Hệ lai mờ nơ ron và ứng dụng trong dự báo

70 530 0
Hệ lai mờ   nơ ron và ứng dụng trong dự báo

Đang tải... (xem toàn văn)

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

Thông tin tài liệu

i LỜI CAM ĐOAN Tôi xin cam đoan: Những nội dung luận văn thực hướng dẫn thầy Mọi tham khảo dùng luận văn trích dẫn rõ ràng trung thực tên tác giả, tên công trình, thời gian địa điểm công bố Tôi xin chịu hoàn toàn trách nhiệm trung thực luận văn với chép không hợp lệ, hay gian trá Tác giả luận văn ii LỜI CẢM ƠN Trước hết em xin gửi lời cảm ơn chân thành thầy cô trường Đại học Công nghệ thông tin truyền thông – Đại học Thái Nguyên, thầy cô Viện Công nghệ thông tin – Viện Hàn lâm Khoa học Công nghệ Việt Nam tận tình giảng dạy t ạo điều kiện cho em học tập nghiên cứu thời gian vừa qua Em xin gửi lời cám ơn tới thầy giáo TS Phạm Thanh Hà, người tận tình hướng dẫn, động viên giúp đỡ em thực luận văn từ bước đến hoàn thành Tôi xin cảm ơn đồng nghiệp người thân động viên, giúp đỡ trình nghiên cứu thực luận văn Do thời gian có hạn vốn kiến thức hạn chế, chắn luận văn tránh khỏi thiếu sót Em mong nhận ý kiến đóng góp thầy cô bạn để luận văn hoàn thiện Xin trân trọng cảm ơn! Thái Nguyên, tháng năm 2016 iii Mục lục LỜI CAM ĐOAN i DANH MỤC HÌNH VẼ MỞ ĐẦU .5 Đặt vấn đề Đối tượng phạm vi nghiên cứu Hướng nghiên cứu đề tài Phương pháp nghiên cứu Ý nghĩa khoa học đề tài .6 CHƯƠNG LOGIC MỜ VÀ MẠNG NƠ RON 1.1 Logic mờ .7 1.1.1 Biến ngôn ngữ .7 1.1.2 Mệnh đề mờ 1.1.3 Các mệnh đề hợp thành 10 1.1.4 Kéo theo mờ (Luật if – then mờ) 11 1.1.5 Lược đồ lập luận xấp xỉ 13 1.2 Mạng nơron truyền thẳng giải thuật huấn luyện .19 1.2.1 Cấu trúc mô hình mạng nơron 19 1.2.2 Phân loại cấu trúc mạng nơ ron 23 1.2.3 Các luật học 25 1.2.4 Mạng nơ ron truyền thẳng 26 Chương .35 HỆ LAI MỜ - NƠRON 35 2.1 Sự kết hợp logic mờ mạng nơron 35 2.1.1 Khái niệm 35 2.1.2 Cấu trúc chung hệ mờ - nơron 36 2.2 Biểu diễn luật If-Then theo cấu trúc mạng nơron 38 2.3 Nơron mờ 39 2.4 Huấn luyện mạng nơron mờ .41 2.5 Phân loại kết hợp mạng nơ ron logic mờ 42 2.5.1 Neuro-Fuzzy Systems (NFS) 42 2.5.2 Fuzzy Neural Network (FNN) 48 Chương .50 XÂY DỰNG HỆ MỜ - NƠ RON 50 DỰ B ÁO TĂNG TRƯỞNG PHƯƠNG TIỆN GIAO THÔNG ĐƯỜNG BỘ .50 3.1 Sự đời mô hình dự báo 50 3.2 Sử dụng công cụ Anfis Matlab để thiết kế hệ mờ - nơron 51 3.2.1 Kiến trúc hoạt động ANFIS .51 3.2.2 Công cụ Anfis Matlab để thiết kế hệ mờ - nơron 52 3.3 Dữ liệu thống kê dự báo 58 KẾT LUẬN 69 TÀI LIỆU THAM KHẢO .70 DANH MỤC HÌNH VẼ STT Tên hình vẽ Trang Hình 1.1 Hàm thuộc tập mờ “nhiệt độ cao” Hình 1.2 Các tập mờ “Chậm”, “Nhanh”, Trung bình” Hình 1.3 Tập mờ “tuổi trẻ” 10 Hình 1.4 Một mạng nơ ro n đơn giản gồm hai nơ ron 19 Hình 1.5 Mô hình nơ ron 20 Hình 1.6 Cấu trúc nơ ron 21 Hình 1.7 Các hàm kích hoạt: (a) hàm bước nhẩy; (b) hàm dấu; (c) hàm dốc; (d) hàm sigmoid đơn cực; (e) hàm sigmoid lưỡng cực 23 Hình 1.10 Mạ ng nơ ron nhiều lớp 24 Hình 1.13 Mạng perceptron đơn 27 10 Hình 1.15 Mạng truyền thẳng ba lớp lan truyền ngược sai số 30 11 Hình 2.1 Mô hình hệ mờ - nơron Hình 2.2 Cấu trúc chung hệ mờ-nơron Hình 2.7 Cấu trúc mạng NFS thường gặp 36 52 15 Hình 3.2 Kiến trúc Anfis Hình 3.4 Biểu đồ số người chết tai nạn giao thông đường 16 Hình 3.5 Kiến trúc hệ mờ dự báo tăng trưởng phương tiện ô tô 62 17 Hình 3.6 Dữ liệu huấn luyện cho hệ mờ nơ ron 62 18 Hình 3.7 Kiến trúc hệ mờ nơ ron 63 19 Hình 3.8 Kết hồi tưởng liệu mẫu hệ thống 63 20 Hình 3.9 Mối quan hệ đầu vào đầu 64 21 Hình 3.10 Giao diện dự báo hệ thống 64 22 Hình 3.11 Kiến trúc hệ mờ dự báo tăng trưởng phương tiện xe máy 