Mạng trí tuệ nhân tạo (ANNs) trong việc tối ưu anten mảng

87 13 0
  • Loading ...
1/87 trang

Thông tin tài liệu

Ngày đăng: 23/11/2016, 17:07

NGUYỄN VIỆT DŨNG BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI - NGUYỄN VIỆT DŨNG KỸ THUẬT TRUYỀN THÔNG MẠNG TRÍ TUỆ NHÂN TẠO (ANNs) TRONG VIỆC TỐI ƯU HÓA ANTEN MẢNG LUẬN VĂN THẠC SĨ KỸ THUẬT KỸ THUẬT TRUYỀN THÔNG KHOÁ 2011B Hà Nội – Năm 2013 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI NGUYỄN VIỆT DŨNG MẠNG TRÍ TUỆ NHÂN TẠO (ANNs) TRONG VIỆC TỐI ƯU HÓA ANTEN MẢNG Chuyên ngành : Kỹ thuật Truyền thông LUẬN VĂN THẠC SĨ KỸ THUẬT KỸ THUẬT TRUYỀN THÔNG NGƯỜI HƯỚNG DẪN KHOA HỌC: TS PHẠM THÀNH CÔNG Hà Nội – Năm 2013 LỜI CAM ĐOAN Tôi Nguyễn Việt Dũng, số hiệu học viên: CB110822, học viên cao học lớp KTTT khóa 2011B Người hướng dẫn TS Phạm Thành Công Tôi xin cam đoan luận văn công trình nghiên cứu tôi, chép hay vay mượn hình thức để hoàn thành luận văn tốt nghiệp cao học chuyên ngành Điện tử Viễn thông Tôi xin chịu hoàn toàn trách nhiệm nội dung luận văn trước Viện đào tạo sau đại học – Trường Đại học Bách khoa Hà nội Học viên Nguyễn Việt Dũng MỤC LỤC LỜI CAM ĐOAN CÁC TỪ VIẾT TẮT DANH MỤC BẢNG DANH MỤC HÌNH VẼ LỜI MỞ ĐẦU 11 CHƯƠNG MẠNG TRÍ TUỆ NHÂN TẠO ANN 12 1.1 Mạng trí tuệ nhân tạo ANN 12 1.2 Lịch sử phát triển mạng nơron nhân tạo 12 1.3 Các tính chất mạng nơron nhân tạo 13 1.4 Mô hình mạng nơron 13 1.4.1 Mô hình nơron sinh học 13 1.4.2 Mô hình nơron nhân tạo 16 1.5 Cấu tạo mạng nơron 20 1.6 Cấu trúc mạng nơron 22 1.7 Phương thức làm việc mạng nơron 24 1.8 Các luật học 26 1.9 Mạng nơron truyền thẳng mạng nơron hồi quy 30 1.9.1 Mạng nơron truyền thẳng 30 1.9.1.1 Mạng nơron truyền thẳng lớp 30 1.9.1.2 Mạng nơron truyền thẳng nhiều lớp 31 1.9.2 Mạng nơron hồi quy 32 1.9.2.1 Mạng hồi quy không hoàn toàn (Partially Recurrent Networks) 32 1.9.2.2 Mạng dãy Jordan (Jordan Sequential Netwoks) 33 1.9.2.3 Mạng hồi quy đơn giản (Simple Recurrent Networks) 34 1.9.2.4 Mạng hồi quy hoàn toàn (Fully Recurrent Networks-FRN) 34 CHUONG THUẬT GIẢI DI TRUYỀN GA 37 2.1 Thuật giải di truyền GA 37 2.2 Khởi tạo quần thể 38 2.3 Xác định độ thích nghi 39 2.4 Chọn lọc tự nhiên 39 2.5 Ghép đôi 40 2.6 Lai tạo 43 2.7 Đột biến 46 2.8 Thế hệ 47 2.9 Sự hội tụ 47 2.10 Một vài vấn đề với thuật giải di truyền 47 CHUONG THUẬT TOÁN TỐI ƯU HÓA BẦY ĐÀN PSO 53 3.1 Khái quát 53 3.2 Ý tưởng ban đầu 54 3.1.1 Mô hình đàn ong 54 3.2.2 Sự lan truyền tin tức 55 3.2.3 Công thức khái quát 55 3.2.4 Thông tin thật truyền 59 3.3 Sự hình thành công thức 60 3.3.1 Kích thước bầy đàn 60 3.3.2 Các liên kết thông tin 60 3.3.3 Sự khởi tạo 61 3.3.4 Phương trình di chuyển 61 3.3.5 Khoảng giới hạn 63 3.3.6 Sự phân bố vùng lân cận 64 3.3.7 Hai lỗi phổ biến 65 3.3.8 Sự bùng nổ vận tốc cực đại 66 3.2.9 Thiết lập tham số tay 67 CHƯƠNG ỨNG DỤNG THUẬT TOÁN TỐI ƯU VÀO BÀI TOÁN TỐI ƯU ANTEN MẢNG 69 4.1 Giới