Đồ án tốt nghiệp đại học chuyên ngành hệ thống thông tin quản lý đề tài nhận dạng biển số xe

Đồ án tốt nghiệp Hệ thống thông tin về nhận dạng biển số xe. Tìm hiểu các phương pháp, thuật toán và ứng dụng thực tế của hệ thống.

• Tác giả: Vũ Minh Nguyệt
• Người hướng dẫn: Vũ Thành Nam
• Trường học: Trường Đại học Bách khoa Hà Nội
• Chuyên ngành: Hệ thống thông tin
• Đề tài: Nhận dạng biển số xe
• Loại tài liệu: Đồ án tốt nghiệp
• Năm xuất bản: 2022
• Địa điểm: Hà Nội

Mục lục chi tiết

• MỤC LỤC
• DANH MỤC HÌNH VẼ
• 1. CHƯƠNG I: GIỚI THIỆU VỀ ĐỀ TÀI
• 1.1. Mục đích nghiên cứu
• 1.2. Đối tượng nghiên cứu
• 1.3. Phạm vi nghiên cứu
• 1.4. Ứng dụng của đề tài
• 1.4.1. Khái niệm nhận dạng biển số xe
• 2. CHƯƠNG II: CƠ SỞ LÝ THUYẾT
• 2.1. Mạng nơ-ron nhân tạo
• 2.1.1. Kiến trúc mạng nơ- ron
• 2.1.2. Các kỹ thuật quan trọng trong mạng nơ-ron
• 2.2. Mạng nơ-ron tích chập (Convolutional neural network - CNN)
• 2.2.1. Kiến trúc mạng tích chập
• 2.2.2. Mô hình phát hiện đối tượng
• 2.3. Phân đoạn và nhận dạng ký tự
• 2.3.1. Tổng quan về phân đoạn ký tự
• 2.3.2. Nhận dạng ký tự
• 3. CHƯƠNG III: MÔ HÌNH ĐỀ XUẤT
• 3.1. Mô hình mạng học sâu YOLOv5
• 3.1.1. Mô hình mạng học sâu YOLO (You Only Look Once)
• 3.1.2. Thuật toán YOLOv5
• 3.2. Mô hình WPOD
• 3.3. Mô hình đề xuất
• 3.3.1. Phát hiện phương tiện giao thông
• 3.3.2. Phát hiện và căn chỉnh biển số
• 3.3.3. Nhận dạng ký tự
• 4. CHƯƠNG IV: KẾT LUẬN
• 4.1. Phương hướng phát triển
• TÀI LIỆU THAM KHẢO
• MỞ ĐẦU
• LỜI CẢM ƠN

Tóm tắt

I. Tổng Quan Đồ Án Nhận Dạng Biển Số Xe Hệ Thống Thông Tin

Đồ án tốt nghiệp về nhận dạng biển số xe là một lĩnh vực nghiên cứu quan trọng trong ngành Hệ thống thông tin. Sự phát triển kinh tế xã hội kéo theo sự bùng nổ về số lượng phương tiện giao thông, gây ra nhiều khó khăn trong công tác quản lý. Việc quản lý, xử lý vi phạm giao thông bằng nguồn nhân lực truyền thống ngày càng trở nên quá tải. Do đó, nhu cầu về một hệ thống quản lý giao thông tự động là vô cùng cấp thiết. Bài toán nhận dạng biển số xe đóng vai trò là tiền đề quan trọng để xây dựng các mô hình quản lý đó. Hiện nay, hệ thống quản lý giao thông tự động ở Việt Nam còn hạn chế và lĩnh vực nhận dạng vẫn đang trong giai đoạn phát triển. Chính vì vậy, đề tài này có ý nghĩa thực tiễn cao, hướng đến việc phục vụ cho hệ thống quản lý phương tiện giao thông tại Việt Nam. Mục tiêu chính của đồ án là xây dựng một hệ thống có khả năng tự động trích xuất và nhận dạng thông tin từ biển số xe, từ đó cung cấp dữ liệu đầu vào cho các ứng dụng quản lý giao thông thông minh. Hệ thống này sẽ sử dụng các kỹ thuật xử lý ảnh số, học máy, và mạng nơ-ron để đạt được độ chính xác và hiệu quả cao. Trong bối cảnh đó, đồ án này sẽ tập trung vào việc tìm hiểu và áp dụng các kỹ thuật hiện đại để giải quyết bài toán nhận dạng biển số xe một cách hiệu quả nhất.

