Luận văn
Nghiên cứu ứng dụng mạng
nơron truyền thẳng nhiều lớp
nhận dạng vị trí rôbốt hai khâu Chương I.Tổng quan về mạng nơ ron nhân tạo
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên
5
LỜI CAM ĐOAN
Tôi xin cam đoan luận văn này là công trình do tôi tổng hợp và nghiên cứu.
Trong luận văn có sử dụng một số tài liệu tham khảo như đã nêu trong phần tài liệu
tham khảo.
Tác giả Luận văn
Nguyễn Đắc Nam
Nguyễn Đắc Nam Chương I.Tổng quan về mạng nơ ron nhân tạo
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên
7
MỤC LỤC
Trang
Lời cam đoan.
Danh mục các ký hiệu, bảng, các chữ viết tắt.
Danh mục các hình vẽ.
PHẦN MỞ ĐÀU.
1
Chƣơng I- TÔNG QUAN VỀ MẠNG NƠ RON NHÂN TẠO.
5
1.1. Lịch sử phát triển của mạng nơ ron nhân tạo.
5
1.2. Các tính chất của mạng nơ ron nhân tạo.
5
1.3. Mô hình nơ ron.
6
1.3.1.Mô hình nơ ron sinh học.
6
1.5. Công nghệ phân cứng sử dụng mạng nơ ron.
31
1.6. So sánh khả năng của mạng nơ ron với mạch logic
32
Chương I.Tổng quan về mạng nơ ron nhân tạo
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên
8
KẾT LUẬN CHƢƠNG 1.
33
Chƣơng II- Các phƣơng pháp ứng dụng mạng nơ ron trong nhận dạng và
điều khiển.
34
2.1. Các vấn đề chung.
34
2.2. Các phƣơng pháp ứng dụng mạng nơ ron trong nhận dạng.
34
2.2.1. Cơ sở lý luận.
34
2.2.2. Mô tả toán học của đối tượng ở miền rời rạc.
36
2.2.3. Mô hình dùng mạng nơ ron.
39
2.2.3.1. Mô hình song song.
39
2.2.3.2. Mô hình nối tiếp song song.
39
2.2.3.3. Mô hình ngược trực tiếp.
52
Chƣơng III - Ứng dụng mạng nơ ron truyền thẳng nhiều lớp nhận dạng
vị trí rô bốt hai khâu.
53
3.1. Mạng nơ ron truyền thẳng nhiều lớp
53
Chương I.Tổng quan về mạng nơ ron nhân tạo
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên
9
3.1.1. Sơ đồ khối mạng nơ ron truyền thẳng nhiều lớp.
53
3.1.2. Thuật toán học lan truyền ngược của sai lệch.
53
3.2. Ứng dụng mạng nơ ron truyền thẳng nhiều lớp nhận dạng vị trí rô
bốt hai khâu.
57
3.2.1. Phân tích sơ đồ ứng dụng.
57
3.2.2. Mô tả động học của rô bốt hai khâu.
59
3.2.3. Thiết lập mạng nơ ron nhận dạng.
60
3.2.3.1. Thiết lập sơ đồ nhận dạng
60
3.2.4.2. Quá trình nhận dạng.
63
STT
Ký hiệu
Diễn giải tên hình vẽ.
1
Hình 1
Sơ đồ khối điều khiển thích nghi rô bốt hai khâu.
2
Hình 2
Sơ đồ ứng dụng mạng nơ ron nhận dạng vị trí rô bốt hai khâu.
3
Hình 1.1
Mô hình hai nơ ron sinh học.
4
Hình 1.2
Mô hình nơ ron nhân tạo.
5
Hình 1.3a
Biểu diễn hình học của hàm Rump
6
Hình 1.3b
Biểu diễn hình học của hàm bước nhảy.
7
Hình 1.3c
Biểu diễn hình học của hàm giới hạn cứng.
8
Hình 1.3d
Biểu diễn hình học của hàm Sigmoid hai cực.
9
Hình 1.4a
Mạng một lớp truyền thẳng.
20
Hình 1.12
Cấu trúc mạng nơ ron 3 lớp.
21
Hình 1.13
Ký hiệu mạng nơ ron 3 lớp.
22
Hình 1.14
Ký hiệu mạng một l lớp hồi quy.
