Luận văn mô hình dự báo mực nước sông Thái Bình tại trạm thủy văn Bá Nha, Hải Dương

Nghiên cứu xây dựng mô hình dự báo mực nước sông Thái Bình tại trạm thủy văn Bá Nha, huyện Thanh Hà, Hải Dương giúp nâng cao hiệu quả phòng chống ngập lụt.

• Tác giả: Vũ Văn Cảnh
• Người hướng dẫn: TS. Đỗ Văn Đỉnh
• Trường học: Trường Đại học Sao Đỏ
• Chuyên ngành: Kỹ thuật điện tử
• Đề tài: Xây dựng mô hình dự báo mực nước sông Thái Bình tại trạm thủy văn Bá Nha, huyện Thanh Hà, tỉnh Hải Dương
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2022
• Địa điểm: Hải Dương

Tóm tắt

I. Tổng quan dự báo mực nước sông Thái Bình tại trạm Bá Nha

Trạm thủy văn Bá Nha nằm trên địa bàn huyện Thanh Hà, tỉnh Hải Dương. Vị trí này giữ vai trò then chốt trong mạng lưới quan trắc hạ lưu lưu vực sông Thái Bình. Hệ thống sông ngòi tại đây có mạng lưới phân lưu chằng chịt. Dòng chảy chịu tác động kết hợp của dòng chảy thượng nguồn và chế độ bán nhật triều từ vịnh Bắc Bộ. Hiện tượng này tạo nên diễn biến dòng chảy phức tạp. Mực nước thay đổi liên tục theo từng giờ.

Dự báo mực nước sông Thái Bình tại trạm thủy văn Bá Nha mang ý nghĩa khoa học và thực tiễn sâu sắc. Kết quả dự báo cung cấp thông tin kịp thời cho công tác chỉ huy phòng chống thiên tai. Dữ liệu này hỗ trợ vận hành an toàn các cống tiêu úng, trạm bơm nông nghiệp và hệ thống đê điều. Nông nghiệp địa phương phụ thuộc trực tiếp vào nguồn nước ngọt của hệ thống sông. Việc cảnh báo sớm hiện tượng lũ lụt giúp bảo vệ mùa màng và đời sống dân cư.

Bên cạnh đó, nghiên cứu thủy văn hiện đại đòi hỏi sự kết hợp giữa đo đạc vật lý và mô hình toán học. Trạm Bá Nha trở thành cơ sở kiểm nghiệm lý tưởng cho các giải pháp dự báo thông minh. Nguồn tư liệu lịch sử quan trắc phong phú tại đây tạo tiền đề quan trọng để phát triển các thuật toán tiên tiến.

1.1. Vị trí địa lý và đặc điểm trạm thủy văn Bá Nha

Trạm thủy văn Bá Nha đóng vai trò quan trọng đối với mạng lưới giám sát lũ Hải Dương. Công trình nằm bên bờ sông Thái Bình thuộc huyện Thanh Hà. Khu vực này tiếp giáp với nhiều nhánh sông phân lưu lớn. Lòng sông rộng và có độ dốc tương đối thoải. Dòng chảy chịu chi phối mạnh mẽ từ chu kỳ thủy triều biển Đông. Chế độ nhật triều và bán nhật triều đan xen gây biến đổi mực nước hàng ngày. Dữ liệu ghi nhận từ trạm phản ánh trung thực trạng thái thủy lực của toàn vùng hạ du. Cơ sở hạ tầng đo đạc cung cấp số liệu mực nước liên tục qua nhiều năm. Nguồn dữ liệu này phục vụ đắc lực cho công tác nghiên cứu chuyên sâu. Các kỹ sư thủy văn thường xuyên theo dõi số liệu này để phát hiện kịp thời các biến động dòng chảy bất thường.