1.1. Mục tiêu và phạm vi của đồ án nhận dạng biển số xe

Mục tiêu chính của đồ án là xây dựng một hệ thống nhận dạng biển số xe tự động và hiệu quả. Hệ thống này sẽ có khả năng trích xuất và nhận dạng thông tin từ biển số xe trong các điều kiện khác nhau, bao gồm cả điều kiện ánh sáng yếu, góc nhìn nghiêng và biển số bị mờ. Phạm vi nghiên cứu của đồ án bao gồm việc nghiên cứu và lựa chọn các thuật toán xử lý ảnh phù hợp, xây dựng mô hình học máy để nhận dạng ký tự trên biển số, và đánh giá hiệu năng của hệ thống trên một tập dữ liệu thực tế. Đồ án cũng sẽ xem xét các yếu tố ảnh hưởng đến độ chính xác của hệ thống, chẳng hạn như chất lượng ảnh, độ phân giải, và sự biến dạng của biển số.

1.2. Ý nghĩa thực tiễn của hệ thống nhận dạng biển số xe

Hệ thống nhận dạng biển số xe có nhiều ứng dụng thực tiễn quan trọng trong các lĩnh vực như quản lý giao thông, an ninh, và thu phí tự động. Trong lĩnh vực quản lý giao thông, hệ thống có thể được sử dụng để giám sát và xử lý vi phạm giao thông, theo dõi lưu lượng xe, và cung cấp thông tin giao thông theo thời gian thực. Trong lĩnh vực an ninh, hệ thống có thể được sử dụng để nhận diện xe khả nghi, kiểm soát ra vào tại các khu vực quan trọng, và hỗ trợ điều tra tội phạm. Trong lĩnh vực thu phí tự động, hệ thống có thể được sử dụng để tự động thu phí tại các trạm thu phí, giảm thiểu thời gian chờ đợi và tăng hiệu quả giao thông.

II. Thách Thức Giải Pháp Nhận Dạng Biển Số Xe Đồ Án CNTT

Bài toán nhận dạng biển số xe đối mặt với nhiều thách thức đáng kể. Sự đa dạng về định dạng biển số, điều kiện ánh sáng khác nhau, góc nhìn thay đổi, và chất lượng hình ảnh không đồng đều đều gây khó khăn cho việc xây dựng một hệ thống nhận dạng chính xác và ổn định. Các thuật toán truyền thống thường gặp khó khăn trong việc xử lý ảnh có độ nhiễu cao hoặc biển số bị biến dạng. Do đó, việc áp dụng các kỹ thuật học sâu, đặc biệt là mạng nơ-ron tích chập (CNN), đã mang lại những tiến bộ vượt bậc trong lĩnh vực này. CNN có khả năng tự động học các đặc trưng quan trọng từ dữ liệu hình ảnh, giúp hệ thống trở nên mạnh mẽ hơn trước các biến đổi và nhiễu. Tuy nhiên, việc lựa chọn kiến trúc CNN phù hợp, huấn luyện mô hình với lượng dữ liệu đủ lớn, và tối ưu hóa các tham số vẫn là những thách thức cần vượt qua. Ngoài ra, việc đảm bảo tính bảo mật và riêng tư của dữ liệu biển số xe cũng là một vấn đề quan trọng cần được xem xét.

2.1. Các yếu tố ảnh hưởng đến độ chính xác nhận dạng biển số xe

Nhiều yếu tố có thể ảnh hưởng đến độ chính xác của hệ thống nhận dạng biển số xe. Chất lượng hình ảnh là một yếu tố quan trọng, bao gồm độ phân giải, độ tương phản, và mức độ nhiễu. Điều kiện ánh sáng cũng có thể ảnh hưởng đến độ chính xác, đặc biệt là trong điều kiện ánh sáng yếu hoặc ánh sáng quá mạnh. Góc nhìn cũng là một yếu tố quan trọng, vì biển số xe có thể bị biến dạng khi nhìn từ các góc khác nhau. Ngoài ra, sự đa dạng về định dạng biển số và sự khác biệt về phông chữ cũng có thể gây khó khăn cho việc nhận dạng.

