Số hóa bởi Trung tâm Học liệu – ĐHTN ĐẠI HỌC THÁI NGUYÊN
TRƯỜNG ĐẠI HỌC KỸ THUẬT CÔNG NGHIỆP
o0o

LUẬN VĂN THẠC SỸ KỸ THUẬT
NGÀNH: TỰ ĐỘNG HÓA
NGHIÊN CỨU HỆ MỜ - NƠRON THEO MÔ HÌNH
TAKAGI – SUGENO ĐỂ NHẬN DẠNG ĐỐI TƯỢNG PHI TUYẾN

PHẠM TUẤN ANH

THÁI NGUYÊN 2011
ĐẠI HỌC THÁI NGUYÊN
TRƯỜNG ĐẠI HỌC KỸ THUẬT CÔNG NGHIỆP
***
CỘNG HOÀ XÃ HỘI CHỦ NGHĨA VIỆT NAM
Độc Lập - Tư Do - Hạnh Phúc
o0o

THUYẾT MINH
LUẬN VĂN THẠC SỸ KỸ THUẬT

ĐỀ TÀI:
NGHIÊN CỨU HỆ MỜ - NƠRON THEO MÔ HÌNH
TAKAGI – SUGENO ĐỂ NHẬN DẠNG ĐỐI TƯỢNG PHI TUYẾN

Học viên
: Phạm Tuấn Anh
Lớp
: CH-K12
Chuyên ngành
: Tự động hoá
Người hướng dẫn
: TS Đỗ Trung Hải
Ngày giao đề tài
: 2/2011
Ngày hoàn thành đề tài
: 10/2011

KHOA ĐT SAU ĐẠI HỌC
NGƯỜI HƯỚNG DẪN
Số hóa bởi Trung tâm Học liệu – ĐHTN
iii
LỜI NÓI ĐẦU
Trong các hệ thống điều khiển hiện đại, có rất nhiều phương pháp điều
khiển đảm bảo được tốt chất lượng điều khiển. Trong điều kiện thực tế hiện
nay của ngành công nghiệp để điều khiển được các đối tượng khi chưa biết rõ
được thông số thì ta phải tiến hành hiểu chính xác các thông số của đối tượng
đó. Đặc biệt đối với các đối tượng phi tuyến ta cần nhận dạng được các thong
số vào – ra của đối tượng để đảm bảo chúng ta lựa chọn được các tín hiệu
điều khiển chính xác và phù hợp. Hiện nay có một cấu trúc ứng dụng rộng rãi
trong nhận dạng và điều khiển. Trong đó Hệ Mờ – Nơron là một công cụ điển
hình được ứng dụng rộng rãi trong công nghệ nhận dạng đối tượng đặc biệt là
các đối tượng phi tuyến cho ta kết quả nhận dạng tương đối chính xác và tin
cậy.
Trong thời gian của khóa học cao học, chuyên ngành Tự động hóa tại
trường Đại học Kỹ thuật công nghiệp Thái Nguyên, được sự tạo điều kiện
giúp đỡ của của Nhà trường, khoa Đào tạo sau đại học và thầy giáo Tiến sĩ Đỗ
Trung Hải em đã lựa chọn đề tài luận văn tốt nghiệp của em là: “Nghiên cứu
hệ Mờ Nơron theo mô hình Takagi – Sugeno để nhận dạng đối tượng phi
tuyến “.
Trong quá trình thực hiện đề tài, được sự hướng dẫn nhiệt tình của Tiến
sĩ Đỗ Trung Hải, sự giúp đỡ của bạn bè cùng với sự nỗ lực, cố gắng của bản
thân đến nay bản luận văn của em đã hoàn thành. Dù đã có nhiều cố gắng,
xong bản luận văn vẫn không tránh khỏi những thiếu sót và hạn chế, em rất
mong nhận được sự góp ý của các thầy để bản luận văn của em được hoàn
thiện hơn.
Em xin trân trọng cảm ơn!


