1

CHƯƠNG 1: TỔNG QUAN ĐỀ TÀI NGHIÊN CỨU
1.1. Lý do chọn đề tài
Với tốc độ phát triển của khoa học kỹ thuật như hiện nay, thì những nhu cầu về
việc điều khiển tàu thủy bằng chế độ tự động là vô cùng quan trọng vì điều khiển
tàu thủy trực tiếp bằng con người thì sẽ mang tính chất chủ quan, cảm tính, đôi lúc
không chính xác. Điều khiển bằng chế độ tự động sẽ triệt tiêu tính chất chủ quan, hệ
thống tự động sẽ tự thu thập dữ liệu đầu vào và các thông số của tàu trong thời gian
hiện tại, kết hợp với yêu cầu điều khiển mà tính toán và xử lí, sau đó đưa ra lệnh
điều khiển tối ưu và dứt khoát, giúp giảm thiểu tối đa thiệt hại đáng tiếc có thể xảy
ra, đồng thời giúp cho chuyến hành trình được an toàn và nhanh chóng, nâng cao
hiệu suất vận chuyển.
Với những đặc tính ưu việc của chế độ điều khiển tự động như trên, kết hợp với
sự phát triển mạnh mẽ của việc truyền dữ liệu không dây thì yêu cầu điều khiển
được nâng cao hơn, đó chính là điều khiển chế độ tự động và có giám sát từ xa.
Giúp cho người điều khiển có thể trực tiếp điều khiển tàu từ xa hoặc thiết lập các
thông số từ xa cho chế độ tự động điều khiển của tàu. Yêu cầu này đặc biệt cấp thiết
đối với các tàu đi đo đạt hoặc khảo sát với các địa hình biển phức tạp, khó khăn mà
con người khó tiếp cận trực tiếp hoặc những khu vực nguy hiểm.
Chính vì sự cần thiết cũng như những tiềm năng của bộ điều khiển tàu thủy tự
động kết hợp với việc điều khiển từ xa là rất lớn trên thị trường hiện nay, nên việc
nghiên cứu và chế tạo là vô cùng cấp thiết. Hơn nữa, trên thị trường hiện nay có
những thiết bị điều khiển tự động dành cho tàu thủy với giá rất cao nhưng chưa có
sự kết hợp với chế độ điều khiển từ xa.
Vì vậy, để đáp ứng nhu cầu mang tính thực tiễn cao này nên tôi đã chọn đề tài
“Điều khiển hệ thống lái tự động tàu thủy với thuật toán nơron – mờ sử dụng
luật Takagi – Sugeno dưới ảnh hưởng của môi trường”.


2

1.2. Cơ sở khoa học và ý nghĩa thực tiển
1.2.1. Tổng quan một số mô hình máy lái tự động hiện nay
1.2.1.1. Mô hình hệ thống lái tự động RP-6000 của Tokyo Keyki

Hình 1.1 Hệ thống lái tự động RP-6000
Chế độ lái: lái tự động, lái bằng tay, lái NFU và NAV (RC hoặc lái vượt

−

cấp).
−

Bộ điều khiển lái tự động: điều khiển bằng PID và chức năng ADPT.

−

Tín hiệu đầu vào: tín hiệu tốc độ và tín hiệu điều hướng GYRO của
ADPT.
Giao diện IBS:

−

−

•

Có thể sắp xếp được hệ thống lái.

•


Giao diện theo tiêu chuẩn của IBS.
Hệ thống điều khiển: với mỗi loại đáp ứng điều khiển (đơn hoặc đôi) thì

được cung cấp cho bộ điều khiển đơn theo tiêu chuẩn của PID.
−

Giao diện giữa người và máy: “cảnh báo đơn” và “cảnh báo hệ thống”
được cải thiện với giao diện trực quan và được cải thiện hơn.


3

Chi tiết hệ thống lái:
-

Tương thích với hệ thống điều khiển lái từ xa theo tiêu chuẩn của IBS.

-

Kết nối với các thiết bị điều khiển khác của cùng hảng sản xuất.

-

Có thể kết nối với ngõ ra của la bàn số.

-

Tích hợp chức năng tự động kiểm tra theo tiêu chuẩn.


Hình 1.2 Giao diện điều khiển giữa người và máy
Bảng chú thích các chức năng của bộ điều khiển
- Option panel
- Helm unit
+ Dimmer
+ Handle
+ Rudder order ind
+ P/S ind
- System sel unit
- Repeater unit
+ Repeater switch
+ Repeater
+ Dimmer
- RC selection unit
+ P/W: port wing RC
+ W/H: wheel house RC
+ S/W: STBD wing RC
+ NAV: external navigation

- Bảng điều khiển
- Đơn vi bánh lái
+ Bộ điều chỉnh
+ Chế độ tay
+ Cài đặt giá trị bánh lái
+ Cài đặt P/S
- Hệ thống tự động mở rộng
- Đơn vị cảnh báo
+ Công tắc cảnh báo
+ Cảnh báo
+ Bộ điều chỉnh

- Đơn vị lựa chọn RC
+ P/W: cổng cạnh RC
+ W/H: bánh xe vị trí góc RC
+ S/W: STBD cạnh RC
+ NAV: chuyển hướng bên ngoài


4

1.2.1.2. Hệ thống điều khiển tự động NT921MKII

Hình 1.3 Hệ thống lái tự động NT921MKII
−

Là sản phẩm của công ty Navitron.

−

Tích hợp đầy đủ các chế độ lái với bộ điều khiển PID.

−

Bộ hiển thị số giá trị hướng đi của tàu, góc bẻ lái

−

Chức năng điều khiển: lái tự động, lái bằng tay, lái điều khiển từ xa.

−


Chế độ lái bằng tay với ưu điểm là tốc độ bẻ lái, góc bẻ lái và thời điểm bẻ
lái độc lập với nhau nên tạo sự linh hoạt trong điều khiển.

−

Chế độ điều khiển tự động thì chế độ bẻ lái và góc bẻ lái hoàn toàn phụ thuộc
vào tốc độ và góc lệch hướng.

−

Chế độ lái điều khiển từ xa giống như chế độ điều khiển bằng tay nhưng sử
dụng khi tầm nhìn bị che khuất.

−

Cảnh báo lỗi sự cố và cảnh báo lỗi mất nguồn.

−

Ghi nhớ được hướng đi của tàu.

−

Điện áp cung cấp 11-40VDC, 5A.

1.2.2. Các bài báo liên quan
−

Phương trình toán học của tàu cho ứng dụng điều khiển (Tristan P´erez và
Mogens Blanke, Đại học kỹ thuật Đan Mạch).



5

−

Phương trình toán học của tàu dưới tác động của bánh lái, thân tàu và chân
vịt (Yasuo Yoshimura, Đại học Hokkaido, Nhật Bản).

−

Ứng dụng ANFIS điều khiển con lắc ngược (Lê Ngọc Thành, Trường Cao
Đẳng nghề Đà Nẳng, Việt Nam).

