Tổng quan nghiên cứu

Trong kỹ thuật điều khiển tự động và xử lý tín hiệu số, khoảng 85% các đối tượng và quá trình vật lý trong thực tế mang đặc tính phi tuyến cao, thay đổi theo thời gian và chịu nhiều tác động từ nhiễu ngẫu nhiên. Việc nhận dạng chính xác và mô hình hóa các hệ thống động lực này luôn là bài toán phức tạp. Mạng nơron nhân tạo truyền thống và các hệ mờ dù đã đạt được nhiều thành tựu nhưng vẫn bộc lộ hạn chế lớn về tốc độ hội tụ chậm cũng như nguy cơ rơi vào điểm cực tiểu địa phương. Trong khi đó, phép biến đổi Fourier kinh điển chỉ cung cấp thông tin toàn cục trong miền tần số, còn biến đổi Fourier cửa sổ lại bị chi phối bởi nguyên lý bất định Heisenberg.

Luận văn thạc sĩ khoa học máy tính với đề tài nghiên cứu mạng nơron wavelet ứng dụng cho xấp xỉ phi tuyến tập trung giải quyết bài toán cốt lõi: kết hợp năng lực xấp xỉ hàm đa phân giải của sóng nhỏ wavelet với khả năng tự học song song của mạng nơron nhân tạo. Mục tiêu cụ thể là thiết kế cấu trúc mạng nơron sóng nhỏ trọng lượng tổ hợp tuyến tính và xây dựng giải thuật học lai nhằm nâng cao độ chính xác trong xấp xỉ hàm và dự báo chuỗi thời gian.

Nghiên cứu được triển khai thực nghiệm trên chuỗi thời gian hỗn loạn Mackey-Glass với tập mẫu gồm 1.000 điểm dữ liệu trong giai đoạn thực hiện năm 2017 tại Trường Đại học Công nghệ Thông tin và Truyền thông, Đại học Thái Nguyên. Ý nghĩa thực tiễn của công trình thể hiện qua việc giảm sai số căn phương trung bình xuống dưới mức 0,005 và tăng tốc độ xử lý tính toán lên hơn 40% so với mô hình Perceptron đa lớp truyền thống, mở ra hướng ứng dụng quan trọng trong nhận dạng hệ thống điều khiển robot và dự báo chuỗi thời gian tài chính.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu vận dụng nền tảng của lý thuyết biến đổi wavelet liên tục kết hợp với mô hình mạng nơron truyền thẳng đa tầng Perceptron và mạng hàm cơ sở bán kính. Bản chất của phép biến đổi wavelet liên tục là ánh xạ một tín hiệu từ không gian một chiều sang không gian hai chiều phụ thuộc vào tham số tỉ lệ giãn nở và tham số dịch chuyển vị trí, đảm bảo khả năng khu biệt hóa đồng thời cả thời gian và tần số.

Các khái niệm cốt lõi được phát triển trong luận văn bao gồm:

  • Hàm sóng mẹ: Điển hình là họ hàm Morlet, Haar, Daubechies 5 và Mexican Hat, đáp ứng tính chất năng lượng chuẩn hóa bằng 1 và giá trị trung bình tích phân bằng 0.
  • Cấu trúc mạng nơron sóng nhỏ kết hợp tuyến tính: Mô hình thay thế các trọng số liên kết ở lớp ra bằng một cấu trúc tuyến tính cục bộ tương tự như suy luận mờ Takagi-Sugeno-Kang trong hệ thống ANFIS.
  • Mô hình nhận dạng hệ động lực phi tuyến: Áp dụng kiến trúc hồi quy tự hồi quy phi tuyến với đầu vào ngoại sinh và mô hình sai số đầu ra phi tuyến nhằm lưu giữ thông tin trễ của hệ thống động học.

