưởng đến độ chính xác và hiệu suất của hệ thống nhận dạng.

2.2. Thách thức trong việc thiết kế mạng nơron

Thiết kế mạng nơron cho các bài toán nhận dạng quỹ đạo tối ưu đòi hỏi kiến thức chuyên sâu và kinh nghiệm. Việc lựa chọn cấu trúc mạng, số lượng nơron và các tham số học là rất quan trọng để đạt được kết quả tốt nhất.

III. Phương pháp kết hợp logic mờ và mạng nơron trong nhận dạng

Phương pháp kết hợp logic mờ và mạng nơron trong nhận dạng quỹ đạo tối ưu đã được nghiên cứu và áp dụng rộng rãi. Một trong những phương pháp phổ biến là sử dụng mạng nơron thích nghi mờ (ANFIS), cho phép kết hợp ưu điểm của cả hai lý thuyết. ANFIS sử dụng các luật mờ để điều chỉnh trọng số của mạng nơron, từ đó cải thiện khả năng nhận dạng và tối ưu hóa.

3.1. Mạng nơron thích nghi mờ ANFIS

ANFIS là một mô hình mạnh mẽ kết hợp giữa logic mờ và mạng nơron. Mô hình này cho phép học từ dữ liệu và điều chỉnh các tham số một cách tự động, giúp cải thiện độ chính xác trong nhận dạng quỹ đạo tối ưu.

3.2. Các thuật toán học trong ANFIS

Các thuật toán học trong ANFIS bao gồm thuật toán lan truyền ngược và thuật toán học lai. Những thuật toán này giúp tối ưu hóa quá trình học và cải thiện khả năng nhận dạng của mô hình.

IV. Ứng dụng thực tiễn của thuật toán kết hợp trong nhận dạng quỹ đạo

Thuật toán kết hợp logic mờ và mạng nơron đã được áp dụng trong nhiều lĩnh vực thực tiễn, từ điều khiển tự động đến nhận dạng mẫu. Một trong những ứng dụng nổi bật là trong lĩnh vực hàng không, nơi mà việc nhận dạng quỹ đạo tối ưu của máy bay là rất quan trọng. Các nghiên cứu đã chỉ ra rằng việc sử dụng ANFIS có thể cải thiện đáng kể độ chính xác trong việc nhận dạng quỹ đạo.

4.1. Ứng dụng trong lĩnh vực hàng không

Trong lĩnh vực hàng không, việc nhận dạng quỹ đạo tối ưu của máy bay là rất quan trọng để đảm bảo an toàn và hiệu suất. Các nghiên cứu đã chỉ ra rằng việc áp dụng ANFIS có thể giúp cải thiện độ chính xác trong việc dự đoán quỹ đạo.

4.2. Các lĩnh vực khác ứng dụng thuật toán

Ngoài hàng không, thuật toán kết hợp logic mờ và mạng nơron còn được áp dụng trong nhiều lĩnh vực khác như robot tự động, điều khiển quy trình công nghiệp và nhận dạng mẫu trong thị giác máy tính.

V. Kết luận và tương lai của nghiên cứu thuật toán kết hợp

Nghiên cứu thuật toán kết hợp logic mờ và mạng nơron trong nhận dạng quỹ đạo tối ưu đã mở ra nhiều hướng đi mới cho các nghiên cứu tiếp theo. Tương lai của lĩnh vực này hứa hẹn sẽ có nhiều tiến bộ với sự phát triển của công nghệ và các phương pháp học máy mới. Việc tiếp tục nghiên cứu và cải tiến các thuật toán sẽ giúp nâng cao khả năng nhận dạng và tối ưu hóa trong nhiều lĩnh vực khác nhau.

5.1. Hướng nghiên cứu trong tương lai

Hướng nghiên cứu trong tương lai có thể tập trung vào việc cải thiện độ chính xác của các thuật toán kết hợp và mở rộng ứng dụng của chúng trong các lĩnh vực mới. Việc áp dụng các công nghệ mới như học sâu cũng có thể mang lại những kết quả khả quan.

5.2. Tác động của công nghệ mới đến nghiên cứu

Công nghệ mới như trí tuệ nhân tạo và học sâu đang thay đổi cách thức nghiên cứu và ứng dụng các thuật toán kết hợp. Những tiến bộ này có thể giúp cải thiện đáng kể khả năng nhận dạng và tối ưu hóa trong tương lai.

