intTypePromotion=1
zunia.vn Tuyển sinh 2024 dành cho Gen-Z zunia.vn zunia.vn
ADSENSE
 » 
 » 

Đề tài: Camera dùng mạng Nơtron trong matlab giao tiếp Plc

Chia sẻ: Bui Van Duong Duong | Ngày: | Loại File: DOCX | Số trang:83

Thêm vào BST
Báo xấu
158
lượt xem 50
download
 
  Download Vui lòng tải xuống để xem tài liệu đầy đủ

Thời đại tự động hóa và số hóa đang đóng một vai trò thiết yếu trong tất cả các ngành trên mọi lĩnh vực và đời sống. mọi công việc tự động hóa dựa trên số hóa và xử lý hình ảnh đang thực sự làm giảm bớt đi công sức và tiền bạc cho xã hội. làm đẩy nhanh tốc độ xử lý công việc, mang lại nhiều thuận lợi về thời gian trong sản xuất và đời sống, cuộc sống trở nên tiện ích và hiện đại hơn Là một sinh viên của ngành tự động nắm được ý nghĩa trên em đã...

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: Đề tài: Camera dùng mạng Nơtron trong matlab giao tiếp Plc

  1. GVHD : Nguyễn Tấn Lũy LỜI NHẬN XÉT CỦA GIÁO VIÊN HƯỚNG DẪN ………………………………………………………………………………………………. ……………………………………………………………… ………………………………………………………………………………………………. ……………………………………………………………… ………………………………………………………………………………………………. ……………………………………………………………… ………………………………………………………………………………………………. ……………………………………………………………… ………………………………………………………………………………………………. ……………………………………………………………… ………………………………………………………………………………………………. ……………………………………………………………… ………………………………………………………………………………………………. ……………………………………………………………… ………………………………………………………………………………………………. ……………………………………………………………… ………………………………………………………………………………………………. ……………………………………………………………… ………………………………………………………………………………………………. ……………………………………………………………… ………………………………………………………………………………………………. ……………………………………………………………… ………………………………………………………………………………………………. ……………………………………………………………… ………………………………………………………………………………………………. ……………………………………………………………… ………………………………………………………………………………………………. ……………………………………………………………… ………………………………………………………………………………………………. ……………………………………………………………… ………………………………………………………………………………………………. ……………………………………………………………… ………………………………………………………………………………………………. ……………………………………………………………… Tp.Hồ Chí Minh. Ngày ….. Tháng …… Năm 2013 Giáo viên hướng dẫn Nguyễn Tấn Lũy SVTH: : Bùi Văn Dương trang 1
  2. GVHD : Nguyễn Tấn Lũy LỜI NHẬN XÉT CỦA GIÁO VIÊN PHẢN BIỆN ………………………………………………………………………………………………. ……………………………………………………………… ………………………………………………………………………………………………. ……………………………………………………………… ………………………………………………………………………………………………. ……………………………………………………………… ………………………………………………………………………………………………. ……………………………………………………………… ………………………………………………………………………………………………. ……………………………………………………………… ………………………………………………………………………………………………. ……………………………………………………………… ………………………………………………………………………………………………. ……………………………………………………………… ………………………………………………………………………………………………. ……………………………………………………………… ………………………………………………………………………………………………. ……………………………………………………………… ………………………………………………………………………………………………. ……………………………………………………………… ………………………………………………………………………………………………. ……………………………………………………………… ………………………………………………………………………………………………. ……………………………………………………………… ………………………………………………………………………………………………. ……………………………………………………………… ………………………………………………………………………………………………. ……………………………………………………………… ………………………………………………………………………………………………. ……………………………………………………………… ………………………………………………………………………………………………. ……………………………………………………………… ………………………………………………………………………………………………. ……………………………………………………………… Tp.Hồ Chí Minh. Ngày ….. Tháng …… Năm 2013 Giáo viên phản biện SVTH: : Bùi Văn Dương trang 2
