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

Dự báo mực nước sông cao nhất, thấp nhất trong ngày sử dụng mô hình hỗn hợp

Chia sẻ: _ _ | Ngày: | Loại File: PDF | Số trang:14

Thêm vào BST
Báo xấu
45
lượt xem 3
download
 
  Download Vui lòng tải xuống để xem tài liệu đầy đủ

Bài báo đề xuất ứng dụng mô hình hỗn hợp để ước lượng mực nước sông cao nhất và thấp nhất trong ngày, trong đó thành phần tuyến tính được ước lượng bằng SVD (Singular Value Decomposition) và thành phần phi tuyến ước lượng bằng máy học vec-tơ hỗ trợ SVM (Support Vector Mechine).

Chủ đề:

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

Lưu

Nội dung Text: Dự báo mực nước sông cao nhất, thấp nhất trong ngày sử dụng mô hình hỗn hợp

  1. SỐ 1 (72) 2021 Địa chỉ: - Số 1: Số 24, Thái Học 2, phường Sao Đỏ, thành phố Chí Linh, tỉnh Hải Dương - Số 2: Số 72, đường Nguyễn Thái Học/Quốc lộ 37, phường Thái Học, thành phố Chí Linh, tỉnh Hải Dương - Điện thoại: (0220) 3882 269 Fax: (0220) 3882 921 Website: http://saodo.edu.vn Email: info@saodo.edu.vn Số 1 (72) 2021 TẠP CHÍ NGHIÊN CỨU KHOA HỌC ISSN 1859-4190 Địa chỉ Tòa soạn: Trường Đại học Sao Đỏ. Số 24, Thái Học 2, phường Sao Đỏ, thành phố Chí Linh, tỉnh Hải Dương. Điện thoại: (0220) 3587213, Fax: (0220) 3882 921, Hotline: 0912 107858/0936 847980. Số 1 (72) Website: h p://tapchikhcn.saodo.edu.vn/Email: tapchikhcn@saodo.edu.vn. Giấy phép xuất bản số: 1003/GP-BTTT, ngày 06/7/2011 và Giấy phép sửa đổi, bổ sung số: 293/GP-BTTTT 2021 ngày 03/06/2016 của Bộ Thông n và Truyền thông. Mã chuẩn quốc tế số: 47/TTKHCN-ISSN, ngày 21/7/2011 của Cục Thông n Khoa học và Công nghệ Quốc gia. In 2.000 bản, khổ 21 × 29,7cm, tại Công ty TNHH in Tre Xanh, cấp ngày 17/02/2011.
  2. T H ỂLỆG Ử IB À I T Ạ PC H ÍN GHIÊ NCỨUK HOAH Ọ C ,TRƯỜ NGÐ ẠIHỌCS A OÐ Ỏ Tạp chí Nghiên cứu khoa học, Trường Đại học Sao Đỏ (ISSN 1859-4190), thường xuyên công bố kết quả, công trình nghiên cứu khoa học và công nghệ của các nhà khoa học, cán bộ, giảng viên, nghiên cứu sinh, học viên cao T ổ n g B iê n t ậ p E d it o r -in -C h ie f học, sinh viên ở trong và ngoài nước. TS. Đỗ Văn Đỉnh Dr. Do Van Dinh 1. P h ó T ổ n g b iê n t ậ p V ic e E d it o r -in - C h ie f học thuộc các lĩnh vực: Điện - Điện tử - Tự động hóa; Cơ khí - Động lực; Kinh tế; Triết học - Xã hội học - TS. Nguyễn Thị Kim Nguyên Dr. Nguyen Thi Kim Nguyen T h ư k ý Tò a so ạn O ff ic e S e c r e t a r y học; Toán học; Vật lý; Văn hóa - Nghệ thuật - Thể dục thể thao... TS. Ngô Hữu Mạnh Dr. Ngo Huu Manh 2. Bài nhận đăng là những công trình nghiên cứu khoa học chưa công bố trong bất kỳ ấn phẩm khoa học nào. 3. H ộ i đ ồ n g B iê n tậ p E d it o ria l B o a rd NGND.TS. Đinh Văn Nhượng - Chủ tịch Hội đồng Poeple's Teacher, Dr. Dinh Van Nhuong - Chairman Trường hợp bài báo phải chỉnh sửa theo thể lệ hoặc theo yêu cầu của Phản biện thì tác giả sẽ cập nhật trên GS.TS. Phạm Thị Ngọc Yến Prof.Dr. Pham Thi Ngoc Yen website. Người phản biện sẽ do toà soạn mời. Toà soạn không gửi lại bài nếu không được đăng. PGS.TSKH. Trần Hoài Linh Assoc.Prof.Dr.Sc. Tran Hoai Linh 4. Các công trình thuộc đề tài nghiên cứu có Cơ quan quản lý cần kèm theo giấy phép cho công bố của cơ PGS.TS. Nguyễn Quốc Cường Assoc.Prof.Dr. Nguyen Quoc Cuong quan (Tên đề tài, mã số, tên chủ nhiệm đề tài, cấp quản lý,…). PGS.TS. Nguyễn Văn Liễn Assoc.Prof.Dr. Nguyen Van Lien 5. GS.TSKH. Thân Ngọc Hoàn Prof.Dr.Sc. Than Ngoc Hoan GS.TSKH. Bành Tiến Long Prof.Dr.Sc. Banh Tien Long 6. Tên tác giả (không ghi học hàm, học vị), font Arial, cỡ chữ 10, in đậm, căn lề phải; cơ quan công tác của các GS.TS. Trần Văn Địch Prof.Dr. Tran Van Dich tác giả, font Arial, cỡ chữ 9, in nghiêng, căn lề phải. GS.TS. Phạm Minh Tuấn Prof.Dr. Pham Minh Tuan 7. Chữ “Tóm tắt” in đậm, font Arial, cỡ chữ 10; Nội dung tóm tắt của bài báo không quá 10 dòng, trình bày PGS.TS. Lê Văn Học Assoc.Prof.Dr. Le Van Hoc PGS.TS. Nguyễn Doãn Ý Assoc.Prof.Dr. Nguyen Doan Y 8. Chữ “Từ khóa” in đậm, nghiêng, font Arial, cỡ chữ 10; Có từ 03÷05 từ khóa, font Arial, cỡ chữ 10, in GS.TS. Đinh Văn Sơn Prof.Dr. Dinh Van Son nghiêng, ngăn cách nhau bởi dấu chấm phẩy, cuối cùng là dấu chấm. PGS.TS. Trần Thị Hà Assoc.Prof.Dr. Tran Thi Ha 9. PGS.TS. Trương Thị Thủy Assoc.Prof.Dr. Truong Thi Thuy TS. Vũ Quang Thập Dr. Vu Quang Thap PGS.TS. Nguyễn Thị Bất Assoc.Prof.Dr. Nguyen Thi Bat GS.TS. Đỗ Quang Kháng Prof.Dr. Do Quang Khang 10. Bài báo được đánh máy trên khổ giấy A4 (21 × 29,7cm) có độ dài không quá 8 trang, font Arial, cỡ chữ 10, TS. Bùi Văn Ngọc