BỘ GIÁO DỤC VÀ ĐÀO TẠO
ĐẠI HỌC THÁI NGUYÊN
TRƯỜNG ĐẠI HỌC KỸ THUẬT CÔNG NGHIỆP
LUẬN VĂN THẠC SỸ KỸ THUẬT
NGÀNH: TỰ ĐỘNG HÓA
NGHIÊN CỨU ĐIỀU KHIỂN NỒNG ĐỘ CỦA SẢN
PHẨM TRONG BỂ CHỨA PHẢN ỨNG CÓ KHUẤY
BẰNG PHƯƠNG PHÁP ỨNG DỤNG BỘ ĐIỀU
KHIỂN NƠRON THEO MÔ HÌNH MẪU
LƯƠNG TRUNG THÀNH
THÁI NGUYÊN - 2011
Luận văn được hoàn thành tại trường Đại học Kỹ tuật Công nghiệp
Thái Nguyên.
Cán bộ HDKH : TS. Phạm Hữu Đức Dục
Phản biện 1 :
Phản biện 2 :
Luận văn đã được bảo vệ trước hội đồng chấm luận văn, họp tại: Phòng
cao học số , trường Đại học Kỹ thuật Công nghiệp Thái Nguyên.
Vào giờ phút ngày tháng năm 2011.
Có thể tìm hiển luận văn tại Trung tâm Học liệu tại Đại học Thái
Nguyên và Thư viện trường Đại học Kỹ thuật Công nghiệp Thái Nguyên.
MỞ ĐẦU
Bộ não con người là sản phẩm hoàn hảo của tạo hoá. Để tiếp cận khả năng
tư duy của bộ não, người ta sử dụng khả năng suy diễn của hệ mờ dựa trên các
luật logic mờ. Để tiếp cận khả năng học, người ta đưa ra mô hình mạng nơron,
do vậy cấu trúc mạng nơron là điều rất đáng được quan tâm. Để tiếp cận cả hai
khả năng học và tư duy của bộ não người, người ta nghiên cứu khả năng tích
hợp của mạng nơron và hệ mờ. Trong công nghiệp tự động hoá giữ một vai trò
quan trọng trong quá trình sản xuất. Nhận dạng hệ thống là một trong những
công việc đầu tiên phải thực hiện khi giải quyết một bài toán điều khiển tự động,
nó quyết định chất lượng và hiệu quả của công việc điều khiển hệ thống về sau.

Lương Trung Thành2
CHƯƠNG 1. MẠNG NƠRON
1.1. CÁC KHÁI NIỆM CƠ BẢN
1.1.1. Mô hình nơron sinh học
1.1.1.1. Xử lý thông tin trong bộ não
1.1.1.2.Câc đặc tính cơ bản của não người
1.1.2. PHẦN TỬ XỬ LÝ
1.1.3. CÁC LOẠI MÔ HÌNH CẤU TRÚC MẠNG NƠRON
1.1.4. CÁC TÍNH CHẤT CỦA MẠNG NƠRON
1.1.5. CÁC LUẬT HỌC
1.1.5.1. Học có giám sát
1.1.5.2. Học củng cố
1.1.5.3. Học không có giám sát
1.2. CÁC MẠNG NƠRON TRUYỀN THẲNG SỬ DỤNG LUẬT HỌC GIÁM
SÁT
1.2.1. MẠNG ADALINE
1.2.1.1. Phần tử Adaline
1.2.1.2. Mạng Adaline
1.2.2. MẠNG PERCEPRON MỘT LỚP
1.2.2.1. Cấu trúc
1.2.2.2. Luật học
1.2.3 MẠNG TRUYỀN THẲNG NHIỀU LỚP
1.2.3.1.Cấu trúc
Mạng truyền thẳng nhiều lớp có nhiều lớp nơron: một lớp vào, một hoặc
nhiều lớp ẩn và một lớp ra.
Lớp vào: gồm m nơron có tín hiệu vào:
x = [x

; với q = 1,2, ,l ; i = 1,2, ,n; j = 1,2, ,m.
Giai đoạn thứ hai: Sai lệch lan truyền theo chiều ngược từ đầu ra trở về
đầu vào

x
1
v
11
w
11
y
1

.
.
x
j
v
1j
v
qj
w
1q
w
iq

. v
mj
w
nq

v
q
=
∑
=
m
j 1
v
qj
x
j

Tín hiệu ra nơron thứ q của lớp ẩn là:
z
q
= a(v
q
) = a(
∑
=
m
j 1
v
qj
x
j
)
Xét nơron thứ i của lớp ra có tổng trọng là:
v
i

i
) =a(
∑
=
l
q 1
w
iq
z
q
) = a(
∑
=
l
q 1
w
iq
a(
∑
=
m
j 1
v
qj
x
j
))
Trung bình bình phương sai lệch E dược viết như sau:
E =
2

