MỤC LỤC
Chương 1............................................................................................................................3
NGHIÊN CỨU CHUNG VỀ BÀI TOÁN DỰ BÁO THỜI TIẾT...........................................3
Chương 2..........................................................................................................................20
LÝ THUYẾT VÀ ỨNG DỤNG MẠNG NƠRON NHÂN TẠO...........................................20
Mô hình nơron nhân tạo...........................................................................................24
Bảng 2.1: Một số hàm kích hoạt thường được sử dụng trong các mô hình nơron. .25
2.4.2.1. Tập mờ....................................................................................................31
2.5. Mạng lan truyền ngược.....................................................................................32
2.5.1. Cấu trúc mạng............................................................................................32
2.5.2. Thuật toán..................................................................................................34
Hình 3.3: Đồ thị biểu diễn mức độ mây..................................................................43
Modul 3: Xử lý dữ liệu đầu ra.............................................................................43
Modul 2: Mạng nơron..........................................................................................44
Hình 3.5: Minh họa cho vấn đề cực tiểu địa phương...............................................46
3.2.1. Khởi tạo trọng số...........................................................................................46
3.2.2. Hằng số học...................................................................................................47
3.2.3. Số lượng nơron lớp ẩn...................................................................................47
3.2.4. Cách thức cập nhật trọng số...........................................................................48

LỜI NÓI ĐẦU
Dự báo thời tiết ra đời từ xa xưa, từ khi có sự xuất hiện của con người và càng
ngày càng gắn bó với cuộc sống của chúng ta. Từ thủa ban đầu, con người đã có thể “dự
đoán ” trước được các hiện tượng tự nhiên sẽ xảy ra trong khoảng thời gian gần. Dần dần
kinh nghiệm quan sát được tích lũy, cộng thêm những tư duy sâu xa đã giúp họ có được
các dự báo chính xác hơn cho các hiện tượng khí tượng trong tương lai. Những phân tích,
kinh nghiệm tích lũy dần được đúc kết thành các bài toán dự báo, cho phép tính toán khá
chính xác hiện tượng thời tiết sắp xảy ra.
Hiện nay trên thế giới các hệ thống dự báo thời tiết nghiệp vụ được thực hiện bởi
3 phương pháp chính: phương pháp Synôp, phương pháp thống kê và phương pháp số trị.
Trong mỗi phương pháp đó lại có rất nhiều phương pháp và các mô hình dự báo cụ thể.

Chương 3: Chương trình thử nghiệm dự báo thời tiết ứng dụng của mạng nơron
lan truyền ngược.
Mặc dù đã cố gắng song đề tài khó tránh khỏi những thiếu sót. Em rất mong nhận
được những ý kiến đóng góp của Thầy Cô giáo cũng như của các bạn sinh viên để em có
thể hoàn thiện hơn đề tài của mình.

2


Em xin chân thành cảm ơn sự giúp đỡ của các thầy cô trong khoa, sự ủng hộ của gia
đình bạn bè và đặc biệt là sự hướng dẫn, chỉ bảo tận tình của Cô giáo - Thạc sĩ Nguyễn
Hiền Trinh đã giúp em trong quá trình thực tập để hoàn thành đề tài này.
Em xin chân thành cảm ơn!
Sinh viên
Nguyễn Thị Oanh

Chương 1
NGHIÊN CỨU CHUNG VỀ BÀI TOÁN DỰ BÁO THỜI TIẾT
1.1.