  3. GVHD : Nguyễn Tấn Lũy Lời Cảm Ơn Chúng em xin gửi lời cảm ơn chân thành tới Ban Giám Hiệu và các th ầy cô trường ĐH Công Nghiệp TP. Hồ Chí Minh đã tận tình giảng dạy chúng em trong thời gian qua. Trong quá trình thực hiện đồ án môn học, chúng em xin chân thành cảm ơn GVHD Thầy Nguyễn Tấn Lũy đã tận tình giúp đỡ tạo điều kiện cho chúng em xây dựng và phát triển đề tài, các thầy cô trong khoa, ban quản lý thư viện trường cùng các bạn trong và ngoài lớp đã trao đổi, góp ý, giúp đ ỡ chúng em hoàn thành đồ án môn học. SVTH: : Bùi Văn Dương trang 3
  4. GVHD : Nguyễn Tấn Lũy Mục Lục Chương 1 giới thiêu.....................................................................................................6 Chương 2 nội dung.........................................................................................................7 I lý thuyet co ban..............................................................................................................7 1 mạng noron ...................................................................................................................7 1.1 câu trúc và mô hình mạng noron ..............................................................................7 1.2 câu tạo và Phuong thưc làm việc của mạng noron...............................................11 1.3 các luật học..............................................................................................................20 1.4 Thuật toán lan truyền ngược ................................................................................24 1.5 Kết luận .................................................................................................................32 2 xử lý ảnh trong matlab...........................................................................................33 2.1 một số lẹnh cơ bản trong xử lý ảnh......................................................................34 2.2 Các bước thu thập ảnh cỏ bản..............................................................................38 2.3 Tao giao diện gui.....................................................................................................41 3 kết nối matlab và PLC...........................................................................................46 3.1 tạo kết nối với PC Access.....................................................................................46 3.2 các bước tạo kết nôi OPC.....................................................................................48 II Thiết kế và thi công mô hình....................................................................................53 1 Phần Cứng………………………………………………………………. ……………..53 2 Nguyên Lý Hoạt Động…………………………………………………………….54 3 Sơ đồ khối...................................................................................................................55 3.1 khối camera..............................................................................................................56 3.2Khối cảm biến..........................................................................................................56 3.3 Khối máy tính ..........................................................................................................57 4 Học và huấn luyện mạng Noron...............................................................................57 4.1 Ma trận dữ liệu .......................................................................................................57 4.2 Tạo ma trận dữ liệu ra............................................................................................59 4.3 tao mạng noron qua công cu network nẻual..........................................................60 5 Phần mềm ..................................................................................................................66 SVTH: : Bùi Văn Dương trang 4