thiệu Anten mảng phản xạ 69 4.1.1 Anten mảng phản xạ 69 4.1.2 Mảng phản xạ mạch in 70 4.1.1.1 Ưu điểm mảng phản xạ 71 4.1.1.2 Nhược điểm mảng phản xạ 71 4.2 Ứng dụng kỹ thuật phần mềm cho việc thiết kế tối ưu hóa mảng phản xạ 73 4.2.1 Đặc tính đơn mảng phản xạ mạng trí tuệ nhân tạo 73 4.2.2 Thuật toán Meta PSO thuật toán điều chỉnh 75 4.2.2.1 Thuật toán Meta PSO 75 4.2.2.2 Thuật toán điều chỉnh 76 4.2.3 Ứng dụng Mạng trí tuệ nhân tạo ANN thuật toán MPSO để thiết kế Anten mảng phản xạ 78 KẾT LUẬN 86 TÀI LIỆU THAM KHẢO 87 CÁC TỪ VIẾT TẮT Viết tắt Tiếng Anh Tiếng Việt ANN Artificial Neural Networks Mạng trí tuệ nhân tạo PDS Parallel Distributer Processing Quy trình phân bố song song MIMO Multiple Input Multiple Output Nhiều đầu vào, nhiều đầu Single Input Single Output Một đầu vào, đầu Processing Elements Phần tử chuyển đổi Multiple Input Single Output Nhiều đầu vào, đầu Back Propagation Mạng lan truyền ngược SISO PE MISO BP RTRL BPTT Real-time Recurrent Learning Back Propagation Through Luật học tập thường xuyên theo thời gian thực Lan truyền ngược theo thời gian Time TDR Three-Dimensional Recursive Hồi quy ba chiều GA Genetic Algorithm Thuật giải di truyền PSO Particle Swarm Optimization Thuật toán tối ưu hóa bầy đàn MPSO Meta Particle Swarm Thuật toán Meta-PSO Optimization DANH MỤC BẢNG Bảng 1.1 Quan hệ H(s), h(t) quan hệ vào - 18 Bảng 2.1 Các hàm chi phí 52 Bảng 3.1 Các tham số số quy luật lựa chọn 67 DANH MỤC HÌNH VẼ Hình 1.1 Mô hình nơron sinh học 14 Hình 1.2 Mô hình nơron nhân tạo 16 Hình 1.3 Đồ thị loại hàm chuyển đổi 20 Hình 1.4 Mạng nơron lớp 22 Hình 1.5 Sơ đồ cấu trúc loại mạng nơron 23 Hình 1.6 Mô hình học có giám sát học củng cố 27 Hình 1.7 Mô hình học giám sát 27 Hình 1.8 Sơ đồ cấu trúc chung trình học 29 Hình 1.9 Mạng nơron truyền thẳng lớp 30 Hình 1.10 Mạng nơron truyền thẳng nhiều lớp 31 Hình 1.11 Sơ đồ cấu trúc mạng Jordan 33 Hình 1.12 Sơ đồ cấu trúc mạng nơron hồi quy đơn 34 Hình 2.1 Sơ đồ khối tổng quát giải thuật di truyền 37 Hình 3.1 Các yếu tố ảnh hưởng đến việc tính toán bước di chuyển tiếp theo58 Hình 4.1 Cấu tạo Anten mảng phản xạ 69 Hình 4.2 Một vài phần tử Anten mảng phản xạ, (a) Xác định phương với khoảng trễ pha thay đổi, (b) Lưỡng cực vòng thay đổi kích thước, (c) Điểm thay đổi kích thước, (d) Thay đổi góc quay 70 Hình 4.3 Sự khác trễ pha không gian mảng phản xạ 72 Hình 4.4 Sơ đồ khối đề xuất quy trình thiết kế 73 Hình 4.5 Mô hình đơn giản mạng trí tuệ nhân tạo với đầu vào, đầu lớp nơron ẩn 74 Hình 4.6 Trạng thái tác nhân tốt 50 thử nghiệm độc lập cho PSO MPSO 78 Hình 4.7 Phần tử đơn anten mảng phản xạ băng tần kép 79 Hình 4.8 Pha hệ số phản xạ cho hai vòng vuông đồng tâm tính toán trực tiếp toàn sóng (trên) cấu trúc lại với mạng trí tuệ nhân tạo ANN (dưới) 79 Hình 4.9 Phân bố tối ưu vòng vuông đồng tâm công hưởng 80 Hình 4.10 Mô hình xạ dải tần (mặt phẳng H) 81 Hình 