Luận văn:Mạng nơron RBF và ứng dụng : Luận văn ThS.
Miêu tả:79 tr. + CD-ROM
Trình bày các điểm cơ bản về bài toán nội suy và xấp xỉ hàm nhiều biến. Giới thiệu các mạng nơron: mạng nơron tự nhiên, mạng nơron nhân tạo, luật học của mạng nơron, luật học Perceptron, mạng ADALINE, và mạng Perceptron nhiều tầng MLP. Khảo cứu về mạng nơron nội suy RBF qua phương pháp Trung bình bình phương nhỏ nhất huấn luyện mạng RBF và phương pháp Lặp huấn luyện mạng RBF. Giới thiệu chương trình máy tính thực nghiệm bài toán nội suy bằng mạng RBF được huấn luyện bằng phương pháp Lặp huấn luyện mạng RBF và bài toán thực tế trong khí tượng thuỷ văn đòi hỏi áp dụng xấp xỉ hàm nhiều biến
MỞ ĐẦU
Sự phát triển mạnh mẽ của công nghệ thông tin trong thời gian qua đang nhanh
chóng đƣa hệ thống thông tin kỹ thuật số thay thế hệ thống thông tin văn bản cổ
truyền. Khi xử lý thông tin số, đặc biệt là khi giải quyết các bài toán kỹ thuật, ta
thƣờng gặp bài toán nội suy và xấp xỉ hàm. Mặc dù bài toán này đã đƣợc nghiên
cứu kỹ và giải quyết khá trọn vẹn từ lâu cho các hàm một biến, đến nay đối với hàm
nhiều biến vẫn còn nhiều vấn đề mở thu hút nhiều nhà nghiên cứu.
Hiện nay, các phƣơng pháp địa phƣơng và mạng nơron là hai cách tiếp cận
thông dụng để nội suy và xấp xỉ hàm nhiều biến tuy rằng việc ƣớc lƣợng sai số còn
chƣa đƣợc giải quyết trọn vẹn. Trong cách tiếp cận địa phƣơng, các phƣơng pháp k-
láng giềng gần nhất và hồi quy địa phƣơng có thời gian tính giá trị hàm tại mỗi biến
nhanh nhƣng chúng không dùng hết thông tin và với các điểm khác nhau thì thông
tin đã biết ở những điểm khác khó đƣợc sử dụng lại nên khi cần tính giá trị
hàm tại nhiều điểm thì rất tốn thời gian và không tiện dùng. Mạng MLP (Multilayer
Perceptron) là một công cụ mạnh nhƣng thời gian huấn luyện lâu nên không thích
hợp cho các hệ thống thời gian thực.
Một hệ thống thời gian thực có thể đƣợc hiểu nhƣ là một mô hình xử lý mà
tính đúng đắn của hệ thống không chỉ phụ thuộc vào kết quả tính toán mà còn phụ
thuộc vào thời gian đƣa ra kết quả. Bài toán thời gian thực này hầu nhƣ xuất hiện
trong mọi lĩnh vực. Trong kinh doanh, các doanh nghiệp luôn cần có những thông
tin “thời gian thực” từ thị trƣờng, từ đối tác và bạn hàng, qua đó có thể đƣa ra
những chính sách hợp lý. Trong kiểm soát giao thông, việc xác định “thời gian
thực” mật độ và lƣu lƣợng giao thông giúp cho các đơn vị sử dụng điều khiển, phân
luồng giao thông một cách hợp lý. Trong truyền thông, việc duy trì kết nối “thời
gian thực” giúp cho việc tƣơng tác giữa các hệ thống khác nhau đƣợc vận hành
đồng bộ và thực hiện đúng mục đích. Trong điều khiển tự động, việc có đƣợc thông
tin “thời gian thực” hoạt động của các thiết bị cho phép theo dõi và vận hành các
thiết bị này một cách hợp lý và hiệu quả. Có thể kể ra rất nhiều yêu cầu thực tế khác
nhau đòi hỏi các hệ thống phải đảm bảo yếu tố “thời gian thực”.
So với mạng MLP, mạng RBF có thời gian huấn luyện nhanh hơn, đặc biệt
là thuật toán huấn luyện lặp đƣợc đề xuất trong [2, 3] nên thích hợp với nhiều bài
/file/d/0Bz7Zv9 ... sp=sharing
Xem thêm
Bài toán nội suy và mạng Nơron RBF
