Khám Phá Ứng Dụng Máy Học Trong Nông Nghiệp Công Nghệ Cao Tại HCMUTE

Chuyên khảo y tế phân tích Hcmute ứng dụng máy học trong nông nghiệp công nghệ cao, đánh giá các khía cạnh quan trọng, đề xuất hướng nghiên cứu tiếp theo.

• Tác giả: Trần Kim Toại
• Trường học: Trường Đại Học Sư Phạm Kỹ Thuật Thành Phố Hồ Chí Minh
• Chuyên ngành: Khoa Kinh Tế
• Đề tài: Ứng Dụng Máy Học Trong Nông Nghiệp Công Nghệ Cao
• Loại tài liệu: báo cáo tổng kết đề tài KH&CN cấp trường trọng điểm
• Năm xuất bản: 2021
• Địa điểm: Tp. Hồ Chí Minh

Mục lục chi tiết

• LỜI MỞ ĐẦU
• 1. CHƯƠNG 1: TỔNG QUAN
• 1.1. Đặt vấn đề
• 1.2. Mục tiêu và giới hạn đề tài
• 1.3. Phương pháp nghiên cứu và cơ sở khoa học
• 1.4. Tổng quan tình hình nghiên cứu
• 1.5. Nội dung đề tài
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT
• 3. CHƯƠNG 3: XÂY DỰNG HỆ THỐNG
• 4. CHƯƠNG 4: THỰC NGHIỆM VÀ ĐÁNH GIÁ
• 5. CHƯƠNG 5: KẾT LUẬN
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Ứng dụng máy học trong nông nghiệp

Đề tài tập trung vào ứng dụng máy học trong nông nghiệp công nghệ cao, cụ thể là dự báo thời tiết, đặc biệt là dự báo mưa. Ứng dụng máy học giúp tăng độ chính xác và hiệu quả trong dự báo, hỗ trợ người nông dân đưa ra quyết định kịp thời. Nghiên cứu chỉ ra rằng các thuật toán như mạng nơron nhân tạo (ANN) vượt trội hơn các phương pháp truyền thống về tính linh hoạt và độ chính xác. Việc sử dụng mạng nơron nhân tạo trong dự báo mưa cho phép hệ thống “học” từ dữ liệu quá khứ, cập nhật tham số hiện tại và đưa ra dự báo chính xác hơn. Đây là một bước tiến quan trọng trong việc giảm thiểu rủi ro do thời tiết xấu gây ra cho sản xuất nông nghiệp. Nông nghiệp thông minh là mục tiêu hướng đến, giúp tối ưu hóa quy trình sản xuất và nâng cao năng suất.

1.1. Mạng nơron nhân tạo và dự báo mưa

Mô hình mạng nơron nhân tạo (ANN), cụ thể là mạng perceptron nhiều lớp, được chọn làm nền tảng cho hệ thống dự báo mưa. ANN xử lý các thông số môi trường (nhiệt độ, độ ẩm) thu thập từ mạng cảm biến không dây. Thuật toán lan truyền ngược (Back Propagation Algorithm) được sử dụng để huấn luyện mô hình, tối ưu hóa các tham số và giảm sai số dự đoán. Kết quả dự báo được đánh giá dựa trên các chỉ số như Mean Absolute Error (MAE), Mean Square Error (MSE), và Root Mean Square Error (RMSE). Hiệu quả của mô hình ANN được so sánh với các thuật toán khác như SVM, Naive Bayes, Decision Tree, và Logistic Regression. Phản hồi từ quá trình so sánh giúp xác định độ chính xác và hiệu quả của mô hình ANN trong ngữ cảnh dự báo thời tiết cụ thể này. Mạng nơron nhân tạo thể hiện tiềm năng to lớn trong việc nâng cao năng lực dự báo thời tiết cho nông nghiệp thông minh.

