Ứng dụng công nghệ nhận dạng khuôn mặt trong thị giác máy tính vào giám phòng máy tại trường đại học kinh tế quốc dân

Chuyên khảo kinh tế phân tích Ứng dụng công nghệ nhận dạng khuôn mặt trong thị giác máy tính vào giám phòng máy tại trường đại, đánh giá các khía cạnh quan trọng, đề xuất hướng

• Tác giả: Phạm Hùng Cường
• Người hướng dẫn: Gs.Ts. Thái Thanh Sơn
• Trường học: Trường Đại Học Mở Hà Nội
• Chuyên ngành: Công Nghệ Thông Tin
• Đề tài: Ứng Dụng Công Nghệ Nhận Dạng Khuôn Mặt Trong Thị Giác Máy Tính Vào Giám Sát Phòng Máy Tại Trường Đại Học Kinh Tế Quốc Dân
• Loại tài liệu: Luận Văn Tốt Nghiệp Thạc Sĩ
• Năm xuất bản: 2024
• Địa điểm: Hà Nội

Tóm tắt

I. Tổng Quan Ứng Dụng Nhận Diện Khuôn Mặt AI Tại NEU

Bài toán nhận diện khuôn mặt AI ngày càng trở nên quan trọng trong nhiều lĩnh vực, đặc biệt là trong giám sát phòng máy. Với sự phát triển của công nghệ, việc ứng dụng nhận diện khuôn mặt giúp tăng cường an ninh phòng máy, điểm danh tự động và quản lý hiệu quả hơn. Đại học Kinh tế Quốc dân (NEU), một trong những trường đại học hàng đầu Việt Nam, đang đối mặt với thách thức lớn trong việc quản lý số lượng sinh viên ngày càng tăng. Việc đưa các môn thi học phần vào các phòng máy tính đòi hỏi giải pháp giám sát hiệu quả, chính xác và khách quan. Các phương pháp thủ công hiện tại bộc lộ nhiều hạn chế, dễ gây nhầm lẫn và khó phát hiện gian lận. Đề tài này tập trung nghiên cứu ứng dụng công nghệ AI vào giám sát phòng máy tại NEU, nhằm giải quyết các vấn đề cấp thiết và nâng cao chất lượng quản lý.

1.1. Giới Thiệu Mạng Neural Tích Chập CNN và Ứng Dụng

Mạng Neural Tích Chập (CNN) là một kiến trúc deep learning mạnh mẽ, đặc biệt hiệu quả trong nhận dạng hình ảnh. CNN mô phỏng cách não bộ con người xử lý hình ảnh, sử dụng các lớp tích chập để trích xuất các đặc trưng quan trọng từ hình ảnh đầu vào. Các lớp gộp (pooling) giúp giảm kích thước dữ liệu và tăng tính tổng quát. Cuối cùng, các lớp kết nối đầy đủ (fully connected) thực hiện phân loại hoặc dự đoán. CNN đã đạt được những thành công vượt trội trong nhiều bài toán, từ nhận dạng vật thể, nhận diện khuôn mặt đến phân tích y tế. Việc ứng dụng CNN trong giám sát phòng máy tại NEU hứa hẹn mang lại độ chính xác và hiệu quả cao, giảm thiểu sai sót so với các phương pháp truyền thống. "Mạng neural còn được gọi là mạng nơ-ron nhân tạo là một mô hình tính toán được lấy cảm hứng từ cách hoạt động của hệ thần kinh trong não người." - Theo luận văn.

1.2. Thị Giác Máy Tính và Vai Trò trong Nhận Diện Khuôn Mặt

Thị giác máy tính (Computer Vision) là một lĩnh vực của AI giúp máy tính có khả năng "nhìn" và "hiểu" hình ảnh, tương tự như con người. Trong bài toán nhận diện khuôn mặt, thị giác máy tính đóng vai trò quan trọng trong việc phát hiện, trích xuất đặc trưng và phân loại khuôn mặt. Các thuật toán nhận diện khuôn mặt sử dụng camera AI để thu thập hình ảnh, sau đó áp dụng các kỹ thuật xử lý ảnh để xác định vị trí khuôn mặt và trích xuất các đặc điểm nhận dạng. Các đặc điểm này được so sánh với cơ sở dữ liệu khuôn mặt đã đăng ký để xác định danh tính. Ứng dụng thị giác máy tính trong giám sát phòng máy giúp NEU tự động hóa quá trình điểm danh, kiểm soát ra vào và phát hiện các hành vi đáng ngờ, nâng cao hiệu quả quản lý và an ninh.

