MỞ ĐẦU
1. Tính cấp thiết của đề tài
Ngày nay cùng với sự phát triển của công nghệ vật liệu thì các ngành
khoa học khác cũng phát triển không ngừng và mang lại hiệu quả cao khi
được ứng dụng vào trong thực tế.
Với lĩnh vực tự động hoá một trong những lý thuyết mà các nhà khoa
học trên thế giới cũng như trong nước đang quan tâm nghiên cứu và ứng
dụng đó là lý thuyết mờ, mạng nơron, điều khiển thích nghi, điều khiển tối
ưu, điều khiển bền vững Đây là vấn đề khoa học đã có từ vài thập niên,
nhưng việc ứng dụng nó vào sản xuất, cũng như sự kết hợp chúng với nhau
để tạo ra một quy luật điều khiển có đủ những ưu điểm của các lý thuyết
thành phần vẫn đang là lĩnh vực khoa học cần quan tâm và nghiên cứu.
Đối tượng điều khiển trong thực tế thường là một hệ phi tuyến với
các 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.
3. Đối tượng và phạm vi nghiên cứu
2
Đối tượng nghiên cứu:

dạng đối tượng phi tuyến
2.5 Kết luận chương 2
Chương 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
3
CHƯƠNG 1
TỔNG QUAN VỀ NHẬN DẠNG; LÝ THUYẾT MỜ; MẠNG
NƠRON
1.1. Tổng quan về nhận dạng
1.1.1. Định nghĩa
1.1.2. Sơ lược về sự phát triển của các phương pháp nhận dạng
1.1.3 Các phương pháp nhận dạng hệ phi tuyến [1]
1.1.3.1 Một số phương pháp nhận dạng thông số hệ thống Off-line
• Phương pháp xấp xỉ vi phân:
• Phương pháp Gradient:
• Phương pháp tìm kiếm trực tiếp:
• Phương pháp tựa tuyến tính:
• Phương pháp sử dụng hàm nhạy:
1.1.3.2 Một số phương pháp nhận dạng thông số hệ thống On-line
• Phương pháp bình phương cực tiểu:
• Phương pháp xấp xỉ ngẫu nhiên
• Phương pháp Kalman mở rộng
Kết luận: Ở trên đã tóm tắt một số phương pháp nhận dạng đơn giản.
Kết quả đạt được của các phương pháp trên đã được sử dụng trong thực tế
nhưng hạn chế là chỉ ứng dụng được trong những đối tượng có tính phi
tuyến thấp. Khi đối tượng có tính phi tuyến cao, độ bất ổn định lớn và số

5
CHƯƠNG 2
NHẬN DẠNG ĐỐI TƯỢNG PHI TUYẾN BẰNG HỆ MỜ NƠRON
THEO MÔ HÌNH TAKAGI – SUGENO
2.1. Đặt vấn đề
2.2 Đối tượng phi tuyến [5]
2.2.1 Mô tả hệ phi tuyến
2.2.2 Mô hình tĩnh của hệ phi tuyến
2.2.3 Mô hình động của hệ phi tuyến
2.3 Ứng dụng hệ Mờ - Nơron trong nhận dạng hệ thống
Trong phần này ta nghiên cứu phương pháp kết hợp mạng nơron vào
bộ điều khiển logic mờ cơ bản, bộ điều khiển có cấu trúc như vậy gọi là bộ
điều khiển mờ - nơron (NFCs) hay còn gọi là hệ mờ - nơron. Nguyên tắc
của bộ điều khiển mờ - nơron là ứng dụng quá trình học của mạng để
chỉnh lại hàm liên thuộc của các tập mờ với mong muốn đầu ra thỏa mãn
yêu cầu điều khiển được đề ra.
Ta xét một mô hình nhận dạng có dạng tổng quát như hình vẽ:
Theo sơ đồ trên đây khâu nhận dạng chính là một bộ điều khiển mờ -
nơron. Xét một cấu trúc NFCs như hình vẽ 2.9, trong cấu trúc này, lớp vào
và lớp ra của mạng miêu tả trạng thái đầu vàovà tín hiệu điều khiển đầu ra,
lần lượt các lớp ẩn sẽ thực hiện chức năng như hàm liên thuộc và các luật
mờ.
6
Đối tượng
Khâu nhận
dạng
∑
-
+
Cơ cấu