Dr. Bui Van Ngoc PGS.TS. Ngô Sỹ Lương Assoc.Prof.Dr. Ngo Sy Luong PGS.TS. Khuất Văn Ninh Assoc.Prof.Dr. Khuat Van Ninh Prof.Dr.Sc. Pham Hoang Hai Trong trường hợp hình vẽ, hình ảnh có kích thước lớn, bảng biểu có độ rộng lớn hoặc công thức, phương GS.TSKH. Phạm Hoàng Hải trình dài thì cho phép trình bày dưới dạng 01 cột. PGS.TS. Nguyễn Văn Độ Assoc.Prof.Dr. Nguyen Van Do Assoc.Prof.Dr. Doan Ngoc Hai 11. Tài liệu tham khảo được sắp xếp theo thứ tự tài liệu được trích dẫn trong bài báo. PGS.TS. Đoàn Ngọc Hải PGS.TS. Nguyễn Ngọc Hà Assoc.Prof.Dr. Nguyen Ngoc Ha - Nếu là sách/luận án: Tên tác giả (năm), Tên sách/luận án/luận văn, Nhà xuất bản/Trường/Viện, lần xuất bản/tái bản. B a n B iê n tậ p E d it o ria l - Nếu là bài báo/báo cáo khoa học: Tên tác giả (năm), Tên bài báo/báo cáo, Tạp chí/Hội nghị/Hội thảo, Tập/ Kỷ yếu, số, trang. ThS. Đoàn Thị Thu Hằng - Trưởng ban MSc. Doan Thi Thu Hang - Head ThS. Đào Thị Vân MSc. Dao Thi Van - Nếu là trang web: Phải trích dẫn đầy đủ tên website và đường link, ngày cập nhật. 12. THÔNG TIN LIÊN HỆ: Địa chỉ Tòa soạn: Trường Đại học Sao Đỏ. Ban Biên tập Tạp chí Nghiên cứu khoa học, Trường Đại học Sao Đỏ Số 24, Thái Học 2, phường Sao Đỏ, thành phố Chí Linh, tỉnh Hải Dương. Phòng 203, Tầng 2, Nhà B1, Trường Đại học Sao Đỏ Điện thoại: (0220) 3587213, Fax: (0220) 3882 921, Hotline: 0912 107858/0936 847980. Địa chỉ: Số 24 Thái Học 2, phường Sao Đỏ, thành phố Chí Linh, tỉnh Hải Dương Website: h p://tapchikhcn.saodo.edu.vn/Email: tapchikhcn@saodo.edu.vn. Điện thoại: (0220) 3587213, Fax: (0220) 3882921, Hotline: 0912 107858/0936 847980 Giấy phép xuất bản số: 1003/GP-BTTT, ngày 06/7/2011 và Giấy phép sửa đổi, bổ sung số: 293/GP-BTTTT ngày 03/06/2016 của Bộ Thông n và Truyền thông. Email: tapchikhcn@saodo.edu.vn Mã chuẩn quốc tế số: 47/TTKHCN-ISSN, ngày 21/7/2011 của Cục Thông n Khoa học và Công nghệ Quốc gia. In 2.000 bản, khổ 21 × 29,7cm, tại Công ty TNHH in Tre Xanh, cấp ngày 17/02/2011. Tạp chí Nghiên cứu khoa học, Trường Đại học Sao Đỏ, ISSN 1859-4190, Số 1 (72) 2021
  3. LIÊN NGÀNH ĐIỆN - ĐIỆN TỬ - TỰ ĐỘNG HÓA TẠP CHÍ NGHIÊN CỨU KHOA HỌC TRONG SỐ NÀY ĐẠI HỌC SAO ĐỎ Số 1(72) 2021 LIÊN NGÀNH ĐIỆN - ĐIỆN TỬ - TỰ ĐỘNG HÓA Dự báo mực nước sông cao nhất, thấp nhất trong ngày Đỗ Văn Đỉnh sử dụng mô hình hỗn hợp Nguyễn Trọng Quỳnh Vũ Văn Cảnh Phạm Văn Nam Thiết kế bộ điều khiển mờ cho hệ thống điều khiển vô Lê Ngọc Hòa hướng động cơ điện không đồng bộ ba pha rôto lồng sóc Vũ Hồng Phong có tham số mômen quán tính J biến đổi Đánh giá hiệu năng chống nhiễu của bộ thu GPS sử dụng Phạm Việt Hưng kiến trúc bộ lọc hạt điểm Lê Thị Mai Nguyễn Trọng Các Lựa chọn sơ đồ cấp điện và luật điều khiển công suất Phạm Công Tảo đầu ra cho máy điện từ kháng LIÊN NGÀNH CƠ KHÍ - ĐỘNG LỰC Tối ưu hóa chế độ cắt và độ nhám bề mặt khuôn dập khi Ngô Hữu Mạnh gia công vật liệu composite nền nhựa, cốt hạt Mạc Thị Nguyên Lê Hoàng Anh Châu Vĩnh Tiến Phân tích cấu trúc và tiềm năng của hệ truyền động thủy Vũ Hoa Kỳ tĩnh ng dụng trên máy k o lâm nghiệp Trần Hải Đăng Nguyễn Long Lâm Nghiên c u ảnh hưởng chiều cao, độ vi sai của thanh Nguyễn Thị Hiền răng đến độ giãn đường may 516 trên vải denim co giãn Đỗ Thị Làn Phạm Thị Kim Phúc Nghiên c u sự ảnh hưởng của phương pháp lấy mẫu Đào Đ c Thụ đến chất lượng của phương pháp 3olynomial Chaos áp Lương Quý Hiệp dụng cho hệ thống treo trên ô tô Phạm Văn Trọng Nghiên c u ảnh hưởng của chi số chỉ và mật độ mũi may 56 Bùi Thị Loan đến độ giãn đ t, độ bền đường may 406 trên vải TC Nguyễn Thị Hồi Đỗ Thị Tần Tạp chí Nghiên cứu khoa học, Trường Đại học Sao Đỏ, ISSN 1859-4190, Số 1 (72) 2021
  4. TẠP CHÍ NGHIÊN CỨU KHOA HỌC NGHIÊN CỨU KHOA HỌC TRONG SỐ NÀY ĐẠI HỌC SAO ĐỎ Số 1(72) 2021 NGÀNH TOÁN HỌC Sự không tồn tại nghiệm của phương trình elliptic nửa Nguyễn Thị Diệp Huyền tuyến tính suy biến NGÀNH KINH TẾ Bảo hiểm thất nghiệp trong phát triển kinh tế ở Việt Nam 66 Nguyễn Minh Tuấn Ứng dụng ma trận SWOT trong phát triển du lịch làng Vũ Thị Hường nghề truyền thống trên địa bàn tỉnh Hải Dương Giảm nghèo và phát triển bền vững ở Việt Nam Phạm Thị Hồng Hoa NGÀNH NGÔN NGỮ HỌC Nghiên c u thực trạng kỹ năng nói tiếng Anh và đề xuất Đặng Thị Minh Phương một số giải pháp nhằm nâng cao kỹ năng nói tiếng Anh Trần Hoàng Yến của sinh viên không chuyên Trường Đại học Sao Đỏ Tăng Thị Hồng Minh LIÊN NGÀNH HÓA HỌC - CÔNG NGHỆ THỰC PHẨM Nghiên c u tính chất cấu trúc của các cluster [Mo6 - Phạm Thị Điệp (X = F, Cl, Br, I) bằng phương pháp phiếm hàm mật độ Sử dụng Saccharomyces cerevisiae RV để lên men Bùi Văn Tú rượu vang từ quả sim (Rhodomyrtus tomentosa) Nguyễn Ngọc Tú LIÊN NGÀNH TRIẾT HỌC - XÃ HỘI HỌC - CHÍNH TRỊ HỌC Xóa đói, giảm nghèo ở Hải Dương trong thời kỳ đẩy mạnh Vũ Văn Đông công nghiệp hóa, hiện đại hóa hiện nay Vai trò của giáo dục và đào tạo đối với việc phát triển Phùng Thị Lý nguồn nhân lực chất lượng cao ở Việt 1am hiện nay Tạp chí Nghiên cứu khoa học, Trường Đại học Sao Đỏ, ISSN 1859-4190, Số 1 (72) 2021