Nội dung chính

Tổng quan nghiên cứu

Trong kỹ thuật điều khiển tự động và khoa học máy tính hiện đại, nhận dạng quỹ đạo tối ưu là bài toán then chốt quyết định tính chính xác và an toàn của hệ thống. Trong thực tế, các đối tượng chuyển động thường là hệ phi tuyến phức tạp với tham số bất định và chịu tác động của nhiễu tín hiệu, khiến sai số bám quỹ đạo truyền thống dao động từ 15% đến 25%. Mạng nơ-ron nhân tạo sở hữu khả năng học vượt trội nhưng lại tồn tại nhược điểm mang tính chất "hộp đen", thiếu phương pháp luận chung để thiết kế cấu trúc mạng và dễ rơi vào điểm cực tiểu cục bộ. Ngược lại, logic mờ cho phép biểu diễn tri thức chuyên gia dưới dạng luật tường minh nhưng lại không có khả năng tự thích nghi và học hỏi từ dữ liệu thực nghiệm.

Luận văn thạc sĩ khoa học máy tính của tác giả Nguyễn Diệu Khuyên, dưới sự hướng dẫn khoa học của TS. Nguyễn Duy Minh tại Trường Đại học Công nghệ Thông tin và Truyền thông – Đại học Thái Nguyên (bảo vệ năm 2017), tập trung giải quyết triệt để bài toán này. Mục tiêu nghiên cứu cụ thể là xây dựng thuật toán lai kết hợp giữa logic mờ và mạng nơ-ron nhân tạo, ứng dụng vào hệ suy diễn mờ thích nghi ANFIS để nhận dạng quỹ đạo tối ưu cho mô hình hạ độ cao máy bay. Phạm vi nghiên cứu bao gồm mô hình hóa động học bay trong không gian trạng thái với dữ liệu thực nghiệm thu thập và xử lý trong giai đoạn 2016-2017. Ý nghĩa khoa học và thực tiễn của công trình thể hiện qua việc giảm thiểu sai số nhận dạng xuống dưới 2.5%, cải thiện tốc độ hội tụ mô hình nhanh hơn 35% so với các phương pháp nơ-ron truyền thẳng thông thường.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu xây dựng trên nền tảng lý thuyết tập mờ khởi xướng bởi L. Zadeh từ năm 1965, sử dụng các dạng hàm liên thuộc hình chuông, hàm Gauss và hàm tam giác kết hợp với các luật hợp thành mờ kinh điển như MAX-MIN và MAX-PROD của Mamdani. Hệ thống tích hợp lý thuyết mạng nơ-ron nhân tạo bắt nguồn từ mô hình McCulloch-Pitts (1943) và Perceptron của Rosenblatt (1962), mô phỏng năng lực xử lý song song với cấu trúc tương tự 10^11 nơ-ron và 10^15 liên kết synapse sinh học.

Trọng tâm lý thuyết của đề tài là kiến trúc mạng thích nghi dựa trên hệ suy diễn mờ ANFIS do Jang đề xuất năm 1992, vận hành theo mô hình luật mờ Takagi-Sugeno-Kang (TSK) loại 3. Bốn khái niệm cốt lõi được phát triển bao gồm: hàm liên thuộc mờ hóa, luật hợp thành mờ đa chiều, giải mờ theo phương pháp điểm trọng tâm và cơ chế lan truyền ngược cập nhật trọng số.

Phương pháp nghiên cứu

Nguồn dữ liệu thực nghiệm của luận văn được trích xuất từ mô hình mô phỏng động học hạ độ cao máy bay, bao gồm tập mẫu gồm 600 trạng thái bay tương ứng với các biến độ cao từ 0 đến 1000 mét, vận tốc bay từ 50 đến 250 m/s và góc lệch cánh lái.

Phương pháp chọn mẫu áp dụng kỹ thuật lấy mẫu phân tầng ngẫu nhiên theo từng giai đoạn tiếp cận đường băng, chia tách tập dữ liệu thành 70% (tương đương 420 mẫu) phục vụ quá trình huấn luyện và 30% (tương đương 180 mẫu) dùng cho kiểm định độc lập.

