Luận văn Nghiên cứu ứng dụng mạng nơron truyền thẳng nhiều lớp nhận dạng vị trí rôbốt hai khâu

mạng nơ ron nhân tạo Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên 58 2.2.8. Điều khiển thích nghi ổn định trực tiếp. Gần đây, đã có các phương pháp điều khiển thích nghi trực tiếp khác nhau, điều đó thuận lợi cho việc thiết kế nên tất cả các hệ thống đảm bảo tính ổn định ([Sas 192], [Poly 96], [Spcr 98] ). Phương pháp của [Sas192] sử dụng nguyên lý ổn định Lyapunov trong thiết kế quy tắc của mạng, nói đúng hơn là trong xây dựng thuật toán giảm độ dốc. Bộ điều khiển thích nghi ổn định trực tiếp được cho như hình 2.13: xm - + e r + - - xp NNf NNg Mô hình mẫu P k + x + Tối ưu cho NNg Tối ưu cho NNf Hình 2.12.Sơ đồ điều khiển thích nghi dùng mạng nơron hồi quy tuyến tính + + + X x xd upd usl uad Mạng nơron Thiết bị Điều chỉnh X + X Hình 2.13.Sơ đồ bộ điều khiển thích nghi ổn định trực tiếp Điều khiển trượt Hồi quy tuyến tính Chương I.Tổng quan về mạng nơ ron nhân tạo Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên 59 Sơ đồ gồm có: Một kâu hồi quy tuyến tính, một bộ điều khiển độ trượt phi tuyến , một bộ điều khiển nơ ron thích nghi. Tín hiệu điều khiển được tổng hợp như (2.26): u(t) = upd(t) + [1-m(t) ].uad(t) + m(t).usl(t) ( 2.26) Trong đó: upd(t) là tín hiệu điều khiển hồi quy tuyến tính, usl là tín hiệu điều khiển theo mô hình trượt, uad là tín hiệu điều khiển thich nghi của mạng nơ ron, hàm m(t) cho phép san bằng quá trình quá độ giữa quá trình của bộ điều khiển trượt và quá trình của bộ điều khiển thich nghi dựa trên cơ sở định vị trạng thái hệ thống: Trong đó miền Ad và Ac được xác định như hình 2.14: Bộ điều khiển trượt được sử dụng để giữ ổn định cho hệ thống trong một miền mà mạng nơ ron có thể huấn luyện được để đạt độ chính xác của điều khiển tối ưu. Bộ điều khiển trượt được mở (bộ điều khiển nơ ron được khoá ) bất cứ lúc nào hệ thống lệch ra ngoài miền. Sự tổ hợp các bộ điều khiển tạo ra một hệ thống ổn định theo tiêu chuẩn tối ưu. Cần chú ý rằng bộ điều khiển nơ ron được ứng dụng trên cơ sở sự hoạt động của mạng nơ ron thần kinh. Đầu ra của mỗi nơ ron thần kinh là hàm tuyến tính cơ sở của hàm trọng. Điều đó cho phép mạng nhiều lớp phân tích quá trình huấn luyện đơn giản và nhanh hơn, nhưng cũng có một điều khó khăn ở đây là phải cần nhiều nơ ron nếu số đầu vào mạng lớn. 2.2.9. Điều khiển tối ưu. Không gian trạng thái được chia thành các vùng đặc trưng tương ứng với các trạng thái điều khiển khác nhau. Sự nhận biết về mặt điều khiển thực hiện qua m(t) = 0 Khi x(t)  Ad 0< m(t) <1 Các trường hợp khác m(t) = 1 Khi x(t)  Ac x ẋ Ac Ad Hình 2.14.Các miền của bộ điều khiển Chương I.Tổng quan về mạng nơ ron nhân tạo Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên 60 các thủ tục học. Từ đó bề mặt tối ưu thời gian, nhìn chung là phi tuyến, nó cần được sử dụng vào khả năng tính gần đúng bề mặt phi tuyến. Một khả năng cơ bản là lượng hoá không gian trạng thái vào các phần tử cơ bản, ở đó hoạt động điều khiển được giả thiết không đổi. Quá trình này có thể sử dụng mạng liên kết Leteral. Bề mặt thay đổi không được biết trước, nhưng chúng được định nghĩa hoàn toàn bởi quá trình học của các điểm trong không gian trạng thái với điều khiển thích nghi đã được cho trước. Trong quá trình học, các luật học điều chỉnh trọng số của mạng trên cơ sở đưa véc tơ điều khiển về trạng thái mong muốn. Quá trình học của véc tơ mẫu hiện có được điều khiển liên tục ở nhiều thời điểm cho đến khi các véc tơ mẫu hoàn toàn được phân loại chính xác, học cho đến khi các dạng sai lệch có giá trị không đổi. 2.2.10. Phương pháp bảng tra. Mạng nơ ron được sử dụng như một liên kết bộ nhớ, lưu giữ mối quan hệ giữa thông số của bộ điều khiển với trạng thái của đối tượng. Mạng Hopfield và mạng CMAC được sử dụng trong trường hợp này. Bộ thông số của bộ điều khiển được thiết kế thoả mãn các luật điều khiển tối ưu. 2.2.11. Điều khiển lọc. Lọc là quá trình lấy được tín hiệu ra từ nhiễu. Như vậy phương pháp này có tác dụng loại bỏ sự tác động của nhiễu. Cơ sở của phương pháp là tính gần đúng bình phương nhỏ nhất, bỏ đi một số phần tử của dãy Wiener- Volterra. Các dãy này mô tả cho hệ phi tuyến, có ưu điểm là thiết lập được quan hệ tuyến tính giữa các đầu ra và trọng số của mạng. Phương pháp có nhược điểm là độ phức tạp và số lượng phép tính lớn, do đó nó chỉ được sử dụng vào hệ có độ phi tuyến thấp. Trường hợp đặc biệt của nhiễu là dạng hỗn loạn có thể tìm được biểu thức tương đương thoả mãn lọc sai số cực tiểu, sử dụng mạng nơ ron theo luật lan truyền ngược theo sai lệch BP. giá trị dự báo cho tương lai. Cơ sở thiết kế của trường hợp này là sự liên kết của nhiều dạng mẫu. Chương I.Tổng quan về mạng nơ ron nhân tạo Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên 61 2.2.12. Những hạn chế và chú ý. Trong mỗi cấu trúc của các bộ điều khiển nơ ron chúng ta đều đánh giá về những thuận lợi và không thuận lợi của các bộ điều khiển này. Ví dụ với phương pháp kỹ thuật hồi quy tuyến tính chỉ có thể được áp dụng trong những hệ thống cho bởi biểu thức 2.17. Phương pháp kỹ thuật điều khiển thích nghi trực tiếp thì xuất hiện tính phi tuyến và nó được xem như một ẩn số của đầu vào điều khiển biểu diễn trong không gian trạng thái. Phương pháp kỹ thuật điều khiển theo mô hình mẫu không đảm bảo độ ổn định, phương pháp kỹ thuật điều khiển ngược thích nghi cần đến trạng thái thực ổn định của thiết bị ngược… Nói chung những phương pháp kỹ thuật trên đều đảm bảo sự ổn định nhưng