Mở đầu
Dự báo là một phát biểu về tương lai. Mỗi phát biểu như vậy có một cơ sở chắc chắn

nhất định. Các dự báo được xây dựng bằng nhiều phương pháp, kiểm chứng qua biểu
thức đánh giá. Vì vậy, dự báo là một lĩnh vực có tiềm năng rộng lớn.
Để nói về vai trò của dự báo thời tiết, chúng ta xem những hậu quả của thiên tai
không được dự báo về kịp thời gây ra.
Trên thế giới, năm 2008 là một trong những năm thế giới phải hứng chịu nhiều thảm
hoạ thiên nhiên nhất. Thiệt hại từ thảm hoạ thiên nhiên năm 2008 lên tới 200 tỷ
USD.Trong đó, có khoảng 220 nghìn người chết trong những thảm hoạ thiên nhiên như

Dự báo là một quá trình phức tạp nhưng về cơ bản có thể thực hiện theo các bước sau:

4


1. Xác định mục tiêu
2. Xác định dự báo cái
gì
3. Xác định khía cạnh thời
gian
4. Xem xét dữ liệu
5. Lựa chọn mô hình

Mô hình không
thích hợp

6. Đánh giá mô hình

Mô hình thích hợp
7. Chuẩn bị dự báo
8. Trình bày kết quả dự báo
9. Theo dõi kết quả dự báo

Hình 1.1: Quy trình dự báo
Bước 1: Xác định mục tiêu
Bước đầu tiên trong quy trình dự báo là xác định mục tiêu. Xác định mục tiêu là xác
định xem kết quả dự báo sẽ được sử dụng như thế nào. Mục tiêu chung của dự báo là để
lập kế hoạch và có những quyết định hành động hợp lý. Mục tiêu của dự báo thời tiết là
để người dân có những chuẩn bị cho các hoạt động trong tương lai và chính phủ có
những kế hoạch phòng chống rủi ro kịp thời.

độ °C, độ ẩm: %, mưa: %, tốc độ gió: km/h, hướng gió: °, mây: % (tùy theo nhiều mây
hay ít mây).
Bước 5: Lựa chọn mô hình
Việc quyết định xem mô hình dự báo nào là thích hợp liên quan đến nhiều yếu tố dữ
liệu đầu vào, các yêu cầu về thời gian, yêu cầu và kết quả đầu ra, tài nguyên sẵn có,…
Quy trình lựa chọn mô hình dự báo có thể được lựa chọn dựa trên một số chiến lược dự
báo như sau:

6


Tiền định: Dựa trên mối quan hệ mật thiết giữa hiện tại và tương lai. Các mô hình
chuỗi thời gian thích hợp với chiến lược này.
1.

Triệu chứng: Dựa trên những dấu hiệu hiện tại để dự báo cho tương lai.

2.

Hệ thống: Dựa trên ý tưởng cho rằng xu hướng phát triển trong tương lai sẽ tuân

thủ theo một quy tắc nào đó, chẳng hạn các lý thuyết kinh tế - xã hội.
Đề tài này sử dụng chiến lược dự báo tiền định, với các điều kiện hiện tại của nước ta
như: cơ sở hạ tầng còn hạn chế, trang bị chưa đủ hiện đại, hệ thống quan trắc và thông tin
liên lạc chưa đáp ứng được đầy đủ các yêu cầu của công tác dự báo, phương pháp Synôp
thường dùng chưa mang lại độ chính xác dự báo cao,… phương pháp ứng dụng mạng
nơron nhân tạo đã chứng tỏ được nhiều ưu việt như: khả năng dung thứ lỗi cao, phù hợp
với các hệ thống có độ phức tạp tính toán lớn, đảm bảo được tính cấp thiết về mặt thời
gian,… hơn thế nữa, dữ liệu thống kê về thời tiết có thu thập được một cách đầy đủ nên
tác giả đã lựa chọn mô hình dự báo Chuỗi thời gian với ứng dụng của mạng nơron nhân


thống kê. Các phương pháp và các mối quan hệ giữa các phương pháp như sau:
1.3.1. Phương pháp ngoại suy
Phương pháp ngoại suy là một trong những phương pháp đơn giản để dự báo.
Phương pháp ngoại suy là phương pháp sử dụng các số liệu thống kê trong quá khứ làm
đầu vào. Trong phương pháp ngoại suy chỉ có số liệu quá khứ của đối tượng cần dự báo
là cần thiết. Các số liệu quá khứ này sẽ được khớp theo một hàm nào đó hoặc sử dụng
mạng nơron thông minh với một trục x là trục thời gian, một trục y là các số liệu quá khứ.
Các giá trị trong tương lai sẽ được dự báo bằng cách tính giá trị của hàm tại các thời điểm
trong tương lai. Tùy theo hàm được lựa chọn để khớp số liệu mà ta có các mô hình dự
báo khác nhau. Các hàm dự báo tiêu biểu nhất là hàm tuyến tính, mô hình dự báo hàm
mũ và hàm Logistic tương ứng với các mô hình dự báo tuyến tính, mô hình dự báo hàm
mũ và mô hình dự báo hàm Logistic.
-

