Đang tải... (xem toàn văn)
Mạng nơ ron nhân tạo và logic mờ là các lĩnh vực của trí tuệ nhân tạo hiện đại - một trong những lĩnh vực rất được quan tâm của công nghệ thông tin. Các máy tính và công nghệ vi điện tử hiện đại đang hy vọng ở các phương pháp này như chìa khóa mở ra thế hệ máy tính mới.
Tỉng c«ng ty bu chÝnh viƠn th«ng Häc viƯn c«ng nghệ bu viễn thông đề tài khoa học Nghiên cứu phơng pháp thuật toán thông minh sở mạng nơ ron logic mờ công nghệ thông tin viễn thông Hànội 7-2002 mục lục Trang Phần 1: Mạng nơron nhân tạo khả ứng dụng 1.1 Mạng nơ ron nhân tạo 1.1.1.Quá trình phát triển 1.1.2.Cơ sở mạng nơ ron nhân tạo số khái niệm 1.1.3.Các cấu trúc mạng điển hình 1.2 Khả ứng dụng mạng nơron 1.2.1 Các øng dơng tin häc 1.2.2 C¸c øng dơng viễn thông 1.2.3 Các ứng dụng đo lờng điều khiển, điều khiển robot ,y tế 1.2.4 ứng dụng mạng nơ ron xử lý tín hiệu Phần 2: Logic mờ khả ứng dụng 4 10 17 17 18 19 19 22 2.1 Nh÷ng vÊn đề logic mờ 2.1.1 Các khái niệm 2.1.2 Các phép toán tập mờ 2.1.3 Biến ngôn ngữ 2.2 Các khả ứng dụng logic mờ 2.2.1 Các ứng dụng điều khiển 2.2.2 Logic mờ mạng viễn thông 2.2.3 Đề xuất nghiên cứu logic mờ mạng tốc độ cao Phần Nghiên cứu phơng pháp tính toán xử lý sở mạng nơron logic mờ 3.1 Các phơng pháp thuật học mạng nơron 3.1.1 Các thuật học 3.1.2 Phơng pháp, thuật toán nơ ron dùng cho toán điều khiển lu lợng 3.1.3 Phơng pháp thuật toán nhận dạng ký tự tiếng Việt 3.2 Nghiên cứu phơng pháp xử lý mờ luật mờ 3.2.1 Luật hợp thành mờ 3.2.2 Giải mờ 3.2.3 Kết luận Phần 4: Các kết chơng trình demo 4.1 ứng dụng Mạng nơ ron BAM nhận dạng ký tự 4.1.1 BAM ký tự nhận dạng 4.1.2 Học nhận dạng nhiều phông 4.2 Mô ứng dụng mạng nơ ron cho toán định tuyến 4.2.1 Đặt toán 4.2.2 Kết luận Phần 5: Các kết chơng trình demo khác 5.1 ứng dụng mô logic mờ việc tự chọn thang đo 5.1.1 Định nghĩa biến vào 5.1.2 Xác định tập mờ 5.1.3 Xác định hàm liên thuộc 5.1.4 Xây dựng luật điều khiển 5.2 ứng dụng mạng nơ ron ATM 5.3 ứng dụng mạng nơ ron toán đo lờng 5.4 Xây dựng hệ điều khiển công suất hệ thống thông tin di động DS-CDMA logic mờ Tài liệu tham khảo 22 22 24 26 26 26 27 29 32 32 35 40 48 48 57 60 61 61 63 66 66 72 73 73 73 73 74 76 78 84 91 Lêi nãi đầu Trong xu tăng tốc, Học viện Công nghệ Bu Viễn thông, đơn vị đào tạo quy Tổng công ty BCVT, đà phát triển với sáu loại hình đào tạo khác Công nghệ thông tin hớng đào tạo đợc Bộ Tổng công ty nh Học viện Công nghệ Bu Viễn thông đặc biệt quan tâm, tạo nhiều điều kiện cho nghiên cứu tiếp cận phơng pháp công nghệ Nghiên cứu phơng pháp thuật toán thông minh sở mạng nơ ron logíc mờ công nghệ thông tin viễn thông đề tài (mà số 082-2000-TCT-R-ĐT-83) nhằm nâng cao kiến thức, tiếp cận vấn đề khoa học nóng hổi, góp phần nâng cao chất lợng hiệu suất cho giảng Mạng nơ ron nhân tạo logic mờ lĩnh vực trí tuệ nhân tạo đại - lĩnh vực đợc quan tâm Công nghệ thông tin Các máy tính công nghệ vi điện tử đại hy vọng phơng pháp nh chìa khoá mở hệ máy tính mới: hệ máy tính thứ năm Hai chuyên đề môn học chơng trình đào tạo đại học Công nghệ thông tin đà chọn hai môn vào chơng trình giảng dạy Nhiều đề tài, luận văn tiến sỹ, thạc sỹ đà lấy công cụ logic mờ mạng nơ ron nhân tạo làm phơng tiện xử lý tính toán thay cho phơng pháp kinh điển Dựa nghiên cứu mạng nơ ron logíc mờ; khoá đào tạo, kết qủa, nhóm nghiên cứu đà có nhiều cố gắng số phơng pháp nhằm nâng cao kiến thức, hệ thống lại số phơng pháp nghiên cứu đa vào áp dụng hy vọng nêu đợc vài ý tởng nghiệp nghiên cứu, đào tạo ứng dụng Tổng công ty Bu Viễn thông Chắc chắn với đề tài có tính chất mới, phức tạp, trình độ thời gian có hạn, nhiều điểm hạn chế mong ®ång nghiƯp ®ãng gãp ý kiÕn ®Ĩ ngµy cµng cã kiến thức cao Đề tài đợc viết thành năm phần: nghiên cứu logic mờ mạng nơ ron với khả ứng dụng chúng; nghiên cứu phơng pháp thuật toán mạng nơ ron logic mờ; chơng trình demo nhận dạng ký tự tiếng Việt, định tuyến mạng viễn thông vài kết nghiên cứu khác Đề tài Ts Nguyễn Quang Hoan, khoa Công nghệ thông tin chủ trì Các thành viên tham gia gồm Ts Hoàng Văn Võ, Kỹ s Hà Hải Nam Học viện Công nghệ Bu Viễn Thông, Ts Lê hùng Lân, Ths Phan Thanh Hà, Đại học Giao Thông vận Chúng cám ơn cộng khác nh Ts Chu Văn Hỷ, cám ơn đồng chí LÃnh đạo Tổng công ty, Học viện Phòng Quản lý khoa học Trung tâm t liệu Học viện CNBCVT đà tạo nhiều điều kiện để đề tài hoàn thành tốt đẹp Phần mạng nơron nhân tạo khả ứng