  5. GVHD : Nguyễn Tấn Lũy 5.1 Lưu đồ chương trình chính ....................................................................................66 5.2 Lưu đồ xử lý ảnh ...................................................................................................67 III Thực nghiệm ...........................................................................................................69 1 Thiết lập thực nghiệm.........................................................................................69 2 kết quả......................................................................................................................69 3 đánh giá........................................................................................................................69 IV kết luận và hướng phát triển .................................................................................70 1 kết luân.....................................................................................................................70 2 hướng phát triên..........................................................................................................70 Phụ lục............................................................................................................................71 CHƯƠNG 1 . GIỚI THIỆU Thời đại tự động hóa và số hóa đang đóng một vai trò thiết yếu trong t ất cả các ngành trên mọi lĩnh vực và đời sống. mọi công việc tự động hóa d ựa trên số hóa và xử lý hình ảnh đang thực sự làm giảm bớt đi công sức và ti ền b ạc cho xã hội. làm đẩy nhanh tốc độ xử lý công việc, mang l ại nhi ều thu ận l ợi v ề th ời gian trong sản xuất và đời sống, cuộc sống trở nên tiện ích và hiện đại hơn Là một sinh viên của ngành tự động nắm được ý nghĩa trên em đã quy ết định chọn đề tài “ Nhận dạng hình dáng sản phẩm dùng x ử lý ảnh và m ạng noural nhân tạo” , dựa trên nên tảng của mô hình “SMC automatic 200” đã đ ược làm đồ án trước đó, đề tài này là một hướng phát triển ,nó đã trở nên ưu vi ệt và hiệu quả hơn rất nhiều so với đề tài trước đó. Đề tài thực sự hữu ích cho những ai học ngành tự động vì nó đòi hỏi người làm phải kiên trì , tìm hiểu và nghiên cứu rất nhi ều. nó đã cho em hi ểu nhiều về matlab, về xử lý ảnh và đặc biệt là hiểu về mạng neural còn khá m ới mẽ, nhưng cũng đã được ứng dụng rất nhiều trong thực tế. Tuy đã hết sức cố gắng để hoàn thành đề tài. Tuy nhiên không thể tránh khỏi những thiếu xót và khiếm khuyết rất mong được quý thầy cô và các bạn góp ý để em có thể ngày càng hoàn thiện hơn SVTH: : Bùi Văn Dương trang 5
  6. GVHD : Nguyễn Tấn Lũy CHƯƠNG 2. NỘI DUNG I LÝ THUYẾT CƠ BẢN 1. Mạng Noron 1.1 Cấu Trúc Và Mô Hình Mạng Nơron 1.1.1 Mô hình một nơron sinh học Phần tử xử lý cơ bản của một mạng nơron sinh học là một nơron, ph ần tử này có thể chia làm bốn thành phần cơ bản như sau: dendrites, soma, axon, và synapses. - Dendrites: là phần nhận tín hiệu đầu vào. - Soma: là hạt nhân. - Axon: là phần dẫn ra tín hiệu xử lý. - Synapses: là đường tín hiệu điện hóa giao tiếp giữa các nơron. Kiến trúc cơ sở này của bộ não con người có một vài đặc tính chung. Một cách tổng quát, thì một nơron sinh học nhận đầu vào từ các nguồn khác nhau, kết hợp chúng tại với nhau, thực thi tổ hợp phi tuyến chúng để cho ra kết qu ả cuối cùng ở đầu ra. Hình 1.1 chỉ ra mối quan hệ giữa bốn ph ần t ử c ủa một nơron sinh học. Hình 1.1.1 Một nơron sinh học SVTH: : Bùi Văn Dương trang 6
