1

ĐẠI HỌC THÁI NGUYÊN
TRƯỜNG ĐẠI HỌC KỸ THUẬT CÔNG NGHIỆP

PHẠM VĂN HƯNG
NGHIÊN CỨU ỨNG DỤNG MẠNG NƠRON TRONG
NHẬN DẠNG VÀ ĐIỀU KHIỂN ĐỐI TƯỢNG ĐỘNG HỌC PHI TUYẾN Chuyên ngành : Tự Động Hóa
Mã số :
TÓM TẮT LUẬN VĂN THẠC SỸ KỸ THUẬT

được ứng dụng trong nhiều lĩnh vực như: công nhiệp, năng lượng, y học, tài
nguyên nước và khoa học môi trường. Đặc biệt trong lĩnh vực kỹ thuật môi trường,
ANN ngày càng chứng tỏ được vai trò trong nhận dạng và điều khiển các quá trình
xử lý phức tạp mà các phương pháp khác không có được.
Tuy nhiên các tác giả đã nghiên cứu ở trên khi luyện mạng nơron sử dụng các
Toolbox của Matlab, thường ta sẽ không loạ
i bỏ được những mẫu học bị nhiễu. Đề
tài sẽ đưa ra một thuật toán loại bỏ những mẫu học bị nhiễu và sẽ làm giảm sai số
trong quá trình huấn luyện mạng. Ta sẽ nghiên cứu cho một số đối tượng động học
phi tuyến.
Căn cứ vào những nhận xét, đánh giá trên, tôi chọn đề tài: “Nghiên cứu ứng
dụng mạng nơron trong nhận d
ạng và điều khiển đối tượng động học phi
tuyến” .
Kết cấu của luận văn gồm:
Mở đầu
Chương 1: Tổng quan việc ứng dụng mạng nơron trong nhận dạng và điều
khiển đối tượng động học phi tuyến
Chương 2: Nhận dạng đối tượng động học phi tuyến sử dụng mạng nơ
ron
Chương 3: Ứng dụng mạng nơron để điều khiển bể xử lý nước thải theo mô
hình mẫu
3

Chương 4: Nghiên cứu cải tiến thuật toán học của mạng nơron trong bài toán
nhận dạng bể xử lý nước thải
Kết luận và kiến nghị
Tôi xin trân trọng bày tỏ lòng biết ơn sâu sắc đến thầy HDKH. PGS.TS
Nguyễn Hữu Công - Người đã hướng dẫn tận tình và giúp đỡ tôi hoàn thành luận
văn thạc sĩ này.

.
.
b
1
H
ình 1.2 Mô hình nơron nhiều
đ
ầu
a n
CHƯƠNG 1
TỔNG QUAN VIỆC ỨNG DỤNG MẠNG NƠRON TRONG
NHẬN DẠNG VÀ ĐIỀU KHIỂN ĐỐI TƯỢNG ĐỘNG HỌC PHI TUYẾN
1.1. Giới thiệu tóm tắt về mạng nơron
1.1.1 Mạng nơron sinh học
Mạng nơron là sự tái tạo bằng kỹ thuật những chức năng của hệ thần kinh
con người. Trong quá trình tái tạo không phải tất cả các chức n
ăng của bộ não con
người có đều được tái tạo mà chỉ có những chức năng cần thiết. Bên cạnh đó có
những chức năng mới được tạo ra nhằm giải quyết một bài toán điều khiển đã định
trước.
1.1.2 Mạng nơron nhân tạo (Artificial Neural network - ANN)
Từ những nghiên cứu tính chất cơ bản của mạng nơron sinh học. Người ta thay thế
nhữ
ng tính chất này 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 mạng nơron nhân tạo.


