Nghiên cứu thuật toán nội suy sử dụng mạng Nơron RBF trong phương pháp lập luận mờ dựa trên đại số gia tử và ứng dụng trong điều khiển (Luận văn thạc sĩ)

72 162 0
Nghiên cứu thuật toán nội suy sử dụng mạng Nơron RBF trong phương pháp lập luận mờ dựa trên đại số gia tử và ứng dụng trong điều khiển (Luận văn thạc sĩ)

Đang tải... (xem toàn văn)

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

Thông tin tài liệu

Nghiên cứu thuật toán nội suy sử dụng mạng Nơron RBF trong phương pháp lập luận mờ dựa trên đại số gia tử và ứng dụng trong điều khiển (Luận văn thạc sĩ)Nghiên cứu thuật toán nội suy sử dụng mạng Nơron RBF trong phương pháp lập luận mờ dựa trên đại số gia tử và ứng dụng trong điều khiển (Luận văn thạc sĩ)Nghiên cứu thuật toán nội suy sử dụng mạng Nơron RBF trong phương pháp lập luận mờ dựa trên đại số gia tử và ứng dụng trong điều khiển (Luận văn thạc sĩ)Nghiên cứu thuật toán nội suy sử dụng mạng Nơron RBF trong phương pháp lập luận mờ dựa trên đại số gia tử và ứng dụng trong điều khiển (Luận văn thạc sĩ)Nghiên cứu thuật toán nội suy sử dụng mạng Nơron RBF trong phương pháp lập luận mờ dựa trên đại số gia tử và ứng dụng trong điều khiển (Luận văn thạc sĩ)Nghiên cứu thuật toán nội suy sử dụng mạng Nơron RBF trong phương pháp lập luận mờ dựa trên đại số gia tử và ứng dụng trong điều khiển (Luận văn thạc sĩ)Nghiên cứu thuật toán nội suy sử dụng mạng Nơron RBF trong phương pháp lập luận mờ dựa trên đại số gia tử và ứng dụng trong điều khiển (Luận văn thạc sĩ)Nghiên cứu thuật toán nội suy sử dụng mạng Nơron RBF trong phương pháp lập luận mờ dựa trên đại số gia tử và ứng dụng trong điều khiển (Luận văn thạc sĩ)Nghiên cứu thuật toán nội suy sử dụng mạng Nơron RBF trong phương pháp lập luận mờ dựa trên đại số gia tử và ứng dụng trong điều khiển (Luận văn thạc sĩ)Nghiên cứu thuật toán nội suy sử dụng mạng Nơron RBF trong phương pháp lập luận mờ dựa trên đại số gia tử và ứng dụng trong điều khiển (Luận văn thạc sĩ)

ĐẠI HỌC THÁI NGUYÊN TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG ĐINH THỊ PHƯƠNG NGHIÊN CỨU THUẬT TOÁN NỘI SUY SỬ DỤNG MẠNG NƠRON RBF TRONG PHƯƠNG PHÁP LẬP LUẬN MỜ DỰA TRÊN ĐẠI SỐ GIA TỬ VÀ ỨNG DỤNG TRONG ĐIỀU KHIỂN LUẬN VĂN THẠC SĨ KHOA HỌC MÁY TÍNH THÁI NGUN - 2019 Số hóa Trung tâm Học liệu Công nghệ thông tin – ĐHTN http://lrc.tnu.edu.vn ĐẠI HỌC THÁI NGUYÊN TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG ĐINH THỊ PHƯƠNG NGHIÊN CỨU THUẬT TOÁN NỘI SUY SỬ DỤNG MẠNG NƠRON RBF TRONG PHƯƠNG PHÁP LẬP LUẬN MỜ DỰA TRÊN ĐẠI SỐ GIA TỬ VÀ ỨNG DỤNG TRONG ĐIỀU KHIỂN Chuyên ngành: Khoa học máy tính Mã số: 48 01 01 LUẬN VĂN THẠC SĨ KHOA HỌC MÁY TÍNH Người hướng dẫn khoa học: TS NGUYỄN DUY MINH THÁI NGUYÊN - 2019 Số hóa Trung tâm Học liệu Công nghệ thông tin – ĐHTN http://lrc.tnu.edu.vn i LỜI CẢM ƠN Em xin gửi lời cảm ơn chân thành đến TS Nguyễn Duy Minh - người thầy, người trực tiếp hướng dẫn em hoàn thiện luận văn Với lời dẫn, tài liệu, tận tình hướng dẫn lời động viên thầy giúp em vượt qua khó khăn q trình thực luận văn Em xin gửi lời biết ơn sâu sắc đến quý thầy cô giáo trường Đại học Công nghệ thông tin Truyền thông; Viện công nghệ thông tin thuộc Viện hàn lâm Khoa học Công nghệ Việt Nam truyền đạt kiến thức kinh nghiệm quý báu cho chúng em thời gian học tập Xin chân thành cảm ơn tới gia đình, bạn bè, đồng nghiệp ln ủng hộ, động viên, chia sẻ, tạo điều kiện giúp đỡ suốt trình học tập làm