65 23 Hình 3.12 Dữ liệu huấn luyện cho hệ mờ nơ ron 66 24 Hình 3.15 Mối quan hệ đầu vào đầu 67 25 Hình 3.16 Giao diện dự báo hệ thống 68 12 13 14 37 43 60 MỞ ĐẦU Đặt vấn đề Lý thuyết tập mờ logic mờ sở toán học cho việc nghiên cứu, phát triển phương pháp lập luận khác nhau, gọi phương pháp lập luận xấp xỉ (approximate reasoning method), để mô cách thức người lập luận Trên thực tế lý thuyết tập mờ logic mờ công cụ hữu hiệu giúp giải nhiều toán có thông tin mờ không đầy đủ Mạng nơ ron bao gồm nơ ron liên kết với trọng số theo cấu trúc xác định Mạng nơ ron huấn luyện để thực nhiệm vụ khác Quá trình huấn luyện thiết lập trọng số cho liên kết nơ ron mạng Mạng nơ ron nhân tạo chia làm nhiều loại, người ta quan tâm nhiều đến cấu trúc mạng nơ ron giải thuật huấn luyện, cấu trúc chia loại mạng mạng nơ ron lớp, nhiều lớp, mạng nơ ron hồi quy, mạng nơ ron truyền thẳng Trong năm gần xu hướng kết hợp mạng nơ ron nhân tạo với logic mờ quan tâm, với kết hợp người ta hi vọng khai thác tích hợp khả tiềm tàng lĩnh vực Hệ mờ nơ ron kết hợp logic mờ và khả học mạng nơ ron Một kết hợp mà hệ mờ nơ ron thích nghi (ANFIS Adaptive neuro fuzzy inference system) Hệ thống có khả tối ưu hóa hệ mờ dựa mẫu có sẵn Bài toán dự báo vấn đề giới chuyên môn quan tâm Việc dự báo thông thường tiến hành dựa số liệu thống kê kinh nghiệm chuyên gia [2] Chúng ta biết kinh nghiệm chuyên gia xác định thông qua luật mờ, liệu thống kê dùng để huấn luyện mạng nơ ron Việc kết hợp khả tạo hệ thống dự báo xác Và lý đ ể luận văn chọn đề tài: Hệ lai mờ - nơ ron ứng dụng dự báo Đối tượng phạm vi nghiên cứu - Các khái niệm liên quan đến tập mờ, logic mờ, hệ mờ - Các khái niệm liên quan đến mạng nơ ron - Nghiên cứu toán dự báo số tiêu kinh tế xã hội - Xây dựng hệ mờ - nơ ron hỗ trợ dự báo số tiêu kinh tế xã hội Hướng ng hiên cứu đề tài - Nghiên cứu lý thuyết tập mờ, logic mờ, hệ mờ - Nghiên cứu mạng nơ ron, hệ mờ - nơ ron - Xây dựng hệ mờ - nơ ron hỗ trợ dự báo số tiêu kinh tế xã hội Phương pháp nghiên cứu - Nghiên cứu lý thuyết kết hợp với cài đặt thực nghiệm Ý nghĩa khoa học đề tài Hệ thống kiến thức tập mờ, logic mờ, mạng nơ ron, lĩnh vựng ứng dụng Cài đặt thử nghiệm giải toán thực tế: Xây dựng Hệ mờ - nơ ron hỗ trợ dự báo số tiêu kinh tế xã hội CHƯƠNG LOGIC MỜ VÀ MẠNG NƠ RON 1.1 Logic mờ 1.1.1 Biến ngôn ngữ Xét biến nhận giá trị miền giá trị đó, chẳng hạn “nhiệt độ” nhận giá trị số  C,  C,… giá trị xác Khi với giá trị cụ thể gán vào biến giúp xác định tính chất, quy mô biến Ngoài biết thông tin khác liên quan đến biến Ví dụ hiểu không nên chạm tay trần vào vật có “nhiệt độ” 80  C trở lên Nhưng thực tế thường nói “không nên chạm vào vật có nhiệt độ cao” nói “không nên chạm vào vật có nhiệt độ 80  C trở lên” Thực tế lời khuyên đầu có ích nhận đư ợc lời khuyên sau ta dễ bị ngộ nhận chạm tay vào vật có nhiệt độ 79  C vật có nhiệt độ 80  C trở lên không Nhưng vấn đề đặt nghe theo lời khuyên đầu ta xác địn h rõ nhiệt độ chạm tay vào? Câu trả lời tuỳ vào ý kiến người Với nhiệt độ 60  C có người cho cao người khác không Tuy ý kiến khác có điều chắ n giá trị biến nhiệt độ tăng dễ dàng chấp nhận “cao” Như xét hàm  cao nhận biến nhiệt độ trả tỷ lệ ý kiến đồng ý “cao”  cao hàm thuộc tập mờ “nhiệt độ cao ” vũ trụ “nhiệt độ” Biến nhiệt độ nhận giá trị “cao” giá trị ngôn ngữ tự nhiên nên gọi biến ngôn ngữ (linguistic variable) 0.9 cao Nhiệt độ 50 80 100 120 Hình 1.1 Hàm thuộc tập mờ “nhiệt độ cao” Khái niệm biến ngôn ngữ Zadeh đ ưa năm 1973 sau: Một biến ngôn ngữ xác định (x, T, U, M) đó: x tên biến, T tập từ giá trị ngôn