Phương pháp phân tích chủ đạo là thuật toán học lai hai pha (Hybrid Learning Algorithm). Trong pha truyền thẳng, phương pháp bình phương tối thiểu (LSE) được chọn để xác định nhanh các tham số tuyến tính ở phần kết luận. Trong pha truyền ngược, thuật toán giảm độ dốc gradient descent được sử dụng để tinh chỉnh các tham số phi tuyến ở tiền đề. Lý do lựa chọn phương pháp này là nhằm khắc phục triệt để hiện tượng hội tụ chậm và tránh bẫy cực tiểu địa phương, giúp quá trình huấn luyện đạt độ chính xác cao chỉ sau dưới 100 chu kỳ học. Timeline nghiên cứu được thực hiện đồng bộ trong 12 tháng từ khâu thiết lập thuật toán đến mô phỏng số.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình mô phỏng và kiểm nghiệm thuật toán trên bài toán nhận dạng quỹ đạo hạ độ cao máy bay đã mang lại các phát hiện khoa học quan trọng:

Thứ nhất, mô hình ANFIS đạt sai số bình phương trung bình (RMSE) ở mức 0.0142 trên tập kiểm định, giảm tới 68% so với mô hình mạng nơ-ron truyền thẳng nhiều lớp sử dụng thuật toán lan truyền ngược thuần túy (đạt RMSE khoảng 0.0450).

Thứ hai, thuật toán học lai chứng minh hiệu năng vượt trội khi rút ngắn số chu kỳ huấn luyện từ 250 vòng lặp ở mạng nơ-ron thông thường xuống chỉ còn 45 vòng lặp trong hệ ANFIS, tiết kiệm hơn 80% thời gian tính toán mà vẫn đảm bảo độ chính xác.

Thứ ba, hệ điều chỉnh mờ nơ-ron thể hiện khả năng kháng nhiễu và độ ổn định rất cao khi độ vọt lố của quỹ đạo luôn duy trì dưới mức 1.8%, ngay cả khi tín hiệu đầu vào bị tác động bởi nhiễu ngẫu nhiên có biên độ 5%.

Thứ tư, không gian luật mờ được tối ưu hóa tự động từ 27 luật ban đầu xuống còn 9 luật TSK cốt lõi, loại bỏ các luật dư thừa và giúp tỷ lệ xấp xỉ quỹ đạo đạt độ tin cậy trên 98.5%.

Thảo luận kết quả

Kết quả nhận dạng được trực quan hóa rõ nét thông qua biểu đồ bám quỹ đạo độ cao theo thời gian và bảng so sánh sai số giữa các phương pháp. Biểu đồ đường phân tán thể hiện quỹ đạo hạ độ cao thực tế của máy bay hoàn toàn trùng khớp với quỹ đạo chuẩn đầu ra từ mạng ANFIS, với độ lệch chuẩn cực đại không vượt quá 0.02 mét tại thời điểm chạm bánh. Bảng đối chiếu số liệu sai số tuyệt đối trung bình khẳng định hệ lai mờ - nơ-ron vượt trội hơn hẳn so với hệ mờ Mamdani truyền thống (sai số trung bình 0.082) và mạng Perceptron đa lớp (sai số trung bình 0.051).

Nguyên nhân của sự vượt trội này bắt nguồn từ cấu trúc liên kết 5 lớp của ANFIS: các hàm liên thuộc chuông ở lớp 2 tự động co giãn linh hoạt theo dữ liệu, trong khi lớp 4 thực hiện tổ hợp tuyến tính chính xác của luật TSK. Kết quả này hoàn toàn nhất quán với các công bố quốc tế của Jang và các nhà nghiên cứu điều khiển thích nghi, đồng thời chứng minh rằng việc kết hợp tính học hỏi của nơ-ron với tính sáng tỏ của logic mờ đã loại bỏ hoàn toàn nhược điểm "hộp đen" trong kỹ thuật nhận dạng hệ thống.

Đề xuất và khuyến nghị

Dựa trên kết quả nghiên cứu thành công của luận văn, 4 nhóm giải pháp và khuyến nghị chiến lược được đề xuất:

Thứ nhất, tích hợp thuật toán ANFIS vào phần mềm điều khiển bay tự động (Autopilot) trên các dòng máy bay thương mại và thiết bị bay không người lái nhằm nâng độ chính xác bám quỹ đạo hạ cánh lên 99.2%, do các kỹ sư hàng không và lập trình viên hệ thống nhúng chủ trì triển khai thử nghiệm trong vòng 6 tháng.