II. Thách Thức An Ninh Phòng Máy và Giải Pháp AI

Công tác giám sát thi tại các phòng máy tính của Đại học Kinh tế Quốc dân đang đối mặt với nhiều thách thức lớn. Lưu lượng thí sinh đông đảo, giám thị không có thông tin về thí sinh trước khi vào phòng thi, và các phương pháp kiểm soát thủ công dễ gây nhầm lẫn, khó phát hiện gian lận. Việc sử dụng thẻ sinh viên, thẻ dự thi dễ bị làm giả, thay ảnh. Giải pháp sử dụng camera ghi hình thiếu dữ liệu gốc để đối chiếu. Máy quét mã QR có chi phí cao và có thể vi phạm quyền riêng tư của thí sinh. Để giải quyết những khó khăn này, việc ứng dụng công nghệ nhận diện khuôn mặt AI là một giải pháp tiềm năng, giúp tăng cường an ninh, điểm danh chính xác, và giảm thiểu các rủi ro gian lận trong quá trình thi.

2.1. Phân Tích Các Phương Pháp Giám Sát Phòng Máy Truyền Thống

Các phương pháp giám sát phòng máy truyền thống như kiểm tra thủ công thẻ sinh viên, thẻ dự thi và căn cước công dân (CCCD) bộc lộ nhiều hạn chế. Việc kiểm tra thủ công tốn nhiều thời gian, dễ gây ùn tắc và khó đảm bảo tính chính xác. Giám thị chỉ có thể dựa vào thị giác thông thường để đối chiếu thông tin, khó phát hiện các trường hợp làm giả thẻ, thay ảnh. Việc yêu cầu kiểm tra CCCD, mặc dù có tính bảo mật cao hơn, nhưng lại gây khó khăn trong quá trình đối chiếu và xác minh thông tin. "Các giám thị không phải là giảng viên phụ trách môn học cho nên hoàn toàn không có thông tin gì về các thí sinh để giúp cho việc nhận dạng trước khi họ đến phòng thi."- Theo luận văn. Các phương pháp này không đáp ứng được yêu cầu về hiệu quả, chính xác và bảo mật trong bối cảnh số lượng thí sinh ngày càng tăng.

2.2. Tại Sao Cần Áp Dụng AI Nhận Diện Khuôn Mặt Vào Giám Sát

AI nhận diện khuôn mặt mang lại nhiều lợi ích vượt trội so với các phương pháp giám sát truyền thống. Hệ thống có khả năng nhận dạng khuôn mặt nhanh chóng và chính xác, tự động điểm danh và kiểm soát ra vào. Công nghệ AI có thể phát hiện các hành vi đáng ngờ, chẳng hạn như gian lận thi cử hoặc xâm nhập trái phép. Nhận diện khuôn mặt AI giúp giảm thiểu sự can thiệp của con người, tăng cường tính khách quan và minh bạch trong quá trình giám sát. Ngoài ra, hệ thống có khả năng thu thập và phân tích dữ liệu khuôn mặt, cung cấp thông tin hữu ích cho việc quản lý và cải thiện an ninh phòng máy tại NEU. Việc áp dụng AI không chỉ giải quyết các vấn đề hiện tại mà còn mở ra những cơ hội mới cho việc ứng dụng công nghệ trong giáo dục.