Phương pháp nghiên cứu

Nguồn dữ liệu thực nghiệm được tạo lập từ chuỗi thời gian phi tuyến Mackey-Glass với tổng cỡ mẫu gồm chính xác 1.000 điểm dữ liệu liên tục từ thời điểm t = 123 đến t = 1123. Phương pháp chọn mẫu áp dụng theo quy chuẩn phân chia tập dữ liệu 50:50, trong đó 500 mẫu đầu tiên được đưa vào tập huấn luyện và tối ưu tham số, 500 mẫu còn lại đóng vai trò là tập kiểm tra độc lập nhằm đánh giá năng lực khái quát hóa của mạng.

Lý do lựa chọn phương pháp phân tích xuất phát từ việc thuật toán giảm gradient truyền thống thường hội tụ rất chậm và dễ mắc kẹt tại cực trị cục bộ do số lượng tham số phi tuyến quá lớn. Tác giả đã tích hợp giải thuật học lai: sử dụng phương pháp bình phương tối thiểu đệ quy cho các trọng số tuyến tính ở lớp ra, đồng thời dùng thuật toán lan truyền ngược giảm gradient có bổ sung động lượng cho các tham số phi tuyến của hàm wavelet. Quy trình này giúp hạ độ phức tạp tính toán từ mức lũy thừa bậc ba xuống bậc thấp hơn, bảo đảm tính ổn định toàn cục cho toàn bộ hệ thống ước lượng.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình mô phỏng và thực nghiệm trên máy tính đã đem lại 4 phát hiện khoa học quan trọng:

  • Khả năng xấp xỉ phi tuyến vượt trội: Cấu trúc mạng nơron sóng nhỏ đề xuất kết hợp hàm Morlet biến đổi đạt chỉ số sai số căn phương trung bình ở mức 0,0012 trên tập kiểm tra, giúp nâng cao độ chính xác hơn 65% so với mô hình mạng truyền thẳng nhiều lớp Perceptron thông thường.
  • Tốc độ hội tụ nhanh và ổn định: Giải thuật huấn luyện lai mới giúp mô hình đạt trạng thái hội tụ tối ưu chỉ sau khoảng 150 chu kỳ học lặp, nhanh hơn gấp 2,8 lần so với phương pháp giảm gradient truyền thống.
  • Hiệu quả tối ưu hóa tham số: Việc khởi tạo giá trị tham số giãn ban đầu bằng 0,2 lần khoảng biến thiên dữ liệu đầu vào và đặt tâm dịch chuyển tại trung tâm miền xác định giúp loại bỏ hoàn toàn hiện tượng triệt tiêu gradient, duy trì tỷ lệ học thành công đạt trên 98%.
  • Tinh gọn tài nguyên tính toán: Nhờ đặc tính biểu diễn thưa của các hệ số wavelet, mô hình cắt giảm được khoảng 30% số lượng nơron ẩn cần thiết so với mạng hàm cơ sở bán kính mà vẫn bảo đảm chất lượng xấp xỉ chính xác của đường cong phi tuyến.

Thảo luận kết quả

Nguyên nhân chính giúp cấu trúc mạng nơron wavelet cải tiến vượt qua các mô hình truyền thống nằm ở sự kết hợp tương hỗ giữa đặc tính phân tích đa phân giải và các mô hình tuyến tính cục bộ. Khi tín hiệu đầu vào có các điểm biến thiên gấp khúc hoặc gián đoạn, các hàm wavelet đóng vai trò như các bộ lọc cục bộ cô lập vùng dao động, trong khi thành phần tuyến tính ở lớp đầu ra thực hiện phép nội suy mượt mà trong không gian nhiều chiều.

Khi phân tích dữ liệu nghiên cứu, kết quả có thể được thể hiện qua đồ thị biểu diễn quỹ đạo chuỗi thời gian thực tế so với chuỗi dự báo của mạng nơron wavelet, cho thấy hai đường đồ thị gần như trùng khít nhau hoàn toàn trên cả 500 mẫu kiểm định. Đồng thời, một bảng so sánh các chỉ số sai số với các cấu hình từ 3 đến 9 nơron ẩn sẽ làm nổi bật sự giảm dần có quy luật của sai số cực đại và sai số trung bình. So với các công bố khoa học của Zhang hay Benveniste, mô hình lai trong luận văn này đã giải quyết triệt để sự dư thừa hệ số cơ bản và gia tăng tốc độ phản hồi cho các bài toán thời gian thực.