dụng 1.1 mạng nơron nhân tạo 1.1.1 Quá trình phát triển Theo Wiener: trí nÃo, thông tin điều khiển ba lĩnh vực dới cờ chung điều khiển học (Cybernetics) [5] Nghiên cứu mô trí nÃo, cụ thể mô tế bào thần kinh (nơron) ớc muốn từ lâu nhân loại Từ mơ ớc nhiều nhà khoa học đà không ngừng nghiên cứu tìm hiểu mạng nơron Với khoảng 15 tỷ nơ ron nÃo ngời, nơ ron nhận hàng vạn tín hiệu từ khớp thần kinh đợc coi chế sinh vật phức tạp NÃo ngời có khả giải nhũng vấn đề nh: nghe, nhìn, nói, hồi ức thông tin, phân biệt mẫu kiện có bị mÐo mã, thiÕu hơt N·o thùc hiƯn nh÷ng nhiƯm vụ nh nhờ phần tử tính toán (nơ ron) NÃo phân bố việc xử lý cho hàng tỷ nơ ron có liên quan, điều khiển mối liên hệ nơ ron Nơ ron không ngừng nhận truyền thông tin lẫn Cơ chế hoạt động nơ ron bao gồm: liên kết (association), tổng quát hoá (generation), tự tổ chức (Self-organization) Các nơ ron tự liên kết với thành mạng xử lý Mỗi mạng gồm hàng vạn phần tử nơ ron khác Môĩ phần tử nơ ron có khả liên kết với hàng nghìn nơ ron khác Lý thuyết mạng nơ ron đà hình thành phát triển, đặc biệt nghiên cứu ứng dụng chúng [5] Có thể chia trình phát triển nghiên cứu mạng nơ ron kỷ qua thành bốn giai đoạn: ã Giai đoạn tính từ nghiên cứu William từ năm 1890 tâm lý học với liên kết nơ ron thần kinh Cho đến năm 1940, McCulloch Pitts đà cho biết, nơ ron đợc mô hình hoá nh thiết bị ngỡng giới hạn để thực phÐp tÝnh logic Cịng thêi gian ®ã, Wiener ®· xÐt mối liên quan nguyên lý phản hồi điều khiển chức cuả nÃo; Ashly đà đề xuất mô hình chức nÃo nguyên lý ổn định cuả ã Giai đoạn hai tính từ sau chiến thứ hai Đặc biệt, vào năm cuả thập niên 60 gần nh đồng thời xuất loạt mô hình mạng nơ ron hoàn hảo đợc đa nh: Perceptron cuả Rosenblatt, phần tử nơ ron tuyến tính Adaline (ADAptive LINear Element) cuả Windrow, Ma trận học cuả Steinbuck Perceptron đợc trọng nguyên lý giản đơn, nhng hạn chế nh Minsky Papert đà chứng minh không dùng đợc cho hàm logic phức Bản chất cuả Adaline tuyến tính, tự chỉnh đợc dùng rộng rÃi cho toán tự thích nghi, tách nhiễu phát triển ngày ã Giai đoạn thứ ba tính từ đầu năm 80 đến Những đóng góp to lớn cho mạng nơ ron giai đoạn phải kể đến Grossberg, Kohonen, Rumelhart Hopfield Đóng góp cuả Hopfield hai mô hình mạng phản hồi: mạng rời rạc năm 1982 mạng liên tục năm 1984 Đặc biệt, ông dự kiến nhiều khả tính toán lớn cuả mạng mà nơ ron đơn có đợc ã Giai đoạn thứ t, từ năm 1990 đến Các Hội nghị, Tạp chí khoa học chuyên đề đặc biệt mạng nơ ron liên tục đợc tổ chøc vÝ dô nh IJCNN (International Joint Conference on Neural Networks) Hàng loạt lĩnh vực khác nh: kỹ thuật tính toán, tính toán tối u, ứng dụng mạng nơ ron tin học, viễn thông, sinh-y-học, dự báo, thống kê đà vào áp dụng đem lại nhiều kết đáng khích lệ 1.1.2 Cơ sở mạng nơron nhân tạo số khái niệm Đầu tiên, tìm hiểu nguồn gốc mạng nơ ron, phần tử nơ ron đơn giản Mô hình nơron nhân tạo có nguồn gốc từ mô hình tế bào thần kinh (hay gọi nơron) sinh vật Mục đích phần không mô tả nghiên cứu nơ ron sinh học (việc có chuyên ngành nơ ron sinh vật nghiên cứu) mà muốn rằng: từ nguyên lý nơ ron sinh học, ngời ta đà bắt chớc mô hình cho nơ ron nhân tạo [5] a) Mô hình nơron sinh vật Các nơron sinh vật có nhiều dạng khác nh dạng hình tháp đại nÃo, dạng tổ ong tiểu nÃo, dạng rễ cột sống Tuy nhiên, chúng có cấu trúc nguyên lý hoạt động chung Từ mô hình chung nhất, ngời ta mô tả chúng nh nơron chuẩn Một tế bào nơron chuẩn gồm bốn phần [6]: + Các nhánh rễ: phận nhận thông tin Các đầu nhạy đầu nơ ron khác bám vào rễ nhánh nơ ron Khi đầu vào từ có chênh lệch vỊ nång ®é K +, Na+ hay Cl- so víi nồng độ bên của nơ ron xảy tợng thấm (hoặc tợng bơm) từ vào thông qua chế màng thấm đặc biệt Hiện tợng thẩm thấu nh tạo nên chế truyền đạt thông tin với hàng nghìn hàng vạn lối vào nơ ron sinh vật, ứng với hàng nghìn hàng vạn liên kết khác Mức độ thẩm thấu đợc đặc trng chế màng tợng trng tỷ lệ Tỷ lệ đợc gọi tỷ trọng hay đơn giản gọi trọng (weight) + Thân thần kinh (soma) chứa nhân quan tổng hợp prôtêin Các ion vào đợc tổng hợp biến đổi Khi nồng độ ion đạt đến giá trị định, xẩy trình phát xung (hay kích thích) Xung đợc phát đầu nơ ron Dây dẫn đầu xung đợc gọi dây thần kinh (axon) + Dây thần kinh (axon) đầu Đó phơng tiện truyền dẫn tín hiệu Dây thần kinh đợc cấu tạo gồm đốt dài từ vài micro mét đến vài mét tùy kết cấu cụ thể Đầu truyền tín hiệu đến nơ ron khác + Khớp thần