luận văn Thái Nguyên, ngày 09 tháng năm 2019 Học viên Đinh Thị Phương Số hóa Trung tâm Học liệu Cơng nghệ thông tin – ĐHTN http://lrc.tnu.edu.vn ii LỜI CAM ĐOAN Tôi xin cam đoan kết đạt luận văn sản phẩm cá nhân hướng dẫn khoa học TS Nguyễn Duy Minh Trong toàn nội dung luận văn, nội dung trình bày cá nhân tổng hợp từ nhiều nguồn tài liệu khác Tất tài liệu tham khảo có xuất xứ rõ ràng trích dẫn hợp pháp Tơi xin chịu trách nhiệm chịu hình thức kỷ luật theo quy định cho lời cam đoan Thái Nguyên, ngày 09 tháng năm 2019 Học viên Đinh Thị Phương Số hóa Trung tâm Học liệu Công nghệ thông tin – ĐHTN http://lrc.tnu.edu.vn iii MỤC LỤC LỜI CẢM ƠN i LỜI CAM ĐOAN ii MỤC LỤC iii DANH MỤC BẢNG v DANH MỤC HÌNH vi DANH MỤC CÁC KÝ HIỆU VÀ CHỮ VIẾT TẮT vii MỞ ĐẦU viii CHƯƠNG 1: MỘT SỐ KIẾN THỨC CƠ SỞ 1.1 Biến ngôn ngữ 1.2 Đại số gia tử 1.2.1 Đại số gia tử biến ngôn ngữ 1.2.2 Độ đo tính mờ ánh xạ định lượng ngữ nghĩa 1.3 Mạng nơron nhân tạo 11 1.3.1 Cấu trúc mơ hình nơ ron 11 1.3.2 Phân loại theo cấu trúc mạng nơron 15 1.3.3 Phân loại theo luật học 16 1.3.4 Mạng nơ ron RBF 18 1.4 Bài toán nội suy nhiều biến 22 1.5 Kết luận chương 24 CHƯƠNG 2: THUẬT TOÁN NỘI SUY SỬ DỤNG MẠNG NƠRON RBF TRONG PHƯƠNG PHÁP LẬP LUẬN MỜ DỰA TRÊN ĐẠI SỐ GIA TỬ 25 2.1 Phương pháp lập luận mờ 25 2.1.1 Mơ hình mờ 25 2.1.2 Một số phương pháp lập luận mờ 26 2.2 Phương pháp lập luận mờ dựa đại số gia tử 28 Số hóa Trung tâm Học liệu Công nghệ thông tin – ĐHTN http://lrc.tnu.edu.vn iv 2.3 Giải pháp sử dụng mạng nơron RBF phương pháp lập luận mờ dựa ĐSGT 33 2.3.1 Yếu tố ảnh hưởng đến phương pháp lập luận mờ sử dụng ĐSGT 33 2.3.2 Giải pháp sử dụng mạng nơron RBF phương pháp lập luận mờ dựa ĐSGT 34 2.4 Giải pháp sử dụng mạng nơ ron RBF 35 2.4.1 Phân tích khả sử dụng mạng RBF phương pháp lập luận mờ dựa ĐSGT 35 2.4.2 Giải pháp sử dụng mạng nơron RBF nội suy 36 2.5 Thuật toán sử dụng mạng nơ ron RBF phương pháp lập luận mờ dựa ĐSGT 38 2.6 Kết luận Chương 40 CHƯƠNG 3: SỬ DỤNG MẠNG NƠ RON RBF CHO PHƯƠNG PHÁP LẬP LUẬN MỜ DỰA TRÊN ĐẠI SỐ GIA TỬ TRONG ĐIỀU KHIỂN 41 3.1 Mô tả số toán điều khiển logic mờ 41 3.1.1 Bài tốn 1: Xấp xỉ mơ hình mờ EX1 Cao-Kandel [9] 41 3.1.2 Bài toán 2: Bài tốn điều khiển mơ hình máy bay hạ độ cao [8] 42 3.2 Ứng dụng phương pháp lập luận xấp xỉ mờ sử dụng đại số gia tử điều khiển 46 3.2.1 Phương pháp điều khiển logic mờ truyền thống 46 3.2.2 Phương pháp lập luận mờ sử dụng đại số gia tử điều khiển 47 3.2.3 Phương pháp lập luận mờ dựa ĐSGT sử dụng mạng nơron RBF điều khiển 50 3.3 Ứng dụng 51 3.4 Kết luận Chương 58 KẾT LUẬN 59 TÀI LIỆU THAM KHẢO 60 Số hóa Trung tâm Học liệu Cơng nghệ thông tin – ĐHTN http://lrc.tnu.edu.vn v DANH MỤC BẢNG Bảng 1.1 Ví dụ tính âm dương gia tử Bảng 1.2 Các hàm f(.) thường sử dụng 14 Bảng 1.3 Các hàm kích hoạt a(.) thường sử dụng 14 Hình 2.1 Sơ đồ huấn luyện mạng 38 Bảng Mơ hình EX1 Cao-Kandel 41 Bảng Các kết xấp xỉ EX1 tốt Cao-Kandel [9] 42 Bảng 3.3 Miền giá trị biến ngôn ngữ 43 Bảng 3.4 Mơ hình FAM 45 Bảng 3.5 Tổng hợp kết điều khiển phương pháp HAR [6] FMCR 45 Bảng 3.6 Mơ hình SAM gốc - xấp xỉ mơ hình EX1 53 Bảng Sai số lớn phương pháp mơ hình EX1 54 Bảng 3.8 Mơ hình SAM - mơ hình máy bay hạ độ cao 56 Bảng 3.9 Sai số phương pháp mơ hình máy bay hạ độ cao 57 Số hóa Trung tâm Học liệu Công nghệ thông tin – ĐHTN http://lrc.tnu.edu.vn vi DANH MỤC HÌNH Hình 1.1 Một mạng nơ ron đơn giản gồm hai nơron 12 Hình 1.2 Mơ hình nơ ron