III. Hướng Dẫn Triển Khai Nhận Diện Khuôn Mặt AI Tại NEU

Việc triển khai hệ thống nhận diện khuôn mặt AI tại NEU đòi hỏi sự chuẩn bị kỹ lưỡng và tuân thủ các quy trình nhất định. Đầu tiên, cần xác định rõ mục tiêu và phạm vi triển khai, lựa chọn công nghệ và nhà cung cấp phù hợp. Tiếp theo, xây dựng cơ sở dữ liệu khuôn mặt của sinh viên, đảm bảo tuân thủ các quy định về bảo mật và quyền riêng tư. Lắp đặt hệ thống camera AI tại các vị trí chiến lược trong phòng máy. Cuối cùng, đào tạo nhân viên quản lý hệ thống và thiết lập các quy trình vận hành, bảo trì. Việc triển khai thành công hệ thống nhận diện khuôn mặt AI sẽ mang lại hiệu quả cao trong giám sát phòng máy và quản lý sinh viên.

3.1. Các Bước Chuẩn Bị Để Xây Dựng Hệ Thống Camera AI

Để xây dựng hệ thống camera AI cho nhận diện khuôn mặt, cần thực hiện các bước chuẩn bị sau. Khảo sát địa điểm lắp đặt camera, xác định số lượng và vị trí phù hợp để đảm bảo bao quát toàn bộ phòng máy. Lựa chọn loại camera AI có độ phân giải cao, khả năng nhận diện tốt trong điều kiện ánh sáng khác nhau. Xây dựng hệ thống mạng ổn định để truyền tải dữ liệu hình ảnh từ camera về trung tâm xử lý. Chuẩn bị hạ tầng phần cứng và phần mềm để lưu trữ, xử lý và phân tích dữ liệu khuôn mặt. Đảm bảo tuân thủ các quy định về bảo mật và an toàn thông tin trong quá trình xây dựng hệ thống.

3.2. Quy Trình Đăng Ký Khuôn Mặt Cho Sinh Viên Tại NEU

Quy trình đăng ký khuôn mặt cho sinh viên là bước quan trọng để xây dựng cơ sở dữ liệu cho hệ thống nhận diện khuôn mặt AI. Sinh viên được yêu cầu cung cấp ảnh chân dung rõ nét, đảm bảo khuôn mặt nhìn thẳng và không bị che khuất. Đại học Kinh tế Quốc dân cần xây dựng ứng dụng hoặc phần mềm cho phép sinh viên tự đăng ký khuôn mặt trực tuyến hoặc tại các điểm đăng ký cố định. Quá trình đăng ký cần có sự xác nhận danh tính của sinh viên để đảm bảo tính chính xác. NEU cần thông báo rõ ràng về mục đích sử dụng dữ liệu khuôn mặt và cam kết bảo vệ quyền riêng tư của sinh viên. Cần có quy trình cập nhật hoặc xóa dữ liệu khuôn mặt khi sinh viên tốt nghiệp hoặc có yêu cầu.

3.3. Tích Hợp Hệ Thống Vào Cơ Sở Dữ Liệu Quản Lý Sinh Viên

Việc tích hợp hệ thống nhận diện khuôn mặt AI vào cơ sở dữ liệu quản lý sinh viên giúp tự động hóa quá trình đối chiếu và xác thực thông tin. Khi hệ thống nhận diện một khuôn mặt, nó sẽ tự động tìm kiếm thông tin tương ứng trong cơ sở dữ liệu sinh viên, bao gồm tên, mã số sinh viên, lớp học và các thông tin liên quan khác. Điều này giúp giảm thiểu sai sót và tiết kiệm thời gian so với việc kiểm tra thủ công. Ngoài ra, việc tích hợp cũng cho phép theo dõi quá trình điểm danh, attendance của sinh viên và tạo báo cáo thống kê một cách dễ dàng. Tuy nhiên, cần đảm bảo tính tương thích giữa hệ thống nhận diện khuôn mặt và cơ sở dữ liệu hiện có, đồng thời tuân thủ các quy định về bảo mật dữ liệu.

IV. Hiệu Quả Thực Tế Nhận Diện Khuôn Mặt AI Tại NEU

Việc triển khai hệ thống nhận diện khuôn mặt AI trong giám sát phòng máy tại NEU mang lại nhiều kết quả tích cực. Hệ thống giúp điểm danh tự động nhanh chóng và chính xác, giảm thiểu thời gian chờ đợi của sinh viên. Tăng cường an ninh phòng máy, ngăn chặn các hành vi gian lận và xâm nhập trái phép. Cung cấp dữ liệu thống kê về điểm danh và attendance, hỗ trợ công tác quản lý và đánh giá chất lượng giảng dạy. Phản hồi từ sinh viên và giảng viên về hệ thống nhận diện khuôn mặt AI là tích cực, đánh giá cao tính tiện lợi và hiệu quả của công nghệ này.