−

Phương pháp phản hồi trực tiếp cho bánh lái của tàu (Thor I.Fossen và Marit
J.Paulsen, Mỹ)

1.3. Mục tiêu đề tài
-

Nghiên cứu và xây dựng mô hình điều khiển nơ ron – mờ sử dụng luật
Takagi - Sugeno (TSK) để điều khiển mô hình tàu.

-

Tìm hiểu và ứng dụng công nghệ truyền - nhận dữ liệu không dây vào việc
điều khiển tàu.


-

Nhúng giải thuật điều khiển nơ ron – mờ sử dụng luật TSK vào card DSP để
điều khiển mô hình tàu.

-

Tìm hiểu và ứng dụng cảm biến là bàn số vào định vị vị trí và hướng di
chuyển hiện tại của tàu.

-

Thiết kế và chế tạo mô hình tàu tự động điều khiển.

1.4. Phương pháp nghiên cứu
Đặt tính cơ bản của tàu là mối quan hệ giữa góc bẻ của bánh lái và góc lệch của
tàu là phi tuyến. Trong khi đó, để điều khiển mô hình chính xác thì rất cần ngõ vào
phải tuyến tính. Với mô hình điều khiển mờ sử dụng luật TSK thì không những mô
tả linh hoạt hệ thống mà còn tạo được tín hiệu ngõ ra điều khiển là tuyến tính.
Trong các mô hình điều khiển, tính chất nhận dạng hệ thống là vô cùng quan
trọng vì khi nhận dạng chính xác hệ thống sẽ giúp quá trình điều khiển được dễ
dàng và sai số là thấp nhất. Mạng nơ ron không những đáp ứng được tính chất trên
mà còn giúp dự báo trạng thái và ước lượng được trạng thái của mô hình. Quá trình
tín toán được tiến hành song song và phân tán trên nhiều nơ ron gần như đồng thời.
Bên cạnh đó, quá trình tín toán thực chất là quá trình học chứ không phải là theo sơ
đồ định sẵn từ trước.


6


Chính vì những ưu điểm của các phương pháp trên mà mô hình lựa chọn
phương pháp điều khiển nơ ron – mờ với luật điều khiển TSK.

CHƯƠNG 2: CƠ SỞ LÝ THUYẾT
2.1. Tổng quan các phương pháp điều khiển hệ thống lái tự động hiện nay
Tàu thủy là một đối tượng chuyển động phức tạp vì ngoài chuyển động riêng, tàu
còn chịu ảnh hưởng các tác động bên ngoài như dòng chảy, sóng, gió làm lệch


7

hướng đi của tàu so với hướng đi mong muốn. Bên cạnh đó, lực thủy động học tác
động lên thân tàu và tốc độ dòng chảy ảnh hưởng đến bánh lái cũng làm suy giảm
nhiều đến chất lượng và sự ổn định của hệ thống. Chính vì vậy mà hệ thống lái tự
động là hệ thống vô cùng quan trọng giúp tàu di chuyển đúng theo hướng đã định
và cũng là một thách thức không hề nhỏ cho các nhà thiết kế hệ thống.
Mô hình toán học của tàu trong không gian được xây dựng với hệ trục 6 bậc tự
do [1], mô phỏng chuyển động của tàu trên Matlab. Trên cơ sở đó, mô hình toán
học của tàu được phân tích và đánh giá dưới tác động của các ngoại lực tác động lên
tàu thân tàu và bánh lái [2], xét cả các yếu tố phi tuyến ảnh hưởng đến tàu, những
yếu tố phi tuyến này thường được đơn giản hóa trong quá trình thiết kế để mô hình
trở nên đơn giản. Bên cạnh đó, mối liên hệ giữa máy lái và chân vịt được phân tích
khá rỏ nét [3], sự ảnh hưởng trực tiếp của chân vịt và máy lái đến tốc độ, hướng đi
cũng được đề cập đến. Để mô tả chính xác hơn hoạt động của tàu nhằm cung cấp
cho bộ điều khiển đối tượng để huấn luyện cũng như thử nghiệm các phương pháp
điều khiển mới thì mô hình toán học của tàu MMG được phân tích cụ thể hơn bằng
cách xác định các thành phần tác động riêng lên tàu [4] như: bánh lái, chân vịt và
các lực thủy động lực học ảnh hưởng đến hướng đi của tàu. Với các mô hình toán
học của tàu được thiết lập, các thí nghiệm kiểm tra trên tàu thật và các kỹ thuật mô
phỏng đã được giới thiệu [5] nhằm mục đích xác định các hệ số thực nghiệm trong

mô hình chính xác. Nguyên lí tổng quan của bộ điều khiển định vị tàu thủy [6] hay
hệ thống các phương tiện nổi trên mặt biển cũng đã được đề cập đến và giới thiệu
tổng quan. Gần đây, một số nghiên cứu đã áp dụng lí thuyết điều khiển hiện đại vào
lĩnh vực điều khiển các phương tiện dưới nước, trong đó [7] và [8] đã sử dụng bộ
nhận dạng mờ và nơron online để ước lượng thời gian trễ điều khiển, từ đó nâng cao
chất lượng của hệ thống lái, kết hợp với bộ điều khiển bền vững được tổng hợp
bằng phương pháp Mc Farlan-Glover cho thấy hệ thống có khả năng giữ ổn định
với đối tượng nằm trong giới hạn của sự không chắc chắn chưa xác định. [9]
Phương pháp phản hồi trực tiếp đã được áp dụng cho mô hình toán học của tàu sử
dụng công thức Nomoto bậc 1 và bậc 2, phương pháp này đáp ứng khá tốt tín hiệu


8

ngõ ra. Ứng dụng bộ điều khiển ANFIS để điều khiển đối tượng [10], xây dựng
phương pháp và huấn luyện bộ điều khiển để áp ứng tốt ngõ ra theo các giá trị của
ngõ vào yêu cầu, kết quả đáp ứng tương đối tốt. Thiết kế hệ thống máy lái tự động
cho tàu, di chuyển theo đường đi định trước [11] đã phần nào đáp ứng tốt yêu cầu,
nhưng mô hình này lại chưa xét đến các tác động bên ngoài ảnh hưởng đến thân tàu
và góc bẻ lái. Bằng việc sử dụng công thức Nomoto bậc 2, kết hợp với phương pháp
điều khiển DSC [12] đã phần nào mô phỏng được hoạt động của tàu với các tham
số lựa chọn từ thực nghiệm. Bộ điều khiển hồi tiếp ngõ ra nơron mờ thích nghi trực
tiếp được sử dụng để điều khiển trong phương tiện quân sự [13] có kết hợp với yếu
tố thay đổi độ sâu của mực nước biển và vận tốc của dòng nước chảy ảnh hưởng
đến mô hình cũng phần nào thấy được khả năng đáp ứng tốt và tính ổn định của
phương pháp điều khiển nơron –mờ. Tuy nhiên, chưa có sự kết hợp giữa phương
pháp điều khiển máy lái tàu tự động bằng phương pháp điều khiển hiện đại dưới sự
tác động của các yếu tố như sóng, gió, dòng chảy của nước.
Như vậy, trong luận văn đi sâu phân tích hai phương pháp điều khiển: phương pháp
PID kinh điển và TKS.