kinh (synape) phận tiếp xúc đầu nơ ron với rễ, nhánh nơ ron khác Chúng có cấu trúc màng đặc biệt để tiếp nhận tín hiệu (Hình 1.a) có chênh lệch nồng độ ion bên bên Nếu độ lệch nồng độ lớn việc truyền ion nhiều ngợc lại Mức độ thấm ion coi đại lợng thay đổi tùy thuộc vào nồng độ nh giá trị đo thay đổi đợc gọi trọng Hoạt động nơron sinh vật + Truyền xung tín hiệu: Mỗi nơron nhận tín hiệu vào từ tế bào thần kinh khác Chúng tích hợp tín hiệu vào Khi tổng tín hiệu vợt giá trị gọi giá trị ngỡng (hay đơn giản gọi ngỡng) chúng phát tín hiệu Tín hiệu nơron đợc chuyển tới nơron tới quan chấp hành khác nh cơ, tuyến (glands) Việc truyền tín hiệu thực thông qua dây thần kinh từ nơron tới nơron khác theo chế truyền tin đặc biệt khớp thần kinh Mỗi nơron nhận hàng nghìn, vạn tín hiệu gửi tín hiệu đến hàng vạn nơron khác Mỗi nơron đợc coi thiết bị điện hoá, chứa nội liên tục, đợc gọi màng (rnembrance potential) Khi màng vợt ngỡng, nơron truyền tác động xa theo dây thần kinh + Quá trình học: Khi có xung kích thích từ bên tới, khớp cho qua không kích thích hay ức chế nơron Học trình làm cho cách cập nhật lặp lại nhiều lần đến giá trị ổn định, cân điện hoá nơron (Trong mạng nơron nhân tạo, trọng số wij biểu diễn gía trị cân đồng thời tạo mối liên kết nơron) Những nơron ý nghĩa xử lý đơn lẻ mà cần thiết liên kết với tạo thành mạng Đặc tính hệ thần kinh đợc xác định cấu trúc độ bền liên kết Có thể thay đổi độ bền vững liên kết (weight) thuật học khác Theo nghiên cứu nhà nơ ron sinh vật, noron xư lý víi tèc ®é chØ b»ng 1/6 ®Õn 1/7 tốc độ cổng logic Các nơron sinh học thờng đợc liên kết hàng nghìn, hàng vạn phần tử víi theo nhiỊu c¸ch tỉ chøc kh¸c rÊt phức tạp Tuy nhiên, số cách kết hợp phần tử nơron thành mạng theo lớp (layer) đợc đúc kết nh sau: + Mạng lớp: tập hợp nơron có đầu vào đầu phần tử + Mạng hai lớp: gồm lớp đầu vào lớp đầu riêng biệt phần tử u1 u2 b1 I bm a, b2 v(t) x(t) y(t) w H(.) g(.) b, H×nh 1.1: a, Nơron sinh vật; b, Nơron nhân tạo + Mạng nhiều lớp: gồm nhiều lớp lớp đầu vào lớp đầu riêng biệt Các lớp nằm lớp vào lớp gọi lớp ẩn (Hidden layers) + Mạng truyền thẳng: mạng nhiều lớp mà trình truyền tín hiệu từ đầu lớp đến đầu vào lớp theo hớng xác định + Mạng truyền ngợc: mạng mà nhiều đầu phần tử lớp sau truyền ngợc tới đầu vào lớp trớc + Mạng tự tổ chức: mạng có khả sử dụng kinh nghiệm khứ để thích ứng với biến đổi môi trờng (không dự báo trớc) b) Mô hình nơron nhân tạo Mạng nơron sinh học có cấu trúc phức tạp Mô hình nơron nhân tạo đợc xây dựng từ ba thành phần chính: tổng liên kết đầu vào, động học tuyến tính, phi tuyến không động học (Hình 1.1b) * Bộ tổng liên kết Bộ tổng liên kết đầu vào phần tử nơron mô tả nh sau: m v( t ) = wy( t ) + ∑ b k u k ( t ) + I k =1 (1.1) đó: v(t) tổng tất đầu vào; uk(t) đầu vào ngoài, k=1, ,m; y(t) đầu nơron; bk trọng liên kết đầu vào ngoài; w trọng liên kết đầu vào trong; I ngỡng * Phần động học tuyến tính Có nhiều hàm để mô tả phần động học tuyến tính Đây phần mô tả xử lý bên nơron Dới phơng pháp dùng toán tử Laplace mô tả (Bảng 1.1) phần động học tuyến tính nh hàm truyền đạt: X(s) = H(s) V(s) (1.2) Bảng 1.1: Một số hàm H(s) thờng dùng cho nơron nhân tạo H(s) Quan hệ x(t) = v(t) vµo s dx ( t ) = v( t ) dt 1 − sT dx ( t ) T + x ( t ) = v( t ) dt Exp(-sT) x(t) = v(t-T) * PhÇn phi tuyến Các đầu nơ ron sinh vật xung, có giới hạn chặn Trong mô phỏng, để đảm bảo hệ ổn định đầu ra, ngời ta thờng gán hàm chặn lối cho tín hiệu Để đặc trng cho điều đó, lối nơ ron phải đặt hàm chặn, thờng dạng phi tuyến với hàm g(.) Nh đầu y có đặc trng hàm: y = g(x(t)) (1.3) Cã nhiỊu hµm phi tun cã thĨ sư dụng phần phi tuyến Một số hàm phi tuyến thờng dùng đợc cho Bảng 1.2, [6] Một số dạng khác đợc sử dụng (Các nơron chuyển động vùng thị giác nơ ron sinh học có đặc tính hàm Sigmoid, nơron khu vực quan sát có dạng hàm Gauss, nên việc mô hình hoá đầu dạng kể phù hợp tơng ứng với nơ ron sinh học) Bảng 1.2: Một số hàm phi tuyến thờng dùng mô hình nơron Tên hàmCông thức Đặc tính Bớc nhảy mạng nơron nhân tạo đơn vị Hard limiter (sgn) Hàm tuyến tính g(x) = x Truyền thẳng Hàm tuyến tínhhồi hoà Phản bÃo Tự tổ chức Nhiều lớp Back Proparation Hàm tuyến tính bÃo hoà đối xứngHàm Sigmoid đơn cực (Unipolar Sigmoid) Hàm Sigmoid lỡng cực Một Brain (Bipolar Máy Hopánh xạ lớp State-in Sigmoid) Boltzfield đặc trng Box mann Perce ptron Adaline Cohen Grossberg ART Mc