1.2. Tầm quan trọng của việc quan trắc thủy văn định kỳ

Quan trắc thủy văn định kỳ bảo đảm độ chính xác cho mọi phương án phòng chống bão lũ. Hoạt động đo đạc thường xuyên giúp cập nhật sự dịch chuyển của lòng dẫn và biên độ triều. Mực nước đỉnh lũ thường gây sức ép rất lớn lên hệ thống đê bao Thanh Hà. Việc ghi nhận số liệu chuẩn xác từng mốc giờ hạn chế tối đa sai lệch thông tin cảnh báo. Cơ quan phòng chống thiên tai có thể chủ động phương án di dời người dân khi sự cố xảy ra. Ngoài ra, chuỗi số liệu quan trắc dài hạn là nền tảng để xây dựng mô hình trí tuệ nhân tạo. Thiếu hụt số liệu đo đạc liên tục sẽ làm giảm độ tin cậy của thuật toán dự báo. Do đó, công tác duy trì thiết bị quan trắc luôn được ưu tiên hàng đầu tại trạm.

II. Thách thức dự báo mực nước sông Thái Bình tại trạm Bá Nha

Dự báo mực nước sông Thái Bình tại trạm thủy văn Bá Nha đối mặt với nhiều khó khăn đặc thù. Thách thức lớn nhất bắt nguồn từ tính chất phi tuyến cực kỳ phức tạp của dòng chảy hạ lưu. Khu vực hạ du chịu tương tác đa chiều giữa lũ thượng nguồn và thủy triều dâng từ biển. Sự giao thoa này gây ra hiện tượng nước dâng bất thường và dòng chảy ngược. Hiện tượng thời tiết cực đoan do biến đổi khí hậu càng làm gia tăng độ bất định. Mưa lớn cục bộ thường xuất hiện đột ngột trên lưu vực.

Bên cạnh đó, các phương pháp thủy lực truyền thống bộc lộ nhiều hạn chế. Phương pháp mô hình số trị đòi hỏi lượng tham số địa hình chi tiết và tiêu tốn tài nguyên tính toán. Khi địa hình đáy sông biến đổi qua thời gian, sai số mô phỏng tăng cao. Quá trình thu thập dữ liệu đo đạc thực tế đôi khi gặp gián đoạn do sự cố kỹ thuật hoặc điều kiện bão lũ khắc nghiệt. Hiện tượng khuyết thiếu dữ liệu chuỗi thời gian gây khó khăn cho việc phân tích liên tục. Việc phân tích số liệu đơn thuần không thể nắm bắt quy luật biến thiên tức thời của dòng triều.

2.1. Ảnh hưởng của triều cường và yếu tố thượng lưu

Sông Thái Bình đoạn qua trạm Bá Nha chịu tác động mạnh từ chế độ triều vịnh Bắc Bộ. Dao động triều tác động sâu vào nội đồng qua các cửa sông lớn. Khi triều dâng cao, dòng chảy sông bị cản trở và mực nước dâng nhanh. Đồng thời, lưu lượng xả lũ từ các hồ chứa thượng nguồn như Hòa Bình hay Tuyên Quang tạo xung lực lớn. Hai nhân tố này kết hợp đồng thời sẽ tạo đỉnh lũ dị thường. Diễn biến mực nước trở nên bất đối xứng và khó xác định bằng các công thức giải tích đơn giản. Sự biến động này đe dọa trực tiếp đến tính ổn định của các tuyến đê xung yếu tại Hải Dương. Việc định lượng chính xác độ trễ pha triều là yêu cầu bắt buộc để nâng cao chất lượng dự báo.

2.2. Hạn chế của các phương pháp dự báo truyền thống

Các mô hình thủy văn truyền thống thường phụ thuộc vào phương trình vi phân dòng chảy từng đoạn sông. Cách tiếp cận này yêu cầu hệ thống số liệu trắc dọc và trắc ngang lòng dẫn liên tục. Việc đo đạc địa hình đáy sông đòi hỏi kinh phí lớn và tốn nhiều nhân lực. Ngoài ra, độ nhám lòng sông thay đổi liên tục theo mùa khiến hệ số tính toán dễ mất chuẩn xác. Các mô hình thống kê tuyến tính cổ điển cũng không xử lý tốt mối quan hệ phi tuyến mạnh giữa mưa và dòng chảy. Sai số dự báo tăng nhanh khi kéo dài khoảng thời gian dự báo trước. Điều này thúc đẩy nhu cầu ứng dụng công nghệ học máy hiện đại. Những công cụ thông minh mới giúp khắc phục hạn chế về dữ liệu và nâng cao độ tin cậy kết quả.