  7. GVHD : Nguyễn Tấn Lũy Một nơron sinh học chỉ có một số chức năng cơ bản nh ư vậy, ta nh ận thấy khả năng xử lý thông tin của nó là rất y ếu. Để có được kh ả năng xử lý thông tin hoàn hảo như bộ não con người, thì các nơron ph ải kết h ợp và trao đ ổi thông tin với nhau. Ta hình dung sơ đồ liên kết, và trao đ ổi thông tin gi ữa hai nơron như hình 1.2. Hình 1.1.2. Sự liên kết các nơron 1.1.2 Cấu trúc và mô hình của một nơron nhân tạo Mô hình toán học của mạng nơron sinh học được đ ề xu ất b ởi McCulloch và Pitts, thường được gọi là nơron M-P, ngoài ra nó còn được g ọi là ph ần t ử x ử lý và được ký hiệu là PE (Processing Element). Mô hình nơron có m đầu vào x1, x2, ..., xm, và một đầu ra yi như sau: SVTH: : Bùi Văn Dương trang 7
  8. GVHD : Nguyễn Tấn Lũy Hình 1.1.3 Mô hình một nơron nhân tạo Giải thích các thành phần cơ bản: - Tập các đầu vào: Là các tín hiệu vào của nơron, các tín hiệu này thường được đưa vào dưới dạng một vector m chiều. - Tập các liên kết (các trọng số): Mỗi liên kết được th ể hiện bởi m ột trọng số (thường được gọi là trọng số liên kết). Trọng số liên kết gi ữa tín hiệu vào thứ j cho nơron i thường được ký hiệu là w ij. Thông thường các trọng số này được khởi tạo ngẫu nhiên ở thời điểm khởi tạo mạng và được cập nhật liên tục trong quá trình học mạng. - Bộ tổng (Hàm tổng): Thường dùng để tính tổng của tích các đầu vào với trọng số liên kết của nó. - Ngưỡng: Ngưỡng này thường được đưa vào như một thành phần của hàm truyền. - Hàm truyền: Hàm này dùng để giới hạn phạm vi đầu ra của mỗi nơron. Nó nhận đầu vào là kết quả của hàm tổng và ngưỡng đã cho. Thông thường, phạm vi đầu ra của mỗi nơron được giới hạn trong đoạn [0,1] hoặc [-1,1]. Các hàm truyền rất đa dạng, có th ể là các hàm SVTH: : Bùi Văn Dương trang 8
  9. GVHD : Nguyễn Tấn Lũy tuyến tính hoặc phi tuyến. Việc lựa ch ọn hàm truy ền tùy thuộc vào từng bài toán và kinh nghiệm của người thiết kế mạng. - Đầu ra: Là tín hiệu đầu ra của một nơron, với mỗi nơron s ẽ có t ối đa một đầu ra. Về mặt toán học, cấu trúc của một nơron i được mô tả bằng cặp bi ểu thức sau: và trong đó: x1, x2, …xm là các tín hiệu đầu vào, còn wi1, wi2,…,wim là các trọng số kết nối của nơron thứ i, net i là hàm tổng, f là hàm truyền, là một ngưỡng, y i là tín hiệu đầu ra của nơron. Như vậy, tương tự như nơron sinh học, nơron nhân tạo cũng nh ận các tín hiệu đầu vào, xử lý (nhân các tín hiệu này với trọng s ố liên k ết, tính t ổng các tích thu được rồi gửi kết quả đến hàm truyền), và cho một tín hiệu đầu ra (là kết quả của hàm truyền). • Hàm truyền có thể có các dạng sau: - Hàm bước (1.6) - Hàm giới hạn chặt (hay còn gọi là hàm bước) (1.7) - Hàm bậc thang (1.8) - Hàm ngưỡng đơn cực với λ>0 (1.9) - Hàm ngưỡng hai cực với λ>0 (1.10) • Đồ thị các dạng hàm truyền được biểu diễn như sau: SVTH: : Bùi Văn Dương trang 9
  10. GVHD : Nguyễn Tấn Lũy Hình 1.1.4 Đồ thị các dạng hàm truyền 1.2 Cấu Tạo Và Phương Thức Làm Việc Của Mạng Nơron Dựa trên những phương pháp xây dựng nơron đã trình bày ở mục trên, ta có thể hình dung mạng nơron như là một hệ truyền đạt và xử lý tín hi ệu. Đ ặc tính truyền đạt của nơron phần lớn là đặc tính truyền đạt tĩnh. Khi liên kết các đầu vào/ra của nhiều nơron với nhau, ta thu đ ược m ột m ạng nơron, việc ghép nối các nơron trong mạng với nhau có thể là theo một nguyên tắc bất kỳ. Vì mạng nơron là một hệ truyền đạt và xử lý tín hi ệu, nên có th ể phân biệt các loại nơron khác nhau, các nơron có đầu vào nh ận thông tin t ừ môi trường bên ngoài khác với các nơron có đầu vào được nối với các nơron khác trong mạng, chúng được phân biệt với nhau qua vector hàm trọng số ở đầu vào w. Nguyên lý cấu tạo của mạng nơron bao gồm nhiều lớp, mỗi lớp bao g ồm nhiều nơron có cùng chức năng trong mạng. Hình 1.5 là mô hình ho ạt đ ộng c ủa một mạng nơron 3 lớp với 8 phần tử nơron. Mạng có ba đầu vào là x1, x2, x3 và hai đầu ra y1, y2. Các tín hiệu đầu vào được đưa đến 3 nơron đầu vào, 3 nơron SVTH: : Bùi Văn Dương trang 10