4.11 Mô hình xạ dải tần (mặt phẳng E) 82 Hình 4.12 Mô hình phát xạ đầy đủ hệ tọa độ u,v cho tần số f=7,8GHz 83 Hình 4.13.Mô hình phát xạ anten mảng phản xạ tần số 7,8GHz: so sánh việc sử dụng kết thu giá trị pha tính toán toàn sóng mạng trí tuệ nhân tạo 84 Hình 4.14 Sự biến thiên từ trường cực đại chuẩn hóa băng tần 7,2 – 8,4GHz, so sánh kết thu sử dụng tính toán toàn sóng hệ số phản xạ pha mô hình xấp xỉ mạng trí tuệ nhân tạo ANN 85 10 Một phương pháp khác để tăng băng thông sử dụng thay bề mặt mảng phản xạ phẳng hoàn toàn mặt cong lõm ghép bề mặt phẳng phần 4.2 Ứng dụng kỹ thuật phần mềm cho việc thiết kế tối ưu hóa mảng phản xạ 4.2.1 Đặc tính đơn mảng phản xạ mạng trí tuệ nhân tạo Bắt đầu việc thiết kế, tối ưu mảng phản xạ cần xác định hệ số pha phản xạ thông số hình học phần tử riêng lẻ Hình 4.4 Sơ đồ khối đề xuất quy trình thiết kế Quá trình thực thông qua tiệm cận phương pháp mô men toàn sóng xem xét phần tử riêng biệt mảng phản xạ nhúng mạng tuần hoàn mà sóng máy bay hướng tới Sự hình thành đồ tính toán trước đòi hỏi phân tích toàn sóng mảng tuần hoàn cho giá trị tham số hình học tự do, tương tự tần số khác góc Hơn nữa, việc lưu trữ liệu cho trình mô cần lượng lớn nhớ Cuối cùng, để thiết kế toàn mảng phản xạ phải thực quy trình tối ưu hóa, dựa việc sử dụng thuật toán giả ngẫu nhiên 73 Nhằm giảm bớt trình tính toán, tạo mô hình chung độc lập từ mảng hình học, tính toán hệ số pha phản xạ giá trị thông số mảng phản xạ nào, liệu thu nhỏ thông qua việc phân tích toàn sóng Từ sử dụng mạng trí tuệ nhân tạo (ANN) để mô hình hóa mối quan hệ pha trường tái xạ thông số hình học phần tử Một mạng trí tuệ nhân tạo công cụ mô hình liệu tự thích ứng thay đổi cấu trúc dựa thông tin bên bên qua mạng trình học tập Mạng trí tuệ nhân tạo sử dụng để mô hình hóa mối quan hệ phức tạo không tuyến tính đầu vào đầu tìm mẫu liệu Hình 4.5 Mô hình đơn giản mạng trí tuệ nhân tạo với đầu vào, đầu lớp nơron ẩn Để mô hình phần tử tái xạ, sử dụng mô hình nhận thức nhiều lớp (ví dụ hình 4.5) Mô hình bao gồm lớp đầu vào, nhiều lớp ẩn lớp đầu Trong mô hình nhận thức nhiều lớp, hàm ( ) định nghĩa thành phần đệ quy hàm ( ) (theo cấu trúc mô tả hình 4.5), mà phụ thuộc biến biểu diễn kết nối nơron Đầu vào nơron tạo tổn phi tuyến: 74 ( )= ( ) (4.1) Với ( ) hàm kích hoạt phi tuyến mô hình tế bào thần kinh sinh học não Hàm phải chuẩnk hóa khả vi mô hình theo nhiều cách, cách phổ biến tang hyperbol khoảng -1 đến ( = tanh( ) (4.2) Một giai đoạn quan trọng việc quản lý mạng trí tuệ nhân tạo đào tạo mạng, mà cá trọng số kết nối nơron thiết lập Có ba mô hình học tập chính, tương ứng với nhiệm vụ học đặc biêt, bao gồm: Học tập có giám sát, học tập không giám sát học tăng cường Học tập có giám sát mô hình sử dụng cho việc nhận dạng mẫu, phân loại, hồi quy xấp xỉ Chúng ta đươa số N giá trị ( , từ tìm hàm: : → ), với ∈ , ∈ tương ứng Mạng trí