Luận văn Thạc sĩ: Ứng dụng mạng nơron nhận dạng, điều khiển hệ thống nâng từ

Luận văn trình bày chi tiết ứng dụng mạng nơron trong việc nhận dạng và điều khiển hệ thống nâng từ, bao gồm cơ sở lý thuyết, thiết kế và kết quả.

• Tác giả: Phạm Thanh Thảo
• Người hướng dẫn: Ts. Nguyễn Hoài Nam
• Trường học: Trường Đại Học Kỹ Thuật Công Nghiệp, Đại học Thái Nguyên
• Chuyên ngành: Kỹ thuật điều khiển và Tự động hóa
• Đề tài: Ứng Dụng Mạng Nơ-Ron Nhận Dạng Và Điều Khiển Hệ Thống Nâng Từ
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2015
• Địa điểm: Thái Nguyên

Tóm tắt

I. Tổng quan về ứng dụng mạng nơron trong hệ thống nâng từ

Trong bối cảnh công nghiệp hóa, hiện đại hóa, các hệ thống điều khiển thông minh ngày càng đóng vai trò then chốt. Hệ thống nâng từ (Magnetic Levitation - Maglev) là một minh chứng điển hình, với các ứng dụng đột phá từ tàu đệm từ tốc độ cao đến các ổ trục triệt tiêu ma sát. Tuy nhiên, bản chất của hệ thống nâng từ là một hệ phi tuyến cao và không ổn định trong vòng hở, đặt ra thách thức lớn cho việc thiết kế bộ điều khiển hiệu suất cao. Các phương pháp điều khiển truyền thống thường gặp khó khăn trong việc xác định mô hình toán học chính xác của đối tượng. Đây là lúc mạng nơron nhân tạo (Artificial Neural Network - ANN) thể hiện vai trò vượt trội. Lấy cảm hứng từ cấu trúc não bộ con người, mạng nơron sở hữu khả năng học và xấp xỉ các hàm phi tuyến phức tạp mà không cần đến mô hình toán học tường minh. Chính vì vậy, ứng dụng mạng nơron nhận dạng và điều khiển hệ thống nâng từ đã trở thành một hướng nghiên cứu đầy hứa hẹn. Nghiên cứu này tập trung vào việc khai thác khả năng của mạng nơron để xây dựng một mô hình toán học thay thế cho hệ nâng từ, từ đó thiết kế một bộ điều khiển thông minh có khả năng thích ứng cao, giúp duy trì vị trí của vật nâng một cách ổn định và chính xác. Giải pháp này không chỉ giải quyết bài toán điều khiển phức tạp mà còn mở ra tiềm năng ứng dụng rộng rãi trong các lĩnh vực yêu cầu độ chính xác và hiệu suất cao như robot, hàng không vũ trụ và các hệ thống cách ly dao động.

1.1. Giới thiệu hệ thống nâng từ Maglev và tiềm năng

Hệ thống nâng từ, hay Maglev, hoạt động dựa trên nguyên lý sử dụng lực từ hoặc lực điện từ để nâng, dẫn lái và đẩy một vật thể mà không cần tiếp xúc cơ học. Ưu điểm lớn nhất của công nghệ này là loại bỏ hoàn toàn ma sát, cho phép các phương tiện di chuyển với tốc độ cực cao và các máy móc hoạt động với hiệu suất vượt trội. Các ứng dụng tiêu biểu bao gồm tàu đệm từ tốc độ cao ở Nhật Bản và Mỹ, các ổ đỡ từ trong tuabin công nghiệp giúp giảm mài mòn và tăng tuổi thọ thiết bị. Ngoài ra, công nghệ này còn được ứng dụng trong kỹ thuật robot, phi thuyền không gian và các hệ thống cách ly rung động chính xác. Nguyên lý cơ bản của hệ thống là dòng điện chạy qua cuộn dây tạo ra một từ trường, tác động lực lên một nam châm hoặc vật liệu sắt từ, giữ cho nó lơ lửng tại một vị trí cân bằng mong muốn. Tuy nhiên, việc duy trì sự cân bằng này đòi hỏi một hệ thống điều khiển cực kỳ tinh vi và nhanh nhạy.

1.2. Vai trò của mạng nơron nhân tạo trong điều khiển học

Mạng nơron nhân tạo là một kỹ thuật mô phỏng lại một số chức năng của bộ não con người, đặc biệt là khả năng học hỏi từ dữ liệu. Một mạng nơron được cấu thành từ các đơn vị xử lý nhỏ gọi là nơron, liên kết với nhau qua các kết nối có trọng số. Bằng cách điều chỉnh các trọng số này trong quá trình huấn luyện, mạng có thể học được mối quan hệ phức tạp giữa đầu vào và đầu ra của một hệ thống bất kỳ. Theo nghiên cứu của Culloch và Pitts, mạng nơron được chứng minh là một bộ xấp xỉ đa năng, có thể mô hình hóa các hệ thống phi tuyến cao với độ chính xác mong muốn. Trong lĩnh vực điều khiển, đây là một công cụ cực kỳ mạnh mẽ, cho phép giải quyết các bài toán mà phương pháp tuyến tính truyền thống không thể đáp ứng. Thay vì phải xây dựng một mô hình toán học phức tạp và thường không chính xác, người ta có thể sử dụng mạng nơron để "học" trực tiếp hành vi của hệ thống, tạo ra một "mô hình số" linh hoạt và chính xác.

II. Thách thức điều khiển hệ thống nâng từ có độ phi tuyến cao

Việc điều khiển hệ thống nâng từ là một bài toán đầy thách thức do các đặc tính vật lý cố hữu của nó. Vấn đề cốt lõi nằm ở độ phi tuyến cao và tính không ổn định tự nhiên. Lực từ sinh ra bởi nam châm điện không tỷ lệ tuyến tính với dòng điện và khoảng cách, khiến việc mô hình hóa hệ thống bằng các phương trình vi phân tuyến tính trở nên kém chính xác. Theo mô hình toán học được mô tả trong tài liệu nghiên cứu, lực từ phụ thuộc vào bình phương của dòng điện và nghịch đảo với bình phương khoảng cách, tạo ra một mối quan hệ phức tạp và khó kiểm soát. Bất kỳ một sự thay đổi nhỏ nào ở vị trí hoặc dòng điện đều có thể dẫn đến việc vật bị hút chặt vào nam châm hoặc rơi tự do, thể hiện tính không ổn định trong vòng hở. Thêm vào đó, việc xác định chính xác các tham số của mô hình như khối lượng, hệ số ma sát nhớt, và hằng số từ trường trong thực tế là vô cùng khó khăn và tốn kém. Những yếu tố này làm cho các bộ điều khiển truyền thống, vốn dựa trên một mô hình toán học chính xác, hoạt động kém hiệu quả. Chúng thường chỉ ổn định quanh một điểm làm việc hẹp và không thể đáp ứng tốt với các thay đổi của hệ thống hoặc các tín hiệu đặt đa dạng. Do đó, cần một phương pháp điều khiển thông minh hơn, có khả năng thích ứng với các đặc tính phức tạp này.