(k)
–a(w
i
T
x
k
)]
2
=
2
1
∑
=
p
k 1
∑
=
n
i 1
[d
i
(k)
–a(
∑
=
m
j 1
w
ij
x

∂
iq
i
w
v
∂
∂
=
η
[d
i
-y
i
]a’(v
i
)z
q
=
η
i0
δ
z
q

Với
i0
δ
là tín hiệu sai lệch của nơron thứ i của lớp ra

i0

)(
i
i
v
va
∂
∂

Sử dụng phương pháp hạ gradient tìm lượng điều chỉnh của trọng số giữa
nơron thứ j của lớp vào với nơron thứ q của lớp ẩn:

∆
w
iq=
-
η
qi
v
E
∂
∂
=-
η
qj
q
q
q
q
v
v

5

∆
v
qj =
η
jhq
x
δ

Với
hq
δ
là tín hiệu sai lệch của nơron thứ q của lớp ẩn:

hq
δ
= -
q
v
E
∂
∂
= -
q
q
q
v
z
z

(t+1)=v
qj
(t)+
qj
v∆

w
iq
(t+1)=w
iq
(t)+
iq
w∆

Để tiện cho việc tính toán, nên sử dụng các công thức tính tín hiệu sai
lệch đã được cho sẵn sau đây ứng với từng trường hợp sử dụng hàm chuyển đổi
a(.) sau đây:
- Nếu sử dụng a(.) có dạng hàm sigmoid:
y = a(v) =
v
e
λ
−
+1
1
nên ta có a’(v)=y(1-y)
tìm các công thức tính tín hiệu sai lệch như sau:

i0
δ

λ
2
1
2
−
+
-1 nên ta có a’(v)=
2
1
(1-y
2
)
tìm được các công thức tính các tín hiệu sai lệch như sau:

i0
δ
=
2
1
(1-y
2
)[d
i
-y
i
]

hq
δ
=

ij
là các trọng số nối từ
1−s
y
j
đến
s
y
i
(s=1,2,….,S); có m nơron và n nơron ở lớp ra.
trị đầu ra của nơron thứ i của lớp thứ s;
s
w
ij
là các trọng số nối từ
1−s
y
j
đến
s
y
i
(s=1,2,….,S); có m nơron và n nơron ở lớp ra.
Ban đầu
Thiết lập bộ dữ liệu mẫu vào- ra (x
(k)
, d
(k)
) với k = 1,2,…,p.
Bước 1

i
= a(
s
net
i
) = a (
∑
j
s
w
ij
s-1
y
j
)
Cho mỗi giá trị i và s cho tới khi các đầu ra
s
y
i
của lớp ra được xác định;
Bước 4
Tính toán sai lệch đầu ra:
Xác định giá trị sai lệch và tín hiệu sai lệch
s
δ
I
cho lớp đầu ra:
E
m
=

-
s
y
i
)a
’
(
s
v
i
)
Bước 5
Lan truyền ngược của sai lệch

7
Quá trình lan truyền ngược của sai lệch được cập nhật các trọng số tính
toán theo tín hiệu sai lệch
1−s
δ
i
cho các lớp phía trước;

s
∆
w
ij
=
η
s
δ

)
∑
j
s
w
ij
δ
s
j
với s= S, S-1,….,2.
Bước 6
Cho mỗi chu kỳ học :
Kiểm tra vòng luyện tập :
- Nếu k < p, thì k = k+1 và tiến hành bước 1;
- Nếu không thực hiện bước 6;
Bước 7
Kiểm tra sai lệch tổng
- Nếu Em < E
cp
thì đã hoàn thành quá trình học, tiến hành ghi lại kết quả
các véc tơ trọng số, bias của các lớp và các đồ thị cần thiết;
- Nếu không thỏa mãn quay trở lại thực hiện bước 1.
1.3. ỨNG DỤNG CỦA MẠNG NƠRON TRONG NHẬN DẠNG VÀ ĐIỀU
KHIỂN
1.3.1. Các vấn đề chung.
Mạng nơron đã được ứng dụng thành công trong nhiều lĩnh vực như: các
hệ thống điều khiển, xử lý hình ảnh, tiếng nói, tối ưu, truyền thông, y học…
Vì có yêu cầu ngày càng tăng về điều khiển, các hệ thống động học phức
tạp với điều kiện thông tin không đầy đủ hoặc không xác định nên việc sử dụng
mạng nơron rất hấp dẫn bởi khả năng học tập để xấp xỉ hàm và phân loại mẫu