 Phương pháp huấn luyện mạng nơron động học phi tuyến
 Ứng dụng m
ạng nơron trong điều khiển tự động
Nhờ sự phát triển mạnh mẽ về khả năng tính toán và xử lý ngày càng mạnh
của máy tính, nhờ đó mà trong lĩnh vực điều khiển tự động mạng nơron được ứng
dụng để giải quyết hai bài toán sau:
¾ Nhận dạng đối tượng. Các đối tượng ở đây với đặc tính có thể là động
học tuyến tính, phi tuyến tĩnh hoặc động học phi tuyến.
¾ Thiết kế bộ điều khiển nơron.
Theo lý thuyết đã chứng minh mạng nơron là một bộ xấp xỉ đa năng có thể
dùng làm mô hình toán học để thay thế cho một đối tượng với sai số cho trước nào
đó. Đồng thời khả năng xấp xỉ đa năng của mạng nhiề
u lớp tạo ra một sự lựa chọn
ưa thích cho việc mô hình hoá các đối tượng phi tuyến và thực hiện các bộ điều
khiển phi tuyến đa năng.
Mạng nơron được ứng dụng trong điều khiển tự động với 3 bài toán:
¾ Điều khiển dự báo mô hình: Model Predictive Control (MPC).
¾ Điều khiển tuyến tính hoá phản hồi: NARMA-L2 (Feedback
Linearization Cotrol).
¾ Điều khiển theo mô hình mẫu: Model Reference Control.
1.2.
Tình hình nghiên cứu trong và ngoài nước liên quan đến đề tài
1.2.1 Tình hình nghiên cứu trong nước
6

 Nguyễn Đắc Nam (2008),“Nghiên cứu ứng dụng mạng nơron truyền thẳng
nhiều lớp nhận dạng vị trí robot hai khâu”, Luận văn Thạc sỹ, Trường Đại
học Kỹ thuật Công nghiệp.
 Vũ Thanh Du,“Nghiên cứu ứng dụng mạng nơron để nhận dạng và điều
khiển hệ thống phi tuyến”, Luận văn Thạc s


1.2.3 Nhận xét và lựa chọn hướng nghiên cứu
Các nghiên cứu trong nước về cơ bản còn dừng lại ở mức độ sử dụng các
thuật toán huấn luyện mạng cơ bản và áp dụng cho những đối tượng có mô hình
chưa có độ phức tạp cao. Tuy nhiên trong những năm gần đây các tác giả trong
nước cũng đang chuyển hướng nghiên cứu sang lĩnh vực tìm ra thuật toán luyện
mạng mới nhằm cải tiến thuật toán học cơ bản cũng như tăng độ hội tụ và giảm
thời gian huấn luyện mạng.
Các công trình nghiên cứu ngoài nước hầu hết đều theo hướng áp dụng
những thuật toán mới nhằm giải quyết những bài toán nhận dạng mô hình động
học phi tuyến. Tuy nhiên với đối tượng động học phi tuyến thì việc nhận dạng và
điều khiển sẽ gặp rất nhiều khó khăn đòi hỏi phải giải các bài toán tối ưu để tăng
độ hội tụ trong quá trình tính toán và giảm thời gian luyện mạng.
1.3. Kết luận chương 1
Đã giới thiệu tóm tắt về kiến thức cơ bản của mạng nơron. Đồng thời giới
thiệu các dạng mô hình của mạng nơron, các thuật toán huấn luyệ
n mạng và các
bài toán với mạng nơron.
Căn cứ việc phân tích tình hình nghiên cứu trong và ngoài nước để làm tiền
đề định hướng nghiên cứu cho đề tài này. Hi vọng kết quả sẽ áp dụng tốt cho
những dạng bài toán nhận dạng và điều khiển đối tượng động học phi tuyến
trên cơ sở mạng nơron như bể xử lý nước thải để giải quyết vấn đề
đang tồn
tại của nhiều quốc gia.
CHƯƠNG 2
NHẬN DẠNG ĐỐI TƯỢNG ĐỘNG HỌC PHI TUYẾN
SỬ DỤNG MẠNG NƠRON
2.1. Giới thiệu hệ động học phi tuyến
2.1.1 Giới thiệu chung
Hệ động học phi tuyến bao gồm hai đặc tính là tính động học và tính phi

hai điểm cơ bản sau:
- Nhận dạng là phương pháp thực nghiệm nhằm xác định một mô hình cụ thể
trong lớp các mô hình thích hợp trên cơ sở quan sát các tìn hiệu vào ra.
- Mô hình tìm được phải có sai số với đối tượng là nhỏ nhất.
Theo định nhĩa này thì những bài toán nhận dạng sẽ phải được phân biệt với
nhau ở ba điểm chính, đó là:
- Lớp mô hình thích h
ợp. Chẳng hạn lớp các mô hình tuyến tính không có cấu
trúc (không biết bậc của mô hình) hoặc có cấu trúc, lớp các loại mô hình lưỡng
tuyến tính.
- Loại tín hiệu quan sát được (tiền định/ngẫu nhiên).
Bộ điều
khiển
Đối tượng
điều khiển
w(t)
e(t)
u(t)
y(t)
-
Hình 2.5: Điều khiển theo nguyên tắc phản hồi đầu ra
9