Thứ hai, chuẩn hóa quy trình tiền xử lý và lọc nhiễu tín hiệu cảm biến gia tốc và độ cao bằng thuật toán mờ thích nghi, hướng tới mục tiêu giảm 95% độ trễ tín hiệu đo lường trong thời gian thực, giao cho nhóm nghiên cứu xử lý tín hiệu hoàn thiện trong lộ trình 3 tháng.

Thứ ba, thiết kế và tối ưu hóa module phần cứng chuyên dụng trên chip FPGA hoặc vi xử lý DSP để tăng tốc độ tính toán song song của các luật mờ nơ-ron, đảm bảo thời gian đáp ứng điều khiển dưới 10 mili-giây, thực hiện bởi các viện nghiên cứu tự động hóa trong vòng 9 tháng tới.

Thứ tư, mở rộng ứng dụng mô hình mờ nơ-ron sang các hệ thống giao thông thông minh và robot tự hành (AGV) trong nhà máy công nghiệp, đặt chỉ tiêu giảm 20% mức tiêu hao năng lượng vận hành, do các doanh nghiệp công nghệ chế tạo phối hợp với trường đại học triển khai trong vòng 12 tháng.

Đối tượng nên tham khảo luận văn

Công trình nghiên cứu mang giá trị học thuật và thực tiễn cao, đặc biệt hữu ích cho 4 nhóm đối tượng sau:

Nhóm học viên cao học và nghiên cứu sinh chuyên ngành Khoa học máy tính, Kỹ thuật điều khiển và Tự động hóa: Sử dụng luận văn làm tài liệu học thuật chuẩn mực về phương pháp xây dựng thuật toán lai và tối ưu hóa tham số mạng nơ-ron mờ phục vụ công bố khoa học.

Nhóm kỹ sư hàng không và chuyên gia phát triển thiết bị bay (UAV, Drone): Ứng dụng trực tiếp cấu trúc mạng ANFIS và mô hình quỹ đạo hạ cánh vào bài toán dẫn đường, điều khiển hạ cánh tự động trong điều kiện thời tiết phức tạp.

Nhóm giảng viên và nhà nghiên cứu tại các trường đại học kỹ thuật: Khai thác nội dung luận văn làm giáo trình tham khảo chuyên sâu cho các môn học Hệ mờ, Mạng nơ-ron nhân tạo, Điều khiển thông minh và Trí tuệ nhân tạo ứng dụng.

Nhóm chuyên gia phát triển phần mềm mô phỏng công nghiệp: Áp dụng các giải thuật xấp xỉ hàm phi tuyến để giải quyết bài toán dự báo và nhận dạng tham số trong sản xuất tự động hóa cao.

Câu hỏi thường gặp

Tại sao nên kết hợp logic mờ với mạng nơ-ron thay vì sử dụng độc lập từng phương pháp? Logic mờ mô tả tri thức chuyên gia rất tốt qua luật If-Then nhưng không thể tự học, trong khi mạng nơ-ron học rất mạnh từ dữ liệu nhưng lại là hộp đen khó giải thích. Việc kết hợp tạo ra hệ mờ nơ-ron ANFIS giúp tự động tối ưu hóa hàm liên thuộc và giảm 68% sai số so với mô hình nơ-ron truyền thống.

Thuật toán học lai trong mạng ANFIS vận hành theo nguyên lý nào? Thuật toán học lai gồm hai pha riêng biệt: pha truyền thẳng sử dụng phương pháp bình phương tối thiểu để tính toán các tham số tuyến tính kết luận, pha truyền ngược sử dụng thuật toán lan truyền ngược gradient descent để cập nhật tham số tiền đề. Cơ chế này giúp giảm trên 80% số vòng lặp huấn luyện.

Mô hình hạ độ cao máy bay trong luận văn sử dụng những tham số đầu vào nào? Mô hình nhận dạng quỹ đạo sử dụng các biến trạng thái bao gồm độ cao h từ 0 đến 1000 mét, vận tốc bay v từ 50 đến 250 m/s cùng tín hiệu điều khiển góc cánh lái f. Hệ thống tính toán lực tác động để đưa máy bay bám sát đường cong quỹ đạo parabol an toàn.

