CHƯƠNG 1:

QUÁ TRÌNH HUẤN LUYỆN TRONG HỆ THỐNG ĐIỀU KHIỂN NEURON

1.1 Giới Thiệu :

1.1.1 Hệ điều khiển  neuron sinh học :

Với sự phát triển của các loại  máy móc ,ngày nay các nhà khoa học muốn tạo ra một loại máy  có thể hoạt động độc lập với sự điều  khiển  của con người trong một môi trường  luôn thay đổi và không  chắc  chắn  , những  máy này được gọi là máy tự động hay máy thông minh ( hay thường được gọi là robot ) .Sự thành công của một robot phụ  thuộc   vào khả năng  nó có thể xử lý được nhiều tình huống đa dạng trong môi trường  hoạt  động  của nó .Mục  tiêu của các nhà khoa học  là tạo  ra những robot có thể  hoạt động liên tục và luôn hồi tiếp những  hành động của nó

.Robot có thể thực  hiện  những  công  việc mà những  máy móc thông  thường  được điều khiển bằng tay khó có thể thực  hiện  được  .Ngoài  ra ,robot có thể  thích nghi và thực  hiện  hiệu  quả công việc trong một môi trường luôn thay đổi . Vì vậy ,robot rất hữu ích khi thay thế con người trong những công việc khó khăn ,nguy hiểm ,và nhàm chán như sử dụng robot trong chiến tranh , trong lò phản ứng hạt nhân , trong quân sự , dò phá mìn ....

Cấu trúc mạng sinh học được xem như là nguồn  gốc và bộ khung để thiết  kế robot .Mô hình mạng sinh học cung cấp không  chỉ động cơ mà còn một vài manh mối để phát triển giải thuật học thích nghi và bền vững trong robot .Ngày nay ,k ỹ thuật điều khiển thích nghi và bền vững còn ít phổ biến so với kỹ thuật  điều  khiển cổ điển  như bộ điều khiển  tỷ lệ (P) , tích phân (I) , vi phân (D) và bộ điều  khiển  vi tích phân (PID) và mô hình tham khảo của bộ điều k hiển thích nghi .

Cơ cấu điều  khiển  dùng mạng sinh học phù  hợp để điều  khiển  những  đối tượng có mô  hình phức tạp, không chắc chắn .Mô hình mạng  thường rất phức tạp và bất chấp  mô hình toán chính xác .Chúng  có thể thực hiện những nhiệm vụ phức tạp mà không  cần xây dựng  mô hình toán của đối tượng  cũng như môi trường mà nó hoạt động ; điều   đó có nghĩa là ta không  phải giải quyết  những  bài toán tích phân ,vi  phân  và toán phức.

Ví dụ : hành vi cầm ly nước của con người .Trước  tiên ,bộ não người tác động lên ly nước  ;và nó sẽ xác định khoảng cách từ tay đến ly nước  và tính toán hướng di chuyển  của tay để cầm  ly nước ,sau đó bộ não  sẽ lên  kế  hoạch và thực hiện công  việc  là cầm  ly nước lên .

Cũng như bộ não người  , mạng sinh học cũng thực hiện công việc dựa vào khả năng  nhận  thức của nó .Những bước tính toán tiếp theo hoàn  toàn  là dựa  vào tiềm

thức   .Ở đây ,chúng ta không xem xét đến quan hệ giữa  cổ tay với khuỷu  tay hoặc vai , cũng như sức lực  của mỗi người  ra sao .Mà những  tính toán chi tiết về góc hay lực được  thực  hiện bởi những mức thấp hơn của tính toán tiềm thức nằm ở  hệ thống thần kinh trung tâm (CNS) .Ngoài ra , hệ điều khiển  sinh học  có thể học  để thực hiện những công việc mới cũng như có thể thích nghi với những  thay đổi của môi trường  một cách dễ dàng .

Giả thuyết  rằng , nếu nguyên  tắc cơ bản của những tính toán neuron trong hệ điều khiển sinh học được sáng tỏ ,lúc này những  bộ điều  khiển  thế hệ mới có thể được phát triển càng bền vững và thông  minh hơn vượt xa khả năng những  bộ điều khiển  cổ đ iển dựa trên mô hình toán học .