Mô hình tuyến tính

Là mô hình đơn giản nhất với hàm được dùng để khớp số liệu là hàm tuyến tính
y=mx + b. Phương pháp thông dụng nhất để khớp n số liệu quá khứ vào hàm tuyến tính
là phương pháp bình phương tối thiểu. Trong đó, y là hàm tuyến tính của x (trục x là trục
thời gian, trục y là các số liệu quá khứ). Theo phương pháp này thì hệ số m, b sẽ được
tính:

8


m=
b=

n(∑ xy )(∑ x)(∑ y )

ln(y) = x.ln(m) + ln(b)
Khi đó, dùng phương pháp bình phương tối thiểu để khớp hàm trên với số liệu quá
khứ đã được biến đổi tương ứng, ta sẽ tìm được các hệ số a=ln(m) và c = ln(b). Và m, b
sẽ được tính:
m = ea và b=ec
1.3.2. Mô hình ứng dụng mạng nơron
Là mô hình có khả năng “học” từ các dữ liệu quá khứ, có thể cập nhật các tham số.
Nếu lựa chọn được các tham số tối ưu thì đó là mô hình xấp xỉ rất tốt đường cong dịch
chuyển của đối tượng cần dự báo. Kết quả cũng có độ lệch chính xác cao. Đây là mô hình
được lựa chọn cho bài toán dự báo thời tiết của đề tài, cụ thể các vấn đề liên quan đến
mạng nơron sẽ được trình bày trong chương 2.
1.3.3. Phương pháp dựa luật
Các phương pháp ngoại suy truyền thống có giới hạn chính là bỏ qua tri thức của
người quản lý về các tình huống. Dự báo dựa trên luật là một kiểu của hệ thống chuyên

9


gia, đưa ra các vấn đề bằng cách chuyển các tri thức về dự báo thành một tập các luật.
Các luật này sử dụng tri thức chuyên gia và các đặc trưng của dữ liệu cùng với một số
phương pháp ngoại suy đơn giản để thực hiện dự báo.
Phương pháp dự báo dựa trên luật kết hợp phương pháp đánh giá tri thức theo miền.
Ưu điểm cơ bản của dự báo luật là kết hợp được các tri thức một cách dễ dàng.
1.3.4. Mô hình kinh tế lượng
Là mô hình với nhiều biến mô tả sự phụ thuộc của các đại lượng cần dự báo trên cơ
sở các thông số kinh tế xã hội như: thu nhập tổng sản lượng nội địa, khả năng mua, giá cả,
… Mô hình kinh tế lượng được biểu diễn bởi hàm sau:
y = a1x1 + a2x2 + … + anxn + b
Trong đó y là đại lượng cần dự báo, x1, x2, …, xn là các thông số kinh tế xã hội có liên
quan.

tự mồi và kinh tế lượng có thể giúp cho quá trình phát triển của hệ chuyên gia.
1.3.6. Mô hình tương tự
Dễ thấy rằng, không có kỹ thuật dự báo nào là thích hợp cho mọi tình huống. Dự báo
kết hợp cung cấp cho chúng ta cách thức để bù đắp những thiếu sót của một phương pháp
dự báo cụ thể nào đó. Bằng cách chọn những phương pháp bổ sung, sự thiếu sót của một
kỹ thuật có thể được đền bù bằng ưu điểm của những kỹ thuật khác.
Một mô hình kết hợp giữa ngoại suy và các ý kiến chuyên gia là mô hình tương quan.
Mô hình này cho phép so sánh, đánh giá theo phương pháp ngoại suy đối với các đại
lượng dự báo được kiểm chứng là có xu hướng phát triển theo đường ngoại suy. Các hệ
số cho phương trình ngoại suy sẽ được chỉ định dựa trên các ý kiến chuyên gia, so sánh,
đánh giá và hiệu chỉnh. Phương pháp này khác với phương pháp ngoại suy ở chỗ: ở
phương pháp ngoại suy, các hệ số sẽ được tính toán dựa trên các số liệu quá khứ, trong
khi đó các hệ số của phương pháp này có được hoàn toàn là do đánh giá, so sánh tương
quan của một đối tượng khác.
1.4.