ngữ tự nhiên mà x nhận, U miền giá trị vật lý mà x nhận, M luật ngữ nghĩa, ứng từ T v ới tập mờ A U Ví dụ: x “tốc độ”, T = {chậm, trung bình, nhanh} từ “chậm”, “trung bình”, “nhanh” xác định tập mờ hình Từ định nghĩa trên, nói biến ngôn ngữ biến nhận giá trị tập mờ miền Chậm Trung bình Nhanh 30 50 70 120 Hình 1.2 Các tập mờ “Chậm”, “Nhanh”, Trung bình” 1.1.2 Mệnh đề mờ Trong logic cổ điển (logic vị từ cấp một), mệnh đề phân tử P(x) phát biểu có dạng: x P (1.1) x ký hiệu đối tượng nằ m tập đối tượng (hay nói cách khác, x giá trị miền U), P tính chất đối tượng miền U Chẳng hạn, mệnh đề “n số nguyên tố”, “x người Ấn độ” Trong mệnh đề (1 13) logic kinh đ iển, tính chất P cho phép ta xác định tập rõ A U cho x ∈ A x thoả mãn tính chất P Chẳng hạn, tính chất “là số nguyên tố” xác định tập rõ tập tất số nguyên, tập tất số nguyên tố Nếu kí hiệu Truth(P(x)) giá trị chân lý mệnh đề : Truth(P(x)) =A(x) (1.2) đó, A(x) hàm đặc trưng tập rõ A, tập A xác định tính chất P Một mệnh đề mờ phân tử có dạng tương tự (1 13), có điều P tính chất xác, mà tính chất không rõ ràng, mờ Chẳng hạn, mệnh đề “tốc độ nhanh”, “áp suất cao” “nhiệt độ thấp”,…là mệnh đề mờ Chúng ta có định nghĩa sau Một mệnh đề mờ phân tử có dạng : x t (1.3) Trong đó, x biến ngôn ngữ, t giá trị ngôn ngữ x Theo định nghĩa biến ngôn ngữ, từ t (1.3) xác định tập mờ A vũ trụ U Do đó, định nghĩa mệnh đề mờ phân tử phát biểu có dạng : x A (1.4) Trong đó, x biến ngôn ngữ, A tập mờ miền U giá trị vật lý x Chúng ta ký hiệu P(x) mệnh đề mờ (1 3), (1 4) Giá trị chân lý Truth(P(x)) xác định sau: Truth(P(x)) = A(x) (1.5) Điều có nghĩa giá trị chân lý mệnh đề mờ P(x) = “x A” mức độ thuộc x vào tập mờ A 10 Ví dụ: Giả sử P(x) mệnh đề mờ “tuổi trẻ” Giả sử tập mờ A = “tuổi trẻ” cho hình 2.3 µA(45) = 0,73 Khi mệnh đề mờ “tuổi 45 trẻ” có giá trị chân l ý 0,73 Trẻ Trung niên Già tuổi 30 45 70 Hình 1.3 Tập mờ “tuổi trẻ” 1.1.3 Các mệnh đề hợp thành Cũng logic kinh điển, từ mệnh đề mờ phân tử, cách sử dụng kết nối logic: ∧ (and), ∨ (or),  (not) tạo mệnh đề mờ hợp thành Giả sử mệnh đề rõ P(x) minh hoạ tập rõ A vũ trụ U, (cần lưu ý rằng, điều có nghĩa Truth( P(x)) = ⇔ x ∈ A), mệnh đề rõ Q(y) minh hoạ tập rõ B V Từ bảng chân lý phép toán ∧ (and), ∨ (or),  (not) logic cổ điển suy ra: + Mệnh đề P(x) minh hoạ tập rõ A + Mệnh đề P(x)∧Q(y) minh hoạ quan hệ rõ A × B U × V + Mệnh đề P(x)∨Q(y) minh hoạ quan hệ rõ ( A × V)∪(U × B) Chuyển sang logic mờ, giả sử P(x) mệnh đề mờ minh hoạ tập mờ A U Q(y) mệnh đề minh hoạ tập mờ B V Tổng quát hoá từ mệnh đề rõ, xác định sau: + Mệnh đề mờ P(x) minh hoạ phủ định mờ A tập mờ A:  A ( x) = C (  A ( x)) (1.6) Trong đó, C hàm phần bù Khi C hàm phần bù chuẩn ta có : 56 phần liệu kiểm tra bị sửa đổi lượng tiếng ồn nhỏ Bằng việc kiểm tra chuỗi sai số trình huấn luyện, rõ ràng liệu kiếm tra không tốt cho mục đích hợp thức hoá mẫu Ví dụ minh hoạ cách sử dụng soạn thảo ANFIS GUI để so sánh liệu c Một số hạn chế Anfis Anfis phức tạp hệ thống suy luận mờ mà đề cập chương nhiều, không sẵn có tuỳ chọn hệ thống suy luận mờ Đặc biệt, anfis hỗ trợ cho hệ thống mờ theo mô hình Sugèno chúng cần có ràng buộc sau: • Là hệ thống loại Sugeno vị trí • Có đầu đơn, giải mờ phương pháp trung bình trọng tâm Tất hàm liên thuộc đầu phải loại, tuyến tính bất biến • Không chia sẻ luật điều khiển Các luật khác chia sẻ hàm liên thuộc đầu ra, cụ thể số lượng hàm liên thuộc đầu phải sổ lượng luật Có trọng lượng định (đồng nhất) cho nguyên tắc Khi không train thủ đủ ràng buộc trên, cấu trúc FIS bị sai số Hơn nữa, anfis chấp nhận tuỳ chọn thông