)k(
1
u, ,u,u
là tín hiệu vào nút
)k(
p
)k(
2
)k(
1
w, ,w,w
là các trọng số liên kết
k là chỉ số lớp.
Qua hàm tác động a của mỗi nút sẽ tính được giá trị đầu ra của chúng
)f(a)(ao
i
)k(
i
===
netoutput
(2.13)
Lớp 1: các nút trong lớp này truyền trực tiếp tín hiệu từ đầu vào sang
lớp kế tiếp:
)1(
i
uf
=
,
f
=

vào. giả sử hàm liên thuộc dạng chuông ta có, ta có:
2
ij
2
ij
)2(
i
ijij
j
x
)mu(
),m(Mf
i
σ
−
−=σ=
và
f
e
=
a
(2.15)
Trong đó:
ij
σ;m
ij
lần lượt là tâm và độ rộng của hàm liên thuộc thứ j với
biến đầu vàò x
i
.

(2.17)
Lớp 5: lớp này sẽ thực hiện việc tính giá trị đầu ra của mạng (giải mờ).
Nếu
ij
σ;m
ij
lần lượt là tâm và độ rộng của hàm liên thuộc thứ j với biến đầu
ra thứ i và sử dụng giải mờ theo phương pháp trọng tâm thì:

∑∑
σ==
j
)5(
ijijij
j
)5(
ij
)5(
ij
u)m(uwf
và
∑
σ
=
j
)5(
ijij
u
f
a

w
E
()t(w)1t(w
∂
∂
−η+=+
(2.20)
Với hệ số học được xác định trong khoảng:
10 <η<
8
w
)a(
)a(
E
w
)functionactivation(
)functionactivation(
E
w
E
∂
∂
⋅
∂
∂
=
∂
∂
⋅
∂

là biến ngôn ngữ của
mệnh đề điều kiện với hàm liên thuộc
)x(
i
A
j
i
µ
;
j
i
a
là hệ số.
Trong đó:
1 ni == ;m 1j
Nếu f
j
là một hằng số không phụ thuộc vào các giá trị x
1
, x
2
, , x
n
thì
mô hình mờ T-S được gọi là mô hình bậc không.
Nếu f
j
được xác định như (2.40) thì mô hình mờ T-S được gọi là mô
hình bậc một.
Để đơn giản mà không mất tính tổng quát ta chọn hệ có 2 đầu vào và

22
2
11
fy then A is x and A is x
(2.42)
x ;
21
x
là các biến đầu vào.
Hàm đầu ra
y
được xác định bởi:
21
2211
µµ
µµ
+
+
=
ff
y
(2.43)
9
Với:
)x().x(
)x().x(
2
A
1
A

j
ii
i
A
]
mx
[1
1
)x(
j
i
σ
−
+
=µ
(2.45)
2
j
i
j
i
i
j
i
)
mx
(
i
A
e)x(

2
1
1
µµ=µ
µµ=µ
(2.47)
Lớp 4: thực hiên phép toán:
21
2
2
21
1
1
;
µ+µ
µ
=µ
µ+µ
µ
=µ

(2.48)
Lớp 5: tính giá trị đầu ra của hệ:
2211
ffy
µµ
+=
(2.49)
Chúng ta có thể cập nhật các thông số của mạng theo các biểu thức từ
(2.22) đến (2.39).

A
2
1
µ
)x(
2
A
1
2
µ
)x(
2
A
2
2
µ
1
µ
2
µ
1
µ
2
µ
Hình 2.10 Cấu trúc mạng nơron theo luật mờ T-S
y
2.5. Kết luận chương 2
Trong chương 2 đã nêu tổng quan về đối tượng phi tuyến gồm mô tả
về đối tượng phi tuyến, mô hình tĩnh và động của hệ phi tuyến.
Ứng dụng Hệ Mờ - Nơron theo mô hình Takagi – Sugeno để nhận