23
Hình 1.15
Ký hiệu mạng nơ ron 3 lớp hồi quy.
24
Hình 1.16a
Mạng được huấn luyện theo phương pháp bình phương sai
lệch cực tiểu.
Chương I.Tổng quan về mạng nơ ron nhân tạo
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên
11
PHẦN MỞ ĐẦU
1.Lý do lựa chọn đề tài.
Để điều khiển chính xác đối tượng khi chưa biết rõ được thông số, trước tiên
ta phải hiểu rõ đối tượng đó. Đối với đối tượng là phi tuyến như rô bốt, ta cần thực
hiện nhận dạng đặc tính vào ra của nó để đảm bảo tạo ra tín hiệu điều khiển thích
nghi được lựa chọn chính xác hơn. Hiện nay thường sử dụng logic mờ (Fuzzy
Logic), mạng nơ ron ( Neural Networks), và mạng no ron mờ (Fuzzy Neural
Networks) để nhận dạng và điều khiển thích nghi hệ thống phi tuyến.Trong khuôn
khổ của khoá học Cao học, chuyên ngành Tự động hoá tại trường Đại học Kỹ thuật
Sơ đồ điều khiển được thực hiện theo hai giai đoạn sau đây:
Giai đoạn 1: Sử dụng mạng nơ ron nhận dạng vị trí của rô bốt hai khâu, khi
đó các khoá K mở. Căn cứ vào sai lệch e
1
giữa tín hiệu ra của rô bốt (y) và tín hiệu
ra của mạng nơ ron nhận dạng(y
mh
), mạng nơ ron tiến hành học để nhận dạng đặc
tính vào ra y của rô bốt hai khâu, sao cho tín hiệu mạng nơ ron nhận dạng y
mh
bám
theo được tín hiệu ra y của rô bốt hai khâu. Với e
1
= y- y
mh
Giai đoạn 2: Căn cứ vào kết quả nhận dạng ta có được mạng nơ ron có thể
thay thế gần đúng cho rô bốt hai khâu từ đó tiến hành điều khiển thích nghi rô bôt
hai khâu theo mô hình mẫu. Các khoá K đóng, dựa vào bộ thông số sai lệch (e
2
,
2
2
e
1
y
y
mh
y
m
u
K Bộ điều
khiển
Mô hình mẫu
Rôbốt hai khâu
Mạng nơron nhận
dạng
K
x
d
e
2
ė
2
Hình 1. Sơ đồ khối điều khiển thích nghi rô bốt hai khâu
Chương I.Tổng quan về mạng nơ ron nhân tạo
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên
y
mh
y
e
1
x
dRobot hai khâu
(Mô hình tính toán vị trí)
Mạng nơ ron nhận dạng
Hình2. Sơ đồ ứng dụng mạng nơ ron nhận dạng vị trí rô bốt hai khâu
Chương I.Tổng quan về mạng nơ ron nhân tạo
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên
14
mạng nơ ron ta tính toán được tín hiệu điều chỉnh nhằm điều khiển thích nghi vị trí
của rô bốt hai khâu phù hợp với những yêu cầu cần thiết của điều chỉnh thích nghi
vị trí rô bốt hai khâu.
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên
15
CHƢƠNG I
TỔNG QUAN VỀ MẠNG NƠ RON NHÂN TẠO
Mạng nơ ron nhân tạo (Artificial Neural Networks) là hệ thống được xây
dựng dựa trên nguyên tắc cấu tạo của bộ não người. Nó cho chúng ta một hướng
mới trong nghiên cứu hệ thống thông tin. Mạng nơ ron nhân tạo có thể thực hiện
các bài toán: Tính toán gần đúng các hàm số, thực hiện các bài toán tối ưu, nhận
mẫu, nhận dạng và điều khiển đối tượng hiệu quả hơn so với các phương pháp
truyền thống.