09
1.1.2. Sơ lược về sự phát triển của các phương pháp nhận dạng
09
1.1.3 Các phương pháp nhận dạng hệ phi tuyến
10
1.1.3.1 Một số phương pháp nhận dạng thông số hệ thống Off-line
10
1.1.3.2 Một số phương pháp nhận dạng thông số hệ thống On-line
15
1.2. Tổng quan về lý thuyết mờ
18
1.3. Tổng quan về mạng nơron
24
1.4. Kết luận chương 1
29
Chương 2. Nhận dạng đối tượng phi tuyến bằng hệ mờ nơron theo mô
hình Takagi - Sugeno
30
2.1. Đặt vấn đề
30
2.2 Đối tượng phi tuyến
32
2.2.1 Mô tả hệ phi tuyến
32
2.2.2 Mô hình tĩnh của hệ phi tuyến
33
2.2.3 Mô hình động của hệ phi tuyến
36
2.3 Ứng dụng bộ điều khiển Mờ - Nơron trong nhận dạng hệ thống
37

60

Luận văn thạc sỹ kĩ thuật Ngành Tự động hóa

CBHDKH TS Đỗ Trung Hải HV Phạm Tuấn Anh

Số hóa bởi Trung tâm Học liệu – ĐHTN
3

DANH MỤC CÁC KÝ HIỆU VÀ CHỮ VIẾT TẮT
T-S
Takagi – Sugeno

Hình 2.1 Sơ đồ khối hệ MIMO
33
Hình 2.2 Quan hệ vào ra của khâu phi tuyến hai vị trí
34
Hình 2.3 Quan hệ vào ra của khâu phi tuyến ba vị trí
34
Hình 2.4 Quan hệ vào ra của khâu khuyếch đại bão hoà
35
Hình 2.5 Quan hệ vào ra của khâu hai vị trí có trễ
35
Hình 2.6 Quan hệ vào ra khâu khuyếch đại có miền chết
35
Hình 2.7 Quan hệ vào ra khâu khuyếch đại bão hoà có trễ
36
Hình 2.8 Sơ đồ cấu trúc nhận dạng tổng quát
37
Hình 2.9 Cấu trúc tổng quát của hệ mờ nơron
38
Hình 2.10 Cấu trúc mạng nơron theo luật mờ TS
43
Hình 3.1 Cấu trúc mạng nhận dạng
45
Hình 3.2 Dạng hàm liên thuộc trước khi nhận dạng
46
Hình 3.3 Dạng hàm liên thuộc sau khi nhận dạng
46
Hình 3.4 Tín hiệu đầu ra của đối tượng, mạng và sai lệch giữa chúng
46
Hình 3.5 Cấu trúc mạng nhận dạng
47

Hình 3.16 Sơ đồ khối của khâu F(x
1
,x
2
) trong Matlab Simulink
53
Hình 3.17 Trọng số (30s)
53
Hình 3.18 Tâm m và độ rộng

của hàm liên thuộc (30s)
54
Hình 3.19 Tín hiệu vào, ra và sai số (30s)
54
Hình 3.20 Trọng số (50s)
55
Hình 3.21 Tâm m và độ rộng

của hàm liên thuộc (50s)
55
Hình 3.22 Tín hiệu vào, ra và sai số (50s)
56
tham số không được biết đầy đủ trước. Các tham số này có thể là xác định
hoặc bất định và chịu ảnh hưởng của nhiễu tác động. Vì vậy, việc nghiên cứu
ứng dụng lý thuyết mờ và mạng nơron để xây dựng thuật toán nhận dạng đối
tượng phi tuyến nhằm phục vụ cho bài toán điều khiển là cần thiết và hướng
nghiên cứu chính của bản luận văn này là “Nghiên cứu hệ Mờ Nơron theo
mô hình Takagi – Sugeno để nhận dạng đối tượng phi tuyến“.
2. Mục tiêu nghiên cứu
Việc điều khiển hệ thống theo yêu cầu mong muốn là vấn đề tồn tại
thực tế cần nghiên cứu giải quyết. Hiện nay phương tiện lý thuyết và thực
nghiệm cho phép thực hiện được các bài toán nhận dạng đối tượng phi tuyến
với độ chính xác cao đáp ứng được yêu cầu của bài toán điều khiển.
Mục tiêu của luận văn là nghiên cứu về nhận dạng đối tượng; nghiên
cứu mạng nơron; nghiên cứu lý thuyết mờ cũng như khả năng kết hợp giữa
chúng để nhận dạng đối tượng phi tuyến.
2
Luận văn thạc sỹ kĩ thuật Ngành Tự động hóa