2
) e
-5x2
(3.2)
Với bộ số liệu gồm có 1001 bộ dữ liệu vào - ra thể hiện tại Phụ lục
PL02b, đoạn chương trình nhận dạng thể hiện trong Phụ lục PL01b.
Thiết lập Hệ Mờ - Nơron theo mô hình T-S với hàm liên thuộc có dạng
[gbellmf], thực hiện phép and theo luật tích đại số, giải mờ theo phương
pháp trung bình. Với 6 hàm liên thuộc đầu vào của x
1
, 5 hàm liên thuộc
đầu vào của x
2
và 30 luật mờ khi đó cấu trúc của mạng có dạng như hình
3.5, dạng hàm liên thuộc trước khi huấn luyện như hình 3.6. Sau 1200 chu
kỳ huấn luyện mạng thì hàm liện thuộc của đầu vào có dạng như hình 3.7,
13
Hình 3.2 Dạng hàm liên thuộc trước
khi nhận dạng
Hình 3.3 Dạng hàm liên thuộc sau
khi nhận dạng
Hình 3.4 Tín hiệu đầu ra của đối tượng,
mạng và sai lệch giữa chúng
tín hiệu ra của mạng, tín hiệu ra của đối tượng và sai lệch giữa chúng như
hình 3.8.

14
Hình 3.5 Cấu trúc mạng nhận
dạng
Hình 3.8 Tín hiệu đầu ra của đối tượng, mạng và sai lệch giữa chúng

thuộc của đầu vào có dạng như hình 3.11a,b,c, tín hiệu ra của mạng, tín
hiệu ra của đối tượng và sai lệch giữa chúng như hình 3.12.
15
Hình 3.9 Cấu trúc mạng nhận dạng
Hình 3.10a Dạng hàm liên thuộc trước
khi nhận dạng của đầu vào 1
Hình 3.10b Dạng hàm liên thuộc trước
khi nhận dạng của đầu vào 2
Nhận xét: Với đối tượng phi tuyến ba đầu vào (3.3) sau khi thực
hiện quá trình nhận dạng offline bằng Hệ mờ - nơron theo mô hình T-S,
sau 420 chu kỳ huấn luyện đã đạt tới sai lệch là 0.000364908, với sai số
này là rất nhỏ có thể chấp nhận được.
16
Hình 3.10c Dạng hàm liên thuộc trước
khi nhận dạng của đầu vào 3
Hình 3.11a Dạng hàm liên thuộc sau
khi nhận dạng của đầu vào 1
Hình 3.11b Dạng hàm liên thuộc sau
khi nhận dạng của đầu vào 2
Hình 3.11c Dạng hàm liên thuộc sau
khi nhận dạng của đầu vào 3
Hình 3.12 Tín hiệu đầu ra của đối tượng, mạng
và sai lệch giữa chúng
3.2 Nhận dạng đối tượng On-line
Xét đối tượng nhận dạng là tay máy một khâu như hình 3.13, theo [3] ta
đặt:
J: Mômen quán tính của cánh tay máy.
M: Khối lượng của cánh tay máy.
m: Khối lượng vậy nặng.
l: Chiều dài cánh tay máy.

g
mlJ
Mlcml
t
mlJ
B
+
+
+
+
−
+
−=
θθ

(3.4)
Ta viết phương trình dưới dạng Phương trình vi phân ta có:
Đặt biến trạng thái:



=
=
)()(
)()(
2
1
ttx
ttx
θ

)(
1
cos
)(
)(
)(
xy
u
mlJ
xg
mlJ
Mlml
x
mlJ
B
dt
dx
x
dt
dx
c
(3.5)
Hay có dạng:
17
m
Ɵ
l
u
Hình 3.13 Mô hình tay máy một khâu


+
+
−
+
−=
và
)(
1
2
mlJ
G
+
=
Từ hệ phương trình trên ta xây dựng sơ đồ cấu trúc của hệ như hình vẽ
Như vậy để nhận dạng đối tượng phi tuyến động có dạng tổng quát
như (3.6) ta có thể dùng mạng tĩnh với cấu trúc như hình 3.15. Trong đó
nhận dạng F(x
1
,x
2
) ta dùng Hệ mờ - nơron theo mô hình TS ở chế độ
online.
Thực tế để nhận dạng đối tượng (3.6) thì ta chỉ nhận dạng khâu
F(x
1
,x
2
) với sơ đồ trong Matlab simulink như hình 3.15 và sơ đồ hình 3.14
như hình 3.16.
18

F(x
1
,x
2
)
G
Hình 3.15 Sơ đồ nhận dạng F(x
1
,x
2
)
Với bộ các thông số của hệ như sau:
l = 0,5m, l
c
= 0,2m, m = 0,1kg, M = 0,2kg
J = 0,02 kg.m
2
, B = 0,005, g = 9,81m/s
2
Sau khi tiến hành chạy chương trình nhận dạng F(x
1
,x
2
) ta có kết quả
như sau:
Trong thời gian 30s nhận dạng ta có kết quả như sau:
- Đồ thị biến thiên của các trọng số trong mệnh đề kết luận của luật
T-S a
0
, a