chỉ được áp dụng trong một giới hạn nào đó của hệ thống. Lĩnh vực điều khiển nơ ron tiếp tục được nghiên cứu, cách thức ổn định hoá trong hệ thống sẽ được phát triển rộng khắp trong các hệ thống. Từ các vấn đề thực tế cho thấy, vấn đề mấu chốt cho những hệ thống điều khiển nơ ron là khả năng hoạt động tốt của một mạng trong các trạng thái mới. Ví dụ cấu trúc mô hình điều khiển dự báo cần đến một mô hình mạng nơ ron nhận dạng thiết bị, mô hình thiết bị là một ánh xạ từ các đầu vào và đầu ra của thiết bị trước tới đầu ra của thiết bị sau. Trong trình tự tính toán mô hình thiết bị, mạng cần được huấn luyện với dữ liệu bao gồm toàn bộ phạm vi đầu vào mạng có thể thực hiện được. Điều khó có thể thực hiện được ở đây là dữ liệu, bởi vì chúng ta không có điều khiển trực tiếp vượt trước đầu ra của thiết bị. Nhiều lúc chúng ta có thể có điều khiển độc lập trên đầu vào thiết bị, nhưng chỉ có điều khiển gián tiếp trên đầu ra của thiết bị (mà sau đó trở thành đầu vào mạng). Những hệ thống bậc cao sẽ khó khăn để đạt được dữ liệu cho phản ứng đầu ra của thiết bị thích hợp cho việc phân vùng không gian trạng thái. Trạng thái sẽ trở nên quan trọng để mạng có thể phát hiện ra trạng thái trong đó đầu vào rơi ra ngoài miền dữ liệu được cho là đúng mà mạng đã được huấn luyện. Chương I.Tổng quan về mạng nơ ron nhân tạo Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên 62 KẾT LUẬN CHƢƠNG 2 1. Có nhiều phương pháp ứng dụng mạng nơron để nhận dạng đối tượng, trong đó nổi bật là hai phương pháp nhận dạng on-line và nhận dạng off-line.Trong hai phương pháp trên thì phương pháp nhận dạng off-line có nhiều ưu điểm; nó có thể sử dụng đồng thời tất cả các dữ liệu. Nhận dậng off-line sử dụng khi cần thiết phải xử lý rất nhiều tín hiẹu cùng một lúc. 2. Phương pháp sử dụng mạng nơron nhận dạng đối tượng theo đặc tính vào - ra, là điểm mạnh của về ứng dụng của mạng nơron. Sử dụng mạng nơron để nhận dạng đối tượng có nhiều ưu điểm hơn so với phương pháp nhận dạng truyền thống vì: - Mạng nơron là hệ học và thích nghi có khả năng học on-line hoặc off-line từ các số liệu quá khứ, do đó kết quả nhận dạng có thể đạt được độ chính xác rất cao. - Mạng nơron là hệ xử lý song song do đó tốc độ tính toán cao, mà các phương pháp nhận dạng truyền thống khó có thể đạt được. - Mạng nơron là hệ MIMO, do đó rất tiện dùng khi nhận dạng cho đối tượng nhiều biến. 3. Với bản chất “HỌC” mạng nơron có một trong những ứng dụng rất đặc trưng đó là nhận dạng đối tượng căn cứ vào đặc tính vào - ra của nó. Mạng nơ ron truyền thẳng nhiều lớp có cấu tạo đơn giản, có luật học lan truyền ngược rất nổi tiếng thực hiện dễ dàng và có hiệu quả cao phù hợp với thực hiện quá trình học cho các đối tượng là tuyến tính và phi tuyến tính. Chương I.Tổng quan về mạng nơ ron nhân tạo Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên 63 CHƢƠNG III ỨNG DỤNG MẠNG NƠRON TRUYỀN THẲNG NHIỀU LỚP NHẬN DẠNG VỊ TRÍ RÔ BỐT HAI KHÂU. Qua phân tích ở các phần trên, ta thấy mạng nơ ron truyền thẳng nhiều lớp có nhiều ưu điểm; có cấu trúc đơn giản, có thuật toán học lan truyền ngược rất nổi tiếng được sử dụng nhiều trong các lĩnh vực nhận dạng và điều khiển các đối tượng phi tuyến. Vì vậy luận văn này chọn mạng nơ ron truyền thẳng nhiều lớp cho việc nhận dạng vị trí Rô bốt hai khâu . 3.1. Mạng nơ ron truyền thẳng nhiều lớp. 3.1.1.Sơ đồ khối mạng nơ ron truyền thẳng nhiều lớp(3lớp). Lớp 1 là lớp vào có số nơ ron là S1, hàm chuyển là f1 và đầu ra là a1, lớp 2 là lớp ẩn có số lượng nơ ron là S2 hàm chuyển là f2 và có đầu ra là a2, lớp 3 là lớp ra có số lượng nơ ron là S3, hàm chuyển là f 3 và có đầu ra là a3 P là véc tơ đầu vào có R phần tử. W ji là ma trận hàm trọng lượng liên kết, j là chỉ số nguồn, i là chỉ số đích. 3.1.2.Thuật toán học lan truyền ngược của sai lệch(Back Propagation Learning Rule). Mạng truyền thẳng chỉ có thể làm việc ở một trong hai trạng thái đó là trạng thái ánh xạ và trạng thái học. S2x1 Rx1 S 2 x1 a 1 a 2 a 3 = y P Hình 3.1.Ký hiệu tắt của mạng nơ ron 3 lớp 1 R S1 a 1 = f 1 (IW 1,1 P+b 1 ) n1 b1 + S 1 x1 S 1 x1 S1xR Vào Lớp 1 S 2 a 2 = f 2 (LW 2,1 a 1 +b 2 ) f2 n2 b2 + S 2 x1 S 2 xS 1 Lớp 2 LW 2,1 1 f1 S 3 a 3 = f 3 (LW 3,2 a 2 +b 3 ) f3 n3 b3 + S3x1 S 3 x1 S 3 xS 2 Lớp 3 LW 3,2 S 3 x1 1 a 3 = f 3 [LW 3,2 f 2 (LW 2,1 f 1 (IW 1,1 P+b 1 )+b 2 ]+b 3 = y (3.1) IW 1,1 Chương I.Tổng quan về mạng nơ ron nhân tạo Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên 64 Trong trạng thái ánh xạ, thông tin lan tryền từ lớp nhận đến lớp xuất và mạng thực hiện ánh xạ để tính giá trị các biến phụ thuộc dựa vào các giá trị của các biến độc lập đã cho. Quá trình ánh xạ có thể được tóm tắt như sau: Trước tiên, giá trị của các biến độc lập được chuyển cho lớp vào của mạng, các nút nhập không tính toán gì cả, mỗi nút nhập chuyển giá trị của nó cho tất cả các nút ẩn. Mỗi nút ẩn tính tổng trọng hoá của tất cả các dữ liệu nhập bằng cách cộng dồn tất cả các tích giữa giá trị nút ẩn với trọng số của cung liên kết giữa nút ẩn đó với các nút nhập. Kế tiếp, một hàm truyền được áp dụng trên tổng trọng hoá này cùng với một ngưỡng của nút ẩn đó để cho ra giá trị thực của nút ẩn. Hàm truyền chỉ đơn giản nén giá trị vào một miền giới hạn nào đó. Sau khi nén tổng trọng hoá của nó đến lượt mình, mỗi nút ẩn sẽ gửi kết quả đến tất cả các nút xuất. Mỗi nút xuất thực hiện các thao tác tương tự như đã thực hiện trong nút ẩn để cho ra giá trị kết xuất của nút xuất. Giá trị của các nút xuất là chính là giá trị thực, nghĩa là giá trị của