Một số phương pháp với bài toán dự báo thời tiết

11


Dự báo thời tiết là một khoa học và là một nghệ thuật. Rất nhiều phương pháp đã
được ứng dụng cho dự báo thời tiết. Phương pháp cụ thể nàp được áp dụng phụ thuộc
vào một số các yếu tố như số lượng thông tin được sử dụng, mức độ phức tạp mà ứng
dụng dự báo thể hiện và kinh nghiệm của người dự báo,…
1.4.1. Phương pháp quán tính
Là phương pháp đơn giản nhất trong dự báo thời tiết. Phương pháp này giả thiết rằng
thời tiết ngày mai cũng giống thời tiết hôm nay, nghĩa là các điều kiện tại thời điểm được
dự báo sẽ không thay đổi. Phương pháp quán tính làm việc tốt khi các mẫu thời tiết thay
đổi rất ít và các đặc tính trên bản đồ thời tiết thay đổi rất chậm. Nếu điều kiện thời tiết

lạnh cũng sẽ tạo ra sấm sét và mưa to vào buổi chiều.
Phương pháp tương tự là khó sử dụng vì không thể tìm được sự tương tự hoàn toàn.
Hiện tượng thời tiết đa dạng hiếm khi lặp lại ở cùng một địa phương nơi mà chúng đã
từng xảy ra. Tuy nhiên qua thời gian dài, khi nhiều dữ liệu thời tiết được thu thập thì cơ
hội tìm được một sự tương tự tốt cho tình huống thời tiết hiện tại có thể khá hơn và dự
báo tương tự có thể được cải thiện.
1.4.5. Phương pháp dự báo sử dụng văn bản
Văn bản đưa ra một cách tổng quan về các thông tin thời tiết quan trọng trong 24 giờ
đã qua cũng như là các biểu thị quan trọng của thời tiết trong 24 giờ tới. Tổng kết dữ liệu
ngày trước của thành phố để biết lượng mưa cũng như nhiệt độ cao thấp. Sau đó, đồ thị
được vẽ trên bản đồ trong một số giờ để tìm xu hướng chuyển động của các khối khí, hệ
thống thời tiết. Những bản đồ này được phân tích và thời tiết trong tương lai sẽ được dự
báo. Dự báo sử dụng văn bản là khó thực hiện dự báo chỉ sử dụng duy nhất thông tin
văn bản về thời tiết.
Hầu hết các phương pháp trình bày ở trên được sử dụng từ vài thập kỷ trước khi máy
tính chưa phát triển đủ mạnh để thực hiện các dự báo số trị. Ngày nay, chúng được sử
dụng để đánh giá mức độ hiệu quả của các dự báo thời tiết: so sánh với dự báo quán tính
hoặc với chuẩn khí hậu.
Sau đây xin giới thiệu một số phương pháp dự báo thời tiết nghiệp vụ (những phương
pháp mới, được ứng dụng trong những hệ thống lớn, chuyên nghiệp).
1.4.6. Phương pháp Synôp
Đây là phương pháp dự báo thời tiết cổ điển được sử dụng chủ yếu trong hơn 100
năm qua và cho đến nay vẫn được các nhà khí tượng ở nhiều nước sử dụng, trong đó có