1.2. Thu thập dữ liệu và mạng cảm biến không dây

Hệ thống sử dụng mạng cảm biến không dây để thu thập dữ liệu môi trường. Cụ thể, hai cảm biến nhiệt độ - độ ẩm được đặt tại hai vị trí khác nhau. Dữ liệu được truyền về máy chủ trung tâm để xử lý. Internet vạn vật (IoT) đóng vai trò quan trọng trong việc truyền tải dữ liệu thời gian thực. IoT trong nông nghiệp đang là xu hướng phát triển, cho phép giám sát và điều khiển từ xa. Quản lý phân bổ thông minh được hỗ trợ bởi hệ thống này. Cơ sở dữ liệu được xây dựng để lưu trữ và xử lý dữ liệu hiệu quả, hỗ trợ quá trình huấn luyện mô hình. Phần cứng được lựa chọn cẩn thận để đảm bảo độ chính xác và độ tin cậy của dữ liệu thu thập. Thiết kế hệ thống tập trung vào tính đơn giản và hiệu quả, dễ dàng triển khai trong điều kiện thực tế. Nông nghiệp bền vững được thúc đẩy nhờ việc sử dụng công nghệ này.

II. Phân tích dữ liệu và đánh giá mô hình

Phân tích dữ liệu nông nghiệp là một phần quan trọng của nghiên cứu. Dữ liệu thô được tiền xử lý trước khi đưa vào huấn luyện mô hình. Phần mềm và công cụ phù hợp được sử dụng để phân tích hiệu suất của mô hình. Độ chính xác của dự báo được đánh giá kỹ lưỡng thông qua so sánh với dữ liệu thực tế. Sai số dự báo được tính toán để đánh giá hiệu quả của mô hình. Kết quả nghiên cứu cho thấy mô hình ANN có độ chính xác cao hơn so với một số mô hình khác. Quản lý năng suất nông nghiệp được hỗ trợ bởi việc dự báo chính xác. Giám sát cây trồng bằng máy học là một ứng dụng tiềm năng của công nghệ này.

2.1. So sánh hiệu quả các thuật toán

Nghiên cứu so sánh hiệu quả của mạng nơron nhân tạo với các thuật toán khác như SVM, Naive Bayes, Decision Tree, và Logistic Regression. Các chỉ số đánh giá bao gồm MAE, MSE, RMSE, và độ chính xác dự báo. Kết quả cho thấy ANN có hiệu quả cao hơn trong trường hợp này. Trí tuệ nhân tạo (AI) thể hiện vai trò quan trọng trong nông nghiệp chính xác. Phát hiện bệnh cây bằng AI là một trong những ứng dụng tiềm năng. Dự báo thời tiết nông nghiệp chính xác đóng góp vào sự phát triển bền vững của nông nghiệp. Giải pháp nông nghiệp thông minh cần được nghiên cứu và phát triển thêm. Xu hướng nông nghiệp công nghệ cao đang ngày càng được chú trọng.

2.2. Ứng dụng thực tiễn và hướng phát triển

Kết quả nghiên cứu có ứng dụng thực tiễn cao trong nông nghiệp công nghệ cao tại HCMUTE. Mô hình dự báo mưa chính xác hỗ trợ người nông dân đưa ra quyết định về tưới tiêu, bón phân, thu hoạch. Dự báo thời tiết chính xác giúp giảm thiểu thiệt hại do thời tiết bất lợi gây ra. Đào tạo nông nghiệp công nghệ cao tại HCMUTE cần được chú trọng để ứng dụng công nghệ vào thực tiễn. Thực tiễn đào tạo nông nghiệp cần được cập nhật liên tục. Nghiên cứu ứng dụng máy học tại HCMUTE cần được mở rộng thêm. Khám phá tiềm năng AI trong nông nghiệp là một hướng phát triển quan trọng. Tối ưu hóa sử dụng nước nông nghiệp cũng là một ứng dụng quan trọng của công nghệ này. Nông nghiệp bền vững HCMUTE cần được phát triển dựa trên nền tảng công nghệ.

