Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên 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
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
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
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 Phần tử graded tuyến tính
9 Linear Threshold Unit-LTU Phần tử ngưỡng tuyến tính
10 Myltilayer Layer Feedforward NetWord Mạng nhiều lớp truyền thẳng
11 Neural Nơron
12 Neural Networks Mạng nơron
13 Output Layer Lớp ra
14 Paramater Learning Học thông số
15 Recall Gọi lại
16 Recurrent Neural Networks Mạng nơron hồi quy
17 Reinforcement Signal Tín hiệu củng cố
18 Reinforcement Learning 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
23 Hình 2.11 Mô hình nhận dạng kiểu nối tiếp-song song
24 Hình 2.12 Mô hình nhận dạng ngược trực tiếp
25 Hình 2.13 Mô hình 1
26 Hình 2.14 Mô hình 2
27 Hình 2.15 Mô hình 3
28 Hình 2.16 Mô hình 4
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
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
37 Hình 3.2 Sơ đồ khối
38 Hình 3.3 Sơ đồ khối của hệ điều chỉnh tốc độ
39 Hình 3.4 Cấu trúc bộ điều chỉnh
40 Hình 3.5 Cấu trúc hệ điều chỉnh vị trí tuyến tính
41 Hình 3.6 Sơ đồ khối của hệ điều chỉnh tốc độ
42 Hình 3.7 Sơ đồ khối tương đương 1 của hệ điều chỉnh tốc độ
43 Hình 3.8 Sơ đồ khối tương đương 2 của hệ điều chỉnh tốc độ
44 Hình 3.9 Sơ đồ khối của hệ điều chỉnh vị trí 1
45 Hình 3.10 Sơ đồ khối tương đương của hệ điều chỉnh vị trí
46 Hình 3.11 Cấu trúc một mạng nơron
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
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 Đồ thị điện áp điều chỉnh u
72 Hình 3.37
Đồ thị điện trở R ()
73 Hình 3.38 Đồ thị mômen tải M
C
(Nm)
74 Hình 3.39 Đồ thị vị trí mẫu q
d
(nét mảnh) và vị trí sau khi đã điều khiển
q (nét đậm) Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên
LỜI CAM ĐOAN
Tôi xin cam đoan Luận văn này là công trình do tôi tổng hợp và nghiên cứu.
Trong luận văn có sử dụng một số tài liệu tham khảo như đã nêu trong phần tài liệu
tham khảo. Tác giả luận văn VŨ MẠNH THỦY
nguyên mới ngành điều khiển. Tuy là ngành kỹ thuật điều khiển non trẻ nhưng
những ứng dụng trong công nghiệp của điều khiển mạng nơron thật rộng rãi như
trong nhận dạng, phân loại sản phẩm, xử lý tiếng nói, chữ viết và điều khiển hệ
thống, điều khiển robot. Tới nay đã có rất nhiều sản phẩm công nghiệp được tạo ra
và nhờ kỹ thuật điều khiển mạng nơron, rất nhiều nước trên thế giới đã thành công.
Chính vì thế mà việc đi sâu nghiên cứu và áp dụng lý thuyết điều khiển
nơron truyền thẳng nhiều lớp trong điều khiển thích nghi vị trí động cơ một chiều
khi có thông số và tải thay đổi có ý nghĩa khoa học.
2
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên
Khác hẳn với kỹ thuật điều khiển kinh điển là hoàn toàn dựa vào sự chính
xác tuyệt đối của thông tin mà trong nhiều ứng dụng không cần thiết hoặc không thể
có được, điều khiển nơron truyền thẳng nhiều lớp chỉ cần sử lý những thông tin
(không chính xác) hay không đầy đủ, những thông tin mà sự chính xác của nó chỉ
nhận thấy được giữa các quan hệ của chúng với nhau và chỉ có thể mô tả được bằng
ngôn ngữ, đã có thể cho ra những quyết định chính xác. Chính khả năng này đã làm
cho điều khiển nơron truyền thẳng sao chụp được phương thức xử lý thông tin và
điều khiển của con người. Do đó việc áp dụng điều khiển nơron truyền thẳng nhiều
lớp vào hệ thống điều khiển thích nghi vị trí động cơ một chiều khi có tải và thông
số thay đổi là việc cần phải làm.