Đề xuất và khuyến nghị

  • Chuẩn hóa quy trình tiền xử lý tín hiệu: Thực hiện chuẩn hóa miền dữ liệu đầu vào về đoạn [0, 1] và thiết lập thông số giãn nở wavelet ban đầu cố định ở mức 0,2 lần biên độ nhằm duy trì sai số RMSE dưới ngưỡng 0,002 trong vòng 3 tháng đầu triển khai tại các đơn vị thử nghiệm. Chủ thể thực hiện là các kỹ sư xử lý dữ liệu và chuyên viên phát triển thuật toán AI.
  • Ứng dụng giải thuật học lai vào điều khiển thời gian thực: Tích hợp cấu trúc học kết hợp giữa bình phương tối thiểu đệ quy và lan truyền ngược giảm gradient vào các bộ điều khiển nhúng để rút ngắn độ trễ đáp ứng xuống dưới 15 mili-giây cho mỗi chu kỳ điều khiển. Chủ thể thực hiện là đội ngũ kỹ sư điều khiển tự động hóa và lập trình hệ thống nhúng.
  • Tự động hóa quá trình tinh giản cấu trúc mạng: Xây dựng giải thuật tỉa bớt tự động các nút wavelet có hệ số đóng góp năng lượng dưới 5% nhằm tiết kiệm 25% dung lượng bộ nhớ cho hệ thống trong giai đoạn 6 tháng tiếp theo. Chủ thể thực hiện là các nhóm nghiên cứu tại các viện công nghệ thông tin.
  • Mở rộng mô hình cho không gian nhiều chiều: Phát triển mô hình mạng nơron wavelet nhiều đầu vào - nhiều đầu ra bằng tích tenxơ cơ sở wavelet để nhận dạng các hệ thống chuyển động đa bậc tự do của robot công nghiệp trong lộ trình 12 tháng tới. Chủ thể thực hiện là trưởng các phòng thí nghiệm trí tuệ nhân tạo và tự động hóa.

Đối tượng nên tham khảo luận văn

  • Học viên cao học và nghiên cứu sinh chuyên ngành Khoa học máy tính, Hệ thống thông tin: Khai thác cơ sở toán học chặt chẽ về biến đổi sóng nhỏ và cấu trúc mạng nơron nhân tạo để làm tài liệu nền tảng cho các công trình nghiên cứu chuyên sâu về học máy và tính toán mềm.
  • Kỹ sư nghiên cứu và phát triển hệ thống điều khiển tự động: Vận dụng mô hình nhận dạng hệ phi tuyến WNN-LCW để thiết kế các bộ điều khiển thích nghi cho các cơ cấu chấp hành phi tuyến như tay máy robot công nghiệp và hệ thống truyền động thủy lực.
  • Chuyên viên phân tích định lượng và dự báo kinh tế: Áp dụng phương pháp phân tích đa phân giải của wavelet để xử lý và dự báo các chuỗi thời gian có độ biến động cao như chỉ số chứng khoán hoặc biến động giá cả thị trường với độ lệch chuẩn cực thấp.
  • Giảng viên các trường đại học kỹ thuật: Sử dụng nội dung luận văn làm giáo trình tham khảo, tài liệu giảng dạy cho các học phần cao học về Mạng nơron, Logic mờ và Xử lý tín hiệu nâng cao.

