Tổng quan nghiên cứu

Lập luận mờ và điều khiển thông minh đã trải qua hơn 50 năm phát triển kể từ khi lý thuyết tập mờ được khởi xướng vào năm 1965. Trong thực tế, các hệ thống điều khiển tự động hiện đại thường xuyên phải xử lý các bài toán lập luận mờ đa điều kiện với không gian đầu vào từ 2 đến nhiều biến số phức tạp. Tuy nhiên, các phương pháp lập luận xấp xỉ mờ truyền thống dựa trên đại số gia tử thường sử dụng các phép kết nhập như tích phân hoặc giá trị cực tiểu nhằm ép siêu mặt nhiều chiều về đường cong 2 chiều. Quá trình này dẫn đến hiện tượng đa trị và làm mất mát tới hơn 40% thông tin hình học ngữ nghĩa của mô hình ban đầu.

Mục tiêu cốt lõi của nghiên cứu là xây dựng và hoàn thiện thuật toán nội suy mang tên RBF_HAR, kết hợp sức mạnh xấp xỉ hàm vạn năng của mạng nơron hàm cơ sở bán kính RBF với cấu trúc ngữ nghĩa chặt chẽ của đại số gia tử. Thuật toán mới hướng tới việc nội suy trực tiếp trên siêu mặt nhiều chiều của mô hình bộ nhớ kết hợp ngữ nghĩa mà không cần thông qua các phép kết nhập làm suy giảm chất lượng dữ liệu.

Phạm vi nghiên cứu được thực hiện trong khuôn khổ luận văn thạc sĩ ngành Khoa học máy tính tại Trường Đại học Công nghệ Thông tin và Truyền thông thuộc Đại học Thái Nguyên, hoàn thành vào năm 2019. Đề tài tập trung giải quyết các bài toán xấp xỉ phi tuyến và kiểm thử trên 2 mô hình điều khiển tiêu chuẩn. Kết quả cho thấy phương pháp mới giúp giảm từ 25% đến hơn 80% sai số xấp xỉ so với các phương pháp lập luận mờ kinh điển, tạo ra bước tiến quan trọng trong việc ứng dụng trí tuệ nhân tạo vào các hệ thống điều khiển tự động hóa yêu cầu độ chính xác cao.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu xây dựng trên nền tảng tích hợp giữa lý thuyết đại số gia tử và mạng nơron nhân tạo:

Lý thuyết đại số gia tử tuyến tính đầy đủ: Được phát triển nhằm hình thức hóa cấu trúc thứ tự tự nhiên của các giá trị ngôn ngữ như cao, rất cao, thấp, rất thấp. Cấu trúc này trang bị hàm độ đo tính mờ và ánh xạ định lượng ngữ nghĩa để chuyển đổi các nhãn ngôn ngữ định tính sang các giá trị số thực chính xác nằm trong đoạn từ 0 đến 1. Các tham số độ đo tính mờ cơ bản của phần tử sinh âm và phần tử sinh dương thường được thiết lập ở mức 0.5 để đảm bảo tính cân bằng ngữ nghĩa.

Mô hình lập luận mờ đa điều kiện: Hệ thống quy tắc mờ IF-THEN với nhiều biến tiền đề được ánh xạ toàn phần sang mô hình bộ nhớ kết hợp ngữ nghĩa SAM. Mỗi luật mờ trở thành một điểm tọa độ xác định trong không gian thực m cộng 1 chiều, tạo nên một siêu mặt ngữ nghĩa hoàn chỉnh.

Mạng nơron hàm cơ sở bán kính RBF: Cấu trúc mạng truyền thẳng 3 tầng gồm tầng vào, tầng ẩn phi tuyến sử dụng hàm kích hoạt Gaussian và tầng ra tuyến tính. Mạng RBF có ưu điểm vượt trội là không bị mắc kẹt tại các điểm cực tiểu địa phương và có tốc độ huấn luyện nhanh gấp 2 đến 3 lần so với mạng nơron nhiều lớp truyền thống.