  5. LIÊN NGÀNH ĐIỆN - ĐIỆN TỬ - TỰ ĐỘNG HÓA SCIENTIFIC JOURNAL SAO DO UNIVERSITY No 1(72) 2021 TITLE FOR ELECTRICITY - ELECTRONICS - AUTOMATION The daily highest and lowest river water levels are Do Van Dinh forecasted using a hybrid model Nguyen Trong Quynh Vu Van Canh Pham Van Nam Designing fuzzy controller for scalar control system of a Le Ngoc Hoa three-phase squirrel cage induction motor with variable J Vu Hong Phong môment of inertia Performance assesment in interference supression of Pham Viet Hung GPS receiver based on particle lter Le Thi Mai Nguyen Trong Cac Select power supply scheme and output power control Pham Cong Tao rule for the Switched Reluctance Machine TITLE FOR MECHANICAL AND DRIVING POWER ENGINEERING Optimation on the CNC cutting parameters and surface Ngo Huu Manh roughness of the mould during milling process composite Mac Thi Nguyen material of plastic base and grain cores Le Hoang Anh Chau Vinh Tien Analysis of structure and potential of application Vu Hoa Ky hydrostatic transmission system on forestry machine Tran Hai Dang Nguyen Long Lam Research on effects height and differenctial feed of Nguyen Thi Hien the tooth bar on seam deformation 516 on stretch Do Thi Lan denim fabric Pham Thi Kim Phuc Study on the e ects of the ampling method on quality Dao Duc Thu of 3olynmial Chaos method applying to automotive Luong Quy Hiep suspension system Pham Van Trong Study on the e ects of sewing thread count, density of 56 Bui Thi Loan stitch on the breaking elongation and seam strength 406 Nguyen Thi Hoi on TC fabric Do Thi Tan Tạp chí Nghiên cứu khoa học, Trường Đại học Sao Đỏ, ISSN 1859-4190, Số 1 (72) 2021
  6. NGHIÊN CỨU KHOA HỌC SCIENTIFIC JOURNAL SAO DO UNIVERSITY No 1(72) 2021 TITLE FOR MATHEMATICS Non-existence of solution of degenerative semilinear 62 Nguyen Thi Diep Huyen elliptic equations Unemployment insurance for economic development in 66 Nguyen Minh Tuan Vietnam Application of SWOT masterbon in traditional villa Vu Thi Huong tourism in Hai Duong province Poverty reduction and sustainable development in Pham Thi Hong Hoa Vietnam TITLE FOR STUDY OF LANGUAGE A study on the current situation of English speaking skills Dang Thi Minh Phuong and some proposals to improve English speaking skills Tran Hoang Yen of non-English major students at Sao Do University Tang Thi Hong Minh TITLE FOR CHEMISTRY AND FOOD TECHNOLOGY Study of structural properties of clusters [Mo6 (X = F, Pham Thi Diep Cl, Br) by the density functional method Application of Saccharomyces cerevisiae RV in wine Bui Van Tu fermentation from Sim fruit (Rhodomyrtus tomentosa) Nguyen Ngoc Tu TITLE FOR PHILOSOPHY - SOCIOLOGY - POLITICAL SCIENCE Hunger eradication and poverty reduction in Hai Duong Vu Van Dong in the period of accelerating industrialization and modernization nowadays The role of education and training with the development Phung Thi Ly of high-quality human resources in Vietnam today Tạp chí Nghiên cứu khoa học, Trường Đại học Sao Đỏ, ISSN 1859-4190, Số 1 (72) 2021
  7. LIÊN NGÀNH ĐIỆN - ĐIỆN TỬ - TỰ ĐỘNG HÓA Dự báo mực nước sông cao nhất, thấp nhất trong ngày sử dụng mô hình hỗn hợp Đỗ Văn Đỉnh , Nguyễn Trọng Quỳnh Vũ Văn Cảnh , Phạm Văn Nam Trường Đại học Sao Đỏ Trung tâm GDNN-GDTX Tp Chí Linh, Hải Dương Trường Đại học Công nghiệp Hà Nội Ngày nhận bài: 08/02/2021 Ngày nhận bài sửa sau phản biện: 29/3/2021 Ngày chấp nhận đăng: 31/3/2021 Tóm tắt Dự báo mực nước sông cao nhất và thấp nhất trong ngày là bài toán có nh thực ễn cao. Đã có nhiều phương án đề xuất để dự báo hai đại lượng này, nhưng do các thông số của mô hình dự báo phụ thuộc vào điều kiện địa lý và phát triển kinh tế khu vực cần dự báo. Vì vậy, đối với từng khu vực dự báo cần phải xác định lại các thông số của mô hình hoặc đề xuất mô hình mới phù hợp để đạt được độ chính xác cao hơn. Bài báo đề xuất ứng dụng mô hình hỗn hợp để ước lượng mực nước sông cao nhất và thấp nhất trong ngày, trong đó thành phần tuyến nh được ước lượng bằng SVD (Singular Value Decomposi on) và thành phần phi tuyến