3. Mục đích của đề tài
Đối với đối tượng có thông số thay đổi như động cơ một chiều khi có phụ tải
thay đổi, ta cần nhận dạng đặc tính vào ra của nó để bảo đảm tạo ra tín hiệu điều
khiển thích nghi được chính xác hơn. Hiện nay thường sử dụng logic mờ (Fuzzy
Logic), mạng nơron mờ (Fuzzy Neural Networks), mạng nơron (Neural Networks)
để nhận dạng và điều khiển thích nghi vị trí động cơ điện một chiều.
Đề tài này nghiên cứu ứng dụng mạng nơron truyền thẳng nhiều lớp (bộ điều
khiển NARMA-L2) trong điều khiển thích nghi vị trí động cơ điện một chiều khi có
thông số và tải thay đổi.
CHƢƠNG 1
TỔNG QUAN VỀ MẠNG NƠRON NHÂN TẠO
Nghiên cứu và mô phỏng não người, cụ thể là mô phỏng nơron thần kinh là
một ước muốn từ lâu của nhân loại. Từ mơ ước đó, nhiều nhà khoa học đã không
ngừng nghiên cứu tìm hiểu về mạng nơron. Trong đó mạng nơron nhân tạo đã được
nói đến ở cuốn sách “Điều khiển học, hay điều chỉnh và sự truyền sinh trong cơ thể
sống, trong máy móc” của tác giả Nobert Wieners xuất bản năm 1948. Điều khiển
học đã đặt ra mục đích nghiên cứu áp dụng nguyên lý làm việc của hệ thống thần
kinh động vật vào điều khiển. Công cụ giúp điều khiển học thực hiện được mục
đích này là trí tuệ nhân tạo và mạng nơron. Trí tuệ nhân tạo được xây dựng dựa trên
mạng nơron. Mạng nơron nhân tạo (Artificial Neural Networks) là hệ thống được
xây dựng dựa trên nguyên tắc cấu tạo của bộ não con người. Mạng nơron nhân tạo
có một số lượng lớn mối liên kết của các phần tử biến đổi (Processing Elements) có
liên kết song song. Nó có hành vi tương tự như bộ não con người với các khả năng
học (Learning), gọi lại (Recall) và tổng hợp thông tin từ sự luyện tập của các mẫu
và dữ liệu. Các phần tử biến đổi của mạng nơron nhân tạo được gọi là các nơron
nhân tạo (Artificial Neural) hoặc gọi tắt là nơron (Neural). Trong thiết kế hệ thống
tự động hóa sử dụng mạng nơron là một khuynh hướng hoàn toàn mới, phương
hướng thiết kế hệ thống điều khiển thông minh, một hệ thống mà bộ điều khiển có
khả năng tư duy như bộ não con người.
1.1 Lịch sử phát triển của mạng nơron nhân tạo
Mạng nơron nhân tạo đã có một lịch sử lâu dài. Năm 1943, McCulloch và
Pitts đã đưa ra khả năng liên kết và một số liên kết cơ bản, của mạng nơron. Năm
1949, Hebb đã đưa ra các luật thích nghi trong mạng nơron. Năm 1958, Rosenblatt
đưa ra cấu trúc Perception. Năm 1969, Minsky và Papert phân tích sự đúng đắn của
Perception, họ đã chứng minh các tính chất và chỉ rõ các giới hạn của một số mô
hình. Năm 1976, Grossberg dựa vào tích chất sinh học đã đưa ra một số cấu trúc của
hệ động học phi tuyến với các tính chất mới. Năm 1982, Hoppfield đã đưa ra mạng
học phi tuyến với các tính chất mới. Năm 1982, Rumelhart đưa ra mô hình song
Do đó, các phần tử nội bào và ngoại bào không bằng nhau, giữa chúng có dung dịch Nhân
Trục
Thân nơron
Hình 1.1 Mô hình nơron sinh học
Cây
6
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên
muối lỏng làm cho chúng bị phân ra thành các nguyên tử âm (ion) và dương
(cation). Các nguyên tử dương trong màng tạo ra điện thế màng (Membrane
potential), nó tồn tại trong trạng thái cân bằng lực: lực đẩy các nguyên tử dương ra
khỏi tế bào bằng với lực hút của chúng vào trong tế bào.
Điện thế màng là phần tử quan trọng trong quá trình truyền tin trong hệ thần
kinh. Khi thay đổi khả năng thẩm thấu ion của màng thì điện thế màng của tế bào bị
thay đổi và tiến tới một ngưỡng nào đó, đồng thời sinh ra dòng điện, dòng điện này
gây ra phản ứng kích thích làm thay đổi khả năng thẩm thấu ion của tế bào thần
kinh tiếp theo.