2.2. Các kỹ thuật tiền xử lý ảnh giúp cải thiện độ chính xác

Để cải thiện độ chính xác của hệ thống nhận dạng biển số xe, cần áp dụng các kỹ thuật tiền xử lý ảnh phù hợp. Các kỹ thuật này có thể bao gồm việc tăng cường độ tương phản, khử nhiễu, chuẩn hóa hình ảnh, và loại bỏ các vùng không liên quan. Việc sử dụng các bộ lọc và thuật toán xử lý ảnh phù hợp có thể giúp cải thiện chất lượng hình ảnh và làm nổi bật các đặc trưng quan trọng của biển số xe. Ngoài ra, việc áp dụng các kỹ thuật biến đổi hình học có thể giúp chỉnh sửa biển số xe bị biến dạng do góc nhìn.

III. Ứng Dụng YOLOv5 Nhận Dạng Biển Số Xe Giải Pháp Tối Ưu

Trong số các phương pháp học sâu hiện đại, YOLOv5 nổi lên như một giải pháp hiệu quả cho bài toán nhận dạng biển số xe. YOLOv5 là một mô hình phát hiện đối tượng theo thời gian thực, có khả năng phát hiện và định vị nhiều đối tượng khác nhau trong một hình ảnh. Ưu điểm của YOLOv5 là tốc độ xử lý nhanh, độ chính xác cao, và khả năng hoạt động tốt trong các điều kiện khác nhau. Mô hình này có thể được huấn luyện để phát hiện biển số xe trong các hình ảnh có độ phân giải khác nhau, góc nhìn khác nhau, và điều kiện ánh sáng khác nhau. Việc sử dụng YOLOv5 cho phép xây dựng một hệ thống nhận dạng biển số xe mạnh mẽ và linh hoạt, có thể đáp ứng được các yêu cầu khắt khe của các ứng dụng thực tế. Ngoài ra, YOLOv5 cũng có khả năng phát hiện nhiều loại biển số xe khác nhau, bao gồm cả biển số xe dân sự, biển số xe quân sự, và biển số xe ngoại giao.

3.1. Kiến trúc và nguyên lý hoạt động của YOLOv5 trong bài toán này

YOLOv5 sử dụng một kiến trúc mạng nơ-ron tích chập phức tạp để phát hiện đối tượng. Mô hình này chia hình ảnh thành các ô lưới và dự đoán các hộp giới hạn (bounding box) và nhãn lớp cho mỗi ô lưới. YOLOv5 sử dụng nhiều lớp tích chập, lớp gộp, và lớp kết nối đầy đủ để trích xuất các đặc trưng quan trọng từ hình ảnh. Mô hình này cũng sử dụng các kỹ thuật như neo (anchor) và non-maximum suppression (NMS) để cải thiện độ chính xác và giảm số lượng dự đoán sai. Nguyên lý hoạt động của YOLOv5 dựa trên việc học các đặc trưng của đối tượng từ dữ liệu huấn luyện và sử dụng các đặc trưng này để dự đoán vị trí và nhãn lớp của đối tượng trong các hình ảnh mới.

3.2. Ưu điểm của YOLOv5 so với các phương pháp phát hiện biển số xe khác

YOLOv5 có nhiều ưu điểm so với các phương pháp phát hiện biển số xe khác. YOLOv5 có tốc độ xử lý nhanh hơn nhiều so với các phương pháp dựa trên học máy cổ điển và các mô hình học sâu khác. YOLOv5 cũng có độ chính xác cao hơn và khả năng hoạt động tốt trong các điều kiện khác nhau. Ngoài ra, YOLOv5 có thể được huấn luyện với lượng dữ liệu ít hơn so với các mô hình học sâu khác. YOLOv5 cũng dễ dàng triển khai và tích hợp vào các hệ thống thực tế.