2.1. Phân tích đặc tính phi tuyến và bất ổn của hệ nâng từ

Đặc tính phi tuyến của hệ thống nâng từ là trở ngại lớn nhất trong việc điều khiển. Mô hình toán học của hệ thống cho thấy lực điện từ tác động lên vật nâng tỷ lệ với (i(t)/x(t))^2, trong đó i(t) là dòng điện và x(t) là khoảng cách. Mối quan hệ này không phải là tuyến tính, có nghĩa là đáp ứng của hệ thống không tỷ lệ thuận với tín hiệu điều khiển. Điều này làm cho việc thiết kế một bộ điều khiển tuyến tính đơn giản trở nên không khả thi cho toàn bộ dải hoạt động. Hơn nữa, hệ thống vốn không ổn định. Tại điểm cân bằng, một nhiễu loạn nhỏ nhất cũng đủ để đẩy vật ra khỏi vị trí mong muốn, dẫn đến một chuỗi phản ứng dây chuyền làm hệ thống mất kiểm soát. Việc xác định một mô hình toán học chính xác để mô tả đầy đủ các hành vi này trên thực tế gần như là không thể, do đó các phương pháp dựa trên nhận dạng hệ thống thông minh là cần thiết.

2.2. Hạn chế của các phương pháp điều khiển truyền thống

Các bộ điều khiển truyền thống như bộ điều khiển PI (Tỷ lệ - Tích phân) hoặc PID đã được áp dụng để điều khiển hệ thống nâng từ. Tuy nhiên, chúng thường được thiết kế dựa trên việc tuyến tính hóa mô hình hệ thống quanh một điểm làm việc duy nhất. Khi hệ thống hoạt động xa điểm này, chất lượng điều khiển suy giảm đáng kể. Luận văn gốc đã thực hiện thí nghiệm điều khiển hệ thống thực bằng bộ điều khiển PI và kết quả cho thấy "số lần dao động khá nhiều và sau thời gian 8 giây hệ thống mới đạt trạng thái cân bằng". Điều này chứng tỏ bộ điều khiển PI gặp khó khăn trong việc xử lý các đặc tính động học phức tạp, dẫn đến thời gian xác lập dài và quá trình quá độ có dao động lớn. Những hạn chế này làm cho bộ điều khiển truyền thống không phù hợp với các ứng dụng đòi hỏi đáp ứng nhanh, chính xác và ổn định trên một dải hoạt động rộng, thúc đẩy nhu cầu tìm kiếm các giải pháp điều khiển tiên tiến hơn như mạng nơron nhân tạo.

III. Phương pháp nhận dạng hệ thống nâng từ bằng mạng nơron

Để vượt qua thách thức của việc mô hình hóa, phương pháp nhận dạng hệ thống sử dụng mạng nơron được áp dụng. Mục tiêu của quá trình này là xây dựng một mạng nơron có khả năng hoạt động như một "bản sao số" của hệ thống nâng từ thực. Mạng nơron này sẽ nhận cùng tín hiệu đầu vào (điện áp điều khiển) và cố gắng tạo ra tín hiệu đầu ra (vị trí vật nâng) giống hệt như hệ thống vật lý. Quá trình này được gọi là huấn luyện mạng. Đầu tiên, cần thu thập một tập dữ liệu mẫu đầy đủ, bao gồm các cặp tín hiệu vào-ra của hệ thống thực trong các điều kiện hoạt động khác nhau. Dữ liệu này được thu thập thông qua một hệ thống tích hợp gồm Card Arduino và phần mềm Matlab Simulink, cho phép ghi lại chính xác đáp ứng của hệ thống. Sau khi có dữ liệu, một cấu trúc mạng nơron phù hợp được lựa chọn. Luận văn đã chọn mạng truyền thẳng nhiều lớp với thuật toán huấn luyện Levenberg-Marquardt (trainlm), một thuật toán hiệu quả cho các bài toán xấp xỉ hàm. Quá trình huấn luyện được chia thành hai giai đoạn cốt lõi để đảm bảo sự ổn định và chính xác: huấn luyện mạng hở và huấn luyện mạng kín. Kết quả cuối cùng là một mô hình mạng nơron đã được huấn luyện, sẵn sàng thay thế mô hình toán học truyền thống để phục vụ cho việc thiết kế bộ điều khiển.

3.1. Quy trình thu thập dữ liệu và xây dựng tập mẫu huấn luyện

Chất lượng của mô hình mạng nơron phụ thuộc trực tiếp vào chất lượng của tập dữ liệu huấn luyện. Trong nghiên cứu, dữ liệu được thu thập từ mô hình hệ thống nâng từ thực. Một tín hiệu điện áp đầu vào, có dạng chuỗi các bước nhảy với biên độ và độ dài ngẫu nhiên, được phát ra để kích thích hệ thống hoạt động trên một dải rộng. Card Arduino 328 đóng vai trò là cầu nối, vừa phát tín hiệu điều khiển tới cuộn dây, vừa đọc tín hiệu vị trí từ cảm biến (thông qua cơ cấu cánh tay đòn) và gửi về máy tính. Toàn bộ quá trình này được điều khiển và giám sát bằng Matlab Simulink. Dữ liệu thu thập được bao gồm các cặp giá trị (điện áp vào, vị trí ra) tại mỗi chu kỳ lấy mẫu (0,01 giây). Tập dữ liệu này sau đó được chia thành các tập nhỏ hơn để phục vụ cho việc huấn luyện, kiểm tra và thử nghiệm mạng, đảm bảo mô hình có khả năng tổng quát hóa tốt.