nhân tạo 13 Hình 1.3 Một số liên kết đặc thù mạng nơ ron 16 Hình 1.4 Cấu trúc mạng RBF 19 Hình Đường cong thực nghiệm mơ hình EX1 42 Hình 3.2 Paraboll quan hệ h v 43 Hình 3.3 Hàm thuộc tập mờ biến h 44 Hình 3.4 Hàm thuộc tập mờ biến v 44 Hình 3.5 Hàm thuộc tập mờ biến f 44 Hình Sơ đồ phương pháp điều khiển CFC 46 Hình 3.7 Sơ đồ phương pháp điều khiển FCHA 48 Hình Kết xấp xỉ mơ hình EX1 Cao Kandel 54 Hình 3.9 Quỹ đạo hạ độ cao mơ hình máy bay 57 Số hóa Trung tâm Học liệu Cơng nghệ thơng tin – ĐHTN http://lrc.tnu.edu.vn vii DANH MỤC CÁC KÝ HIỆU VÀ CHỮ VIẾT TẮT Các ký hiệu:  Tổng độ đo tính mờ gia tử âm  Tổng độ đo tính mờ gia tử dương  Giá trị định lượng phần tử trung hòa AX Đại số gia tử AX* Đại số gia tử tuyến tính đầy đủ W Phần tử trung hòa đại số gia tử 𝜀 Ngưỡng hiệu chỉnh định lượng ngữ nghĩa δ Tham số hiệu chỉnh giá trị định lượng ngữ nghĩa c -, c + Các phần tử sinh Các chữ viết tắt: ĐLNN Định lượng ngữ nghĩa ĐSGT Đại số gia tử FMCR Fuzzy Multiple Conditional Reasoning RBF Radial Basis Function FAM Fuzzy Associative Memory SAM Semantic Associative Memory HAR Hedge Algebras Reasoning CFC Conventional Fuzzy Control Số hóa Trung tâm Học liệu Cơng nghệ thơng tin – ĐHTN http://lrc.tnu.edu.vn viii MỞ ĐẦU Đặt vấn đề Khoa học ngày phát triển có nhiều thiết bị máy móc hỗ trợ cho đời sống người Các thiết bị máy móc “thơng minh” thay sức lao động thiết bị dạng dường đích mà người vươn tới Như vậy, nhu cầu thiết yếu sống tạo máy móc hành xử giống với người Hay nói cách khác máy phải biết suy luận để đưa định đắn Người tiên phong lĩnh vực Zadeh [11] Trong cơng trình ơng mơ tả cách toán học khái niệm mơ hồ mà ta thường gặp sống như: cao, thấp; đúng, sai tập mờ Nhờ việc xây dựng lý thuyết tập mờ mà người suy diễn từ khái niệm mơ hồ đến khái niệm mơ hồ khác mà thân logic kinh điển không làm Trên sở thơng tin khơng xác thu được, người ta đưa định hiệu cho tình tốn Tuy nhiên, phương pháp lập luận người vấn đề phức tạp khơng có cấu trúc Vì kể từ lý thuyết tập mờ đời nay, chưa có sở lý thuyết hình thức chặt chẽ theo nghĩa tiên đề hố cho logic mờ lập luận mờ Để đáp ứng phần nhu cầu xây dựng sở tốn học cho việc lập luận ngơn ngữ, N.Cat Ho Wechler [12] đề xuất cách tiếp cận dựa cấu trúc tự nhiên miền giá trị biến ngơn ngữ, cơng trình, tác giả rằng, giá trị biến ngơn ngữ thực tế có thứ tự định mặt ngữ nghĩa, ví dụ ta hồn tồn cảm nhận rằng, ‘trẻ’ nhỏ ‘già’, ‘nhanh’ ln lớn ‘chậm’ Số hóa Trung tâm Học liệu Công nghệ thông tin – ĐHTN http://lrc.tnu.edu.vn 47 Bước 1: Xác định biến trạng thái (biến vào) biến điều khiển (biến ra) đối tượng điều khiển xác định tập biến Bước 2: Phân hoạch tập thành phần tương ứng với nhãn ngôn ngữ Bước 3: Xây dựng tập mờ cho nhãn ngôn ngữ, tức xác định dạng hàm thuộc cho tập mờ Bước 4: Xây dựng quan hệ mờ tập mờ đầu vào, tập mờ trạng thái tập mờ điều khiển tạo thành hệ luật điều khiển (bảng điều khiển sở tri thức chuyên gia), gọi mơ hình FAM Bước 5: Giải tốn lập luận xấp xỉ, xác định tập mờ đầu vào biến điều khiển theo luật (Phép hợp thành) Bước 6: Kết nhập (aggregation) giá trị đầu Bước 7: Giải mờ, tìm giá trị điều khiển rõ 3.2.2 Phương pháp lập luận mờ sử dụng đại số gia tử điều khiển Mơ hình mờ (2.2) điều khiển gọi nhớ kết hợp mờ FAM Vì có m biến đầu vào nên ta gọi FAM mô hình m chiều Trong phương pháp này, xem miền giá trị ngôn ngữ biến Xj (j=1,…, m) ĐSGT Xác định ĐSGT AXj= (Xj, Gj, Hj, j) cho biến vật lý