p
(t)]
T
y(t) = [y
1
(t), y
2
(t), y
m
(t)]
T
p, m tương ứng là số đầu vào, đầu ra của hệ thống bậc n: u
i
(t), y
i
(t), tương ứng
là các tín hiệu vào, tín hiệu ra: x
i
(t) là các biến trạng thái: φ(.), ψ(.) là các hàm
phi tuyến dừng được định nghĩa tương ứng với R
n
× R
p
→ R
n
và R
n
→ R
m
Viết lại (1.53) ở dạng rời rạc, ta có:

βα

trong đó α
i
, β
j
là các hằng số chưa biết : m ≤ n.
Tín hiệu ra y
p
(k+1) là tổ hợp tuyến tính của các giá trị quá khứ của cả tín
hiệu đầu vào u(k- j)(j = 0, 1, , (m-1)) và tín hiệu đầu ra y
p
(k - i)(i =1,2, ,(n-1)).

9
* Đối tượng phi tuyến
Đối tượng phi tuyến được biểu diễn theo mô hình rời rạc theo bốn dạng
sau đây:
+ Dạng 1:
y
p
(k+1) =
)]1(), ,1(),([)(
1
0
+−−+−
∑
−
=
mkukukugiky

i
iku
β

y
p
(k+1) phụ thuộc tuyến tính vào giá trị quá khứ đầu vào u(k - i) (i =0,1, ,(m-1))
và phụ thuộc phi tuyến vào giá trị quá khứ đầu ra y
p
(k), , y
p
(k- n+1).
+ Dạng 3:
y
p
(k+1) = f [(y
p
(k), ,y
p
(k-n+1)]+g[u(k), u(k-m+1)]
y
p
(k+1) phụ thuộc phi tuyến vào giá trị quá khứ đầu vào u(k), , u(k-m+1),
phụ thuộc phi tuyến vào giá trị quá khứ đầu ra y
p
(k), , y
p
(k- n+1).
+ Dạng 4:
y

Vì đầu vào và đầu ra của hệ bất biến theo thời gian, nên hệ động học rời
rạc là u(k) và y(k) tương ứng: trong đó u(k) là hàm giới hạn, thay đổi theo thời
gian. Đối tượng được giả thiết là ổn định, nhưng chưa biết các giá trị thông số
của đối tượng này.
`
Hình 1.12. Mô hình nhận dạng
Hệ thống nhận dạng được mô tả tại hình 1.4, trong đó mô hình nhận dạng
có cùng đầu vào u(k) với đối tượng cần nhận dạng, đầu ra của mô hình cần nhận
dạng là
( )
∩
ky
p
là biểu diễn tính toán gần đúng của đầu ra đối tượng cần nhận
dạng là y
p
(k).
1.3.3.1. Mô hình nhận dạng song song
Trên cở sở các dạng phương trình của đối tượng tuyến tính và phi tuyến
( có các mô hình nhận dạng các đối tượng nói trên theo mô hình nhận dạng song
song có các dạng tương ứng như sau.
* Với đối tượng tuyến tính

∩
p
y
( )
1+k
=
( )

nhận dạng
y
p
(k)
e
i
(k)
+

+
=
=
+
-
+
=
=
+
u(k)
Y
p
(k)

∩
y
p
(k)
∩
y
p


( )
1+
∩
ky
p
=
)]1(), ,1(),([)(.
1
0
+−−+−
∩
−
=
∩∩
∑
mkukukugiky
n
t
pi
α

+ Dạng 2:
( )
1+
∩
ky
p
=
( ) ( ) ( )

pp
( ) ( ) ( )
]1, ,1,[ +−−
∩
mkukukug

+ Dạng 4:

( )
1+
∩
ky
p
=
( ) ( )
1, ,[ +−
∩∩∩
nkykyf
pp
( ) ( ) ( )
]1, ,1,; +−− mkukuku

Để nhận dạng đối tượng dạng 3, trong trường hợp này cấu trúc của mô
hình nhận dạng là giống như đối tượng với f và g được thay thế tương ứng bởi
N
2
và N
1
. Mô hình này được mô tả bởi phương trình sau đây:



12
+
Đối tượng
Mạng
nơron
N
1
Mạng
nơron
N
2
Độ nhạy Độ nhạy
z
-1
z
-1
∑
z
-1
z
-1
z
-1
u(k)
e(k)
∂/∂w
1
ij
∂/∂w

−+−
1
1
1
0
)()()(
n
i
m
j
jp
i
jkukikyk
βα

*Đối tượng phi tuyến:
+ Dạng 1:

( )
1+
∩
ky
p
=
)]1(), ,1(),([)(.
1
0
+−−+−
∩
−

i
i
iku
β

+ Dạng 3:

( )
1+
∩
ky
p
=
( ) ( )
++−
∩
]1, ,[ nkykyf
pp
( ) ( ) ( )
]1, ,1,[ +−−
∩
mkukukug

+ Dạng 4:

( )
1+
∩
ky
p

điều khiển đưa vào đối tượng điều khiển được tổng hợp từ hai tín hiệu là: tín
hiệu điều khiển phản hồi và tín hiệu điều khiển ngược. Mạng nơron thực hiện
học theo tín hiệu điều khiển phản hồi với thuật toán thích nghi. Ưu điểm của cấu
trúc điều khiển loại này là dễ dàng thiết lập được một hệ thống ổn định với
mạng nơron không cần huấn luyện quá phức tạp.
1.3.4.2. Điều khiển ngược thích nghi
Hình 1.15 là mô hình cấu trúc của mô hình mẫu điều khiển ngược thich
nghi. Thuật toán này có khả năng tiếp nhận sai lệch giữa đầu ra của đối tượng và
đầu ra của mô hình mẫu. Thông số của bộ điều khiển được cập nhật liên tục để
giảm sai lệch. Bộ điều khiển mô hình mẫu thích nghi cơ bản có thể ảnh hưởng
bởi nhiễu từ sensor và nhiễu bên ngoài tác động vào đối tương điều khiển. Loại
bỏ các loại nhiễu này bằng cách sử dụng mạng nơron mô tả đối tượng nối song

14
Mạng nơron mô phỏng mô
hình ngược của đối tượng
điều khiển
Thuật toán thích nghi
Bộ điều khiển
Đối tượng điều khiển
Tín hiệu
điều
khiển
ngược
T/h điều khiển phản hồi
Tín hiệu
đầu ra
đối
tượng
Lệnh

Nhiễu
Bộ điều khiển
nơron
Đối tượng điều
khiển
Mạng nơron mô
phỏng đối tượng
Mạng nơron mô
phỏng mô hình
ngược đối tượng
Mô hình mẫu
Thuật toán thích nghi
-
+
-
Nhiễu và
nhiễu loạn ở đầu
ra đối tượng
-
Đầu ra
đối tượng
Nhiễu sensơ
Lệnh
đầu vào
Sai lệch
+
-
+
1.3.4.8. Điều khiển thích nghi trực tiếp ổn định
KẾT LUẬN CHƯƠNG 1

nổi tiếng thực hiện dễ dàng và có hiệu quả cao phù hợp với thực hiện quá trình
học cho các đối tượng là tuyến tính và phi tuyến tính.
3. Có nhiều phương pháp điều khiển nhưng mỗi phương pháp đều có các
ưu điểm và nhược điểm đặc thù như phương pháp phản hồi tuyến tính hóa chỉ
được áp dụng với những hệ thống được mô tả bởi phương trình 1.72, phương
pháp điều khiển thích nghi trực tiếp ổn định yêu cầu không có thành phần phi
tuyến trong phương trình mô tả cũng như tín hiệu điều khiển không gian trạng
thái. Phương pháp điều khiển thích nghi theo mô hình mẫu không đảm bảo sự ổn
định. Phương pháp điều khiển ngược thích nghi yêu cầu sự tồn tại của mô hình
ngược của đối tượng. Nói chung những phương pháp điều khiển trên đều đảm
bảo sự ổn định nhưng chỉ được áp dụng trong một giới hạn nào đó của hệ thống.
Lĩnh vực điều khiển nơron sẽ còn tiếp tục phát triển và các phương pháp điều
khiển sử dụng mạng nơron cũng sẽ phát triển đa dạng và có hiệu quả hơn nữa.