Mặc  dù nhiều nhà sinh vật học  và tâm  lý học  đều  cho rằng  bộ não có cấu trúc module thần kinh .Nhưng không  có cái nhìn chung về số lượng  module thần kinh hay cách hình thành  cấu trúc module thần kinh .Lý do là vì module tự nhiên  của não  có số lượng  lớn những  bộ phận  tác động qua lại với nhau .Thậm chí khi xây dựng  một mô hình với một vài bộ phận  tương tác qua lại ( để so sánh với một bộ não thật sự ) thì xuất hiện những tính toán kinh khủng  và những  phân  tích khó khăn .Trong nhiều trường hợp , mô hình toán cung cấp những công những công cụ cần  thiết  để làm rõ những khía cạnh khác nhau của hệ thống  .

Thiên  nhiên  đã tạo ra một cấu trúc thần kinh rất phức tạp trong các loài sinh vật .Có trên  100 tỷ  neuron sinh học trong hệ thống  thần kinh trung tâm của con người , chúng  đóng một vai trò quan trọng trong những khía cạnh khác nhau của quá trình xử lý thông tin và thực hiện những quyết định ( như nhận biết ,điều khiển và nhận  thức  ) .Trong quá trình xử lý thông   tin ;xuất hiện những hoạt động đa dạng ,phức tạp và những  chức  năng  ánh xạ ( mapping function ) trong cấu trúc tầng song song ( parallel_cascade ) ,hình thành  một mô hình phức tạp ở những lớp Neuron  và phát  triển  thành   mô  hình hình chóp .Thông  tin được truyền từ  lớp Neuron này sang lớp Neuron khác theo hướng  tiến và liên tục  được hồi tiếp để hình thành một cấu trúc hình chóp động .

1.1.2 Những tiền đề để thiết  kế hệ thống điều khiển cổ điển  :

Phương pháp thiết kế hệ thống  điều khiển  cổ điển dựa  trên mô hình toán học mô tả hành  vi của đối tượng  và ứng dụng  những  kỹ thuật  phân  tích trên mô hình này để đi đến luật điều khiển  . Thông thường , những  mô hình toán thường chứa những phương trình vi phân tuyến tính hoặc phi tuyến .Hầu hết những phương trình này đều được  xây dựng  xấp xỉ và  đơn giản hoá .Đối với một đối tượng  phức tạp hoạt động trong một môi trường luôn thay đổi thì kỹ thuật  cổ điển  sẽ gặp khó khăn khi xây dựng  mô hình toán và luật điều  khiển  ,thậm  chí không thể thực hiện được

.Mô hình của một hệ thống  điều  khiển  có hồi tiếp liên quan đến sai số giữa  mô

hình đơn giản  hoá và mô hình thực ; sai số này quyết  định  hành vi và hoạt động của hệ thống  .

Mặc  dù kỹ thuật  điều  khiển  thích nghi được dùng  rất rộng  rãi nhưng những ứng dụng của chúng  vào các bài toán thực  tế còn rất hạn  chế .Lý do là vì trong thực  tế yếu tố ổn định  được  ưu tiên hơn trong hệ thống điều khiển thích nghi.Đối với những  hệ thống  lớn và phức  tạp thì sự phức tạp của phương pháp thích nghi truyền  thống gây khó khăn cho người thực hiện .Hơn nữa ,phương pháp này cần hiểu biết về bậc của đối tượng  điều khiển ;nhưng trong thực  tế nhiều hệ thống  ta không biết được  bậc của đối tượng  nên việc áp dụng phương pháp điều khiển thích nghi truyền  thống rất khó khăn và đôi khi không thể thực hiện được .