  11. GVHD : Nguyễn Tấn Lũy này làm thành lớp đầu vào của mạng. Các nơron trong lớp này được gọi là nơron đầu vào. Đầu ra của các nơron này được đưa đến đầu vào của 3 nơron tiếp theo, 3 nơron này không trực tiếp tiếp xúc với môi trường bên ngoài mà làm thành lớp ẩn, hay còn gọi là lớp trung gian. Các nơron trong l ớp này có tên là nơron nội hay nơron ẩn. Đầu ra của các nơron này được đưa đến 2 nơron đưa tín hiệu ra môi trường bên ngoài. Các nơron trong lớp đầu ra này được gọi là nơron đầu ra. Hình 1.1.5 Mạng nơron ba lớp Mạng nơron được xây dựng như trên là mạng gồm 3 lớp mắc nối tiếp nhau đi từ đầu vào đến đầu ra. Trong mạng không tồn tại bất kỳ một mạch h ồi ti ếp nào. Một mạng nơron có cấu trúc như vậy gọi là mạng một hướng hay mạng truyền thẳng một hướng (Feed forward network), và có cấu trúc mạng ghép n ối hoàn toàn (vì bất cứ một nơron nào trong mạng cũng được nối với một hoặc vài nơron khác). Mạng nơron bao gồm một hay nhiều lớp trung gian đ ược gọi là mạng Multilayer Perceptrons) (MLP-Network). Mạng nơron khi mới được hình thành thì chưa có tri th ức, tri th ức c ủa m ạng sẽ được hình thành dần dần sau một quá trình học. Mạng n ơron đ ược h ọc b ằng cách đưa vào những kích thích, và mạng hình thành những đáp ứng tương ứng, SVTH: : Bùi Văn Dương trang 11
  12. GVHD : Nguyễn Tấn Lũy những đáp ứng tương ứng phù hợp với từng loại kích thích s ẽ được l ưu tr ữ. Giai đoạn này được gọi là giai đoạn học của mạng. Khi đã hình thành tri th ức mạng, mạng có thể giải quyết các vấn đề một cách đúng đắn. Đó có th ể là v ấn đề ứng dụng rất khác nhau, được giải quyết chủ yếu dựa trên sự tổ chức hợp nhất giữa các thông tin đầu vào của mạng và các đáp ứng đầu ra. • Nếu nhiệm vụ của một mạng là hoàn chỉnh hoặc hiệu ch ỉnh các thông tin thu được không đầy đủ hoặc bị tác động của nhiễu. Mạng nơron kiểu này được ứng dụng trong lĩnh vực hoàn thiện mẫu, trong đó có m ột ứng dụng cụ thể là nhận dạng chữ viết. • Nhiệm vụ tổng quát của một mạng nơron là lưu giữ động các thông tin. Dạng thông tin lưu giữ này chính là quan hệ giữa các thông tin đ ầu vào và các đáp ứng đầu ra tương ứng, để khi có một kích thích bất kỳ tác động vào mạng, mạng có khả năng suy diễn và đưa ra một đáp ứng phù hợp. Đây chính là chức năng nhận dạng theo mẫu của mạng nơron. Để th ực hiện chức năng này, mạng nơron đóng vai trò như một bộ phận tổ ch ức các nhóm thông tin đầu vào, và tương ứng với mỗi nhóm là một đáp ứng đầu ra phù hợp. Như vậy, một nhóm bao gồm một loại thông tin đ ầu vào và một đáp ứng đầu ra. Các nhóm có thể được hình thành trong quá trình học, và cũng có thể không hình thành trong quá trình học. Hình 1.6 là một số liên kết đặc thù của mạng nơron. Nơron được vẽ là các vòng tròn xem như một tế bào thần kinh, chúng có các mối liên h ệ đến các nơron khác nhờ các trọng số liên kết. Tập h ợp các trọng số liên k ết này s ẽ l ập thành các ma trận trọng số tương ứng. 1.2.1 Mạng nơron một lớp Mỗi một nơron có thể phối hợp với các nơron khác t ạo thành m ột l ớp các trọng số. Mạng một lớp truyền thẳng như hình 1.6a. Một lớp nơron là một SVTH: : Bùi Văn Dương trang 12