III. Phương pháp dự báo mực nước sông Thái Bình tại trạm Bá Nha

Ứng dụng trí tuệ nhân tạo mở ra hướng đi đột phá trong dự báo thủy văn. Nghiên cứu tập trung ứng dụng mô hình hồi quy véc tơ hỗ trợ (SVR) và mạng nơ ron nhân tạo (ANN). Thuật toán SVR sở hữu ưu thế vượt trội khi xử lý tập dữ liệu nhỏ và quan hệ phi tuyến. Thay vì tối thiểu hóa sai số theo phương pháp bình phương tối thiểu, SVR áp dụng nguyên lý giảm thiểu rủi ro cấu trúc. Kỹ thuật này giúp mô hình đạt khả năng khái quát hóa cao và hạn chế hiện tượng quá khớp dữ liệu.

Quy trình xây dựng mô hình dự báo bao gồm nhiều giai đoạn nghiêm ngặt. Ban đầu, chuỗi số liệu mực nước lịch sử được làm sạch và chuẩn hóa về khoảng giá trị tối ưu. Kỹ thuật nội suy toán học được kích hoạt để bù đắp các mẫu dữ liệu khuyết thiếu. Tiếp theo, tập dữ liệu phân chia thành tập huấn luyện và tập kiểm định độc lập. Các hàm nhân phi tuyến biến đổi không gian dữ liệu đầu vào thành không gian nhiều chiều. Quá trình tối ưu hóa siêu tham số xác định cấu hình tốt nhất cho thuật toán. Kết quả đầu ra cho phép ước lượng chuẩn xác mực nước theo chuỗi thời gian thực tế.

3.1. Thuật toán hồi quy véc tơ hỗ trợ SVR trong thủy văn

Mô hình SVR phát triển dựa trên nền tảng lý thuyết học thống kê của máy véc tơ hỗ trợ SVM. Mục tiêu của SVR là tìm một hàm biến thiên liên tục xấp xỉ tốt nhất các điểm dữ liệu thực tế. Thuật toán thiết lập một dải dung sai bao quanh siêu phẳng hồi quy. Các điểm dữ liệu nằm trong dải sai số không bị tính tổn thất. Chỉ có các véc tơ hỗ trợ nằm sát hoặc vượt ngoài biên mới tham gia quyết định tham số mô hình. Nhờ vậy, SVR có tính bền vững cao trước các giá trị dị biệt và nhiễu ngẫu nhiên trong chuỗi mực nước. Cấu trúc lồi của bài toán tối ưu đảm bảo tìm ra điểm cực trị toàn cục duy nhất.

3.2. Quy trình tiền xử lý số liệu quan trắc trạm Bá Nha

Tiền xử lý dữ liệu là khâu then chốt quyết định hiệu năng của toàn bộ hệ thống dự báo. Chuỗi số liệu mực nước thu thập tại trạm Bá Nha thường chứa đựng các điểm khuyết hoặc nhiễu đo lường. Nghiên cứu áp dụng các thuật toán ước lượng nội suy hiện đại để khôi phục các giá trị bị mất. Sau khi hoàn thiện chuỗi thời gian, dữ liệu được quy chuẩn hóa về đoạn giới hạn xác định. Thao tác này loại bỏ chênh lệch biên độ giữa các mùa lũ và cạn. Hàm kích hoạt trong thuật toán nhờ đó vận hành trơn tru và hội tụ nhanh hơn. Dữ liệu sau xử lý đảm bảo tính nhất quán cao trước khi đưa vào huấn luyện mô hình học máy. Quy trình chuẩn hóa khoa học tạo tiền đề vững chắc cho việc nâng cao độ chính xác dự báo.