Phương pháp nghiên cứu

Nguồn dữ liệu thực nghiệm: Nghiên cứu sử dụng tập dữ liệu chuẩn từ mô hình xấp xỉ hàm EX1 của Cao-Kandel với 14 luật mờ và mô hình điều khiển phi tuyến máy bay hạ độ cao gồm 25 luật mờ điều khiển chuyên gia.

Phương pháp phân tích và xử lý: Toàn bộ 100% các luật mờ được định lượng hóa sang không gian số thực thông qua ánh xạ ngữ nghĩa. Sau đó, thuật toán huấn luyện mạng RBF 2 pha được triển khai: Pha 1: Sử dụng toàn bộ các mốc tọa độ trong mô hình SAM làm tâm mạng nơron, áp dụng giải thuật k láng giềng gần nhất để tính toán bán kính lan truyền Gaussian cho từng nơron ẩn. Pha 2: Huấn luyện trọng số liên kết ở tầng ra thông qua quy tắc Delta với mục tiêu tối thiểu hóa tổng bình phương sai số tích lũy xuống dưới ngưỡng sai số cực đại 0.001.

Lý do lựa chọn phương pháp: Việc chọn toàn bộ các điểm nút ngữ nghĩa làm tâm mạng RBF giúp loại bỏ hoàn toàn tính ngẫu nhiên, đảm bảo hàm nội suy bám sát 100% các giá trị chuẩn của chuyên gia mà không gây ra hiện tượng phù hợp trội. Toàn bộ quy trình tính toán và kiểm thử thuật toán được hoàn tất trong mốc thời gian năm 2019.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Khắc phục hoàn toàn hiện tượng đa trị: Phương pháp RBF_HAR nội suy trực tiếp trên siêu mặt nhiều chiều, loại bỏ triệt để tình trạng hai điểm dữ liệu có cùng hoành độ nhưng khác tung độ vốn thường xuyên xuất hiện khi sử dụng các phép kết nhập Min hoặc Product trong phương pháp cũ.

Tối ưu hóa độ chính xác trên mô hình hàm EX1: Kết quả thử nghiệm trên mô hình chuẩn EX1 cho thấy sai số tuyệt đối lớn nhất của thuật toán RBF_HAR đạt mức 0.012, giảm hơn 85% so với mức sai số 0.082 của phương pháp lập luận đại số gia tử thông thường và vượt trội hơn so với các phương pháp xấp xỉ mờ bậc một khác.

Nâng cao chất lượng điều khiển phi tuyến hạ cánh máy bay: Trong bài toán điều khiển máy bay hạ độ cao với 2 biến đầu vào là độ cao h và vận tốc v, thuật toán mới tạo ra quỹ đạo hạ cánh trơn tru. Sai số bám quỹ đạo giảm 28% so với phương pháp điều khiển mờ kinh điển CFC và giảm 18% so với phương pháp lập luận gia tử cũ.

Tốc độ hội tụ và tính ổn định cao: Mạng RBF chỉ cần từ 30 đến 60 chu kỳ lặp để đạt trạng thái hội tụ ổn định với sai số toàn phương trung bình dưới 0.0005, chứng minh hiệu quả vượt bậc về mặt chi phí tính toán.

Thảo luận kết quả

Nguyên nhân cốt lõi giúp thuật toán RBF_HAR đạt hiệu năng vượt trội là do hàm kích hoạt Gaussian cục bộ của mạng RBF có khả năng mô phỏng hoàn hảo các bề mặt uốn lượn phi tuyến phức tạp trong không gian đa chiều. Khác với phương pháp điều khiển mờ truyền thống CFC vốn phụ thuộc nặng nề vào việc chọn hàm thuộc hình tam giác và khâu giải mờ phức tạp, RBF_HAR xử lý trực tiếp các giá trị định lượng ngữ nghĩa liên tục.

Khi đối chiếu với các công trình nghiên cứu trước đây về phương pháp FCHA hay HAR truyền thống, dữ liệu thực nghiệm đã chỉ ra rằng việc ép chiều không gian là nguyên nhân chính gây mất mát thông tin. Qua các bảng tổng hợp chỉ số sai số RMSE và biểu đồ đường cong đáp ứng quỹ đạo 2D cũng như siêu mặt xấp xỉ 3D, quỹ đạo điều khiển của RBF_HAR luôn trùng khít với đường cong lý tưởng của chuyên gia, không xuất hiện các bước nhảy đột ngột hay dao động quá đà quanh điểm cân bằng.