4.1. Phân Tích Độ Chính Xác Của Hệ Thống Nhận Diện Khuôn Mặt

Độ chính xác là một trong những yếu tố quan trọng nhất để đánh giá hiệu quả của hệ thống nhận diện khuôn mặt AI. Các thử nghiệm và đánh giá thực tế cho thấy hệ thống có độ chính xác cao trong việc nhận diện và xác thực khuôn mặt, đặc biệt trong điều kiện ánh sáng tốt và khuôn mặt nhìn thẳng. Tuy nhiên, độ chính xác có thể giảm trong điều kiện ánh sáng yếu, khuôn mặt bị che khuất hoặc có sự thay đổi về kiểu tóc, trang điểm. Do đó, cần liên tục cải thiện và tối ưu hóa thuật toán nhận diện để nâng cao độ chính xác của hệ thống trong các điều kiện khác nhau.

4.2. Tác Động Của Hệ Thống Đến An Ninh và Quản Lý Phòng Máy

Hệ thống nhận diện khuôn mặt AI có tác động tích cực đến an ninh và quản lý phòng máy tại NEU. Việc điểm danh tự động giúp tiết kiệm thời gian và công sức của nhân viên quản lý. Hệ thống có khả năng phát hiện các hành vi gian lận trong thi cử, chẳng hạn như sử dụng tài liệu trái phép hoặc thay người thi. Việc kiểm soát ra vào bằng khuôn mặt giúp ngăn chặn người lạ xâm nhập vào phòng máy, bảo vệ tài sản và thông tin của trường. Dữ liệu thống kê về điểm danh và attendance cung cấp thông tin hữu ích cho việc quản lý và đánh giá hiệu quả sử dụng phòng máy.

V. Kết Luận Nhận Diện Khuôn Mặt AI và Tương Lai Giáo Dục

Ứng dụng nhận diện khuôn mặt AI trong giám sát phòng máy tại Đại học Kinh tế Quốc dân đã chứng minh được tính hiệu quả và tiềm năng của công nghệ này trong lĩnh vực giáo dục. Hệ thống giúp tăng cường an ninh, điểm danh chính xác và hỗ trợ công tác quản lý. Trong tương lai, công nghệ nhận diện khuôn mặt AI sẽ tiếp tục phát triển và được ứng dụng rộng rãi hơn trong nhiều lĩnh vực khác của giáo dục, chẳng hạn như học tập cá nhân hóa, đánh giá năng lực và tạo môi trường học tập an toàn và hiệu quả hơn. Tuy nhiên, cần đảm bảo việc sử dụng AI trong giáo dục phải tuân thủ các nguyên tắc đạo đức và bảo vệ quyền riêng tư của sinh viên.

5.1. Những Hạn Chế Cần Khắc Phục Của Hệ Thống

Mặc dù hệ thống nhận diện khuôn mặt AI mang lại nhiều lợi ích, nhưng vẫn còn một số hạn chế cần khắc phục. Độ chính xác của hệ thống có thể giảm trong điều kiện ánh sáng yếu hoặc khi khuôn mặt bị che khuất. Chi phí đầu tư và bảo trì hệ thống có thể là một rào cản đối với một số trường đại học. Vấn đề bảo mật và quyền riêng tư của dữ liệu khuôn mặt cần được quan tâm đặc biệt. Do đó, cần tiếp tục nghiên cứu và phát triển các giải pháp để giải quyết những hạn chế này và nâng cao hiệu quả của hệ thống.