- Phương thức mô tả sai lệch giữa mô hình thực và đối tượng.
 Các bước cơ bản để nhận dạng hệ thống
Nhận dạng hệ thống là ước lượng mô hình của hệ thống dựa trên các dữ liệu
vào ra quan sát được.
Để xác định được mô hình của hệ thống từ các dữ liệu quan sát này ta phải có:
- Số liệu vào – ra.
- Tập các đầ

ếtkế
Dữ liệu
Lựa chọn tập
mô hình
Chọn tiêu chuẩn
phù h
ợp
Tính toán mô hình
Mô hình tốt
Thông tin
b
an đầu
Đúng: chấp
nh
ậ
n mô hình
Sai
10 2.2.2. Các phương pháp nhận dạng
 Nhận dạng thông số hệ thống ngoại tuyến (off-line)
Trong quá trình điều khiển các đối tượng động lực cần phải giải quyết bài
toán nhận dạng thông số mô hình hệ động lực. Hiện nay có hai hướng cơ bản mô
tả toán học các đối tượng động lực:
- Mô hình hàm truyền
- Mô hình không gian trạng thái
Loại mô hình hàm truyền phù hợp v
ới giai đoạn đầu phát triển lý thuyết điều
khiển và hướng đến các hệ tuyến tính dừng.


(2.7)
Trong đó w(t) là véc tơ nhiễu tác động từ bên ngoài. Cần xác định thông số
mô hình đảm bảo cực trị một tiêu chuẩn nhận dạng. Sơ đồ tổng quát có dạng biểu
diễn ở Hình 2.7:
Véc tơ thông số P(t)=[P
1
(t),P
2
(t)] có thể chứa các hệ số của phương trình vi
phân, phương trình quan sát và đồng thời có thể có các đặc trưng thống kê của
nhiễu v(t), w(t). (
)
(
)
⋅
=
ftx

()
⋅
=
hZ
u(t)

()
1
1
ˆ
.
.
.
.
ˆ
m
k
xt
p
A
p
xt
⎛⎞
⎛
⎞
⎜⎟
⎜
⎟
⎜⎟
⎜
⎟
=
⎜⎟
⎜
⎟
⎜⎟

thành phần véc tơ sai số. Cấu trúc hệ nhận dạng theo phương pháp gradient như x(t)
u(t)
Chỉnh
thông số
Tính toán
gradient
Tiêu chuẩn nhận
dạng J
Đối tượng
(
)
(
)
⋅
=
ftx



Như vậy nhận dạng hệ thống cần hai giai đoạn đó là lựa chọn mô hình và tối
ưu tham số. Đối với mạng nơron dựa vào nhận dạng lựa chọn số nút ẩn, số lớp ẩn
(cấu trúc của m
ạng) tương đương với mô hình lựa chọn. Mạng có thể được huấn
luyện theo kiểu giám sát với thuật toán lan truyền ngược, dựa vào luật học sai số
hiệu chỉnh. Tín hiệu sai số được lan truyền ngược qua mạng. Thuật toán lan truyền
ngược sử dụng phương pháp giảm gradient để xác định các trọng của mạng vì vậy
tương đương với tối ưu tham số. Mạng nơ
ron được huấn luyện để xấp xỉ mối quan
hệ giữa các biến.
13  Ứng dụng mô hình nối tiếp – song song để nhận dạng hệ động học phi
tuyến

Mô hình nối tiếp – song song có nhiều ưu điểm hơn mô hình song song. Từ
giả thiết hệ ổn định BIBO nên tất cả các tín hiệu của quá trình nhận dạng (như các
tín hiệu vào của mạng nơron) cũng bị giới hạn. Trong mô hình không tồn tại mạch
vòng phản h
ồi, nhưng có thể dùng thuật toán lan truyền ngược để điều chỉnh các

Mạng nơron
TDL
TDL
Z
-1
∑

u(k
y
p
(k)
e
p
(k)
_
+
(
)
1ky
p
+
ˆ
()
ky
p
ˆ
Hình 2.16. Nhận dạng hệ phi tuyến dùng mạng nơron
14

Bước 1: Tạo tập mẫu P,T để nhận dạng hệ thống xử lý nước thải, sau đó phát
Tín hiệu đầu ra của hệ thống được định nghĩa như sau:
y = [H
+
] - [OH
-
] , với [H
+
] là nồng độ ion H
+
, [OH
-
] là nồng độ ion OH
-