Bộ não con người gồm có gần 10
11
nơron của nhiều loại khác nhau. 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 năng của bộ não con người có
đều được tái tạo, mà chỉ có những chức năng cần thiết. Bên cạnh đó còn có những
chức năng mới được tạo ra nhằm giải quyết một bài toán điều khiển đã định trước.
* Xử lý thông tin trong bộ não:
Thông tin được tiếp nhận từ các giác quan và chuyển vào các tế bào thần
kinh vận động và các tế bào cơ. Mỗi tế bào thần kinh tiếp nhận thông tin, điện thế sẽ
được chế tạo bằng nhiều cách khác nhau vì vậy trong thực tế tồn tại rất nhiều kiểu
mạng nơron nhân tạo. Dựa vào cấu trúc của nơron sinh học có nhiều mô hình được
đưa ra như perceptron (Roenblatt, 1958); adaline (Windrow và Hoff, 1960). Nhưng
thông thường một nơron có 3 phần như (Hình 1.2)
Mỗi nơron gồm có nhiều đầu vào và một đầu ra. Trên mỗi đầu vào có gắn
một trọng số để liên hệ giữa nơron thứ i với nơron thứ j. Các trọng số này tương tự
như các tế bào cảm giác của nơron sinh học. - Tổng trọng:
=
=
.
=1
+
W
ij
W
iN
W
ij
W
ik
W
iM
1
y
1
v
i
u
1
u
k
u
M
;
là hằng số gọi là
ngưỡng của nơron thứ i.
Có thể viết (1.1) ở dạng:
=
=.
+
.
+
1.2
=
1.4
Quan hệ của H(s), h(t) và quan hệ vào - ra tương ứng của nơron được cho
trong bảng 1.1.
Bảng 1.1:
H(s) 1
1
(
1
0
)/
()
x
i
(t)=v
i
(t) x
i
(t)=v
i
(t) Tx
i
(t)+x
i
(t)=v
i
(t) α
0
x
i
(t)+α
1
x
i
trọng số với các tín hiệu vào là không phù hợp, vì khi đó giá trị của chúng rất rộng,
thậm chí có thể làm âm, đây là các tín hiệu vào không thực. Vì vậy, cần thực hiện
một phép biến đổi phi tuyến giữa đầu vào và đầu ra, đây là nhiệm vụ của phần tử
chuyển đổi PE (Processing Elements) của nơron như sau:
9
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên
out = y = a(Net) (1.6)
out (hoặc y) là tín hiệu ra; a(.) là hàm chuyển đổi.
Hàm chuyển đổi a(.) thực hiện coi nơron như một hộp đen, chuyển đổi m tín
hiệu vào thành tín hiệu ra. Các biến đầu vào và đầu ra có thể là:
- Số thực: Tốt nhất là trong khoảng (0,1) hoặc (-1,1)
- Số nhị phân (0,1)
Có nhiều hàm số thỏa mãn các điều kiện trên, chúng ta thường dùng các
dạng sau đây (Hình 1.3):
+ Hàm Rump (Rump Function): (Hình 1.3a)
=
1 ế > 1
ế 0 1
0 ế < 0
(1.7)
+ Hàm bước nhảy (Step Function): (hình 1.3b): Không khả vi, dạng bước
nhảy, dương:
+ Hàm sigmoid một cực (Unipolar Sigmoid Function): (Hình 1.3d)
Khả vi, dạng bước nhảy, dương:
=
1
1 +
1.10
+ Hàm sigmoid hai cực (Bipolar Sigmoid Function): (Hình 1.3e):
Khả vi, dạng bước nhảy, giá trị trung bình bằng 0:
=
2
1 +
1
1.11
1
1 0
f
b, Hàm bước nhảy
f
a
1
-1
0
c, Hàm giới hạn cứng
d, Hàm sigmoid một cực
c, Hàm sigmoid hai cực
Hình 1.3 Đồ thị các loại hàm chuyển đổi
11
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên
này có thể là đầu vào của nhiều nơron khác hoặc có thể đưa ra môi trường bên
ngoài. Những nơron có đầu ra đưa tín hiệu vào môi trường bên ngoài được gọi là
“đầu ra” của mạng. Như vậy một nơron cũng có chức năng của một hệ truyền đạt và
xử lý tín hiệu từ đầu vào đến đầu ra của mạng. Các nơron trong một mạng thường
được chọn cùng một loại, chúng được phân biệt với nhau qua các véc tơ hàm trọng
lượng ở đầu vào w
ij
.