Nội dung chính

Tổng quan nghiên cứu

Dự báo thời tiết đóng vai trò thiết yếu trong nhiều lĩnh vực, đặc biệt là nông nghiệp, nơi mà các yếu tố thời tiết như mưa, nhiệt độ và độ ẩm ảnh hưởng trực tiếp đến năng suất và chất lượng sản phẩm. Tại Việt Nam, sản xuất nông nghiệp vẫn phụ thuộc lớn vào điều kiện thời tiết, trong khi biến đổi khí hậu làm gia tăng tính bất ổn của các yếu tố này. Theo ước tính, sai số trong dự báo thời tiết hiện nay vẫn còn khá lớn, gây khó khăn cho việc ra quyết định trong sản xuất và quản lý tài nguyên. Mục tiêu của nghiên cứu là thiết kế một hệ thống dự báo mưa chính xác dựa trên mạng nơron nhân tạo (Artificial Neural Network - ANN) kết hợp với mạng cảm biến không dây (Wireless Sensor Network - WSN), nhằm cung cấp dự báo kịp thời và đáng tin cậy cho các ứng dụng nông nghiệp công nghệ cao.

Phạm vi nghiên cứu tập trung vào việc thu thập dữ liệu môi trường gồm nhiệt độ và độ ẩm tại hai địa điểm khác nhau thông qua mạng cảm biến không dây Zigbee, trong khoảng thời gian thực nghiệm tại TP. Hồ Chí Minh. Hệ thống sử dụng mô hình mạng nơron truyền thẳng nhiều lớp (Multilayer Perceptron - MLP) với thuật toán lan truyền ngược (Back Propagation Algorithm - BPA) để huấn luyện và dự báo sự kiện mưa ngày tiếp theo. Ý nghĩa của nghiên cứu được thể hiện qua việc nâng cao độ chính xác dự báo, giúp người nông dân và các hệ thống tự động có thể điều chỉnh kịp thời các hoạt động như tưới tiêu, bón phân, bảo vệ cây trồng, từ đó giảm thiểu thiệt hại do thời tiết xấu và tối ưu hóa năng suất.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu dựa trên hai lý thuyết chính: mạng nơron nhân tạo (ANN) và mạng cảm biến không dây (WSN). ANN là mô hình tính toán mô phỏng hoạt động của hệ thần kinh sinh học, gồm các nơron nhân tạo kết nối với nhau qua các trọng số liên kết. Mạng truyền thẳng nhiều lớp (MLP) được sử dụng với cấu trúc gồm lớp đầu vào, lớp ẩn và lớp đầu ra, cho phép mô hình hóa các quan hệ phi tuyến phức tạp trong dữ liệu. Thuật toán lan truyền ngược (Back Propagation) được áp dụng để điều chỉnh trọng số nhằm giảm thiểu sai số dự báo.

Mạng cảm biến không dây Zigbee được chọn làm nền tảng thu thập dữ liệu môi trường do ưu điểm về tiêu thụ năng lượng thấp, chi phí hợp lý và khả năng truyền dữ liệu ổn định trong phạm vi rộng. Các cảm biến đo nhiệt độ và độ ẩm AQARA của Xiaomi được sử dụng để đảm bảo độ chính xác và ổn định trong thu thập dữ liệu.

Các khái niệm chuyên ngành quan trọng bao gồm:

• ANN (Artificial Neural Network): Mạng nơron nhân tạo dùng để mô hình hóa và dự báo.
• BPA (Back Propagation Algorithm): Thuật toán huấn luyện mạng nơron bằng cách lan truyền sai số ngược.
• WSN (Wireless Sensor Network): Mạng cảm biến không dây thu thập dữ liệu môi trường.
• MLP (Multilayer Perceptron): Mạng nơron nhiều lớp truyền thẳng.
• Hàm mất mát (Loss Function): Đo lường sai số giữa dự báo và thực tế, ví dụ như Mean Square Error (MSE).

Phương pháp nghiên cứu

Nguồn dữ liệu được thu thập từ hai nút cảm biến nhiệt độ và độ ẩm đặt tại hai vị trí khác nhau trong TP. Hồ Chí Minh, sử dụng giao thức Zigbee để truyền dữ liệu về bộ xử lý trung tâm. Dữ liệu sau đó được gửi qua WiFi đến máy chủ để lưu trữ và xử lý. Tổng số mẫu dữ liệu thu thập khoảng 1000 điểm, tương ứng với 500 thời điểm đo.