2.2. Phương pháp điều khiển PID
2.2.1. Sơ đồ khối của bộ điều khiển PID

Hình 2.1 Sơ đồ khối bộ điều khiển PID
Bộ điều khiển PID hay còn được gọi là bộ điều khiển vi tích phân tỉ lệ (bộ điều
khiển PID- Proportional Integral Derivative) với cơ chế là bộ phản hồi vòng điều
khiển tổng quát được sử dụng rộng rãi trong các hệ thống điều khiển công nghiệp và


9

cũng là bộ điều khiển được sử dụng phổ biến nhất trong số các bộ điều khiển phản
hồi hiện tại đang có mặt trên thị trường. Đây là phương pháp điều khiển cổ điển
nhưng đến nay vẫn còn được sử dụng rộng rãi trong công nghiệp vì tín ổn định và
hiệu quả mà bộ điều khiển mang lại tương đối cao. Bộ điều khiển sẽ tính toán giá trị
sai số (hiệu số giữa giá trị đo được và giá trị cài đặt), sau đó thực hiện giảm tối đa
sai số bằng cách điều chỉnh giá trị sai số dựa trên các khâu tỉ lệ, khâu tích phân và
khâu vi phân, tổng hợp các giá trị hiệu chỉnh của các khâu lại với nhau và tạo nên
tín hiệu điều khiển hệ thống. Mỗi hệ thống sẽ có các thông số của bộ điều khiển
PID khác nhau nhằm giúp cho hệ thống đó đạt được giá trị điều khiển tối ưu nhất.
Bộ điều khiển dựa trên 3 thông số cơ bản để chỉnh định giá trị của các tín hiệu
điều khiển cho phù hợp với hệ thống, thông số đó bao gồm: tỉ lệ (P), tích phân (I) và
vi phân (D). Giá trị tỉ lệ xác định tác động của sai số hiện tại, giá trị tích phân xác
định tác động của tổng các sai số quá khứ, và giá trị vi phân xác định tác động của
tốc độ biến đổi sai số. Tổng hợp các giá trị này lại sẽ tạo nên tín hiệu của bộ điều
khiển. Với ý nghĩa của các thông số trong bộ điều khiển mà ta có thể điều chỉnh các
giá trị của thông số trong giải thuật của bộ điều khiển PID để tạo nên các đáp ứng
khác nhau cho các hệ thống khác nhau hoặc cho những bộ điều khiển có yêu cầu
thiết kế đặc biệt. Tùy vào mục đích sử dụng và yêu cầu độ chính xác của bộ điều
khiển mà ta có thể lựa chọn các bộ điều khiển khác nhau, các thông số của hệ thống

cũng không nhất thiết phải có mặt đầy đủ (tùy thuộc yêu cầu điều khiển), nếu như
không có yếu tố vi phân thì bộ điều khiển PID sẽ trở thành bộ điều khiển PI, nếu
như không có yếu tố tích phân thì bộ điều khiển PID sẽ trở thành bộ điều khiển PD.
2.2.2. Lý thuyết điều khiển PID
Sơ đồ điều khiển PID được đặt tên theo ba khâu hiệu chỉnh của nó, tổng của ba
khâu này tạo thành tín hiệu điều khiển
MV (t ) = Pout + I out + Dout

Trong đó:
Pout , Iout , Dout là các thành phần đầu ra từ ba khâu của bộ điều khiển PID
2.2.2.1. Khâu tỉ lệ

(2.1)


10

Hình 2.2 Thay đổi giá trị tỉ lệ khi giá trị tích phân và vi phân là hằng số
Khâu tỉ lệ (đôi khi còn được gọi là độ lợi) làm thay đổi giá trị đầu ra, tỉ lệ với giá
trị sai số hiện tại. Đáp ứng tỉ lệ có thể được điều chỉnh bằng cách nhân sai số đó với
một hằng số Kp, được gọi là độ lợi tỉ lệ.
Khâu tỉ lệ được cho bởi:
Pout = K p e(t )

(2.2)

Trong đó:
Pou
Kp


t : thừa số tỉ lệ của đầu ra

: độ lợi tỉ lệ, thông số điều chỉnh

e: sai số = giá trị đặt – giá trị hiện tại
t: thời gian hoặc thời gian hiện tại
Độ lợi của khâu tỉ lệ lớn là do thay đổi lớn ở đầu ra mà sai số thay đổi nhỏ. Nếu
độ lợi của khâu tỉ lệ quá cao, hệ thống sẽ không ổn định. Ngược lại, độ lợi nhỏ là do
đáp ứng đầu ra nhỏ trong khi sai số đầu vào lớn, và làm cho bộ điều khiển kém
nhạy, hoặc đáp ứng chậm. Nếu độ lợi của khâu tỉ lệ quá thấp, tác động điều khiển
có thể sẽ quá bé khi đáp ứng với các nhiễu của hệ thống.
2.2.2.2. Khâu tích phân


11

Hình 2.3 Thay đổi giá trị tích phân khi giá trị tỉ lệ và vi phân là hằng số
Phân phối của khâu tích phân (đôi khi còn gọi là reset) tỉ lệ thuận với cả biên độ
sai số lẫn quảng thời gian xảy ra sai số. Tổng sai số tức thời theo thời gian (tích
phân sai số) cho tích lũy bù đã được hiệu chỉnh trước đó. Tích lũy sai số sau đó
được nhân với độ lợi tích phân và cộng với tín hiệu đầu ra của bộ điều khiển. Biên
độ phân phối của khâu tích phân trên tất cả tác động điều chỉnh được xác định bởi
độ lợi tích phân,

.

Thừa số tích phân được cho bởi:
t

I out = K i ∫ e(τ )dτ

0

(2.3)

Trong đó:
Iout: thừa số tích phân của đầu ra
Ki: độ lợi tích phân, 1 thông số điều chỉnh
e: sai số = giá trị đặt – giá trị hiện tại
t: thời gian hoặc thời gian hiện tại
τ: một biến tích phân trung gian
Khâu tích phân khi kết hợp với khâu tỉ lệ sẽ tăng tốc chuyển động của quá trình
tới điểm đặt và khử số dư sai số ổn định với một tỉ lệ chỉ phụ thuộc vào bộ điều
khiển. Vì khâu tích phân là đáp ứng của sai số tích lũy trong quá khứ, nó có thể
khiến giá trị hiện tại vọt lố qua giá trị đặt (ngang qua điểm đặt, tạo ra một độ lệch
với các hướng khác).


