Lý thuyết nhận dạng

36 1.3K 36
Lý thuyết nhận dạng

Đang tải... (xem toàn văn)

Tài liệu hạn chế xem trước, để xem đầy đủ mời bạn chọn Tải xuống

Thông tin tài liệu

Chương I Nhận dạng là phương pháp thực nghiệm nhằm xác định một mô hình cụ thể trong lớp các mô hình thích hợp trên cơ sở quan sát các tín hiệu vào ra. Mô hình tìm được phải có sai số với đối tượng là nhỏ nhất. Tổng quan về các phương pháp nhận dạng quá trình 1.1 các phương pháp nhận dạng 1.1.1 Định nghĩa 1.1.2 Các phương pháp nhận dạng 1.1.2.1 Nhận dạng thông số hệ thống (off line) Hiện nay có hai hướng cơ bản mô tả toán học các đối tượng động lực: - Mô hình hàm truyền - Mô hình không gian trạng thái Loại mô hình hàm truyền phù hợp với giai đoạn đầu phát triển thuyết điều khiển và hướng đến các hệ tuyến tính dừng. Loại mô hình không gian trạng thái tổng quát hơn và có thể hướng đến lớp đối tượng rộng hơn như hệ phi tuyến, dừng và không dừng. x(t) = f(.) Z = h(.) X(t) V(t) Z(t) P(t) ω(t) u(t) H×nh 1.2: S¬ ®å tæng qu¸t nhËn d¹ng th«ng sè qu¸ tr×nh 1.1.3.2 NhËn d¹ng thèng sè hÖ thèng (ON-LINE) Các phương pháp nhận dạng OFF-LINE có nhược điểm chung sau đây: - Mất thông tin do phép rời rạc hoá, - Khó thể hiện bằng phần cứng trên thực tế, - Khi số thông số lớn (>3), khó xác định chính xác vectơ thông số. - Không sử dụng được khi hệ không dừng. Trong chế độ on-line, mô hình phải thật đơn giản. Số các thông số chọn đủ nhỏ và cấu trúc mô hình tuyến tính theo thông số. Thuật toán nhận dạng on-line được xây dựng sao cho trên mỗi bước tính không cần xử lại toàn bộ chuỗi quan sát, có nghĩa là sử dụng quá trình lặp. Sau đây là một số phương pháp nhận dạng theo hệ thống on-line. 1.2 đánh giá - kết luận * Hạn chế của các phương pháp truyền thống: - Thời gian xử chậm. - Không có cấu trúc xử song song. - Không có khả năng học và ghi nhớ. Trên đây ta đã tóm tắt một số phương pháp nhận dạng phi tuyến đơn giản. Kết quả đạt được của các phương pháp trên đã đư ợc sử dụng trên thực tế nhưng hạn chế ở các đối tượng có tính phi tuyến thấp. Khi đối tượng có tính phi tuyến cao, độ bất định lớn và số chiều lớn thì cần phải có cách tiếp cận khác. Các phần tiếp theo sẽ giới thiệu về mạng nơron nhân tạo và một hướng giải quyết bài toán nhận dạng mô hình hướng đến điều khiển thông minh trên cơ sở sử dụng khả năng học của mạng nơron nhân tạo. 1.3 phương pháp mới ứng dụng trong nhận dạng thông số của quá trình - Kết hợp giữa nơron và hàm tương quan để nhận dạng thay cho các phương pháp kinh điển. Trong đó: - Thuật toán tương quan để phát hiện sai lệch giữa quá trình thực và mô hình giả thiết. - Mạng nơron dùng để điều chỉnh các thông số của mô hình. Chương I cơ sở thuyết của phương pháp nơron-tương quan để nhận dạng quá trình 2.1lý thuyết về mạng nơron 2.1.1 Giới thiệu chung về mạng nơron 2.1.3 Cơ sở mạng nơron nhân tạo và một số khái niệm 2.1.3.1 Mô hình nơron sinh vật Đầu vào synape Thân (soma) Nhánh Dây thần kinh (axon) Đầu ra Hình 2.1: Nơron sinh