Câu hỏi thường gặp

  • Mạng nơron Wavelet có ưu điểm gì vượt trội so với mạng Perceptron đa lớp truyền thống? Mạng nơron Wavelet thay thế hàm kích hoạt sigmoid toàn cục bằng các hàm sóng nhỏ có tính định vị cao cả về thời gian lẫn tần số. Điều này giúp mô hình phát hiện chính xác các đột biến cục bộ và giảm hơn 60% sai số xấp xỉ trên các chuỗi phi tuyến phức tạp.

  • Vì sao luận văn kết hợp phương pháp bình phương tối thiểu đệ quy với giải thuật giảm gradient? Việc kết hợp này tạo ra thuật toán học lai tối ưu: phương pháp bình phương tối thiểu đệ quy giải quyết nhanh các trọng số tuyến tính ở lớp ra với tính hội tụ toàn cục, còn giải thuật giảm gradient tinh chỉnh các tham số phi tuyến, giúp hệ thống đạt trạng thái cân bằng chỉ sau khoảng 150 vòng lặp.

  • Ý nghĩa của việc thử nghiệm trên chuỗi thời gian Mackey-Glass là gì? Chuỗi Mackey-Glass là bài toán chuẩn kinh điển trong ngành khoa học máy tính để kiểm thử độ phức tạp và tính hỗn loạn phi tuyến. Việc mô hình đạt sai số RMSE chỉ 0,0012 trên 500 điểm kiểm tra minh chứng cho năng lực dự báo vượt trội của cấu trúc mạng đề xuất.

  • Tiêu chuẩn nào quan trọng nhất khi lựa chọn hàm sóng mẹ trong nhận dạng tín hiệu? Việc chọn hàm sóng phụ thuộc vào hình dạng của tín hiệu cần phân tích và tính chất trực giao. Luận văn đã chứng minh hàm Morlet biến đổi có khả năng thích nghi cao nhất cho các bài toán xấp xỉ liên tục và xử lý mượt mà các đoạn dao động tuần hoàn phi tuyến.

  • Mô hình WNN-LCW có thể ứng dụng trực tiếp vào các thiết bị phần cứng nhúng không? Hoàn toàn khả thi vì cấu trúc mạng đã được tối ưu hóa trọng số tuyến tính cục bộ, giúp giảm đáng kể số phép toán nhân ma trận phức tạp, cho phép thực thi thời gian thực với chu kỳ trễ dưới 20 mili-giây trên các vi xử lý điều khiển tiêu chuẩn.

Kết luận

  • Luận văn đã hệ thống hóa toàn diện lý thuyết biến đổi wavelet liên tục, các cấu trúc mạng nơron nhân tạo và các nguyên lý nhận dạng hệ thống động lực học phi tuyến.
  • Đề xuất thành công cấu trúc mạng nơron sóng nhỏ trọng lượng tổ hợp tuyến tính kết hợp với mô hình tuyến tính cục bộ, mang lại tính linh hoạt cao trong xấp xỉ hàm.
  • Xây dựng giải thuật học lai hiệu quả, kết hợp nhuần nhuyễn giữa phương pháp bình phương tối thiểu đệ quy và giải thuật lan truyền ngược giảm gradient có động lượng.
  • Kiểm nghiệm thực nghiệm thành công trên 1.000 mẫu dữ liệu chuỗi Mackey-Glass, đạt sai số căn phương trung bình tối ưu ở mức 0,0012 và tăng tốc độ hội tụ gấp gần 3 lần.
  • Mở ra phương pháp luận thực nghiệm tin cậy cho bài toán nhận dạng đối tượng phi tuyến và dự báo chuỗi thời gian trong kỹ thuật điều khiển hiện đại.

Lộ trình tiếp theo sẽ tập trung vào việc mở rộng mô hình sang hệ thống đa biến nhiều chiều và nhúng giải thuật vào chip phần cứng điều khiển trong vòng 6 đến 12 tháng tới. Các nhà nghiên cứu và kỹ sư công nghệ quan tâm có thể khai thác trực tiếp khung mô hình này để nâng cao hiệu suất xử lý cho các hệ thống thông minh thực tế.