Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.Lrc-tnu.edu.vn ĐẠI HỌC THÁI NGUYÊN
TRƯỜNG ĐẠI HỌC KỸ THUẬT CÔNG NGHIỆP

VŨ MẠNH THỦY

NGHIÊN CỨU ỨNG DỤNG
MẠNG NƠRON TRUYỀN THẲNG NHIỀU LỚP TRONG
ĐIỀU KHIỂN THÍCH NGHI VỊ TRÍ ĐỘNG CƠ ĐIỆN MỘT
CHIỀU KHI CÓ THÔNG SỐ VÀ TẢI THAY ĐỔI

LUẬN VĂN THẠC SĨ TỰ ĐỘNG HÓA
KHOA ĐT SAU ĐẠI HỌC
NGƯỜI HƯỚNG DẪN
KHOA HỌC
T.S Phạm Hữu Đức Dục
HỌC VIÊN

Vũ Mạnh Thủy
THÁI NGUYÊN – Năm 2009

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.Lrc-tnu.edu.vn
MỤC LỤC
Lời cam đoan Trang
Danh mục các ký hiệu, bảng, các chữ viết tắt
Danh mục các hình vẽ, đồ thị
Phần mở đầu 1
Chƣơng 1: TỔNG QUAN VỀ MẠNG NƠRON NHÂN TẠO 4
1.1 Lịch sử phát triển của mạng nơron nhân tạo 4
1.2 Các tính chất của mạng nơron nhân tạo 5

2.1.2.1 Nhận dạng On-line 30
2.1.2.1.1 Phương pháp lặp bình phương cực tiểu 30
2.1.2.1.2 Phương pháp xấp xỉ ngẫu nhiên 31
2.1.2.1.3 Phương pháp lọc Kalman mở rộng 31
2.1.2.2 Nhận dạng Off-line 33
2.1.2.2.1 Phương pháp xấp xỉ vi phân 34
2.1.2.2.2 Phương pháp gradient 34
2.1.2.2.3 Phương pháp tìm kiếm trực tiếp 36
2.1.2.2.4 Phương pháp tựa tuyến tính 36
2.1.2.2.5 Phương pháp sử dụng hàm nhạy 37
2.1.2.3 Nhận dạng theo thời gian thực 37
2.1.3 Mô tả toán học của đối tượng ở rời rạc 38
2.1.4 Mô hình dùng mạng nơron 41
2.1.4.1 Mô hình nhận dạng kiểu truyền thẳng 41
2.1.4.2 Mô hình ngược trực tiếp 45
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.Lrc-tnu.edu.vn
2.1.5 Tính gần đúng hàm số dung mạng nơron 45
2.1.6 Mô hình mạng nơron trong nhận dạng và điều khiển 46
2.2 Các phƣơng pháp ứng dụng mạng nơron trong điều khiển 47
2.2.1 Các phương pháp ứng dụng mạng nơron trong điều khiển 47
2.2.1.1 Điều khiển thích nghi sử dụng nguyên tắc chung 47
2.2.1.2 Điều khiển có tín hiệu chỉ đạo 47
2.2.1.3 Điều khiển theo mô hình 47
2.2.1.4 Điều khiển ngược trực tiếp 49
2.2.1.5 Điều khiển mô hình trong 49
2.2.1.6 Điều khiển tối ưu 49
2.2.1.7 Điều khiển tuyến tính thích nghi 50
2.2.1.8 Phương pháp bảng tra 50
2.2.1.9 Điều khiển lọc 50
2.2.1.10 Điều khiển dự báo 50
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.Lrc-tnu.edu.vn
DANH MỤC CÁC CHỮ VIẾT TẮT, TIẾNG NƯỚC NGOÀI
STT
Ký hiệu
Diễn giải
1
Artificial Neural
Nơron nhân tạo
2
Artificial Neural Networks
Mạng nơron nhân tạo
3
Back Propagation Learaning Rule
Luật học lan truyền ngược
4
Bipolar Sigmoid Function
Hàm sigmoid 2 cực
5
Fuzzy
Loogic mờ
6
Fuzzy Neural Networks
Mạng nơron mờ
7
Learing
Học
8
Linear Graded Unit-LGU