1.1.3 Giải thuật học trong bộ điều khiển  Neuron :

Để đương đầu với một đối tượng  động không  chắc chắn , bộ điều khiển  phải ước  lượng những  thông tin không   rõ ràng  trong suốt  thời gian hoạt động .Nếu những thông tin được  ước lượng  gần với thông  tin thật thì bộ điều  khiển  được  thiết kế sẽ là bộ điều khiển  tối ưu.Sự  cải tiến các hành vi nhờ vào sự hiệu chỉnh t hông tin ước lượng,  vì vậy bộ điều khiển  này được  xem như là bộ điều khiển học thích

Với sự  phát triển song song của logic mờ ,nhiều  mô hình mạng Neuron chứa nguyên  tắc của mạng Neuron và  cả logic mờ đang được phát triển  .Mặc  dù ,các mạng tĩnh ,động và các mạng Fuzzy_Neuron đang được  ứng dụng trong nhiều bộ điều khiển ,nhưng mô hình cơ bản của mạng  Neuron vẫn chỉ mô phỏng  lờ mờ theo mô hình thực .

Những năm trước đây ,các nhà nghiên  cứu đã đưa ra nhiều  mô hình mạng tĩnh

,động  và Fuzzy_Neuron khác nhau .Mô  tả chi tiết những  mô hình này  khó có thể thực hiện được .Tuy nhiên ,chúng ta sẽ cố gắng   đưa ra một số khái niệm  cơ bản của những  cấu trúc Neuron khác nhau mà những cấu trúc này thường  được  dùng trong mô hình điều khiển .

1.2.2 Tính toán trong mạng Neuron :

Mục đích của việc nghiên  cứu những tính toán trong mạng Neuron là để  phát triển  mô hình toán mạng Neuron mà không  cần thiết nghiên  cứu về mặt sinh học

,mô  hình toán   có thể  thực hiện bằng  những  hàm  tính toán  khác  nhau  .Mạng Neuron nhân tạo (ANNs) ,hay những mạng Neuron đơn giản thường  được mô tả bằng những   mô  hình  kết  nối  hay  mạng xử   lý  phân bố    song song (parallel distributed processing networks).

Bắt đầu với sự phát triển của những tính toán Neuron dựa trên những hiểu biết về cấu  trúc sinh học  của nó cùng với luật học  .Điều  này dẫn đến quá trình tính toán trong mạng Neuron được thực hiện theo 3 bước sau :

  Phát triển mô hình Neuron dựa trên cấu trúc sinh học  của nó .

   Mô hình kết nối và cấu trúc synapse .

   Luật học .

Các nhà nghiên  cứu đã khám phá ra nhiều  cấu trúc mạng Neuron khác nhau nhưng nếu xét về cấu trúc ;mạng Neuron có thể phân thành mạng  tĩnh ,mạng  động

,mạng một lớp và mạng nhiều lớp .Hơn nữa ,những cách tính toán khác nhau trong mạng Neuron cũng làm nảy sinh những  cách kết nối synapse khác n hau giữa các Neuron .

Mặc  dù các nhà nghiên  cứu đã đưa ra nhiều  cấu trúc mạng Neuron cũng như giải thuật học khác nhau ,những mạng Neuron cũng  có chung nhiều đặc tính ,mà những đặc tính này  là duy nhất  đối với một hệ sinh học .Những đặc tính này tương phản với phương pháp tính toán truyền thống .Những tính toán trong mạng Neuron có thể điều  tiết nhiều  đầu vào song song và mã hoá thông  tin theo mô hình phân bố .Kiểu  mã hoá này tương phản  với sơ đồ bộ nhớ truyền  thống  ,ở đó những mẫu thông tin cụ thể được chứa trong một  vùng  bộ nhớ .Sự phân  phát  bộ nhớ trong mạng Neuron  có nhiều  thuận  lợi ,quan trọng nhất   là bộ nhớ  chứa   dư ra nhiều thông tin tiêu biểu  một lúc .Vì vậy mạng  Neuron vẫn có thể hoạt  động  tốt khi bị phá huỷ một vài bộ phận  trong cấu trúc mạng  .

Thuộc tính của mạng Neuron như luật học ,sự tổng hợp thông tin dư thừa và dung sai cho phép   là động   cơ chọn lựa mô  hình sinh học thích hợp cho mạng Neuron .Những kích thích (potential benefits) của mạng Neuron có thể được  tóm tắt như sau :

  Mô hình Neuron có nhiều   Neuron liên  kết với nhau theo một cấu trúc song song .Vì có cấu  trúc song song nên sự bất thường  của một vài Neuron không gây ra những ảnh hưởng quan trọng  lên toàn bộ hệ thống  .Đặc tính này được xem như dung sai.