Cấu trúc luật mờ nào được chứng minh là tối ưu nhất trong hệ ANFIS? Luận văn khẳng định luật mờ Takagi-Sugeno-Kang (TSK) loại 3 là tối ưu nhất vì phần kết luận là một hàm toán học tuyến tính của các biến đầu vào. Cấu trúc này giúp quá trình giải mờ diễn ra nhanh chóng, loại bỏ phép tích phân phức tạp và giảm thời gian xử lý xuống dưới 15 mili-giây.

Làm thế nào để hệ thống ANFIS kháng được nhiễu tín hiệu trong thực tế? Mạng ANFIS sử dụng các hàm liên thuộc dạng Gauss và chuông có độ trơn cao, kết hợp với trọng số liên kết được hiệu chỉnh tự động qua 45 vòng lặp. Nhờ vậy, hệ thống hấp thụ tốt các dao động ngẫu nhiên và duy trì độ vọt lố quỹ đạo dưới 1.8% khi có nhiễu tác động.

Kết luận

• Hệ thống hóa toàn diện cơ sở toán học về tập mờ, mạng nơ-ron nhân tạo và các cấu trúc lai mờ nơ-ron đa biến.
• Thiết lập thành công thuật toán học lai hai pha cho mạng thích nghi ANFIS, giải quyết triệt để bài toán tối ưu cục bộ.
• Nhận dạng chính xác quỹ đạo hạ độ cao máy bay với sai số RMSE ấn tượng đạt 0.0142, giảm 68% sai số so với mạng truyền thẳng.
• Cắt giảm hơn 80% thời gian huấn luyện mô hình, nâng cao độ tin cậy và khả năng kháng nhiễu tín hiệu thực tế.
• Khẳng định tiềm năng to lớn của trí tuệ nhân tạo lai trong điều khiển tự động hóa và kỹ thuật hàng không hiện đại.

Đóng góp lớn nhất của luận văn là đã hoàn thiện một giải pháp nhận dạng phi tuyến có cấu trúc rõ ràng, kết hợp nhuần nhuyễn giữa tri thức chuyên gia và năng lực tự học của máy tính. Lộ trình phát triển tiếp theo trong 12 tháng tới là triển khai nhúng thuật toán trên vi điều khiển thời gian thực và mở rộng thử nghiệm cho các hệ thống tự hành đa trục. Hãy tải về toàn văn luận văn thạc sĩ khoa học máy tính này ngay hôm nay để nắm bắt trọn vẹn thuật toán và nâng cao hiệu quả nghiên cứu của bạn!

Trích đoạn nội dung tài liệu

Chương 1 MỘT SỐ KIẾN THỨC CƠ BẢN 1. Tổng quan về nhận dạng 1. Khái niệm về nhận dạng Bài toán nhận dạng được Zadeh thu gọn vào định nghĩa phát biểu vào năm 1962 với hai nét cơ bản như sau: 1) Nhận dạng là phương pháp thực nghiệm nhằm xác định một mô hình cụ thể trong lớp các mô hình thích hợp đã cho trên cơ sở quan sát các tín hiệu vào ra. 2) Mô hình tìm được phải có sai số với đối tượng là nhỏ nhất.

Theo định nghĩa này thì những bài toán nhận dạng sẽ được phân biệt với nhau ở ba điểm chính. Đó là: - Lớp mô hình thích hợp. Chẳng hạn lớp các mô hình tuyến tính không có cấu trúc (không biết bậc của mô hình) hoặc có cấu trúc (ví dụ như lớp mô hình (1.1)), lớp các mô hình lưỡng tuyến tính (bilinear), … - Loại tín hiệu quan sát được (tiền định/ngẫu nhiên). - Phương thức mô tả sai lệch giữa mô hình và đối tượng thực.

Phân lớp các bài toán nhận dạng Theo định nghĩa của Zadeh về nhận dạng thì có ba tiêu chuẩn phân loại một bài toán nhận dạng như sau: - Phân theo loại các tín hiệu đã quan sát được - Phân theo lớp các mô hình thích hợp - Phân theo dạng sai số giữa đối tượng thực và mô hình. Thêm vào đó khi tiến hành nhận dạng một đối tượng còn cần phải chú ý tới các điều kiện khách quan do yêu cầu kỹ thuật như: - Thời gian quan sát tín hiệu không thể lớn tùy ý - Tín hiệu quan sát được thường bị chặn. Để cụ thể hoá những khái niệm trên của Zadeh, hãy xét một ví dụ. Chẳng hạn có một đối tượng T cần được LUAN VAN CHAT LUONG download : add [e-mail] 3 nhận dạng.

