TRƯỜNG ĐẠI HỌC BÁCH KHOA KHOA CƠ KHÍ BỘ MƠN CƠ ĐIỆN TỬ ĐỀ THI CUỐI HỌC KỲ MÔN ĐIỀU KHIỂN HỆ THỐNG Ngày thi: 20/06/2011 Thời gian thi: 75 phút Sinh viên không sử dụng tài liệu Câu 1: (2,0 đ) Nêu sở để lập thuật tốn học cho mạng Perceptron bước lập trình mạng Perceptron Câu 2: (2,0 đ) Nêu khác adaline perceptron Câu 3: (4,0 đ) a Nêu khác static network dynamic network Nêu ứng dụng dynamic network b Nêu ứng dụng mạng trễ hội tụ (Focused Time-Delay Neural Network) bước thiết lập mạng trễ hội tụ (FTDNN) Câu 4: (2,0 đ) Nêu nguyên tắc huấn luyện cho mạng feedforward nguyên tắc lan truyền ngược Chủ nhiệm môn Giảng viên đề thi TS Nguyễn Duy Anh ĐÁP ÁN ĐỀ THI MÔN ĐIỀU KHIỂN HỆ THỐNG Ngày thi: 20/06/2011 Thời gian: 75 phút Điểm Câu 1: (2,0 đ) Cơ sở để ta lập thuật toán học cho mạng perceptron sau: Ta có trường hợp: Case 1: a = t => e = : w không thay đổi Case 2: a=0, t=1=> e=t-a =1 : w = w+p lúc w gần p có khả cho kết a =1 cao Case 3: a=1,t=0=> e=t-a = -1 : w = w-p lúc w xa p có khả cho kết qủa a = cao Từ suy nguyên tắc học thống nhất: 1,0 wnew  wold  ep  wold  (t  a ) p b new  b old  e Các bước lập trình mạng Perceptron Bước : Chọn tốc độ học Bước : Khởi động - gán sai số E=0 - gán biến chạy k=1 - gán vector trọng số w (k) (i=1,n) giá trị ngẫu nhiên nhỏ 1,0 i Bước : Quá trình huấn luyện bắt đầu, tính : Bước : Cập nhận vector trọng số Bước : Tính sai số tích lũy Bước : Nếu k < K gán k=k+1 trở lại Bước Nếu k=K tiếp tục Bước Bước : Kết thúc chu kì huấn luyện (epoch) Nếu E=0 kết thúc trình học Nếu E≠0 gán E=0, k=1 trở lại Bước bắt đầu chu kì huấn luyện Câu 2: (2,0 đ) Adaline - Mạng tuyến tính giống perceptron, hàm truyền tuyến tính hard-limiting Ngõ adaline giá trị bất kỳ, ngõ perceptron bị giới hạn khoảng Mạng tuyến tính, giống perceptron, giải vấn đề tuyến tính riêng biệt Câu 3: (4,0 đ) Static network: Khơng có phần tử hồi tiếp delay Đầu tính từ đầu vào thơng qua kết nối feedforward 2,0 1,0 Dynamic network: Đầu phụ thuộc vào đầu vào tại, ngồi phụ thuộc vào đầu vào đầu trước trạng thái mạng Dynamic network gồm hai loại Có kết nối feedforward Các kết nối hồi tiếp recurrent Dynamic network thường mạnh Static network (mặc dù khó huấn luyện hơn) Bởi Dynamic network có khả nhớ, chúng huấn luyện để học đối tượng thay đổi theo thời gian Chúng có ứng dụng lĩnh vực khác là: dự đốn thị trường tài chính, cân kênh hệ thống thông tin, phát pha hệ thống lượng, xếp, dự đoán cấu túc protein di truyền Một ứng dụng mạng nơron động điều khiển hệ thống Mạng động thích hợp cho việc lọc Mạng trễ hội tụ (Focused Time-Delay Neural Network) thích hợp để dự đốn theo chuỗi thời gian Các bước chính: Bước 1: Load liệu, bình thường hóa nó, chuyển thành theo thời gian (thực mảng phần tử) Bước 2: tạo mạng FTDNN ,dùng lệnh newfftd Bước 3: Sắp xếp ngõ vào đích (target)của mạng cho việc huấn luyện Bước 4: mơ mạng xác định sai số dự đoán Câu (2,0 đ) Feedforward Khi trọng số bias khởi tạo, nghĩa mạng sẵn sàng cho việc huấn luyện Mạng huấn luyện để xấp xỉ hàm số, liên kết mẫu phân loại mẫu Trong trình huấn luyện, trọng số bias điều chỉnh để cực tiểu hóa hàm hiệu suất mạng net.performFcn Hàm hiệu suất mặc định sai số bình phương trung bình mse Lan truyền ngược Nguyên tắc lan truyền ngược cập nhật trọng số theo vòng lặp: Trong xk vector trọng số bias tại, gk gradient αk tốc độ học Có hai cách để thực thuật toán suy giảm độ dốc: chế độ tích lũy chế độ khối Huấn luyện khối: Hàm huấn luyện suy giảm độ dốc khối traingd Nếu muốn sử dụng thuật tốn ta thiết lập trainFcn thành traingd Có thơng số liên quan tới traingd: epochs, show, goal, time, min_grad, max_fail, lr Suy giảm độ dốc với xung lượng: Suy giảm độ dốc với xung lượng thực hàm traindm, cho phép mạng không đáp ứng với gradient cục mà với hướng vừa qua mặt phẳng sai số Suy giảm độ dốc với xung lượng phụ thuộc vào yếu tố: tốc độ học lr, số xung lượng mc 1,0 0,5 0,5 1,0 ... để dự đốn theo chuỗi thời gian Các bước chính: Bước 1: Load liệu, bình thường hóa nó, chuyển thành theo thời gian (thực mảng phần tử) Bước 2: tạo mạng FTDNN ,dùng lệnh newfftd Bước 3: Sắp xếp...ĐÁP ÁN ĐỀ THI MÔN ĐIỀU KHIỂN HỆ THỐNG Ngày thi: 20/06/2011 Thời gian: 75 phút Điểm Câu 1: (2,0 đ) Cơ sở để ta lập thuật toán học cho mạng... net.performFcn Hàm hiệu suất mặc định sai số bình phương trung bình mse Lan truyền ngược Nguyên tắc lan truyền ngược cập nhật trọng số theo vòng lặp: Trong xk vector trọng số bias tại, gk gradient αk