IV. Giá trị thực tiễn dự báo mực nước sông Thái Bình trạm Bá Nha

Mô hình dự báo mực nước sông Thái Bình tại trạm thủy văn Bá Nha mang lại nhiều giá trị thiết thực. Việc kết hợp thuật toán học máy và dữ liệu quan trắc thực địa đã giải quyết bài toán thủy lực phi tuyến phức tạp. Độ chính xác cao của mô hình mở ra tiềm năng ứng dụng rộng rãi tại các lưu vực sông chịu ảnh hưởng của thủy triều. Ban chỉ huy phòng chống thiên tai có thể tiếp nhận thông tin cảnh báo sớm trước nhiều giờ. Thời gian dự lệnh kéo dài tạo điều kiện sơ tán người dân và bảo vệ tài sản an toàn.

Ngoài ra, hệ thống hỗ trợ tích cực cho ngành nông nghiệp và quản lý nguồn nước tỉnh Hải Dương. Việc dự báo chuẩn xác mực nước giúp điều hành đóng mở các cống ngăn mặn, giữ ngọt linh hoạt. Nguy cơ ngập úng các vùng chuyên canh cây ăn quả tại huyện Thanh Hà được giảm thiểu tối đa. Các đơn vị quản lý đê điều nắm bắt áp lực thủy tĩnh lên thân đê để kịp thời gia cố các đoạn bờ sạt lở. Nghiên cứu khẳng định tiềm năng to lớn của chuyển đổi số trong công tác thủy văn tại Việt Nam.

4.1. Hỗ trợ cảnh báo lũ và phòng chống thiên tai Hải Dương

Hệ thống dự báo cung cấp các mốc cảnh báo lũ theo thời gian thực cho tỉnh Hải Dương. Khi mực nước sông Thái Bình vượt các mức báo động, cơ quan chức năng lập tức triển khai phương án đối phó. Dự báo chính xác thời điểm xuất hiện đỉnh lũ giúp giảm áp lực cho lực lượng hộ đê thường trực. Các địa bàn trũng thấp thuộc lưu vực trạm Bá Nha nhận cảnh báo sớm để kê cao tài sản và chuẩn bị phương tiện cứu hộ. Sự chủ động này giảm thiểu đáng kể thiệt hại về người và cơ sở hạ tầng kinh tế. Hiệu quả của mô hình khẳng định vai trò thiết yếu của công nghệ trong quản trị rủi ro thiên tai. Ứng dụng này trở thành công cụ hỗ trợ ra quyết định đắc lực cho các cấp lãnh đạo địa phương.

4.2. Định hướng mở rộng mô hình cho mạng lưới thủy văn

Thành công tại trạm thủy văn Bá Nha mở ra triển vọng nhân rộng cho toàn bộ lưu vực sông Thái Bình. Mô hình có thể tích hợp với các trạm quan trắc tự động liền kề để thiết lập mạng lưới quan trắc thông minh. Thuật toán có khả năng cập nhật trực tiếp dữ liệu đo đạc liên tục qua mạng internet. Việc bổ sung thêm các yếu tố khí tượng viễn thám như lượng mưa vệ tinh sẽ hoàn thiện hơn nữa bức tranh thủy văn. Cơ quan quản lý dễ dàng xây dựng bản đồ số ngập lụt trực quan cho từng tiểu vùng. Hướng phát triển này thúc đẩy hiện đại hóa ngành khí tượng thủy văn theo xu hướng chuyển đổi số toàn diện. Giải pháp đem lại lợi ích kinh tế lâu dài và bảo đảm an toàn sinh thái bền vững cho vùng đồng bằng châu thổ.

