Nhận viết luận văn Đại học , thạc sĩ - Zalo: 0917.193.864
Tham khảo bảng giá dịch vụ viết bài tại: vietbaocaothuctap.net
Download luận văn đồ án tốt nghiệp ngành điện với đề tài: Thiết kế hệ thống báo cháy cho toà nhà Hải Phòng Tower, cho các bạn làm luận văn tham khảo
Đồ án Năng lượng gió đi sâu tìm hiểu điểm công suất cực đại cho tuabin gió Vita Howe
Việc nghiên cứu năng lượng gió ngày càng thu hút sự quan tâm của các
nhà nghiên cứu, nhất là trong tình trạng thiếu hụt nghiêm trọng năng lượng hiện
nay. Năng lượng mặt trời là nguồn năng lượng sạch, dồi dào, hoàn toàn miễn
phí, không gây ô nhiễm môi trường và không gây ô nhiễm tiếng ồn … Hiện nay,
năng lượng gió đã dần dần đi vào cuộc sống của con người, chúng được áp dụng
khá rộng rãi trong dân dụng và trong công nghiệp dưới nhiều hình thức khác
nhau.
Năng lượng gió có rất nhiều các ưu điểm ưu việt. Vì vậy, cần có một
phương pháp nào đó để theo dõi được sự di chuyển của điểm có công suất cực
đại và áp đặt cho hệ thống làm việc tại đó. Do đó nên em đã chọn đề tài: “ Năng
lượng gió đi sâu tìm hiểu điểm công suất cực đại cho tuabin gió ”. Đề tài này
được trình bày trong 3 chương:
- Chương 1 : Lí thuyết tổng quan về năng lượng gió
- Chương 2 : Các lí thuyết cơ bản và cấu tạo tuabin gió .
- Chương 3 : Đi sâu tìm hiểu điểm công suất cực đại và mô phỏng
Matlab.
https://sangkienkinhnghiem.org/
Để xem full tài liệu Xin vui long liên hệ page để được hỗ trợ
: https://www.facebook.com/thuvienluanvan01
HOẶC
https://www.facebook.com/garmentspace/
https://www.facebook.com/thuvienluanvan01
https://www.facebook.com/thuvienluanvan01
tai lieu tong hop, thu vien luan van, luan van tong hop, do an chuyen nganh
Nhận viết luận văn Đại học , thạc sĩ - Zalo: 0917.193.864
Tham khảo bảng giá dịch vụ viết bài tại: vietbaocaothuctap.net
Download luận văn đồ án tốt nghiệp với đề tài: Thiết kế chế tạo hệ thống giám sát quá trình chiết rót và đóng nắp chai tự động, cho các bạn làm luận văn tham khảo
Nhận viết luận văn Đại học , thạc sĩ - Zalo: 0917.193.864
Tham khảo bảng giá dịch vụ viết bài tại: vietbaocaothuctap.net
Download luận văn đồ án tốt nghiệp ngành điện với đề tài: Thiết kế hệ thống báo cháy cho toà nhà Hải Phòng Tower, cho các bạn làm luận văn tham khảo
Đồ án Năng lượng gió đi sâu tìm hiểu điểm công suất cực đại cho tuabin gió Vita Howe
Việc nghiên cứu năng lượng gió ngày càng thu hút sự quan tâm của các
nhà nghiên cứu, nhất là trong tình trạng thiếu hụt nghiêm trọng năng lượng hiện
nay. Năng lượng mặt trời là nguồn năng lượng sạch, dồi dào, hoàn toàn miễn
phí, không gây ô nhiễm môi trường và không gây ô nhiễm tiếng ồn … Hiện nay,
năng lượng gió đã dần dần đi vào cuộc sống của con người, chúng được áp dụng
khá rộng rãi trong dân dụng và trong công nghiệp dưới nhiều hình thức khác
nhau.