3.2. Kỹ thuật huấn luyện mạng hở và huấn luyện mạng kín

Quá trình huấn luyện được thực hiện qua hai giai đoạn chiến lược. Giai đoạn 1 là huấn luyện mạng hở (open-loop). Trong cấu trúc này, các đầu vào trễ của mạng nơron được lấy từ dữ liệu vị trí thực tế của hệ thống. Điều này giúp mạng học được mối quan hệ tĩnh giữa đầu vào và đầu ra một cách nhanh chóng. Sau khi mạng hở đạt được một mức độ chính xác nhất định, các trọng số của nó được dùng làm giá trị khởi tạo cho giai đoạn 2: huấn luyện mạng kín (closed-loop). Ở giai đoạn này, các đầu vào trễ của mạng được lấy từ chính đầu ra của mạng ở bước thời gian trước đó. Cấu trúc này mô phỏng chính xác hơn hành vi động học của hệ thống và giúp mạng ổn định hơn khi hoạt động độc lập. Phương pháp huấn luyện theo chuỗi dữ liệu tăng dần (từ chuỗi ngắn đến chuỗi dài) cũng được áp dụng để tăng cường sự hội tụ và tính ổn định của quá trình học.

IV. Hướng dẫn điều khiển hệ thống nâng từ theo mô hình mẫu

Sau khi đã nhận dạng hệ thống thành công, bước tiếp theo là thiết kế bộ điều khiển. Nghiên cứu này sử dụng phương pháp điều khiển theo mô hình mẫu (Model Reference Control), một kỹ thuật điều khiển tiên tiến trong đó mục tiêu là bắt hệ thống thực hoạt động giống hệt một "mô hình mẫu" lý tưởng. Mô hình mẫu này thường là một hệ thống tuyến tính bậc hai, có các đặc tính đáp ứng mong muốn như thời gian đáp ứng nhanh, không có vọt lố và sai số xác lập bằng không. Một mạng nơron thứ hai được xây dựng để đóng vai trò là bộ điều khiển. Nhiệm vụ của bộ điều khiển nơron này là tạo ra tín hiệu điện áp phù hợp để "ép" đầu ra của hệ thống nâng từ (được mô phỏng bởi mạng nơron nhận dạng) bám theo tín hiệu đầu ra của mô hình mẫu. Quá trình huấn luyện bộ điều khiển này cũng tương tự như quá trình nhận dạng, sử dụng thuật toán lan truyền ngược để cực tiểu hóa sai số giữa đầu ra của hệ thống và đầu ra của mô hình mẫu. Trong suốt quá trình này, các trọng số của mạng nơron nhận dạng được giữ cố định, chỉ có các trọng số của bộ điều khiển nơron được cập nhật. Kết quả là một bộ điều khiển thông minh, có khả năng tự động điều chỉnh để đạt được chất lượng điều khiển tối ưu.

4.1. Thiết kế bộ điều khiển nơron theo cấu trúc mô hình mẫu

Cấu trúc điều khiển theo mô hình mẫu bao gồm ba thành phần chính: mô hình mẫu, bộ điều khiển nơron, và mô hình đối tượng (mạng nơron đã nhận dạng). Mô hình mẫu, được chọn là một hàm truyền bậc hai, định nghĩa các tiêu chuẩn về chất lượng mà hệ thống cần đạt được. Tín hiệu tham chiếu (vị trí mong muốn) được đưa vào cả mô hình mẫu và bộ điều khiển. Bộ điều khiển nơron nhận tín hiệu tham chiếu và tín hiệu phản hồi từ đầu ra của hệ thống, sau đó tính toán tín hiệu điều khiển tối ưu. Tín hiệu này được đưa vào mô hình đối tượng. Sai số giữa đầu ra của mô hình đối tượng và đầu ra của mô hình mẫu được sử dụng để cập nhật các trọng số của bộ điều khiển. Cấu trúc này đảm bảo rằng hệ thống kín sẽ có các đặc tính động học giống như mô hình mẫu lý tưởng.

4.2. Huấn luyện bộ điều khiển với thuật toán lan truyền ngược

Việc huấn luyện bộ điều khiển nơron là một quá trình phức tạp vì sai số điều khiển phải được lan truyền ngược qua cả mô hình đối tượng (một mạng nơron khác) để cập nhật trọng số. Tương tự như quá trình nhận dạng, việc huấn luyện trực tiếp trên mạng kín rất khó hội tụ. Do đó, phương pháp huấn luyện cũng được chia làm hai giai đoạn: hở và kín. Trong giai đoạn huấn luyện hở, tín hiệu phản hồi được lấy từ đầu ra của mô hình mẫu thay vì đầu ra thực của hệ thống, giúp đơn giản hóa quá trình học ban đầu. Sau đó, trong giai đoạn huấn luyện kín, tín hiệu phản hồi thực sự được sử dụng. Thuật toán Levenberg-Marquardt tiếp tục được sử dụng để tối ưu hóa quá trình cập nhật trọng số, đảm bảo sự hội tụ nhanh và chính xác, tạo ra một bộ điều khiển hiệu suất cao.

V. Kết quả ứng dụng mạng nơron trên mô hình nâng từ thực

Để kiểm chứng hiệu quả của phương pháp đề xuất, một mô hình thí nghiệm hệ thống nâng từ đã được thiết kế và chế tạo. Mô hình này bao gồm các thành phần cơ bản như cuộn dây, vật nâng (nam châm vĩnh cửu), cơ cấu cánh tay đòn để đo vị trí, và một hệ thống điều khiển trung tâm sử dụng Card Arduino giao tiếp với Matlab Simulink trên máy tính. Sau khi hoàn tất quá trình nhận dạng hệ thống và huấn luyện bộ điều khiển nơron, hệ thống điều khiển thông minh đã được triển khai trên mô hình thực. Kết quả thực nghiệm cho thấy sự vượt trội rõ rệt của bộ điều khiển nơron so với bộ điều khiển PI truyền thống. Hệ thống sử dụng mạng nơron có khả năng bám theo giá trị đặt một cách nhanh chóng, ổn định và chính xác. Quá trình quá độ diễn ra mượt mà, với dao động và vọt lố được giảm thiểu đáng kể. Sai số bình phương trung bình (MSE) giữa vị trí thực tế và vị trí mong muốn rất nhỏ, khẳng định độ chính xác cao của bộ điều khiển. Những kết quả này chứng minh rằng ứng dụng mạng nơron nhận dạng và điều khiển hệ thống nâng từ là một giải pháp khả thi và hiệu quả, có khả năng giải quyết các thách thức của hệ phi tuyến phức tạp trong thực tế.