Xj (j=1,…, m) đại số AY=(Y, G, H, ) cho biến Y Với đại số ta cần xác định tập phần tử sinh, tập gia tử độ đo tính mờ gia tử Định lượng giá trị ngôn ngữ FAM sang giá trị thực đoạn [0,1] nhờ vào hàm ĐLNN : Xj(Aij), Y(Bi) (i = 1, , n, j = 1, , m) Như vậy, với luật if–then tương ứng với điểm khơng gian thực (m+1) chiều Khi mơ hình mờ tương ứng với đường cong thực Cr,m+1 khơng gian (m+1) chiều Số hóa Trung tâm Học liệu Công nghệ thông tin – ĐHTN http://lrc.tnu.edu.vn 48 Chuyển điểm (X1(Ai1), X2(Ai2),…,Xm(Aim),Y(Bi)) không gian thực (m+1) chiều thành điểm Agg(Xj(Ai1), Xj(Ai2),…,Xj(Aim),Y(Bi)) không gian thực hai chiều với Agg toán tử kết nhập Đường cong Cr,m+1 trở thành đường cong thực C2 mặt phẳng Từ giá trị đầu vào (Ai1, Ai2,…, Aim) ta tính giá trị thực a0 = Agg(X1(Ai1), X2(Ai2),…,Xm(Aim),Y(Bi)) Từ đây, giá trị thực đầu u0 = Noisuy(a0, C2) – giá trị nội suy thu từ đầu vào a0 đường cong thực C2 Như vậy, giá trị điều khiển tính theo giá trị ngữ nghĩa u0 không gian tham chiếu biến điều khiển Dựa phương pháp lập luận mờ dựa ĐSGT, mơ hình điều khiển mờ sử dụng ĐSGT, gọi tắt FCHA (Fuzzy Control using Hedge Algebras) mô tả Hình 3.7 Hình Sơ đồ phương pháp điều khiển FCHA Thuật toán điều khiển gồm bước sau: Bước 1: Ngữ nghĩa hóa (Semantization) - Như biết, sở tri thức ứng dụng cho dạng mơ hình FAM chứa giá trị ngôn ngữ miền ngôn ngữ Xj Mỗi miền ngôn ngữ Xj tương ứng với ĐSGT miền tham chiếu số thực [sj1, sj2], j = 1, …, m Vì giá trị ngữ nghĩa định lượng hàm ĐLNN j giá trị ngôn ngữ biến Xj thuộc đoạn [0,1] nên q trình tính tốn Số hóa Trung tâm Học liệu Công nghệ thông tin – ĐHTN http://lrc.tnu.edu.vn 49 cần có ánh xạ để chuyển tuyến tính từ miền tham chiếu [sj1, sj2] sang miền ngữ nghĩa [0,1] Việc chuyển gọi ngữ nghĩa hóa Các giá trị hàm j gọi giá trị ĐLNN biến tương ứng với Xj nhận giá trị ngữ nghĩa gọi biến ngữ nghĩa, ký hiệu xsj - Vấn đề cốt yếu trình xác định tham số độ đo tính mờ phần tử sinh độ đo tính mờ gia tử ĐSGT biến Xj cách thích hợp dựa phân tích ngữ nghĩa miền ngơn ngữ Chẳng hạn, tham số biến vận tốc SPEED không giống tơ tàu hỏa Hay, Very Little đặc trưng More Possibly, nên giả sử (More) > (Very) (Possibly) > (Little) Đây tham số hiệu chỉnh Bước 2: Xây dựng ánh xạ ĐLNN chế lập luận Dùng hàm ĐLNN với tham số xác định Bước 1, chuyển mơ hình FAM sang bảng liệu số m-chiều, gọi mơ hình SAM (Semantics Associative Memory) Lưu ý rằng, n mơ hình SAM xác định n điểm, mô tả siêu mặt Cr,m+1 không gian thực (m+1) chiều Kế tiếp, chọn toán tử kết nhập Agg để tích hợp m thành phần mơ hình SAM, từ xây dựng mơ hình gọi mơ hình SAM Từ n mơ hình SAM xác định n điểm không gian thực hai chiều ta thu đường cong thực Cr,2 không gian chiều Dùng phép nội suy tuyến tính đường cong thực Cr,2 để tính tốn giá trị đầu cho mơ hình (2.2) Bước 3: Giải nghĩa (Desemantization) Đơn giản thiết lập ánh xạ để gán giá trị ngữ nghĩa, tức giá trị thực đoạn [0,1], với giá trị thực miền giá trị biến điều khiển Trong nghiên cứu gần ta có sở để tin rằng, phương pháp điều khiển gồm bước mơ tả Hình 3.4 đơn giản hiệu so với Số hóa Trung tâm Học liệu Công nghệ thông tin – ĐHTN http://lrc.tnu.edu.vn 50 phương pháp điều khiển dựa lý thuyết tập mờ Căn để thấy rõ tính hiệu sơ đồ điều khiển là: i) Thay xây dựng hàm thuộc phương pháp cần xác định tham số hàm ĐLNN dựa vào Bước ii) Phương pháp lập luận xấp xỉ dựa phương pháp nội suy cổ điển với đường cong ngữ nghĩa định