Culloch Pitts Hình 1.2: Một cách Phân loại mạng nơron nhân tạo *Một kiểu phân loại điển hình đợc biểu diễn Hình 1.2 Một số dạng hàm mũ, logarit đợc sử dụng khâu đầu phi tuyến sở sinh vật hàm cha đợc đặt Đầu y(t) trờng hợp tổng quát liên tục rời rạc Cũng nh nơron sinh vật, nơron nhân tạo liên kết với để tạo thành mạng Có nhiều c¸ch u1 b11 I1 x1 g(.) I2 u2 In um bnm y1 x2 g(.) y2 xn g(.) yn Hình 1.3: Mạng nơron truyền thẳng lớp kết hợp nơron nhân tạo thành mạng, cách kết hợp tạo thành loại lớp mạng khác 1.1.3 Các cấu trúc mạng điển hình Mạng nơron truyền thẳng lớp Là mạng mà nơron tạo thành lớp, tín hiệu vào đợc đa vào cho tất nơron lớp nơron có nhiều đầu vào đầu nơ ron (Hình 1.3) Xét trờng hợp nơron động học (tức H(s) =1) xi(t) = vi(t) Phơng trình mạng đợc mô tả nh sau: m x i ( t ) = ∑ b ik u k ( t ) + I i k =1 yi = g(xi(t)), (1.4) đó: xi(t) trạng thái nơ ron, i =1, , n; u i(t) đầu vào ngoài; bik trọng liên kết, k = 1, , m; yi(t) đầu ra; n số nơron; m số tín hiệu đa vào Có thể mô tả phơng trình (1.4) dới dạng phơng trình ma trận véc t¬: x(t) = Bu(t) + I y(t) = g(x(t)) (1.5) đó: x = [x1, x2, , xn]T véc tơ trạng thái; i = 1, ,n; y = [y1, y2, , yn]T véc tơ đầu ra; B=[bik] ma trËn träng n×m chiỊu; I = [I1, I2, , In]T véc tơ Nếu nơron có đặc tính động học bậc H(s)=1/(Ts+1) tập hợp nơron đợc viết dới dạng phơng trình trạng thái: T dx + x(t ) = Bu (t ) + I dt y(t) = g(x(t)) (1.6) (1.7) HÖ phơng trình (1.6) cho dạng rời rạc: Tx(t + 1) + (1-T)x(t) = Bu(t) + I y(t) = g(x(t)) Đặc tính mạng phụ thuộc vào ma trận liên kết B dạng động học H(s) u1 y1 Q y1 Mạng truyền thẳng nhiều u lớp Liên kết lớp cho khả ánh xạ phi tuyÕn u m y1 yQ y1 m Líp vµo Líp Èn Líp Hình 1.4: Mạng truyền thẳng nhiều lớp yQ m đầu vào đầu Mạng hai lớp có khả ánh xạ hàm vùng lồi Mạng hai lớp nói chung dễ phân tích Mạng ba lớp nhiều lớp có khả mô tả đợc hàm phi tuyến Theo Cybenco [6,13] hàm phi tuyến xấp xỉ tuỳ ý tập compact mạng nơron truyền thẳng gồm hai lớp ẩn với độ phi tuyến cố định Nh vậy, xây dựng mạng nơ ron xử lý, mạng hai lớp ẩn đủ khả xấp xỉ hàm tùy chọn mà không dùng nhiều lớp phức tạp cho tính toán Xét mạng tĩnh (H(s)=1) truyền thẳng nhiều lớp có phơng trình mô tả nh sau: x iq ( t ) nq =∑ j=1 q w ij y q −1 ( t ) j m + ∑ b ik u k ( t ) + I iq k =1 y iq = g q ( x iq ( t )) (1.8) đó: x iq ( t ) đầu vào lớp q; i=1, ,n; q=1, ,Q; uk(t) đầu vào q ngoài; bik trọng ngoài, k=1, ,m; y iq đầu lớp q; w ij träng líp q, tõ n¬ron thø j tíi n¬ron thø i, i,j = 1, ,n; I iq lµ ngìng cđa nơron thứ i, lớp q; nq số phần tử nơron lớp q; m số tín hiệu đa vào Có thể mô tả phơng trình (1.8) dới dạng phơng trình ma trận-véc tơ: x(t) = Wy(t) + Bu(t) + I y(t) = g(x(t)) (1.9) Trong ®ã W, B, I ma trận; x, u, g véc tơ hàm Từ mạng truyền thẳng tổng quát số tác giả đà chọn dạng cụ thể, nghiên cứu áp dụng cho chúng thuật học phù hợp, hình thành mạng cụ thể nh: mạng Adaline, mạng Percetron, mạng truyền ngợc Dới số mạng điển hình ã Mạng percetron lớp đơn Cấu trúc: Với véc tơ mong muốn d(k)=[d1(k), d2(k), ,dn(k)] véc tơ vào X(k )=[X1(k), X2(k), , Xm(k)], k=1,2, ,p, m số đầu vào, n số đầu ra, p số cặp mẫu vào-ra dùng huấn luyện mạng Đầu thực tế theo cấu tróc chung: (1.10) yi(k)= f(WiT xi(k)) = f(ΣWij xj(k)) = di (k) ; i=1, ,n; k=1, ,p §èi víi cÊu tróc perceptron (1.10) cã thĨ viÕt thµnh: yi(k)= Sign(WiT xi(k)) = di (k) [ ] W = w iT T w w 11w 12 w 1m T T w w w 22 w m = = T T w n w n w n w nm 10 (1.11) Hình 5.3 : Giải mờ tín hiệu vào 157,875v Giải mờ theo phơng pháp điểm trọng tín hiệu vào 202,125v tâm Hình 5.4: Giải mờ Hình 5.5: Giải mờ tín hiệu vào 564v Mô hệ thống Simulink 73 Hình 5.6: Sơ đồ mô Simulink 5.2 ứng dụng mạng nơ ron ATM a, Đồ 5.2.1 Vấn đề điều Hình 5.7 : b, nhận cuộcsin thang đo áp cần đo khiển tiếp Các thị hìnhcủa điện gọi cho mạng ATM chế ®é Mơc ®Ých cđa ®iỊu khiĨn tiÕp nhËn cc gäi để giữ chất lợng dịch vụ thoả mÃn yêu cầu dịch vụ cách từ chối số yêu cầu thiết lập gọi kết nối nhiều gọi tốt mà thoả mÃn yêu cầu chất lợng dịch vụ Mô hình nút ATM bao gồm ghép kênh điều khiển tiếp nhận gọi Các đầu cuối ngời sử dụng gửi yêu cầu thiết lập gọi đến bé ®iỊu khiĨn tiÕp nhËn cc gäi tríc gưi tế bào liệu Yêu cầu thiết lập gọi khai báo đặc tính lu lợng gọi (nh loại dịch vụ thông tin ngời sử dụng, tốc độ bít trung bình, tốc độ bít tối đa, biến điệu tốc độ bit) chất lợng dịch vụ đòi hỏi (nh tỉ lệ tổn thất tế bào tối