Học củng cố
19
Rump Function
Hàm Rump
20
Self Organizing
Tự tổ chức
21
Single Layer Feedforward NetWord
Mạng một lớp truyền thẳng
22
Step Function
Hàm bước nhảy
23
Structure Learning
Học cấu trúc
24
Supervised Learning
Học giám sát
25
Threshold Function
Hàm giới hạn cứng
26
Unipolar Sigmoid Function
Hàm sigmoid 1 cực
27
Unsupervised Learning
Học không có giám sát
9
Hình 1.9
Mạng nơron truyền thẳng một lớp
10
Hình 1.10
Mạng nơron truyền thẳng nhiều lớp
11
Hình 1.11
Sơ đồ cấu trúc của mạng Jordan
12
Hình 1.12
Sơ đồ cấu trúc mạng nơron hồi quy đơn giản
13
Hình 2.1
Điều khiển theo nguyên tắc phản hồi đầu ra
14
Hình 2.2
Quy trình nhận dạng hệ thống
15
Hình 2.3
Sơ đồ tổng quát nhận dạng thong số mô hình
16
Hình 2.4
Nhận dạng theo phương pháp gradient
17
Hình 2.5
Mô hình dạng 1
18
Hình 2.6
Mô hình dạng 2

29
Hình 2.17
Mô hình điều khiển trực tiếp
STT
Ký hiệu
Diễn giải tên hình vẽ

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.Lrc-tnu.edu.vn
30
Hình 2.18
Mô hình điều khiển gián tiếp
31
Hình 2.19
Sơ đồ điều khiển mô hình trong
32
Hình 2.20
Sơ đồ điều khiển theo phương pháp dự báo
33
Hình 2.21
Sơ đồ nguyên lý của phương pháp điểu khiển thích nghi theo
phương pháp mô hình mẫu
34
Hình 2.22
Sơ đồ điều khiển trực tiếp
35
Hình 2.23
Sơ đồ điều khiển gián tiếp
36
Hình 3.1
Sơ đồ khối của mạch vòng dòng điện

47
Hình 3.12
Sơ đồ khối của bộ điều khiển NARMA-L2
48
Hình 3.13
Bộ điều khiển thực hiện với mô hình nhận dạng NARMA-L2
49
Hình 3.14
Sơ đồ điều khiển vị trí nam châm vĩnh cửu
50
Hình 3.15
Đồ thị vị trí mẫu và vị trí sau khi đã điều khiển
51
Hình 3.16
Sơ đồ khối mô tả động cơ một chiều
52
Hình 3.17
Sơ đồ mạng nơron truyền thẳng nhiều lớp điều khiển thích
nghi vị trí động cơ điện một chiều khi có tải thay đổi
53
Hình 3.18
Bảng điều khiển nhận dạng tín hiệu vị trí động cơ một chiều
NARMA-L2
54
Hình 3.19
Dữ liệu vào ra của tín hiệu vị trí động cơ một chiều
55
Hình 3.20
Xuất dữ liệu làm việc
56

Đồ thị mômen tải M
C
(Nm)
64
Hình 3.29
Sơ đồ khối mô tả động cơ điện một chiều khi có R, M
C
thay
đổi
65
Hình 3.30
Dữ liệu vào ra của tín hiệu vị trí động cơ một chiều
66
Hình 3.31
Bảng điều khiển nhận dạng tín hiệu vị trí động cơ một chiều
NARMA-L2
67
Hình 3.32
Huấn luyện đối tượng với dư liệu đã nhập vào
68
Hình 3.33
Dữ liệu huấn luyện cho bộ điều khiển NN NARMA-L2
69
Hình 3.34
Dữ liệu xác nhận cho bộ điều khiển NN NARMA-L2
70
Hình 3.35
Dữ liệu kiểm tra cho bộ điều khiển NN NARMA-L2
71
Hình 3.36