lượng đơn giản, trực quan cho kết đầu xác iii) Sơ đồ điều khiển linh hoạt dễ dàng thay đổi tham số hàm ĐLNN để thích nghi với nhiều ứng dụng điều khiển khác iv) Không cần thiết sử dụng phương pháp khử mờ v) Tránh vấn đề phức tạp, dễ dẫn đến sai sót xây dựng hàm thuộc, chọn toán tử kéo theo, hợp thành luật khử mờ 3.2.3 Phương pháp lập luận mờ dựa ĐSGT sử dụng mạng nơron RBF điều khiển Như ta biết, phương pháp RBF_HAR đề xuất chương cho kết khả quan Do vậy, ta sử dụng phương pháp lập luận RBF_HAR vào phương pháp điều khiển mờ Phương pháp điều khiển mờ sử dụng phương pháp RBF_HAR gọi phương pháp lập luận mờ dựa ĐSGT với phép nội suy sử dụng mạng nơ ron RBF ứng dụng điều khiển, ký hiệu phương pháp điều khiển FC_RBF_HA (Fuzzy Control using RBF_ Hedge Algebras) Trước tiên, nhận thấy thông thường ý nghĩa toán điều khiển đưa đối tượng điều khiển vị trí cân tối thiểu hàm mục tiêu tồn q trình điều khiển Vì vậy, việc thiết kế phương pháp điều khiển cần thực sau: Số hóa Trung tâm Học liệu Công nghệ thông tin – ĐHTN http://lrc.tnu.edu.vn 51 i) Xác định yếu tố, ràng buộc cho trước – Tập sở luật (mơ hình FAM) với giá trị ngôn ngữ mô tả cho tri thức chuyên gia miền ứng dụng – Các quan hệ tính tốn biến trạng thái biến điều khiển (nếu có) ii) Xác định tham định lượng ngữ nghĩa (mơ hình SAM) Xây dựng ĐSGT cho biến ngơn ngữ mơ hình FAM Sử dụng ánh xạ ngữ nghĩa định lượng vXj(Aij) vY(Bi), chuyển đổi mơ hình mờ FAM sang mơ hình SAM Xác định kiến trúc mạng nơ ron RBF (số đầu vào, số nơ ron lớp ẩn, đầu ra) iii) Xây dựng thuật toán điều khiển FC_RBF_HA Trên sở xác định yếu tố, ràng buộc cho trước (i), tham số hiệu chỉnh ĐLNN (ii), ta xây dựng thuật toán điều khiển gồm bước sau: Bước Xác định mô hình SAM ngữ nghĩa hóa: Trong bước này, xây dựng mơ hình SAM sở ngữ nghĩa hóa từ mơ hình FAM Bước Tính tốn giá trị ngữ nghĩa điều khiển: Xác định siêu mặt thực Cr,m+1 từ mơ hình SAM Áp dụng phương pháp nội suy mạng nơ ron RBF để tính giá trị ngữ nghĩa điều khiển tương ứng với giá trị đầu vào Bước Giải nghĩa giá trị đầu ra: Ngược với việc ngữ nghĩa hóa, cách sử dụng cơng thức 2.4 ta chuyển giá trị ngữ nghĩa [0, 1] sang miền tham chiếu ta tính giá trị thực biến điều khiển 3.3 Ứng dụng Để thấy hiệu phương pháp lập luận RBF_HAR điều khiển mờ (FC_RBF_HA), kết so sánh với phương pháp điều khiển mờ dựa ĐSGT khác [8,9,10] Sau đây, sử dụng phương Số hóa Trung tâm Học liệu Cơng nghệ thông tin – ĐHTN http://lrc.tnu.edu.vn 52 pháp FC_RBF_HA giải toán điều khiển mờ giới thiệu Mục 3.1 Bài toán 1: Sử dụng phương pháp điều khiển FC_RBF_HA để xấp xỉ mơ hình EX1 Cao-Kandel Các bước thực sau: Bước 1: Xây dựng ĐSGT cho biến ngôn ngữ, tham số ĐSGT Xây dựng ĐSGT AI cho biến I AN cho biến N gồm: - Tập phần tử sinh: {Small, Medium, Lagre} - Tập gia tử: {Litle, Very} Chuyển giá trị ngôn ngữ mơ hình mờ sang giá trị ngơn ngữ ĐSGT cho biến I N sau - Đối với biến I: Null →VeryVery Small; Zero → VerySmall; Small → Small; Medium → Medium; Large→ Large; VeryLarge → VeryLarge - Đối với biến N: Zero→ VerySmall; Small→Small; Medium→ Medium; Large→ Large; VeryLarge→ VeryLarge Các tham số ĐSGT xác định trực giác sau: fmI(Small) = 0.5; fmN(Small) = 0.5; N(Very) = 0.5; I(Very) = 0.5 Số hóa Trung tâm Học liệu Cơng nghệ thông tin – ĐHTN http://lrc.tnu.edu.vn 53 Sử dụng hàm ĐLNN, ta có: - Đối với biến I ta có : I(VeryVerySmall) = 0.0625; I(VerySmall) = 0.125; I(Small) = 0.25; I(Medium) = 