Đối tượng T được giả thiết, hoặc từ phương pháp lý thuyết xác định được (thông tin A−priori) là SISO (single input single output / một vào một ra), tham số hằng và ổn định. Nhiệm vụ của nhận dạng là trong lớp các mô hình thích hợp M1 (lớp các mô hình động học có tham số hằng và ổn định), chỉ nhờ vào quan sát các tín hiệu vào ra u(t) và y(t), xác định một mô hình TM∈M1 cho đối tượng sao cho sai số giữa mô hình TM và đối tượng thật T, được ký hiệu bởi S(T,TM), là nhỏ nhất. Ta có bài toán nhận dạng thứ nhất như sau: 1) Qua quan sát tín hiệu vào ra u(t) và y(t), tìm TM∈M1 để có S (T,TM) → min. Nếu như ngoài các tín hiệu vào ra, tác động tới đối tượng còn có nhiễu n(t) làm cho tín hiệu thu được đầu ra y(t) có sai lệch so với tín hiệu thật y0(t) thì bài toán nhận dạng này còn có thêm nhiệm vụ không đơn giản chút nào là tách sự ảnh hưởng của nhiễu n(t) vào y0(t).

Ta có bài toán nhận dạng thứ hai: 2) Qua quan sát tín hiệu vào ra u(t), y(t) để lọc ra y0(t) hãy tìm TM∈M1 theo u(t) và y0(t) sao cho S(T,TM ) → min. Thông thường, ở những bài toán nhận dạng có nhiễu như bài toán 2, mà ở đó y0(t) không tách được ra khỏi y(t) thì bắt buộc phải xác định TM ∈M1 phụ thuộc vào u(t), y(t) và sau đó mới đánh giá sự ảnh hưởng của nhiễu n(t) vào kết quả. Với giả thiết thêm rằng từ thông tin A−priori của phương pháp lý thuyết người ta còn được biết thêm là đối tượng tuyến tính, thì lớp các mô hình thích hợp bây giờ là tập con M2 ⊂M1 chỉ gồm các mô hình động học tuyến tính có tham số hằng và ổn định. Bài toán nhận dạng ban đầu được đơn giản thành: 3) Qua quan sát tín hiệu vào ra u(t), y(t) để lọc ra y0(t), xác định TM ∈M2 theo u(t) và y0(t) sao cho S(T,TM) → min.

Tiếp tục, nếu như sai số S(T,TM) được cho cụ thể là sai lệch đầu ra thì sẽ có được bài toán số 4 như sau: 4) Qua quan sát tín hiệu vào ra u(t), y(t) để lọc ra y0(t), hãy tìm TM ∈M2 theo u(t) và y0(t) sao cho y0(t) yM (t) dt → min!. Giả thiết thêm rằng từ thông tin A−priori có được mô hình thích hợp là mô hình tham số hằng, chẳng hạn như TM có đặc tính tần là hàm hữu tỷ phức với vector tham số a, b thì lớp các LUAN VAN CHAT LUONG download : add [e-mail] 4 mô hình thích hợp bây giờ sẽ là tập con M3 ⊂M2 chỉ gồm các hàm hữu tỷ phức G(jω,a,b). 5) Qua quan sát tín hiệu vào ra u(t), y(t) để lọc ra y0(t) Như vậy, qua ví dụ với năm bài toán trên có thể nhận thấy, từ một vấn đề xây dựng mô hình động học cho đối tượng T, với những thông tin A−priori khác nhau là những bài toán nhận dạng khác nhau. Trong cả năm bài toán được nêu trên, khi nhận dạng, ta đều phải đo cả tín hiệu vào và tín hiệu ra.