IV. WPOD và Nhận Dạng Ký Tự Hoàn Thiện Đồ Án Biển Số Xe

Sau khi phát hiện biển số xe bằng YOLOv5, bước tiếp theo là nhận dạng các ký tự trên biển số. Trong đồ án này, mô hình WPOD (Warp Perspective Object Detection) được sử dụng để cải thiện độ chính xác của việc trích xuất khu vực biển số xe. Sau khi WPOD trích xuất và chỉnh sửa biển số, các ký tự trên biển số sẽ được phân đoạn và nhận dạng. Việc phân đoạn ký tự có thể được thực hiện bằng các thuật toán xử lý ảnh như ngưỡng (thresholding), tìm đường viền (contour detection), và phân tích thành phần liên thông (connected component analysis). Sau khi phân đoạn, các ký tự sẽ được đưa vào một mô hình nhận dạng ký tự, chẳng hạn như một mạng nơ-ron tích chập (CNN) được huấn luyện để nhận dạng các ký tự trên biển số xe. Kết quả cuối cùng là chuỗi ký tự được nhận dạng từ biển số xe.

4.1. Mô hình WPOD Cải thiện độ chính xác trích xuất biển số xe

Mô hình WPOD có thể được sử dụng để trích xuất khu vực biển số xe một cách chính xác hơn so với các phương pháp phát hiện đối tượng thông thường. WPOD sử dụng một mạng nơ-ron tích chập để dự đoán các điểm góc của biển số xe và thực hiện một phép biến đổi phối cảnh để chuyển đổi biển số xe thành một hình chữ nhật chính diện. Điều này giúp cải thiện độ chính xác của việc phân đoạn và nhận dạng ký tự trên biển số xe. WPOD hoạt động tốt trong trường hợp biển số bị nghiêng hoặc bị biến dạng.

4.2. Các phương pháp phân đoạn và nhận dạng ký tự hiệu quả

Có nhiều phương pháp phân đoạn và nhận dạng ký tự hiệu quả có thể được sử dụng trong hệ thống nhận dạng biển số xe. Các phương pháp phân đoạn ký tự phổ biến bao gồm ngưỡng (thresholding), tìm đường viền (contour detection), và phân tích thành phần liên thông (connected component analysis). Các phương pháp nhận dạng ký tự phổ biến bao gồm mạng nơ-ron tích chập (CNN), máy vectơ hỗ trợ (SVM), và nhận dạng mẫu (pattern recognition). Việc lựa chọn phương pháp phù hợp phụ thuộc vào đặc điểm của dữ liệu và yêu cầu của ứng dụng.

V. Kết Quả Ứng Dụng Đồ Án Nhận Dạng Biển Số Xe Tương Lai

Đồ án tốt nghiệp về nhận dạng biển số xe đã đạt được những kết quả đáng khích lệ. Hệ thống được xây dựng có khả năng nhận dạng biển số xe với độ chính xác cao trong các điều kiện khác nhau. Các kết quả nghiên cứu cho thấy rằng việc sử dụng YOLOv5 và WPOD có thể cải thiện đáng kể hiệu năng của hệ thống. Các ứng dụng tiềm năng của hệ thống bao gồm quản lý giao thông, an ninh, và thu phí tự động. Trong tương lai, có thể tiếp tục nghiên cứu và phát triển hệ thống để tăng cường độ chính xác, mở rộng phạm vi ứng dụng, và tích hợp với các hệ thống khác. Việc nghiên cứu và phát triển các thuật toán mới, sử dụng dữ liệu huấn luyện lớn hơn, và tối ưu hóa các tham số có thể giúp cải thiện độ chính xác của hệ thống. Việc tích hợp hệ thống với các hệ thống khác, chẳng hạn như hệ thống định vị toàn cầu (GPS) và hệ thống quản lý cơ sở dữ liệu, có thể mở rộng phạm vi ứng dụng của hệ thống.

5.1. Đánh giá hiệu năng và so sánh với các hệ thống khác

Để đánh giá hiệu năng của hệ thống nhận dạng biển số xe, cần thực hiện các thử nghiệm trên một tập dữ liệu thực tế. Các thử nghiệm này nên bao gồm các hình ảnh có độ phân giải khác nhau, góc nhìn khác nhau, và điều kiện ánh sáng khác nhau. Các chỉ số đánh giá hiệu năng có thể bao gồm độ chính xác, độRecall, và thời gian xử lý. Kết quả thử nghiệm nên được so sánh với kết quả của các hệ thống nhận dạng biển số xe khác để đánh giá tính cạnh tranh của hệ thống.