0.5; I(Large) = 0.75; I(VeryLarge) = 0.875 - Đối với biến N ta có : N(VerySmall) = 0.125; N(Small) = 0.25; N(Medium) = 0.5; N(Large) = 0.75; N(VeryLarge) = 0.875 Áp dụng Định lý 1.5 xác định ngưỡng hiệu chỉnh giá trị ngôn ngữ - Đối với biến I: có độ sâu k = 3, ngưỡng hiệu chỉnh ĐLNN I = 0.03125 - Đối với biến N: có độ sâu k = 2, ngưỡng hiệu chỉnh ĐLNN N = 0.0625 Chuyển đổi mơ hình FAM sang mơ hình SAM, Bảng 3.4 Bảng 3.6 Mơ hình SAM gốc - xấp xỉ mơ hình EX1 Is 0.0625 0.125 0.25 0.5 0.75 0.875 Ns 0.875 0.75 0.5 0.25 0.125 0.125 Bước Sử dụng mạng nơ ron RBF gồm đầu vào đầu ra, điểm mơ hình SAM sử dụng làm tâm tập mẫu huấn luyện mạng Mạng huấn luyện theo thuật toán huấn luyện đề cập chương với tham số chọn sau: r = 1, tốc độ học 0.8 sai số 0.0001 Bước Xác định đầu - Trước hết ta cho đầu vào giá trị I từ đến 10 với bước nhảy 0.5 Số hóa Trung tâm Học liệu Công nghệ thông tin – ĐHTN http://lrc.tnu.edu.vn 54 - Định lượng giá trị thực giải định lượng thực theo Công thức 2.2 2.3: - Qua số lần chạy thử MATLAB, ta xác định kết xấp xỉ mơ hình EX1 Cao-Kandel là: e(EX1, FC_RBF_HA) = 37.901974 (3.6) Trong phương pháp tối ưu tham số tối ưu tài liệu [10] có kết là: e(EX1) = 62 (3.7) Hình Kết xấp xỉ mơ hình EX1 Cao Kandel Hình 3.8 đường cong xấp xỉ mơ hình EX1 Cao-Kandel phương pháp lập luận với tham số tối ưu [10] phương pháp OPHA Bảng Sai số lớn phương pháp mơ hình EX1 Sai số lớn Phương pháp mơ hình EX1 Phương pháp Cao-Kandel với toán tử kéo theo 5* [9] 200 Phương pháp Cao-Kandel với toán tử kéo theo 22* [9] 300 Số hóa Trung tâm Học liệu Công nghệ thông tin – ĐHTN http://lrc.tnu.edu.vn 55 Phương pháp Cao-Kandel với toán tử kéo theo [9] 300 Phương pháp Cao-Kandel với toán tử kéo theo 25 [9] 300 Phương pháp Cao-Kandel với toán tử kéo theo 31 [9] 300 Phương pháp lập luận mờ sử dụng ĐSGT (FCHA) [10] 292 Phương pháp điều khiển sử dụng tối ưu tham số [10] 62 Phương pháp điều khiển mờ sử dụng FC_RBF_HA 37.901974 Nhận xét kết thử nghiệm tốn 1: - Từ Hình 3.8 ta thấy phương pháp điều khiển FC_RBF_HA bám sát đường cong thực nghiệm Cao – Kandel - Mặt khác từ Bảng 3.7, sai số lớn mô hình xấp xỉ EX1 sử dụng phương pháp điều khiển FC_RBF_HA nhỏ so với phương pháp lập luận tối ưu tham số [10] kết thử nghiệm Cao – Kandel Bài toán 2: Điều khiển mơ hình máy bay hạ độ cao [8] Sử dụng phương pháp điều khiển FC_RBF_HA xác định mơ hình sai số toán đánh giá hiệu giải tốn điều khiển mơ hình máy bay hạ độ cao so với phương pháp tài liệu [10] Gồm bước sau Bước Xây dựng ĐSGT AX chung cho biến ngôn ngữ độ cao h, vận tốc v lực điều khiển f với tập phần tử sinh Small, Medium, Large, tập gia tử gồm Little Very Các tham số ĐSGT xác định trực giác sau: fm(Small) = 0.5; fm(Large) = 0.5; (Litle) = 0.5; (Very) = 0.5 Mơ hình SAM gốc tính tốn Bảng 3.7 cụ thể: Số hóa Trung tâm Học liệu Công nghệ thông tin – ĐHTN http://lrc.tnu.edu.vn 56 - Biến ngơn ngữ độ cao h có giá trị ngôn ngữ NZVeryVerySmall, SSmall, MMedium, LLittleLarge, giá trị định lượng giá trị ngôn ngữ xác định sau: h(VeryVerySmall) = 0.0625; h(Small) = 0.25 h(Medium) = 0.5; h(LittleLarge) = 0.625 - Biến ngôn ngữ vận tốc v có giá trị ngơn ngữ DLVerySmall, DSLittleSmall, ZMedium, USLarge, ULVeryLarge giá trị ngôn ngữ có độ sâu k = 2, giá trị định lượng giá trị ngôn ngữ xác định sau: v( VerySmall) = 0.125; v( LittleSmall) = 0.375 v(Medium) = 0.5; v( Large) = 0.675 v(VeryLarge) = 0.875 - Biến ngơn ngữ lực điều khiển