Năng lượng gió có rất nhiều các ưu điểm ưu việt. Vì vậy, cần có một
phương pháp nào đó để theo dõi được sự di chuyển của điểm có công suất cực
đại và áp đặt cho hệ thống làm việc tại đó. Do đó nên em đã chọn đề tài: “ Năng
lượng gió đi sâu tìm hiểu điểm công suất cực đại cho tuabin gió ”. Đề tài này
được trình bày trong 3 chương:
- Chương 1 : Lí thuyết tổng quan về năng lượng gió
- Chương 2 : Các lí thuyết cơ bản và cấu tạo tuabin gió .
- Chương 3 : Đi sâu tìm hiểu điểm công suất cực đại và mô phỏng
Matlab.
https://sangkienkinhnghiem.org/
Để xem full tài liệu Xin vui long liên hệ page để được hỗ trợ
: https://www.facebook.com/thuvienluanvan01
HOẶC
https://www.facebook.com/garmentspace/
https://www.facebook.com/thuvienluanvan01
https://www.facebook.com/thuvienluanvan01
tai lieu tong hop, thu vien luan van, luan van tong hop, do an chuyen nganh
Nhận viết luận văn Đại học , thạc sĩ - Zalo: 0917.193.864
Tham khảo bảng giá dịch vụ viết bài tại: vietbaocaothuctap.net
Download luận văn đồ án tốt nghiệp với đề tài: Thiết kế chế tạo hệ thống giám sát quá trình chiết rót và đóng nắp chai tự động, cho các bạn làm luận văn tham khảo
Nhận viết luận văn đại học, thạc sĩ trọn gói, chất lượng, LH ZALO=>0909232620
Tham khảo dịch vụ, bảng giá tại: https://vietbaitotnghiep.com/dich-vu-viet-thue-luan-van
Download luận văn đồ án tốt nghiệp ngành điện công nghiệp với đề tài: Thiết kế hệ thống tưới cây tự động, cho các bạn làm luận văn tham khảo
NGHIÊN CỨU SỬ DỤNG GIẢI PHÁP TỰ ĐỘNG HÓA LƯỚI ĐIỆN PHÂN PHỐI (DAS) ĐỂ NÂNG CA...nataliej4
NGHIÊN CỨU SỬ DỤNG GIẢI PHÁP TỰ ĐỘNG HÓA LƯỚI ĐIỆN PHÂN PHỐI (DAS) ĐỂ NÂNG CAO ĐỘ TIN CẬY VẬN HÀNH CHO LƯỚI ĐIỆN QUẬN NGŨ HÀNH SƠN – TP ĐÀ NẴNG LUẬN VĂN THẠC SĨ
Nhận viết luận văn Đại học , thạc sĩ - Zalo: 0917.193.864
Tham khảo bảng giá dịch vụ viết bài tại: vietbaocaothuctap.net
Download luận văn đồ án tốt nghiệp với đề tài: Ứng dụng lập trình điều khiển thiết bị qua wifi sử dụng chip ARM Cortex M3 STM32F103C8T6, cho các bạn tham khảo
Nhận viết luận văn Đại học , thạc sĩ - Zalo: 0917.193.864
Tham khảo bảng giá dịch vụ viết bài tại: vietbaocaothuctap.net
Download luận văn thạc sĩ ngành kĩ thuật với đề tài: Nghiên cứu thiết kế bộ điều khiển PID mờ, cho các bạn tham khảo làm đề tài nghiên cứu của mình
Nhận viết luận văn Đại học , thạc sĩ - Zalo: 0917.193.864
Tham khảo bảng giá dịch vụ viết bài tại: vietbaocaothuctap.net
Download luận văn đồ án tốt nghiệp với đề tài: Thiết kế hệ thống phân loại sản phẩm bằng nhận dạng mờ, cho các bạn làm luận văn tham khảo
Nhận viết luận văn Đại học , thạc sĩ - Zalo: 0917.193.864
Tham khảo bảng giá dịch vụ viết bài tại: vietbaocaothuctap.net
Download luận văn đồ án tốt nghiệp ngành điện tự động công nghiệp với đề tài: Tổng về truyền động điện, đi sâu thiết mạch điều chỉnh tốc độ động cơ một chiều có đảo chiều công suất nhỉ cấp điện từ bộ biến đổi