Nhiệm vụ điều khiển là tín hiệu đầu ra ở trạng thái xác lập y tiến đến 0 khi đó
nước thải là trung tính và có độ pH =7.
Gọi p là độ pH của chất thải trong bể. Ta có quan hệ: y = 10
-p
- 10
p
K
0
Máy trộn
u
Nước thải có tính axit


= F(a-y) - u(b+y)
V là thể tích của bể chứa (L)
F là tốc độ dòng chảy của chất thải có axít (L/sec)
a nồng độ mol/l của nước thải có tính axít (moles/L)
b nồng độ mol/l của ba zơ (moles/L)
u là tốc độ dòng chảy của bazơ (L/sec)
Phương trình hệ thống là:
V
y

= Fa - Fy - ub – uy
Giới hạn của tín hiệu điều khiển u là: [0 … 2] L/sec.
Thay các giá trị trên vào mô hình được phương trình hệ thống như sau:
y

= 0.00005 - 0.05y - 0.0005u – 0.5uy
Hệ thống xử lý nước thải là một đối tượng động học phi tuyến. Thể hiện tính
phi tuyến ở khâu nhân giữa tín hiệu vào và tín hiệu ra. Tính động học ở điểm có
đạo hàm và đầu ra được đưa ngược trở lại đầu vào.
2.4.3. Ứng dụng mạng nơron để nhận dạng đối tượng
 Tập mẫu vào ra

Hình 2.19 Tập mẫu vào ra trong của bể xử lý nước thải
LW
3,
IW
1,1
b
1
1
TDL
LW
2,1
b
2
1
u
y
Hình 2.20 Mô hình hệ thống dưới dạng mạng
Hình 2.21: Đồ thị sai lệch giữa mô hình nơron và mô hình đối tượng
17 Đồ thị biểu diễn độ sai lệch giữa tín hiệu ra của hệ thống xử lý nước thải với
mô hình nơron của nó. Ta thấy sai lệch trên rất nhỏ nên mô hình mạng nơron được
sử dụng để mô hình cho bể xử lý nước thải từ đó ta có thể thiết kế bộ điều khiển.

2.5. Kết luận chương 2

18

mục tiêu J =
∑
=
N
1k
2
)k(e
N
1
là bé nhất (trong quá trình luyện mạng thì các thông số w,
b của NN plant giữ cố định, chỉ chỉnh định các thông số w, b NN controller). Sau
khi huấn luyện xong NN controller thì ta lắp vào sơ đồ trên
hình 3.2 để điều khiển
hệ thống xử lý nước thải.
Sơ đồ huấn luyện bộ điều khiển nơron NN Controller

Hình 3.1: Sơ đồ huấn luyện bộ điều khiển nơron NN Controller
Sau khi huấn luyện mạng nơron ta được tham số bộ điều khiển bằng mạng nơron.
Bộ tham số này được tìm ra theo phương pháp sử dụng mô hình mẫu. Sau đó ta sử
dụng để điều khiển hệ thống xử lý nước thải.
Y
Mô hình
mẫu
NN
Controller
HT
Xử lý nước thải
P
T
Y
e
19

Mô hình mẫu trong simulink.
Phát tín hiệu ngẫu nhiên vào mô hình mẫu ta thu được chuỗi giá trị p, đầu ra
thu được chuỗi giá trị t. Bộ thông số (p,t) gồm 1000 mẫu được dùng để huấn luyện
bộ điều khiển nơron.

Hình 3.5: Mô hình mẫu trong Simulink
3.2.3. Chương trình huấn luyện bộ điều khiển nơron
- Sau khi huấn luyện ta có các thông số của bộ điều khiển nơ ron:
net.iw{1,1} = 1.0e+003 *[-0.4220 1.9542 -1.8371 -0.8361]';
net.lw{1,3} =[-2.1672 0.9400 0.5578 1.9932]';
net.lw{1,5} =[0.2532 -0.4862 -1.1192 0.5167]';
net.b{1} = [2.2229 -0.7450 -0.7357 -2.2132]';
net.b{2} = [-1.8333 0.0276 -1.8474]';
net.lw{2,1} = [0.8660 -0.3013 1.5635 0.4370;
-0.4278 0.8825 1.3020 0.8247;
-1.3695 0.8132 -0.3626 -0.8475];
net.b{3} = -0.1232; net.lw{3,2} = [0.0442 -0.2783 -0.0546];