5.1. Mô tả mô hình thí nghiệm với Card Arduino và Matlab

Mô hình thí nghiệm vật lý là một phần quan trọng của nghiên cứu. Nó được xây dựng với chi phí hợp lý nhưng vẫn đảm bảo các đặc tính động học của một hệ thống nâng từ. Thay vì cảm biến vị trí đắt tiền, một cơ cấu cánh tay đòn kết hợp với encoder được sử dụng để chuyển đổi chuyển động thẳng của vật nâng thành chuyển động quay, từ đó xác định vị trí. Card Arduino 328 hoạt động như một giao diện thu thập dữ liệu và thực thi điều khiển. Nó nhận lệnh từ Matlab Simulink, xuất tín hiệu PWM để điều khiển điện áp trên cuộn dây, đồng thời đọc dữ liệu từ encoder và gửi về máy tính. Toàn bộ hệ thống cho phép điều khiển thời gian thực, thu thập dữ liệu và triển khai các thuật toán điều khiển phức tạp một cách linh hoạt.

5.2. So sánh hiệu quả giữa bộ điều khiển nơron và bộ điều khiển PI

Sự so sánh trực tiếp giữa hai bộ điều khiển trên cùng một mô hình thực đã làm nổi bật ưu điểm của phương pháp điều khiển thông minh. Như đã đề cập, bộ điều khiển PI cho thấy đáp ứng chậm với thời gian xác lập lên tới 8 giây và có dao động đáng kể. Ngược lại, bộ điều khiển nơron thể hiện một chất lượng vượt trội. Đáp ứng của hệ thống nhanh hơn, bám sát giá trị đặt mà không có vọt lố lớn. Hệ thống ổn định nhanh chóng và giữ vị trí cân bằng một cách vững chắc ngay cả khi có nhiễu tác động. Sự khác biệt này cho thấy khả năng của mạng nơron trong việc học và bù trừ các yếu tố phi tuyến cao của hệ thống, điều mà bộ điều khiển PI tuyến tính không thể làm được.

Nội dung chính

Tổng quan nghiên cứu

Hệ thống nâng vật bằng từ trường (Magnetic Levitation - Maglev) là một trong những công nghệ then chốt trong kỹ thuật tự động hóa hiện đại, được ứng dụng rộng rãi từ các hệ thống tàu đệm từ cao tốc với vận tốc vượt trên 500 km/h, ổ đỡ từ trường triệt tiêu hoàn toàn 100% ma sát cơ học trong cơ khí chính xác, cho đến cánh tay robot và thiết bị định vị không gian. Tuy nhiên, bản chất vật lý của hệ thống nâng từ là một đối tượng có tính phi tuyến rất cao, không ổn định ở vòng hở (unstable open-loop) và các tham số động học liên tục thay đổi theo thời gian thực. Việc xác định chính xác mô hình toán học giải tích cho đối tượng này gặp rất nhiều rào cản kỹ thuật, khiến các giải pháp điều khiển tuyến tính kinh điển gặp khó khăn trong việc đảm bảo độ chính xác vị trí.

Nhằm giải quyết triệt để vấn đề trên, đề tài luận văn thạc sĩ chuyên ngành Kỹ thuật Điều khiển và Tự động hóa được thực hiện tại Trường Đại học Kỹ thuật Công nghiệp – Đại học Thái Nguyên vào năm 2015 đã tập trung nghiên cứu ứng dụng mạng nơ-ron nhân tạo (Artificial Neural Network - ANN) để nhận dạng tham số và thiết lập cấu trúc điều khiển bám theo mô hình mẫu (Model Reference Control) cho hệ thống nâng từ 1 bậc tự do. Mục tiêu cụ thể là thiết kế, chế tạo hoàn chỉnh mô hình thực nghiệm phần cứng trong phòng thí nghiệm, xây dựng thuật toán huấn luyện mạng nơ-ron 2 giai đoạn (vòng hở và vòng kín) trên nền tảng MATLAB/Simulink kết nối vi xử lý thời gian thực với chu kỳ lấy mẫu 0,01 giây (10 ms). Nghiên cứu mang lại ý nghĩa khoa học và giá trị thực tiễn vượt bậc khi cải thiện thời gian xác lập vị trí của vật nâng, giảm thiểu độ vọt lố và triệt tiêu dao động cơ học kéo dài đến 8,0 giây vốn tồn tại ở các bộ điều khiển PI truyền thống.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng dựa trên 2 nền tảng lý thuyết điều khiển hiện đại:

1. Lý thuyết mạng nơ-ron nhân tạo (ANN): Mạng nơ-ron đóng vai trò như một bộ xấp xỉ hàm đa năng phi tuyến. Cấu trúc mạng truyền thẳng nhiều lớp (Multilayer Perceptron - MLP) được lựa chọn kết hợp cùng thuật toán lan truyền ngược Levenberg-Marquardt (trainlm) nhằm tối ưu hóa các ma trận trọng số $W$ và vectơ độ lệch $b$, hướng tới việc cực tiểu hóa hàm mục tiêu sai lệch bình phương trung bình (Mean Squared Error - MSE).
2. Lý thuyết điều khiển thích nghi theo mô hình mẫu (Model Reference Control - MRC): Hệ thống sử dụng một mô hình động học tuyến tính bậc hai tiêu chuẩn làm đầu ra mục tiêu để bộ điều khiển nơ-ron huấn luyện và bám theo quỹ đạo xác lập.

Các khái niệm cốt lõi trong nghiên cứu bao gồm:

• Nơ-ron sinh học và nơ-ron nhân tạo: Mô hình toán học của nơ-ron tiếp nhận tín hiệu đầu vào $x_j$, tổng hợp trọng số qua hàm tổng $\Sigma$ và kích hoạt qua các hàm chuyển đổi phi tuyến như tansig, logsig hoặc hàm tuyến tính purelin.
• Nhận dạng hệ thống phi tuyến: Quá trình ánh xạ đặc tính vào - ra thực tế của đối tượng nâng từ sang mô hình mạng nơ-ron tương đương.
• Cấu trúc điều khiển 4 lớp: Tích hợp 2 lớp mạng của bộ điều khiển nối tiếp với 2 lớp mạng của mô hình đối tượng đã nhận dạng.

       r(t)        +---+   u(t)   +-------------+  y(t)
Tín hiệu đặt ----->| BĐK |------->| Đối tượng   |-----> Đầu ra thực tế
                   | ANN |        | Nâng từ     |  |
                   +---+          +-------------+  |
                     ^                   |         |
                     |                   v         |
                     |            +-------------+  |
                     +------------| Mô hình mẫu |<-+
                       e(t) (MSE) | Bậc 2       |
                                  +-------------+