các biến phụ thuộc cần xác định. Trong trạng thái học, thông tin được lan truyền theo hai chiều nhiều lần để học các trọng số. Thuật toán học lan truyền ngược là một phương pháp cho phép xác định tập hàm trọng lượng tốt nhất để giải một bài toán được cho. Việc áp dụng phương pháp lan truyền ngược là một quá trình lặp đi lặp lại nhiều lần hai tiến trình chính; ánh xạ và lan truyền ngược. Sai số của hai tiến trình này được áp dụng trên một tập mẫu xác định. Ta gọi chung quá trình này là luyện mạng hay là học. Quá trình luyện mạng được bắt đầu với các giá trị trọng số tuỳ ý (có thể là các số ngẫu nhiên) và tiến hành lặp đi lặp lại, mỗi lần lặp được gọi là một thế hệ. Trong mỗi thế hệ, mạng hiệu chỉnh các thông số sao cho sai số giảm dần (sai số là độ lệch giữa các kết xuất thực và các kết xuất đích ). Tiến trình điều chỉnh nhiều lần giúp cho trọng số dần dần đạt được tập hợp các giá trị tối ưu. Thuật toán lan truyền ngược có thể được tóm tắt như sau: Cho trước tập mẫu gồm P mẫu thông số vào- ra (xk- dk), k = 1,2,3,…,P. Với xk là véc tơ đầu vào, dk là véc tơ đầu ra mẫu. Để học bộ thông số mẫu trên mạng thực hiện theo hai giai đoạn sau: Chương I.Tổng quan về mạng nơ ron nhân tạo Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên 65 Giai đoạn đầu, bộ đầu vào mẫu xk được lan truyền từ lớp vào đến lớp ra, khi đó kết quả dữ liệu được lan truyền thẳng tạo ra tín hiệu đầu ra yk. Giai đoạn thứ hai, tín hiệu sai lệch ek giữa bộ đầu ra mẫu dk và tín hiệu ra thực tế của mạng nơ ron được lan truyền ngược từ đầu ra quay trở lại các lớp ẩn và lớp đầu vào. e k = d k - y k (3.2) Thuật toán lan truyền ngược của sai lệch cho phép nhận được kết quả cập nhật sự thay đổi của bộ trọng số ij q w sao cho mạng nơ ron nhiều lớp truyền thẳng có bộ thông số vào - ra là (xk- yk) cũng được thiết lập sau quá trình học bộ mẫu vào - ra ( x k - d k ) đã cho trước. Cơ sở của luật cập nhật trọng số là phương pháp giảm độ dốc. Thuật toán lan truyền ngược được thực hiện theo các bước như sau: Xét mạng truyền thẳng có Q lớp và có netiq và yiq tương ứng là đầu vào và đầu ra của nơ ron thứ i ở lớp thứ q (q =1,2,3,…,Q), mạng nơ ron có m nơ ron ở lớp đầu vào l nơ ron ở lớp ẩn và n nơ ron ở lớp ra, với ij q w là trọng số nối từ phần tử j q y1 đến phần tử i của lớp q. Bộ thông số vào - ra mẫu {( xk- dk), k = 1,2,3…,Q}. Bước 0:(Thiết lập trạng thái ban đầu cho mạng) Chọn trước giá trị cho các thông số: - Hằng số học 0<η<1. - Sai lệch trung bình bình phương cực đại; giá trị cho phép Emax và giá trị ban đầu E0 = 0. - k =1. - Chọn các trọng số ban đầu nối từ phần tử thứ j của lớp (q – 1) đến phần tử thứ i của lớp q là ij q w có giá trị nhỏ và ngẫu nhiên. Bước 1(Vòng luyện tập): Đưa các dữ liệu mẫu thứ k vào lớp đầu vào (q=1): k ii q xyy 1 với mọi i = 1,2,3,…,m. (3.3) Bước 2( Quá trình truyền thẳng): Chương I.Tổng quan về mạng nơ ron nhân tạo Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên 66 Quá trình truyền thẳng của tín hiệu trọng mạng được xác định theo công thức: )..().( 1 1 i q j ij q i q i q ywanetay    (3.4) cho mỗi phần tử i và lớp q tới khi đầu ra i Q y của lớp ra được xác định. Bước 3:Tính toán sai lệch trung bình bình phương ở lớp ra: Xác định giá trị trung bình bình phương sai lệchở lớp ra: 2 1 2 1 )( 2 1 ))(( 2 1 Q i n i k i n i ydkeE    (3.5) Tín hiệu sai lệch cho lớp đầu ra là )().( ' i Q i Qk ii Q netayd  (3.6) Trong đó: i Q là tín hiệu sai lệch của nơ ron thứ i cho lớp ra Q; )(' i Qneta là đạo hàm của hàm hoạt hoá a(.) theo tổng trọng lương của phần tử i của lớp đầu ra là i Qnet . )( )(' i Qi Q netd da neta  (3.7) Bước 4: Lan truyền ngược của sai lệch: Quá trình lan truyền ngược của sai lệch được cập nhật các trọng số tính toán theo tín hiệu sai lệch i q 1 cho các lớp: j q i q ij q yw 1.   (3.8) mij q w cij q w ij qw (3.9) j q j ij q i q i q wneta  .).( 1'1   (3.10) Trong đó: ij qw là sai lệch tại thời điểm tính của giá trị trọng số liên kết cập nhật mới và cũ liên kết từ phần tử thứ j của lớp q-1 đến phần tử i của lớp q. m ij q w là giá trị trọng số liên kết cập nhật mới từ phần tử thứ j của lớp q-1 đến phần tử i của lớp q. c ij q w là giá trị trọng số liên kết cũ từ phần tử thứ j của lớp q-1 đến phần tử i của lớp q. Chương I.Tổng quan về mạng nơ ron nhân tạo Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên 67 j q y1 là tín hiệu ra của phần tử j của lớp q-1. Bước 5: ( Cho mỗi chu kỳ học): - Kiểm tra vòng luyện tập + Nếu k<p thì k = k+1. + Nếu k = p thì thực hiện bước 6. Bước 6: Kiểm tra giá trị sai lệch trung bình bình phương tổng: - Nếu E > Emax thì thực hiện bước 1. - Nếu E ≤ Emax thì đã hoàn thành quá trình học. 3.2. Ứng dụng mạng nơ ron truyền thẳng nhiều lớp nhận dạng vị trí rô bốt hai khâu. 3.2.1. Phân tích sơ đồ ứng dụng. Rô bốt là đối tượng phi tuyến nên rất khó xác định được chính xác các giá trị của các thông số đo lường tại các thời điểm nhất định, đặc biệt rất khó khăn trong việc điều khiển thích nghi theo mô hình mẫu. Do đó cần thiết kế một thiết bị nhận dạng vị trí q (rad) của rô bốt. Trong luận văn này sử dụng mạng nơ ron truyền thẳng nhiều lớp để nhận dạng vị trí rôbốt hai khâu sao cho tín hiệu ra của mô hình nhận dạng m iq bám theo được tín hiệu ra thực iq của rô bốt. Sơ đồ ứng dụng mạng nơ ron truyền thẳng nhiều lớp nhận dạng vị trí rô bốt hai khâu như hình 3.2 ei - q m i qi i i Mô hình vị trí rô bốt hai khâu Mạng nơ ron nhận dạng Hình 3.2. Sơ đồ ứng dụng mạng nơ ron nhận dạng vị trí rô bốt hai khâu Chương I.Tổng quan về mạng nơ ron