Nhận viết luận văn Đại học , thạc sĩ - Zalo: 0917.193.864
Tham khảo bảng giá dịch vụ viết bài tại: vietbaocaothuctap.net
Download luận văn đồ án tốt nghiệp ngành điện với đề tài: Ứng dụng LabVIEW điều khiển lò nhiệt ghép nối với máy tính, cho các bạn làm luận văn tham khảo
Nhận viết luận văn Đại học , thạc sĩ - Zalo: 0917.193.864
Tham khảo bảng giá dịch vụ viết bài tại: vietbaocaothuctap.net
Download luận văn đồ án tốt nghiệp ngành điện công nghiệp với đề tài: Thiết kế chế tạo bộ điều chỉnh loại PID cho phép điều chỉnh các hệ số khuyếch đại và hằng số thời gian
Nhận viết luận văn Đại học , thạc sĩ - Zalo: 0917.193.864
Tham khảo bảng giá dịch vụ viết bài tại: vietbaocaothuctap.net
Download luận văn đồ án tốt nghiệp với đề tài: Hệ năng lượng mặt trời với các phương pháp để thu được công suất cực đại, cho các bạn làm luận văn tham khảo
Nhận viết luận văn đại học, thạc sĩ trọn gói, chất lượng, LH ZALO=>0909232620
Tham khảo dịch vụ, bảng giá tại: https://vietbaitotnghiep.com/dich-vu-viet-thue-luan-van
Download luận văn đồ án tốt nghiệp ngành điện tử truyền thông với đề tài: Thiết kế và thi công mạch điều khiển tốc độ động cơ DC sử dụng thuật toán Pid, cho các bạn làm luận văn tham khảo
Nhận viết luận văn Đại học , thạc sĩ - Zalo: 0917.193.864
Tham khảo bảng giá dịch vụ viết bài tại: vietbaocaothuctap.net
Download luận văn tốt nghiệp với đề tài: Thiết kế và xây dựng bộ PID để điều khiển mức nước trong bể chứa công nghiệp ứng dụng PLC kết nối biến tần, cho các bạn tham khảo
DOWNLOAD MIỄN PHÍ 30000 TÀI LIỆU https://s.pro.vn/Z3UW
Dịch vụ viết thuê luận án tiến sĩ, luận văn thạc sĩ, chuyên đề khóa luận
Sdt/zalo 0967 538 624/0886 091 915 https://lamluanvan.net/
Nhận viết luận văn Đại học , thạc sĩ - Zalo: 0917.193.864
Tham khảo bảng giá dịch vụ viết bài tại: vietbaocaothuctap.net
Download luận văn đồ án tốt nghiệp ngành điện tử viễn thông: Ứng dụng LabVIEW điều khiển lò nhiệt ghép nối với máy tính, cho các bạn làm luận văn tham khảo
Tính toán, thiết kế trạm xử lý nước thải khu dân cư – dịch vụ – cư xá công nh...TÀI LIỆU NGÀNH MAY
Để xem full tài liệu Xin vui long liên hệ page để được hỗ trợ
: https://www.facebook.com/thuvienluanvan01
HOẶC
https://www.facebook.com/garmentspace/
https://www.facebook.com/thuvienluanvan01
https://www.facebook.com/thuvienluanvan01
tai lieu tong hop, thu vien luan van, luan van tong hop, do an chuyen nganh
Nhận viết luận văn đại học, thạc sĩ trọn gói, chất lượng, LH ZALO=>0909232620
Tham khảo dịch vụ, bảng giá tại: https://baocaothuctap.net
Download luận văn thạc sĩ ngành kĩ thuật điện tử với đề tài: Nghiên cứu mô hình đảm bảo an toàn truyền tin dựa trên chữ ký số và chứng chỉ số, cho các bạn làm luận văn tham khảo
Nhận viết luận văn đại học, thạc sĩ trọn gói, chất lượng, LH ZALO=>0909232620