5.2. Hướng Phát Triển Ứng Dụng Nhận Diện Khuôn Mặt AI Trong Tương Lai

Trong tương lai, công nghệ nhận diện khuôn mặt AI sẽ tiếp tục phát triển và được ứng dụng rộng rãi hơn trong nhiều lĩnh vực khác của giáo dục. Hệ thống có thể được sử dụng để tạo ra môi trường học tập cá nhân hóa, phù hợp với nhu cầu và khả năng của từng sinh viên. Nhận diện khuôn mặt có thể được tích hợp với các hệ thống học trực tuyến để xác thực danh tính và ngăn chặn gian lận. Ứng dụng AI cũng có thể giúp đánh giá năng lực của sinh viên một cách khách quan và công bằng. Cần tiếp tục nghiên cứu và phát triển các ứng dụng mới để khai thác tối đa tiềm năng của công nghệ nhận diện khuôn mặt AI trong giáo dục.

Trích đoạn nội dung tài liệu

CHƯƠNG 1: TỔNG QUAN VỀ MẠNG NEURAL TÍCH CHẬP VÀ BÀI TOÁN GIÁM SÁT THI TẠI CÁC PHÒNG MÁY 1. Tổng quan về mạng Neural tích chập 1. Giới thiệu Mạng neural còn được gọi là mạng nơ-ron nhân tạo là một mô hình tính toán được lấy cảm hứng từ cách hoạt động của hệ thần kinh trong não người. Mạng Neural gồm nhiều nơ-ron (hoặc đơn vị tính toán) được kết nối với nhau qua các trọng số.

Mạng này có khả năng học và ánh xạ các mô hình phức tạp trong dữ liệu thông qua việc điều chỉnh trọng số của các kết nối. Trong mạng neural, dữ liệu được đưa vào các nơ-ron của lớp đầu vào, sau đó được truyền qua các lớp ẩn, nơi các trọng số và hàm kích hoạt được sử dụng để biến đổi dữ liệu. Cuối cùng, kết quả được đưa ra từ lớp đầu ra. Quá trình này cho phép mạng neural học và ánh xạ các mô hình phức tạp trong dữ liệu thông qua việc điều chỉnh các trọng số của các kết nối thông qua quá trình huấn luyện.

Mạng neural có khả năng giải quyết nhiều bài toán phức tạp như nhận dạng hình ảnh, xử lý ngôn ngữ tự nhiên, dự báo thời gian, và nhiều ứng dụng khác trong các lĩnh vực như y tế, tài chính, và công nghiệp. Bằng cách mô phỏng các chức năng của não bộ, mạng neural có thể học từ dữ liệu, tự cải thiện qua thời gian và đưa ra các dự đoán chính xác dựa trên các mẫu đã học. Kiến trúc của mạng Neural Kiến trúc mạng neural (neural network architecture) là cấu trúc của một mô hình mạng neural, bao gồm các thành phần chính như lớp đầu vào (input layer), lớp ẩn (hidden layer), và lớp đầu ra (output layer). Dưới đây là một số khái niệm và thành phần chính trong kiến trúc mạng neural.

Cấu tạo một Neural Các thành phần cơ bản của một nơ ron nhân tạo bao gồm:  Tập các đầu vào: Là các tín hiệu vào (input signals) của nơron, các tín hiệu này thường đưa vào dưới dạng một vector N chiều.  Tập các liên kết: Mỗi liên kết được thể hiện bởi một trọng số liên kết Synaptic weight. Trọng số liên kết giữa tín hiệu vào thứ j với nơron k thường được kí hiệu là wkj. 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.

 Bộ tổng: (Summing function): Thường dùng để tính tổng của tích các đầu vào với trọng số liên kết của nó.  Ngưỡng (còn gọi là một độ lệch - bias): Ngưỡng này thường được đưa vào như một thành phần của hàm truyền.  Hàm truyền (Transfer function): 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.

 Đầu ra: Là tín hiệu đầu ra của một nơron, với mỗi nơron sẽ có tối đa là một đầu ra. Xét về mặt toán học, cấu trúc của một nơron k, được mô tả bằng cặp biểu thức sau: 9 Trong đó: x1, x2, ., xp: là các tín hiệu vào; (wk1, wk2., wkp) là các trọng số liên kết của nơron thứ k; uk là hàm tổng; bk là một ngưỡng; f là hàm truyền và yk là tín hiệu đầu ra của nơron. Như vậy nơron nhân tạo nhận các tín hiệu đầu vào, xử lý (nhân các tín hiệu này với trọng số liên kết, tính tổng các tích thu được rồi gửi kết quả tới hàm truyền), và cho một tín hiệu đầu ra (là kết quả của hàm truyền). Một số hàm truyền thông dụng 1.