thường mà suy luận mờ cho phép Vì tùy ý tạo hàm liên thuộc phương pháp giải mờ mà phải sử dụng chức cho 3.2.2.4 Sử dụng soạn thảo Anfis Gui a Các chức ANFIS GUI Trong phần này, tìm hiểu cách khai thác soạn thảo hệ mờ nơron thông qua giao diện đồ họa Để khởi động soạn thảo ANFIS GUI, gõ: anfisedit Cửa sổ thảo GUI sau xuất hình (hình 3.3) Từ soạn thảo GUI ta có thể: Tải liệu (huân luyện, thử kiểm tra) cách lựa chọn nút thích hợp phần Load thừa GUI bấm vào Load Data Dữ liệu tải vẽ phần đồ thị 57 Tạo mô hình FIS ban đầu tải mô hình FIS ban đầu cách sử dựng lựa chọn Generate FIS GUI Xem câu trúc mẫu FIS FIS ban đầu tạo tải cách nháy vào nút Structure Chọn phương pháp ưu tham số mô hình FIS: truyền ngược kết hợp truyền ngược với binh phương nhỏ (phương pháp lai) Chọn số kỳ huấn luy huấn luyện mô hình FIS cách nhấn vào nút Train Now Huấn luyện điều chỉnh tham số hàm liên thuộc sơ đồ huấn luyện (và/ liệu kiểm tra) sơ đồ sai số phần sơ đồ Quan sát mô hình FIS để thấy dược liệu huấn luyện, kiểm tra thử liệu đầu cách ấn nút Test Now Chức vẽ liệu thử tương phản với đầu FIS phần sơ đồ Ta sử dụng thực đơn soạn thả o ANFIS GUI để tải huấn Hìnhmột 3.3hệ thống Sugeno mở luyện FIS ban đầu, ghi FIS huấn luyện, mở GUI để phân tích huấn luyện mô hình FIS b Khuôn dạng liệu soạn thảo ANFIS GUI: kiểm tra huấn luyện (Data Formalities and the ANFIS Editor GUI: Checking and Training) 58 Để khởi động FIS sử dụng anfis soạn thảo ANFIS GUI, ta cần có liệu huấn luyện chứa cặp liệu đầu vào/đầu mong muốn hệ thống đích Đôi cần tập liệu thử tuỳ chọn kiểm tra khả khái quát hoá hệ thống suy luận mờ, đồng thời tập liệu kiểm tra giúp đỡ việc điều chỉnh suốt trình huấn luyện Như đề cập từ phần trước, việc điều chỉnh tính để thử nghiệm huấn luyện FIS liệu huấn luyện đối lập liệu kiểm tra, chọn hàm tham số hàm liên thuộc nối kết với sai số kiểm tra nhỏ nhữn g sai số việc điều chỉnh mẫu mức Ta phải kiểm tra sơ đồ sai số huấn luyện nhỏ để định điều Những vấn đề bàn đển ví dụ phần sau Thường phần liệu huấn luyện kiểm tra thu thập dựa quan sát hệ thống đích sau lưu lại tệp tin tách biệt Chú ý: Bất tập liệu mà ta tải vào soạn thảo ANFIS GUI, (hoặc ứng dụng vào hàm lệnh anfis) phải ma trận với liệu đầu vào xếp vecto tất trừ cột cuối Dữ liệu đầu phải đặt cột cuối 3.3 Dữ liệu thống kê dự báo Trong năm gần dân số Việt Nam phát triển với quy mô ngày lớn, thu nhập đầu người tăng nhanh điều dẫn đến nhu cầu lại gia tăng, đặc biệt nhu cầu lại phương tiện giao thông đường Trên thực tế số lượng phương tiện giao thông đường tăng đột biến năm gần đây, việc tăng số lượng phương tiện giao thông đường giải quyế t nhu cầu lại người dân, nhiên việc gia tăng nóng, với phát triển chưa đồng hệ thống kết cấu hạ tầng giao thông dẫn đến số lượng vụ tai nạn giao thông ngày nhiều Theo thống kê nhiều năm số lượng tai nạn g iao thông Việt Nam mức cao giới, điều đặt cho nhà quản lý toán lớn dự báo số lượng phương tiện giao thông đường ngắn hạn trung hạn để hoạch định sách phát triển phương tiện giao t hông, phát triển kết cấu hạ tầng giao thông nhằm giảm thiểu tai nạn giao thông 59 Bảng 3.1 Thống kê tai nạn giao thông đường Việt Nam Bảng 3.2 Thống kê số phương tiện giới đường Việt Nam 60 Hình 3.4 Biểu đồ số người chết tai nạn giao thông đường Bảng 3.3 Dân số thu nhập tính đầu người Việt Nam Dân số GDP/người 2000 77114428 402 2001 76923077 416 2002 79365079 441 2003 79268293 492 2004 80213904 561 2005 80996885 642 2006 82191781 730 2007 83036773 843 2008 84600760 1052 2009 85526316 1064 2010 86472603 1168 Năm 61 Qua số liệu thống kê