nhân tạo Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên 68 i là mô men đầu vào tác dụng lên khâu thứ i của rô bốt; qi là vị trí thực của khâu thứ i m iq là vị trí đầu ra của mạng nơ ron nhận dạng; ei là sai lệch giữa vị trí đầu ra thực và vị trí đầu ra của mạng nơ ron: ei = iq - m iq (3.11) Sai lệch ei chính là tín hiệu điều khiển quá trình học của mạng nơ ron, làm cho mạng nơ ron thay đổi giá trị của các hàm trọng lượng sao cho tín hiệu đầu ra của mạng m iq thay đổi để có : ei = iq - m iq → min (3.12) Khi mạng nơ ron đã nhận dạng chính xác vị trí của rô bốt hai khâu thì mạng nơ ron sẽ thay thế mô hình của rô bốt hai khâu để điều khiển thích nghi vị trí theo mô hình mẫu như sơ đồ hình 3.3: qiđ là vị trí đặt ban đầu của khâu i; Kui là bộ điều khiển điện áp của khâu i; ui là tín hiệu điện áp điều chỉnh của khâu i; qi là vị trí thưc của khâu i; m iq là vị trí tương ứng của mô hình mẫu i; eqi là sai lệch giữa qi và m iq : eqi = m iq - qi. (3.13) Giá trị của sai lệch này được sử dụng để thay đổi thông số và cấu trúc của bộ điều khiển từ đó tạo ra tín hiệu điều chỉnh ui sao cho vị trí khâu i của rô bốt bám theo được vị trí tương ứng của mô hình mẫu với sai số đạt yêu cầu. Quá trình điều khiển thích nghi được thực hiện theo hai giai đoạn: - Giai đoạn thứ nhất là nhận dạng vị trí của rô bốt hai khâu. - Giai đoạn thứ hai thực hiện tạo ra tín hiệu điều chỉnh để vị trí q của rô bốt đạt được theo yêu cầu. eqi qiđ m iq eqi - + ui - qi Mô hình mẫu Mạng nơ ron Kui + Hình 3.3. Sơ đồ điều khiển thích nghi vị rô bốt hai khâu theo mô hình mẫu Chương I.Tổng quan về mạng nơ ron nhân tạo Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên 69 Ta nghiên cứu giai đoạn thứ nhất của quá trình điều khiển này bằng cách sử dụng mạng nơ ron truyền thẳng nhiều lớp với thuật toán lan truyền ngược có sơ đồ cấu trúc tổng quát như hình 3.4: 3.2.2. Mô tả động học rô bốt hai khâu: Để xác định phương trình động học của rô bốt hai khâu ta xét cơ cấu tay máy hai khâu như hình 3.5: q1, q2 tương ứng là vị trí của khâu thứ 1 và khâu thứ 2; 21 , tương ứng là mô men điều khiển khâu thứ 1 và thứ2; m1, m2 tương ứng là khối lượng của khâu thứ 1và khâu thứ2; l1, l2 tương ứng là độ dài của khâu thứ 1 và khâu thứ 2; lc1 là khoảng cách từ điểm nối của khâu thứ 1 đến trọng tâm của khâu này; lc2 là khoảng cách từ điểm nối của khâu thứ 2 đến trọng tâm của khâu này; I1, I2 tương ứng là mô men quán tính của khâu 1 và khâu 2; ei - i i m iq iq Mô hình vị trí rô bốt hai khâu Mạng nơ ron nhận dạng Hình 3.4. Sơ đồ ứng dụng mạng nơ ron nhận dạng vị trí rô bốt hai khâu với thuật toán lan truyền ngược Lan truyền ngƣợc Hình 3.5. Sơ đồ động học rôbôt hai khâu 1q 2q 11 I,m 22 I,m 3m 1l 2l 2cl Y X 1cl Chương I.Tổng quan về mạng nơ ron nhân tạo Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên 70 m3 là khối lượng tải của rô bốt. Theo [3] phương trình Lagrangian mô tả động học cho rô bốt hai khâu như (3.14): (3.14) Với: H11 = I1+ I2 + m1 2 1cl + m2 [ )cos(2 221 2 2 2 1 qllll cc  ] + m3 [ )cos(2 221 2 2 2 1 qllll  ]; H12 = H21 = m2 [ )cos(2 221 2 2 qlll  ] + m3 [ )cos(2 221 2 2 qlll  ]; H22 = m2 2 2l + m3 2 2l ; (3.15) h = m2l1lc2sin(q2); g1 = m1lc1gcos(q1) + m2g [ lc2cos(q1+q2) + l1cos(q1) ]; g2 = m2lc2gcos(q1+q2). Phương trình động học mô tả mối quan hệ vào – ra có dạng như (3.16):                                                               2 1 1121 1222 211121 2 11121221 212122 2 11221222 21122211 2 1 . )2( )2( 1   HH HH gHgHqhHqqqhH gHgHqhHqqqhH HHHH q q (3.16) 3.2.3.Thiết lập mạng nơ ron nhận dạng. 3.2.3.1.Thiết lập sơ đồ nhận dạng. Viết lại (3.16) ta được: ),,,,(),,,,( 321211322 . 11 . 11 .. mqqumqqqqfq  (3.17) ),,,,(),,,,( 321212322 . 11 . 22 .. mqqumqqqqfq  (3.18) với: H11 H12  1q -h  2q -hq1- h  2q  1q g1 1 H21 H22  2q + h  1q 0 .  2q + g2 = 2 Chương I.Tổng quan về mạng nơ ron nhân tạo Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên 71 )2( (.)f 21122211 212122 . 2 1122 . 1 . 2 . 22 1 HHHH gHgHqhHqqqhH    ; 21122211 122221 1(.)u HHHH HH     21122211 211121 . 2 1112 . 1 . 2 . 21 2 )2( (.)f HHHH gHgHqhHqqqhH    ; 21122211 211121 2 (.)u HHHH HH     . Với chú ý rằng phụ tải 3m thay đổi nhưng thông thường đã biết trước, nên có thể không coi nó là biến số. Biến đổi (3.17), (3.18) ra dạng rời rạc có:     )2(),1(),(),2(),1(),( )2(),1(),2(),1()( 2221111 221111   kkkkkku kqkqkqkqfkq d d  (3.19)     )2(),1(),(),2(),1(),( )2(),1(),2(),1()( 2221112 221122   kkkkkku kqkqkqkqfkq d d  (3.20) Trong đó: ),k(q1 ),1k(q1  ),2k(q1  ),k(q2 ),1k(q2  )2k(q2  tương ứng là vị trí của các khâu thứ nhất, thứ hai tại các thời điểm thứ k, (k-1), (k-2); ),k(1 ),1k(1  ),2k(1  ),k(2 ),1k(2  )2k(2  tương ứng là mômen quay của các khâu thứ nhất, thứ hai tại các thời điểm thứ k, (k-1), (k-2). Tại các phương trình (3.19), (3.20) các thành phần (.)f(.),f d2d1 có mức độ phi tuyến cao hơn so với (.)u(.),u d2d1 . Mặt khác, trong bài toán nhận dạng với 2p bộ cặp mẫu vào-ra  )k(q),k( 11 và  )k(q),k( 22 ( k = 1, 2, ..., p) của rôbôt hai khâu cũng đã biết trước. Vì vậy một giải pháp hợp lý cho mô hình nhận dạng [1] là chỉ tập trung nỗ lực để thực hiện nhận dạng các phần tử có độ phi tuyến cao là (.)f(.),f d2d1 , còn các thành phần đã biết trước trong quan hệ vào-ra là (.)u(.),u d2d1 không cần nhận dạng chúng để mô hình nhận dạng không quá phức tạp mà vẫn nhận được độ chính xác đảm bảo yêu cầu. Chương I.Tổng quan về mạng nơ ron nhân tạo Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên 72 Hình 3.6 mô tả sơ đồ ứng dụng