12

2.2.2.3. Khâu vi phân

Hình 2.4 Thay đổi giá trị vi phân khi giá trị tỉ lệ và tích phân là hằng số
Tốc độ thay đổi của sai số quá trình được tính toán bằng cách xác định độ dốc
của sai số theo thời gian (tức là đạo hàm bậc một theo thời gian) và nhân tốc độ này
với độ lợi tỉ lệ Kd. Biên độ của phân phối khâu vi phân (đôi khi được gọi là tốc độ)
trên tất cả các hành vi điều khiển được giới hạn bởi độ lợi vi phân, Kd.
Thừa số vi phân được cho bởi:

Dout = K d


de(t )
dt

(2.4)

Trong đó
Dout: thừa số vi phân của đầu ra
Kd: độ lợi vi phân, 1 thông số điều chỉnh
e: sai số = giá trị đặt – giá trị hiện tại
t: thời gian hoặc thời gian hiện tại
Khâu vi phân làm chậm tốc độ thay đổi của đầu ra bộ điều khiển và đặc tính này
là cần lưu ý để đạt tới điểm đặt của bộ điều khiển. Từ đó, điều khiển vi phân được
sử dụng để làm giảm biên độ vọt lố được tạo ra bởi thành phần tích phân và tăng
cường độ ổn định của bộ điều khiển hỗn hợp. Tuy nhiên, phép vi phân của một tín
hiệu sẽ khuếch đại nhiễu và do đó khâu này sẽ nhạy hơn đối với nhiễu trong sai số,
và có thể khiến quá trình trở nên không ổn định nếu nhiễu và độ lợi vi phân đủ lớn.


13

Do đó một xấp xỉ của bộ vi sai với băng thông giới hạn thường được sử dụng hơn.
Chẳng hạn như mạch bù sớm pha.
Khâu tỉ lệ, tích phân, vi phân được cộng lại với nhau để tính toán đầu ra của bộ
điều khiển PID. Định nghĩa u(t) là đầu ra của bộ điều khiển, biểu thức cuối cùng của
giải thuật PID là:
t

u (t ) = MV (t ) = K p e(t ) + K i ∫ e(τ )dτ + K d
0


de(t )
dt

(2.5)

Trong đó các thông số điều chỉnh là:
−

Độ lợi tỉ lệ (Kp): giá trị càng lớn thì đáp ứng càng nhanh do đó sai số càng
lớn, bù khâu tỉ lệ càng lớn. Một giá trị độ lợi tỉ lệ quá lớn sẽ dẫn đến quá
trình dao động và mất ổn định.

−

Độ lợi tích phân (Ki): giá trị càng lớn kéo theo sai số ổn định bị khử càng
nhanh. Đổi lại là độ vọt lố càng lớn: bất kỳ sai số âm nào được tích phân
trong suốt đáp ứng quá độ phải được triệt tiêu tích phân bằng sai số dương
trước khi tiến tới trạng thái ổn định.

−

Độ lợi vi phân (Kd): giá trị càng lớn càng giảm độ vọt lố, nhưng lại làm
chậm đáp ứng quá độ và có thể dẫn đến mất ổn định do khuếch đại nhiễu tín
hiệu trong phép vi phân sai số.

2.2.2.4. Điều chỉnh vòng lặp
Điều chỉnh một vòng điều khiển là điều chỉnh các thông số điều khiển của nó
(độ lợi/dải tỉ lệ, độ lợi tích phân/reset, độ lợi vi phân/tốc độ) tới giá trị đáp ứng điều
khiển tối ưu. Độ ổn định (dao động biên) là một yêu cầu căn bản, nhưng ngoài ra,
các hệ thống khác nhau, có những hành vi khác nhau, những ứng dụng khác nhau

có những yêu cầu khác nhau, và vài yêu cầu lại mâu thuẫn với nhau. Vài quá trình
có một mức độ phi tuyến nào đấy khiến các thông số làm việc tốt ở điều kiện đầy tải
sẽ không làm việc khi quá trình khởi động từ không tải; điều này có thể khắc phục
bằng chương trình độ lợi (sử dụng các thông số khác nhau cho những khu vực hoạt
động khác nhau). Các bộ điều khiển PID thường cung cấp các điều khiển có thể
chấp nhận được thậm chí không cần điều chỉnh, nhưng kết quả nói chung có thể


14

được cải thiện bằng cách điều chỉnh kỹ lưỡng, kết quả có thể không chấp nhận được
nếu điều chỉnh kém.
Điều chỉnh PID là một bài toán khó, ngay cả khi chỉ có 3 thông số và về nguyên
tắc là dễ miêu tả, bởi vì nó phải thỏa mãn các tiêu chuẩn phức tạp nằm trong Những
hạn chế của điều khiển PID. Vì vậy có nhiều phương pháp khác nhau để điều chỉnh
vòng lặp, và các kỹ thuật phức tạp hơn là đề tài cho nhiều phát minh sáng chế; phần
này miêu tả vài phương pháp thủ công truyền thống để điều chỉnh vòng lặp.
Có nhiều phương pháp khác nhau để điều chỉnh vòng lặp PID. Những phương
pháp hữu hiệu nhất thường bao gồm những triển khai của vài dạng mô hình xử lý,
sau đó chọn P, I, và D dựa trên các thông số của mô hình động học. Các phương
pháp điều chỉnh thủ công tương đối không hiệu quả lắm, đặc biệt nếu vòng lặp có
thời gian đáp ứng được tính bằng phút hoặc lâu hơn.
Lựa chọn phương pháp thích hợp sẽ phụ thuộc phần lớn vào việc có hay không
vòng lặp có thể điều chỉnh "offline", và đáp ứng thời gian của hệ thống. Nếu hệ
thống có thể thực hiện offline, phương pháp điều chỉnh tốt nhất thường bao gồm bắt
hệ thống thay đổi đầu vào từng bước, tín hiệu đo lường đầu ra là một hàm thời gian,
sử dụng đáp ứng này để xác định các thông số điều khiển.
2.2.2.5. Độ ổn định
Nếu các thông số của bộ điều khiển PID (độ lợi của khâu tỉ lệ, tích phân và vi
phân) được chọn sai, đầu vào quá trình điều khiển có thể mất ổn định, vì các khác

biệt đầu ra của nó, có hoặc không có dao động. Sự không ổn định được gây ra bởi
sự dư thừa độ lợi, nhất là khi xuất hiện độ trễ lớn.
Nói chung, độ ổn định của đáp ứng (ngược với độ bất định) phải thỏa mãn và
quá trình phải không được dao động vì bất kỳ sự kết hợp nào giữa các điều kiện quá
trình và điểm đặt, mặc dù đôi khi ổn định biên có thể được chấp nhận hoặc yêu cầu.
2.3. Phương pháp điều khiển nơron-mờ
2.3.1. Tổng quan về logic mờ
2.3.1.1. Giới thiệu về điều khiển logic mờ
Trong các phương pháp điều khiển được sử dụng đến nay thì sự đóng góp của
điều khiển logic là cực kỳ to lớn. Nó đã đóng vai trò rất quan trọng không chỉ trong