1

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.Lrc-tnu.edu.vn
PHẦN MỞ ĐẦU

1. Lý do 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 có thông số thay đổi như động cơ
một chiều và có tải thay đổi, 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 dùng lôgíc mờ (Fuzzy Logic), mạng nơron (Neural Networks), và mạng
nơron mờ (Fuzzy Neural Networks) để nhận dạng và điều khiển thích nghi hệ thống
có thông số thay đổi. Trong khuôn khổ của khóa học Cao học, chuyên ngành Tự
động hóa tại trường Đại học Kỹ thuật Công nghiệp, được sự tạo điều kiện giúp đỡ
của nhà trường và Tiến sĩ Phạm Hữu Đức Dục, em đã lựa chọn đề tài tốt nghiệp của
mình là “Nghiên cứu ứng dụng mạng nơron truyền thẳng nhiều lớp trong điều
khiển thích nghi vị trí động cơ điện một chiều khi có thông số và tải thay đổi”.
Trong quá trình thực hiện đề tài, tác giả đã cố gắng hạn chế tối đa các khiếm
khuyết, xong không thể tránh được tất cả, kính mong Hội đồng Khoa học và độc giả
bổ xung đóng góp ý kiến để đề tài được hoàn thiện hơn.
2. Cơ sở khoa học và thực tiễn của đề tài
Ngày nay do tiến bộ của khoa học kỹ thuật trong điện tử và tin học các hệ
thống điều khiển tự động được phát triển và có sự thay đổi lớn. Công nghệ vi mạch
phát triển khiến cho việc sản xuất các thiết bị điện tử ngày càng hoàn thiện. Các bộ
biến đổi điện tử trong các hệ thống không những đáp ứng được khả năng tác động
nhanh, độ chính xác cao mà còn góp phần giảm kích thước và hạ giá thành của hệ
thống. Đặc biệt trong những thập kỷ gần đây trước sự phát triển mạnh mẽ và ngày
càng hoàn thiện của lý thuyết mạng nơron truyền thẳng nhiều lớp, hàng loạt các ứng
dụng của lý thuyết mạng nơron truyền thẳng nhiều lớp đã và đang mở ra một kỷ
nguyên mới ngành điều khiển. Tuy là ngành kỹ thuật điều khiển non trẻ nhưng

Phần mở đầu
Chương 1. Tổng quan về mạng nơron nhân tạo
Phân tích tổng quan về mạng nơron bao gồm: phần lịch sử phát triển, kết cấu
của mạng các nơron, ứng dụng của chúng…
Chương 2. Các phương pháp ứng dụng mạng nơron trong nhận dạng và
điều khiển.
Phần này tập trung trình bày các phương pháp ứng dụng mô hình mạng
nơron trong nhận dạng và điều khiển.
Chương 3. Ứng dụng mạng nơron truyền thẳng nhiều lớp điều khiển thích
nghi vị trí động cơ điện một chiều khi có thông số và tải thay đổi.
3.1. Mô tả động lực học của động cơ một chiều.
3.2. Ứng dụng mạng nơron truyền thẳng nhiều lớp trong điều khiển thích
nghi vị trí động cơ điện một chiều khi có thông số và tải thay đổi.
Chương 4. Kết luận chung và kiến nghị.
3

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.Lrc-tnu.edu.vn
5. Ý nghĩa khoa học và thực tiễn của đề tài
Với ứng dụng của mạng nơron truyền thẳng nhiều lớp điều khiển vị trí động
cơ điện một chiều khi có thông sô và phụ tải thay đổi, sau khi đã nhận dạng được vị
trí động cơ một chiều, ta có thể thay thế gần đúng mô hình động cơ một chiều bằng
mạng nơron truyền thẳng nhiều lớp, từ đó căn cứ trên các thông số mô phỏng của
mạng nơron, tính toán được tín hiệu điều khiển nhằm điều khiển thích nghi vị trí
động cơ điện một chiều khi có thông số và phụ tải thay đổi phù hợp với yêu cầu cần
thiết của điều khiển thích nghi vị trí động cơ điện một chiều.