vật Các nhánh và rễ là bộ phận nhận thông tin Thân thần kinh (soma) chứa các nhân và cơ quan tổng hợp Prôtêin. Dây dẫn đầu ra xung gọi là dây thần kinh (axon) Dây thần kinh (axon) là đầu ra. Đây là phương tiện truyền dẫn tín hiệu. Đầu ra này có thể truyền tín hiệu đến các nơron khác. Khớp thần kinh (synape): là bộ phận tiếp xúc của các đầu ra nơron với rễ, nhánh của các nơron khác. Mức độ thấm của các ion có thể coi là đại lượng thay đổi tuỳ thuộc vào nồng độ như một giá trị đo thay đổi và gọi là trọng (weight). * Mạng một lớp : là tập hợp các nơron có đầu vào và đầu ra trên mỗi một phần tử. * Mạng hai lớp : gồm một lớp đầu vào và một lớp đầu ra riêng biệt trên mỗi một phần tử. * Mạng nhiều lớp : gồm nhiều lớp trong đó lớp đầu vào và lớp đầu ra riêng biệt. Các lớp nằm giữa lớp vào và lớp ra gọi là lớp ẩn (Hidden layer). * Mạng truyền thẳng: Là mạng nhiều lớp mà quá trình truyền tín hiệu từ đầu ra lớp này đến đầu vào lớp kia theo hướng xác định * Mạng truyền ngược: Là mạng trong đó một hoặc nhiều đầu ra của các phần tử lớp sau truyền ngược tới đầu vào phần tử lớp trước đó. * Mạng tự tổ chức: Là mạng có khả năng sử dụng các kinh nghiêm quá khứ để thích ứng những biến đổi của môi trường (không dự báo trước). 2.1.3.2 M« h×nh n¬ron nh©n t¹o y(t) H×nh 2.2: N¬ron nh©n t¹o b 1 b 2 b m u 1 u 2 u m I w v(t) H(.) g(.) x(t) +1 s 1 sT1 1 − )t(v)t(x dt )t(dx T =+ H(s) 1 exp(-sT) Quan hÖ vµo ra x(t)=v(t) x(t)=v(t-T) )t(v dt )t(dx = B¶ng 2.1: Mét sè hµm H(s) th­êng dïng cho n¬ron nh©n t¹o [...]... thời sự của đề tài * thuyết về mạng nơron đã hình thành và phát triển tuy vậy vẫn còn nhiều vấn đề chưa được giải quyết và trả lời ứng dụng mạng nơron nhân tạo trong nhận dạng tham số còn là vấn đề thời sự Nghiên cứu này nhằm bổ sung một phần luận về mạng nơron, những ứng dụng mạng nơron để nhận dạng tham số * Đã có nhiều phương pháp kinh điển để nhận dạng hệ thống, nhận dạng tham số các hệ kỹ... ttq 2 1 ttq Hình 2.11: Thuật toán tính hàm tương quan t 1 t t 2.1 áp dụng mạng nơron và thuyết phân tích tương quan cho bài toán nhận dạng 2.3.1 Khả năng dùng mạng nơron trong nhận dạng thông số của quá trình 2.3.2 Nhận dạng thông số sử dụng mạng nơron Quá trình y + u Mạng nơron y^ e - Hình 2.12: Mô hình nhận dạng cơ bản y(k) Quá trình + u(k) y^(k) e(k) - Mạng nơron Hình 2.13: Bổ sung thông tin đầu... thức tiên nghiệm y - u Quá trình - e u^ Mạng nơron Hình 2.15: Nhận dạng động học nghịch 2.3.3 Ưu điểm của mạng nơron * Mạng nơron có khả năng xử song song, với tốc độ xử nhanh như vậy nó là công cụ mới đầy hứa hẹn trong khoa học tính toán, nhận dạng, điều khiển tự động và nhiều lĩnh vực khác Các hệ sử dụng nó có thể tăng tốc độ xử và tính toán theo thời gian thực * Mạng nơron nhân tạo có khả... kinh điển áp dụng trong nhận dạng các quá trình được áp dụng rộng rãi Với khả năng linh hoạt, mềm dẻo xử hệ phi tuyến (hoặc xây dựng phần cứng và phần mềm) của phư ơng pháp nơron-tương quan tác giả đã nghiên cứu phương pháp