15

các ngành khoa học tự nhiên mà còn là một môn khoa học không thể thiếu được đối
với khoa học xã hội ngay cả trong suy luận đời thường. Ngày nay, logic toán học
kinh điển đã tỏ ra còn nhiều hạn chế trong những bài toán nảy sinh từ công việc
nghiên cứu và thiết kế những hệ thống phức tạp. Đặc biệt là những lĩnh vực cần sử
dụng trí tuệ nhân tạo hay trong công việc điều khiển và vận hành các hệ thống lớn
có độ phức tạp cao cần sự giúp đỡ của hệ các chuyên gia và công nghệ phần mềm
đã đặt nền móng cho việc ứng dụng hệ thống điều khiển thông minh vào các ngành
công nghiệp. Các hệ thống điều khiển thông minh được xây dựng trên cơ sở trí tuệ
nhân tạo đã giúp con người có khả năng khống chế những đối tượng mà trước kia
tưởng chừng như không điều khiển được như trong rất nhiều bài toán điều khiển khi
đối tượng không thể mô tả bởi mô hình toán học, hoặc mô hình của nó quá phức
tạp, cồng kềnh, …
Năm 1965, L.A.Zadeh - tại trường đại học Berkelye bang California -Mỹ đã
sáng tạo ra lý thuyết điều khiển mờ (Fuzzy Sets Theory) và đặt nền móng cho việc
xây dựng một loạt các lý thuyết quan trọng dựa trên cơ sở lý thuyết tập mờ.
Năm 1970, tại trường Marry Queen London - Anh, Ebrahim Mamdani đã dùng

logic mờ để điều khiển một máy hơi nước mà ông không thể điều khiển được bằng
kỹ thuật cổ điển. Tại Đức Hann Zimmermann đã dùng logic mờ cho các hệ ra quyết
định.
Tại Nhật logic mờ được ứng dụng vào nhà máy xử lý nước của Fuji Electrinic
vào năm 1983, hệ thống xe điện ngầm của Hitachi vào năm 1987, đường sắt Sendai.
Các ứng dụng đã và đang được phát triển với các vấn đề theo vếch, điều chỉnh, nội
suy, phân loại, chữ viết tay, nhận dạng lời nói, ổn định hình dạng trong các máy
quay video, máy giặt, máy hút bụi, điều hòa, quạt điện,...
Một thí nghiệm con lắc ngược đã được chứng minh vào năm 1987 với “các đáp
ứng cân bằng được sinh ra gần 100 lần ngắn hơn những đáp ứng của bộ điều khiển
PID truyền thống”.
Lý thuyết mờ ra đời ở Mỹ, ứng dụng đầu tiên ở Anh nhưng phát triển mạnh mẽ
nhất ở Nhật. Trong lĩnh vực tự động hóa logic mờ ngày càng được ứng dụng rộng
rãi, nó thực sự hữu dụng với các đối tượng phức tạp mà ta chưa biết rõ hàm truyền,


16

phức tạp, không xác định, logic mờ có thể giải quyết các vấn đề mà điều khiển kinh
điển không làm được.
Phương pháp điều khiển mờ chính là nhằm vào việc xây dựng các phương pháp
có khả năng bắt chước cách thức con người điều khiển. Vì đối tượng điều khiển là
một hệ thống phức tạp, bản chất chưa rõ, không thể hiển thị bằng các mô hình toán
lý. Nên dưới dạng mô hình mờ một tập các mệnh đề IF …THEN (các luật) với các
dữ liệu ngôn ngữ mô tả mối quan hệ giữa các biến vào, các biến ra đã ra đời.
Điểm mạnh nổi trội cơ bản của điểu khiển mờ so với kỹ thuật điều khiển kinh
điển là nó áp dụng rất hiệu quả và linh hoạt trong các quá trình điều khiển ở điều
kiện chưa xác định rõ và thiếu thông tin. Nguyên lý điều khiển mờ đã cho phép con
người tự động hóa được điều khiển cho một quá trình, một thiết bị…và mang lại
chất lượng mong muốn.

2.3.1.2. Cấu trúc của hệ điều khiển mờ
a. Sơ đồ khối
Sơ đồ các khối chức năng của hệ điều khiển mờ được miêu tả như hình 2.5.
Trong đó các khối chính của bộ điều khiển mờ là khối mờ hóa, khối thiết bị hợp
thành và khối giải mờ. Ngoài ra còn có giao diện vào và giao diện ra để đưa tín hiệu
vào bộ điều khiển và xuất tín hiệu từ ngõ ra bộ điều khiển đến cơ cấu chấp hành.

Hình 2.5 Các khối chức năng của bộ điều khiển mờ
b. Giao diện vào và giao diện ra
Hệ mờ là một hệ điều khiển số do đó tín hiệu đưa vào bộ điều khiển mờ phải là
tín hiệu số. Giao diện vào có nhiệm vụ chuẩn hóa tín hiệu tương tự thu nhận được
từ đối tượng điều khiển và chuyển đổi thành tín hiệu số. Giao diện ra có nhiệm vụ
biến đổi tín hiệu số thành tương tự, khuyếch đại tín hiệu điều khiển cho phù hợp với
đối tượng cụ thể. Trong thực tế, giao diện vào, ra được tích hợp trong một CARD
xử lý số chuyên dụng hoặc lắp thêm vào khe cắm mở rộng của máy tính.
c. Khối mờ hóa
Là khối đầu tiên của bộ điều khiển mờ có chức năng chuyển mỗi giá trị rõ của
biến ngôn ngữ đầu vào thành véc tơ µ có số chiều bằng số tập mờ đầu vào. Số tập


17

mờ đầu vào do người thiết kế qui định tùy thuộc đối tượng cụ thể, nhưng thông
thường không chọn quá 9 tập mờ. Hình dạng các hàm liên thuộc cũng được tùy
chọn theo hình tam giác, hình thang, hàm Gaus … Mỗi loại hàm liên thuộc có ưu,
nhược điểm riêng. Hiện nay vẫn chưa có nghiên cứu nào chỉ rõ dùng dạng hàm liên
thuộc nào là tốt nhất.
d. Khối thiết bị hợp thành
Khối thiết bị hợp thành còn được gọi là cơ cấu suy diễn hay động cơ suy diễn có
chức năng biến mỗi giá trị rõ (x0) ở đầu vào thành tập mờ µB'(x0) trên cơ sở các luật

điều khiển, khối này gồm 2 phần chính: Luật điều khiển (hợp thành) và suy diễn
mờ.
Luật điều khiển bao gồm một số mệnh đề hợp thành là các mệnh đề đơn hoặc
mệnh đề phức được liên hệ với nhau bởi toán tử "Hoặc" có dạng tổng quát:
R1 : Nếu X1 = A1 và X2 = B1 và … thì Y1 = C1 và Y2 = D1 … hoặc
R2 : Nếu X1 = A2 và X2 = B2 và ….thì Y1 = C2 và Y2 = D2 … hoặc
………………………………………………………
Rn : Nếu X1 = An và X2 = Bn và … thì Y1 = Cn và Y2 = Dn …
Tùy theo số mệnh đề điều kiện và số mệnh đề kết luận trong mỗi mệnh đề hợp
thành mà người ta có các cấu trúc điều khiển khác nhau:
Cấu trúc SISO (một vào, một ra): Chỉ có một mệnh đề điều kiện và một mệnh đề
kết luận.
Ví dụ:

R1 : nếu x = A1 thì y = B1 hoặc
R2 : nếu x = A2 thì y = B2
Cấu trúc MISO (Nhiều vào, một ra): Có từ 2 mệnh đề điều kiện trở lên và một

mệnh đề kết luận.
Ví dụ: Nếu x1 = A1 và x2 = A2 thì y = B
Cấu trúc MIMO (Nhiều vào, nhiều ra): Có ít nhất 2 mệnh đề điều kiện và 2
mệnh đề kết luận.
Ví dụ:
R1 : Nếu x1 = A1 và x2 = B1 thì y = C1 hoặc
R2 : Nếu x1 = A2 và x2 = B2 thì y = C2
e. Khối giải mờ (rõ hoá)
Giải mờ là quá trình xác định một giá trị rõ y 0 nào đó có thể chấp nhận được từ
hàm liên thuộc µB’(y) của giá trị mờ B’ (tập mờ B’).
Có hai phương pháp giải mờ chính là phương pháp cực đại và phương pháp
điểm trọng tâm.

Phương pháp cực đại
Để giải mờ theo phương pháp cực đại, ta cần thực hiện theo hai bước:


18

Bước 1: Xác định miền chứa giá trị rõ y 0 (miền G): Đó là miền mà tại đó hàm
liên thuộc µB’(y) đạt giá trị cực đại (độ cao H của tập mờ B’), tức là miền:
G = {y∈Y | µB’(y) = H}
Bước 2: Xác định y0 có thể chấp nhận được từ G theo ba nguyên tắc: nguyên tắc
trung bình, nguyên tắc cận trái và nguyên tắc cận phải.
Nguyên tắc trung bình: Giá trị y0 sẽ là trung bình cộng của y1 và y2:

y0 =

y1 + y 2
2

(2.6)

Nguyên tắc cận trái: Giá trị rõ y0 được lấy bằng cận trái y1 của G. Với

y1 = inf( y )
y∈G

(2.7)

Nguyên tắc cận phải: Giá trị rõ y0 được lấy bằng cận trái y2 của G

y 2 = sup( y )

y∈G

(2.8)

Phương pháp điểm trọng tâm
Giải mờ theo phương pháp điểm trọng tâm sẽ cho ra kết quả y' là hoành độ của
điểm trọng tâm miền được bao bởi trục hoành và đường µB’(y).
Công thức xác định y0 theo phương pháp điểm trọng tâm:
∫ yµ B ' ( y)dy

∫ µ B ' ( y)dy

(2.9)

Với S là miền xác định của tập mờ B'.
Giả sử có q luật điều khiển được triển khai. Khi đó mỗi giá trị mờ B' tại đầu ra
của bộ điều khiển sẽ là tổng của q giá trị mờ đầu ra của từng luật hợp thành. Ký
hiệu giá trị mờ đầu ra của luật điều khiển thứ k là µB’k(y) với k =1, 2, ... , q. Với quy
tắc SUM-MIN, hàm liên thuộc µB’(y) sẽ là:
q

µ B ' ( y ) = ∑ µ B 'k ( y )

(2.10)

k =1

2.3.1.3. Suy diễn mờ
Là nguyên tắc xây dựng ma trận hợp thành chung (R) từ các mệnh đề hợp thành
Rk. Trong điều khiển mờ người ta đưa ra 4 nguyên tắc xây dựng ma trận hợp thành

là: Max-min, Max-prod, Sum-min, Sum-prod. Theo thói quen ta thường gọi là các
luật hợp thành Max-min, Max-prod, Sum-min và Sum-prod.
a. Luật hợp thành Max-min


19

Nếu µB’1(y), µB’2(y), µB’3(y) thu được qua phép lấy Min còn phép hợp thực hiện
theo luật Max. Luật hợp thành Min là tên gọi mô hình (ma trận) R của mệnh đề hợp
thành A⇒B khi hàm liên thuộc µ A⇒B(x,y) của nó được xây dựng theo quy tắc MIN.
Xét luật hợp thành đơn có cấu trúc SISO:
Các bước xây dựng:
Bước 1: Rời rạc hoá µ A(x) tại n điểm x1, x2,...., xn , µ B(y) tại m điểm y1, y2 ,....,
ym (n có thể khác m)
Bước 2: Xây dựng ma trận R gồm n hàng và m cột :
 µ R ( x1 , y1 ).............µ R ( x1 , y m )   r11 ..........r1m 

 

R =  ...............................................  =  ...................
(2.11)
 µ ( x , y ).............µ ( x , y )   r ..........r 
R
n
m 
nm 
 R n 1
 n1
Bước 3: Xác định hàm liên thuộc µB’(y) của đầu ra ứng với giá trị rõ đầu vào x k
theo biểu thức:


 r11 ..........r1m 


T
µ B ' ( y ) = a .R = (a1 , a 2 ,...a n ) ...................  = ( l1 , l 2 ,...l m )
 r ..........r 
nm 
 n1

(2.12)

n

T
Với: l k = ∑ ai rik , a = (0,...,0,1,0,...,0)
i =1

min{ a i rki } , k = 1,2,..., m
Trong đó: l k = max
1≤i ≤ n
Bước 4: Xác định µB’(y) theo công thức: µB’(y) = (l1, l2, ... , lm)
b. Luật hợp thành MAX-PROD
Nếu µB’1(y), µB’2(y), µB’3(y) thu được qua phép PROD còn phép hợp thực hiện
theo luật Max.
Các bước xây dựng luật hợp thành MAX-PROD:
Bước 1: Rời rạc hoá µ A(x) tại n điểm x1, x2,...., xn , µ B(y) tại m điểm y1, y2 ,....,
ym (n có thể khác m)
Bước 2: Xây dựng ma trận R gồm n hàng và m cột :
 µ R ( x1 , y1 ).............µ R ( x1 , y m )   r11 ..........r1m 


 

R =  ...............................................  =  ...................
 µ ( x , y ).............µ ( x , y )   r ..........r 
R
n
m 
nm 
 R n 1
 n1

(2.13)

Bước 3: Xác định hàm liên thuộc µB’(y) của đầu ra ứng với giá trị rõ đầu vào x k
theo biểu thức:


20

 r11 ..........r1m 


µ B ' ( y ) = a .R = (a1 , a 2 ,...a n ) ...................  = ( l1 , l 2 ,...l m )
 r ..........r 
nm 
 n1
T