Trích đoạn nội dung tài liệu

Chương 1, tác giả đã nghiên cứu tìm hiểu các mô hình dự báo sử dụng mạng nơ- rôn. Từ đó có cái nhìn tổng quan về phương pháp dự báo mực nước sông/hồ dùng mạng nơ-rôn nhân tạo. Tác giả đã nghiên cứu, tìm hiểu các mô hình dự báo mực nước sông sử dụng mạng nơ-rôn ở trong và ngoài nước, đánh giá kết quả và đề xuất những nội dung cần nghiên cứu của luận văn. Chương 2, tiếp theo của luận văn sẽ trình bày tổng quan về mạng nơ-rôn nhân tạo; phương pháp huấn luyện và một số ứng dụng của mạng nơ-rôn.

Học viên: Vũ Văn Cảnh 9 Ngành: Kỹ thuật điện tử Trường Đại học Sao Đỏ Luận văn Thạc sĩ Chương 2. GIỚI THIỆU CHUNG VỀ MẠNG NƠ-RÔN 2. Trí tuệ nhân tạo Trí tuệ nhân tạo là trí thông minh của máy móc do con người tạo ra có khả năng thực hiện các công việc mà con người thường phải xử lý và khi những dáng vẻ, khả năng xử lý một số công việc tốt hơn hoặc tương đương với con người thì đó được gọi là máy thông minh hay máy đó có trí thông minh. Sự thông minh của máy móc được đánh giá trên kết quả của nó có giống với con người hay không.

(AI: Artificial Intelligence) có thể được định nghĩa như một ngành của khoa học máy tính liên quan đến việc tự động hóa các hành vi thông minh. AI là một bộ phận của khoa học máy tính và do đó nó phải được đặt trên những nguyên lý lý thuyết vững chắc, có khả năng ứng dụng được của lĩnh vực này [26, 27, 28]. Khái niệm về công nghệ AI xuất hiện đầu tiên bởi John McCarthy, một nhà khoa học máy tính Mỹ, vào năm 1956 tại Hội nghị The Dartmouth. Ngày nay, công nghệ AI là một thuật ngữ bao gồm tất cả mọi thứ từ quá trình tự động hoá robot đến người máy thực tế [26, 27].

Công nghệ AI gần đây trở nên nổi tiếng, nhận được sự quan tâm của nhiều người là nhờ Dữ liệu lớn (Big Data), mối quan tâm của các doanh nghiệp về tầm quan trọng của dữ liệu cùng với công nghệ phần cứng đã phát triển mạnh mẽ hơn, cho phép xử lý công nghệ AI với tốc độ nhanh hơn bao giờ hết [26]. Ở thời điểm hiện tại, Thuật ngữ này thường dùng để nói đến các máy tính có mục đích không nhất định và ngành khoa học nghiên cứu về các lý thuyết và ứng dụng của trí tuệ nhân tạo. Tức là mỗi loại trí tuệ nhân tạo hiện nay đang dừng lại ở mức độ những máy tính hoặc siêu máy tính dùng để xử lý một loại công việc nào đó như điều khiển một ngôi nhà, nghiên cứu nhận diện hình ảnh, xử lý dữ liệu của bệnh nhân để đưa ra phác đồ điều trị, xử lý dữ liệu để tự học hỏi, khả năng trả lời các câu hỏi về chẩn đoán bệnh, trả lời khách hàng về các sản phẩm của một công ty,. Nơ-rôn sinh học - Theo nghĩa sinh học, mạng nơ-rôn là một tập hợp các dây thần kinh kết nối với nhau.

Ngày nay, thuật ngữ này còn dùng để chỉ mạng nơ-rôn nhân tạo được cấu thành từ các nơ-rôn nhân tạo. Do đó, thuật ngữ “mạng nơ-rôn” xác định hai khái niệm phân biệt: Học viên: Vũ Văn Cảnh 10 Ngành: Kỹ thuật điện tử Trường Đại học Sao Đỏ Luận văn Thạc sĩ - Mạng nơ-rôn sinh học là một mạng lưới (plexus) các nơ-rôn có kết nối hoặc có liên quan về mặt chức năng trực thuộc hệ thần kinh ngoại biên (peripheral nervous system) hay hệ thần kinh trung ương (central nervous system). Trong ngành thần kinh học (neuroscience), nó thường được dùng để chỉ một nhóm nơ-rôn thuộc hệ thần kinh là đối tượng của một nghiên cứu khoa học nhất định. Nơ-rôn là đơn vị cấu tạo của hệ thần kinh, trong hệ thần kính có khoảng 1000 tỷ nơ- rôn.