CBHDKH TS Đỗ Trung Hải HV Phạm Tuấn Anh

Số hóa bởi Trung tâm Học liệu – ĐHTN
7
3. Đối tƣợng và phạm vi nghiên cứu
Đối tượng nghiên cứu:
- Xây dựng cấu trúc hệ mờ nơron theo mô hình Takagi – Sugeno để
nhận dạng đối tượng. Ứng dụng kết quả để nhận dạng online và offline cho
một vài đối tượng thực tế.
Phạm vi nghiên cứu:
- Khai thác các nghiên cứu lý thuyết về nhận dạng đối tượng; mạng
nơron; lý thuyết mờ hiện nay, nhằm kết hợp giữa các lý thuyết trên để tìm
được cấu trúc và thuật toán nhận dạng đối tượng phi tuyến.

Chƣơng 3: Mô phỏng kiểm chứng bằng phần mềm Matlab – Simulink.
3.1. Nhận dạng Off-line
3.2. Nhận dạng On-line
3.3. Kết luận chương 3
Kết luận Luận văn thạc sỹ kĩ thuật Ngành Tự động hóa

CBHDKH TS Đỗ Trung Hải HV Phạm Tuấn Anh

Số hóa bởi Trung tâm Học liệu – ĐHTN
9
CHƢƠNG 1
TỔNG QUAN VỀ NHẬN DẠNG; LÝ THUYẾT MỜ; MẠNG NƠRON

(phức). Kiến thức lý thuyết cần thiết cho giai đoạn này phần lớn được xây
dựng trên cơ sở lý thuyết hàm phức và phân tích phổ tín hiệu.
- Giai đoạn 2: Được đặc trưng bởi sự ra đời của lớp mô hình liên tục
hoặc rời rạc có tham số và được gọi là giai đoạn nhận dạng tham số mô hình.
Thông tin lý thuyết ở đây đủ để người ta có thể lựa chọn được bậc (hay cấu
trúc) cho mô hình liên tục hay rời rạc. Nhiệm vụ của nhận dạng trong giai
đoạn này là xác định giá trị các tham số của mô hình đó với hướng nghiên cứu
tập trung là xét tính hội tụ các phương pháp và ảnh hưởng của nhiễu vào kết
quả.
- Giai đoạn 3: (Khoảng năm 1990 đến nay) được đánh dấu bằng nhận
dạng mô hình động học liên tục phi tuyến và nhận dạng mô hình tham số cho
hệ nhiều chiều. Dần dần trong giai đoạn này người ta cũng chuyển hướng đi
vào nhận dạng các hệ thống suy biến.
1.1.3 Các phƣơng pháp nhận dạng hệ phi tuyến [1]
1.1.3.1 Một số phương pháp nhận dạng thông số hệ thống Off-line
Sơ đồ tổng quát:

Hình 1.1 : Sơ đồ tổng quát nhận dạng thông số mô hình
Quan sát được các vector z(t) bao gồm vector trạng thái với nhiễu tác
động v(t) và đầu vào u(t) như sau :
Z(t) = h[x(t),u(t),p
2
(t),t] (1.1)
Với P
2
(t) là các thông số chưa biết của hệ thống.
Luận văn thạc sỹ kĩ thuật Ngành Tự động hóa

CBHDKH TS Đỗ Trung Hải HV Phạm Tuấn Anh





























mk
k
p

) tính theo phương trình mô hình.
Phương pháp bình phương cực tiểu cho kết quả như sau :

 
)(
1
1
txAAAp
TT



(1.4)
Ưu điểm của phương phấp là xấp xỉ vi phân đơn giản nhưng nhược
điểm là phải có đạo hàm x(t) theo thời gian. Khi có nhiễu tác động thì kết quả
nhận được là trung bình bình phương đến
)(
.
tx
mà không phải là x(t). Khi
không đo được toàn bộ vector trạng thái thì không được dùng phương pháp
này.
 Phương pháp Gradient:
Luận văn thạc sỹ kĩ thuật Ngành Tự động hóa