       Chiều  dài của mạng  phụ thuộc vào luật học và khả năng  thích nghi của nó .Khả  năng  thích nghi và học  từ môi trường có nghĩa là mạng Neuron có thể xử lý được  những  dữ liệu mơ hồ,không rõ ràng(imprecise data) và những  tình huống không được định nghĩa tốt (ill_defined situation ).Mạng được huấn luyện thích hợp sẽ có khả năng tổng hợp khi đầu vào không xuất hiện trong quá trình huấn luyện .

       Đặc tính quan trọng  nhất của mạng Neuron là khả  năng   xấp  xỉ những hàm liên tục phi tuyến  đến  độ chính xác mong muốn  .Khả năng  này của mạng làm cho chúng  trở nên hữu ích khi xây dựng  một mô hình trong bộ điều khiển  phi tuyến .

  Mạng Neuron có thể có nhiều  đầu vào và nhiều  đầu ra nên có thể ứng dụng cho nhiều hệ thống khác nhau .

     Với sự tiến  bộ của kỹ thuật phần cứng ,gần đây nhiều nhà cung cấp đã giới thiệu  kỹ thuật  VLSI trong mạng Neuron,điều này làm tăng  tốc độ tính toán trong mạng .

Mặc dù một số lượng   lớn những  phép  toán trong mạng Neuron và giải  thuật học được đưa ra ,nhưng hầu hết những mạng này đều  có một đặc tính chung nào đó với hệ Neuron sinh học .Cấu trúc cơ bản của một mạng  Neuron bao gồm nhiều Neuron  được phân  bố song song và cách  thức  giải  mã thông   tin trong kết  nối synapse  và  cách   thức  gọi thông  tin với đáp  ứng  đầu  vào  hiện  tại .Các  mạng Neuron khác nhau đều  có cách học  tương tự nhau ,chúng  đều  rút ra những kinh nghiệm từ những  dữ liệu được đưa vào .

Trên  đây là những   giới  thiệu  tổng  quát  về cấu trúc mạng  Neuron .Mô  tả chi tiết về cấu trúc  mạng động và mạng tĩnh sẽ được trình bày trong các phần sau .

1.3 Mạng  nuôi tiến hay còn gọi  là mạng tĩnh :

1.3.1 Mô hình toán của mạng  nuôi tiến :

Một Neuron bao gồm synapse ( điểm nối ) và soma ( thân Neuron ) .Trong mô hình  mạng Neuron  ,đầu ra  axon  của  Neuron  này  được nối  với  các  đầu   vào dendrite của các Neuron khác thông qua kết nối synapse và sự kết nối này quyết

định trọng số giữa  các  Neuron .Mỗi soma có trung bình 104 đầu vào dendrite  và

soma có chức năng  tổng hợp  trọng   số của tất cả các đầu vào này .Nếu  trọng   số này lớn hơn giá trị ngưỡng  thì nó sẽ tạo  thành  xung kích ở  đầu ra Neuron ,những xung kích này thông qua axon để chuyển  đến đầu vào các Neuron khác .

Nhìn ở góc  độ  về  xử  lý tín hiệu ,Neuron có hai yếu  tố then chốt  là synapse và soma-nó có chức  năng  tính toán và nhớ những  dữ liệu trong quá khứ .Mỗi synapse là một  phần  tử để lưu trữ dữ liệu  (hay trọng  số ) và nó sẽ được  học  để hiệu  chỉnh những  trọng  số này cho đến khi đạt được đầu ra như mong muốn .Soma có nhiệm vụ tổng hợp các trọng số đầu  vào  của  Neuron và  tạo thành kích thích ở  đầu ra Axon thông qua hàm tác động dạng  phi tuyến .

Một cách đơn giản , ta có xem một Neuron như là một  phần  tử xử lý thông tin

(PE)  gồm   có  n  đầu  vào

X (t )

[ x1

(t), x2

(t ),..., xn

(t )]T

R n    và  đầu   ra  vô  hướng

y(t)

R1   .Vector đầu vào X(t) chính là các đầu  ra của các Neuron ở  lớp trước  hay