Mạng nơ ron nhân tạo có một số lượng lớn mối liên kết của các phần tử biến
đổi có liên kết song song. Nó có hành vi tương tự như bộ não người với khả năng
học ( Learning ), gọi lại (Recall) và tổng hợp thông tin từ sự luyện tập của các tập
mẫu dữ liệu. Các phần tử biến đổi của mạng nơ ron nhân tạo được gọi là các nơ ron
nhân tạo hoặc gọi tắt là nơ ron
1.1 LỊCH SỬ PHÁT TRIỂN CỦA MẠNG NƠ RON NHÂN TẠO.
Mạng nơ ron nhân tạo đã có một lịch sử phát triển lâu dài. Năm 1943,
McCulloch và Pitts đã đưa ra khả năng liên kết và một số liên kết cơ bản của mạng
nơ ron. Năm1949, Hebb đã đưa ra các luật thích nghi trong mạng nơ ron. Năm
1958, Rosenbatt đưa ra cấu trúc Perception. Năm 1969, Minsky và Papert phân tích
sự đúng đắn của Perception, họ đã chứng minh các tính chất và chỉ rõ các giới hạn
của một số mô hình. Năm 1976, Grossberg dựa vào tính chất sinh học đã đưa ra một
số cấu trúc của hệ động học phi tuyến với các tính chất mới. Năm 1982, Rumelhart
đưa ra mô hình song song một số thuật toán và kết quả. Thuật toán học lan truyền
ngược được Rumelhart, Hinton, Williams (1986) đề xuất luyện mạng nơ ron nhiều
lớp. Những năm gần đây, nhiều tác giả đã đề xuất nhiều loại cấu trúc mạng nơ ron
mới. Mạng nơ ron được ứng dụng trong nhiều lĩnh vực kinh tế kỹ thuật khoa học vũ
trụ (Hecht – Nielsen, 1988)
1.2 CÁC TÍNH CHẤT CỦA MẠNG NƠ RON NHÂN TẠO.
235 cm
3
. Cho đến nay người ta vẫn chưa thực sự biết rõ cấu tạo chi tiết của bộ não.
Tuy vậy về đại thể thì cấu tạo não bộ được phân chia ra thành nhiều vùng khác
nhau. Mỗi vùng có thể kiểm soát một hay nhiều hoạt động của con người.
Các đặc tính của não người:
- Tính phân lớp: Các vùng trong bộ não được phân thành các lớp, thông tin
được xử lý theo các tầng.
- Tính môđun: Các vùng của bộ nhớ được phân thành các môđun được mã
hoá bằng các định nghĩa mối quan hệ tích hợp giữa các tín hiệu vào qua các giác
quan và các tín hiệu ra.
- Mối liên kết: Liên kết giữa các lớp dẫn đến các dữ liệu dùng chung xem
như các liên hệ phản hồi khi truyền tín hiệu.
Chương I.Tổng quan về mạng nơ ron nhân tạo
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên
17
- Sử lý phân tán các tín hiệu vào: Các tín hiệu vào được truyền qua nhiều
kênh thông tin khác nhau, được xử lý bằng các phương pháp đặc biệt.
Bộ não có cấu trúc nhiều lớp. Lớp bên ngoài thường thấy như là các nếp
nhăn, là lớp có cấu tạo phức tạp nhất. Đây là nơi kiểm soát và phát sinh các hành
động phức tạp như nghe, nhìn, tư duy,
Tín hiệu thu, nhận ở các dạng xung điện – Màng (Membrane): Mỗi tế bào
thần kinh có một màng, có nhiệm vụ giữ cho các chất nuôi tế bào không tràn ra
ngoài. Do đó, các phần tử nội bào và ngoại bào không bằng nhau, giữa chúng có
dung dịch muối lỏng làm cho chúng bị phân rã thành các nguyên tử âm và dương.
Các nguyên tử dương trong màng tạo ra điện thế màng, nó tồn tại trong trạng thái
cân bằng lực: lực đẩy các nguyên tử dương ra khỏi tế bào bằng với lực hút chúng
vào trong tế bào.
liên quan đến trí óc như suy nghĩ, nhớ, sáng tạo, Tuy thế cho đến nay, người ta
cũng có những hiểu biết căn bản về hoạt động cấp thấp của não.
Mỗi nơ ron liên kết với khoảng 10
4
nơ ron khác, cho nên khi hoạt động thì bộ
não hoạt động một cách tổng lực và đạt hiệu quả cao. Nói một cách khác là các
phần tử của não hoạt động một cách song song và tương tác hết sức tinh vi phức
tạp, hiệu quả hoạt động thường rất cao, nhất là trong các vấn đề phức tạp. Về tốc độ
xử lý của bộ não người rất nhanh mặc dù tốc độ xử lý của mỗi nơ ron (có thể xem
như phần tử xử lý hay phần tử tính) là rất chậm so với xử lý của các cổng logic
silicon trong các chip vi xử lý (10
-3
giây so với 10
-10
giây).