5.2. Hướng phát triển và mở rộng ứng dụng trong tương lai

Trong tương lai, có thể tiếp tục nghiên cứu và phát triển hệ thống nhận dạng biển số xe để tăng cường độ chính xác, mở rộng phạm vi ứng dụng, và tích hợp với các hệ thống khác. Việc nghiên cứu và phát triển các thuật toán mới, sử dụng dữ liệu huấn luyện lớn hơn, và tối ưu hóa các tham số có thể giúp cải thiện độ chính xác của hệ thống. Việc tích hợp hệ thống với các hệ thống khác, chẳng hạn như hệ thống định vị toàn cầu (GPS) và hệ thống quản lý cơ sở dữ liệu, có thể mở rộng phạm vi ứng dụng của hệ thống.

Trích đoạn nội dung tài liệu

CHƯƠNG I: GIỚI THIỆU VỀ ĐỀ TÀI 1.1 Mục đích nghiên cứu Hệ thống nhận dạng biển số xe là một ứng dụng dựa trên trên kỹ thuật xử lý ảnh số. Mục đích của nhận dạng biển số xe là thực hiện các bước xử lý để từ một ảnh đầu vào, máy tính có thể nhận ra chính xác biển số xe trên ảnh. Nhận dạng biển số xe trở thành một ứng dụng hữu ích, được đưa vào trong những lĩnh vực như: quản lý giao thông, kiểm tra an ninh, thu phí giao thông, trạm gác cổng, quản lý các bãi giữ xe một cách tự động.2 Đối tượng nghiên cứu Đây là một trong những ứng dụng xử lý ảnh nhận được nhiều sự nghiên cứu về cả hai mặt lý thuyết và thực hiện chương trình. Đề tài của em bao gồm các quá trình xử lý: phân vùng biển số, tách các ký tự và nhận biết các ký tự.3 Phạm vi nghiên cứu Việc có nhiều biển số xe với định dạng và độ sáng khác nhau gây khó khăn cho việ nhận dạng và trích xuất biển số từ ảnh chụp nên độ sáng khác nhau làm tăng độ phức tạp trong quá trình nhận dạng.

Do thời thực hiện đề tài không cho phép nên các biển số xe bị giới hạn với điều kiện như sau:  Biển số xe có chữ đen, có  Biển số phải còn nguyên vẹn, không bị tróc sơn hay rỉ sét, không bị che khuất.  Hình chụp biển số không bị mờm ký tự biển số còn phân biệt, nhận dạng được bằng trực quan.  Không bị nhiễu bởi ánh sáng làm ảnh chụp bị chói.4 Ứng dụng của đề tài 1.1 Khái niệm nhận dạng biển số xe 8 TIEU LUAN MOI download : [e-mail] Hệ thống nhận dạng biển số xe là hệ hệ thống có khả năng phân tích hình ảnh và xác định biển số trên xe, thông qua video, thiết bị ghi hình và hình ảnh. Sau là xác định thông tin như: chủ sở hữu, … Phân loại ứng dụng nhận dạng biển số xe: Ứng dụng nhận dạng biển số xe là ứng dụng có khả năng phân tích hình ảnh và xác định biển số xe từ các hình ảnh chụp được từ các thiết bị thu hình.

Nguồn hình ảnh cho ứng dụng có rất nhiều. Trong báo cáo tốt nghiệp em chỉ dừng lại ở mức xác định biển số xe (cắt các vùng chữ trên biển) từ các hình ảnh. Có nhiều cách thức khác nhau để phân loại các ứng dụng nhận dạng biển số xe. Một trong những cách đơn giản là phân loại ứng dụng nhận dạng biển số xe thông qua mục đích sử dụng.

Có thể chia ứng dụng nhận dạng biển số xe thành hai loại sau: Loại 1: Giới hạn vùng nhìn Đầu vào: ảnh thu trực tiếp từ các thiết bị ghi nhận ảnh kỹ thuật số. Ảnh được ghi nhận thường chỉ giới hạn trong vùng có biển số xe. Nguyên lý hoạt động: các phương tiện giao thông phải chạy với một tốc độ đủ chậm để máy ghi nhận hình ảnh có thể thu được ảnh vùng biển số xe. Ứng dụng: những ứng dụng nhận dạng biển số xe loại này thường được dùng tại các trạm kiểm soát, các trạm thu phí, các bãi gửi xe tự động, các trạm các cổng… 9 TIEU LUAN MOI download : skknchat123@gmail.1 - Hệ thống tự động nhận dạng biển số xe Loại 2: Không giới hạn vùng nhìn Đầu vào: ảnh đầu vào thu được từ thiết bị ghi hình tự động, không phụ thuộc vào góc độ, các đối tượng xung quanh, ảnh không cần bắt buộc chỉ chụp vùng chứa biển số xe, mà có thể là ảnh tổng hợp như chứa thêm các đối tượng như người, cây, đường phố, … miễn là vùng biển số phải đủ rõ để có thể nhận dạng được ký tự trong vùng đó.