f có giá trị ngôn ngữ DLVerySmall,DSLittleSmall, ZMedium, USLarge, ULVeryLarge giá trị ngơn ngữ có độ sâu k = 2, giá trị định lượng giá trị ngôn ngữ xác định sau: f(VerySmall) = 0.125; f(LittleSmall) = 0.375 f(Medium) = 0.5; f( Large) = 0.675 f(VeryLarge) = 0.875 Bảng 3.8 Mơ hình SAM - mơ hình máy bay hạ độ cao vs 0.125 0.375 0.5 0.75 0.875 0.625 0.5 0.375 0.125 0.125 0.125 0.5 0.75 0.5 0.375 0.125 0.125 0.25 0.875 0.75 0.5 0.375 0.125 0.0625 0.875 0.875 0.5 0.375 0.375 hs Bước Sử dụng mạng nơ ron RBF gồm đầu vào đầu ra, điểm mơ hình SAM sử dụng làm tâm tập mẫu huấn luyện mạng Mạng Số hóa Trung tâm Học liệu Công nghệ thông tin – ĐHTN http://lrc.tnu.edu.vn 57 huấn luyện theo thuật toán huấn luyện đề cập chương 1, với tham số chọn sau: r = 1, tốc độ học 0.8 sai số 0.0001 Bước Xác định đầu điều khiển Với độ cao ban đầu 1000 ft, vận tốc -20 ft/s, tiến hành định lượng giá trị độ cao, vận tốc xác định giá trị đầu nhờ mạng RBF thiết kế, việc giải ngữ nghĩa cho ta lực điều khiển chu kỳ đầu Tiếp tục tính tốn vận tốc độ cao chu kỳ nhờ phương trình 3.2 Lặp lại q trình tính lực điều khiển độ cao xuống tới 100 ft vận tốc ta thu kết điều khiển chu kỳ điều khiển hạ độ cao tiếp theo, sai số e tốc độ hạ độ cao xác định nhờ công thức 3.4 công thức 3.5 Sai số: e (FC_RBF_HA) = 8.788920 (3.8) Và quỹ đạo mô hình máy bay hạ độ cao với điều kiện ban đầu h(0) =1000 ft, v(0) = -20 ft/s xác định Hình 2.14 Hình 3.9 Quỹ đạo hạ độ cao mơ hình máy bay Bảng 3.9 Sai số phương pháp mơ hình máy bay hạ độ cao Phương pháp Sai số Điều khiển Phương pháp điều khiển theo phương lập luận mờ tối ưu 22.444913 tham số ĐSGT [10] Phương pháp điều khiển FC_RBF_HA 8.788920 Nhận xét kết thử nghiệm toán 2: Số hóa Trung tâm Học liệu Cơng nghệ thông tin – ĐHTN http://lrc.tnu.edu.vn 58 - Ta thấy quỹ đạo hạ độ cao phương pháp FC_RBF_HA bám sát quỹ đạo hạ độ cao tối ưu mô hình cho Cơng thức 3.3, quĩ đạo hạ độ cao tham số tối ưu [10] khơng có điều - Từ Bảng 3.9, tổng sai số vận tốc phương pháp FC_RBF_HA đưa mơ hình máy bay xuống độ cao 100 ft nhỏ so với phương pháp tối ưu tham số ĐSGT [10] 3.4 Kết luận Chương Trong Chương 3, ứng dụng phương pháp lập luận xấp xỉ mờ sử dụng ĐSGT điều khiển cài đặt thử nghiệm cho số toán điều khiển logic mờ, cụ thể là: - Bài tốn Xấp xỉ mơ hình mờ EX1 Cao-Kandel [9] - Bài tốn Điều khiển mơ hình máy bay hạ độ cao Ross [8] Qua kết ta khẳng định rằng; tính hiệu phương pháp điều khiển mờ sử dụng FC_RBF_HA mở khả ứng dụng tốt vào tốn mơ hình mờ phức tạp Số hóa Trung tâm Học liệu Công nghệ thông tin – ĐHTN http://lrc.tnu.edu.vn 59 KẾT LUẬN Nghiên cứu lý thuyết ĐSGT, tìm hiểu khả sử dụng mạng nơ ron RBF để thực nội suy phương pháp lập luận mờ dựa ĐSGT Trong luận văn học viên trọng nghiên cứu, trình bày kiến thức biến ngơn ngữ mơ hình mờ, phương pháp lập luận mờ sở để phát triển phương pháp lập luận mờ sử dụng ĐSGT mạng nơ ron RBF để áp dụng vào phương pháp lập luận mờ dựa ĐSGT vào toán điều khiển cụ thể tốn Xấp xỉ mơ hình mờ EX1 Cao-Kandel [9] tốn điều khiển mơ hình máy bay hạ độ cao Ross [8] Qua luận văn đạt số kết sau: Về lý thuyết: Tập trung nghiên cứu kiến thức chung biến ngôn ngữ mô hình mờ, ĐSGT, phương pháp lập luận xấp xỉ mờ sử dụng ĐSGT mạng nơ ron RBF phương pháp nội suy sử dụng mạng RBF Luận văn phân tích kỹ phương pháp lập luận xấp xỉ mờ sử dụng ĐSGT Về ứng dụng: Cài đặt phương pháp lập luận mờ sử dụng ĐSGT với phép nội suy sử dụng