thu thập bảng thấy có quan hệ dân số, GDP đầu người số lượng phương tiện giao thông đường bộ, mặt khác thông số có quan hệ chặt chẽ đến số vụ tai nạn giao thông đường Để có nhìn tổng hợp luận văn thống kê lại thông số theo bảng sau Bảng 3.4 Tổng hợp dân số, GDP, phương tiện giao thông Năm Dân số GDP/người (nghìn USD) Số lượng ôtô Số lượng xe gắn máy 2000 77114428 402 438917 6210823 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 Như quy 76923077 416 79365079 441 79268293 492 80213904 561 80996885 642 82191781 730 83036773 843 84600760 1052 85526316 1064 86472603 1168 mô dân số GDP đầu người có 557092 8359042 607401 1027300 675000 1137900 774824 13375992 891104 16086644 972912 18615960 1106617 21721282 1361645 25481039 1535987 28431079 1713908 31452503 quan hệ chặt chẽ đến số lượng phương tiện giao thông đường Theo mục tiêu phấn đấu phủ đến năm 2020 dân số Việt Nam có khoảng 97000000 GDP đầu người 3000 USD Rõ ràng toán đ ặt với mục tiêu Việt Nam có phương tiện giao thông đường (ô tô xe máy), toán quan trọng để nhà quản lý phát triển giao thông đường (giao thông phải trước bước), đồng thời quản lý phương tiện cách khoa học để giảm ùn tắc tai nạn giao thông 3.4 Sử dụng công cụ Anfis matlab xây dựng hệ dự báo tăng trưởng phương tiện giao thông đường Trước hết ta xây dựng hệ thống dự báo tăng trưởng ô tô, hệ thống gồm đầu vào 01 đầu hình vẽ, hệ mờ sử dụng kiểu Sugeno 62 Hình 3.5 Kiến trúc hệ mờ dự báo tăng trưởng phương tiện ô tô Biến DSO GDP thiết kế tập mờ có dạng hình chuông, biến OTO thiết kế với giá trị tuyến tính linier Dữ liệu huấn luyện sử dụng 10 ghi ứng với cột dân số, GDP, số lượng ô tô bảng thống kê tổng hợp, hình ảnh liệu thể hình 63 Hình 3.6 Dữ liệu huấn luyện cho hệ mờ nơ ron Cấu trúc mô hình thể hình dưới, cáu trúc gồm layer Hình 3.7 Kiến trúc hệ mờ nơ ron Kết hồi tưởng sau huấn luyện hệ thống thể qua hình 3.7 Hình 3.8 Kết hồi tưởng liệu mẫu hệ thống 64 Mối quan hệ dân số, GDP số lượng ô tô thể qua bề mặt tập luật sinh hệ thống Hình 3.9 Mối quan hệ đầu vào đầu Hình 3.10 Giao diện dự báo hệ thống 65 Tiếp theo xây dựng hệ thống dự báo số lượng xe gắn máy, hệ thống gồm đầu vào 01 đầu hình vẽ, hệ mờ sử dụng kiểu Sugeno Hình 3.11 Kiến trúc hệ mờ dự báo tăng trưởng phương tiện xe máy Biến DSO GDP thiết kế tập mờ có dạng hình chuông, biến OTO thiết kế với giá trị tuyến tính linier Dữ liệu huấn luyện sử dụng 10 ghi ứng với cột dân số, GDP, số lượng xe máy bảng thống kê tổng hợp, hình ảnh liệu thể hình 66 Hình 3.12 Dữ liệu huấn luyện cho hệ mờ nơ ron Cấu trúc mô hình đư ợc thể hình dư ới, cáu trúc gồm layer th ể chương Hình 3.13 Kiến trúc hệ mờ nơ ron 67 Kết hồi tưởng sau huấn luyện hệ thống thể qua hình 3.13 Hình 3.14 Kết hồi tưởng liệu mẫu hệ thống Mối quan hệ dân số, GDP số lượng xe máy thể qua bề mặt tập luật sinh hệ thống Hình 3.15 Mối quan hệ đầu vào đầu 68 Hình 3.16 Giao diện dự báo hệ thống Một công cụ đánh giá hệ thống kiểm tra khả hồi tưởng tập mẫu, hệ mờ - nơ ron đề cập hồi tưởng mẫu huấn luyện hình 3.7 hệ thống dự báo tăng trưởng ô tô 3.13 hệ thống dự báo tăng trưởng xe máy Các kết cho thấy hệ mờ - nơ ron thiết kế đáp ứng cho mô hình dự báo nói chung dự báo tăng trưởng phương tiện giới đường nói riêng 69 KẾT LUẬN Luận văn tập trung nghiên cứu khái niệm chuyên sâu tập mờ, logic mờ mạng nơ ron nhân tạo Đặc biệt luận văn tập trung nghiên cứu thiết kế hệ mờ nơ ron thích nghi, hệ mờ tối ưu hóa nhằm giải nhiều lớp toán có toán xấp xỉ hàm phân lớp dự báo liệu Luận văn nghiên c ứu mối quan hệ dân số, GDP đầu người mức độ tăng trưởng phương tiện