4

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.Lrc-tnu.edu.vn
CHƢƠNG 1

toán học lan truyền ngược (Back Propagation learning rule) được Rumelhart,
Hinton, Williams (1986) đề xuất luyện mạng nơron nhiều lớp. Những năm gần đây,
nhiều tác giả đã đề xuất nhiều loại cấu trúc mạng nơron mới. Mang nơron được ứng
5

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.Lrc-tnu.edu.vn
dụng trong nhiều lĩnh vực kinh tế, kỹ thuật, khoa học vũ trụ (Hecht - Nielsen,
1988).
1.2 Các tính chất của mạng nơron nhân tạo
- Là hệ phi tuyến: Mạng nơron có khả năng to lớn trong lĩnh vực nhận dạng
và điều khiển các đối tượng phi tuyến.
- Là hệ xử lý song song: Mạng nơron có cấu trúc song song, do đó có tốc độ
tính toán rất cao, rất phù hợp với lĩnh vực nhận dạng và điều khiển.
- Là hệ học và thích nghi: Mạng được luyện từ các số liệu quá khứ, có khả
năng tự chỉnh khi số liệu đầu vào bị mất, có thể điều khiển on-line.
- Là hệ nhiều biến, là hệ nhiều đầu vào, nhiều đầu ra (Many Input Many
Output - MIMO), rất tiện dụng khi điều khiển đối tượng có nhiều biến số.
1.3 Mô hình mạng nơron
1.3.1 Mô hình nơron sinh học
Mô hình của một dạng nơron sinh học được thể hiện ở hình 1.1.

Gồm có ba phần chính: Thân (Cell body), bên trong có nhân (Nucleus), cây
(Dendrites) và trục (Axon). Cây gồm các dây thần kinh có liên kết với thân. Trục có
cấu trúc đơn, dài liên kết với thân có nhiệm vụ truyền tải thông tin từ nơron. Phần
cuối của trục có dạng phân nhánh. Trong mỗi nhánh có một cơ cấu nhỏ là khớp thần
kinh (Synapse), từ đây nơron liên kết bằng tín hiệu tới các nơron khác. Sự thu nhận
thông tin của nơron từ các nơron khác có thể từ cây hoặc cũng có thể từ thân của nó.
Tín hiệu thu, nhận ở dạng các xung điện - Màng (Membrane): Mỗi tế bào
thần kinh có một màng, có nhiệm vụ giữ 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

tế bào thần kinh cảm giác, ý nghĩa dòng điện đó được giải mã và lưu ở thần kinh
trung ương, kết quả sử lý thông tin được gửi đến các tế bào cơ.
Các khớp tế bào thần kinh đưa ra các tín hiệu giống nhau, do đó không thể
phân biệt được đó là của loại động vật nguyên thủy hay của một giáo sư. Các khớp
thần kinh chỉ cho các tín hiệu phù hợp qua chúng, còn lại các tín hiệu khác bị cản
lại. Lượng tín hiệu được biến đổi được gọi là cường độ khớp thần kinh đó chính là
trọng số của nơron trong mạng nơron nhân tạo.
Tại sao việc nghiên cứu về mạng thần kinh lại có tầm quan trọng lớn lao? Có
thể trả lời ngắn gọn là sự giống nhau của các tín hiệu của các tế bào thần kinh đơn
lẻ, do đó chức năng thực sự của bộ não không phụ thuộc vào vai trò của một tế bào
thần kinh đơn, mà phụ thuộc vào toàn bộ các tế bào thần kinh hay cách các tế bào
thần kinh liên kết với nhau thành một mạng thần kinh hay một mạng nơron (Neural
Networks).
* Các đặc tính cơ bản của não người:
- Tính phân lớp: Các vùng trong bộ não được phân thành các lớp, thông tin
được sử lý theo các tầng.
7

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.Lrc-tnu.edu.vn
- Tính môđun: Các vùng của bộ nhớ được phân thành môđun được mã hóa
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.
- Sử lý phân tán các tín hiệu vào: Các tín hiệu vào được truyền qua nhiều
kênh thông tin khác nhau, được xử lý bởi các phương pháp đặc biệt.
1.3.2 Mô hình nơron nhân tạo
Sự thay thế những tính chất của mạng nơron sinh học bằng một mô hình toán
học tương đương được gọi là mạng nơron nhân tạo. Mạng nơron nhân tạo có thể
được chế tạo bằng nhiều cách khác nhau vì vậy trong thực tế tồn tại rất nhiều kiểu


. 





=1
+ 



1.1
Hệ động
học tuyến
tính Hàm động
học phi
tuyến a(.)


W
i1

W


:
.

:
.