  13. GVHD : Nguyễn Tấn Lũy nhóm các nơron mà chúng đều có cùng trọng số, nhận cùng một tín hi ệu đ ầu vào đồng thời. Trong ma trận trọng số, các hàng là thể hiện nơron, hàng th ứ j có th ể đ ặt nhãn như một vector wj của nơron thứ j gồm m trọng số w ji. Các trọng số trong cùng một cột thứ j (j=1,2,...,n) đồng thời cùng nhận một tín hiệu đầu vào xj. wj = [wj1, wj2, ..., wjm] Tại cùng một thời điểm, vector đầu vào x = [x1, x2,..., xn] có thể là một nguồn bên ngoài là cảm biến hoặc thiết bị đo lường đưa tới mạng. (a) Mạng truyền thẳng một lớp (b) Mạng hồi tiếp một lớp (c) Mạng truyền thẳng nhiều lớp SVTH: : Bùi Văn Dương trang 13
  14. GVHD : Nguyễn Tấn Lũy (d) Mạng nơron hồi quy Hình 1.1.6 Một số dạng mạng nơron 1.2.2 Mạng nơron truyền thẳng nhiều lớp Mạng nơron nhiều lớp (Hình 1.6.c) có các lớp được phân chia thành 3 lo ại sau đây: • Lớp vào là lớp nơron đầu tiên nhận tín hiệu vào x i (i = 1, 2, ..., n). Mỗi tín hiệu xi được đưa đến tất cả các nơron của lớp đầu vào. Thông thường, các nơron đầu vào không làm biến đổi các tín hiệu vào x i, tức là chúng không có các trọng số hoặc không có các loại hàm chuy ển đ ổi nào, chúng chỉ đóng vai trò phân phối các tín hiệu. • Lớp ẩn là lớp nơron sau lớp vào, chúng không trực tiếp liên hệ với th ế giới bên ngoài như các lớp nơron vào/ra. • Lớp ra là lớp nơron tạo ra các tín hiệu ra cuối cùng. 1.2.3 Mạng nơron phản hồi Mạng nơron phản hồi là mạng mà đầu ra của mỗi nơron được quay trở lại nối với đầu vào của các nơron cùng lớp được gọi là mạng Laeral như hình 1.6b 1.2.4 Mạng nơron hồi quy Mạng nơron phản hồi có thể thực hiện đóng vòng được gọi là m ạng nơron hồi quy như hình 1.6d. Mạng nơron hồi quy có trọng số liên k ết đ ối x ứng như mạng Hopfield, mạng luôn hội tụ về trạng thái ổn định (Hình 1.6.b). M ạng BAM thuộc nhóm mạng nơron hồi quy, gồm 2 lớp liên k ết 2 chi ều, không đ ược gắn với tín hiệu vào/ra. Nghiên cứu mạng nơron hồi quy mà có trọng số liên k ết SVTH: : Bùi Văn Dương trang 14
  15. GVHD : Nguyễn Tấn Lũy không đối xứng, thì sẽ gặp phải vấn đề phức tạp nhiều h ơn so với mạng truyền thẳng và mạng hồi quy có trọng số liên kết đối xứng. 1.2.5 Mạng Hopfield Mạng Hopfield là mạng phản hồi một lớp, được chỉ ra trong hình 1.6.b. Cấu trúc chi tiết của nó được thể hiện trong hình 1.7. Khi hoạt đ ộng v ới tín hiệu rời rạc, nó được gọi là mạng Hopfield rời rạc, và cấu trúc c ủa nó cũng được gọi là mạng hồi quy. Hình 1.1.7 Cấu trúc của mạng Hopfield Như mạng Hopfield đã vẽ ở trên, ta thấy nút có một đ ầu vào bên ngoài x j và một giá trị ngưỡng (j = 1,2,...n). Một điều quan trọng cần nói ở đây là mỗi nút không có đường phản hồi về chính nó. Nút đầu ra thứ j được nối tới mỗi đầu vào của nút khác qua trọng số wij, với ij, (i = 1,2,...,n), hay nói cách khác w ii = 0, (với i = 1,2,...,n). SVTH: : Bùi Văn Dương trang 15
  16. GVHD : Nguyễn Tấn Lũy Một điều quan trọng nữa là trọng số của mạng Hopfield là đối xứng, t ức là wij = wji, (với i,j = 1,2,...,n). Khi đó, luật cập nhật cho m ỗi nút mạng là nh ư sau: i = 1,2,...,n (1.11) Luật cập nhật trên được tính toán trong cách thức không đồng bộ. Đi ều này có nghĩa là, với một thời gian cho trước, chỉ có một nút mạng cập nhật được đầu ra của nó. Sự cập nhật tiếp theo trên một nút sẽ s ử dụng chính nh ững đ ầu ra đã được cập nhật. Nói cách khác, dưới hình thức hoạt động không đồng bộ của mạng, mỗi đầu ra được cập nhật độc lập. Có sự khác biệt giữa luật cập nhật đồng bộ và luật c ập nh ật không đ ồng bộ. Với luật cập nhật không đồng bộ thì sẽ ch ỉ có một tr ạng thái cân b ằng c ủa hệ (với giá trị đầu đã được xác định trước). Trong khi đó, v ới lu ật c ập nh ật đồng bộ thì có thể làm mạng hội tụ ở mỗi điểm cố định hoặc một vòng gi ới hạn. 1.2.6 Mạng BAM Mạng BAM bao gồm hai lớp và được xem như là trường hợp mở rộng của mạng Hopfield. Ở đây ta chỉ xét mạng rời rạc, vì nó đơn giản và dễ hiểu. Hình 1.1.8 Cấu trúc của BAM SVTH: : Bùi Văn Dương trang 16