tuệ nhân tạo suy ánh xạ cần tìm từ liệu Các thông số mạng phỉa tối ưu hóa để có kết đầu tốt xác Do trình học tập kết việc tìm kiếm trọng số cấu hình để có lỗi đầu nhỏ nhất, cụ thể trọng số cấu hình tối ưu Giá trị sai số bình phương trung bình thường sử dụng giảm thiểu sai số trung bình bình phương hai đầu mạng Mô hình nhận thức nhiều lớp đào tạo số chiến lược, chẳng hạn chiến lược giảm sai lệch bản, thuật toán lan truyền lỗi trở lại (Error Back Propagation algothirm – EBP) phương pháp tuyến hóa GA, PSO giới thiệu chương Trong luận văn sử dụng thuật toán siêu bầy đàn (Meta PSO algothirm) dựa thuật toán tối ưu hóa bầy đàn PSO 4.2.2 Thuật toán Meta PSO thuật toán điều chỉnh 4.2.2.1 Thuật toán Meta PSO Thuật toán Meta PSO (MPSO) biến thể thuật toán PSO Thuật toán sử dụng nhiều bầy đàn để tăng cường khả tìm kiếm chung, áp 75 dụng quy tắc đơn giản khác để mô tả tương tác chúng, hao phí để thực theo cách truyền thống không kể Phần tử đặc trưng bới hai số: số = 1, … , đàn mà chúng thuộc số = 1, … , = bầy đàn số phần tử định nghĩa cho bầy bầy đàn Để đơn giản giả thiết tất ∀ = 1, … , Quy tắc cập nhật vận tốc thuật toán MPSO sau: ( , ) = ( ) ( ) , + + Với , , − − ( ) , ( ) , + , − ( ) , (4.3) vị trí riêng tốt phần tử; vị trí toàn diện tốt bầy đàn (kiến thức toàn diện bầy đàn); G vị trí toàn diện tốt toàn bầy đàn (Kiến thức phân biệt chủng tộc); phần tử; , , = + yếu tố ma sát làm chậm lại thông số điều chỉnh tích cực đưa phía vị trí riêng số ngẫu nhiên phân bố đồng khoảng [0,1] Lưu ý toàn diện tốt nhất; rằng, ( ) xuất nhiều lần công thức giả định có giá trị khác lần 4.2.2.2 Thuật toán điều chỉnh Để tiến gần tới khả tối ưu hóa thuật toán, người ta tạo hàm kiểm tra tiêu chuẩn thực hiện, khuôn khổ mục tiêu Hàm kiểm tra sử dụng sau: ( )=1− Với [ , ,…, =[ , ,…, sin[ ( − )] (4.4) ( − ) ] điểm không gian N chiều = ] giá trị tối thiểu toàn diện xác định trước hàm chi phí Hàm có chức lựa chọn thể số vị trí cực tiểu địa đặc biệt thay đổi cực tiểu toàn diện điểm đơn cực tiểu cục thay đổi theo đường thẳng, làm cho xác suất tạo nên cực tiểu cục cao nhiều Một số hàm kiểm tra khác nghiên cứu như: Hàm Ackley: 76 ( ) = 20 + − 20 , ∑ − ( ) (4.5) Hàm Rosenbrock: ( )= (100( − ) + (1 − ) ) (4.6) Hàm Rastrigin: ( )= ( − 10 cos(2 ) + 10) (4.7) Hàm Shekel: ( ) = 12 − (( − ) ( − )+ ) (4.8) Trong ba công thức N kích thước miền, công thức cuối miền miền chiều =( , ) vector tối thiểu cục thứ i đổi tỷ lệ thuận với giá trị tối thiểu (( ) ) ≈ 12 − không Trong có điểm cực tiểu (- 3,-3), (-3,0), (-3,3), ,(3,+3) Việc áp dụng chương trình MPSO với hàm kiểm tra nhằm mục đích tăng cường độ tin cậy phương pháp này, đặc biệt so sánh với thuật toán PSO thông thường 77 Hình 4.6 Trạng thái tác nhân tốt 50 thử nghiệm độc lập cho PSO MPSO 4.2.3 Ứng dụng Mạng trí tuệ nhân tạo ANN thuật toán MPSO để thiết kế Anten mảng phản xạ Bài toán tối ưu hóa toàn