Hoạt động của cả hệ thống thần kinh bao gồm não bộ và các giác quan như
sau:
Trước hết con người bị kích thích bởi giác quan từ bên ngoài hoặc trong cơ
thể. Sự kích thích đó được biến thành các xung điện bởi chính các giác quan tiếp
nhận kích thích. Những tín hiệu này được chuyển về trung ương thần kinh là não bộ
để xử lý. Trong thực tế não bộ liên tục nhận thông tin xử lý, đánh giá và so sánh với
thông tin lưu trữ để đưa ra các quyết định thích đáng.
Những mệnh lệnh cần thiết được phát sinh và gửi đến những bộ phận thi
hành thích hợp như các cơ tay, chân, Những bộ phận thi hành biến những xung
điện thành dữ liệu xuất của hệ thống.
Chương I.Tổng quan về mạng nơ ron nhân tạo
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên
19
20
b/ Hoạt động.
Các tín hiệu đưa ra bởi một synapte và được nhận bởi các dendrite là các
kích thích điện tử. Việc truyền tín hiệu như trên liên quan đến một quá trình hóa học
phức tạp mà trong đó các chất truyền đặc trưng được giải phóng từ phía gửi của nơi
tiếp nối. Điều này làm tăng hay giảm điện thế bên trong thân của nơ ron nhận. Nơ
ron nhận tín hiệu sẽ kích hoạt (fire) nếu điện thế vượt khỏi một ngưỡng nào đó và
một xung (hoặc điện thế hoạt động) với độ mạnh (cường độ) và thời gian tồn tại cố
định được gửi ra ngoài thông qua axon tới phần nhánh của nó rồi tới các chỗ nối
synapte với các nơ ron khác. Sau khi kích hoạt, nơ ron sẽ chờ trong một khoảng thời
gian được gọi là chu kỳ, trước khi nó có thể được kích hoạt lại. Synapses là hưng
phấn (excitatory) nếu chúng cho phép các kích thích truyền qua gây ra tình trạng
kích hoạt (fire) đối với nơ ron nhận. Ngược lại, chúng là ức chế (inhibitory) nếu các
kích thích truyền qua làm ngăn trở trạng thái kích hoạt (fire) của nơ ron nhận.
1.3.2. Mạng nơ ron nhân tạo.
1.3.2.1. Khái niệm.
Nơ ron nhân tạo là sự sao chép nơ ron sinh học của não người, nó có những
đặc tính sau:
- Mỗi nơ ron có một số đầu vào, những kết nối (Synaptic) và một đầu ra
(axon)
- Một nơ ron có thể hoạt động (+35mV) hoặc không hoạt động (-0,75mV)
- Chỉ có một đầu ra duy nhất của một nơ ron được nối với các đầu vào khác
nhau của nơ ron khác. Điều kiện để nơ ron được kích hoạt hay không kích hoạt chỉ
phụ thuộc những đầu vào hiện thời của chính nó.Thông thường một nơ ron có 3
phần như hình 1.2:
Chương I.Tổng quan về mạng nơ ron nhân tạo
)(.W)(.W
1 1
ik
*
ij
(1.1)
Với V
i
(t) là tổng trọng của nơ ron thứ i; y
j
(t) là các đầu ra của nơ ron thứ jvà
u
k
(t) là các đầu vào từ bên ngoài tương ứng với các trọng số W
ij
và W
*
ik
; là hằng
số gọi là ngưỡng của nơ ron thứ i.