đa, trễ truyền dẫn tế bào tối đa) Bộ điều khiển tiếp nhận gọi chấp nhận yêu cầu thiết lập gọi mạng đảm bảo đợc chất lợng dịch vụ yêu cầu Để điều khiển đợc tối u, điều khiển phải sử dụng hiệu thông tin có yêu cầu thiết lập gọi liệu quan sát đợc từ ghép kênh 5.2.2 ứng dụng mạng nơ ron nhân tạo điều khiển tiếp nhận gọi nút thông tin ATM Phơng thức điều khiển theo thuật học cho điều khiển tiếp nhận gọi sử dụng mạng nơron nhân tạo để thiết lập hàm định cho việc tiếp nhận gọi Việc thiết lập hàm định dựa trình học tập cách xử lý ghép kênh hoạt động Dạng hàm đợc biến đổi phù hợp đặc tính gọi thay đổi Việc điều khiển xác đợc cải thiện trình tích luỹ kinh nghiệm mạng nơ ron nhân tạo Bộ điều khiển tiếp nhận gọi sử dụng mạng nơron nhân tạo lớp kết nối toàn phần sử dụng thuật truyền ngợc để đào tạo mạng Việc lựa 74 chọn đầu vào đầu mạng nơron quan trọng trình thiết kế mạng Các tín hiệu đầu vào mạng nơ ron trạng thái ghép kênh đợc quan sát (nh tốc ®é ®Õn cđa tÕ bµo, tØ lƯ tỉn thÊt tÕ bµo, tØ sè thiÕt lËp cc gäi, hiƯu st sư dụng trung kế, số gọi đợc kết nối) tham số khai báo có yêu cầu thiết lập gọi nh tốc độ bit trung bình thăng giáng tốc độ bit gọi thời gian trễ Các trạng thái quan sát đợc khứ đợc đa vào mạng song song mà trình tự liệu đợc dự đoán mang thông tin quan trọng Các tín hiệu đầu tham số chất lợng dịch vụ dự đoán giá trị định cho việc chấp nhận hay từ chối yêu cầu thiết lập gọi (các giá trị giá trị dự đoán tốc độ đến tế bào, tỉ lƯ tỉn thÊt tÕ bµo vµ tØ lƯ tõ chèi gọi) + ứng dụng trờng hợp tốc độ bit đơn Trong trờng hợp tốc độ bít đơn, mô hình nút ATM bao gồm ghép kênh đơn (ghép luồng tín hiệu có tốc độ giống nhau) điều khiển tiếp nhận gọi Trong mô hình tất gọi đợc xem có đặc tính lu lợng giống biến điệu gọi đợc trình bày đợc xem có thăng giáng tốc độ bit gọi đợc ghép kênh Do tốc độ bít trung bình thăng giáng tốc độ bít gọi đựơc ghép kênh đặc tính quan trọng dựa vào đặc tính điều khiển tiếp nhận gọi dự đoán dung lợng trung kế không đợc sử dụng Để đơn giản, có tỉ lệ tổn thất tế bào đợc xem nh tham số chất lợng dịch vụ trình tính toán thiết kế mạng nơron Bộ điều khiển tiếp nhận gäi ®iỊu chØnh tØ lƯ tõ chèi cc gäi dùa vào giá trị quan sát đợc ghép kênh để trì chất lợng dịch vụ Tỉ lệ tõ chèi cc gäi lµ tØ sè cđa sè gọi đợc chấp nhận số yêu cầu thiết lập gọi tới nút đơn vị thời gian Tín hiệu đầu vào tới mạng nơron bao gồm trạng thái khứ thông tin hiệu nh tốc độ bit trung bình biến điệu tốc độ bít gọi đợc ghép kênh thông tin cần thiết để xây dựng chức điều khiển gọi Tín hiệu đầu vào đợc gọi mẫu đến tế bào Các thông số yêu cầu thiết lập gọi không đợc xem xét trờng hợp tốc độ bit đơn tham số đợc coi biết trớc nút ATM Đầu mạng nơron xem xét tỉ lệ tổn thất tế bào tơng ứng với mẫu đến tế bào đầu vào có lớn tỉ lệ tổn thất tế bào cho phép không Chính xác mạng nơron phân lớp mẫu đến tế bµo thµnh nhãm: nhãm cã tØ lƯ tỉn thÊt tÕ bµo cao vµ nhãm cã tØ lƯ tỉn thÊt tế bào thấp Sau phải phát tốc độ bit trung bình, xu hớng tăng, giảm tốc độ bit thăng giáng tốc độ bit từ mẫu đến tế bào + ứng dụng cho trờng hợp nhiều tốc độ bít Trong trờng hợp đặc tính lu lợng gọi khác Bộ điều khiển tiếp nhận gọi phải sử dụng hiệu tham số đợc khai báo 75 yêu cầu thiết lập gọi để điều khiển gọi theo đặc tính lu lợng Tuy nhiên, đặc tính đợc khai báo khác với đặc tính thực gọi nhiệm vụ phức tạp phải sử dụng tham số không xác nhiều gọi đồng thời Trong phơng thức đề nghị, tham số đặc tính lu lợng đợc khai báo đợc sử dụng để chia gọi thành lớp tốc độ bít Mỗi lớp tốc độ bít có tốc độ bít trung bình khác thay đổi đặc tính khác Bộ ®iỊu khiĨn tiÕp nhËn cc gäi ®iỊu khiĨn riªng biƯt chất lợng dịch vụ cho gọi đợc kết nối lớp tốc độ bít Mạng nơron điều khiển học mối quan hệ số gọi đợc kết nối lớp tốc độ bít chất lợng dịch vụ cách sử dụng đặc tính thống kê lớp tốc độ bít Phơng thức điều khiển theo thuật học chịu đợc lỗi đặc tính khai báo Không cần phải định nghĩa xác lớp tốc độ bít Các lớp tốc độ bít đợc định nghĩa cách sử dụng loại dịch vụ thông tin (ví dụ nh lớp thoại, lớp hội nghị truyền hình, lớp Video) Hơn nữa, phơng pháp thích ứng với thay đổi số lớp tốc độ bít thay đổi đợc giải cách thêm số đơn vị đầu vào tới mạng nơron 5.2.3 Kết luận Mạng ATM phải đảm bảo chất lợng dịch vụ yêu cầu cho gọi với đặc tính lu lợng khác Sự thích ứng tới thay đổi đặc tính lu lợng quan trọng điều khiển tiếp nhận gọi Phơng