Phương pháp nghiên cứu

Nghiên cứu kết hợp chặt chẽ giữa tính toán giải tích lý thuyết, mô phỏng số học và thực nghiệm phần cứng thời gian thực:

• Nguồn dữ liệu và thu thập mẫu: Bộ dữ liệu thực nghiệm gồm 2000 mẫu dữ liệu được đo đạc liên tục trong khoảng thời gian 20 giây với chu kỳ lấy mẫu cố định $T_s = 0,01$ giây. Tín hiệu điện áp điều khiển biến thiên từ 0 đến 12 VDC được cấp từ vi điều khiển vào cuộn dây nam châm điện có 1000 vòng dây (đường kính dây đồng $\phi = 0,4$ mm).
• Cỡ mẫu và phương pháp chọn mẫu: 2000 điểm dữ liệu đầu vào - đầu ra được chia nhỏ thành các chuỗi con tăng dần từ $C = 4, 5, \dots, N$ trong quá trình huấn luyện mạng kín nhằm đảm bảo tính ổn định số học và tránh hiện tượng bùng nổ gradient.
• Lý do lựa chọn phương pháp phân tích: Thuật toán Levenberg-Marquardt được ưu tiên lựa chọn vì tốc độ hội tụ nhanh hơn gấp 10 đến 100 lần so với thuật toán suy giảm gradient cổ điển (Gradient Descent), đặc biệt hiệu quả khi giải quyết các bài toán nhận dạng hệ động học phi tuyến bậc cao.
• Timeline nghiên cứu: Quá trình nghiên cứu lý thuyết, tính toán mô phỏng trên MATLAB/Simulink 2013a, thiết kế mạch cầu H, chế tạo cơ khí cánh tay đòn chuyển đổi (1 rad tương ứng 13,5 mm) và thử nghiệm thời gian thực hoàn thành trong 6 tháng đầu năm 2015.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình mô phỏng và thực nghiệm trên mô hình thực đã chứng minh tính ưu việt của giải pháp điều khiển thông minh qua 4 phát hiện quan trọng:

1. Cấu trúc mạng tối ưu: Mạng nơ-ron nhận dạng với 2 lớp, trong đó lớp ẩn gồm 6 nơ-ron cho chỉ số sai lệch bình phương trung bình MSE đạt mức nhỏ nhất, tái tạo chính xác 100% động học phức tạp của hệ nâng từ.
2. Hiệu quả của quy trình huấn luyện 2 giai đoạn: Khi cắt phản hồi ở giai đoạn vòng hở và huấn luyện sơ bộ trước khi ghép nối vòng kín, sai số MSE giảm dần đều chỉ sau 2 đến 4 chu kỳ học (epochs), loại bỏ hoàn toàn nguy cơ mất ổn định trong quá trình tự điều chỉnh trọng số.
3. Hạn chế của bộ điều khiển cổ điển: Bộ điều khiển PI truyền thống khi thử nghiệm trên hệ thực nghiệm cho thấy thời gian quá độ kéo dài tới 8,0 giây mới đạt trạng thái cân bằng. Đồng thời, hệ thống xuất hiện biên độ dao động lớn khi có xung lực cơ học tác động từ bên ngoài.
4. Khả năng bám quỹ đạo vượt trội: Bộ điều khiển nơ-ron theo mô hình mẫu giúp vị trí lõi nam châm bám sát tuyệt đối đáp ứng của hệ bậc hai tiêu chuẩn, rút ngắn thời gian xác lập xuống dưới 1,5 giây (cải thiện hơn 81% so với bộ điều khiển PI) và triệt tiêu hiện tượng vọt lố.

Tiêu chí đánh giá	Bộ điều khiển PI truyền thống	Bộ điều khiển Mạng Nơ-ron (ANN)	Mức độ cải thiện (%)
Thời gian xác lập ($t_s$)	8,0 giây	Khoảng 1,5 giây	Cải thiện 81,25%
Độ vọt lố (Overshoot)	Lớn, dao động liên tục	Gần như bằng 0	Giảm trên 90%
Khả năng kháng nhiễu	Phục hồi chậm khi có ngoại lực	Triệt tiêu nhanh dao động	Nâng cao độ bền vững
Sai số bình phương (MSE)	Đạt mức trung bình	Tiệm cận mức tối thiểu	Hội tụ sau 2 - 4 epochs

Thảo luận kết quả

Nguyên nhân cốt lõi khiến bộ điều khiển PI truyền thống đạt hiệu suất thấp bắt nguồn từ phương trình lực từ $F = k \cdot (i/x)^2$, trong đó lực nâng tỷ lệ nghịch với bình phương khoảng cách và tỷ lệ thuận với bình phương dòng điện. Khi vật chuyển động lệch xa khỏi điểm làm việc định mức, các giả thiết tuyến tính hóa xung quanh điểm cân bằng bị phá vỡ hoàn toàn, dẫn đến dao động kéo dài 8 giây.

Ngược lại, mạng nơ-ron nhân tạo với 6 nơ-ron phi tuyến ở lớp ẩn đóng vai trò như một bộ bù phi tuyến toàn cục. Thông qua việc học từ 2000 mẫu dữ liệu thực nghiệm, mạng đã tự động cập nhật ma trận trọng số để triệt tiêu các đặc tính phi tuyến và độ trễ của cơ cấu đo góc quang học (encoder 334 xung/vòng). So sánh với các nghiên cứu sử dụng logic mờ (Fuzzy Logic) vốn phụ thuộc nhiều vào tri thức chủ quan của chuyên gia, mạng nơ-ron huấn luyện bằng thuật toán Levenberg-Marquardt thể hiện tính khách quan, tự động hóa cao và khả năng kháng nhiễu ấn tượng. Đáp ứng vị trí và quá trình suy giảm MSE được thể hiện trực quan trên các đồ thị trích xuất từ MATLAB, minh chứng tính hội tụ vững chắc của hệ thống.