ước lượng bằng máy học véctơ hỗ trợ SVM (Support Vector Mechine). Số liệu đầu vào là giá trị mực nước sông cao nhất, thấp nhất và trung bình của các ngày trước đó. Chất lượng của giải pháp đề xuất được kiểm nghiệm trên bộ số liệu thực tế (1.460 ngày, từ 01/01/2017 đến 31/8/2020) ở khu vực hạ lưu sông Thái Bình, Trạm thủy văn Bá Nha, huyện Thanh Hà, tỉnh Hải Dương. Kết quả sai số trung bình tuyệt đối đạt 0.12. Từ khóa: SVD; SVM; mô hình tuyến nh; mô hình phi tuyến; mô hình hỗn hợp. Abstract The daily forecast of the highest and lowest river water level is a problem with a high applicability. There have been many proposed methods to forecast these two quan es, however the parameters of the forecas ng model depend on geographical condi ons and regional economic development to forecast. Therefore, for each forecast area it is necessary to rede ne the model parameters or propose a suitable new model to achieve higher accuracy. The paper proposes to apply a hybrid model to es mate the day's highest and lowest river water levels, in which the linear component is es mated by Singular Value Decomposi on (SVD) and the nonlinear component es mated by Support Vector Mechine (SVM) vector. Input data is the value of the highest, lowest and average river water level of the previous days. The quality of the proposed solu on was tested on the actual data set (1.460 days, from January 1, 2017 to August 31, 2020) in the downstream area of Thai Binh river, Ba Nha hydrological sta on, Thanh Ha district, Hai Duong province. The result of the absolute average error is 0.12. Keywords: @ 1. ĐẶT VẤN ĐỀ Đã có nhiều mô hình dự báo thống kê được nghiên cứu và ứng dụng thành công trên thế giới như phương pháp Bài toán dự báo là một trường hợp đặc biệt của bài toán hồi quy phi tuyến nh, phi tuyến; phương pháp giá trị ước lượng và xây dựng mô hình ánh xạ giữa đầu vào cực trị (Extreme Value) và mạng nơron nhân tạo (ANN và đầu ra. Dự báo mực nước sông có ý nghĩa thực ễn – Ar cial Neural Network) [7-11], trong số đó, các mô trong việc phát triển kinh tế của khu vực, đặc biệt trong hình ứng dụng mạng nơron nhân tạo đã đạt được những sản xuất nông nghiệp. Biết được mực nước sông hàng ến bộ đáng kể và nghiên cứu ứng dụng rộng rãi trong ngày sẽ giúp các trạm Thủy văn khu vực điều ết lưu lượng nước để phục vụ sản xuất như tưới, êu, chống thời gian qua [1, 3-5, 7-11]. Thuật toán máy học véctơ hỗ úng nội đồng… trợ (SVM) được Vapnik giới thiệu năm 1995 [6], đã được nghiên cứu thử nghiệm trong lĩnh vực dự báo các thông Người phản biện: 1. GS.TSKH. Thân Ngọc Hoàn số khí tượng, môi trường và thu được những kết quả 2. PGS.TS. Nguyễn Văn Tiềm khả quan, trong hầu hết các nghiên cứu đã được công Tạp chí Nghiên cứu khoa học, Trường Đại học Sao Đỏ, ISSN 1859-4190, Số 1 (72) 2021
  8. NGHIÊN CỨU KHOA HỌC bố, mô hình dự báo dùng kỹ thuật SVM đều cho kết quả tốt hơn so với các mô hình ANN kiểm chứng [12-14]. Trong bài báo này, nhóm tác giả đề xuất ứng dụng kỹ Đầu vào thuật SVM trong mô hình hỗn hợp [2] để dự báo mực HL - Max HL - Min Mô hình nước sông ở khu vực hạ lưu sông Thái Bình. Kết quả Dự báo HL - TB hỗn hợp nghiên cứu thực nghiệm cho thấy ứng dụng kỹ thuật HL - Max, TL - Max (Hình 1) SVM trong mô hình hỗn hợp dự báo mực nước sông HL - Min TL - Min (ngày d) cho kết quả khả quan. TL - TB (ngày d - i) 2. PHỐI HỢP SVD VÀ SVM TRONG MÔ HÌNH HỖN HỢP DỰ BÁO MỰC NƯỚC SÔNG 2.1. Mô hình hỗn hợp Hình 2. Cấu trúc mô hình dự báo mức nước cao nhất, Mô hình hỗn hợp [2] được tác giả đề xuất để dự báo thấp nhất trong ngày ngắn hạn phụ tải điện và cho kết quả khả quan; để ước lượng thành phần tuyến nh tác giả sử dụng thuật toán 2.1.2. Mô tả toán học của mô hình hỗn hợp khai triển theo các giá trị kỳ dị SVD, phần ước lượng phi tuyến sử dụng mạng MLP. Từ sơ đồ Hình 1 ta có: Trong bài báo này, nhóm tác giả đề xuất phối hợp SVD d = f (x) ≈ Linear(x) + NonLinear(x) (1) và SVM trong mô hình hỗn hợp để dự báo mực nước sông cao nhất (HLmax) và mực nước sông thấp nhất Mô hình tuyến nh (Linear(x)) được xác định trước sau (HLmin) trong ngày ở khu vực hạ lưu sông Thái Bình. đó sẽ xác định mô hình phi tuyến (NonLinear(x)). Với bộ 2.1.1. Cấu trúc của mô hình hỗn hợp số liệu gồm p mẫu {xi, di}, i = 1, 2,… p, mô hình tuyến nh được xác định trên cơ sở tối ưu hóa hàm sai số trên tập Sơ đồ cấu trúc của mô hình hỗn hợp được trình bày như mẫu số liệu này: Hình 1, n hiệu đầu vào (x) là véctơ chứa các số liệu quá khứ; n hiệu đầu ra (d) là tổng của hai thành phần ước ∀i : Linear(xi ) ≈ di lượng: ước lượng tuyến nh và ước lượng phi tuyến. p (2) Thành phần 1 2 hay e = ∑ Linear(xi ) di → min Ước lượng tuyến nh 2 i=1 tuyến nh Tín Tín hiệu Khi xác định được mô hình tuyến nh, phần sai số còn hiệu đầu ra d lại sẽ được xấp xỉ bởi mô hình phi tuyến bằng các thuật đầu vào x toán tối ưu hóa hàm sai số phi tuyến: Ước lượng ∀i : NonLinear( xi ) ≈ di Linear( xi ) phi tuyến Thành phần hay phi tuyến (3) p 1 2 Hình 1. Cấu trúc của mô hình hỗn hợp [2] e = ∑ NonLinear( xi ) ( di Linear( xi )) → min 2 i=1 Khi sử dụng mô hình hỗn hợp, để giảm bớt mức độ phức tạp của mô hình phi tuyến, trước hết cần ước lượng Giả thiết rằng giá trị HLmax được ước lượng theo (4) thành phần tuyến nh, sau đó ta loại thành phần tuyến (Ước lượng giá trị HLmin làm tương tự): nh khỏi các số liệu đầu vào để nhằm chỉ giữ lại thành HLmax (d) ≈ f1,2,...,K (HLmax (d i), phần phi tuyến trong n hiệu của đối tượng. Tín hiệu còn lại này sẽ được dùng để huấn luyện khối phi tuyến HLmin (d i), HLTB (d i),TLmax (d i)), hay nói cách khác: Sai số còn lại từ khối tuyến nh trở TLmin (d i),TLTB (d i) + thành đầu vào của khối phi tuyến. a HLmax (d i) + ai2 HLmin (d i) + (4) Cấu trúc của mô hình dự báo mực nước sông cao nhất K i1 + ∑ +ai3 HLTB (d i) + ai4 TLmax (d i) + (HLmax) và mực nước sông thấp nhất (HLmin) ở khu vực hạ i=1 lưc trong ngày như Hình 2; trong đó HLmax (mực nước +ai5 TLmin (d i) + ai6 TLTB (d i) cao nhất ở hạ lưu), HLmin (mực nước thấp nhất ở hạ lưu), Trong đó: HLTB (mực nước trung bình ở hạ lưu), TLmax (mực nước cao nhất ở thượng lưu), TLmin (mực nước thấp nhất ở f(): hàm phi tuyến; thượng lưu), TLTB (mực nước trung bình ở thượng lưu), aij: các hệ số của mô hình tuyến nh; ngày d là ngày dự báo, ngày d-i là các ngày trước ngày Mô hình phi tuyến được xấp xỉ bằng SVM. dự báo. Tạp chí Nghiên cứu khoa học, Trường Đại học Sao Đỏ, ISSN 1859-4190, Số 1 (72) 2021
  9. LIÊN NGÀNH ĐIỆN - ĐIỆN TỬ - TỰ ĐỘNG HÓA 2.2. Xây dựng mô hình hỗn hợp cho là siêu phẳng có tổng khoảng cách tới các véctơ gần nhất của hai lớp là lớn nhất. Bên cạnh đó, để đảm bảo 2.2.1. Lựa chọn đặc nh đầu vào của mô hình dự báo [1, 2] nh tổng quát hóa cao, một biến lỏng (Slack Variable) Ứng dụng thuật toán khai triển theo giá trị kỳ dị để lựa được đưa vào để nới lỏng điều kiện phân lớp. Bài toán chọn đặc nh đầu vào của mô hình dự báo. Bài toán xây đưa đến việc giải quyết tối ưu có ràng buộc: dựng mô hình tuyến nh có thể đưa về giải m nghiệm N 1 T x của hệ phương trình: min w w + C ∑ ξi w,b,ξ 2 i=1 A˙ =b (5) Trường hợp số phương trình nhiều hơn số ẩn nên Sao cho: thường không có nghiệm duy nhất, khi đó nghiệm yi (wT xi + b) + ξi 1 ≥ 0;ξi ≥ 0,∀i ∈[1, N ] (9) của hệ phương trình trên được xác định từ bài toán Trong đó: tối ưu hóa sai số (còn gọi là residue r) định nghĩa bởi: C >0: Tham số chuẩn tắc (Regulariza on Parameter); min A x b = min r = ? (6) zi: Biến lỏng. Nghiệm của bài toán tối ưu (6) có thể được xác định dựa trên kết quả phân tích ma trận A ϵ ~m×n theo các Bài toán (10) có thể đựợc giải bằng phương pháp SMO giá trị kỳ dị. Theo [1, 2], với ma trận không vuông, ta (Sequen al Minimal Op miza on). Phương pháp này có thể xác định ma trận A ϵ~m×n từ phân tích SVD của đưa đến giải bài toán đối ngẫu quy hoạch toàn phương ma trận A. Với A = U ˙S˙VT thì. (Quadra c Programming): N 1 A+ = V˙ S ˙ U T (7) max L(α ) = ∑ α i ∑ α α y y Φ(xi ) Φ(x j ) (10) α i=1 2 i, j i j i j Với U, V: các ma trận trực giao: N 1 1 1 Thỏa mãn: 0 ≤ α i ≤ C,∀i ∈[1, N ] và ∑ i=1α i yi = 0 với ai S = diag( , ,É, ) ∈! n×m + σ1 σ 2 σr là các nhân tử Lagrange. Sau khi có được các giá trị ai từ bài toán (11), ta sẽ thu được các giá trị tối ưu Ma trận đường chéo. và của siêu phẳng. Chỉ có các mẫu có a ≥ mới Khi đó nghiệm tối ưu của phương trình (6) được xác được gọi là các véctơ hỗ trợ. Cuối cùng, hàm quyết định bởi: định phân lớp có dạng: = A + ˙b (8) ( f (x) = sgn α y Φ(x ) Φ(x ) + b* i i i j ) (11) 2.2.2. Ứng dụng SVM ước lượng thành phần phi tuyến Gọi K (xi ,x j ) = Φ(xi ) Φ(x j ) là hàm nhân của không Cho tập dữ liệu gồm N mẫu huấn luyện {(x1, y1),…, (xN, gian đầu vào. Theo đó, ch vô hướng trong không gian yN)} trong đó là các véctơ đầu vào (D chiều) và yi ϵ {±1} đặc trưng tương đương với hàm nhân K(xi ,x j ) ở không là mã lớp của véctơ đầu vào. Bài toán nhị phân chỉ phân gian đầu vào. Như vậy, thay vì nh trực ếp giá trị ch loại 2 lớp, được mã tương ứng là lớp +1 và lớp -1. Ta vô hướng, ta thực hiện gián ếp thông K(xi ,x j ) cho cần m một siêu phẳng ˙ để tách tập dữ liệu các nh toán