Phương pháp phân tích chính là xây dựng và huấn luyện mô hình mạng nơron truyền thẳng nhiều lớp với thuật toán lan truyền ngược. Các tham số mô hình như số lớp ẩn, số nơron trong lớp ẩn, hệ số học, hàm kích hoạt và hàm mất mát được lựa chọn dựa trên phương pháp thử sai nhằm tối ưu hóa độ chính xác dự báo. Quá trình huấn luyện được thực hiện trên tập dữ liệu huấn luyện, sau đó kiểm thử trên tập dữ liệu kiểm thử để đánh giá hiệu suất.

Timeline nghiên cứu bao gồm:

• Thu thập dữ liệu trong khoảng thời gian thực nghiệm.
• Thiết kế và triển khai hệ thống phần cứng thu thập dữ liệu.
• Xây dựng và huấn luyện mô hình ANN trên máy chủ.
• Đánh giá và so sánh kết quả với các thuật toán máy học khác như SVM, Logistic Regression, Naive Bayes, Decision Tree, K-Nearest Neighbor và Random Forest.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Độ chính xác dự báo của mô hình ANN: Mô hình mạng nơron truyền thẳng nhiều lớp với thuật toán lan truyền ngược đạt độ chính xác dự báo mưa khoảng 85%, cao hơn so với các thuật toán khác như SVM (78%), Logistic Regression (74%), và Naive Bayes (70%).
2. Sai số dự báo thấp: Hàm mất mát Mean Square Error (MSE) của mô hình ANN đạt mức khoảng 0.12, thấp hơn đáng kể so với các mô hình còn lại, cho thấy khả năng dự báo chính xác hơn.
3. Thời gian huấn luyện: Mô hình ANN mất khoảng 120 giây để huấn luyện trên tập dữ liệu 1000 mẫu, nhanh hơn so với Random Forest (180 giây) và SVM (150 giây).
4. Khả năng xử lý dữ liệu biến động theo thời gian: Mô hình ANN thể hiện ưu thế trong việc xử lý dữ liệu có tính biến động theo thời gian, nhờ khả năng học từ dữ liệu quá khứ và cập nhật trọng số liên tục.

Thảo luận kết quả

Nguyên nhân chính giúp mô hình ANN đạt hiệu quả cao là do cấu trúc mạng nhiều lớp cho phép mô hình hóa các quan hệ phi tuyến phức tạp giữa các thông số môi trường và sự kiện mưa. Thuật toán lan truyền ngược giúp tối ưu trọng số liên kết, giảm thiểu sai số dự báo. So với các thuật toán khác, ANN có khả năng học sâu và tổng quát hóa tốt hơn, phù hợp với dữ liệu thời tiết có tính biến động cao.

Kết quả này tương đồng với các nghiên cứu quốc tế về ứng dụng mạng nơron trong dự báo thời tiết, đồng thời khẳng định tính khả thi của việc ứng dụng ANN kết hợp mạng cảm biến không dây trong bối cảnh Việt Nam. Việc sử dụng mạng Zigbee giúp thu thập dữ liệu liên tục và ổn định, góp phần nâng cao chất lượng dữ liệu đầu vào cho mô hình.

Dữ liệu có thể được trình bày qua biểu đồ so sánh độ chính xác dự báo giữa các thuật toán, bảng thống kê sai số MSE và thời gian huấn luyện, giúp minh họa rõ ràng ưu điểm của mô hình ANN trong nghiên cứu.

Đề xuất và khuyến nghị

1. Triển khai mở rộng mạng cảm biến: Mở rộng số lượng nút cảm biến và phạm vi địa lý thu thập dữ liệu nhằm tăng tính đại diện và độ chính xác của mô hình dự báo. Thời gian thực hiện: 6-12 tháng; Chủ thể: các cơ quan nghiên cứu và doanh nghiệp nông nghiệp.
2. Tối ưu hóa mô hình ANN: Áp dụng các kỹ thuật học sâu nâng cao như mạng nơron tích chập (CNN) hoặc mạng nơron hồi tiếp (RNN) để cải thiện khả năng dự báo các sự kiện thời tiết phức tạp hơn. Thời gian thực hiện: 12 tháng; Chủ thể: nhóm nghiên cứu và các trường đại học.
3. Phát triển hệ thống cảnh báo tự động: Kết nối hệ thống dự báo với các thiết bị điều khiển tự động trong nông nghiệp như hệ thống tưới tiêu, phun thuốc để giảm thiểu thiệt hại do thời tiết xấu. Thời gian thực hiện: 6 tháng; Chủ thể: doanh nghiệp công nghệ và nông dân.
4. Đào tạo và phổ biến công nghệ: Tổ chức các khóa đào tạo cho nông dân và cán bộ kỹ thuật về sử dụng hệ thống dự báo và ứng dụng trong sản xuất nhằm nâng cao hiệu quả sử dụng. Thời gian thực hiện: liên tục; Chủ thể: các tổ chức đào tạo và chính quyền địa phương.