cục dựa thuật toán MPSO áp dụng để thiết kế anten lớp có mảng phản xạ băng tần kép hai dải tần 1200-1400 MHz 7,2- 78 GHz, hai mặt phản xạ phẳng cho hai tần số nằm hai lớp điện môi khác sử dụng loại phần tử phức xạ, bao gồm hình vòng vuông hẹp đồng tâm Hình 4.7 Phần tử đơn anten mảng phản xạ băng tần kép Trạng thái phần tử đơn mô hình hóa mạng trí tuệ nhân tạo, điều tái tạo lại thay đổi pha trường phản xạ kích thước vòng vuông, góc tới trường tần số (mảng phản xạ phải thiết kế để làm việc hai băng tần có chiều rộng tương khoảng 20%) Hình 4.8 Pha hệ số phản xạ cho hai vòng vuông đồng tâm tính toán trực tiếp toàn sóng (trên) cấu trúc lại với mạng trí tuệ nhân tạo ANN (dưới) 79 Hình 4.8 thể đồ thị hệ số phản xạ pha thay đổi cấu trúc dùng mạng trí tuệ nhân tạo so với thu trực tiếp toàn sóng, cho tần số trung tâm băng tần mảng phản xạ Phần màu xám đồ thị phía cho thấy giá trị hệ số phản xạ pha phần cho thấy lỗi đưa khi sử dụng mạng trí tuệ nhân tạo ANN Việc thiết kế tối ưu hóa khâu độ việc thực riêng biệt, nhiên tính toán dự diện lớp khác thông qua đường cong hệ số phản xạ, điều thể lớp cần tính toán có diện lớp khác Các tham số hình học tự dùng để tối ưu hóa mặt vòng vuông bên (tất tham số hình học: chiều rộng vong ngoài, chiều rộng vòng trong) Hình 4.9 Phân bố tối ưu vòng vuông đồng tâm công hưởng Ở hình 4.9 kết sơ việc tối ưu hóa băng tần mặt phẳng phản xạ thể Chúng ta sử dụng tập hợp 100 nhân tố tổ chức bầy đàn Tổng số tham số hình học 736/2, 736 số phần tử xạ lại mặt phẳng mảng phản xạ, số giảm nửa tính đối xứng mặt phẳng thẳng đứng (không đối xứng qua mặt phẳng nằm ngang nguồn bù đắp) Trong hình 4.9 phác thảo mẫu in mảng phản xạ tối ưu, hình 4.10 4.11 mô hình 80 xạ hai mặt phẳng nhiều tần số thị Mô hình xạ đầy đủ cho f=7,8GHz thể hình 4.12 Hình 4.10 Mô hình xạ dải tần (mặt phẳng H) 81 Hình 4.11 Mô hình xạ dải tần (mặt phẳng E) 82 Hình 4.12 Mô hình phát xạ đầy đủ hệ tọa độ u,v cho tần số f=7,8GHz 83 Hình 4.13.Mô hình phát xạ anten mảng phản xạ tần số 7,8GHz: so sánh việc sử dụng kết thu giá trị pha tính toán toàn sóng mạng trí tuệ nhân tạo 84 Hình 4.14 Sự biến thiên từ trường cực đại chuẩn hóa băng tần 7,2 – 8,4GHz, so sánh kết thu sử dụng tính toán toàn sóng hệ số phản xạ pha mô hình xấp xỉ mạng trí tuệ nhân tạo ANN Trong mô hình xấp xỉ mạng trí tuệ nhân tạo ANN hình 4.13 mẫu xạ hai mặt phẳng cho tần số truing tâm, tính toán sử dụng giá trị “chính xác” mạng trí tuệ nhân tạo xấp xỉ hệ số phản xạ pha Đồ thị cho thấy kết kết hợp tốt: Sai số tương đối trường theo hướng cực đại khong đáng kể, bất ký trường hợp toàn mô hình xạ luôn thấp vài phần trăm Tương tự áp dụng cho đồ thị hình 4.14, biến thiên từ trường cực đại chuẩn hóa phạm vi tần số cho thấy: Biến thiên từ trường cực đại toàn băng tần khoảng 1dB, cho thấy việc sử dụng mạng trí tuệ nhân tạo làm giảm thiểu lỗi 85 KẾT LUẬN Luận văn “Mạng trí