Tham khảo dịch vụ, bảng giá tại: https://vietbaitotnghiep.com/dich-vu-viet-thue-luan-van
Download luận văn đồ án tốt nghiệp ngành điện công nghiệp với đề tài: Thiết kế hệ thống tưới cây tự động, cho các bạn làm luận văn tham khảo
NGHIÊN CỨU SỬ DỤNG GIẢI PHÁP TỰ ĐỘNG HÓA LƯỚI ĐIỆN PHÂN PHỐI (DAS) ĐỂ NÂNG CA...nataliej4
NGHIÊN CỨU SỬ DỤNG GIẢI PHÁP TỰ ĐỘNG HÓA LƯỚI ĐIỆN PHÂN PHỐI (DAS) ĐỂ NÂNG CAO ĐỘ TIN CẬY VẬN HÀNH CHO LƯỚI ĐIỆN QUẬN NGŨ HÀNH SƠN – TP ĐÀ NẴNG LUẬN VĂN THẠC SĨ
Nhận viết luận văn Đại học , thạc sĩ - Zalo: 0917.193.864
Tham khảo bảng giá dịch vụ viết bài tại: vietbaocaothuctap.net
Download luận văn đồ án tốt nghiệp với đề tài: Ứng dụng lập trình điều khiển thiết bị qua wifi sử dụng chip ARM Cortex M3 STM32F103C8T6, cho các bạn tham khảo
Nhận viết luận văn Đại học , thạc sĩ - Zalo: 0917.193.864
Tham khảo bảng giá dịch vụ viết bài tại: vietbaocaothuctap.net
Download luận văn thạc sĩ ngành kĩ thuật với đề tài: Nghiên cứu thiết kế bộ điều khiển PID mờ, cho các bạn tham khảo làm đề tài nghiên cứu của mình
Nhận viết luận văn Đại học , thạc sĩ - Zalo: 0917.193.864
Tham khảo bảng giá dịch vụ viết bài tại: vietbaocaothuctap.net
Download luận văn đồ án tốt nghiệp với đề tài: Thiết kế hệ thống phân loại sản phẩm bằng nhận dạng mờ, cho các bạn làm luận văn tham khảo
Nhận viết luận văn Đại học , thạc sĩ - Zalo: 0917.193.864
Tham khảo bảng giá dịch vụ viết bài tại: vietbaocaothuctap.net
Download luận văn đồ án tốt nghiệp ngành điện tự động công nghiệp với đề tài: Tổng về truyền động điện, đi sâu thiết mạch điều chỉnh tốc độ động cơ một chiều có đảo chiều công suất nhỉ cấp điện từ bộ biến đổi
Nhận viết luận văn Đại học , thạc sĩ - Zalo: 0917.193.864
Tham khảo bảng giá dịch vụ viết bài tại: vietbaocaothuctap.net
Download luận văn đồ án tốt nghiệp ngành điện với đề tài: Ứng dụng LabVIEW điều khiển lò nhiệt ghép nối với máy tính, cho các bạn làm luận văn tham khảo
Nhận viết luận văn Đại học , thạc sĩ - Zalo: 0917.193.864
Tham khảo bảng giá dịch vụ viết bài tại: vietbaocaothuctap.net
Download luận văn đồ án tốt nghiệp ngành điện công nghiệp với đề tài: Thiết kế chế tạo bộ điều chỉnh loại PID cho phép điều chỉnh các hệ số khuyếch đại và hằng số thời gian
Nhận viết luận văn Đại học , thạc sĩ - Zalo: 0917.193.864
Tham khảo bảng giá dịch vụ viết bài tại: vietbaocaothuctap.net
Download luận văn đồ án tốt nghiệp với đề tài: Hệ năng lượng mặt trời với các phương pháp để thu được công suất cực đại, cho các bạn làm luận văn tham khảo
Nhận viết luận văn đại học, thạc sĩ trọn gói, chất lượng, LH ZALO=>0909232620
Tham khảo dịch vụ, bảng giá tại: https://vietbaitotnghiep.com/dich-vu-viet-thue-luan-van
Download luận văn đồ án tốt nghiệp ngành điện tử truyền thông với đề tài: Thiết kế và thi công mạch điều khiển tốc độ động cơ DC sử dụng thuật toán Pid, cho các bạn làm luận văn tham khảo