:
.

x
i
y
i
Hình 1.2 Mô hình nơron nhân tạo
8

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.Lrc-tnu.edu.vn
Với v
i
(t) là tổng trọng của nơron thứ i; y
i
các đầu ra của các nơron thứ j; u
i
(t)
các đầu vào từ bên ngoài tương ứng với trọng số W
ij
và 



Với các ma trận w và w
*
có cỡ tương ứng là: n x n và n x m.
- Hệ động học tuyến tính SISO: đầu vào là v
i
, đầu ra là x
i
. Ở dạng toán tử
Laplace:





= 










1.3


Dạng thời gian (1.3) trở thành:


1
1 + 

1

0
+
1




h(t)
()

0 < 0
1 0


1






1

0


(t)+α
1
x
i
(t)=v
i
(t)
x
i
(t)=v
i
(t-T)
- Hàm động học phi tuyến.
Mô tả quan hệ của đầu ra y
i
với đầu vào x
i
: y
i
= a(x
i
) (1.5)
a(.) là hàm chuyển đổi
+ Hàm chuyển đổi:
Để tìm được đầu ra của nơron ta phải tiến hành qua hai bước như sau:
- Tìm các giá trị tổng trọng lượng đầu vào net
i
(t)
- Căn cứu vào net
i

(1.7)
+ Hàm bước nhảy (Step Function): (hình 1.3b): Không khả vi, dạng bước
nhảy, dương:




= 
1 ế 0
0 ế < 0


1.8



+ Hàm giới hạn cứng (Threshold Function): (Hình 1.3c):
Không khả vi, dạng bước nhảy, giá trị trung bình bằng 0. Sgn(.) là hàm
signum.




= 



= 
1 ế 0
1 ế < 0


1

1.11


10

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.Lrc-tnu.edu.vn

Một phần tử PE với hàm tích phân tuyến tính ở đầu vào và hàm chuyển đổi
Threshold ở đầu ra được gọi là phần tử ngưỡng tuyến tính (Linear Threshold Unit -
LTU) và một phần tử PE với hàm tích phân tuyến tính ở đầu vào và hàm chuyển đổi
ở dạng hàm sigmoid 1 và 2 cực ở đầu ra được gọi là phần tử graded tuyến tính
(Linear Graded Unit - LGU).
1.4 Cấu tạo mạng nơron
Dựa trên những phương pháp xây dựng mạng nơron ta có thể coi nơron như
một hệ MISO truyền đạt và xử lý tín hiệu. Đặc tính truyền đạt của nơron phần lớn là
đặc tính truyền đạt tĩnh, chỉ khi có khâu đáp ứng chức năng kiểu BSB thì lúc đó
nơron có đặc tính động. Trong mọi trường hợp do đặc tính phi tuyến của khâu tạo
chức năng ra kết hợp và/hoặc với đặc tính phi tuyến của khâu tạo chức năng đáp
ứng mà nơron là một hệ có tính phi tuyến mạnh.
Liên kết đầu vào và đầu ra của nhiều nơron với nhau ta được một mạng
nơron. Việc ghép nối các nơron có thể theo một nguyên tắc bất kỳ nào đó, vì về
nguyên tắc một nơron là một hệ MISO. Từ đó có thể phân biệt các loại nơron khác
nhau như các loại nơron mà các đầu vào nhận thông tin từ môi trường bên ngoài với
các loại nơron mà đầu vào được nối với nơron khác trong mạng. Các nơron mà đầu
vào giữ chức năng nhận thông tin từ môi trường bên ngoài đóng chức năng “đầu
vào” của mạng. Cũng tương tự như vậy một nơron có một đầu ra, đầu ra của nơron
a

.
Nguyên lý cấu tạo của một mạng nơron bao gồm nhiều lớp, mỗi lớp bao gồm
nhiều nơron có cùng một chức năng trong mạng. Trên hình 1.4 là hình của một
mạng nơron ba lớp với 9 nơron. Mạng có 3 đầu vào x
1
, x
2
, x
3
và 2 đầu ra y
1
, y
2
. Các
tín hiệu đầu vào được đưa đến 3 nơron đầu vào, 3 nơron này làm thành lớp đầu vào
của mạng (input layer). Các nơron trong lớp này gọi là nơron đầu vào. Đầu ra của
các nơron này được đưa đến đầu vào của bốn nơron tiếp theo, bốn nơron này không
trực tiếp tiếp xúc với môi trường xung quanh và làm thành lớp trung gian trong
mạng (hidden layer). Các nơron trong lớp này có tên là nơron nội hay nơron bị tre.
Đầu ra của các nơron này được đưa đến hai nơron đưa tín hiệu ra môi trường bên
ngoài. Các nơron trong lớp đầu ra này có tên là nơron đầu ra (output layer).