Đối tượng nên tham khảo luận văn

1. Nhà nghiên cứu và sinh viên ngành công nghệ thông tin, nông nghiệp công nghệ cao: Nghiên cứu về ứng dụng mạng nơron và mạng cảm biến không dây trong dự báo thời tiết và tự động hóa nông nghiệp.
2. Doanh nghiệp phát triển công nghệ IoT và AI: Tham khảo mô hình thiết kế hệ thống thu thập và xử lý dữ liệu môi trường, áp dụng thuật toán máy học để phát triển sản phẩm mới.
3. Cơ quan quản lý nông nghiệp và khí tượng thủy văn: Sử dụng kết quả nghiên cứu để cải tiến hệ thống dự báo thời tiết, nâng cao khả năng cảnh báo sớm thiên tai.
4. Nông dân và nhà sản xuất nông nghiệp: Áp dụng hệ thống dự báo để điều chỉnh kế hoạch sản xuất, giảm thiểu rủi ro do biến đổi thời tiết, nâng cao năng suất và chất lượng sản phẩm.

Câu hỏi thường gặp

1. Mô hình mạng nơron nhân tạo có ưu điểm gì so với các thuật toán khác trong dự báo thời tiết?
   Mạng nơron nhân tạo có khả năng học từ dữ liệu quá khứ, mô hình hóa các quan hệ phi tuyến phức tạp và xử lý dữ liệu biến động theo thời gian tốt hơn, giúp nâng cao độ chính xác dự báo so với các thuật toán như SVM hay Logistic Regression.

2. Tại sao lại sử dụng mạng cảm biến không dây Zigbee trong hệ thống?
   Zigbee tiêu thụ năng lượng thấp, chi phí hợp lý và có khả năng truyền dữ liệu ổn định trong phạm vi rộng, phù hợp với yêu cầu thu thập dữ liệu môi trường liên tục và đa điểm trong nông nghiệp.

3. Làm thế nào để đánh giá hiệu quả của mô hình dự báo?
   Hiệu quả được đánh giá qua các chỉ số như độ chính xác dự báo (%), sai số trung bình bình phương (MSE), thời gian huấn luyện và khả năng tổng quát hóa trên dữ liệu kiểm thử.

4. Hệ thống có thể dự báo được các yếu tố thời tiết khác ngoài mưa không?
   Mô hình có thể mở rộng để dự báo các yếu tố khác như nhiệt độ, độ ẩm, tuy nhiên nghiên cứu hiện tại tập trung vào dự báo sự kiện mưa nhằm phục vụ trực tiếp cho nông nghiệp.

5. Làm thế nào để ứng dụng kết quả dự báo vào thực tế sản xuất?
   Kết quả dự báo được tích hợp vào hệ thống điều khiển tự động hoặc cung cấp cho người dùng để điều chỉnh các hoạt động như tưới tiêu, phun thuốc, bảo vệ cây trồng, giúp giảm thiểu thiệt hại do thời tiết xấu.

Kết luận

• Nghiên cứu đã thiết kế thành công hệ thống dự báo mưa dựa trên mạng nơron nhân tạo kết hợp mạng cảm biến không dây, đạt độ chính xác dự báo khoảng 85%.
• Mô hình mạng nơron truyền thẳng nhiều lớp với thuật toán lan truyền ngược cho thấy ưu thế vượt trội so với các thuật toán máy học phổ biến khác.
• Hệ thống thu thập dữ liệu môi trường qua mạng Zigbee đảm bảo tính ổn định và liên tục, góp phần nâng cao chất lượng dữ liệu đầu vào.
• Kết quả dự báo hỗ trợ hiệu quả cho các quyết định trong nông nghiệp công nghệ cao, giảm thiểu thiệt hại do thời tiết bất lợi.
• Hướng phát triển tiếp theo là mở rộng phạm vi thu thập dữ liệu, áp dụng các mô hình học sâu nâng cao và phát triển hệ thống cảnh báo tự động.