Đề xuất và khuyến nghị

Nhúng thuật toán vào bộ điều khiển công nghiệp: Đội ngũ kỹ sư phần mềm và phần cứng triển khai chuyển đổi mã nguồn thuật toán RBF_HAR sang ngôn ngữ C và C++ để nạp trực tiếp lên các vi điều khiển 32-bit như ARM Cortex-M4 hoặc chip DSP trong thời hạn 6 tháng, đặt mục tiêu đạt thời gian trễ đáp ứng dưới 3 mili-giây cho mỗi chu kỳ điều khiển.

Tự động hóa tối ưu tham số ngữ nghĩa: Các nhóm nghiên cứu tại các trường đại học tiến hành tích hợp thuật toán tối ưu hóa bầy đàn PSO hoặc giải thuật di truyền GA vào khâu xác định tham số độ đo tính mờ của đại số gia tử trong vòng 9 tháng, hướng tới mục tiêu tự động nâng cao độ chính xác xấp xỉ thêm 15% trên các tập dữ liệu mờ không cân bằng.

Ứng dụng mở rộng trên các hệ thống phương tiện tự hành: Doanh nghiệp công nghệ tự động hóa áp dụng giải thuật vào hệ thống cân bằng động của thiết bị bay không người lái UAV và robot di động tự hành AGV trong thời gian 12 tháng, với kỳ vọng giảm 30% sai lệch vị trí trong điều kiện môi trường có gió nhiễu mạnh.

Xây dựng thư viện mã nguồn mở chuyên ngành: Viện nghiên cứu phối hợp cùng cộng đồng học thuật phát triển gói phần mềm mã nguồn mở trên nền tảng Python và MATLAB trong vòng 3 tháng, cung cấp công cụ trực quan hóa siêu mặt SAM và thuật toán RBF_HAR phục vụ cho hơn 1000 nhà nghiên cứu và sinh viên kỹ thuật.

Đối tượng nên tham khảo luận văn

Học viên cao học và nghiên cứu sinh ngành Trí tuệ nhân tạo và Khoa học máy tính: Tiếp cận phương pháp luận hoàn chỉnh về sự kết hợp giữa mô hình toán học đại số gia tử và mạng nơron nhân tạo, ứng dụng vào các đề tài xấp xỉ hàm, khai phá dữ liệu và suy luận ngôn ngữ phức tạp.

Kỹ sư điều khiển tự động hóa và Cơ điện tử: Nắm bắt giải pháp thiết kế bộ điều khiển mờ phi tuyến thế hệ mới cho các đối tượng công nghiệp phức tạp như tay máy robot, hệ thống ổn định lò hơi, và điều khiển góc lái phương tiện tự hành mà không cần biết chính xác mô hình toán học vi phân của đối tượng.

Giảng viên và các nhà nghiên cứu học thuật: Sử dụng toàn bộ hệ thống lý thuyết, công thức chứng minh định lượng ngữ nghĩa và kết quả thực nghiệm làm tài liệu giảng dạy chuyên sâu cho các học phần Logic mờ nâng cao, Mạng nơron và Tính toán mềm.

Lập trình viên phát triển hệ thống nhúng và IoT: Tận dụng thuật toán học nhanh 2 pha của mạng RBF để lập trình các khối xử lý suy diễn thông minh ngay tại biên trên các thiết bị phần cứng có dung lượng bộ nhớ và năng lượng hạn chế.

Câu hỏi thường gặp

Đại số gia tử có ưu thế gì vượt trội so với lý thuyết tập mờ truyền thống? Đại số gia tử mô hình hóa ngữ nghĩa dựa trên quan hệ thứ tự tự nhiên của từ ngữ, cho phép tính toán trực tiếp giá trị định lượng thông qua ánh xạ ngữ nghĩa toán học chặt chẽ. Cách tiếp cận này loại bỏ hoàn toàn tính chủ quan khi phải tự chọn hình dạng các hàm thuộc và không cần thực hiện các phép khử mờ phức tạp, giúp giảm hơn 50% khối lượng tính toán.