15
20
25
Hình 3.17b Trọng số a
1
(30s)
rad/s
rad/s
s
s
- Kết quả nhận dạng thu được với tín hiệu ra của đối tượng, tín hiệu
ra của mô hình NFCs thể hiện trên hình 3.19a,b
20
Hình 3.17c Trọng số a
2
(30s)
0 5 10 15 20 25 30
-4
-2
0
2
4
6
8
10
Hình 3.18 Tâm m và độ rộng của hàm
liên thuộc (30s)
0 5 10 15 20 25 30
-5
0

Trong thời gian 50s nhận dạng ta có kết quả như sau:
- Đồ thị biến thiên của các trọng số trong mệnh đề kết luận của luật
T-S a
0
, a
1
, a
2
như hình 3.20a,b,c. Tâm m và độ rộng
σ
của hàm liên thuộc
biến thiên như hình 3.21.
21
0 5 10 15 20 25 30 35 40 45 50
0
5
10
15
20
25
30
35
40
Hình 3.20a Trọng số a
0
(50s)
0 5 10 15 20 25 30 35 40 45 50
0
5
10

ra của mô hình NFCs và sai lệch giữa tín hiệu ra của đối tượng và mô hình
NFCs thể hiện trên hình 3.22a,b,c,d
22
0 5 1 0 15 20 25 3 0 3 5 40 45 50
-2 0
-1 5
-1 0
-5
0
5
1 0
1 5
2 0
Hình 3.22a Tín hiệu ra của đối
tượng (50s)
0 5 10 15 2 0 25 30 3 5 40 45 5 0
-2 0
-1 5
-1 0
-5
0
5
10
15
20
Hình 3.22b Tín hiệu ra của mô hình
NFCs(50s)
s
s
rad/s rad/s

3.3. Kết luận chương 3
Qua kết quả mô phỏng nhận dạng đối tượng phi tuyến bằng phần
mềm Matlab – Simulink nhận thấy: dùng hệ mờ - nơron theo mô hình
Takagi – Sugeno để nhận dạng đối tượng phi tuyến cho ta kết quả nhận
dạng tương đối chính xác trong cả trường hợp nhận dạng on-line và nhận
dạng off-line.
Với hệ động học phi tuyến có dạng (3.6) thì ta có thể dùng mô hình
NFCs tĩnh để nhận dạng hệ động học phi tuyến với cấu trúc như hình 3.14
23
KẾT LUẬN
Luận văn đã giải quyết được các vấn đề sau:
Đề xuất hướng nghiên cứu dùng hệ mờ - nơron để nhận dạng hệ phi
tuyến. Luật mờ sử dụng trong hệ mờ - nơron này theo mô hình Sugeno.
Xây dựng được hệ mờ - nơron tĩnh với cấu trúc 5 lớp, trong đó: lớp 1
làm nhiệm vụ nhận tín hiệu vào; lớp 2 làm nhiệm vụ mờ hoá, tạo hàm liên
thuộc; các lớp 3, 4 lần lượt thực hiện các phép toán trong mệnh đề điều
kiện và mệnh đề kết luận của các luật mờ; lớp 5 tính tín hiệu ra của mạng -
giải mờ.
Đưa ra được thuật toán cập nhật các thông số trong quá trình nhận
dạng. Trong quá trình nhận dạng, mạng được luyện theo phương pháp lan
truyền ngược sai lệch. Sau khi huấn luyện mạng tri thức của mạng đạt
được chính là các thông số của các hàm liên thuộc đầu vào và đầu ra của
hệ.
Với đối tượng động học phi tuyến có dạng (3.6) thì ta có thể dùng
mô hình NFCs tĩnh để nhận dạng hệ động học phi tuyến với cấu trúc như
hình 3.14 và cấu trúc của hệ NFCs như hình 2.9
Thông qua quá trình mô phỏng quá trình nhận dạng bằng ngôn ngữ
Matlab 7.01 ta nhận được kết quả nhận dạng có độ chính xác cao. .
Hướng đề xuất nghiên cứu tiếp theo:
Nghiên cứu hệ mờ - nơron động để nhận dạng các hệ động học phi