giao thông đường làm sở xây dựng hệ thống dự báo mức độ tăng trưởng phương tiện giao thông đường dựa thông số đầu vào dân số GDP Công cụ đánh giá hệ thống kiểm tra khả hồi tưởng tập mẫu, hệ mờ - nơ ron đề cập hồi tưởng mẫu huấn luyện hình 3.7 hệ thống dự báo tăng trưởng ô tô 3.13 hệ thống dự báo tăng trưởng xe máy Các kết cho thấy hệ mờ - nơ ron thiết kế đáp ứng cho mô hình dự báo nói chung dự báo tăng trưởng phương tiện giới đường nói riêng Việc xây dựng thành công hệ mờ hỗ trợ dự báo mức độ tăng trưởng phương tiện giao thông gúp nhà quản lý tính toán đư ợc số lượng phương tiện giao thông trung hạn ngắn hạn, từ hoạch định sách quản lý phát triển kết cấu hạ tầng giao thông Công cụ đánh giá hệ thống kiểm tra khả hồi tưởng tập mẫu, hệ mờ - nơ ron đ ề cập hồi tưởng mẫu hu ấn luyện hệ thống dự báo tăng trưởng ô tô hệ thống dự báo tăng trưởng xe máy Các kết cho thấy hệ mờ - nơ ron thiết kế đáp ứng cho mô hình dự báo nói chung dự báo tăng trưởng phương tiện giới đường nói riêng 70 TÀI LIỆU THAM KHẢO Tiếng Việt [1] Ngô Hán Chiêu, Trần Quý, Đặng Văn Hoàng Thông, “Ứng dụng Logic mờ vào trình cập nhật vị trí thuê bao di động theo thời gian thích ứng”, hội nghị khoa học lần thứ VI - Học viện công nghệ bưu viễn thông [2]Bùi Công Cường, Nguyễn Doãn Phước, Hệ mờ, mạng nơron ứng dụng, Nhà xuất khoa học kỹ thuật, 2006 [3] Lại Khắc Lãi Nguyễn Như Hiển, Hệ mờ nơron kỹ thuật điều khiển, Nhà xuất khoa học tự nhiên công nghệ, 2007 [4] Nguyễn Đình Thúc , Mạng nơ ron - Kỹ thuật lan truyền ngược, Nhà xuất khoa học kỹ thuật, 2000 Tiếng Anh [5] Cheng Teng Lin, C S George Lee (1996), Neural Fuzzy Systems, Prentice – Hall International, Inc [6] John E.Hanke & Dean W.Wichern, (2005), Business Forecasting, 8th Edition, Chapter [7] F Schwenker H.A Kesler, Günther Palm, Three learning phases for radial-basis-function networks, Neural networks, Vol.14, 439-458, 2001 [8] Freeman, James A., and Skapura, David M (2011), Neural Networks Algorithms, Applications, and Programming Techniques, Addison – Wesley, Reading, MA [7] Ross T J (2004), Fuzzy logic with Engineering Applications, Second E5ition, International Edition Mc Graw-Hill, Inc [8] Satish Kumar (1999), Managing Uncertainty in the Real World - Part Fuzzy Sets, Resonance, Vol.4, No.2, pp.37 – 47 [9] Satish Kumar (1999), Managing Uncertainty in the Real World - Part Fuzzy Systems, Resonance, Vol.4, No.4, pp.45 – 55 [...]... các véc tơ tín hiệu vào có trong tập mẫu được lan truyền qua mạng nơ ron Quá trình huấn luyện tiến hành như sau: 31 + Trước tiên ta xét lan truyền tín hiệu qua từng lớp mạng: lớp nhập, lớp ẩn và lớp xuất Giả sử tín hiệu đưa vào mạng nơ ron x = (x1, x2, …, xm) với m là số nơ ron trong lớp nhập, l là số nơ ron trong lớp ẩn và n là số nơ ron trong lớp xuất Các nơ ron trong lớp nhập nhận và truyền tín hiệu... mạng nơ ron Nơ ron có các mối liên hệ đến các nơ ron khác nhờ các trọng số Một lớp nơ ron là một nhóm các nơ ron mà chúng đều có cùng các trọng số, nhận cùng số tín hiệu đầu vào đồng thời x1 w11 y1 w21 w1m y1 x2 w2m wnm x1 Hình 1.8 Mạng nơ ron 1 lớp y2 xm x2 y2 Hình 1.9 Mạng nơ ron hồi quy xm yn yn 24 x1 y1 x2 yn xm Hình 1.10 Mạng nơ ron nhiều lớp Trong ma trận trọng số, các hàng thể hiện các nơ ron, ... bài toán định trước Mạng nơ ron bao gồm vô số các nơ ron được liên kết truyền thông với nhau trong mạng, hình 1.4 là một phần của mạng nơ ron bao gồm hai nơ ron Rễ đầu ra của nơ ron 1 được nối với axon axon Nhân Rễ đầu ra axon Chiều thông tin axon được nối với rễ đầu vào của nơ ron 2 Hình 1.4 Một mạng nơ ron đơn giản gồm