Hệ động học tuyến tính SISO: Đầu vào là v
i
đầu ra là x
i
. Ở dạng toán tử Laplace ta
có:
X
i
(s)= H(s).V
i
*
i1
W
*
ik
W
*
i
M
Hệ
động
học
tuyến
tính
Hàm
động học
phi tuyến
a(.)
y
1
y
j
y
m
u
1(t)
T
t
e
T
1
)( Tt
x
i
(t) = w
i
(t)
x
i
(t) = v
i
(t)
Tx
i
(t) +x
i
(t) = v
i
+ Hàm Rump (Rump Function) là hàm có biểu diễn toán học như (1.4):
(1.4)
Biểu diễn hình học của hàm Rump như hình vẽ 1.3.a
+ Hàm bước nhảy (Step Function) là hàm có biểu diễn toán học như (1.5):
(1.5)
1 nếu f > 1
a(f) = f nếu 0 f 1
0 nếu f < 0
1 nếu f 0
a(f) =
0 nếu f < 0
Chương I.Tổng quan về mạng nơ ron nhân tạo
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên
23
Biểu diễn hình học của hàm như hình vẽ 1.3.b
+ Hàm giới hạn cứng (Threshold Function) là hàm có biểu diễn toán học như (1.6):
(1.6)
Biểu diễn hình học của hàm như hình vẽ 1.3.c
+ Hàm sigmoid hai cực (Bipolar Sigmoid Function) là hàm có biểu diễn toán học
như (1.7): a(f) =
1
1
2
f
1
1
0
a
f
1
0
a
f
-1
1
Hình 1.3a. Hàm Rump
Hình 1.3b. Hàm bước nhảy
Hình 1.3b. Hàm giới hạn cứng
Chương I.Tổng quan về mạng nơ ron nhân tạo
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên
24
Mỗi một nơ ron có thể phối hợp với các nơ ron khác tạo thành một lớp các
trọng số. Mạng một lớp truyền thẳng (Single- Layer Feedforward Network) như
hình 1.4 a
Có thể nối vài lớp nơ ron với nhau tạo thành mạng nhiều lớp truyền thẳng
(Multi- Layer Feedforward Network) như hình 1.4.b
Hai loại mạng nơ ron một lớp và nhiều lớp được gọi là truyền thẳng nếu đầu
ra của mỗi nơ ron được nối với các đầu vào của các nơ ron của lớp trước đó.
Mạng nơ ron phản hồi là mạng mà đầu ra của mỗi nơ ron được quay trở lại
nối với đầu vào của các nơ ron cùng lớp được gọi là mạng Laeral như hình 1.4.c
Mạng nơ ron phản hồi có thể thực hiện đóng vòng được gọi là mạng nơ ron
x
2
x
m
Hình 1.4.a
y
1
y
2
y
m
x
1
x
2
x
m
Hình 1.4.b
Hình 1.4.c
y
1
y
2
x
m
Hình 1.4.d
Chương I.Tổng quan về mạng nơ ron nhân tạo
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên
25
tất cả các mối liên kết chỉ được xây dựng từ trái sang phải được gọi là mạng nhiều
lớp truyền thẳng (perceptrons).
1.3.2.3. Các luật học.
Thông thường mạng nơ ron được điều chỉnh hoặc được huấn luyện để hướng
các đầu vào riêng biệt đến đích ở đầu ra. Cấu trúc huấn luyện mạng được chỉ ra trên
hình 1.5 Ở đây, hàm trọng của mạng được điều chỉnh trên cơ sở so sánh đầu ra với
đích mong muốn (taget) cho tới khi đầu ra mạng phù hợp với đích. Những cặp
vào/đích (input/taget) được dùng để giám sát cho sự huấn luyện mạng. Để có được một số cặp vào/ra, ở đó mỗi giá trị vào được gửi đến mạng và giá
trị ra tương ứng được thực hiện bằng mạng là sự xem xét và so sánh với giá trị
mong muốn. Bình thường tồn tại một sai số bởi lẽ giá trị mong muốn không hoàn
toàn phù hợp với giá trị thực. Sau mỗi lần chạy, ta có tổng bình phương của tất cả
các sai số. Sai số này được sử dụng để xác định các hàm trọng mới.
Sau mỗi lần chạy, hàm trọng của mạng được sửa đổi với đặc tính tốt hơn
tương ứng sẽ có các đáp ứng mong muốn d
i
của đầu ra cho trước ở thời điểm đó.
Hay nói cách khác, trong quá trình học có giám sát, mạng nơ ron được cung cấp
liên tục các cặp số liệu mong muốn vào –ra ở từng thời điểm (x
1
,d
1
), (x
2
,
d
2
),… (x
k
,
d
k
),…khi cho tín hiệu vào thực là x
k
sẽ tương ứng có tín hiệu đầu ra cũng được lặp
lại là d
k
giống như mong muốn. Kết quả của quá trình học có giám sát là tạo được
một hộp đen có đầu vào là véc tơ tín hiệu vào X sẽ đưa ra được câu trả lời đúng d.