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
2
x
3
Hình 1.4 Mạng nơron 3 lớp
12
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên
Có thể nối vài lớp nơron với nhau tạo thành mạng nhiều lớp truyền thẳng
(Multi layer – Layer Feedforward Network) như hình 1.5.d.
Lớp nơron thực hiện tiếp nhận các tín hiệu vào gọi là lớp vào (Input Layer).
Lớp nơron thực hiện đưa tín hiệu ra gọi là lớp ra (Output Layer).
Giữa hai lớp nơron vào và ra có một hoặc nhiều lớp nơron không liên hệ trực
tiếp với môi trường bên ngoài được gọi là các lớp ẩn (Hidden Layer). Mạng nơron
truyền thẳng nhiều lớp có thể có 1 hoặc nhiều lớp nơron ẩn.
Mạng nơron được gọi là liên kết đầy đủ nếu từng đầu ra của mỗi lớp được
liên kết với đủ các nơron ở các lớp tiếp theo.
Hai loại mạng nơron một lớp và nhiều lớp được gọi là truyền thẳng
(Feedforward Network) nếu đầu ra của mỗi nơron được nối với các đầu vào của các
nơron cùng lớp đó hoặc đầu vào của các nơron của các lớp trước đó. Trong mạng
không tồn tại bất kỳ một mạch hồi tiếp nào kể cả hồi tiếp nội lẫn hồi tiếp từ đầu ra
trở về đầu vào.
Mạng nơron bao gồm một hay nhiều lớp trung gian gọi là mạng MLP
(Multilayer perceptrons Networks).
x
1
x
2
x
1
x
2
x
m
y
1
y
2
y
m
W
m,m
W
m,m
y
1
x
1
x
2
x
m
y
2
y
m
…
..
y
1
Hình 1.5 Sơ đồ cấu trúc các loại mạng nơron
13
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên
Mạng nơron phản hồi mà đầu ra của mỗi nơron được quay trở lại nối với đầu
vào của các nơron cùng lớp đó được gọi là mạng Lateral (hình 1.5f).
Mạng nơron phản hồi có thể thực hiện đóng vòng được gọi là mạng nơron
hồi quy (Recurrent Networks).
Hình 1.5b chỉ ra một mạng nơron hồi quy đơn giản nhất chỉ có một nơron
liên hệ phản hồi với chính nó.
Hình 1.5c mạng nơron một lớp hồi quy với chính nó và các nơron khác.
Hình 1.5e là mạng nơron nhiều lớp hồi quy.
1.6 Phƣơng thức làm việc của mạng nơron
Phương thức làm việc của một mạng nơron nhân tạo có thể chia làm 2 giai
đoạn:
- Tự tái tạo (reproduction)
- Và giai đoạn học (learning phase)
Ở một mạng nơron có cấu trúc bền vững có nghĩa là véc tơ hàm trọng lượng
đầu vào, khâu tạo đáp ứng và khâu tạo tín hiệu đầu ra đều cố định không bị thay đổi
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,
dựa trên thông tin thu thập vào của mạng, điều đó có nghĩa là ứng với một thông tin
xác định ở đầu vào của mạng cung cấp một đáp ứng tương ứng xác định ở đầu ra.
Nhìn trên quan điểm lý thuyết hệ thống, mạng nơron được coi như một bộ xấp xỉ
thông tin, thiết bị này có khả năng cung cấp một quá trình xử lý mong muốn một
cách chính xác. Mục đích của quá trình học là tạo ra một tri thức cho mạng thông
qua rèn luyện. Nguyên tắc học được thực hiện cho mạng mà cấu trúc của mạng
cũng như của các phần tử nơron cố định, chính là thay đổi giá trị của các phần tử
trong véc tơ hàm trọng lượng, véc tơ ghép nối giữa các phần tử nơron trong mạng.
Các phần tử này được chọn sao cho quá trình truyền đạt mong muốn được xấp xỉ
một cách đủ chính xác như bài toán yêu cầu. Như vậy, học chính là quá trình giải
bài toán tối ưu tham số.
1.7 Các luật học
Như phần trên đã trình bày, học là vấn đề quan trọng trong mạng nơron. Có
hai kiểu học:
- Học thông số (Paramater Learning): Tìm ra biểu thức cập nhật các thông
số về trọng số cập nhật kết nối giữa các nơron.
- Học cấu trúc (Structure Learning): Trọng tâm là sự biến đổi cấu trúc của
mạng nơron gồm số lượng nút (node) và các mẫu liên kết.
Copyright: Tài liệu đại học ©