mạng nơ ron truyền thẳng nhiều lớp nhận dạng rô bôt hai khâu có phụ tải m3 được xây dựng nhận dạng các hàm vị trí rời rạc (3.19) và (3.20) với 2p bộ cặp mẫu vào-ra  )k(q),k( 11 và  )k(q),k( 22 (k=1, 2, ..., p). Hai tín hiệu mô men đầu vào )k(),k( 21  có nhiệm vụ tạo ra các thành phần )k(u d1  , )k(u d2  thông qua các khâu (.).u(.),u 21 Mạng nơ ron sẽ có nhiệm vụ nhận dạng các hàm f1d(.) và f2d(.) với các tín hiệu vào là q1(k-1), q1(k-2), q2(k-1), q2(k-2) theo luật học lan truyền ngược. Tín hiệu ra của mạng tương ứng là )(1 kf d  và )(2 kf d  được cộng tương ứng với )k(u d1  , )k(u d2  để có được )(1 kq  và )(2 kq  . (.)u1 (.)u2 )1k(q1  )2k(q1  )1k(q2  )2k(q2  Rôbt hai khâu Trễ )k(q1 )k(q2 Phụ tải m3 Luật học lan truyền ngược theo sai lệch )k(1 )k(2 )k(q2  )k(q1  + )k(e1 )k(e2 )k(f d1  )k(f d2  )(1 ku d  )(2 ku d  Mạng nơron truyền thẳng (4xn2xn3x2) nhận dạng các hàm f1d(.) và f2d(.) Trễ Trễ Trễ + - - + + + + Hình 3.6 . Sơ đồ ứng dụng mạng nơron truyền thẳng nhiều lớp nhận dạng rôbôt hai khâu Chương I.Tổng quan về mạng nơ ron nhân tạo Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên 73 Theo [1] với đối tượng cần nhận dạng phi tuyến, nên chọn mạng nơ ron truyền thẳng 4 lớp để nhận dạng chúng. Do đó chọn mạng nơ ron truyền thẳng 4 lớp (4 x n2 x n3 x 2) (hình 3.7) có cấu trúc: lớp vào có số nơ ron là n1 = 4, có các tín hiệu vào là vị trí của khâu thứ nhất và thứ hai tại các thời điểm thứ (k-1) và (k-2) đó là: ),1k(q1  ),2k(q1  ),1k(q2  )2k(q2  ; lớp ẩn thứ nhất có số nơ ron là n2; lớp ẩn thứ hai có số nơ ron là n3; lớp ra có số nơ ron là n4 = 2, với các tín hiệu ra tương ứng là )k(f d1  , )k(f d2  3.2.3.2. Quá trình nhận dạng. Vấn đề đặt ra là cho mạng nơ ron (4 x n2 x n3 x 2) thực hiện hai giai đoạn học và kiểm tra để tìm ra được bộ thông số điều chỉnh trong quá trình nhận dạng là các ma trận trọng số ]w[w mj1  ; ]w[w fm2  ; ]w[w if3  và các ma trận bias ]b[b m2  ; ]b[b f3  ; ]b[b i4  (với j = 1,..,4; m = 1,..., n2; f = 1,.., n3; i = 1, 2) sao cho sai lệch E đạt cực tiểu, nói cách khác là hai tín hiệu vị trí tính toán )k(q1  , )k(q 2  bám theo được hai tín hiệu vị trí mẫu là q1(k), q2(k). Giai đoạn học . . . . . . . . . )k(f d1  -1 1x2nm2 ]b[b  1x3nf3 ]b[b  1x2i4 ]b[b  3xn2if3 ]w[w  2xn3nfm2 ]w[w  4x2nmj1 ]w[w  )k(f d2  )1k(q1  )2k(q1  )2k(q2  -1 -1 -1 -1 -1 -1 Hình 3.7. Sơ đồ cấu trúc mạng nơ ron truyền thẳng 4 lớp nhận dạng vị trí Chương I.Tổng quan về mạng nơ ron nhân tạo Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên 74 Từ quá trình mô phỏng tìm được 2p bộ cặp mẫu vào-ra  )k(q),k( 11 ,  )k(q),k( 22 (bảng 3.1) (k=1, 2, ..., 20) khi cho trước các tín hiệu )k(),k( 21  ở dạng ngẫu nhiên (hình 3.9). Luật cập nhật các giá trị điều chỉnh của trọng số, bias của mạng nơ ron truyền thẳng (4 x n2 x n3 x 2) như sau. - Lớp ra: )bv(aw ff1iif  ; iib  ; )qq)(bv('a v E 1iii2 i i         3n 1f ff1ifi )bv(awv . - Lớp ẩn 2: )bv(aw mm1ffm  ; ;w)bv('a v E 2 1i iifff1 f f       ffb  ;    2n 1m mm1fmf )bv(awv . - Lớp ẩn 1: )bv(aw jj1mmj  ; ;w)bv('a v E 3n 1f ffmmm1 m m       mmb  ;    4 1j jmjm xwv ; ;)]2k(q),1k(q),2k(q),1k(q[x T2211  mfi ,,  là tín hiệu sai lệch tương ứng của nơ ron thứ i lớp ra, nơ ron thứ f lớp ẩn thứ hai và nơ ron thứ m lớp ẩn thứ nhất. net/)net(a)net('a 11  ; net/)net(a)net('a 22  ; với a1(.) và a2(.) tương ứng là các hàm chuyển đổi tang hyperbolic và tuyến tính: 1 e1 2 )net(a net21     ; .net)net(a2  Sai lệch trung bình bình phương:       p k i iii kbkvakdE 1 2 1 2 2 )()()( 2 1 (3.21) với );k(u)k(q)k(d idii  Chương I.Tổng quan về mạng nơ ron nhân tạo Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên 75 Sau khi đã tìm được bộ ma trận trọng số, bias của mạng (4 x n2 x n3 x 2) thoả mãn điều kiện cpEE  (3.22), tiến hành giai đoạn kiểm tra như sau. Giai đoạn kiểm tra Dựa vào bộ ma trận trọng số và bias đã tìm được ở giai đoạn học, đưa các tín hiệu )k(1 và )k(2 vào đầu vào sơ đồ nhận dạng sẽ được các tín hiệu vị trí tính toán của rôbôt hai khâu ở đầu ra là )k(q1  , )k(q 2  ; so sánh chúng với các tín hiệu ra )k(q1 , )k(q2 được sai lệch E (3.21). Nếu thoả mãn (3.22) mô hình nhận dạng đã thoả mãn yêu cầu, ghi lại thông số nhận dạng của mạng nơ ron; Nếu không thoả mãn (3.22) tiếp tục điều chỉnh giá trị số lượng nơ ron các lớp ẩn là n2, n3 thực hiện lại giai đoạn học. 3.2.3.3. Kết quả mô phỏng và nhận dạng. Thực hiện mô phỏng với các giá trị của các thông số của rôbôt hai khâu [4]: m1=1kg; m2=1kg; l1=1m; l2=1m; lc1=0.5m; lc2=0.5m; I1=0.2kgm 2 ; I2=0.2kgm 2 ; m3 cho ở đồ thị hình 3.12; 21, ở giai đoạn học có giá trị ngẫu nhiên trong khoảng [- 100,+100]Nm (hình 3.9) và ở giai đoạn kiểm tra (hình 3.13, 3.14) a) Xác định sơ đồ Simulink mô phỏng. Từ (3.16) ta có: ),,,,(),,,,( 321211322 . 11 . 11 .. mqqumqqqqfq  ),,,,(),,,,( 321212322 . 11 . 22 .. mqqumqqqqfq  (3.23) với: )2( (.)f 21122211 212122 . 2 1122 . 1 . 2 . 22 1 HHHH gHgHqhHqqqhH    ; 21122211 122221 1(.)u HHHH HH     21122211 211121 . 2 1112 . 1 . 2 . 21 2 )2( (.)f HHHH gHgHqhHqqqhH    ; 21122211 211121 2 (.)u HHHH HH     . Chương I.Tổng quan về mạng nơ ron nhân tạo Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên 76 Chuyển (3.17) sang dạng toán tử Laplace ta được dạng như (3.24): q1(s) = f1(s) + u1(s) và q2(s) = f2(s) + u2(s) (3.24) 21122211 122221 21122211 212122 2 112 2 21222 2 1 2 )2( HHHH H HHHH gHgHqhHsqqqhHs qs      . 