Để tiếp tục phát triển và ứng dụng rộng rãi, các nhà nghiên cứu và doanh nghiệp được khuyến khích hợp tác triển khai thực tế, đồng thời đào tạo người dùng cuối nhằm tối ưu hóa lợi ích từ hệ thống dự báo này.

Trích đoạn nội dung tài liệu

Chương 1. Tổng quan Chương này trình bày khái quát về dự báo thời tiết và các ứng dụng của dự báo thời tiết trong cuộc sống. Giới thiệu mô hình cảm biến không dây và thuật toán dự đoán mà đề tài sẽ sử dụng. Nội dung chương cũng đề cập đến lý do chọn đề tài, mục tiêu, giới hạn và phương pháp nghiên cứu sẽ sử dụng trong đề tài.

5 Luan van Chương 2. Cơ sở lý thuyết Trong chương này, các khái niệm về mạng cảm biến không dây, các mô hình và phương pháp xây dựng chúng sẽ được trình bày. Giới thiệu về mạng Neural Network và ưu điểm của mạng trong việc dự đoán mưa sẽ được trình bày trong chương này. Xây dựng hệ thống Trong chương này, thiết kế hệ thống mạng cảm biến không dây để thu thập các thông số môi trường bao gồm lựa chọn phần cứng và thiết kế mô hình sẽ được trình bày.

Bên cạnh đó, chương này cũng sẽ trình bày cách mà hệ thống thu thập dữ liệu cũng như phương thức triển khai thuật toán dự đoán với thông số môi trường đã thu thập được, đồng thời cách thức lựa chọn các thông số của mô hình cũng sẽ được giới thiệu trong chương này. Thực nghiệm và đánh giá Trong chương này, việc thực nghiệm với hệ thống đã được xây dựng ở chương 3 sẽ trình bày. Các bước thực thi trong thu thập dữ liệu và huấn luyện mô hình mạng ANN dự đoán trong hệ thống cũng sẽ được phân tích làm rõ. Bên cạnh đó các kết quả thực nhiệm thực tế mà mô hình đạt được cũng sẽ được đánh giá và phân tích.

Việc kiểm thử và so sánh độ chính xác trong dự đoán của mô hình ANN với các mô hình thuật toán khác sẽ được trình bày và nhận xét trong chương này. Kết luận Chương này sẽ tiến hành đánh giá các kết quả đạt được của hệ thống. Từ đó, so sánh với mục tiêu ban đầu đề ra và kết luận. Bên cạnh đó, chương này cũng sẽ trình bày hướng phát triển đề tài trong tương lai.

6 Luan van Chương 2.1 Mạng nơron nhân tạo 2.1Tổng quan Mạng nơron nhân tạo (Artificial Neural Network- ANN) là mô hình xử lý thông tin được mô phỏng dựa trên hoạt động của hệ thống thần kinh của sinh vật, bao gồm số lượng lớn các Neuron được gắn kết để xử lý thông tin và 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. ANN giống như bộ não con người, được học bởi kinh nghiệm (thông qua huấn luyện), có khả năng lưu giữ những kinh nghiệm hiểu biết (tri thức) và sử dụng những tri thức đó trong việc dự đoán các dữ liệu chưa biết. Một mạng nơron nhân tạo được cấu hình cho một ứng dụng cụ thể (nhận dạng mẫu, phân loại dữ liệu.) thông qua một quá trình học từ tập các mẫu huấn luyện. Về bản chất học chính là quá trình hiệu chỉnh trọng số liên kết giữa các nơron.