1.5 Cấu trúc mạng nơron
Nelson và Illingworth (1991) đã đưa ra một số loại cấu trúc của mạng nơron
như hình 1.5. Nơron được vẽ là các vòng tròn xem như môt tế bào thần kinh, chúng
có các mối liên hệ đến các nơron khác nhờ các trọng số, lập thành các ma trận trọng
số tương ứng.
Mỗi một nơron có thể phối hợp với các nơron khác tạo thành một lớp qua các
trọng sô. Mạng một lớp truyền thẳng (Single – Layer Feedforward network) như
hình 1.5a.

Mạng nơron bao gồm một hay nhiều lớp trung gian gọi là mạng MLP
(Multilayer perceptrons Networks).
x
1
x
2
x
m
y
1
y
2
y
m
W
11
W
m,m
a,

x
1
x
2
x
m
y
1
y
2

y
2
y
m
…d,

x
1
x
2
x
m
y
2
y
m
…e,

y
1
x
1
x
2

về mặt cấu trúc cũng như tham số thì mạng có một quá trình truyền đạt xác định
chắc chắn, tĩnh hoặc động phụ thuộc vào cấu tạo của các nơron trong mạng. Ở đầu
vào của mạng xuất hiện thông tin thì đầu ra cũng xuất hiện một đáp ứng tương ứng.
Đối với mạng nơron có quá trình truyền đạt tĩnh, đáp ứng đầu ra xuất hiện ngay sau
khi đầu vào nhận được thông tin, còn đối với mạng nơron có quá trình truyền đạt
động thì phải sau một thời gian quá độ ở đầu ra của mạng nơron mới xuất hiện đáp
ứng. Xuất phát từ quan điểm mọi đáp ứng của mạng nơron đều tiền định tự nhiên,
có nghĩa là khi xuất hiện các kích thích ở đầu ra ở thời điểm tương ứng cũng hoàn
toàn giống nhau. Quá trình làm việc như vậy của một mạng nơron được gọi là quá
trình tái diễn (reproduction phase). Khi đó thông tin ở đầu vào mạng lưu giữ thông
tin đó và dựa trên các tri thức của mình đưa ra các đáp ứng ở đầu ra phù hợp với
lượng thông tin thu được từ đầu vào.
Mạng nơron khi mới hình thành còn chưa có tri thức, tri thức của mạng hình
thành dần sau một quá trình học. Mạng nơron được dạy bằng cách dựa vào đầu vào
những kích thích và hình thành những đáp ứng tương ứng, những đáp ứng phù hợp
với từng loại kích thích sẽ được lưu giữ, giai đoạn này được gọi là giai đoạn học của
mạng. Khi đã hình thành tri thức mạng có thể giải quyết các vấn đề cụ thể một cách
đúng đắn. Đó có thể là những vấn đề ứng dụng rất khác nhau, được giải quyết chủ
14

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.Lrc-tnu.edu.vn
yếu dựa trên sự tổ chức hợp nhất giữa các thông tin đầu vào của mạng và các đáp
ứng đầu ra:
- Nhiệm vụ của một mạng liên kết là hoàn chỉnh hoặc hiệu chỉnh các thông
tin thu thập được không đầy đủ hoặc bị tác động nhiễu. Mạng nơron kiểu này được
ứng dụng trong lĩnh vực hoàn thiện mẫu, mà một trong lĩnh vực cụ thể đó là nhận
dạng chữ viết.
- Nhiệm vụ tổng quát của mạng nơron là lưu giữ tác động thông tin. Dạng
thông tin lưu giữ đó chính là quan hệ giữa các thồng tin đầu vào của mạng và các
đáp ứng đầu ra tương ứng, để khi có một kích thích bất kỳ tác động vào mạng,