21122211 1112 21122211 211121 2 111 2 21221 2 2 2 21)2( HHHH H HHHH gHgHqhHsqqqhHs qs      . Mô hình SIMULINK mô phỏng rô bốt hai khâu như hình 3.8: Hình 3.8. Mô hình thu gọn mô phỏng rô bốt hai khâu Chương I.Tổng quan về mạng nơ ron nhân tạo Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên 77 b) Kết quả mô phỏng được cho trong bảng 3.1. 1 (N.m) 2 (N.m) u1 (rad) u2 (rad) q1 (rad) q2 (rad) f1 (rad) f2 (rad) 1.1650 0.6268 0.0751 0.3516 -0.6965 1.6961 0.0591 1.7971 0.2641 0.8717 -1.4462 -0.7012 1.2460 -0.6390 0.5774 -0.3600 -0.1356 -1.3493 -1.2704 0.9846 -0.0449 -0.7989 -0.7652 0.8617 -0.0562 0.5135 0.3967 0.7562 0.4005 -1.3414 0.3750 1.1252 0.7286 -2.3775 0.2605 0.1402 0.0168 0.0786 -0.1557 0.3793 0.0132 0.4018 0.0590 0.1949 -0.3234 -0.1568 0.2786 -0.1429 0.1291 -0.0805 -0.0303 -0.3017 -0.2841 0.2202 -0.0100 -0.1786 -0.1711 0.1927 -0.0126 0.1148 0.0887 0.1691 0.0896 -0.2999 0.0839 0.2516 0.1629 -0.5316 0.0000 0.0000 0.0000 0.0000 -0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 -0.0000 -0.0000 0.0000 -0.0000 0.0000 -0.0000 -0.0000 -0.0000 -0.0000 0.0000 -0.0000 -0.0000 -0.0000 0.0000 -0.0000 0.0000 0.0000 0.0000 0.0000 -0.0000 0.0000 0.0000 0.0000 -0.0000 0.0000 0.0000 0.0000 0.0000 -0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 -0.0000 -0.0000 0.0000 -0.0000 0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 0.0000 0.0000 0.0000 -0.0000 0.0000 -0.0000 -0.0000 -0.0000 -0.0000 0.0000 -0.0000 -0.0000 -0.0000 -0.0000 0 -0.0000 -0.0000 -0.0000 -0.0003 -0.0079 -0.0751 -0.2121 -0.4192 -0.6941 -1.0279 -1.3057 -1.4865 -1.6280 -1.7070 -1.7523 -1.7865 -1.7983 -1.7924 -1.7778 -1.7716 -1.7627 -1.7474 -1.7344 -1.7305 -1.7261 -1.7190 -1.7114 -1.6997 -1.6760 -1.6150 -1.4491 -1.0784 -0.5827 0 -0.0000 -0.0000 -0.0000 -0.0003 -0.0071 -0.0691 -0.1980 -0.3972 -0.6635 -0.9759 -1.2125 -1.3398 -1.3745 -1.2791 -1.1021 -0.7367 -0.1692 0.4292 0.9992 1.1348 1.2626 1.3946 1.4503 1.4581 1.4620 1.4613 1.4578 1.4510 1.4353 1.3913 1.2618 0.9455 0.4649 0 -0.0000 -0.0000 -0.0000 -0.0003 -0.0078 -0.0767 -0.2178 -0.4324 -0.7190 -1.0687 -1.3556 -1.5348 -1.6809 -1.7703 -1.8246 -1.8738 -1.9036 -1.9138 -1.9139 -1.9114 -1.9062 -1.8956 -1.8857 -1.8824 -1.8785 -1.8717 -1.8642 -1.8526 -1.8289 -1.7682 -1.6038 -1.2344 -0.7393 0 -0.0000 -0.0000 -0.0000 -0.0003 -0.0067 -0.0769 -0.2260 -0.4585 -0.7734 -1.1451 -1.4216 -1.5615 -1.6181 -1.5534 -1.4052 -1.0859 -0.5751 -0.0232 0.5172 0.6470 0.7684 0.8942 0.9481 0.9557 0.9593 0.9582 0.9541 0.9463 0.9286 0.8801 0.7400 0.3930 -0.1431 Chương I.Tổng quan về mạng nơ ron nhân tạo Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên 78 -0.2738 -0.3229 0.3180 -0.5112 -0.0020 1.6065 0.8476 0.2681 -0.9235 -0.0705 0.1479 -0.5571 -0.3367 0.4152 1.5578 -2.4443 -1.0982 1.1226 0.5817 -0.2714 0.4142 -0.9778 -1.0215 0.3177 1.5161 0.7494 -0.5077 0.8853 -0.2481 -0.7262 -0.4450 -0.6129 -0.2091 0.5621 -1.0639 0.3516 1.1330 0.1500 -0.0612 -0.0722 0.0711 -0.1143 -0.0005 0.3592 0.1895 0.0599 -0.2065 -0.0158 0.0331 -0.1246 -0.0753 0.0928 0.3483 -0.5466 -0.2456 0.2510 0.1301 -0.0607 0.0926 -0.2186 -0.2284 0.0710 0.3390 0.1676 -0.1135 0.1980 -0.0555 -0.1624 -0.0995 -0.1371 -0.0468 0.1257 -0.2379 0.0786 0.2533 0.0335 -0.0000 -0.0000 0.0000 -0.0000 -0.0000 0.0000 0.0000 0.0000 -0.0000 -0.0000 0.0000 -0.0000 -0.0000 0.0000 0.0000 -0.0000 -0.0000 0.0000 0.0000 -0.0000 0.0000 -0.0000 -0.0000 0.0000 0.0010 0.0018 -0.0050 0.0352 -0.0277 -0.2378 -0.3938 -1.3199 -2.1292 -9.1987 4.9504 -0.7590 -1.0984 -0.0584 -0.0000 -0.0000 0.0000 -0.0000 -0.0000 0.0000 0.0000 0.0000 -0.0000 -0.0000 0.0000 -0.0000 -0.0000 0.0000 0.0000 -0.0000 -0.0000 0.0000 0.0000 -0.0000 0.0000 -0.0000 -0.0000 0.0000 0.0001 0.0003 -0.0007 0.0052 -0.0040 -0.0348 -0.0577 -0.1933 -0.3118 -1.3469 0.7248 -0.1111 -0.1608 -0.0085 -0.1508 0.2029 0.3207 0.4137 0.4374 0.4415 0.4430 0.4433 0.4432 0.4431 0.4429 0.4429 0.4428 0.4428 0.4428 0.4428 0.4428 0.4428 0.4428 0.4428 0.4428 0.4428 0.4428 0.4428 0.4428 0.4428 0.4428 0.4428 0.4428 0.4428 0.4428 0.4428 0.4428 0.4428 0.4428 0.4428 0.4428 0.4428 -0.0567 -0.6516 -0.9301 -1.2411 -1.3737 -1.4131 -1.4364 -1.4480 -1.4604 -1.4619 -1.4635 -1.4641 -1.4641 -1.4642 -1.4642 -1.4642 -1.4642 -1.4642 -1.4642 -1.4642 -1.4642 -1.4642 -1.4642 -1.4642 -1.4642 -1.4642 -1.4642 -1.4642 -1.4642 -1.4642 -1.4642 -1.4642 -1.4642 -1.4642 -1.4642 -1.4642 -1.4642 -1.4642 -0.3062 0.0517 0.1717 0.2669 0.2914 0.2958 0.2974 0.2977 0.2975 0.2974 0.2973 0.2972 0.2972 0.2972 0.2972 0.2972 0.2972 0.2972 0.2972 0.2972 0.2972 0.2972 0.2972 0.2972 0.2972 0.2972 0.2972 0.2972 0.2972 0.2972 0.2972 0.2972 0.2972 0.2972 0.2972 0.2972 0.2972 0.2972 -0.7095 -1.3318 -1.6202 -1.9412 -2.0775 -2.1179 -2.1417 -2.1537 -2.1665 -2.1681 -2.1697 -2.1703 -2.1704 -2.1705 -2.1705 -2.1705 -2.1705 -2.1705 -2.1705 -2.1705 -2.1705 -2.1705 -2.1705 -2.1705 -2.1705 -2.1705 -2.1705 -2.1705 -2.1705 -2.1705 -2.1705 -2.1705 -2.1705 -2.1705 -2.1705 -2.1705 -2.1705 -2.1705 Chương I.Tổng quan về mạng nơ ron nhân tạo Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên 79 0.7031 -0.0524 2.0185 0.9242 -1.8141 0.0350 -1.8079 1.0282 0.3946 0.6394 0.8742 1.7524 -0.3201 -0.1374 0.6158 0.9779 -1.1153 -0.5500 0.0399 -2.4828 1.1587 -1.0263 1.1535 -0.7865 0.6348 0.8204 -0.1760 0.5625 -0.1274 0.5542 -1.0973 -0.7313 1.4047 -0.6202 0.2371 -1.5868 -0.4015 -0.7707 0.1572 -0.0117 0.4513 0.2066 -0.4056 0.0078 -0.4043 0.2299 0.0882 0.1430 0.1955 0.3918 -0.0716 -0.0307 0.1377 0.2187 -0.2494 -0.1230 0.0089 -0.5552 0.2591 -0.2295 0.2579 -0.1759 0.1419 0.1834 -0.0394 0.1258 -0.0285 0.1239 -0.2454 -0.1635 0.3141 -0.1387 0.0530 -0.3548 -0.0898 -0.1723 -0.1277 0.0037 -0.0647 -0.0119 0.0116 -0.0001 0.0025 -0.0006 -0.0001 -0.0001 -0.0000 -0.0000 0.0000 0.0000 -0.0000 -0.0000 0.0000 0.0000 -0.0000 0.0000 -0.0000 0.0000 -0.0000 0.0000 -0.0000 -0.0000 0.0000 -0.0000 0.0000 -0.0000 0.0000 0.0000 -0.0000 0.0000 -0.0000 0.0000 0.0000 0.0000 -0.0187 0.0005 -0.0095 -0.0017 0.0017 -0.0000 0.0004 -0.0001 -0.0000 -0.0000 -0.0000 -0.0000 0.0000 0.0000 -0.0000 -0.0000 0.0000 0.0000 -0.0000 0.0000 -0.0000 0.0000 -0.0000 0.0000 -0.0000 -0.0000 0.0000 -0.0000 0.0000 -0.0000 0.0000 0.0000 -0.0000 0.0000 -0.0000 0.0000 0.0000 0.0000 0.4428 0.4428 0.4428 0.4428 0.4428 0.4428 0.4428 0.4428 0.4428 0.4428 0.4428 0.4428 0.4428 0.4428 0.4428 0.4428 0.4428 0.4428 0.4428 0.4428 0.4428 0.4428 0.4428 0.4428 0.4427 0.4427 0.4426 0.4427 0.4432 0.4450 0.4517 0.4700 0.5130 0.6242 0.8510 1.2003 1.5571 1.9092 -1.4642 -1.4642 -1.4642 -1.4642 -1.4642 -1.4642 -1.4642 -1.4642 -1.4642 -1.4642 -1.4642 -1.4642 -1.4642 -1.4642 -1.4642 -1.4642 -1.4642 -1.4642 -1.4642 -1.4642 -1.4643 -1.4643 -1.4644 -1.4646 -1.4651 -1.4660 -1.4680 -1.4718 -1.4812 -1.4989 -1.5392 -1.6135 -1.7403 -1.9906 -2.3917 -2.9104 -3.4025 -3.8951 0.2972 0.2972 0.2972 0.2972 0.2972 0.2972 0.2972 0.2972 0.2972 0.2972 0.2972 0.2972 0.2972 0.2972 0.2972 0.2972 0.2972 0.2972 0.2972 0.2972 0.2971 0.2971 0.2971 0.2971 0.2971 0.2970 0.2970 0.2971 0.2978 0.3000 0.3076 0.3276 0.3729 0.4905 0.7301 1.0965 1.4668 1.8274 -2.1705 -2.1705 -2.1705 -2.1705 -2.1705 -2.1705 -2.1705 -2.1705 -2.1705 -2.1705 -2.1705 -2.1705 -2.1705 -2.1705 -2.1705 -2.1705 -2.1705 -2.1705 -2.1705 -2.1705 -2.1705 -2.1706 -2.1707 -2.1709 -2.1713 -2.1723 -2.1743 -2.1782 -2.1876 -2.2054 -2.2458 -2.3207 -2.4496 -2.7032 -3.1085 -3.6344 -4.1360 -4.6415 Chương I.Tổng quan về mạng nơ ron nhân tạo Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên 80 -0.2627 0.9765 0.9778 1.1700 0.1593 0.4995 -1.0554 -0.4507 1.2704 0.8987 0.4387 -1.2473 0.3247 0.3901 -0.4051 0.2923 2.5659 -0.4578 -1.6108 -2.6695 -0.7597 -0.6747 -1.1717 2.0329 0.9685 0.6703 0.4201 -2.8728 -0.0587 0.2183 0.2186 0.2616 0.0356 0.1117 -0.2360 -0.1008 0.2841 0.2010 0.0981 -0.2789 0.0726 0.0872 -0.0906 0.0654 0.5738 -0.1024 -0.3602 -0.5969 -0.1699 -0.1509 -0.2620 0.4546 0.2166 0.1499 0.0939 -0.6424 0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 0.0000 0.0000 -0.0000 -0.0000 -0.0000 0.0000 -0.0000 -0.0000 0.0000 -0.0000 -0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 -0.0000 -0.0000 -0.0000 -0.0000 0.0000 0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 0.0000 0.0000 -0.0000 -0.0000 -0.0000 0.0000 -0.0000 -0.0000 0.0000 -0.0000 -0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 -0.0000 -0.0000 -0.0000 -0.0000 0.0000 2.2478 2.5679 2.8659 3.1412 3.3965 3.6375 3.8710 4.1029 4.3375 4.5758 4.8179 5.0631 5.3108 5.5601 5.8090 6.0560 6.2996 6.5388 6.7746 7.0099 7.2482 7.4918 7.7416 7.9964 8.2537 8.5103 8.7637 8.8391 -4.4105 -4.9625 -5.5621 -6.2158 -6.9244 -7.6800 -8.4672 -9.2705 -10.0810 -10.8986 -11.7223 -12.5468 -13.3630 -14.1608 -14.9345 -15.6869 -16.4309 -17.1831 -17.9510 -18.7274 -19.4948 -20.2338 -20.9342 -21.6007 -22.2538 -22.9203 -23.6231 -23.8435 2.1720 2.4961 2.7993 3.0826 3.3489 3.6024 3.8490 4.0936 4.3397 4.5901 4.8457 5.1052 5.3669 5.6295 5.8921 6.1529 6.4102 6.6643 6.9158 7.1661 7.4177 7.6734 7.9348 8.2007 8.4692 8.7381 9.0042 9.0834 -5.1718 -5.7403 -6.3552 -7.0209 -7.7382 -8.5008 -9.2944 -10.1044 -10.9224 -11.7471 -12.5767 -13.4065 -14.2282 -15.0321 -15.8116 -16.5697 -17.3196 -18.0767 -18.8488 -19.6302 -20.4039 -21.1503 -21.8584 -22.5332 -23.1943 -23.8682 -24.5780 -24.8004 Bảng 3.1. Kết quả các đầu vào- ra Chương I.Tổng quan về mạng nơ ron nhân tạo Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên 81 c) Đồ thị các đầu vào 1, 2 và các đầu ra u1, u2, f1, f2, q1, q2 như các hình 3.9, 3.10, . Hình 3.9. Đồ thị các đầu vào 1, 2 Hình 3.10a. Đồ thị các đầu ra u1, u2 Chương I.Tổng quan về mạng nơ ron nhân tạo Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên 82 Sau hai giai đoạn học và kiểm tra, kết quả chọn mạng nơ ron truyền thẳng 4 lớp (4 x 5x 10 x 2) (n2 = 5, n3 = 10) để nhận dạng vị trí rôbôt hai khâu. Đồ thị quan hệ vào-ra khâu 1 và 2 giai đoạn học tương ứng được biểu diễn ở hình 3.15 và 3.16. Đồ thị sai lệch giai đoạn học của mạng (4x5x10x2) biểu diễn ở hình 3.19. Quan hệ vào-ra khâu 1và 2 giai đoạn kiểm tra tương ứng biểu diễn ở hình 3.17 và 3.18. Hình 20 biểu diễn đồ thị của các đại lượng 21 q,q và 21 q,q  của mạng (4x5x10x2) giai đoạn kiểm tra, 321 w,w,w tương ứng là các ma trận trọng số giữa lớp vào với lớp ẩn thứ nhất; giữa lớp ẩn thứ nhất với lớp ẩn thứ hai; giữa lớp ẩn thứ hai với lớp ra, b2, b3, Hình 3.10b. Đồ thị các đầu ra q1, q2 Hình 3.10c. Đồ thị các đầu ra f1, f2 Chương I.Tổng quan về mạng nơ ron nhân tạo Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên 83 b4 tương ứng là các ma trận bias của các lớp ẩn thứ nhất, thứ hai và lớp ra. Kết quả các ma trận trọng số và bias có số liệu như sau:                  8403.26625.23387.33738.3 9514.55360.28611.41955.3 5175.46258.10709.67799.2 8759.46060.02767.07287.5 7557.57178.28761.38018.4 w1 ,                                 3347.04787.30588.44348.04369.0 3604.05807.15580.22841.01261.0 5163.01787.12455.27447.64231.6 0038.28790.18072.13380.19051.6 5646.00383.16002.05413.62287.8 0783.04907.50841.11906.04499.1 0843.06111.41118.02176.04002.1 5407.17352.26668.06605.97976.6 1358.20948.16655.330 4.8468.0 4731.117929.72202.127.30123.5 w2 ; T 3w     0.9291 2.7580- 4.5197- 4.6922 