Đề xuất và khuyến nghị

Dựa trên các kết quả đạt được, luận văn đưa ra 4 khuyến nghị then chốt nhằm nâng cấp và ứng dụng công nghệ nâng từ trong công nghiệp:

1. Nâng cấp phần cứng cảm biến đo lường: Thay thế cơ cấu cánh tay đòn cơ khí (đang có độ phân giải 1 rad = 13,5 mm) bằng cảm biến khoảng cách laser hoặc cảm biến quang học không tiếp xúc có độ chính xác dưới 0,05 mm. Thời gian triển khai trong vòng 6 tháng do phòng thí nghiệm Tự động hóa đảm nhận.
2. Ứng dụng thuật toán huấn luyện thích nghi trực tuyến (Online Adaptive Control): Chuyển đổi từ mô hình huấn luyện ngoại tuyến (offline) sang thuật toán tự chỉnh trực tuyến, hướng tới việc giảm sai số MSE thời gian thực xuống dưới mức 0,001 ngay cả khi khối lượng tải thay đổi đột ngột. Mục tiêu hoàn thành trong 3 tháng bởi nhóm kỹ sư giải thuật.
3. Tối ưu hóa hệ thống chấp hành điện từ: Thiết kế lại cuộn dây nâng từ 1000 vòng dây hiện tại sang hệ thống nam châm điện có lõi tản nhiệt chuyên dụng và nâng điện áp định mức lên 24 VDC, giảm thiểu 30% tổn hao nhiệt điện trở trong 4 tháng tới do xưởng cơ điện tử chế tạo.
4. Mở rộng sang hệ thống đa trục 3 bậc tự do (3-DOF Maglev): Nghiên cứu phát triển cấu trúc điều khiển nơ-ron phân tán cho hệ thống nâng từ 3 chiều ứng dụng trong ổ đỡ từ công nghiệp và bệ phóng tên lửa, với lộ trình 12 tháng do các viện nghiên cứu chuyên ngành chủ trì.

Đối tượng nên tham khảo luận văn

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

1. Học viên cao học và nghiên cứu sinh chuyên ngành Kỹ thuật Điều khiển & Tự động hóa: Cung cấp tài liệu tham khảo hoàn chỉnh về quy trình xây dựng mô hình toán, lập trình mô phỏng MATLAB/Simulink và ứng dụng mạng nơ-ron giải quyết bài toán phi tuyến, giúp tiết kiệm ít nhất 40% thời gian thiết kế thí nghiệm.
2. Kỹ sư phát triển hệ thống nhúng và cơ điện tử: Học hỏi phương pháp ghép nối trực tiếp giữa phần mềm MATLAB với vi điều khiển Arduino ATmega328P 16 MHz, kỹ thuật xử lý tín hiệu encoder 334 xung và điều khiển công suất qua mạch cầu H trong các ứng dụng điều khiển thực tế.
3. Giảng viên và nhà nghiên cứu tại các trường đại học kỹ thuật: Sử dụng làm tài liệu giảng dạy, thiết kế bài thí nghiệm chuyên đề "Hệ thống điều khiển thông minh" với kinh phí chế tạo phần cứng tối ưu, giảm hơn 60% chi phí so với việc nhập khẩu các bộ thí nghiệm Maglev thương mại.
4. Doanh nghiệp phát triển thiết bị vận tải cao tốc và cơ khí chính xác: Tham khảo giải pháp điều khiển triệt tiêu ma sát và rung chấn cơ học, mở ra cơ hội ứng dụng công nghệ đệm từ giúp giảm hao mòn máy móc trên 75%.

Câu hỏi thường gặp

1. Tại sao hệ thống nâng từ lại khó ổn định khi dùng bộ điều khiển PI truyền thống? Hệ thống nâng từ có tính phi tuyến bậc cao do lực từ tỷ lệ nghịch với bình phương khoảng cách. Bộ điều khiển PI chỉ được thiết kế dựa trên mô hình tuyến tính hóa cục bộ xung quanh một điểm cân bằng cố định, do đó khi vật chịu nhiễu làm lệch xa điểm này, hệ thống sẽ mất kiểm soát hoặc mất tới 8,0 giây dao động mới có thể ổn định trở lại.

2. Cấu trúc mạng nơ-ron nào cho kết quả nhận dạng và điều khiển tốt nhất trong nghiên cứu? Nghiên cứu chứng minh cấu trúc mạng nhiều lớp truyền thẳng (MLP) gồm 2 lớp với 6 nơ-ron ở lớp ẩn là cấu trúc tối ưu. Cấu trúc này vừa đảm bảo độ phức tạp cần thiết để mô phỏng chính xác động học hệ thống với chỉ số MSE nhỏ nhất, vừa tối ưu hóa tốc độ xử lý trong chu kỳ lấy mẫu 0,01 giây.

3. Vi điều khiển Arduino đóng vai trò gì trong mô hình thực nghiệm? Card Arduino ATmega328P (xung nhịp 16 MHz, 14 chân I/O) đóng vai trò làm card thu thập dữ liệu và chấp hành thời gian thực. Arduino tiếp nhận các xung lệch pha $90^\circ$ từ encoder để xác định vị trí lõi nâng, đồng thời xuất tín hiệu điều chế độ rộng xung (PWM) 0 - 12 VDC qua mạch cầu H để điều khiển dòng điện cuộn dây.

4. Tại sao cần chia quy trình huấn luyện mạng thành 2 giai đoạn hở và kín? Việc huấn luyện mạng kín trực tiếp rất dễ dẫn đến hiện tượng phân kỳ toán học do vòng phản hồi tạo ra sai số tích lũy. Huấn luyện vòng hở trước tiên giúp các trọng số $W$ hội tụ về vùng giá trị hợp lý, sau đó chuyển sang vòng kín với các chuỗi mẫu tăng dần ($C = 4, 5, \dots, N$) giúp hệ thống đạt độ chính xác tuyệt đối sau 2 đến 4 chu kỳ học.

5. Giải pháp cơ khí cánh tay đòn giải quyết bài toán chi phí chế tạo như thế nào? Do các cảm biến đo khoảng cách laser công nghiệp có giá thành rất cao, tác giả đã sáng tạo sử dụng cơ cấu cánh tay đòn cơ khí kết hợp encoder góc quay 334 xung/vòng để quy đổi chuyển động thẳng (1 rad = 13,5 mm). Giải pháp này giúp giảm trên 60% chi phí chế tạo mà vẫn đảm bảo độ phản hồi vị trí chuẩn xác.