CBHDKH TS Đỗ Trung Hải HV Phạm Tuấn Anh

Số hóa bởi Trung tâm Học liệu – ĐHTN
12
Giả thiết rằng mô hình phi tuyến (1.1) và (1.2) được biểu diễn dưới


và cũng giải các phương trình đó, xác định được
./
i
pJ 

- Thông tin nhận được về hướng Gradient được sử dụng tuỳ theo từng
trường hợp để xây dựng thuật toán tìm vector thông số P.
Thuật toán Gradient lặp đơn giản nhất để xác định thông số P, là
phương pháp hạ nhanh nhất. Hướng của phương pháp hạ nhanh nhất ngược
với hướng Gradient và ở điểm ban đầu trùng với hướng trong đó tiêu chuẩn
Luận văn thạc sỹ kĩ thuật Ngành Tự động hóa

CBHDKH TS Đỗ Trung Hải HV Phạm Tuấn Anh

Số hóa bởi Trung tâm Học liệu – ĐHTN
13
sai số giảm nhanh nhất. Có nghĩa là hướng của phương pháp hạ nhanh nhất
được mô tả bằng vector:

PPP
kk

 )()1(

Với
 
T
m
PPPP  , ,,

m
j
j
i
i
p
J
p
J
C
P
(1.7)
Với
j
p
J


thường được xấp xỉ như sau:
j
p
J


=
   


mjmj
ppppJppppJ , ,, ,,, ,, ,,


CBHDKH TS Đỗ Trung Hải HV Phạm Tuấn Anh

Số hóa bởi Trung tâm Học liệu – ĐHTN
14
trước) các hướng phù hợp với tất cả các thành phần của vector thông số. Nếu
J(k)<J(0) thì chọn lại giá trị ban đầu mới và dịch chuyển sơ đồ tính toán sang
tọa độ gốc mới và lặp lại chu trình tìm kiếm cho tới khi tìm được giá trị cực
tiểu J*

 
)()1()1()1( k
ic
k
i
k
i
k
im
PPPP 


(1.10)
Trong đó
)()1(
,
k
ic
k
im

 
mv
T
pppxxxx , ,,,, ,,
2121

(1.12)
 
0, ,0,0,, ,,
21 v
T
uuuu 
(1.13)
 
0, ,0,0),,,(,), ,,,(),,,(,
21
tuxftuxftuxff
v
T

(1.14)
 
02010020100
, ,,,, ,,
mv
pppxxxx 
(1.15)
Lưu ý có thể dùng phương pháp xấp xỉ vi phân ở những bước đầu tiên
của thuật toán tuyến tính.
 Phương pháp sử dụng hàm nhạy:


sử dụng (1.11) và (1.16) có thể viết :
p
f
p
x
x
f
tp
x











2
(1.17)
p
f
x
f
T



hoặc điều khiển sau đây:
       
kkPkkx 1
(1.19)
     
kvkxkz 
(1.20)
Trong đó
 
k
=
 
kux ,,

Sơ đồ nhận dạng có tính đến hệ số trọng cho các quan sát trong quá khứ
theo luật hàm Exponent:
Luận văn thạc sỹ kĩ thuật Ngành Tự động hóa

CBHDKH TS Đỗ Trung Hải HV Phạm Tuấn Anh

Số hóa bởi Trung tâm Học liệu – ĐHTN
16
           
 
111  kpkkxkKkpkp

(1.21)
1
)()1()()()1()(


p
 )(5,0)()1(


(1.24)
Trong đó
)(k

là vector thông số hiệu chỉnh thoả mãn các điều kiện:
 






0
22
0
)1()1()1();1(;)(,)(,0)(
kk
kPkkxkekeJkkk



Như vậy (1.24) có thể viết dưới dạng:
           
 
 
kpkkxkkkPkP

CBHDKH TS Đỗ Trung Hải HV Phạm Tuấn Anh

Số hóa bởi Trung tâm Học liệu – ĐHTN
17
Trong đó:
 
;0)( jwE

 
0)( jvE
(1.29)
     
jkkvjwkw
k


)(),(cov
(1.30)
     
jkkvjvkv
v


)(),(cov
(1.31)
Nếu biết trước cấu trúc

, hệ phi tuyến và các thông số mô hình P
1,
P

kV
kx
kkPkukx
kkV
w
T
xx










),(),(),(),(),(),(
)/1(
11

(1.34)
Ma trận hiệp phương sai của sai số lọc thoả mãn phương trình:
   