hai nơ ron 20 Nơ ron còn có thể liên kết với các nơ ron khác qua các rễ Chính vì... mạng nơ ron có độ liên kết rất cao Các rễ của nơ ron được chia làm hai loại: loại nhận thông tin từ nơ ron khác qua axon, ta gọi là rễ đầu vào và loại đưa thông tin qua axon tới nơ ron khác gọi là rễ đầu ra Một nơ ron có thể có nhiều rễ đầu vào, nhưng chỉ có một rễ đầu ra như vậy có thể xem nơ ron là mô hình nhiều đầu vào một đầu ra (hình 1.5) x1 x2 xn N ron y Hình 1.5 Mô hình của một nơ ron Một... phương pháp lập luận mờ đa điều kiện nói chung dựa trên ý tưởng sau: Ngữ nghĩa của các giá trị ngôn ngữ của các biến ngôn ngữ trong mô hình mờ được biểu thị bằng các tập mờ Kết nhập các đầu vào của các luật mờ trong mô hình (nếu n > 1) để chuyển mô hình mờ về mô hình đơn điều kiện Từ các luật mờ dạng if – then xây dựng quan hệ mờ tương ứng bằng các phép kéo theo Xây dựng quan hệ mờ tổng hợp bằng cách... 35 Chương 2 HỆ LAI MỜ - N RON 2.1 Sự kết hợp giữa logic mờ và mạng n ron 2.1.1 Khái niệm Khi khảo sát mạng n ron và lôgíc mờ, ta thấy mỗi loại đều có điểm mạnh, điểm yếu riêng của nó Đối với logic mờ, ta dễ dàng thiết kế một hệ thống mong muốn chỉ bằng các luật Nếu - thì (If-Then) gần với việc xử lý của con người Với đa số ứng dụng thì điều này cho phép tạo ra lời giải đơn giản hơn, trong khoảng thời... gọi là mạng nơ ron nhân tạo Mạng nơ ron nhân tạo có thể được xây dựng theo nhiều cách khác nhau, vì vậy trong thực tế có nhiều kiểu mạng nơ ron Mô hình nơ ron có m đầu vào x1, x2, xm và một đầu ra y (hình 1.5), mô hình này gồm có ba thành phần cơ bản: + Các kích thích đầu vào của tế bào nơ ron có thế năng tác động vào màng membran khác nhau được biểu diễn qua trọng số wi, i = 1, , m tương ứng với cường... một hệ lai với ưu điểm của cả hai: logic mờ cho phép thiết kế hệ dễ dàng, tường minh trong khi mạng n ron cho phép học những gì mà ta yêu cầu về bộ điều khiển Nó sửa đổi các hàm phụ thuộc về hình dạ ng, vị trí và sự kết hợp, hoàn toàn tự động Điều này làm giảm bớt thời gian cũng như giảm bớt chi phí khi phát triển hệ (hình 2.1) Hình 2.1 Mô hình hệ mờ - n ron 2.1.2 Cấu trúc chung của hệ mờ - n ron. .. của mạng nơ ron sinh học là các đáp ứng theo kích thích có khả năng thay đổi theo thời gian Các đáp ứng có thể tăng lên, giảm đi hoặc hoàn toàn biến mất Qua các nhánh axon liên kết tế bào nơ ron này với các nơ ron khác, sự thay đổi trạng thái của một nơ ron cũng kéo theo sự thay đổi trạng thái của những nơ ron khác và do đó làm thay đổi toàn bộ mạng nơ ron Việc thay đổi trạng thái của mạng nơ ron có... quan hệ mờ trên Khi đó mỗi mô hình mờ sẽ được mô phỏng bằng một quan hệ mờ hai ngôi R Khi đó ứng với vectơ đầu vào A0, giá trị của biến đầu ra được tính theo công thức B0 = A0oR, trong đó o là một phép hợp thành Vấn đề mờ hóa và khử mờ Dữ liệu đầu vào của bài toán lập luận có thể là các giá trị rõ Vì vậy cần phải mờ hoá (fuzzier) để chuyển các dữ liệu số đầu vào thành các tập mờ để quá trình lập luận mờ ... tập mờ, logic mờ, mạng nơ ron, lĩnh vựng ứng dụng Cài đặt thử nghiệm giải toán thực tế: Xây dựng Hệ mờ - nơ ron hỗ trợ dự báo số tiêu kinh tế xã hội 7 CHƯƠNG LOGIC MỜ VÀ MẠNG NƠ RON 1.1 Logic mờ. .. hợp khả tạo hệ thống dự báo xác Và lý đ ể luận văn chọn đề tài: Hệ lai mờ - nơ ron ứng dụng dự báo Đối tượng phạm vi nghiên cứu - Các khái niệm liên quan đến tập mờ, logic mờ, hệ mờ - Các khái... mạng nơ ron - Nghiên cứu toán dự báo số tiêu kinh tế xã hội - Xây dựng hệ mờ - nơ ron hỗ trợ dự báo số tiêu kinh tế xã hội Hướng ng hiên cứu đề tài - Nghiên cứu lý thuyết tập mờ, logic mờ, hệ mờ