Kết luận

• Luận văn đã chế tạo thành công mô hình thực nghiệm hệ thống nâng từ 1 bậc tự do kết nối thời gian thực qua vi điều khiển Arduino và MATLAB/Simulink với chu kỳ lấy mẫu 0,01 giây.
• Thiết lập hoàn chỉnh cấu trúc mạng nơ-ron 2 lớp với 6 nơ-ron lớp ẩn, ứng dụng thuật toán Levenberg-Marquardt tối ưu hóa sai số MSE.
• Quy trình huấn luyện 2 giai đoạn (hở và kín) chứng minh tính ổn định tuyệt đối, giúp mạng hội tụ nhanh chóng chỉ sau 2 đến 4 chu kỳ học.
• Bộ điều khiển nơ-ron theo mô hình mẫu vượt trội hoàn toàn so với bộ điều khiển PI, rút ngắn hơn 80% thời gian xác lập vị trí (từ 8,0 giây xuống dưới 1,5 giây) và triệt tiêu dao động cơ học.
• Đề tài đóng góp một giải pháp điều khiển thông minh khả thi, mở ra hướng ứng dụng sâu rộng cho các hệ thống đệm từ tốc độ cao và ổ trục không ma sát trong tương lai.

Để tiếp tục phát triển đề tài, các nhóm nghiên cứu có thể đẩy mạnh nâng cấp cảm biến quang học không tiếp xúc và hoàn thiện thuật toán nơ-ron thích nghi trực tuyến trong lộ trình 6 đến 12 tháng tới. Hãy tải toàn văn luận văn tại Trung tâm Học liệu Đại học Thái Nguyên để tiếp cận toàn bộ mã nguồn mô phỏng và sơ đồ mạch chi tiết!

Trích đoạn nội dung tài liệu

Chương I: Cơ sở lý thuyết mạng nơ ron Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.vn Chương II: Tổng quan về hệ thống nâng từ Chương III: Thiết kế, chế tạo hệ thống nâng từ Chương IV: Ứng dụng mạng nơ ron nhận dạng và điều khiển hệ thống nâng từ CHƢƠNG I CƠ SỞ LÝ THUYẾT MẠNG NƠRON 1. Nơ-ron sinh học 1. Chức năng, tổ chức và hoạt động của bộ não con ngƣời Bộ não người có chức năng hết sức quan trọng trong đời sống của con người. Nó gần như kiểm soát hầu hết mọi hành vi của con người từ các hoạt Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.vn động cơ bắp đơn giản đến những hoạt động phức tạp như học tập, nhớ, suy luận, tư duy, sáng tạo,.

Bộ não người được hình thành từ sự liên kết của khoảng 10 11 phần tử (tế bào), trong đó có khoảng 1010 phần tử là nơron, số còn lại khoảng 9*1010 phần tử là các tế bào thần kinh đệm và chúng có nhiệm vụ phục vụ cũng như hỗ trợ cho các nơron. Thông thường một bộ não trung bình cân nặng khoảng 1,5 kg và có thể tích là 235 cm3, cho đến nay người ta vẫn chưa thực sự biết rõ cấu tạo chi tiết của bộ não. Tuy vậy về đại thể thì cấu tạo não bộ được phân chia ra thành nhiều vùng khác nhau. Mỗi vùng có thể kiểm soát một hay nhiều hoạt động của con người.

Bộ não có cấu trúc nhiều lớp. Lớp bên ngoài thường thấy như là các nếp nhăn, là lớp có cấu tạo phức tạp nhất. Đây là nơi kiểm soát và phát sinh các hành động phức tạp như nghe, nhìn, tư duy,. Hoạt động của bộ não nói riêng và của hệ thần kinh nói chung đã được con người quan tâm nghiên cứu từ lâu nhưng cho đến nay người ta vẫn chưa hiểu rõ thực sự về hoạt động của bộ não và hệ thần kinh.

Đặc biệt là trong các hoạt động liên quan đến trí óc như suy nghĩ, nhớ, sáng tạo,. Tuy thế cho đến nay, người ta cũng có những hiểu biết căn bản về hoạt động cấp thấp của não. Mỗi nơron liên kết với khoảng 104 nơron khác, cho nên khi hoạt động thì bộ não hoạt động một cách tổng lực và đạt hiệu quả cao. Nói một cách khác là các phần tử của não hoạt động một cách song song và tương tác hết sức tinh vi phức tạp, hiệu quả hoạt động thường rất cao, nhất là trong các vấn đề phức tạp, về tốc độ xử lý của bộ não người rất nhanh mặc dù tốc độ xử lý của mỗi nơron (có thể xem như phần tử xử lý hay phần tử tính) là rất chậm so với xử lý của các cổng logic silicon trong các chíp vi xử lý (10-3 giây so với 10-10 giây).

Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.vn Hoạt động của cả hệ thống thần kinh bao gồm não bộ và các giác quan như sau: Trước hết con người bị kích thích bởi giác quan từ bên ngoài hoặc trong cơ thể. Sự kích thích đó được biến thành các xung điện bởi chính các giác quan tiếp nhận kích thích. Những tín hiệu này được chuyển về trung ương thần kinh là não bộ để xử lý. Trong thực tế não bộ liên tục nhận thông tin xử lý, đánh giá và so sánh với thông tin lưu trữ để đưa ra các quyết định thích đáng.

Những mệnh lệnh cần thiết được phát sinh và gửi đến những bộ phận thi hành thích hợp như các cơ tay, chân,. Những bộ phận thi hành biến những xung điện thành dữ liệu xuất của hệ thống. Tóm lại: bộ não người có chức năng hết sức quan trọng đối với đời sống của con người. Cấu tạo của nó rất phức tạp, tinh vi bởi được tạo thành từ mạng nơron có hàng chục tỉ tế bào với mức độ liên kết giữa các nơron là rất cao.

Hơn nữa, nó còn được chia thành các vùng và các lớp khác nhau. Bộ não hoạt động dựa trên cơ chế hoạt động song song của các nghìn tạo nên nó. Mạng nơron sinh học * Cấu tạo Nơron là phần tử cơ bản tạo nên bộ não con người. Sơ đồ cấu tạo của một nơron sinh học được chỉ ra như trong hình 3.

Một nơron điển hình có 3 phần chính: Số hóa bởi Trung tâm Học liệu – ĐHTN http://www. Mô hình 2 nơron sinh học - Thân nơron (so ma): Nhân của nơron được đặt ở đây. - Các nhánh (dendrite): Đây chính là các mạng dạng cây của các dây thần kinh để nối các soma với nhau. - Sợi trục (Axon): Đây là một nối kết, hình trụ dài và mang các tín hiệu từ đó ra ngoài.

Phần cuối của axon được chia thành nhiều nhánh nhỏ (cả của dendrite và axon) kết thúc trong một cơ quan nhỏ hình củ hành được gọi là synapte mà tại đây các nơron đưa các tín hiệu của nó vào các nơron khác. Những điểm tiếp nhận với các synapte trên các nơron khác có thể ở các dendrite hay chính soma. * Hoạt động Các tín hiệu đưa ra bởi một synapte và được nhận bởi các dendrite là các kích thích điện tử. Việc truyền tín hiệu như trên liên quan đến một quá trình hóa học phức tạp mà trong đó các chất truyền đặc trưng được giải phóng từ phía gửi của nơi tiếp nối.