tốt, nhưng phải đáp ứng được các yêu cầu của công nghệ đặt ra.
Trong chương này mô hình mạng nơron của đối tượng được chọn có cấu trúc
hai lớp, với lớp vào có 4 nơ ron, lớp ra có 1 nơron, có một tín hiệu phản h
ồi được
thể hiện thông qua một khâu trễ. Bộ điều khiển được chọn có cấu trúc 3 lớp, lớp
vào có 4 nơron, lớp ẩn có 3 nơron, lớp ra có 1 nơron. Để tăng độ chính xác ta có
thể tăng số lớp và số nơron trong mỗi lớp.
loại bỏ những mẫu học được quan sát thấy nó gây sai số lớn cho mạng.
Hình 3.6: Đồ thị sai lệch giữa tín hiệu ra của đối tượng với mô hình mẫu.
21 CHƯƠNG 4
NGHIÊN CỨU CẢI TIẾN THUẬT TOÁN HỌC CỦA MẠNG
NƠRON TRONG BÀI TOÁN NHẬN DẠNG BỂ XỬ LÝ NƯỚC THẢI

4.1. Đặt vấn đề
Như ta đã biết mô hình bể xử lý nước thải là mô hình động học phi tuyến với
cấu trúc hồi tiếp từ đầu ra trở về đầu vào đồng thời nó chịu ảnh hưởng của nhiễu
các thiết bị đo. Nếu sử dụng mạng nơron hồi tiếp liên tục sẽ rất phù hợp trong việc
nhận dạng đối tượng. Để nâng cao chất lượng hơ
n nữa ta sử dụng thêm chương
trình thuật toán lọc các mẫu bị nhiễu.
Vì vậy trong chương này tác giả xin trình bày phương pháp huấn luyện
mạng nơron hồi tiếp liên tục sử dụng thuật toán lan truyền ngược và kỹ thuật loại
bỏ những mẫu học được quan sát thấy nó gây sai số lớn cho mạng.
4.2 . Mô hình mạng nơron mới trong nhận dạng bể xử lý nước thải

⎨
=
⎪
⎩


Trong đó:
()
u
n
ut ∈\ là tín hiệu vào,
ˆ
u
n
y ∈\ tín hiệu ra của mạng,
ˆ
ˆ
x
n
x ∈\
là mạng
không gian vector,
n
θ
θ
∈\ thông số vector của mạng. Mạng nơron của (4.2) được
chỉ ra trong hình sau:
Ta sử dụng mạng nhiều lớp truyền thẳng được chọn làm cơ sở để xây dựng
mạng nơron hồi tiếp liên tục để mô tả đối tượng động học phi tuyến.
Để giải hệ phương trình vi phân (4.1) và (4.2) ta lấy tích phân xác định. Thông

ˆ
2
W
xh
nn
×
∈\
là các trọng số kết nối,
1
h
n
b ∈\ và
ˆ
2
x
n
b ∈ \ là các vector bias. Hàm kích hoạt sigmoid lưỡng cực ()
h
n
s
σ
•∈\
(sigmoid-Tanh, Tansig) như sau:
2
2
() 1
1
s
n
n

4.4 Lập trình huấn luyện mạng nơron hồi tiếp liên tục
4.4.1 Lưu đồ thuật toán huấn luyện mạng

24 Be
g
in
Load k
m
bộ mẫu
Gán E
min
, s,p, tt
Gán IW, LW,b2 ban đầu
Gán k;E,yy,test
Từ (u
(k)
; y
m
(k)
) tính y
(k)

Cập nhật IW và LW
Tính
1
1
km

t

End.
Hình 4.3: Lưu đồ thuật toán chương trình huấn luyện mạng nơron
Huấn luyện
thành công

Tính E
k

Tìm E
kmin

25 4.4.1 Chương trình huấn luyện mạng
Chương trình được lập trình trên cửa sổ M-file.
Bộ mẫu số liệu được tạo ra trên Simulink .
4.5 Kết quả mô phỏng và nhận xét
4.5.1 Kết quả luyện mạng với thuật toán mới
 Kết quả khi hệ chưa có nhiễu tác động tín hiệu mẫu là số ngẫu nhiên
Sai số quá trình luyện mạng: E_end = 5.9367e-009

Nhận xét:
- Ta thấy tín hiệu ra của mạng bám theo tín hiệu mẫu với sai số e trong
khoảng ±2.10