tuệ nhân tạo (ANNs) việc tối ưu anten mảng” đưa nhằm mục đích tìm hiểu, nghiên cứu mạng trí tuệ nhân tạo, thuật toán di truyền GA, PSO ứng dụng toán tối ưu anten mảng phản xạ Với việc triển khai đề tài “Mạng trí tuệ nhân tạo (ANNs) việc tối ưu anten mảng”, chứng tỏ việc ứng dụng ưu điểm mạng trí tuệ nhân tạo để áp dụng vấn đề kỹ thuật thực tiễn để giải toán khó đời sống, mong muốn lớn người thực đề tài Luận văn đề xuất giải toán sử dụng mạng trí tuệ nhân tạo kết hợp thuật toán đàn MPSO để tối ưu anten mảng phản xạ Đây ứng dụng nhỏ mạng trí tuệ nhân tạo việc tối ưu trường điện từ Trong thời gian tới, luận văn hướng tới việc phát triển nghiên cứu ứng dụng mạng trí tuệ nhân tạo kết hợp thuật toán GA biến thể khác thuật toán PSO việc tối ưu anten mảng phản xạ nói riêng anten nói chung Xin chân thành cảm ơn ! 86 TÀI LIỆU THAM KHẢO Tiếng Việt [1] Phan Anh, Trường điện từ truyền sóng, Nhà xuất Đại học Quốc Gia Hà Nội, 2002 [2] Phan Anh Lý thuyết kỹ thuật anten, NXB Khoa học Kỹ thuật, Hà Nội [3] Phạm Minh Việt Kỹ thuật siêu cao tần, NXB Khoa học Kỹ thuật, Hà Nội Tiếng Anh [4] B Yegnanarayana Artificial neural networks Prentice-Hall of India, 1999 [5] M.Norgaard, O.Ravn, N.K Poulsen and L.K Hansen Neural Network forModelling and Control of Dynamic System Springer 2000 [6] John Huang, José A Encinar Reflectarray Antennas Wiley and Sons Ltd., 2008 87 [...]... Luận văn Mạng trí tuệ nhân tạo (ANNs) trong việc tối ưu anten mảng được đưa ra nhằm mục đích tìm hiểu, nghiên cứu về mạng trí tuệ nhân tạo, các thuật toán di truyền GA, PSO và ứng dụng trong bài toán tối ưu anten mảng phản xạ Với việc triển khai đề tài Mạng trí tuệ nhân tạo (ANNs) trong việc tối ưu anten mảng , đã chứng tỏ việc ứng dụng những ưu điểm của mạng trí tuệ nhân tạo để áp dụng trong các...LỜI MỞ ĐẦU Trong những năm gần đây, việc sử dụng mạng trí tuệ nhân tạo (Artificial Neural Networks) trong việc tối ưu quá trình thiết kế anten nói riêng cũng như trong các vấn đề tính toán toán nói chung đang có nhiều bước phát triển do có nhiều ưu điểm nổi bật so với nhưng cách tính toán truyền thông Mạng trí tuệ nhân tạo sử dụng mô hình hành vi của não người có thể... người đã giúp đỡ tôi trong việc định hướng luận văn và các cơ sơ vật chất để tôi có thể hoàn thành luận văn 11 CHƯƠNG 1 MẠNG TRÍ TUỆ NHÂN TẠO ANN 1.1 Mạng trí tuệ nhân tạo ANN Nghiên cứu và mô phỏng não người, cụ thể là mô phỏng nơron thần kinh là một ước muốn từ lâu của nhân loại Từ mơ ước đó, nhiều nhà khoa học đã không ngừng nghiên cứu tìm hiểu về mạng nơron Trong đó mạng nơron nhân tạo đã được nói đến... chỉnh và sự truyền sinh trong cơ thể sống, trong máy móc” của tác giả Nobert Wieners xuất bản năm 1948 Điều khiển học đã đặt ra mục đích nghiên cứu áp dụng nguyên lý làm việc của hệ thống thần kinh động vật vào điều khiển Công cụ giúp điều khiển học thực hiện được mục đích này là trí