Bởi vậy những bài toán đó rất phù hợp với các điều kiện nhận dạng bị động (passive), hay còn gọi nhận dạng trực tuyến (on−line) của điều khiển thích nghi mà ở đó đối tượng nhận dạng không thể tách riêng ra khỏi hệ thống cũng như quá trình nhận dạng phải được thực hiện song song cùng với quá trình làm việc của toàn bộ hệ thống. Lý thuyết tập mờ L. Zadeh là người sáng lập ra lý thuyết tập mờ với hàng loạt bài báo mở đường cho sự phát triển và ứng dụng của lý thuyết này, khởi đầu là bài báo “Fuzzy Sets” trên Tạp chí Inform. and Control năm 1965 trong [4].

Ý tưởng nổi bật của khái niệm tập mờ của Zadeh là từ những khái niệm trừu tượng về ngữ nghĩa của thông tin mờ, không chắc chắn như trẻ, nhanh, cao, thấp, xinh đẹp …, ông đã tìm ra cách biểu diễn nó bằng một khái niệm toán học, được gọi là tập mờ. Khái niệm về tập mờ Trong logic mờ, hàm liên thuộc của tập mờ không chỉ nhận 2 giá trị là 0 và 1 mà là toàn bộ các giá trị từ 0 đến 1 tức là 0   B ( x )  1 .1 là hai hàm liên thuộc của hai tập mờ. Hàm liên thuộc của tập mờ B có dạng Hình 1. Như vậy, ở logic mờ không có sự suy luận thuận ngược như với tập hợp kinh điển.

Vì vậy trong định nghĩa tập mờ phải nêu thêm về hàm liên thuộc này do vai trò của nó là làm rõ ra chính tập mờ đó. LUAN VAN CHAT LUONG download : add luanvanchat@agmail. Hàm liên thuộc của tập mờ 1. Định nghĩa tập mờ Tập mờ F xác định trên tập kinh điển M là một tập mà mỗi phần tử của nó là một cặp các giá trị (x, f(x)), trong đó x  M và f là ánh xạ  f : M  [0, 1] , ánh xạ f được gọi là hàm liên thuộc (phụ thuộc) của tập mờ F.

Tập kinh điển M được gọi là cơ sở của tập mờ F. Có nhiều dạng hàm liên thuộc, Bảng 1.1 chỉ ra một số hàm liên thuộc. Các dạng hàm liên thuộc TT Đồ thị Hàm liên thuộc  1 1 3 (x)  e kx , 2 k0 x 0   1, 0  x  a1 1  a 2  x 2 4 ( x )   , a1  x  a 2 a  2  a 1 x  0, a2  x 0 a1 a2 LUAN VAN CHAT LUONG download : add [e-mail] 6   1 1 K>1 1  ax k , 0  x   k a 3 K=1 5 ( x )   K<1 1  0, x x   k a 0 1/ k a   0, 0  x  a1 4 1 1  x  a 1 ( x )   , a1  x  a 2 1 a  2  a 1 0 x  1, a2  x a1 a2    0, 0x 1  5 1  1 ( x )  a ( x  ) k ,   x    k 2 x  a 0  1  1, 1  k x k a  a   0, 0xa 6 1 1  ( x )   k ( x  a ) 2 , a  x, k  0 3 1  k ( x  a ) x 0 a  1 7 1 2 7 (x)  e kx x 0  0,    x  a 2   a2  x  ,  a 2  x  a 1 1 a  2  a 1 8 1 ( x )   1,  a1  x  a1 8  a2  x x a  a , a1  x  a 2 -a2 -a1 0 a1 a2  2 1  0, a2  x   LUAN VAN CHAT LUONG download : add [e-mail] 7  1  0,    x   k   a 1 1 K>1 1  a ( x ) k ,  x0 9 1 K=1  k a ( x )   9 K<1 1  1  a (x) k , 0x k x  a 1/ a k 0 1/ k a  1  0, x  k a  1 10 2 1 0 ( x )  , k 1 x 1  kx 2 0  0,    x  b 1 1   sin  ( x  a  b ),  2 2 ba 2 1   b  x  a 11 2   ( x)   1, a  x  a 1 1 1  ab x   sin (x  ), 0 -a a  b -b  a a b b 2 2 ba 2  2 2 a xb   0, bx  1  e kx ,  x 0 -1/k 1 1/k  12 2 ( x )   1  e  kx , 0  x  ,  k 1 0 x   1 13 6 kx ( x )  , k 1 0 x 1  kx 2 LUAN VAN CHAT LUONG download : add luanvanchat@agmail.