(2.14)


n

T
Với l k = ∑ ai rik a = (0,...,0,1,0,...,0)
i =1

pro{ ai rki } , k = 1,2,..., m
Trong đó: l k = max
1≤i ≤ n
Bước 4: Xác định µB’(y) theo công thức: µB’(y) = (l1, l2, ... , lm)
Để xây dựng R, trước tiên hai hàm liên thuộc µ A(x) và µ B(x) được rời rạc hoá
với tần số rời rạc đủ nhỏ để không bị mất thông tin.
c. Luật hợp thành SUM-MIN
Nếu µB’1(y), µB’2(y), µB’3(y) thu được qua phép lấy Min còn phép hợp thực hiện
theo luật SUM.
Xét luật điều khiển R, gồm có p mệnh đề hợp thành:
R1 : Nếu x = A1 Thì y = B1 hoặc
R2 : Nếu x = A2 Thì y = B2 hoặc
..............................................
Rp : Nếu x = Ap Thì y = Bp
Trong đó các giá trị mờ A1, A2, ... , Ap có cùng cơ sở X và B 1, B2, ... , Bp có cùng
cơ sở Y. Gọi hàm liên thuộc của Ak và Bk là µAk(x) và µBk(y) với k = 1, 2, ... , p.
Thuật toán triển khai: R = R1∪R2∪ ... ∪Rp được thực hiện theo các bước sau:
Bước 1: Rời rạc hoá X tại n điểm (x 1, x2, x3, ... , xn) và Y tại m điểm (y 1, y2, ... ,
ym)

Bước 2: Xác định các véctơ νAk và νBk (k = 1, 2, … , p) tại các điểm rời rạc theo

biểu thức:

ν TAk = { µ Ak ( x1 ), µ Ak ( x 2 ),..., µ Ak ( x n )}
T
ν Bk
= { µ Bk ( x1 ), µ Bk ( x 2 ),..., µ Bk ( x n )}

(2.15)

Bước 3: Xác định mô hình (ma trận) Rk cho mệnh đề thứ k
T
Rk = µ Ak .µ Bk
= rijk , i=1,2,...,n và j=1,2,…,m

( )

(2.16)
Trong đó phép (.) là phép tính lấy cực tiểu min khi sử dụng nguyên tắc SUMMIN
Bước 4: Xác định luật hợp thành
 p

R = min 1, ∑ Rk  với k=1,2,...,p
 k =1 
d. Luật hợp thành SUM - PROD

(2.17)


21

Nếu µB’1(y), µB’2(y), µB’3(y) thu được qua phép lấy PROD còn phép hợp thực
hiện theo Lukasiewicz.

Xét luật điều khiển R gồm p mệnh đề hợp thành:
R1 : Nếu x = A1 Thì y = B1 hoặc
R2 : Nếu x = A2 Thì y = B2 hoặc
..............................................
Rp : Nếu x = ApThì y = Bp
Các giá trị mờ A1, A2, ... , Ap có cùng cơ sở X và B1, B2, ... , Bp có cùng cơ sở Y.
Gọi hàm liên thuộc của Ak và Bk là µAk(x) và µBk(x) với k = 1, 2, ..., p.
Thuật toán triển khai: R = R1∪R2∪ ... ∪Rp được thực hiện theo các bước sau:
Bước 1: Rời rạc hoá X tại n điểm (x 1, x2, x3, ... , xn) và Y tại m điểm (y 1, y2, ... ,
ym)

Bước 2: Xác định các véctơ νAk và νBk (k=1, 2,…, p) tại các điểm rời rạc theo

biểu thức:

ν TAk = { µ Ak ( x1 ), µ Ak ( x 2 ),..., µ Ak ( x n )}
T
ν Bk
= { µ Bk ( x1 ), µ Bk ( x 2 ),..., µ Bk ( x n )}

(2.18)

Bước 3: Xác định mô hình (ma trận) Rk cho mệnh đề thứ k
T
Rk = µ Ak .µ Bk
= rijk , i=1,2,...,n và j=1,2,…,m

( )

(2.19)

Trong đó phép (.) sử dụng phép nhân bình thường khi sử dụng nguyên tắc SUMPROD.
Bước 4: Xác định luật hợp thành
 p

R = min 1, ∑ Rk  với k=1,2,...,p
(2.30)
 k =1 
2.3.2. Tổng quan về mạng nơron
2.3.2.1. Giới thiệu về mạng nơron
Khi khoa học phát triển ngày càng hiện đại, các phương pháp điều khiển với độ
chính xác được đòi hỏi cao hơn, ổn định hơn và ngày càng giống như khả năng điều
khiển của con người, tạo ra cơ sở xây dựng các hệ chuyên gia, những hệ có khả
năng cung cấp kinh nghiệm điều khiển hệ thống. Trí tuệ nhân tạo được xây dựng
dựa trên mạng nơron nhân tạo.
Mạng nơron nhân tạo là hệ thống được xây dựng dựa trên nguyên tắc cấu tạo
của bộ não con người. Mạng nơron nhân tạo có thể giải quyết như: tính toán gần
đúng các hàm số, thực hiện các bài toán tối ưu, nhận mẫu, nhận dạng và điều khiển
đối tượng hiệu quả hơn so với các phương pháp truyền thống. Mạng nơron nhân tạo
có một số lượng lớn mối liên kết của các phần tử biến đổi có liên kết song song. Nó


22

có hành vi tương tự như bộ não người với khả năng tự học hỏi, tự chỉnh định cho
phù hợp với sự thay đổi không lường trước của đối tượng điều khiển và tổng hợp
thông tin từ sự luyện tập của các tập mẫu dữ liệu. Trong quá trình tái tạo đó không
phải tất cả các chức năng của bộ não con người đều được tái tạo, mà chỉ có những
chức năng cần thiết. Bên cạnh đó còn có những chức năng mới được tạo ra nhằm
giải quyết một bài toán điều khiển đã định trước. Các phần tử biến đổi của mạng
nơron nhân tạo được gọi là các nơron nhân tạo hoặc gọi tắt là nơron.