CHƯƠNG 2
MỘT SỐ MÔ HÌNH CƠ BẢN CỦA MẠNG NƠRON VÀ MẠNG
MỜ NƠRON TRONG MATLAB VÀ ỨNG DỤNG TRONG NHẬN
DẠNG VÀ ĐIỀU KHIỂN
2.1. MỘT SỐ MÔ HÌNH CỦA MẠNG NƠRON TRONG MATLAB
2.1.1. MÔ HÌNH NƠRON VÀ MẠNG NƠRON TRUYỀN THẲNG
2.1.1.1. Nơron có tín hiệu vào ở dạng véc tơ
2.1.1.2. Một lớp nơron

17
2.1.1.3. Mạng nơron truyền thẳng nhiều lớp
Hình vẽ dưới đây mô tả mô hình và mô hình rút gọn của mạng nơron
truyền thẳng ba lớp được cài đặt trong Neural Tôlbox của Matlab .Mỗi lớp có
trận trọng số W, véc tơ bias b và véc tơ tín hiệu đầu ra a. Tín hiệu đầu ra mỗi lớp
a
i

2. 2. GIỚI THIỆU SIMULINK NEURAL TOOLBOX CỦA MATLAB

18
2.2.1. Khối các hàm chuyển đổi
Nháy kép vào khối Transfer Function cửa sổ khối các hàm chuyển đổi hiện ra
như hình 2.9 Hình 2.9. Khối các hàm chuyển đổi
2.2.2. Khối đầu vào
Nháy kép vào khối Net Input Functions cửa sổ khối đầu vào hiện ra như
hình 2.10.
Hình 2.10. Khối đầu vào
2.2.3. Khối các hàm trọng số
Nháy kép vào khối Weight Functions cửa sổ khối các hàm trọng số hiện ra
như hình 2.119
Hình 2.11. Khối các hàm trọng số
2.2.4. Khối các hệ thống điều khiển
Nháy kép vào khối Control Systems, cửa sổ khối các hệ thống điều khiển
hiện ra như hình 2.12. Trong cửa sổ này có ba khối điếu khiển là: mô hình điều
khiển dự báo dùng mạng nơron (NN Predictive Control), điều khiển NARMA-

khiển dùng mạng nơron đã được cài đặt trong NEURAL NETWORK
TOOLBOX của MATLAB. Từng mạng nơron đều có hai lớp vấn đề là cần chọn
được số lượng nơron ở lớp ẩn. Có ba loại tín hiệu đưa tới bộ điều khiển:
- Các tín hiệu mẫu có trễ.
- Các tín hiệu ra của bộ điều khiển có trễ.
- Các tín hiệu đầu ra đối tượng có trễ.
Với mỗi một loại tín hiệu nói trên cần chọn số lượng các giá trị có trễ
được sử dụng. Chú ý các tín hiệu có trễ tăng theo bậc của đối tượng. Có 2 loại
đầu vào của mô hình mạng nơron mô tả đối tượng.
- Đầu ra bộ điều khiển có trễ.
- Đầu ra đối tượng có trễ.
Phần này quan tâm đến điều chỉnh số lượng phần tử có trễ.
KẾT LUẬN CHƯƠNG 2
Chương 2 đã trình bày các mô hình ứng dụng của Matlab trong điều khiển
(ĐK), trong ba mô hình được trình bày ở trên:
1. Mô hình ĐK dự báo: Sử dụng mô hình mạng nơron mô tả đối tượng để
dự báo đối tượng trong tương lai. Thuật toán tối ưu xác định tín hiệu ĐK đầu
vào, tối ưu hóa đặc tính đối tượng trong tầm nhìn cho phép. Việc huấn luyện đối
tượng đòi hỏi chỉ sử dụng cho thuật toán nhóm cho mạng nơron tĩnh và đủ
nhanh. Bộ điều khiển (BĐK) này đòi hỏi sử dụng kiểu ĐK on - line nên nó có
khối lượng tính toán lớn.
2. BĐK NARMA-L2: Đầu vào được ĐK được tính toán ĐK đầu ra đối
tượng bám được theo tín hiệu mẫu. Mạng nơron mô tả đối tượng được huấn
luyện theo kiểu lan truyền ngược tĩnh và đủ nhanh. BĐK sử dụng kiểu ĐK on -
line.

22
3. BĐK nơron theo mô hình mẫu: Cần xác định mô hình mạng nơron mô
tả đối tượng đầu tiên. Sau đó sử dụng mô hình này để tham gia quá trình huấn
luyện cho mạng nơron đóng vai trò là BĐK để ĐK các đối tượng sao cho đầu ra

b2
C
b1
b
W
0