Nguyên lý hoạt động: do đặc tính không giới hạn vùng nhìn mà ảnh đầu vào có thể thu được từ một thiết bị ghi hình (camera, máy ảnh). Và do đó, công việc đầu tiên là dò tìm trong ảnh, để xác định đúng vùng nào là biển số xe. Sau đó, thực hiện tách vùng và nhận dạng. Cuối cùng tùy thuộc vào mục đích sử dụng mà kết quả nhận dạng được truyền đi hay lưu trữ để phục vụ nhu cầu của người dùng cuối.

Ứng dụng: vì không phụ thuộc vào phạm vi hình ảnh thu được nên có thể dùng ứng dụng tại nhiều nơi như tại những điểm điều tiết giao thông, tại các vị trí nhạy cảm của giao thông như ngã ba, ngã tư đường giao nhau. Kiểm soát, phát hiện những hành vi vi phạm an toàn giao thông. 10 TIEU LUAN MOI download : skknchat123@gmail.2 Ứng dụng Hệ thống nhận dạng biển số xe được xây dựng nhằm mục đích giám sát, kiểm soát các phương tiện. Dưới đây đề cập đến một số ứng dụng phổ biến đối với hệ thộng nhận dạng biển số xe: - Thu phí giao thông: Lắp đặt hệ thống nhận dạng biển số xe tại các trạm thu phí nhằm hỗ trợ hoặc tự động hóa công tác thu phí.

- Kiểm soát xe tại các đường biên giới: Mỗi quốc gia đều có những quy định riêng về biển số xe, để phục vụ công tác quản lý và phát hiện những phương tiện giao thông vượt biên bất hợp pháp. Việc lắp đặt hệ thống nhận dạng biển số xe tại các trạm kiểm soát sẽ góp phần hỗ trợ công tác kiểm tra và an ninh quốc gia. - Các trạm gác cổng: Việc lắp đặt hệ thống sẽ hỗ trợ hoặc tự động hóa công tác mở cổng cho xe ra vào. - Xử lý vi phạm giao thông: Khi lắp đặt hệ thống sẽ hỗ trợ việc xử lý vi phạm giao thông đường bộ và có thể tự động báo lỗi vi phạm.

11 TIEU LUAN MOI download : [e-mail] CHƯƠNG II: CƠ SỞ LÝ THUYẾT 2.1 Học sâu Học sâu (deep learning) là một nhánh của ngành máy học, dựa trên một tập hợp các thuật toán để cố gắng mô hình dữ liệu để trừu tượng hóa ơ mức cao bằng cách sử dụng nhiều lớp xử lý với cấu trúc phức tạp, hoặc bằng cách khác bao gồm nhiều lớp biến đổi phi tuyến để trích tách đặc trưng và chuyển đổi. Mỗi lớp kế tiếp dùng đâu ra của lớp trước làm đầu vào. Các thuật toán này có thể được giám sát hoặc không cần giám sát và các ứng dụng bao gồm các mô hình phân tích (không giám sát) và phân loại (giám sát). Một trong những phương pháp học sâu thành công nhất là mô hình mạng nơ- ron nhân tạo 2.2 Mạng nơ-ron nhân tạo Mạng nơron nhân tạo, Artificial Neural Network (ANN) gọi tắt là mạng nơron (neural network) là một mô hình xử lý thông tin được xây dựng dựa theo cách thức xử lý thông tin của các hệ nơron sinh học.