ếp theo. trên thành 2 lớp. 2.2.3. Ước lượng HLmax, HLmin trong ngày Trong đó: 2.2.3.1. Ước lượng thành phần tuyến nh : véctơ pháp tuyến của siêu phẳng, có tác dụng điều chỉnh hướng của siêu phẳng; Từ phương trình (4), hàm quan hệ tuyến nh giữa HLmax Giá trị có tác dụng di chuyển siêu phẳng song song của ngày d với HLmax của các ngày quá khứ và được xác với chính nó. định từ hệ phương trình ước lượng xấp xỉ như trong công thức (12) và (13). Từ (13) ta cần xác định véctơ Có thể, có nhiều siêu phẳng để phân tách tập dữ liệu T và cũng đã có nhiều thuật toán để giải bài toán này, a = a1,a2 ,É,a K để đạt cực ểu của hàm sai số ước chẳng hạn như thuật toán Perceptron của Rosenbla lượng. Trong thực tế áp dụng, ta còn cần trả lời hai câu [15], thuật toán biệt thức tuyến nh của Fisher [16]. Tuy hỏi: (1) Cần sử dụng bao nhiêu số liệu trong quá khứ?, nhiên, trong thuật toán SVM, siêu phẳng tối ưu được (2) Đó là những số liệu nào?. a1 HTmax (K ) + a2 HLmax (K 1) + ...+ aK HLmax (d K ) ≈ HLmax (K +1) a1 THL(K 1) + a2 HLmax (K 2) + ...+ aK HLmax (d K +1) ≈ HLmax (K + 2) (12) ... ... ... a1 HLmax (N max 1) + a2 HLmax (N max 2) + ...+ aK HLmax (N max K ) ≈ HLmax (N max ) Tạp chí Nghiên cứu khoa học, Trường Đại học Sao Đỏ, ISSN 1859-4190, Số 1 (72) 2021
  10. NGHIÊN CỨU KHOA HỌC HLmax (K ) HLmax (K 1) .... HLmax (1) a1 HLmax (K +1) HLmax (K 1) HLmax (K 2) ... HLmax (2) a2 HLmax (K + 2) (13) ⇔ . ≈ ! ! ! ! ! ! HLmax (N max 1) HLmax (N max 2) ... HLmax (N max K) aK HLmax (N max ) Phương pháp xác định thích nghi được thực hiện như sau: (15)) được sử dụng là đầu vào cho mô hình ước lượng thành phần phi tuyến dùng kỹ thuật SVM. - Trước ên ta sử dụng một số lượng lớn số liệu quá khứ (trong nghiên cứu sử dụng K = 60 - Tương đương 2 3. KẾT QUẢ VÀ THẢO LUẬN tháng số liệu trước đó - là đủ để dự báo ngày ếp theo). - Với K số liệu quá khứ, ta xác định véctơ Mô hình nghiên cứu được xây dựng trên nền phần T mềm Matlab 2010b, với SVM sử dụng LSSVMlabv1.8_ a = a1,a2 ,É,aK của hàm ước lượng tuyến nh R2009b_R2011a và được thiết kế theo các bước sau: (1) K HLmax (d) ≈ ∑ ai HLmax d i ( ) bằng SVD. Chuẩn bị dữ liệu, (2) Lựa chọn đặc nh cho mô hình dự i=1 báo, (3) Xây dựng kiến trúc mạng, (4) Lựa chọn phương - Xác định thành phần có giá trị tuyệt đối nhỏ nhất trong pháp và đào tạo mạng, (5) Đánh giá độ n cậy. Chất véctơ a. Thành phần này sẽ tương ứng với ngày trong lượng của mô hình được kiểm nghiệm trên số liệu thực quá khứ ít ảnh hưởng tới ngày dự báo và ta loại bỏ khỏi tế tại Trạm thủy văn Bá Nha, huyện Thành Hà, tỉnh Hải bộ số liệu trong quá khứ, giảm K=K-1, và quay lại bước 2 nếu K>Kmin chọn trước. Quá trình lặp các bước 2-3 Dương (1460 ngày từ 01/01/2017 đến 31/8/2020). cho đến khi K giảm xuống một giá trị đủ nhỏ có thể 3.1. Kết quả ước lượng thành phần tuyến nh chấp nhận được để mô hình không quá phức tạp. Cụ thể, trong bài báo ta chọn Kmin
  11. LIÊN NGÀNH ĐIỆN - ĐIỆN TỬ - TỰ ĐỘNG HÓA HLmax (d ) = 0.522 HLmax (d 1) + 0.142 HLmax (d 4) + - Giá trị HLTB trong quá khứ ảnh hưởng đến HLmin dự báo gồm d-1, d-12 và d-23. + 0.107 HLmax (d 8) + 0.108 HLmax (d 12) + - Các giá trị TLmax trong quá khứ ảnh hưởng đến HLmin + 0.081 HLmax (d 1) + 0.117 HLmin (d 1) dự báo d-1, d-8 và d-23. Ngày d-33 ở xa ngày dự báo 0.065 HLmin (d 15) + 0.092 HLmin (d 18) + nên bỏ qua. - Ảnh hưởng của TLmin đến HLmin là d-1 và d-12 Loại ngày + 0.539 HLTB (d 1) 0.211 HLTB (d 2) + (16) d-43 do xa ngày dự báo. + 0.160 HLTB (d 4) + 0.085 HLTB (d 8) + - Ảnh hưởng của TLTB đến HLmin là d-1, d-8 và d-24. Loại + 0.084 TLmax (d 1) + 0.198 TLmin (d 5) + ngày d-33 do ở xa ngày dự báo. + 0.176 TLmin (d 12) 0.113 TLmin (d 15) + Tổng hợp lại ta có mô hình được lựa chọn để dự báo giá trị HLmin của ngày thứ d sẽ gồm 16 số liệu quá khứ: + 0.167 TLmin (d 16) + 0.138 TLTB (d 4) + HLmin (d) = 0.699 HLmin (d 1) + 0.160 Tmin (d 12) + + 0.119 TLTB (d 13) 0.115 TLTB (d 14) Kiểm tra chất lượng của mô hình, tác giả sử dụng 467 + 0.093 HLmin (d 24) + 0.101 Tmin (d 7) + ngày số liệu cuối trong tập số liệu 1.460 ngày. Kết quả + 0.807 Tmax (d a) + 0.113 Tmax (d 7) + nh toán các thành phần sai số được thể hiện trong Bảng 1. + 0.600 HLmax (d 1) + 0.535 HLmax (d 22) + Bảng 1. Kết quả sai số khi sử dụng mô hình tuyến nh (17) + 0.808 HLTB (d 1) + 0,228 HLTB (d 12) + (SVD) để ước lượng HL , HL Sai số học Sai số kiểm tra + 0.165 HLTB (d 23) + 0.443 TLmax (d 1) + + 0.444 TLmax (d 8) + 0.361 TLmax (d 23) + ( ( ( ( ( ( + 0.131 TLmin (d 1) + 0.217 TLmin (d 12) + HLmax 0,19 3,45 0,95 0,17 3,65 