2.4450- 7.3328 6.6716 1.6355 1.5767- 0.0423- 0.3886- 1.06 9 2.0068 2 0695- 1.7230 2.1823- 2.2294-2174- 0.9863 0.0165  T2b 2.9391 0.6131- 0.5198 4.3878 1.1860  T3b 3.5739 2.0420 0.6843 2.3568 0.8965- 1.3583 0.4501 1.1884- 2.5967- 16.8477-  T4b 0.8223 1.1098- ; 0 10 20 30 40 50 60 70 80 90 100 0 0.5 1 1.5 2 2.5 3 3.5 0 10 20 30 40 50 60 70 80 90 100 -100 -80 -60 -40 -20 0 20 40 60 80 100 0 100 150 200 250 300 -100 -80 -60 -40 -20 0 20 0 60 80 100 0 100 150 200 250 300 -100 -80 -60 -40 -20 0 20 40 60 80 100 Hình 3.11. Đồ thị phụ tải của rôbôt m3 Hình 3.12. Mômen 21, giai đoạn học Hình 3.13. Mômen 1 giai đoạn kiểm tra Hình 3.14. Mômen 2 giai đoạn kiểm tra Chương I.Tổng quan về mạng nơ ron nhân tạo Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên 84 -100 -50 0 50 100 0 1 2 3 -2.5 -2 -1.5 -1 -0.5 0 -100 -50 0 50 100 0 1 2 3 0 0.5 1 1.5 2 -100 -50 0 50 100 0 1 2 3 -2.5 -2 -1.5 -1 -0.5 0 -100 -50 0 50 100 0 1 2 3 0 0.5 1 1.5 2 0 1000 2000 3000 4000 5000 10 -6 10 -5 10 -4 10 -3 10 -2 10 -1 10 0 10 1 5584 Epochs Tr ain ing -B lue G oa l-B lac k Performance is 2.99983e-006, Goal is 3e-006 0 10 2 30 4 50 60 70 8 90 100 -2.5 -2 -1.5 -1 -0.5 0 0.5 1 1.5 2 Sai lệch trung bình bình phương 610.99983.2E  sau 5584 chu kỳ học. 3.2.3.4. Kết luận chương III. Kết quả mô phỏng cho thấy sai lệch nhận dạng giữa tín hiệu mẫu và tín hiệu tính toán của mô hình nhận dạng là rất nhỏ, điều đó chứng tỏ rằng sử dụng mạng nơ ron truyền thẳng nhiều lớp trong nhận dạng vị trí rôbôt hai khâu là một giải pháp rất hiệu quả và có độ chính xác cao. Giải pháp này có đóng góp mới là chỉ cần sử dụng một mạng nơ ron truyền thẳng nhiều lớp mà có thể nhận dạng được vị trí rôbôt hai khâu là hệ MIMO phi tuyến. Có thể ứng dụng giải pháp này cho việc sử dụng mạng nơ ron truyền thẳng nhiều lớp nhận dạng cho các đối tượng phi tuyến MIMO khác có mức độ phi tuyến cao. Hình 3.15. Quan hệ vào-ra khâu 1 giai đoạn học Hình 3.16. Quan hệ vào-ra khâu 2 giai đoạn học Hình 3.17. Quan hệ vào-ra khâu 1 giai đoạn kiểm tra Hình 3.18. Quan hệ vào-ra khâu 2 giai đoạn kiểm tra 2q  1q  1q Hình 3.19. Đồ thị sai lệch giai đoạn học của mạng (4x5x10x2). 2q Hình 3.20. Đồ thị 21 q,q của rôbôt hai khâu và 21 q,q  của mạng(4x5x10x2)giai đọan kiểm tra Chương I.Tổng quan về mạng nơ ron nhân tạo Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên 85 KẾT LUẬN CHUNG 1. Luận văn này đã hoàn thành những uyêu cầu đặt ra là khảo sát về một phương pháp ứng dụng mạng nơ ron truyền thẳng nhiều lớp nhận dạng vị trí q của rô bốt hai khâu với phụ tải nhỏ với độ chính xác cao. 2. Các đóng góp chính của đề tài nghiên cứu: - Đã tổng hợp các tài liệu về mạng nơ ron và các ứng dụng của nó để có cái nhìn tổng quan về cấu trúc, các luật học và các phương pháp ứng dụng các mạng nơ ron trong nhận dạng và điều khiển, - Bằng phương pháp phân tích, so sánh về cấu trúc, các luật học và khả năng ứng dụng thực tiễn của các loại mạng nơ ron, luận văn này đã chọn mạng nơ ron truyền thẳng nhiều lớp là mạng có nhiều ưu điểm về cấu trúc và luật học để tập trung nghiên cứu ứng dụng nó trong bài toán nhận dạng. - Dựa trên kết quả nghiên cứu của tài liệu [1], sự hướng dẫn trực tiếp của TS Phạm Hữu Đức Dục, luận văn đã đi sâu nghiên cứu, phân tích được sự đúng đắn của việc sử dụng cấu trúc mạng nơ ron truyền thẳng 4 lớp là (4x5x10x2) với luật học lan truyền ngược của sai lệch và các thông số điều chỉnh của các lớp nơ ron để đạt được sai lệch trung bình bình phương trong giới hạn cho phép E  Emax nghĩa là tín hiệu học của mạng nơ ron qmh bám sát theo được tín hiệu vị trí thực q của sơ đồ điều chỉnh vị trí rô bốt hai khâu. - Trong khuôn khổ luận văn này mới chỉ tìm hiểu được giai đoạn 1 của bài toán ứng dụng mạng nơ ron truyền thẳng nhiều lớp để nhận dạng đối tượng. Do thời gian nghiên cứu có hạn, nên giai đoạn 2 của bài toán là phần tính toán hệ số KU để tìm tín hiệu điều chỉnh thích nghi vị trí rô bốt hai khâu chưa được đề cập tới. - Với kết quả rất tốt của giai đoạn 1 (Sai lệch vị trí tổng chỉ là 610.99983.2E  ), tin chắc rằng việc sử dụng các thông số đã tính toán được trong quá trình nhận dạng của giai đoạn 1 cho giai đoạn 2 cũng sẽ đạt được kết quả tốt đẹp. Vì vậy luận văn này là một hướng nghiên cứu mở, có thể phát triển tiếp tục hướng nghiên cứu này ở các công trình khoa học cấp cao hơn. Chương I.Tổng quan về mạng nơ ron nhân tạo Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên 86 TÀI LIỆU THAM KHẢO 1. Phạm Hữu Đức Dục - 1999 - Nghiên cứu ứng dụng mạng nơ ron trong điều khiển thích nghi hệ thống có thông số biến thiên - Luận án tiến sĩ kỹ thuật 2. Phạm Hữu Đức Dục, Nguyễn Công Hiền - 2005- Ứng dụng bộ điều khiển nơ ron mờ trong điều khiển thích nghi vị trí động cơ điện một chiều - Tuyển tập báo cáo khoa học tại hội nghị toàn quốc lần thứ VI về Tự động hoá 101-106 3. Phạm Hữu Đức Dục, Nguyễn Công Hiền - Nghiên cứu ứng dụng mạng nơ ron mờ điều khiển thích nghi rô bốt hai khâu - Tuyển tập các báo cáo khoa học tại hội nghị toàn quốc lần thứ VI về Tự động hoá 107- 112. 4. Phạm Hữu Đức Dục - Nghiên cứu ứng dụng mạng nơ ron truyền thẳng nhiều lớp nhận dạng vị trí động cơ một chiều có phụ tải thay đổi - Đề tài nghiên cứu khoa học Trường Đại học Kinh tế Kỹ thuật Công nghiệp Hà Nội. 5. Phạm Hữu Đức Dục, Nguyễn Công Hiền - Tuyển tập các báo cáo khoa học tại hội nghị toàn quốc lần VI về Tự động hoá 107-112, 2005 6. Lại Khắc Lãi - Giáo trình mạng nơ ron 7. Somloj, Lantosb, Pham Thương Cat -Advance- Robot control akademiai - Kiado - Pudapest, 1997.