 
 
   
 
 
   
























kV
kkx
kkPkukkxh
kVkkV
kkx
kkPkukxh
kkx




kV
kkx
kkPkukkxh
kVkK
xx


(1.36)
Các điều kiện ban đầu:
 
0
xEx 

và
 
 
0
0
xx
VV 
(1.37)
Do vector thông số P
1
(k), P
2
(k) thay đổi theo thời gian chưa biết trước
nên phải nhận dạng thông số cùng với trạng thái với giả thiết rằng P




























0
0
,,

thiếu được đối với khoa học xã hội. Ngay cả trong suy luận đời thường cũng
như trong các ngành khoa học khác không thể thiếu suy luận Lôgic. Ngày nay
Lôgic toán học kinh điển đã tỏ ra còn nhiều hạn chế trong những bài toán phát
sinh từ công việc nghiên cứu và thiết kế những hệ thống phức tạp. Đặc biệt là
những lĩnh vực cần sử dụng trí tuệ nhân tạo hay trong công việc điều khiển và
vận hành các hệ thống lớn có độ phức tạp cao cần sự giúp đỡ của hệ các
chuyên gia.
Từ năm 1965 đã ra đời một lý thuyết điều khiển mới đó là lý thuyết tập
mờ (Fuzzy set theory) do giáo sư Lofti A. Zadeh của trường đại học
Califonia -Mỹ đưa ra. Từ khi lý thuyết đó ra đời nó được phát triển mạnh mẽ
qua các công trình khoa học của các nhà khoa học như: Năm 1972 Giáo sư
Luận văn thạc sỹ kĩ thuật Ngành Tự động hóa

CBHDKH TS Đỗ Trung Hải HV Phạm Tuấn Anh

Số hóa bởi Trung tâm Học liệu – ĐHTN
19
Terano và Asai thiết lập ra cơ sở nghiên cứu hệ thống điều khiển mờ ở Nhật,
năm 1980 hãng Smith Co. bắt đầu nghiên cứu điều khiển mờ cho lò hơi
Những năm đầu thập kỷ 90 cho đến nay hệ thống điều khiển mờ và mạng
nơron (Fuzzy system and neural network) được các nhà khoa học, các kỹ sư
và sinh viên trong mọi lĩnh vực khoa học kỹ thuật đặc biệt quan tâm và ứng
dụng trong sản xuất. Sự ra đời của logic mờ đã cho phép mô tả các trạng thái
sự việc khi sử dụng các mức độ thay đổi giữa đúng và sai. Tập mờ và Lôgic
mờ (Fuzzy set and Fuzzy lôgic) được dựa trên các thông tin “không đầy đủ”
về đối tượng để điều khiển đầy đủ về đối tượng một cách chính xác.
Trong những năm gần đây lý thuyết tập mờ đã được ứng dụng rất rộng
rãi trong kỹ thuật điều khiển. Khác với các kỹ thuật điều khiển áp dụng lôgic
kinh điển, điều khiển mờ được dùng hiệu quả nhất trong các quá trình chưa
được xác định rõ hay không thể đo đạc chính xác được, trong các quá trình

Ngày nay với tốc độ phát triển vượt bậc của công nghệ thông tin và sự
hoàn thiện của lý thuyết điều khiển đã tăng thêm sự phát triển đa dạng của các
hệ điều khiển mờ trong đó logic mờ giữ một vai trò cơ bản.
Cấu trúc cơ bản của bộ điều khiển mờ.
Giao diện đầu vào: thực hiện việc tổng hợp và chuyển đổi tín hiệu vào
(từ tương tự sang số), ngoài ra còn có thể có thêm các khâu phụ trợ để thực
hiện bài toán động như tích phân, vi phân,
Khối mờ hoá: có nhiệm vụ biến đổi các giá trị rõ của đầu vào thành
một miền giá trị mờ với hàm liên thuộc đã chọn ứng với biến ngôn ngữ đầu
vào đã được định nghĩa. Mờ hoá được định nghĩa như là một ánh xạ từ tập các
Ra
Vào
Khối mờ
hóa
Khối hợp
thành
Khối giải
mờ
Khối luật
mờ
Hình 1.3 Sơ đồ khối chức năng của bộ điều khiển mờ