thức điều khiển đợc tìm hiểu áp dụng mạng nơron nhân tạo thích hợp cho tình nh thế, mạng nơron điều khiển thích ứng cách học mối quan hệ đặc tính lu lợng dịch vụ đề nghị chất lợng dịch vụ từ kết hoạt động mạng thực tế Việc áp dụng mạng nơron tạo nên điều khiển mạng mềm dẻo đơn giản 5.3 ứng dụng mạng nơron toán đo lờng 5.3.1 Giới thiệu Mạng nơ ron nhân tạo thực toán phân loại Với mạng chuẩn có đầu vào tuyến tính phân loại đợc lớp không gian với tập vào phân biệt giới hạn tuyến tính Cụ thể nh: mạng nơ ron với hai đầu vào x1, x2 hàm phân biệt y( x ) = w1 x1 + w x + I = xác định đờng thẳng mặt phẳng (x1, x2), mạng nơ ron với ba đầu vào x1, x2 , x3 hàm phân biệt y( x ) = w1 x1 + w2 x + w3 x + I = xác định mặt phẳng không gian (x1, x2, x3), mạng nơ ron với số đầu vào lớn bốn hàm phân biệt siêu phẳng Nh vậy, 76 mạng nơ ron với đầu vào tuyến tính phân sản phẩm thành hai lớp với giới hạn lớp tuyến tính Lớp ẩn với t Trong thực tế có ơng tác elíp Lớp vào toán mà giới hạn x lớp phi tuyến hạn Lớp ẩn với tơng x1 h1 tác tuyến tính nh toán XOR, có x giới hạn phi tuyến Để phân lớp toán sử dụng Ngỡng với x1 h1 nhiều phần tử nơ ron phân trọng âm lớp theo giới hạn tuyến tính a, b, (nh tuyến tính hoá đoạn) giải pháp Hình 5.8: Mạng nơ ron phân lớp theo giới hạn elíp sử dụng mạng với đầu vào bậc cao Một số tác giả (Kavuri Venkatasubramanian) đà sử dụng mạng bậc cao với cách chọn trọng thích hợp để tạo vùng bao elip nh Hình 5.8, để bao đợc điểm theo yêu cầu Tuy nhiên chọn trọng để biên giới phân loại hình elíp việc phân loại với biên giới phi tuyến lại không đợc thực hiện, phải thực với nhiều elíp Nếu thực đầu vào bậc cao (bậc hai bậc bốn) thực phân loại đợc với giới hạn lớp phi tuyến tuỳ ý 5.3.2 Các phơng trình bậc cao không gian hai ba chiều * Hàm bậc hai tổng quát hai chiều là: 2 Q1 ( x ) = a x + a x + a x + a x + a x x + a (5.1) Hµm bËc hai tỉng quát (5.1) cho phép nhiều kiểu đờng giới hạn phụ thuộc vào hệ số Đờng giới hạn hình ê-líp, hyperbol, parabol đờng cong Đặt u = x , u = x , u = x , u = x , u = x x , biÓu thøc (5.1) cã thÓ viÕt: Q1 ( x ) = a u + a u + a u + a u + a u + a Q1 ( x ) = ∑ a i u i + a i =1 (5.2) * Hµm bËc hai tổng quát ba chiều là: 2 Q ( x ) = a1x1 + a x + a x + a x1 + a x + a x + a x1x 2 + a x1x + a x x + a 2 (5.3) Đặt u = x , u = x , u = x , u = x , u = x , u = x , u = x x , u = x x , u = x x , biÓu thøc (5.3) cã thÓ viÕt: 77 Q ( x ) = a 1u + a u + a u + a u + a u + a u + a u + a 8u + a 9u + a Q (x ) = ∑ a i u i + a (5.4) i =1 * Ph¬ng trình bậc ba hai chiều Với cách viết nh ta có phơng trình hàm bậc ba không gian hai chiỊu lµ: Q ( x ) = a 1x + a x + a x + a x + a x + a x + a x1 x 2 + a x1x 2 + a x1x + a (5.5) Đặt biến u = x , u = x , u = x , u = x , u = x , u = x , u = x x , 2 u = x x , u = x x , biÓu thøc (5.5) cã thÓ viÕt: Q ( x ) = a 1u + a u + a u + a u + a u + a u + a u + a u + a u + a Q (x) = ∑ a i u i + a i =1 (5.6) Từ ba phơng trình bậc hai bậc ba đặt biến trung gian u i ta đa đợc dạng: n Q( x ) = ∑ a i u i + a i =1 (5.7) So sánh phơng trình mạng truyền thẳng với phơng trình bậc cao tổng quát u ta thấy sử dụng mạng nơ ì I1 ron truyền ngợc để cập nhật x1 u1 chỉnh hệ số phơng trình I1 y1 bậc cao y u 5.3.3 Cấu trúc mạng nơ ron ì I2 x2 Mạng nơ ron đợc chọn để u2 y2 phân loại mạng truyền ngợc với u hàm kích hoạt sigmoid thuật ì học lan truyền ngợc Mạng nơ ron hai lớp, lớp vào có hai nơ ron, lớp Hình 5.9: Cấu trúc mạng nơ ron cho đầu vào có nơ ron Hình 5.9 đợc chọn để thực phân loại với hai đầu vào bậc hai Mạng nơ ron thực chất có đầu vào u ữ u ngỡng I Việc học mạng xác định trọng ngỡng lớp thứ tơng ứng với hệ số a i phơng trình (5.1), đồng thời xác định trọng ngỡng lớp thứ hai ®Ĩ ®¶m b¶o sai sè cho phÐp 78 5.3.4 KÕt mô *Phân lớp không gian hai chiều + Mẫu Mạng nơ ron Hình 5.9 học phân lớp với giới hạn phi tuyến cho Hình 5.10a Loại I có 31 điểm tiếp giáp với loại II với biên giới Mạng đợc chọn với ngỡng trọng ban đầu ngẫu nhiên, sau 7.000 lần học kết phân loại nh Hình 5.10b, sau 14.000 lần học, thời gian học t = 4.582 s , kết phân loại nh Hình 5.10c, sai số giảm E = 3,0959e - 011 , loại I điểm bị nhận dạng sai, kết nhận dạng phân loại đạt chất lợng tốt Vẫn mẫu nh nhng với đầu vào tuyÕn tÝnh, sau 14.000 lÇn häc, thêi gian häc t = 4.200 s , thêi gian häc cã gi¶m (358s) nhng kết nhận dạng phân loại sai nhiều nh Hình 5.10d, sai b, b, số đạt đợc