  17. GVHD : Nguyễn Tấn Lũy Khi mạng nơron được tích cực với giá trị đầu vào của vector t ại đ ầu vào của một lớp, mạng sẽ có hai mẫu trạng thái ổn định, với mỗi m ẫu t ại đ ầu ra của nó là một lớp. Tính động học của mạng thể hiện dưới dạng tác động qua l ại gi ữa hai lớp. Cụ thể hơn, giả sử một vector đầu vào x được cung cấp cho đầu vào của lớp nơron y. Đầu vào được xử lý và truyền tới đầu ra của lớp y như sau: y’ = a(wx) ; ; với i = 1,2,...,n (1.12) Ở đó a(.) là hàm truyền, vector y’ bây giờ lại nuôi trở l ại l ớp n ơron X và t ạo nên đầu ra như sau: x’ = a(wTy’); ; với j = 1,2,...,m (1.13) Sau đó x’ nuôi trở lại đầu vào của lớp y và tạo ra hàm y’’ theo phương trình (1.12). Quá trình này cứ tiếp tục, bao gồm các bước như sau: y(1) = a(wx(0)) (truyền thẳng lần thứ nhất) x(2) = a(w(T)y(1)) (truyền ngược lần thứ nhất) y(3) = a(wx(2)) (truyền thẳng lần thứ hai) x(4) = a(w(T)y(3)) (truyền ngược lần thứ hai) (1.14) y(k-1) = a(wx(k-2)) (truyền thẳng lần thứ k/2) x(k) = a(w(T)y(k-1)) (truyền ngược lần thứ k/2) Chú ý rằng trạng thái cập nhật trong ph ương trình (1.14) là đ ồng b ộ theo phương trình (1.12) và (1.13). Trạng thái cập nhật cũng có th ể không đồng b ộ theo phương trình (1.12) và (1.13) với các nút i, j được chọn tự do. Người ta đã chỉ ra rằng, hệ thống ổn định cho cả hai chế độ đồng bộ và không đồng bộ. Tuy nhiên, chế độ đồng bộ sẽ làm cho hệ thống hội tụ nhanh hơn nhiều. 1.3 Các Luật Học Thông thường, mạng nơron được điều chỉnh hoặc được huấn luy ện để hướng các đầu vào riêng biệt đến đích ở đầu ra. C ấu trúc huấn luy ện m ạng SVTH: : Bùi Văn Dương trang 17
  18. GVHD : Nguyễn Tấn Lũy được chỉ ra ở hình dưới. Ở đây, hàm trọng số của mạng được điều chỉnh trên cơ sở so sánh đầu ra với đích mong muốn (taget), cho t ới khi đ ầu ra c ủa m ạng phù hợp với đích. Những cặp vào/đích (input/taget) được dùng để giám sát cho s ự huấn luyện mạng. Hình 1.1.9: Cấu trúc huấn luyện mạng nơron Để có được một số cặp vào/ra, ở đó mỗi giá trị vào được gửi đến mạng và giá trị ra tương ứng được thực hiện bằng mạng là sự xem xét và so sánh với giá trị mong muốn. Bình thường, nó sẽ tồn tại một sai số vì giá trị mong muốn không hoàn toàn phù hợp với giá trị thực. Sau mỗi l ần ch ạy, ta có t ổng bình phương của tất cả các sai số. Sai số này được sử dụng để xác định các hàm trọng số mới. Sau mỗi lần chạy, hàm trọng số của mạng được sửa đổi với đặc tính t ốt hơn tương ứng với đặc tính mong muốn. Từng cặp giá trị vào/ra phải được kiểm tra và trọng số được điều chỉnh một vài lần. Sự thay đổi các hàm tr ọng s ố của mạng sẽ được dừng lại, nếu tổng các bình ph ương sai số nh ỏ h ơn m ột giá trị đặt trước, hoặc đã chạy đủ một số lần chạy xác định (trong trường h ợp này, mạng có thể không thoả mãn yêu cầu đặt ra do sai lệch còn cao). Có hai ki ểu học: • Học tham số: là các tham số về trọng số cập nhật kết nối giữa các nơron. • Học cấu trúc: trọng tâm là sự biến đổi cấu trúc của các m ạng n ơron g ồm số lượng nút và các loại liên kết. Giả sử ma trận trọng số bao gồm tất cả các phần tử thích ứng của m ạng nơron. Nhiệm vụ của việc học tham số là tìm ra được ma trận chính xác mong SVTH: : Bùi Văn Dương trang 18