0,69 + 0.377 TLTB (d 1) + 0.285 TLTB (d 8) + HLmin 0,17 3,02 0,93 0,16 3,62 0,65 + 0.272 TLTB (d 24) Kiểm tra chất lượng của mô hình, tác giả sử dụng 467 ngày số liệu cuối trong tập số liệu 1.460 ngày. Các kết quả nh toán sai số được thể hiện trong bảng 1. Khi ước lượng thành phần tuyền nh bằng phương pháp khai triển hệ số tuyến nh trong mô hình hỗn hợp sai số trung bình tuyệt đối kiểm tra với HLmax (0.17) và HLmin (0.16). Sau khi có mô hình tuyến nh, phần sai số còn lại sẽ được xấp xỉ bởi mô hình phi tuyến sử dụng kỹ thuật SVM và được trình bày ở mục 3.2 của bài báo. Hình 3. Kết quả ước lượng thành phần tuyến nh cho HL của bộ số liệu học và bộ số liệu kiểm tra 3.1.2. Kết quả ước lượng cho HLmin Thực hiện ước lượng mực nước thấp nhất (HLmin) tương tự ước lượng HLmax ta xác định các yếu tố ảnh hưởng lớn nhất đến mức nước thấp nhất (HLmin) cần dự báo: - Ảnh hưởng của HLmin trong quá khứ đến HLmin dự báo, ta xác định được 3 ngày có hệ số phụ thuộc lớn là: d-1, d-12 và d-24. Tiếp tục khảo sát sự phụ thuộc của HLmin vào các số liệu HLmax, HLTB, TLmax, TLmin và TLTB trong quá khứ: - Ảnh hưởng của HLmax trong quá khứ đến HLmin dự báo Hình 4. Kết quả ước lượng thành phần tuyến nh là d-1 và d-22. Loại ngày d-55. cho HL của bộ số liệu học và bộ số liệu kiểm tra Tạp chí Nghiên cứu khoa học, Trường Đại học Sao Đỏ, ISSN 1859-4190, Số 1 (72) 2021
  12. NGHIÊN CỨU KHOA HỌC 3.2. Kết quả ước lượng thành phần phi tuyến 4. KẾT LUẬN 3.2.1. Kết quả ước lượng HLmax Khi ước lượng các bài toán phi tuyến, để giảm bớt mức Sau khi đã xác định các thông số của mô hình tuyến độ phức tạp của giải pháp, mô hình hỗn hợp tách riêng nh, ta ến hành xây dựng mạng nơron ứng với 20 đầu thành phần tuyến nh và thành phần phi tuyến để xử lý. vào, 1 đầu ra (tương ứng với mức nước cao nhất cần dự báo); Kết quả các thành phần sai số khi ước lượng phi Thành phần tuyến nh được xác định thông qua việc sử tuyến như Bảng 2. dụng khai triển theo cá giá trị kỳ dị (SVD). Thuật toán này cho phép xác định được hàm quan hệ tuyến nh Bảng 2. Kết quả sai số khi sử dụng SVM ước lượng thành mực nước sông cao nhất (hoặc thấp nhất) của một ngày phần phi tuyến để dự báo HL , HL và các ngày trước đó từ hệ các phương trình ước lượng Sai số học Sai số kiểm tra xấp xỉ được viết dưới dạng ma trận có số hàng nhiều hơn số cột. ( ( ( ( ( ( Thành phần phi tuyến được xác định thông qua việc sử HLmax 1,52 2,35 0.61 dụng kỹ thuật máy học véctơ hỗ trợ SVM; Qua thực HLmin 1,43 0.26 nghiệm cho thấy sai số học và sai số kiểm tra khi dự báo ngắn hạn mực nước sông khu vực hạ lưu cao nhất (HLmax) và thấp nhất (HLmin) đạt khoảng 0,12, với sai số này phù hợp cho bài toán dự báo. Vì vậy, ta thấy rằng phối hợp SVD và SVM trong mô hình hỗn hợp cho bài toán dự báo mực nước sông là phù hợp. TÀI LIỆU THAM KHẢO [1]. Trần Hoài Linh (2009), Mạng nơron và ứng dụng trong xử lý n hiệu, NXB Bách Khoa. [2]. Nguyễn Quân Nhu (2009), Nghiên cứu và ứng dụng mạng nơron và logic mờ cho bài toán dự báo phụ tải điện ngăn hạn, Luận án Tiến sĩ. Hình 5. Sai số học và sai số kiểm tra khi ước lượng HL bằng SVM trong mô hình phi tuyến [3]. Đỗ Văn Đỉnh, Đinh Văn Nhượng và Trần Hoài Linh (2015), Ứng dụng mô hình hỗn hợp trong 3.2.2. Kết quả ước lượng HLmin ước lượng giá trị lớn nhất và nhỏ nhất của nhiệt độ môi trường ngày, Tạp chí khoa học và công Sau khi đã xác định các thông số của mô hình tuyến nghệ - Đại học Đà Nẵng, số 11(96).2015, quyển nh, ta ến hành xây dựng mô hình phi tuyến với 16 2, trang 35-39. đầu vào, 1 đầu ra (ứng với mực nước thấp nhất cần dự báo); Kết quả các thành phần sai số khi ước lượng phi [4]. Hồ Việt Hùng, Lê Xuân Hiền, Giha Lee (2018), tuyến như Bảng 2. Sai số trung bình tuyệt đối khi ước Ứng dụng mạng thần kinh nhân tạo dự báo lưu lượng HLmax và HLmin bằng SVM trong mô hình phi tuyến lượng dòng chày sông Hồng tại Sơn Tây dựa trên tương đối nhỏ khoảng 0,12. Với sai số này phù hợp với dữ liệu thượng lưu, Tuyển tập công trình Hội bài toán dự báo mực nước sông. nghị khoa học Cơ học Thủy khí toàn quốc lần thứ 2018. [5]. Hồ Việt Hùng, Hồ Việt Tấn (2020), Ứng dụng mạng nơron LSTM (Long Short-Term Memory neural networks) dự báo mực nước tại cống-Âu Thuyền Cầu Cất trong hệ thống Bắc Hưng Hải, Hội nghị. [6]. V. Vapnil (1995), Support-Vector Networks, Machine Learning, 20, 273-297. [7]. A. Filippo et al (2012), Application of Artificial Neural Network (ANN) to improve forecasting of sea, Ocean & Coastal Management 55, pp. Hình 6. Kết quả ước lượng thành phần phi tuyến 101-110. cho HL bằng SVM trong mô hình phi tuyến Tạp chí Nghiên cứu khoa học, Trường Đại học Sao Đỏ, ISSN 1859-4190, Số 1 (72) 2021