Mỗi nơ-rôn là một tế bào đặc biệt, có thể truyền các tín hiệu điện. Nơ-rôn có cấu trúc rễ ngõ vào, thân tế bào và cấu trúc rễ ngõ ra (sợi thần kinh). Các sợi thần kinh của một tế bào kết nối với các tế bào khác thông qua synapse. Khi một nơ- rôn kích hoạt, nó tạo ra xung điện hóa học dọc theo sợi thần kinh.

Tín hiệu này đi qua các synapse đến các nơ-rôn khác, và tiếp tục bị kích hoạt. Nơ- rôn hoạt động chỉ khi tất cả các tín hiệu nhận được ở thân tế bào thông qua rễ ngõ vào vượt quá một mức nào đó (ngưỡng hoạt động). Cường độ tín hiệu thu được của nơ-rôn phụ thuộc vào độ nhạy của synapse (tế bào thu nhận) [29]. Cấu tạo của mỗi nơ- rôn điển hình gồm các bộ phận: thân, đuôi gai và sợi trục.

Cấu tạo nơ-rôn sinh học [28] - Mạng nơ-rôn nhân tạo được thiết kế để mô hình một số tính chất của mạng nơ-rôn sinh học, tuy nhiên, khác với các mô hình nhận thức, phần lớn các ứng dụng lại có bản chất kỹ thuật. *Đặc điểm Học viên: Vũ Văn Cảnh 11 Ngành: Kỹ thuật điện tử Trường Đại học Sao Đỏ Luận văn Thạc sĩ Thông thường, một mạng nơ-rôn bao gồm một hoặc nhiều nhóm các nơ-rôn được kết nối vật lý với nhau hoặc có liên quan với nhau về chức năng. Một nơ-rôn đơn có thể được nối với nhiều nơ-rôn khác và tổng số nơ-rôn và kết nối trong một mạng có thể là một giá trị cực kỳ lớn. Các kết nối, gọi là các khớp thần kinh (synapses), thường nối từ các axon tới các tế bào tua gai thần kinh (dendrite), tuy có thể có các vi mạch dendrodentritic và các kết nối khác.

Ngoài tín hiệu điện, còn có các dạng tín hiệu khác phát sinh từ việc khuyếch tán các chất dẫn truyền xung động thần kinh (neurotransmitter). Chúng có ảnh hưởng đối với tín hiệu điện. Do vậy, cũng như các mạng sinh học khác, mạng nơ-rôn vô cùng phức tạp. Trong khi hiện nay, dù chưa đạt được một mô tả chi tiết nào về hệ thần kinh, người ta vẫn ngày càng hiểu rõ hơn về các cơ chế cơ bản.

Mạng nơ ron nhân tạo Mạng Nơ-rôn 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 Nơ-rôn được gắn kết để xử lý thông tin. 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 (unseen data). Kiến trúc chung của một mạng nơ-rôn nhân tạo (ANN) gồm 3 thành phần đó là: Input Layer, Hidden Layer và Output Layer (Hình 2. Trong đó, lớp ẩn (Hidden Layer) gồm các Nơ-rôn nhận dữ liệu input từ các Nơ-rôn ở lớp (Layer) trước đó và chuyển đổi các input này cho các lớp xử lý tiếp theo.