  19. GVHD : Nguyễn Tấn Lũy muốn từ ma trận giả thiết ban đầu (với cấu trúc của mạng nơron có sẵn). Để làm được điều này thì mạng nơron phải sử dụng các trọng số điều ch ỉnh, với nhiều phương pháp học khác nhau để có thể tính toán gần đúng ma tr ận W c ần tìm đặc trưng cho mạng. Sau đây là 3 phương pháp học: 1.3.1 Học có giám sát Học có giám sát: là quá trình học có tín hiệu ch ỉ đ ạo bên ngoài d (Hình 1.10). Trong học có giám sát, thì tại mỗi thời điểm khi đầu vào đ ược cung c ấp tới mạng nơron, phản ứng đầu ra mong muốn d tương ứng của h ệ th ống đ ược đưa ra. Ở hình (1.10), khi mỗi đầu vào x (k) được đặt vào mạng, đầu ra mong muốn tương ứng d(k) cũng được cung cấp tới mạng. Hiệu giữa đầu ra thực y (k) và đầu ra mong muốn d(k) được đo trong máy phát tín hiệu lỗi. Máy này sẽ tạo ra tín hiệu lỗi cho mạng để hiệu chỉnh các trọng số của mạng, và với các hi ệu chỉnh này thì đầu ra thực sẽ tiến sát với đầu ra mong muốn. Hình 1.1.10: Học có giám sát 1.3.2 Học củng cố Tín hiệu chủ đạo d có thể lấy từ môi trường bên ngoài, nh ưng tín hi ệu này không được đầy đủ, mà chỉ có một vài bit đại diện có tính chất kiểm tra quá trình tốt hay xấu. Học củng cố cũng là một dạng của học có giám sát, b ởi vì mạng vẫn nhận một số tín hiệu từ bên ngoài. Nhưng tín hiệu phản hồi chỉ mang tính chất đánh giá hơn là mạng tính chất chỉ dẫn. Nó cho biết mức độ tốt hay xấu của một đầu ra đặc biệt. Tín hiệu củng cố bên ngoài th ường được xử lý SVTH: : Bùi Văn Dương trang 19
  20. GVHD : Nguyễn Tấn Lũy bằng máy phát tín hiệu đánh giá để tạo ra nhiều hơn nữa các thông tin tín hiệu đánh giá, sau đó dùng để điều chỉnh các trọng số với mục đích đạt được tín hiệu đánh giá tốt hơn. 1.3.3 Học không có giám sát Hình 1.1.11: Học không có giám sát Trong phần học không có giám sát, sẽ không có thầy hướng dẫn, tức là không có tín hiệu d cung cấp tới mạch phản hồi. Điều này cho th ấy, ta s ẽ không biết đầu ra đạt giá trị gì. Với loại này, thì các n ơron t ự xoay x ở v ới các d ữ li ệu mẫu mà nó có được, chứ không có “thầy” gợi ý cần luyện theo hướng nào. Mạng phải tự khám phá mẫu, đặc tính, sự tương quan hay loại đầu vào. Trong khi khám phá những đặc tính này, tham số của mạng sẽ bị thay đổi. Quá trình này được gọi là tự tổ chức. Một ví dụ điển hình là quá trình phân loại đối tượng không có thầy, những lớp thích hợp được hình thành b ằng cách khám phá s ự tương tự và không tương tự trong số các đối tượng. Hình (1.12) mô tả cấu trúc chung của quá trình học của ba ph ương pháp học đã nêu ở trên. Trong tín hiệu vào xj (j = 1,2,...,m), có thể được lấy từ đầu ra của các nơron khác hoặc có thể được lấy ra từ bên ngoài. Trọng số của nơron thứ i được thay đổi tùy theo tín hiệu ở đầu vào mà nó thu nhận giá trị đầu ra c ủa nó. Dạng tổng quát của luật học trọng số của mạng nơron cho biết s ố gia của vector wi là tỉ lệ với tín hiệu học r và tín hiệu đầu vào x(t). SVTH: : Bùi Văn Dương trang 20
ADSENSE

CÓ THỂ BẠN MUỐN DOWNLOAD

LV.11: Bộ Luận Văn Tốt Nghiệp Chuyên Ngành Tài Chính Ngân Hàng
172 tài liệu
835 lượt tải
THÔNG TIN
TRỢ GIÚP
HỖ TRỢ KHÁCH HÀNG
Theo dõi chúng tôi

Chịu trách nhiệm nội dung:

Nguyễn Công Hà - Giám đốc Công ty TNHH TÀI LIỆU TRỰC TUYẾN VI NA

LIÊN HỆ

Địa chỉ: P402, 54A Nơ Trang Long, Phường 14, Q.Bình Thạnh, TP.HCM

Hotline: 093 303 0098

Email: support@tailieu.vn

Giấy phép Mạng Xã Hội số: 670/GP-BTTTT cấp ngày 30/11/2015 Copyright © 2022-2032 TaiLieu.VN. All rights reserved.

 

Đồng bộ tài khoản
11=>2