  13. LIÊN NGÀNH ĐIỆN - ĐIỆN TỬ - TỰ ĐỘNG HÓA [8]. Erik M.M.R et al (2014), Comparison of ar cial [12]. H. Wang and D. Hu (2005), Comparison of neural networks and harmonic analysis for sea LS SVM for regression, in Neural Networks level forecas ng (Urias coastal lagoon, Mazatlan, and Brain, 2005. ICNN&B’05. Interna onal , Ciencias Marinas, 40(4), pp. 251-261. Conference on, vol. 1. IEEE, 2005, pp. 279–283. [9]. Lyubka Pashova and Silviya Popova (2011), Daily [13]. Ani Shabri (2015), Least Square Support Vector sea level forecast at de gauge Burgas, Bulgaria Machines as an Alterna ve Method in Seasonal using ar cial neural networks, Journal of Sea Time Series Forecas ng, Applied Mathema cal Sciences, Vol. 9, 2015, no. 124, pp. 6207 – 6216. Research 66, pp. 154-161. [14]. T. Joachims (1998), Making large-Scale Support [10]. Mohammed s. et al (2015), Development of a Vector Machine Learning Prac cal, in Advances sequen al Ar cial Neural Network for predic ng in Kernel Methods - Support Vector Learning, B. river water levels based on Brahmaputra and Schölkopf and C. Burges and A. Smola (ed.), Ganges water levels, Neural Comput Applic, DOI MIT-Press, Cambridge, MA, 1998. 10.1007/s00521-015-1871-6. [15]. D.E. Rumelhart; G.E. Hinton and R.J. Williams [11]. Fazlina A.R. etal (2014), Flood water level (1986), Learning internal representa ons by error modeling and predic on using NARX neural propaga on, Rumelhart, D.E. et al. (eds.): Parallel network: Case Study at Kelang River, IEEE 10th distributed processing: Explora ons in the Interna onal Colloquium on Signal Processing microstructure of cogni on (Cambridge MA.: & ít Applica ons (CSPA2014), 7-9 Mac. 2014, MIT Press), 318-362. Kuala Lumpua, Malaysia, pp. 204-207. [16]. R.A. Fisher (1936), The Use of Mul ple Measurements in Taxonomic Problems, in Annals of Eugenics, No 7, 1936, pp. 179-188. THÔNG TIN TÁC GIẢ Đỗ Văn Đỉnh - Tóm tắt quá trình đào tạo, nghiên cứu (thời điểm tốt nghiệp và chương trình đào tạo, nghiên cứu): + Năm 1998: Tốt nghiệp Đại học chuyên ngành Tự động hóa, Trường Đại học Bách khoa Hà Nội; + Năm 2005: Tốt nghiệp Thạc sĩ chuyên ngành Kỹ thuật tự động hóa, Trường Đại học Bách khoa Hà Nội; + Năm 2018: Tốt nghiệp Tiến sĩ chuyên ngành Kỹ thuật điều khiển và Tự động hóa, Trường Đại học Bách khoa Hà Nội; - Công việc hiện tại: Cán bộ quản lý, nghiên cứu và giảng viên Trường Đại học Sao Đỏ; - Các nghiên cứu chính: Ứng dụng trí tuệ nhân tạo trong các giải pháp đo lường, điều khiển và tự động hóa, các thiết bị đo thông minh, hệ chuyên gia; - Email: dinh.dv@saodo.edu.vn, dodinh75@gmail.com; - Điện thoại: 0982 586 160 Nguyễn Trọng Quỳnh - Tóm tắt quá trình đào tạo, nghiên cứu (thời điểm tốt nghiệp và chương trình đào tạo, nghiên cứu): + Năm 2005: Tốt nghiệp Đại học Kỹ thuật công nghiệp Thái Nguyên, chuyên ngành Tự động hóa; + Năm 2018: Tốt nghiệp Thạc sĩ ngành Kỹ thuật điện tử, Trường Đại học Sao Đỏ; - Công việc hiện tại: Giảng viên khoa Điện, Trường Đại học Sao Đỏ; - Lĩnh vực quan tâm: Tự động hóa; - Email: trongquynhk36ib@gmail.com; - Điện thoại: 0986 836 399. Tạp chí Nghiên cứu khoa học, Trường Đại học Sao Đỏ, ISSN 1859-4190, Số 1 (72) 2021
  14. NGHIÊN CỨU KHOA HỌC Vũ Văn Cảnh - Tóm tắt quá trình đào tạo, nghiên cứu (thời điểm tốt nghiệp và chương trình đào tạo, nghiên cứu): + Năm 2012: Tốt nghiệp Đại học chuyên ngành CNTT, rường Đại học Sư phạm Hà Nội; - Tóm tắt công việc hiện tại: Giáo viên Trung tâm GDNN&GDTX Thành phố Chí Linh, tỉnh Hải Dương; - Lĩnh vực quan tâm: Xử lý ảnh, Mul media, tăng cường thực tại ảo; - Email: tuancanh482@gmail.com; - Điện thoại: 0987 930 925. Phạm Văn Nam - Tóm tắt quá trình đào tạo, nghiên cứu (thời điểm tốt nghiệp và chương trình đào tạo, nghiên cứu): + Năm 2006: Tốt nghiệp Đại học chuyên ngành Đo lường, Trường Đại học Bách khoa Hà Nội; +Năm 2008: Tốt nghiệp Thạc Sĩ chuyên ngành Đo lường, Trường Đại học Bách khoa Hà Nội; + Năm 2018: Tốt nghiệp ến sĩ chuyên ngành Kỹ thuật điều khiển và Tự động hóa, Trường Đại học Bách khoa Hà Nội; - Tóm tắt công việc hiện tại: Giảng viên, khoa Điện, Trường Đại học Công nghiệp Hà Nội; - Lĩnh vực quan tâm: Thị giác máy và mạng nơron AI; - Email: nampv@haui.edu.vn; - Điện thoại: 0979 427 781. Tạp chí Nghiên cứu khoa học, Trường Đại học Sao Đỏ, ISSN 1859-4190, Số 1 (72) 2021
ADSENSE

CÓ THỂ BẠN MUỐN DOWNLOAD

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
2=>2