Một số kiểu mạng Neural Cách thức kết nối các nơron trong mạng xác định kiến trúc (topology) của mạng. Các nơron trong mạng có thể kết nối đầy đủ (fully connected) tức là mỗi nơron đều được kết nối với tất cả các nơron khác, hoặc kết nối cục bộ (partially 10 connected) chẳng hạn chỉ kết nối giữa các nơron trong các tầng khác nhau. Người ta chia ra hai loại kiến trúc mạng chính:  Tự kết hợp (autoassociative): là mạng có các nơron đầu vào cũng là các nơron đầu ra. Mạng Hopfield là một kiểu mạng tự kết hợp Hình 1.

Mạng tự kết hợp  Kết hợp khác kiểu (heteroassociative): là mạng có tập nơron đầu vào và đầu ra riêng biệt. Perceptron, các mạng Perceptron nhiều tầng (MLP: MultiLayer Perceptron), mạng Kohonen, … thuộc loại này. Mạng kết hợp khác kiểu Ngoài ra tùy thuộc vào mạng có các kết nối ngược (feedback connections) từ các nơron đầu ra tới các nơron đầu vào hay không, người ta chia ra làm 2 loại kiến trúc mạng.  Kiến trúc truyền thẳng (feedforward architechture): là kiểu kiến trúc mạng không có các kết nối ngược trở lại từ các nơron đầu ra về các nơron đầu vào; mạng không lưu lại các giá trị output trước và các trạng thái kích hoạt của 11 nơron.

Các mạng nơron truyền thẳng cho phép tín hiệu di chuyển theo một đương duy nhất; từ đầu vào tới đầu ra, đầu ra của một tầng bất kì sẽ không ảnh hƣởng tới tầng đó. Các mạng kiểu Perceptron là mạng truyền thẳng. Mạng truyền thẳng  Kiến trúc phản hồi (Feedback architecture): là kiểu kiến trúc mạng có các kết nối từ nơron đầu ra tới nơron đầu vào. Mạng lƣu lại các trạng thái trước đó, và trạng thái tiếp theo không chỉ phụ thuộc vào các tín hiệu đầu vào mà còn phụ thuộc vào các trạng thái trước đó của mạng.

Mạng Hopfield thuộc loại này. Mạng phản hồi 1. Mạng Neural lan truyền ngược MLP a. Kiến trúc mạng MLP Mô hình mạng nơron được sử dụng rộng rãi nhất là mô hình mạng nhiều tầng truyền thẳng (MLP: Multi Layer Perceptron).

Một mạng MLP tổng quát là mạng có n (n≥2) tầng (thông thường tầng đầu vào không được tính đến): trong đó gồm một tầng đầu ra (tầng thứ n) và (n-1) tầng ẩn. Mạng neural lan truyền ngược MLP Kiến trúc của một mạng MLP tổng quát có thể mô tả như sau:  Đầu vào là các vector (x1, x2, ., xp) trong không gian p chiều, đầu ra là các vector (y1, y2, ., yq) trong không gian q chiều. Đối với các bài toán phân loại, p chính là kích thước của mẫu đầu vào, q chính là số lớp cần phân loại. Xét ví dụ trong bài toán nhận dạng chữ số: với mỗi mẫu ta lƣu tọa độ (x,y) của 8 điểm trên chữ số đó, và nhiệm vụ của mạng là phân loại các mẫu này vào một trong 10 lớp tương ứng với 10 chữ số 0, 1, …, 9.

Khi đó p là kích thước mẫu và bằng 8 x 2 = 16; q là số lớp và bằng 10.  Mỗi nơron thuộc tầng sau liên kết với tất cả các nơron thuộc tầng liền trước nó.  Đầu ra của nơron tầng trước là đầu vào của nơron thuộc tầng liền sau nó. Hoạt động của mạng MLP như sau: tại tầng đầu vào các nơron nhận tín hiệu vào xử lý (tính tổng trọng số, gửi tới hàm truyền) rồi cho ra kết quả (là kết quả của hàm truyền); kết quả này sẽ được truyền tới các nơron thuộc tầng ẩn thứ nhất; các nơron tại đây tiếp nhận như là tín hiệu đầu vào, xử lý và gửi kết quả đến tầng ẩn thứ 2;…; quá trình tiếp tục cho đến khi các nơron thuộc tầng ra cho kết quả.