E = 0,0066 a, Từ Hình 5.10d ta thấy đờng phân cách lớp nh dạng hai đờng thẳng tơng ứng với hai nơ ron lớp Vẫn mẫu nh nhng cho mạng bậc ba học nhận dạng cần d, 1000 lần học với thời gian c, Hình 5.10: Học với đầu vào, mẫu học t = 360 s , mạng đà nhận dạng đợc nh Hình 5.01b, đạt sai số E = 0,0029 Sau 10.000 lần häc, thêi gian häc, t = 3.600 s , m¹ng nhận dạng đợc nh Hình 5.10c, đạt sai số E = 3,8255e - 004 Kết so sánh đợc thể Bảng 5.1 Bảng 5.1 Lớp Số lần Thời Kết vào học gian học (s) Bậc 14.000 4.200 Nhận dạng sai nhiều, Hình 5.10d, E = 0,0066 79 BËc 14.000 4.582 BËc 10.000 3.600 Nhận dạng gần E = 3,0959e - 011 Nhận dạng gần E = 3,8255e - 004 hết, Hình 5.10c, hết, Hình 5.10c, + Bài toán XOR Bài toán XOR toán phân loại với giá trị (0;1) (1;0) thuộc loại I, giá trị (0;0) (1;1) thuộc loại II Đây toán tách tuyến tính Vậy sử dụng mạng chuẩn với đầu vào tuyến tính phải có lớp ẩn với nhiều nơ ron Sở dĩ nh đầu vào tuyến tính cho siêu diện mà siêu diện phân lớp cho toán XOR đợc Với đầu vào bậc hai mạng không cần lớp ẩn, số nơ ron cần đầu vào bậc hai đa ranh giới phân lớp đờng cong dạng ê-líp, hyperbol, parabol Với toán XOR ta tiến hành tách lần lợt phần rời rạc lớp, chẳng hạn trớc tiên ta tách phần lớp thuộc giá trị (0;1) sau tách phần lớp thuộc giá a, b, trị (1;0) Hoặc Hình 5.11: Bài toán XOR với phân lớp (0;1) tiến hành tách lớp đồng thời tất phần lớp Với mạng nơ ron có kết cấu nh Hình5.9 thực phân loại cho toán XOR Xét toán XOR với lớp nh Hình 5.13a, điểm phạm vi (0;1) (1;0) b, thuộc lớp I, điểm a, lại thuộc lớp II Hình 5.12: Bài toán XOR với phân lớp (1;0) Lần thứ nhất, tách phần lớp (0;1) Hình 5.11a, mạng học với 7.000 lần , đạt sai sè E = 1,6087e - 017 , kÕt qu¶ phân loại nh Hình 5.11b Từ Hình 5.11 ta thấy tất điểm đợc chọn thuộc phân lớp đợc nhận dạng Lần thứ hai tách phân lớp (1;0) Hình 5.12a, mạng a, b, học với 7.000 lần , đạt sai Hình 5.13: Bài toán XOR phân loại đồng thời 80 số E = 7,3755e - 005 , kết phân loại nh Hình 5.12b Từ Hình 5.12 ta thấy có điểm phân lớp I không đợc nhận dạng nhng dạng đờng bao kết đợc đảm bảo Vẫn toán XOR trên, sử dụng mạng với đầu vào bậc hai Hình 5.9 tiến hành cho mạng học sau tiến hành nhận dạng ta đợc kết nh sau: Mạng học víi 7.000 lÇn, thêi gian häc t = 15.750 s , với trọng ngỡng ban đầu chọn ngẫu nhiên đạt đợc sai số E = 0,0050 , kết nhận dạng nh Hình 5.13b Khi toán phân lớp XOR tiến hành học mẫu nhận dạng đồng thời thực mạng nơ ron với đầu vào tuyến tính sau 7.000 lần học, thời gian học t = 15.403 s , kết không nhận dạng đợc điểm loại I Với toán phân lớp XOR tiến hành học mẫu nhận dạng đồng thời thực mạng nơ ron với đầu vào bậc ba sau 2.000 lần học, thời gian học t = 5.678 s , đà nhận dạng đợc hết điểm loại I, sai số đạt đợc E = 3,9914e - 006 Nh mạng bậc ba có khả phân loại tốt Kết so sánh đợc thể Bảng 5.2 Bảng 5.2 Lớp Số lần Thời gian Kết vào học học (s) Bậc 7.000 15.403 Không nhận dạng đợc Bậc 7.000 15.750 Nhận dạng gần hết, Hình 3.14b, E = 0,0050 BËc 2.000 5.678 NhËn d¹ng hÕt, Hình 3.14a, E = 3,9914e - 006 * Phân lớp không gian ba chiều với giới hạn Mạng với ba đầu vào bậc ba tiến hành học phân lớp với giới hạn phi tuyến cho Hình 5.14a, loại I có 69 điểm tiếp giáp với loại II với biên giới Mạng đợc chọn với ngỡng trọng ban đầu ngẫu nhiên, sau 7.000 lần học a, b , c, Hình 5.14: Học với đầu vào bậc hai, bậc ba, mẫu 81 kết phân loại nh Hình 5.14b, thêi gian häc cđa m¹ng t = 3.500 s , sai số đạt đợc E = 1,5949e - 005 Từ Hình 5.14 ta nhận thấy tất điểm đà đợc nhận dạng xác Trong mẫu với đầu vào tuyến tính, sau 7.000 lần học thời gian học có giảm t = 3.150 s , sai số đạt đợc E = 0,0027 nhng kết nhận dạng sai nhiều nh Hình 5.14c Vẫn mẫu học Hình 5.14a cho mạng bậc ba học cần 1.000 lần học kết phân loại đà đợc nh Hình 5.14b, thời gian häc cđa m¹ng t = 514 s , sai sè đạt đợc E = 4,6639e - 006 Kết so sánh đợc thể Bảng 5.3 Bảng 5.3 Lớp Số lần Thời gian Kết vào học häc (s) BËc 7.000 3.150 Sai nhiỊu, H×nh 5.14c, E = 0,0027 BËc 7.000 3.500 NhËn d¹ng hÕt, H×nh 5.14c, E = 1,5949e - 005 BËc 1.000 514 Nhận dạng hết, Hình 5.14c, E = 4,6639e - 006 5.3.5 Kết luận Mạng nơ ron nhân tạo có khả phân lớp tốt, nhng với đầu vào tuyến tính mạng thực phân lớp đợc vùng có ranh giới tuyến tính tuyến tính hoá đoạn Mạng với đầu vào bậc hai chọn trọng ngỡng phù hợp tạo đợc đờng bao hình elíp, nh thực phân loại đợc vùng với ranh giới phi tuyến