nhận dạng tham số cho các quá trình nhờ phương pháp tuyến tính hóa xung quanh các điểm làm việc Chương II Thực hiện phương pháp nơron-tương quan để nhận dạng thông số của quá... thị kết quả để so sánh 4.4 đánh giá - nhận xét Theo các kết quả thu được sau khi tiến hành chạy mô phỏng chư ơng trình ứng dụng mạng nơron và thuật toán tương quan cho bài toán nhận dạng quá trình trên phần mềm MATLAB cho thấy: * Mặc dù còn có sai số nhất định giữa quá trình thực và quá trình có thông số là kết quả của việc nhận dạng nhưng về cơ bản thì mô hình nhận dạng đã đáp ứng được yêu cầu của bài... trình điều khiển thông số quá trình bằng phương pháp nơron-tương quan ì Quá trình phải nhận dạng hp(t) x(t) Tính hệ số hàm tư ơng quan Tín hiệu thử hp() F(hp.hm) b(t) Tính hệ số hàm tư ơng quan Mô hình có thông số biến thiên độc lập hm(t) P1 P2 P3 P4 Mạng nơron điều khiển các thông số Hình 3.2 : Mô hình tự động nhận dạng quá trình nhờ phương pháp nơron tương quan hm() Tính Sai số Bắt đầu Khởi tạo các... thẳng nhiều lớp 2. 1lý thuyết phân tích tương quan 2.2.1 Quá trình ngẫu nhiên 2.2.1.1 Khái niệm Nếu các hàm thời gian nhận được này có cùng một tính chất E nào đó đặc trưng cho tín hiệu x(t) thì việc mô tả tín hiệu x(t) có thể thay đổi bằng việc mô tả tập hợp x(t) của tất cả các hàm thời gian có cùng tính chất E nói trên Tập x(t) được gọi là một quá trình ngẫu nhiên, trong đó tín hiệu x(t) nhận được chỉ... trình nhận dạng Kết thúc Hình 3.1 : Sơ lược lưu đồ thuật toán của phương pháp ì Chương IV kết quả mô phỏng chương trình 4.1 Tạo mô hình mô phỏng các thuật toán trên môi trường MATlab x2 1 Inport Sum 1 s x2=x1 Integrator1 1 s y=x1 Integrator2 1 Outport Product Hình 4.1: Mô hình quá trình được mô phỏng (trên Simulink) datalv.mat Band-Limited To File White Noise Hình 4.2: Mô hình nguồn tạo tín hiệu thử dạng. .. phỏng Tin hieu vao / ra cua qua trinh 10 5 0 -5 0 50 100 150 200 250 300 350 400 450 500 50 100 150 200 250 300 350 Thoi gian lay mau 400 450 500 2 0 -2 0 Hình 4.4: Các tín hiệu vào/ra của quá trình cần nhận dạng Hình 4.4: Màn hình cấu trúc mạng nơron trước khi được huấn luyện Cau truc mang nơron u(t-2) u(t-1) yhat(t) y(t-2) y(t-1) Hình 4.4: Màn hình cấu trúc mạng nơron trước khi được huấn luyện ì Hình... x(t) và y(t) được xác định như sau: rx (t1 , t 2 ) = M [ x(t1 )y(t 2 )] = [ xyf ( x, y, t , t )]dxdy 1 2 (2.2.2) 2.2.2 Đo đặc tính động (hàm truyền đạt, đáp ứng xung) của những hệ tuyến tính - nhận dạng quá trình Tạo tín hiệu thử x(t) Đáp ứng xung h(t) y(t) h() Tương quan kế tự động h() Năng lượng = T2 Hình 2.8: Mô hình đo đặc tính động sử dụng tương quan kế Quá trình yx(t) + yb(t) x(t) h(t) . về các phương pháp nhận dạng quá trình 1.1 các phương pháp nhận dạng 1.1.1 Định nghĩa 1.1.2 Các phương pháp nhận dạng 1.1.2.1 Nhận dạng thông số hệ thống. nơron và lý thuyết phân tích tương quan cho bài toán nhận dạng 2.3.1 Khả năng dùng mạng nơron trong nhận dạng thông số của quá trình 2.3.2 Nhận dạng thông