Một số kết quả đã được chứng minh:  Bất kì một hàm Boolean nào cũng có thể biểu diễn được bởi một mạng MLP 2 tầng trong đó các nơron sử dụng hàm truyền sigmoid. 13  Tất cả các hàm liên tục đều có thể xấp xỉ bởi một mạng MLP 2 tầng sử dụng hàm truyền sigmoid cho các nơron tầng ẩn và hàm truyền tuyến tính cho các nơron tầng ra với sai số nhỏ tùy ý.  Mọi hàm bất kỳ đều có thể xấp xỉ bởi một mạng MLP 3 tầng sử dụng hàm truyền sigmoid cho các nơron tầng ẩn và hàm truyền tuyến tính cho các nơron tầng ra. Huấn luyện mạng MLP: + Các phương pháp học: Khái niệm: Học là quá trình thay đổi hành vi của các vật theo một cách nào đó làm cho chúng có thể thực hiện tốt hơn trong tương lai.

Một mạng nơron được huyấn luyện sao cho với một tập các vector đầu vào X, mạng có khả năng tạo ra tập các vector đầu ra mong muốn Y của nó. Tập X được sử dụng cho huấn luyện mạng được gọi là tập huấn luyện (training set). Các phần tử x thuộc X được gọi là các mẫu huấn luyện (training example). Quá trình huấn luyện bản chất là sự thay đổi các trọng số liên kết của mạng.

Trong quá trình này, các trọng số của mạng sẽ hội tụ dần tới các giá trị sao cho với mỗi vector đầu vào x từ tập huấn luyện, mạng sẽ cho ra vector đầu ra y như mong muốn Có ba phương pháp học phổ biến là học có giám sát (supervised learning), học không giám sát (unsupervised learning) và học tăng cương (Reinforcement learning):  Học có giám sát: Là quá trình học có sự tham gia giám sát của một “thầy giáo”. Cũng giống như việc ta dạy một em nhỏ các chữ cái. Ta đưa ra một chữ “a” và bảo với em đó rằng đây là chữ “a”. Việc này được thực hiện trên tất cả các mẫu chữ cái.

Sau đó khi kiểm tra ta sẽ đưa ra một chữ cái bất kì (có thể viết hơi khác đi) và hỏi em đó đây là chữ gì? Như vậy với học có giám sát, số lớp cần phân loại đã được biết trước. Nhiệm vụ của thuật toán là phải xác định được một cách thức phân lớp sao cho với mỗi vector đầu vào sẽ được phân loại chính xác vào lớp của nó. 14  Học không giám sát: Là việc học không cần có bất kỳ một sự giám sát nào. Trong bài toán học không giám sát, tập dữ liệu huấn luyện được cho dưới dạng: D = {(x 1 , x 2 , ., x N ) là vector đặc trưng của mẫu huấn luyện.

Nhiệm vụ của thuật toán là phải phân chia tập dữ liệu D thành các nhóm con, mỗi nhóm chứa các vector đầu vào có đặc trưng giống nhau. Như vậy với học không giám sát, số lớp phân loại chƣa được biết trước, và tùy theo tiêu chuẩn đánh giá độ tương tự giữa các mẫu mà ta có thể có các lớp phân loại khác nhau.  Học tăng cương: đôi khi còn được gọi là học thưởng-phạt (rewardpenalty learning), là sự tổ hợp của cả hai mô hình trên. Phương pháp này cụ thể như sau: với vector đầu vào, quan sát vector đầu ra do mạng tính được.

Nếu kết quả được xem là “tốt” thì mạng sẽ được thưởng theo nghĩa tăng các trọng số kết nối lên; ngược lại mạng sẽ bị phạt, các trọng số kết nối không thích hợp sẽ được giảm xuống.