[10] Các ứng dụng của mạng Neuron được sử dụng trong rất nhiều lĩnh vực như điện, điện tử, kinh tế, quân sự, .để giải quyết các bài toán có độ phức tạp và đòi hỏi có độ chính xác cao như điều khiển tự động, khai phá dữ liệu, nhận dạng, … Điển hình là các ứng dụng: xử lý ngôn ngữ, nhận dạng kí tự, nhận dạng tiếng nói, nhận dạng mẫu, xử lý tín hiệu, lọc dữ liệu, … 2.2 Nơron sinh vật Mạng nơron là một tập hợp các dây thần kinh kết nối với nhau. Nơron là đơn vị cơ bản cấu tạo hệ thống thần kinh và là một phần quan trọng nhất của não. Não chúng ta gồm khoảng 10 triệu nơ-ron và mỗi nơ-ron liên kết với 10. Các nơron có khả năng nhận, xử lý và truyền các tín hiệu điện hóa trên các đường mòn nơron, các con đường này tạo nên hệ thống giao tiếp của bộ não.

7 Luan van Thông thường, một mạng nơron bao gồm một hoặc nhiều nhóm các nơron được kết nối vật lý với nhau hoặc có liên quan với nhau về chức năng. Một nơ-ron đơn có thể được nối với nhiều nơron khác nên tổng số nơron và kết nối trong một mạng có thể là một giá trị cực kỳ lớn. Ở mỗi nơ-ron có phần thân (soma) chứa nhân, các tín hiệu đầu vào qua sợi nhánh (dendrites) và các tín hiệu đầu ra qua sợi trục (axon) kết nối với các nơ-ron khác. Hiểu đơn giản mỗi nơ-ron nhận dữ liệu đầu vào qua sợi nhánh và truyền dữ liệu đầu ra qua sợi trục, đến các sợi nhánh của các nơ-ron khác.

Mỗi nơron nhận xung điện từ các nơron khác qua sợi nhánh. Nếu các xung điện này đủ lớn để kích hoạt nơ-ron, thì tín hiệu này đi qua sợi trục đến các sợi nhánh của các nơron khác. Vậy nên ở mỗi nơ-ron cần quyết định có kích hoạt nơron đấy hay không [10]. Mọi thông tin đi vào và đi ra khỏi hệ thần kinh đều được truyền qua nơron dưới dạng các xung động thần kinh.

Các xung động này truyền đi theo một chiều nhất định nhờ chức năng dẫn truyền đặc biệt của các khớp thần kinh. Các khớp thần kinh có cấu trúc màng đặc biệt để tiếp nhận các tín hiệu khi có sự chênh lệch về nồng độ ion giữa bên trong và bên ngoài. Nếu độ lệch về nồng độ càng lớn thì việc truyền các ion càng nhiều và ngược lại. Mức độ thẩm thấu của các ion có thể coi là một đại lượng thay đổi tùy thuộc vào nồng độ như một giá trị đo thay đổi được gọi là trọng số [10].1: Nơron sinh học [11] 8 Luan van 2.3 Nơron nhân tạo Một mạng nơron được cấu thành bởi các nơron đơn lẻ được gọi là các perceptron.

Trên cơ sở mô hình nơron sinh vật tổng quát và các nó hoạt động, người ta đề xuất mô hình nơron nhân tạo gồm 2 thành phần chính: bộ tổng các liên kết đầu vào và bộ kích hoạt.2 Nơron nhân tạo [12] Công việc cơ bản của một nơron nhân tạo là cộng các mức kích hoạt ở đầu vào rồi tạo một mức tác động ở đầu ra nếu tổng các mức kích hoạt ở đầu vào lớn hơn một giá trị ngưỡng nào đó. Toàn bộ công việc này được được thực hiện qua các thành phần của nơron bao gồm [10]: Tập các đầu vào: Là các tín hiệu vào của nơron, các tín hiệu này thường được đưa vào dưới dạng một vector N chiều. Mỗi đầu vào tương ứng với 1 thuộc tính của dữ liệu. Ví dụ như trong ứng dụng của ngân hàng xem xét có chấp nhận cho khách hàng vay tiền hay không thì mỗi đầu vào là một thuộc tính của khách hàng như thu nhập, nghề nghiệp, tuổi, số con, … Đầu ra: Kết quả của một ANN là một giải pháp cho một vấn đề, ví dụ như với bài toán xem xét chấp nhận cho khách hàng vay tiền hay không thì đầu ra là có (cho vay) hoặc không (không cho vay).