Ngày đăng: 23/06/2013, 01:26

Hình ảnh liên quan

Hình 1.2: Sơ đồ tổng quát nhận dạng thông số quá trình - Lý thuyết nhận dạng

Hình 1.2.

Sơ đồ tổng quát nhận dạng thông số quá trình Xem tại trang 3 của tài liệu.
2.1.3.2 Mô hình nơron nhân tạo - Lý thuyết nhận dạng

2.1.3.2.

Mô hình nơron nhân tạo Xem tại trang 10 của tài liệu.
2.1.4 Các cấu trúc mạng điển hình - Lý thuyết nhận dạng

2.1.4.

Các cấu trúc mạng điển hình Xem tại trang 11 của tài liệu.
Hình 2. 5: Mạng truyền thẳng nhiều lớp - Lý thuyết nhận dạng

Hình 2..

5: Mạng truyền thẳng nhiều lớp Xem tại trang 12 của tài liệu.
Hình 2.9: Mô hình khảo sát quá trình nhờ tín hiệu thử - Lý thuyết nhận dạng

Hình 2.9.

Mô hình khảo sát quá trình nhờ tín hiệu thử Xem tại trang 15 của tài liệu.
Hình 2.8: Mô hình đo đặc tính động sử dụng tương quan kế Quá trình      - Lý thuyết nhận dạng

Hình 2.8.

Mô hình đo đặc tính động sử dụng tương quan kế Quá trình Xem tại trang 15 của tài liệu.
Hình 2.11: Thuật toán tính hàm tương quan - Lý thuyết nhận dạng

Hình 2.11.

Thuật toán tính hàm tương quan Xem tại trang 16 của tài liệu.
Hình 2.12: Mô hình nhận dạng cơ bản - Lý thuyết nhận dạng

Hình 2.12.

Mô hình nhận dạng cơ bản Xem tại trang 17 của tài liệu.
Mô hình đối tượng song song chứa tri thức  - Lý thuyết nhận dạng

h.

ình đối tượng song song chứa tri thức Xem tại trang 18 của tài liệu.
Hình 2.13: Bổ sung thông tin đầu vào cho mạng nơron - Lý thuyết nhận dạng

Hình 2.13.

Bổ sung thông tin đầu vào cho mạng nơron Xem tại trang 18 của tài liệu.
Hình 2.15: Nhận dạng động học nghịch - Lý thuyết nhận dạng

Hình 2.15.

Nhận dạng động học nghịch Xem tại trang 19 của tài liệu.
Mô hình có thông số biến thiên  độc lập h m(t) - Lý thuyết nhận dạng

h.

ình có thông số biến thiên độc lập h m(t) Xem tại trang 23 của tài liệu.
Hình 3. 1: Sơ lược lưu đồ thuật toán của phương pháp - Lý thuyết nhận dạng

Hình 3..

1: Sơ lược lưu đồ thuật toán của phương pháp Xem tại trang 24 của tài liệu.
4.1 Tạo mô hình mô phỏng các thuật toán trên môi       trường MATlab  - Lý thuyết nhận dạng

4.1.

Tạo mô hình mô phỏng các thuật toán trên môi trường MATlab Xem tại trang 25 của tài liệu.
Hình 4.3: Màn hình đầu tiên của chương trình mô phỏng - Lý thuyết nhận dạng

Hình 4.3.

Màn hình đầu tiên của chương trình mô phỏng Xem tại trang 27 của tài liệu.
Hình 4.4: Các tín hiệu vào/ra của quá trình cần nhận dạng - Lý thuyết nhận dạng

Hình 4.4.

Các tín hiệu vào/ra của quá trình cần nhận dạng Xem tại trang 28 của tài liệu.
Hình 4.4: Màn hình cấu trúc mạng nơron trước khi được huấn luyện - Lý thuyết nhận dạng

Hình 4.4.

Màn hình cấu trúc mạng nơron trước khi được huấn luyện Xem tại trang 29 của tài liệu.
Hình 4.4: Màn hình cấu trúc mạng nơron trước khi được huấn luyện - Lý thuyết nhận dạng

Hình 4.4.

Màn hình cấu trúc mạng nơron trước khi được huấn luyện Xem tại trang 30 của tài liệu.
Hình 4.5 Cấu trúc mạng sau khi đã được huấn luyện - Lý thuyết nhận dạng

Hình 4.5.

Cấu trúc mạng sau khi đã được huấn luyện Xem tại trang 31 của tài liệu.
Hình 4.6: Tiến trình điều khiển các giá trị thông số - Lý thuyết nhận dạng

Hình 4.6.

Tiến trình điều khiển các giá trị thông số Xem tại trang 33 của tài liệu.
Hình 4.7: Hiển thị kết quả để so sánh - Lý thuyết nhận dạng

Hình 4.7.

Hiển thị kết quả để so sánh Xem tại trang 34 của tài liệu.

Từ khóa liên quan

Tài liệu cùng người dùng

  • Đang cập nhật ...

Tài liệu liên quan