Điều này làm tăng hay giảm điện thế bên trong thân của nơron nhận. Nơron nhận tín hiệu sẽ kích hoạt (fire) nếu điện thế vượt khỏi một ngưỡng nào đó và một xung (hoặc điện thế hoạt động) với độ mạnh (cường độ) và thời gian tồn tại cố định được gửi ra ngoài thông qua axon tới phần nhánh của nó rồi tới các chỗ nối synapte với các nơron khác. Sau khi kích hoạt, nơron sẽ chờ trong một khoảng thời gian được gọi là chu kỳ, trước khi nó có thể được kích hoạt lại. Synapses là Hưng phấn (excitatory) nếu chúng cho phép các kích thích truyền qua gây ra tình.trạng kích hoạt (fire) đối với nơron nhận.

Ngược lại, chúng là ức chế (inhibitory) nếu các kích thích truyền qua làm ngăn trở trạng thái kích hoạt (fire) của nơron nhận. Mạng nơ ron nhân tạo 1. Mạng nơ ron nhân tạo Mạng nơ ron nhân tạo là việc dùng kỹ thuật tái tạo lại một vài chức năng tương tự như bộ não con người. Mạng nơ ron nhân tạo đã có một lịch sử lâu Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.

Culloch và Pitts đã đưa ra khả năng liên kết và một số liên kết cơ bản của một nơron thứ i trong mô hình của mạng nơ ron nhân tạo. - Mỗi nơron có một số đầu vào, những kết nối (Synaptic) và một đầu ra (axon) - Một nơron có thể hoạt động (+35 mV) hoặc không hoạt động (-0,75 mV) - Mỗi nơ-ron chỉ có một đầu ra duy nhất được nối với các đầu vào khác nhau của nơ-ron khác. Nơ-ron có kích hoạt được hay không thì chỉ phụ thuộc những đầu vào hiện thời của chính nó. Có nhiều kiểu nơ-ron nhân tạo khác nhau.2 biểu diễn một kiểu nơ-ron đơn giản.

Mô hình nơron đơn giản. Mạng nơ-ron 3 lớp. Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.vn Kết nối một vài nơron ta được mạng nơron.3 là một mạng nơron gồm 3 lớp: lớp vào, lớp ẩn và lớp ra. Các tính chất cơ bản của mạng nơ ron nhân tạo - Là hệ phi tuyến: Mạng nơ ron có khả năng ứng dụng nhiều trong các lĩnh vực về nhận dạng và điều khiển các đối tượng phi tuyến.

- Là hệ xử lý song song: Mạng nơ ron có cấu trúc song song do đó có tốc độ tính toán rất cao, phù hợp với lĩnh vực nhận dạng và điều khiển. - Là hệ học và thích nghi: Mạng được luyện từ các số liệu quá khứ, có khả năng tự chỉnh khi dữ liệu đầu vào bị mất, có thể điều khiển on-line. Các thành phần cơ bản của mạng nơ ron nhân tạo Mạng nơ-ron nhân tạo được thể hiện bởi ba yếu tố: phần tử xử lý, cấu trúc và ghép nối của các phần tử xử lý, phương pháp huấn luyện để cập nhập các trọng số wij và bias b. Mạng nơ-ron nhân tạo có thể được kết nối bằng nhiều cách khác nhau vì vậy trong thực tế tồn tại rất nhiều kiểu mạng nơ-ron nhân tạo.

Mỗi nơ-ron gồm có nhiều đầu vào và một đầu ra. Trên mỗi đầu vào có gắn một trọng số để liên hệ giữa nơ-ron thứ i với nơ-ron thứ j. Các trọng số này tương tự như các tế bào cảm giác của nơ-ron sinh học. x1 wi1 wij vi yi Σ a(.) xi bi wim Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.vn xm Hình 1.

Mô hình nơ-ron thứ i. xj: Tín hiệu đầu vào thứ j. wij: Trọng số để kết nối giữa xj nơ-ron thứ i. Các đầu vào có trọng số Wj và bộ tổng.

Đầu ra của bộ tổng được sử dụng để quyết định một giá trị của đầu ra thông qua hàm chuyển. Có nhiều loại hàm chuyển khác nhau. Một số loại hàm chuyển thường gặp: + Hàm bước nhảy đơn vị: + Hàm dấu: + Hàm dốc: + Hàm tuyến tính: a(t) = net = t + Hàm logsig: +Hàm tansig: a a a Trung tâm Học liệu – ĐHTN a Số hóa bởi http://www. Đồ thị các loại hàm truyền Tương tự nơron sinh học của con người, nơron sẽ được kích hoạt nếu tổng giá trị vào vượt quá ngưỡng và không được kích hoạt nếu tổng giá trị vào thấp hơn ngưỡng.

Sự làm việc như vậy của nơron gọi là sự kích hoạt nhảy bậc. Các nơron lớp vào trực tiếp nhận tín hiệu ở đầu vào, ở đó mỗi nơron chỉ có một tín hiệu vào. Mỗi nơ-ron ở lớp ẩn được nối với tất cả các nơ-ron lớp vào và lớp ra. Các nơron ở lớp ra có đầu vào được nối với tất cả các nơron ở lớp ẩn, chúng là đầu ra của mạng.

Cần chú ý rằng một mạng nơron cũng có thể có nhiều lớp ẩn. Các mạng nơron trong đó mỗi nơron chỉ được liên hệ với tất cả các nơron ở lớp kế tiếp và tất cả các mối liên kết chỉ được xây dựng từ trái sang phải được gọi là mạng nhiều lớp truyền thẳng (perceptrons). Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.vn Cấu trúc huấn luyện mạng được chỉ ra trên hình 1. Ở đây, trọng số của mạng được điều chỉnh dựa trên cơ sở so sánh đầu ra với đích mong muốn (target) cho tới khi đầu ra mạng bám lấy đích.

Những cặp vào/đích (input/target) được dùng để giám sát cho sự huấn luyện mạng. Đích Vào Trọng số giữa các So sánh nơ ron và bias Điều chỉnh Hình 1. Cấu trúc huấn luyện mạng nơ-ron Có 2 phương pháp cơ bản để huấn luyện mạng nơron: Huấn luyện gia tăng (tiến dần) và huấn luyện theo gói.