Trọng số liên kết: Mỗi liên kết được thê hiện bởi một trọng số (gọi là trọng số liên kết). Trọng số liên kết giữa tín hiệu vào thứ i với nơron j thường được kí hiệu là 𝑊. Thông thường, các trọng số này được khởi tạo một cách ngẫu nhiên ở thời điểm khởi tạo mạng và được cập nhật liên tục trong quá trình học mạng. Đây là thành phần rất 9 Luan van quan trọng của một ANN, nó thể hiện mức độ quan trọng (độ mạnh) của dữ liệu đầu vào đối với quá trình xử lý thông tin (quá trình chuyển đổi dữ liệu từ lớp này sang lớp khác).

Quá trình học của ANN thực ra là quá trình điều chỉnh các trọng số của các tập đầu vào để có được kết quả mong muốn. Hàm tổng: Thường dùng để tính tổng của tích các đầu vào với trọng số liên kết của nó. Hàm tổng của một nơron đối với n đầu vào được tính theo công thức sau: (2.1) 𝑌= 𝑋 𝑊 Hàm tổng đối với nhiều nơron trong cùng một lớp: (2.2) 𝑌 = 𝑋 𝑊 Hàm chuyển đổi: Hàm tổng của một nơron cho biết khả năng kích hoạt của nơron đó còn gọi là kích hoạt bên trong. Kích hoạt bên trong là sự quyết định đầu ra của một nơron có thể được chuyển đến lớp tiếp theo trong mạng nơron hay không.

Mối quan hệ giữa kích hoạt bên trong và đầu ra được thể hiện bằng hàm chuyển đổi. Hàm này được dùng để giới hạn phạm vi đầu ra của mỗi nơron. Nó nhận đầu vào là kết quả của hàm tổng và ngưỡng đã cho. Thông thường, phạm vi đầu ra của mỗi nơron được giới hạn trong đoạn [0,1] hoặc [-1,1].

Các hàm chuyển đối rất đa dạng, có thể là các hàm tuyến tính hoặc phi tuyến. Việc lựa chọn hàm truyền nào là tùy thuộc vào từng bài toán và kinh nghiệm của người thiết kế mạng. 10 Luan van Hình 2.3 Hàm chuyển đổi [12] Kết quả xử lý tại các nơron đầu ra đôi khi rất lớn, vì vậy hàm chuyển đổi được sử dụng để xử lý đầu ra này trước khi chuyển đến lớp tiếp theo. Đôi khi thay vì sử dụng hàm chuyển đổi người ta sử dụng giá trị ngưỡng (Threshold value) để kiểm soát các đầu ra của các nơron tại một lớp nào đó trước khi chuyển các đầu ra này đến các lớp tiếp theo.

Nếu đầu ra của một nơron nào đó nhỏ hơn giá trị ngưỡng thì nó sẽ không được chuyển đến lớp tiếp theo [10]. Việc lựa chọn hàm chuyển đổi có tác động lớn đến kết quả của ANN. Các hàm chuyển đổi phi tuyến được sử dụng phổ biến trong ANN là: Hình 2.4 Các hàm chuyển đổi phổ biến [13] 2.4 Mạng nơron nhân tạo Mạng nơ ron nhân tạo là hệ thống bao gồm nhiều nơ ron nhân tạo kết hợp với nhau. Mỗi nơron có các đặc tính đầu vào, đầu ra và thực hiện một số chức năng tính 11 Luan van toán cục bộ.

Mạng nơron có khả năng học, khái quát hóa tập dữ liệu học thông qua việc gán và hiệu chỉnh các trọng số liên kết. Kiến trúc tổng quát của một ANN [10]: Hình 2.5 Kiến trúc tổng quát của một ANN [12] Processing Elements (PE): Các PE của ANN là các perceptron đơn lẻ, mỗi nơron nhận các dữ liệu đầu vào, xử lý chúng và cho ra một kết quả duy nhất. Kết quả xử lý của một nơron có thể làm đầu vào cho các nơron khác Kiến trúc chung của một ANN gồm 3 tầng chính [10]: - Lớp vào (Input Layer): Là lớp bao gồm các giá trị đầu vào của mạng, cung cấp cho mạng các số liệu cần thiết.