Khi chuyển đổi từ đầu vào tuyến tính thành đầu vào bậc hai bậc ba cho mạng học phân lớp phân lớp đợc lớp cã ranh giíi phi tun bÊt kú kh«ng gian, việc chọn trọng ngỡng ban đầu tuỳ ý không bị ràng buộc, nhiên thời gian huấn luyện cho mạng với đầu vào bậc hai có dài hơn, với đầu vào bậc ba thời gian giảm Từ phân tích với đầu vào bậc hai bậc ba mở rộng cho đầu vào cao hơn, nh khả phân lớp mạng nơ ron đợc mở rộng đa dạng 5.4 xây dựng hệ ®iỊu khiĨn c«ng st hƯ thèng th«ng tin di động ds-cdma logic mờ 5.4.1 Đặt vấn đề Nh đà đợc đề cập chơng I, điều khiển công suất thông tin di động DS/CDMA có tác dụng lớn việc làm tăng dung lợng hệ thống Trong thuật toán điều khiển công suất hồi tiếp truyền thống, trạm gốc (BS) gửi lệnh điều khiển công suất để làm tăng giảm mức công suất tín hiệu đợc phát từ thuê bao di động (MS) nấc công suất cố định nhằm trì công suất tín hiệu thu đợc từ tất MS Trong thực tế, phơng thức điều khiển tích phân Nhợc điểm phơng thức tính ổn định hệ thống thấp, tợng điều chỉnh lớn thời gian độ dài Mâu thuẫn lớn xuất phơng pháp là: Nếu muốn giảm thời gian độ phải tăng mức công suất điều chỉnh 82 tăng sai số tĩnh Ngợc lại, mức công suất thu đợc BS gần với điểm đặt mức công suất điều chỉnh phải nhỏ để giảm sai số tĩnh nh mức điều chỉnh Thậm chí, mức công suất thu đợc với điểm đặt mức hiệu chỉnh công suất phải Hệ thống điều khiển sử dụng logic mờ có khả đáp ứng đợc yêu cầu phơng pháp này, hệ thống điều khiển mang trí tuệ ngời hơn, thời gian đáp ứng nhanh hơn, hệ thống ổn định Đặc biệt, đảm bảo mức công suất thu trạm gốc từ máy di động tơng đối Phần đề xuất phơng thức điều khiển tỷ lệ tích phân (PI : Proportional-plus Intergral) mờ để đáp ứng đợc yêu cầu Trong phơng thức điều khiển PI mờ, biến đầu vào sai số công suất thu đợc biến thiên sai số đợc sử dụng để định mức công suất phát MS nhằm trì mức công suất thu đợc BS từ tất MS gần Quá trình điều khiển nh độ ổn định hệ thống sử dụng phơng pháp PI mờ tốt phơng pháp truyền thống trớc Điều khiển PI mờ có nguồn gốc từ phân tích hai yếu tố: giải pháp trạng thái tĩnh vòng kín đáp ứng ®é cđa hƯ thèng víi th«ng tin vỊ sù biÕn đổi kênh fading di động CDMA Trong điều khiển mờ, ngôn ngữ mô tả hoạt động việc điều khiển trình đợc trình bày dới dạng luật mờ Cơ sở luật mờ sử dụng kỹ thuật suy diễn kết hợp với thông tin trạng thái trình để có định cho hoạt động điều khiển Các trình điều khiển có thời gian độ ngắn, mức độ điều chỉnh cực tiểu sai số bám hiệu dụng nhỏ Một u điểm điều khiển PI mờ so với lý thuyết điều khiển trớc tăng khả chống nhiễu nh khả xử lý trễ thời gian mà không làm giảm lực hệ thống phơng thức xử lý riêng MS với BS Bộ điều khiển mờ đợc xây dựng có hai đầu vào gồm: sai số cờng độ thu (e) công suất định mức công suất thu đợc BS, độ biến thiên công suất thu (e) thời điểm với thời điểm trớc đầu công suất MS cần điều chỉnh (p) Sau đây, đề cập đên mô hình điều khiển mờ nh bớc xây dựng luật hợp thành mờ (luật điều khiển) cho điều khiển 5.4.2 Cấu trúc Hệ thống điều khiển công suất logic mê cho hƯ thèng th«ng tin DS-CDMA CÊu tróc cđa hệ thống điều khiển công suất kết hợp với điều khiển mờ đợc mô tả hình vẽ dới Giả thiết rằng: máy di động phát mức tín hiệu có công suất Pkt (dB) Sau chu kỳ lấy mẫu TP, mức công suất phát máy di động đợc cập nhật lợng công suất p Mức công suất thay đổi p tuỳ thuộc vào luật điều khiển mờ có dạng nh sau: NÕu e lµ Ai vµ ∆ e lµ Bi p Ci Trong đó: ã Ai, Bi Ci giá trị ngôn ngữ ã e sai số công suất thu đợc trạm gốc e = møc c«ng suÊt thiÕt lËp (0dB) – møc công suất thu đợc BS ã e độ biến thiên sai số công suất thu đợc e = mức công suất thu đợc trớc mức công suất thu đợc 83 Công suất phát máy di động thời điểm k biểu diễn dới dạng toán học nh sau: Ptk = Ptk-1 + PFLC (ek-1-l, ek-1-l) Trong đó: ã PFLC (e, e): quan hệ vào điều khiển mờ ã Tp: thời gian trễ vòng Tp = thời gian xử lý + thời gian truyền từ phát đến thu ngợc lại Tại thời điểm thuộc chu kỳ, công suất tín hiệu thu đợc trạm gốc là: Prtk = Ptk + gk + ntk Trong đó: ã Prk : công suất tín hiệu thu ã gk: độ lợi kênh truyền phụ thuộc vào suy hao đờng truyền, độ lợi ăng ten, fading nhiễu đờng nhiễu xạ ã ntk: tổng giá trị nhiễu từ thuê bao khác tế bào tế bào lân cận Do công suất nhiễu (dB) không đợc cộng vào nên ta có: Ntk = 10log(Ptk*Gk +Ik) – 10log(Ptk*Gk) I = 10 log1 + kt Pk = I 10 ln1 + t k ln 10 Pk G k 10 I k t t P G (dB) v× Ik