13


Việt Nam, dựa trên việc thiết lập các bản đồ thời tiết. Việc dự báo phụ thuộc rất lớn vào
kinh nghiệm phân tích và đánh giá chủ quan của người làm dự báo bên cạnh các thông tin
bổ trợ từ các sản phẩm của mô hình dự báo số và phân tích ảnh mây vệ tinh,… Dự báo


nóng không đồng đều trên bề mặt trái đất. Ngoài phụ thuộc vào độ hội tụ ẩm mực thấp,
đối lưu mạnh còn phụ thuộc vào tính bất ổn định của khí quyển,…Các quá trình quy mô
vừa này chỉ có thể tính được bằng các mô hình số trị. Với các phương pháp số trị, hiên
nay những trung tâm khí tượng lớn trên thế giới có thể đưa ra những dự báo thời tiết trên
phạm vi toàn cầu trước hàng tuần mà phương pháp Synôp cổ điển không thể nào thực
hiện được.
1.4.9. Phương pháp thống kê
Phương pháp thống kê lấy số liệu quá khứ làm đầu vào. Phương pháp này có ưu
điểm mang tính chất khách quan, đơn giản và dễ xây dựng mô hình cũng như sử dụng
trong nghiệp vụ. Độ chính xác của mô hình phụ thuộc rất nhiều vào việc lựa chọn các
tham số dự báo và quá trình xử lý số liệu. Bên cạnh đó, do đặc điểm cơ bản của phương
pháp thống kê là coi những quá trình xảy ra ở hiện tại và tương lai đều tuân theo các quy
luật thu được từ số liệu trong quá khứ, dẫn tới kết quả của mô hình dự báo phụ thuộc vào
độ dài tập mẫu. Chuỗi số liệu tập mẫu quá ngắn sẽ chứa trong nó những quy luật mà hiện
tại không có, còn chuỗi số liệu quá dài có thể gây mất ổn định hệ thống.
1.5.

Phương pháp giải với mạng nơron nhân tạo
Trong những năm gần đây, nhiều phương pháp như mô hình mờ, mạng nơron mờ,

mạng nơron thời gian hồi quy,… được áp dụng rộng rãi cho việc giải quyết các bài toán
phi tuyến phức tạp trong đó có dự báo thời tiết.

Đề tài nghiên cứu phương pháp dựa trên mạng nơron vì:
-

Mạng nơron là các bộ xấp xỉ đa năng, có thể nhận biết được nhiều mối quan hệ

trong dữ liêu.

Do đó, ứng dụng mạng nơron phù hợp vào bài toán dự báo thời tiết vì quy luật biến

đổi của dữ liệu thời tiết phức tạp và khó có thể xác định dựa trên các công thức toán học
hay ý kiến chủ quan của các chuyên gia.
Trong khí tượng học, đã có nhiều nhà khí tượng trên thế giới và Việt Nam sử dụng
mạng nơron nhân tạo như công cụ thống kê cho bài toán phức tạp giúp hiệu chỉnh sản
phẩm mô hình số, tái tạo và bổ sung số liệu, tính toán tổng lượng ozon trong khí quyển,…
Kết hợp mạng nơron với lý thuyết mờ là một hướng nghiên cứu mới trong nhiều năm
gần đây và đã có những kết quả cụ thể trong nhiều lĩnh vực ứng dụng trong đó có dự báo
thời tiết.
Về mặt lý thuyết, mạng nơron và hệ thống mờ là các hệ thống tương đương theo
nghĩa chúng có khả năng chuyển đổi được, tuy nhiên trong thực tế mỗi hệ thống lại có
những ưu, nhược điểm riêng. Ví dụ, đối với mạng nơron, tri thức có thể tự động thu được
bởi thuật toán hồi quy nhưng quá trình luyện lại tương đối chậm và việc phân tích mạng
đã luyện là khó khăn trong khi các hoạt động của các hệ thống mờ có thể giải thích được
dựa trên các luật mờ và như vậy tốc độ thực thi của chúng có thể điều chỉnh được.
Lý thuyết mờ thích hợp với bài toán dự báo thời tiết ở chỗ:
Thứ nhất, trong dữ liệu thời tiết đã có sẵn tính mờ. Ví dụ, ta thường bắt gặp những
mệnh đề sau: càng về đêm trời càng lạnh, gió chuyển về hướng tây, xu hướng bớt tuyết,
đôi chỗ có mưa, mưa rải rác trên diện rộng,… Tất cả các giá trị này, cùng với các đặc
điểm như “đang tăng”, “hầu như”,… đều là những đặc tính của tập mờ.
Thứ hai, lý thuyết mờ đã từng được ứng dụng trong lĩnh vực này. Ví dụ, Bjarne
Hansen đã từng xây dựng hai hệ thống thời tiết mờ, một hệ thống dự báo chính xác độ