mạng nơ ron RBF điều khiển mờ gọi phương pháp điều khiển FC_RBF_HA, cụ thể cho tốn Xấp xỉ mơ hình EX1 CaoKandel tốn điều khiển mơ hình hạ độ cao máy bay Ross Trên sở kết cài đặt có so sánh đánh giá kết cài đặt phương pháp lập luận xấp xỉ mờ dựa ĐSGT - HAR Phạm vi khả áp dụng: Luận văn tài liệu tham khảo tốt cho người nghiên cứu lý thuyết ĐSGT ứng dụng lĩnh vực khoa học kỹ thuật Hướng nghiên cứu tiếp theo: Hoàn thiện tối ưu phương pháp lập luận mờ dựa ĐSGT với toán điều khiển mờ phức tạp Số hóa Trung tâm Học liệu Cơng nghệ thông tin – ĐHTN http://lrc.tnu.edu.vn 60 TÀI LIỆU THAM KHẢO * Tiếng Việt [1] Nguyễn Cát Hồ (2006), “Lý thuyết tập mờ Cơng nghệ tính tốn mềm”, Tuyển tập giảng Trường thu hệ mờ ứng dụng, in lần thứ 2, tr 51–92 [2] Nguyễn Duy Minh (2012), Tiếp cận đại số gia tử điều khiển mờ, Luận án tiến sĩ tốn học, Viện Cơng nghệ thông tin [3] Đặng Thị Thu Hiền (2009), Bài toán nội suy mạng nơron RBF, Luận án tiến sĩ chuyên ngành khoa học máy tính cấp nhà nước, Trường Đại học công nghệ, Đại học quốc gia Hà Nội [4] Trần Thái Sơn, Nguyễn Thế Dũng (2005), “Một phương pháp nội suy giải tốn mơ hình mờ sở đại số gia tử”, Tạp chí Tin học Điều khiển học, Tập 21(3), tr 248–260 [5] Nguyễn Cát Hồ, Nguyễn Văn Long (2003), “Đại số gia tử đầy đủ tuyến tính”, Tạp chí Tin học Điều khiển học, T.19(3), 274-280 [6] Nguyễn Cát Hồ, Nguyễn Văn Long (2004), “Cơ sở toán học độ đo tính mờ thơng tin ngơn ngữ”, Tạp chí Tin học Điều khiển học, 20(1) 64-72 [7] Nguyễn Cát Hồ, Vũ Như Lân, Phạm Thanh Hà (2007), “Xác định trọng số tối ưu cho phép tích hợp phương pháp điều khiển sử dụng đại số gia tử giải thuật di truyền”, Tạp chí tin học điều khiển học, Tập 23(3), tr 1-10 * Tiếng Anh [8] Ross T J (2010), Fuzzy logic with Engineering Applications, Third Edition, John Wiley & Sons Số hóa Trung tâm Học liệu Công nghệ thông tin – ĐHTN http://lrc.tnu.edu.vn 61 [9] Cao Z and Kandel A (1989), “Applicability of some fuzzy implication operators”, Fuzzy Sets and Systems, 31, pp 151-186 [10] Ho N C., Lan V N., Viet L X (2008), “Optimal hedge-algebras-based controller: Design and application”, Fuzzy Sets and Systems, 159(8), pp 968–989 [11] Zadeh L A (1975), “The concept of linguistic variable and its application to approximate reasoning”, Inform Sci 8, pp 199–249 [12] Ho N C., Wechler W (1990), “Hedge algebra: An algebraic approach to structures of sets of linguistic truth values”, Fuzzy Sets and Systems 35, pp 281–293 [13] Ho N C., Long N V (2007), “Fuzziness measure on complete hedge algebras and quantifying semantics of terms in linear hedge algebras”, Fuzzy Sets and Systems, 158(4), pp 452–471 Số hóa Trung tâm Học liệu Công nghệ thông tin – ĐHTN http://lrc.tnu.edu.vn ... thuật toán nội suy sử dụng mạng Nơron RBF phương pháp lập luận mờ dựa đại số gia tử ứng dụng điều khiển nghiên cứu đưa giải pháp nội suy sử dụng mạng nơ ron RBF phương pháp lập luận mờ dựa ĐSGT Nội. .. 3.2.1 Phương pháp điều khiển logic mờ truyền thống 46 3.2.2 Phương pháp lập luận mờ sử dụng đại số gia tử điều khiển 47 3.2.3 Phương pháp lập luận mờ dựa ĐSGT sử dụng mạng nơron RBF điều khiển. .. khả sử dụng mạng RBF phương pháp lập luận mờ dựa ĐSGT 35 2.4.2 Giải pháp sử dụng mạng nơron RBF nội suy 36 2.5 Thuật toán sử dụng mạng nơ ron RBF phương pháp lập luận mờ dựa ĐSGT

Ngày đăng: 28/08/2019, 23:59

Từ khóa liên quan

Tài liệu cùng người dùng

  • Đang cập nhật ...

Tài liệu liên quan