Tại sao phương pháp lập luận gia tử cũ lại gây ra hiện tượng mất mát thông tin? Phương pháp cũ sử dụng các phép kết nhập trung bình hoặc phép toán logic để dồn không gian m cộng 1 chiều của bảng luật về đường cong 2 chiều. Quá trình chiếu chiều này làm phẳng các nếp gấp phi tuyến của bề mặt dữ liệu, làm mất hơn 40% chi tiết không gian và gây ra hiện tượng hai giá trị đầu ra trái ngược nhau tại cùng một điểm đầu vào.

Mạng nơron RBF đóng vai trò gì trong việc cải tiến thuật toán? Mạng nơron RBF đóng vai trò là một bộ nội suy siêu mặt vạn năng. Bằng cách sử dụng các mốc định lượng ngữ nghĩa của bảng luật làm các tâm Gaussian, mạng RBF học trọn vẹn bề mặt đa chiều mà không cần giảm chiều dữ liệu, giúp giảm sai số xấp xỉ từ 0.082 xuống còn 0.012 trên mô hình kiểm thử.

Thuật toán RBF_HAR có yêu cầu cấu hình phần cứng quá cao khi huấn luyện không? Hoàn toàn không. Quá trình huấn luyện mạng RBF được chia tách rõ ràng thành 2 pha độc lập: pha 1 xác định tâm dựa trên các mốc luật có sẵn, pha 2 giải hệ phương trình trọng số tuyến tính bằng luật Delta. Thuật toán đạt trạng thái hội tụ chỉ sau 30 đến 60 chu kỳ lặp, hoàn toàn chạy mượt mà trên các máy tính cấu hình tiêu chuẩn hoặc vi xử lý nhúng.

Giải pháp này có thể áp dụng cho các bài toán điều khiển nhiều hơn 2 biến đầu vào không? Có. Cấu trúc mạng nơron RBF cho phép mở rộng số nút ở tầng vào lên m chiều tùy ý mà không làm thay đổi bản chất của thuật toán nội suy. Khi số chiều đầu vào tăng lên, mạng RBF vẫn giữ nguyên khả năng bao phủ siêu mặt ngữ nghĩa và duy trì độ ổn định cao của tín hiệu điều khiển đầu ra.

Kết luận

Luận văn đã hoàn thành xuất sắc các mục tiêu nghiên cứu thông qua 5 điểm cốt lõi sau:

  • Hệ thống hóa toàn diện cơ sở toán học của đại số gia tử tuyến tính đầy đủ, ánh xạ định lượng ngữ nghĩa và mạng nơron hàm cơ sở bán kính RBF.
  • Đề xuất thành công thuật toán nội suy RBF_HAR, giải quyết triệt để hạn chế mất mát thông tin và hiện tượng đa trị của các phương pháp lập luận xấp xỉ gia tử trước đây.
  • Chứng minh tính ưu việt vượt trội qua thực nghiệm: giảm hơn 85% sai số xấp xỉ trên mô hình hàm EX1 và giảm 28% sai số bám quỹ đạo trong bài toán điều khiển hạ cánh máy bay phi tuyến.
  • Mở ra hướng tiếp cận mới trong việc kết hợp tính toán mềm dựa trên tri thức chuyên gia với các mô hình học máy hiện đại cho các hệ thống điều khiển tự động.
  • Xác định lộ trình phát triển rõ ràng trong giai đoạn 12 tháng tiếp theo nhằm tối ưu hóa thuật toán bằng giải thuật di truyền và hiện thực hóa trên phần cứng nhúng công nghiệp.

Quý độc giả, các kỹ sư và nhà nghiên cứu quan tâm có thể khai thác toàn bộ mô hình toán học và thuật toán trong công trình này để triển khai ứng dụng vào các bài toán điều khiển tự động hóa thông minh trong thực tế sản xuất và nghiên cứu khoa học.