16


cao tối đa và tầm nhìn của mây, và một hệ thống khác dự báo thời tiết biển. Gottfried
Shaffar xây dựng hệ thống mờ, HS4Cast, dự báo lượng đá trên đường dựa trên việc đánh
giá nhiệt độ mờ, chính xác đến thấp hơn 0.75 độ.


bằng lý thuyết xác suất và thống kê toán học. Có rất nhiều cách đánh giá khác nhau, dưới
đây là một số phương pháp thường được sử dụng.

17


Giả sử Yt là giá trị quan trắc, Yt’ là giá trị dự báo, m là tổng số mẫu để đánh giá,
những giá trị trung bình có thêm gạch ngang trên đầu (Yt , Yt ' ) .
Sai số dự báo: et = Yt - Yt’

t = 1, 2, …, m

Sau đây là một số phép đo để so sánh khi cần đánh giá các mô hình dự báo khác
nhau.
a. Sai số trung bình:
1 m
∑et
m t =1

ME =

Thông số ME giúp đo sai số trung bình giữa dự báo và quan trắc. Nếu ME=0 có
nghĩa rằng, xét về trung bình, dự báo là hoàn toàn chính xác. ME càng gần 0 càng tốt.
b. Sai số trung bình tổng bình phương:
MSE =

1 m 2
∑et
m t =1


)

− Yt

'

)

2

Thông số R cho ta ước lượng về sự tương đồng giữa giá trị dự báo và giá trị quan
trắc. Nếu R=1 có nghĩa là mọi điểm trong hệ trục tọa độ quan trắc – dự báo đều nằm
trên đường chéo chính.
e. Sai số trung bình phần trăm:
MPE =

100 m et
∑
m t =1 Yt

Giả sử rằng MPE bằng 5%, khi đó ta có thể đánh giá mô hình với sai số thống kê
khoảng 5% đối với các giá trị dự báo trong tương lai gần. Phương pháp này tuy nhiên

18


sẽ cho kết quả không tốt nếu như Y t gần 0. Trong trường hợp đó không nên dùng
phương pháp này để đánh giá.
f. Sai số căn bậc 2 trung bình tổng bình phương:

i. Chỉ số kỹ năng
Để so sánh dự báo A với dự báo B dựa trên một chỉ số đánh giá nào đó (ME, RMSE,
R, …ký hiệu chung là S), ta sử dụng chỉ số kỹ năng:
Skill ( A, B ) =

S A − SB
SP − SB

Trong đó SP là giá trị lý tưởng cho chỉ số S, ví dụ với ME, RMSE là 0, với R là 1. Chỉ
số Skill(A, B) càng lớn thì mô hình A càng tốt hơn mô hình B và ngược lại.
Ngoài các chỉ số đánh giá được nói trên, người ta còn sử dụng một số chỉ số khác, ví
dụ số dự báo có sai số lần lượt nhỏ hơn 1 và 2 đơn vị, số cặp dự báo – quan trắc chính
xác hoàn toàn,…

19


Trong đề tài này, tác giả sử dụng 2 tiêu chí ME, MAPE để đánh giá tính khách quan
và độ chính xác tương đối của mô hình.
1.7.