Trong một ANN có thể có nhiều lớp ẩn. Học viên: Vũ Văn Cảnh 12 Ngành: Kỹ thuật điện tử Trường Đại học Sao Đỏ Luận văn Thạc sĩ Hình 2. Kiến trúc tổng quát của một ANN Trong đó các Processing Elements (PE) của ANN gọi là Nơ-rôn, mỗi Nơ-rôn nhận các dữ liệu vào (Inputs) xử lý chúng và cho ra một kết quả (Output) duy nhất. Kết quả xử lý của một Nơ-rôn có thể làm Input cho các Nơ-rôn khác.

- Quá trình xử lý thông tin của một ANN (Hình 2. Quá trình xử lý thông tin của một ANN + Inputs (dữ liệu vào): Mỗi Input tương ứng với 1 thuộc tính (attribute) của dữ liệu (patterns). + Output (kết quả): Kết quả của một ANN là một giải pháp cho một vấn đề. Quá trình học (Learning Processing) của ANN thực ra là quá trình điều chỉnh các trọng số (Weight) của các input data để có được kết quả mong muốn.

Hàm tổng của một Nơ-rôn đối với n input được tính theo công thức sau: n Y   X i Wi (2. Các nơ-ron này có thể sinh ra một output hoặc không trong ANN (nói cách khác rằng có thể output của 1 nơ-rôn có thể được chuyển đến layer tiếp trong mạng Nơ-rôn hoặc không). Mối quan hệ giữa Internal Activation và kết quả (output) được thể hiện bằng hàm chuyển đổi (Transfer Function). Học viên: Vũ Văn Cảnh 13 Ngành: Kỹ thuật điện tử Trường Đại học Sao Đỏ Luận văn Thạc sĩ Việc lựa chọn Transfer Function có tác động lớn đến kết quả của ANN.

Hàm chuyển đổi phi tuyến được sử dụng phổ biến trong ANN là sigmoid (logical activation) function.2) 1  e Y YT: Hàm chuyển đổi Y: Hàm tổng Kết quả của Sigmoid Function thuộc khoảng [0,1] nên còn gọi là hàm chuẩn hóa (Normalized Function). Kết quả xử lý tại các nơ-rôn (Output) đôi khi rất lớn, vì vậy transfer function được sử dụng để xử lý output này trước khi chuyển đến layer tiếp theo. Đôi khi thay vì sử dụng Transfer Function người ta sử dụng giá trị ngưỡng (Threshold value) để kiểm soát các output của các nơ-rôn tại một layer nào đó trước khi chuyển các output này đến các Layer tiếp theo. Nếu output của một nơ-rôn nào đó nhỏ hơn giá trị ngưỡng thì nó sẽ không được chuyển đến Layer tiếp theo.

Lịch sử hình thành và phát triển Mạng nơ-ron nhân tạo (Artificial Neural Network-ANN) là một hệ thống xử lý thông tin phỏng theo cách thức xử lý thông tin của các hệ nơ-ron sinh học. Nó được tạo lên từ một số lượng lớn các phần tử (gọi là phần tử xử lý hay nơ-ron) 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. Các phần tử này được liên kết với nhau và cùng hoạt động song song. Bởi vậy mạng nơ-ron nhân tạo có hành vi như bộ não người với các khả năng học (learning) và tái tạo (recall) lại những gì đã được dạy; tổng hợp thông tin từ sự luyện tập các mẫu dữ liệu.

Đây chính là lý do khiến mạng nơ-ron nhân tạo phát triển rất mạnh mẽ và được ứng dụng nhiều trong thực tế, đặc biệt trong lĩnh vực dự báo, nhận dạng, điều khiển. Năm 1943, Warrem McCulloch và nhà toán học Walter Pitts đã chỉ ra rằng: về nguyên tắc mạng nơ-ron nhân tạo có thể tính toán bất kỳ một hàm số học hay logic nào. Vàn những năm tiếp sau đó, các nhà khoa học Donald Hebb, Friedrick Hayek, Rosenblatt, Minsky và Papert, Paul Werbos đã có những nghiên cứu về mạng nơ ron như các luật thích nghi, sự phân tán trong các mạng nơ ron, phát triển và ứng dụng phương pháp học lan truyền ngược BP (back-propagation).