tuệ nhân tạo và mạng nơron Trí tuệ nhân tạo được xây dựng dựa trên mạng nơron Mạng nơron nhân tạo (Artificial Neural... tin khác nhau, được xử lý bởi các phương pháp đặc biệt 1.4.2 Mô hình nơron nhân tạo Sự thay thế những tính chất của mạng nơron sinh học bằng một mô hình toán học tương đương được gọi là mạng nơron nhân tạo Mạng nơron nhân tạo có thể được chế tạo bằng nhiều cách khác nhau vì vậy trong thực tế tồn tại rất nhiều kiểu mạng nơron nhân tạo Dựa vào cấu trúc của nơron sinh học có nhiều mô hình được đưa ra như... được gọi là mạng nơron hồi quy (Recurrent Networks) Hình 1.5b chỉ ra một mạng nơron hồi quy đơn giản nhất chỉ có một nơron liên hệ phản hồi với chính nó Hình 1.5c mạng nơron một lớp hồi quy với chính nó và các nơron khác Hình 1.5e là mạng nơron nhiều lớp hồi quy 1.7 Phương thức làm việc của mạng nơron Phương thức làm việc của một mạng nơron nhân tạo có thể chia làm 2 giai đoạn: - Tự tái tạo (reproduction)... trọng số trong mạng nơron rời rạc (Discrete - Time) và tương ứng với sự thay đổi trọng số trong mạng nơron liên tục theo biểu thức: 29 ( ) = ( ) (1.15) Vấn đề quan trọng trong việc phân biệt luật học cập nhật trọng số có giám sát hay không có giám sát là tín hiệu học r như thế nào để thay đổi hoặc cập nhật trọng số có trong mạng nơron 1.9 Mạng nơron truyền thẳng và mạng nơron hồi quy 1.9.1 Mạng nơron... ưu điểm khác của mạng nơron hồi quy là chỉ cần mạng nhỏ hơn về cấu trúc cũng có khả năng như mạng truyền thẳng có cấu trúc lớn hơn Nó khắc phục được giả thuyết truyền thống của mạng nơron là coi mạng có số nơron đủ lớn Gồm 2 loại: 1.9.2.1 Mạng hồi quy không hoàn toàn (Partially Recurrent Networks) Là mạng đó dựa trên cơ sở mạng lan truyền ngược (Back Propagation) với cấu trúc hồi quy Câu trúc của mạng. .. (Neural) Trong thiết kế hệ thống tự động hóa sử dụng mạng nơron là một khuynh hướng hoàn toàn mới, phương hướng thiết kế hệ thống điều khiển thông minh, một hệ thống mà bộ điều khiển có khả năng tư duy như bộ não con người 1.2 Lịch sử phát triển của mạng nơron nhân tạo Mạng nơron nhân tạo đã có một lịch sử lâu dài Năm 1943, McCulloch và Pitts đã đưa ra khả năng liên kết và một số liên kết cơ bản, của mạng. .. một mạng nơron có cấu trúc bền vững có nghĩa là véc tơ hàm trọng lượng đầu vào, khâu tạo đáp ứng và khâu tạo tín hiệu đầu ra đều cố định không bị thay đổi về mặt cấu trúc cũng như tham số thì mạng có một quá trình truyền đạt xác định chắc chắn, tĩnh hoặc động phụ thuộc vào cấu tạo của các nơron trong mạng Ở đầu vào của mạng xuất hiện thông tin thì đầu ra cũng xuất hiện một đáp ứng tương ứng Đối với mạng
- Xem thêm -

Xem thêm: Mạng trí tuệ nhân tạo (ANNs) trong việc tối ưu anten mảng , Mạng trí tuệ nhân tạo (ANNs) trong việc tối ưu anten mảng , Mạng trí tuệ nhân tạo (ANNs) trong việc tối ưu anten mảng

Gợi ý tài liệu liên quan cho bạn

Nạp tiền Tải lên
Đăng ký
Đăng nhập