Kết luận
Bài toán dự báo là bài toán rất quan trọng trong việc xây dựng chiến lược phát triển

cho mỗi cấp, mỗi ngành, mỗi tổ chức, mỗi cá nhân,…
Có nhiều phương pháp dự báo khác nhau, mỗi phương pháp đều có ưu điểm và
nhược điểm về độ phức tạp tính toán, về mức độ chính xác, về tính khách quan,…
Việc ứng dụng mạng nơron trong việc giải bài toán dự báo tỏ ra có nhiều ưu điểm vì
mạng nơron là một mô hình tính toán mềm dẻo, chấp nhận sai sót, dễ thích nghi,…
Sau khi xây dựng mô hình dự báo, cần đánh giá mô hình ngay mà không cần đợi đến

cũng có hạn chế vì không dùng được cho các hàm logic phức tạp. Còn Adaline là mô
hình tuyến tính, tự chỉnh, được dùng rộng rãi trong điều khiển thích nghi, tách nhiễu, mô
hình này vẫn đang được phát triển và ứng dụng cho đến ngày nay.
- Giai đoạn ba: Giai đoạn ba có thể được tính là khoảng đầu của những năm 80 của
thế kỷ 20. Những đóng góp lớn cho mạng nơron trong giai đoạn này phải kể đến
Grossberg, Kohonen và Hopfield. Đóng góp lớn của Hopfield là hai mạng phản hồi:
mạng rời rạc năm 1983 và mạng liên tục năm 1984. Đặc biệt, ông đã dự kiến nhiều khả
năng tính toán lớn của mạng nơron mà một nơron không có khả năng đó. Cảm nhận của
Hopfield đã được Rumelhart, Hinton đề xuất thuật toán truyền ngược sai số nổi tiếng để
huấn luyện mạng nơron nhiều lớp nhằm giải quyết nhiều lớp bài toán phức tạp.
- Giai đoạn bốn: Giai đoạn bốn là từ năm 1987 đến nay. Hàng năm thế giới đều mở
hộ nghị toàn cầu chuyên ngành nơron. Các công trình nghiên cứu để hoàn thiện thêm về
lý thuyết mạng nơron như: mở rộng hoàn thiện các lớp mạng, phân tích tính ổn định của

21


mạng, kết hợp lý thuyết mạng nơron với các lý thuyết khác. Hàng loạt các lĩnh vực khác
như: kỹ thuật tính, tối ưu, sinh học, y học, thống kê, giao thông, hóa học, truyền thông, khí
tượng, …đã đóng góp nhiều công trình nghiên cứu, ứng dụng mạng nơron vào lĩnh vực
của mình và đem lại những kết quả đáng khích lệ.
Ở trong nước, mạng nơron được nghiên cứu từ những năm 1980, đi vào ứng dụng
trong các lĩnh vực tin học, viễn thông, đo lường, điều khiển, khí tượng, … Một số chip
nơron đã được dùng trong kỹ thuật lọc và một số ứng dụng khác. Trong ngành khí tượng
thủy văn, mạng nơron đã và đang được áp dụng cho dự báo lũ, dự báo trường nhiệt độ,
dự báo bức xạ mặt trời.
2.2. Nơron sinh vật
Nơron sinh vật có nhiều dạng khác nhau như dạng hình tháp, dạng tổ ong, dạng dễ
cây. Tuy khác nhau về hình dạng, nhưng chúng có cấu trúc và nguyên lý hoạt động
chung. Một tế bào nơron gồm bốn phần cơ bản như hình 2.1 dưới đây.

2.3.

Mạng nơron nhân tạo

2.3.1. Mô hình một nơron nhân tạo
Trên cơ sở mô hình nơron sinh vật tổng quát, người ta đề xuất mô hình nơron nhân
tạo gồm 2 thành phần chính: bộ tổng các liên kết đầu vào và bộ kích hoạt.

-1
W1

θ

W2

v(t)

.
.
.

∑

y
f(.)

Wm

Hình 2.2: Mô hình nơron nhân tạo
Mô hình nơron nhân tạo


1 if x0
f(x)=

Hàm đồng nhất
Hàm tuyến tính bão hòa

-1 if x