Để đạt được kết quả mong muốn trên, khi đưa vào tín hiệu x
k
, thông thường
Chương I.Tổng quan về mạng nơ ron nhân tạo
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên
27
- Học củng cố:(Reinforcement Learning).
Là phương pháp học trong đó tín hiệu d được đưa từ bên ngoài nhưng không
được đầy đủ mà có thể chỉ đưa đại diện 1 bít để có tính chất kiểm tra quá trình
đúng hay sai. Tín hiệu đó được gọi là tín hiệu củng cố (Reinforcement Signal).
Phương pháp học củng cố chỉ là một phương pháp học riêng của phương pháp học
có giám sát, bởi vì nó cũng nhận tín hiệu chỉ đạo từ bên ngoài. Chỉ khác là tín hiệu
củng cố có tính ước lượng hơn là để dạy. Tín hiệu giám sát bên ngoài d thường
được tiến hành bởi các tín hiệu ước lượng để tạo thông tin ước lượng cho mạng nơ
ron điều chỉnh trọng số với hy vọng sự ước lượng đó mang lại sự chính xác trong
quá trình tính toán. Mô hình học củng cố được minh hoạ như hình 1.6
- Học không có giám sát (Unsupervied Learning).
Trong trường hợp này, hoàn toàn không có tín hiệu ở bên ngoài. Giá trị mục
tiêu điều khiển không được cung cấp và không được tăng cường. Mạng phải khám
phá các mẫu, các nét đặc trưng, tính cân đối, tính tương quan… Trong khi khám phá
các đặc trưng khác, mạng nơ ron đã chải
qua việc tự thay đổi thông số, vấn đề đó
được gọi tự tổ chức (Self- Organizing).
Mô hình học không có giám sát được
minh hoạ như hình 1.17
Cấu trúc chung của quá trình học được mô tả như hình 1.20.
m-1
x
m
= -1
d
w
i
Hình 1.8. Sơ đồ cấu trúc chung của quá trình học
x
y
Hình1.7.Mô hình học không có giám sát
Mạng
nơron
Chương I.Tổng quan về mạng nơ ron nhân tạo
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên
28
Trong đó tín hiệu vào x
j
, j=1,2,3…,m, có thể được lấy từ đầu ra của các nơ ron khác
hoặc có thể được lấy từ bên ngoài. Tín hiệu mong muốn d
i
có sẵn chỉ có trong
phương pháp học có giám sát hoặc củng cố. Từ hai phương pháp học trên, trọng số
của nơ ron thứ i được thay đổi tuỳ theo tín hiệu ở đầu vào mà nó thu nhận và giá trị
đầu ra của nó. Trong phương pháp học không có giám sát sự thay đổi của trọng số
biểu thức trên ta có véc tơ trọng số ở thời điểm (t+1) được tính là:
w
i
(t+1) = w
i
(t) + .f
r
{w
i
(t), x(t), d
i
(t)}.x(t) (1.10)
Vấn đề quan trọng trong việc phân biệt luật học cập nhật trọng số có giám
sát hay không có giám sát là tín hiệu học r như thế nào để thay đổi hoặc cập nhật
trọng số có trong mạng nơ ron.
Có 2 phương pháp cơ bản để huấn luyện mạng nơ ron: Huấn luyện gia tăng
(tiến dần) và huấn luyện theo gói. Sự huấn luyện theo gói của mạng nhận được bằng
việc thay đổi hàm trọng và độ dốc trong một tập (batch) của véc tơ đầu vào. Huấn
luyện tiến dần là thay đổi hàm trọng và độ dốc của mạng sau mỗi lần xuất hiện của
một phần tử véc tơ đầu vào. Huấn luyện tiến dần đôi khi được xem như huấn luyện
trực tuyến hay huấn luyện thích nghi.
Mạng nơ ron đã được huấn luyện để thực hiện những hàm phức tạp trong
nhiều lĩnh vực ứng dụng khác nhau như trong nhận dạng, phân loại sản phẩm, xử lý
tiếng nói, chữ viết và điều khiển hệ thống.
Copyright: Tài liệu đại học ©