Ngày đăng: 09/12/2016, 01:24

Từ khóa liên quan

Mục lục

  • LỜI CAM ĐOAN

  • MỞ ĐẦU

    • 1. Đặt vấn đề

    • 2. Đối tượng và phạm vi nghiên cứu

    • 3. Hướng nghiên cứu của đề tài

    • 4. Phương pháp nghiên cứu

    • 5. Ý nghĩa khoa học của đề tài

      • 1.1.5. Lược đồ lập luận xấp xỉ

    • 1.2. Mạng nơron truyền thẳng và giải thuật huấn luyện

      • 1.2.1. Cấu trúc và mô hình của mạng nơron

  • Nơron

  • Đầu ra

  • Đầu vào

    • 1.2.2. Phân loại cấu trúc mạng nơ ron

    • 1.2.3. Các luật học

    • 1.2.4. Mạng nơ ron truyền thẳng

  • Chương 2

  • HỆ LAI MỜ - NƠRON

    • 2.1. Sự kết hợp giữa logic mờ và mạng nơron

      • 2.1.1. Khái niệm

      • 2.1.2. Cấu trúc chung của hệ mờ - nơron

    • 2.2. Biểu diễn luật If-Then theo cấu trúc mạng nơron

    • 2.3. Nơron mờ

    • 2.4. Huấn luyện mạng nơron mờ

      • 2.5.1. Neuro-Fuzzy Systems (NFS)

      • 2.5.2. Fuzzy Neural Network (FNN)

  • Chương 3

  • XÂY DỰNG HỆ MỜ - NƠ RON

  • DỰ BÁO TĂNG TRƯỞNG PHƯƠNG TIỆN GIAO THÔNG ĐƯỜNG BỘ

    • 3.2. Sử dụng công cụ Anfis trong Matlab để thiết kế hệ mờ - nơron

      • 3.2.1. Kiến trúc và hoạt động của ANFIS

      • 3.2.2. Công cụ Anfis trong Matlab để thiết kế hệ mờ - nơron

    • 3.3. Dữ liệu thống kê và dự báo

    • 3.4. Sử dụng công cụ Anfis trong matlab xây dựng hệ dự báo tăng trưởng

    • phương tiện giao thông đường bộ

  • KẾT LUẬN

  • TÀI LIỆU THAM KHẢO

Tài liệu cùng người dùng

  • Đang cập nhật ...

Tài liệu liên quan