Trong hơn hai thập kỷ qua nó là lĩnh vực khoa học được nhiều người quan tâm nghiên cứu và ứng dụng rộng rãi. Mạng nơron được tạo nên từ một số lượng lớn các phần tử (gọi là phần tử xử lý hay nơron) kết nối với nhau thông qua các liên kết (gọi là trọng số liên kết) làm việc như một thể thống nhất để giải quyết một vấn đề cụ thể nào đó. Một nơron là một đơn vị xử lý thông tin và là thành phần cơ bản của một mạng nơron.1 Kiến trúc mạng nơ- ron Mạng Neural Network là sự kết hợp của của các tầng perceptron hay còn được gọi là perceptron đa tầng (multilayer perceptron) Mỗi một mạng Neural Network thường bao gồm 3 kiểu tầng là: 12 TIEU LUAN MOI download : [e-mail] Tầng input layer (tầng vào): Tầng này nằm bên trái cùng của mạng, thể hiện cho các đầu vào của mạng. Tầng output layer (tầng ra): Là tầng bên phải cùng và nó thể hiện cho những đầu ra của mạng.

Tầng hidden layer (tầng ẩn): Tầng này nằm giữa tầng vào và tầng ra nó thể hiện cho quá trình suy luận logic của mạng. Mỗi một Neural Network chỉ có duy nhất một tầng vào và một tầng ra nhưng lại có rất nhiều tầng ẩn. Hình Kiến trúc mạng nơ-ron nhân tạo Mặc dù mỗi nơron đơn lẻ có thể thực hiện những chức năng xử lý thông tin nhất định, sức mạnh của tính toán nơron chủ yếu có được nhờ sự kết hợp các nơron trong một kiến trúc thống nhất. Một mạng nơron là một mô hình tính toán được xác định qua các tham số: kiểu nơron (như là các nút nếu ta coi cả mạng nơron là một đồ thị), kiến trúc kết nối (sự tổ chức kết nối giữa các nơron) và thuật toán học (thuật toán dùng để học cho mạng).

Về bản chất một mạng nơron có chức năng như là một hàm ánh xạ F: X → Y, trong đó X là không gian trạng thái đầu vào (input state space) và Y là không gian trạng thái đầu ra (output state space) của∈ mạng. Các mạng chỉ đơn giản là làm nhiệm vụ ánh xạ các vectơ đầu vào x X sang các vec-tơ đầu ra y 13 TIEU LUAN MOI download : [e-mail] ∈ Y thông qua “bộ lọc” (filter) các trọng số. Tức là y = F(x) = s(W, x), trong đó W là ma trận trọng số liên kết. Hoạt động của mạng thường là các tính toán số thực trên các ma trận.

Một nơ-ron bao gồm các liên kết nhận tín hiệu vào bằng số có các trọng số kết nối w tương ứng, một hàm tổng và một hàm truyền còn gọi là hàm kích hoạt để tạo tín hiệu ra dựa trên giá trị hàm tổng và giá trị ngưỡng θ. Liên kết: Mỗi liên kết thứ i sẽ nhận vào giá trị xi có trọng số kết nối wi tương ứng. Trọng số kết nối: Các trọng số kết nối của đường liên kết là yếu tố then chốt của nơ-ron, chúng ta sẽ được xác định tùy theo tập dữ liệu nhờ quá trình huấn luyện. Hàm tổng: Hàm tổng là tổng của tích các trọng số kết nối với các tín hiệu vào trên các liên kết tương ứng: n s = ∑ wi xi i=1 Với ai là giá trị nhập hoặc giá trị xuất của một nút có cùng kết nối với nút j và trọng số kết nối là wij.

Trong bộ não của con người, các tế bào nơron liên kết với nhau chằng chịt và tạo nên một mạng lưới vô cùng phức tạp, tuy nhiên mạng nơron nhân tạo được chia thành các loại chính sau: Hình Mạng nơron chỉ có 1 nút và có sự phản hồi 14 TIEU LUAN MOI download : [e-mail] Mạng nơron truyền thẳng một lớp (perceptron) là loại mạng chỉ có lớp nơron đầu vào và một lớp nơron đầu ra (thực chất lớp nơron đầu vào không có vai trò xử lý, do đó ta nói mạng chỉ có một lớp). Loại mạng này còn được gọi là mạng perceptron một lớp. Mỗi nơron đầu ra có thể nhận tín hiệu từ các đầu vào x1, x2, …, xm để tạo ra tín hiệu đầu ra tương ứng.