2.3.2.2. Lịch sử phát triển của mạng nơron nhân tạo
Được xây dựng từ những năm 1940, dựa trên quan điểm cho rằng bộ não con
người là bộ điều khiển, mạng nơron nhân tạo được xây dựng nhằm mô phỏng một
số chức năng của bộ não con người. Mạng nơron nhân tạo được thiết kế và có khả
năng giải quyết hàng loạt các bài toán tối ưu, điều khiển, công nghệ robot, điều
khiển vũ trụ, … Quá trình nghiên cứu và phát triển nơron nhân tạo có thể chia làm 4
giai đoạn cơ bản như sau:
Giai đoạn 1: Xuất phát từ nghiên cứu của William về tâm lý học với sự liên kết
các nơron thần kinh. Năm 1940 Mc Culloch và Pitts đã cho biết nơron có thể mô
hình hóa như thiết bị ngưỡng để thực hiện các phép tính logic. Sau đó, mô hình
mạng nơron của Mc Culloch-Pitts cùng với giải thuật huấn luyện mạng của Hebb ra
đời năm 1943.
Giai đoạn 2: Vào khoảng gần những năm 1960, một số mô hình nơron hoàn
thiện hơn đã được đưa ra như: mô hình Perception của Rosenblatt năm 1958,
Adalile của Widrow năm 1962. Trong đó mô hình Perception rất được quan tâm vì
nguyên lý đơn giản nhưng nó có hạn chế vì nó đã không dùng được cho các hàm
logic phức. Năm 1969 Adalile đã mô hình tuyến tính, tự chỉnh được dùng rộng rãi
trong điều khiển thích nghi, tách nhiễu và phát triển cho đến nay.
Giai đoạn 3: Đầu những năm 1980, Grossberg, Kohnonen, Rumelhart và
Hopfield đã có những đóng góp to lớn cho mạng nơron. Trong đó, đóng góp lớn của
Hopfiled gồm hai mạng phản hồi: mạng rời rạc năm 1982 và mạng liên tục năm
1984. Sau đó, Rumelhart, Hinton và Williams đề xuất thuật toán sai số truyền
ngược nổi tiếng để huấn luyện mạng nơron nhiều lớp, giải bài toán mà mạng khác
không thực hiện được.


23

Giai đoạn 4: Từ năm 1987 đến nay mạng nơron đã và đang khẳng định được vị
trí của mình trong rất nhiều ứng dụng khác nhau: điều khiển, bài toán tối ưu và ngày

càng được sự quan tâm của nhiều nhà khoa học.
2.3.2.3. Cấu trúc mạng nơron nhân tạo
a. Mạng nơron sinh học
Nơron là phần tử cơ bản tạo nên bộ não con người. Một nơron điển hình có 3
phần chính: thân nơron, các nhánh và sợi trục.

Hình 2.6 Mô hình 2 nơron sinh học
Thân nơron (soma): Được giới hạn trong một màng membran và trong cùng là
nhân. Thân nơron có rất nhiều đường rẽ nhánh gọi là rễ. Các rễ của nơron được chia
thành hai loại: loại nhận thông tin từ nơron khác qua axon gọi là rễ đầu vào và loại
đưa thông tin qua axon tới các nơron khác gọi là rễ đầu ra. Một nơron có nhiều rễ
đầu vào nhưng chỉ có một rễ đầu ra.
Các nhánh (dendrite): Đây chính là các mạng dạng cây của các dây thần kinh để
nối các soma với nhau.
Sợi trục (Axon): Đây là một kết nối hình trụ dài và mang các tín hiệu ra ngoài.
Phần cuối của axon được chia thành nhiều nhánh nhỏ. Mỗi nhánh nhỏ kết thúc
trong một cơ quan nhỏ được gọi là synapte mà tại đây các nơron đưa các tín hiệu
của nó vào các nơron khác. Những điểm tiếp nhận với các synapte trên các nơron
khác có thể ở các dendrite hay chính soma.
b. Mạng nơron nhân tạo
Nơron nhân tạo là sự sao chép nơron sinh học của não người, có những đặc tính:
−
Mỗi nơron có một số đầu vào, những kết nối và một đầu ra.
−
Một nơron có thể hoạt động (+35mV) hoặc không hoạt động (-0,75mV).
−
Chỉ có một đầu ra duy nhất của một nơron được nối với các đầu vào khác
nhau của nơron khác. Điều kiện để nơron được kích hoạt hay không kích
hoạt chỉ phụ thuộc những đầu vào hiện thời của chính nó.



24

Một nơron tích cực nếu đầu vào của nó vượt qua ngưỡng ở một mức nhất định.
Các đầu vào có hàm trọng Wj và bộ tổng. Đầu ra của bộ tổng được sử dụng để
quyết định một giá trị của đầu ra thông qua hàm chuyển. Có nhiều kiểu hàm chuyển
khác nhau. Tương tự nơron sinh học của con người, nơron sẽ được kích hoạt nếu
tổng giá trị vào vượt quá ngưỡng và không được kích hoạt nếu tổng giá trị vào thấp
hơn ngưỡng. Sự làm việc như vậy của nơron gọi là sự kích hoạt nhảy bậc.
Khi liên kết các nơron lại với nhau sẽ được mạng nơron. Một mạng nơron
thường có 3 lớp cơ bản: lớp vào, lớp ẩn và lớp ra. Trong lớp ẩn thì tùy theo đặc tính
của mạng mà có thể có 1 hoặc nhiều lớp khác nhau.

Hình 2.7 Mạng nơron
Đối với các nơron lớp vào sẽ nhận tín hiệu trực tiếp ở đầu vào, ở đó mỗi nơron
chỉ có một tín hiệu vào. Mỗi nơron ở lớp ẩn được nối với tất cả các nơron lớp vào
và lớp ra. Các nơron ở lớp ra có đầu vào được nối với tất cả các nơron ở lớp ẩn,
chúng là đầu ra của mạng. Các mạng nơron trong mỗi nơron chỉ được liên hệ với tất
cả các nơron ở lớp kế tiếp và tất cả các mối liên kết giữa các lớp chỉ được xây dựng
từ trái sang phải được gọi là mạng nhiều lớp truyền thẳng (perceptrons).
2.3.2.4. Cấu trúc mạng
Nhiều nơron kết hợp với nhau tạo thành mạng nơron, mạng nơron có thể có một lớp
hoặc nhiều lớp.
a. Mạng một lớp
Cấu trúc mạng 1 lớp với R đầu vào, S nơron và S đầu ra


25

a = f(WP + b)

Hình 2.8 Cấu trúc mạng nơron 1 lớp
Trong đó:
- Vector vào p có R phần tử pT=[p1 p2 … pR]
- Vector vào n có S phần tử nT=[n1 n2 … nS]
- Vector vào a có S phần tử aT=[a1 a2 … aS]
Mỗi phần tử của vector vào p liên hệ với đầu vào mỗi nơron thông qua ma trận
trọng liên kết W. Bộ cộng của nơron thứ i thu thập các trọng liên kết đầu vào và dộ
dốc để tạo thành một đầu ra vô hướng ni. Các ni tập hợp với nhau tạo thành s phần
tử của vector vào n. Cuối cùng ở lớp ra nơron ta thu được vector a gồm s phần tử.
b. Mạng nhiều lớp

Hình 2.9 Cấu trúc mạng nơron 3 lớp
a = f ( LW f 2 ( LW 2,1 f 1 ( IW 1,1 P + b1 ) + b 2 ) + b 3 = y
(2.31)
2.3.2.5. Huấn luyện mạng
Mục đích huấn luyện mạng: Mạng nơron được huấn luyện để thực hiện những
3

3

3, 2

hàm phức tạp trong nhiều lĩnh vực ứng dụng khác nhau như trong nhận dạng, phân
loại sản phẩm, xử lý tiếng nói, chữ viết và điều khiển hệ thống, …