Nhận viết luận văn Đại học , thạc sĩ - Zalo: 0917.193.864
Tham khảo bảng giá dịch vụ viết bài tại: vietbaocaothuctap.net
Download luận văn tốt nghiệp với đề tài: Thiết kế và xây dựng bộ PID để điều khiển mức nước trong bể chứa công nghiệp ứng dụng PLC kết nối biến tần, cho các bạn tham khảo
DOWNLOAD MIỄN PHÍ 30000 TÀI LIỆU https://s.pro.vn/Z3UW
Dịch vụ viết thuê luận án tiến sĩ, luận văn thạc sĩ, chuyên đề khóa luận
Sdt/zalo 0967 538 624/0886 091 915 https://lamluanvan.net/
Nhận viết luận văn Đại học , thạc sĩ - Zalo: 0917.193.864
Tham khảo bảng giá dịch vụ viết bài tại: vietbaocaothuctap.net
Download luận văn đồ án tốt nghiệp ngành điện tử viễn thông: Ứng dụng LabVIEW điều khiển lò nhiệt ghép nối với máy tính, cho các bạn làm luận văn tham khảo
Tính toán, thiết kế trạm xử lý nước thải khu dân cư – dịch vụ – cư xá công nh...TÀI LIỆU NGÀNH MAY
Để xem full tài liệu Xin vui long liên hệ page để được hỗ trợ
: https://www.facebook.com/thuvienluanvan01
HOẶC
https://www.facebook.com/garmentspace/
https://www.facebook.com/thuvienluanvan01
https://www.facebook.com/thuvienluanvan01
tai lieu tong hop, thu vien luan van, luan van tong hop, do an chuyen nganh
Nhận viết luận văn đại học, thạc sĩ trọn gói, chất lượng, LH ZALO=>0909232620
Tham khảo dịch vụ, bảng giá tại: https://baocaothuctap.net
Download luận văn thạc sĩ ngành kĩ thuật điện tử với đề tài: Nghiên cứu mô hình đảm bảo an toàn truyền tin dựa trên chữ ký số và chứng chỉ số, cho các bạn làm luận văn tham khảo
Nhận viết luận văn Đại học , thạc sĩ - Zalo: 0917.193.864
Tham khảo bảng giá dịch vụ viết bài tại: vietbaocaothuctap.net
Download luận văn thạc sĩ ngành công nghệ thông tin với đề tài: Phương pháp tính toán khoảng giải các ràng buộc không tuyến tính, cho các bạn làm luận văn tham khảo
Nhận viết luận văn Đại học , thạc sĩ - Zalo: 0917.193.864
Tham khảo bảng giá dịch vụ viết bài tại: vietbaocaothuctap.net
Download luận văn thạc sĩ kĩ thuật xây dựng với đề tài: Xác định nội lực và chuyển vị của dầm liên tục chịu tải trọng tĩnh tập trung bằng phương pháp phần tử hữu hạn, cho các bạn tham khảo
Nhận viết luận văn Đại học , thạc sĩ - Zalo: 0917.193.864
Tham khảo bảng giá dịch vụ viết bài tại: vietbaocaothuctap.net
Download luận văn đồ án tốt nghiệp ngành điện tử công nghiệp với đề tài: Hệ thống ứng dụng Wear Os trong việc hỗ trợ người già, cho các bạn làm luận văn tham khảo
Nhận viết luận văn Đại học , thạc sĩ - Zalo: 0917.193.864
Tham khảo bảng giá dịch vụ viết bài tại: vietbaocaothuctap.net
Download luận văn đồ án tốt nghiệp ngành kĩ thuật điện với đề tài: Thiết kế và thi công mô hình xe robot dò tìm kim loại điều khiển bằng điện thoại, cho các bạn làm luận văn tham khảo
Nhận viết luận văn Đại học , thạc sĩ - Zalo: 0917.193.864
Tham khảo bảng giá dịch vụ viết bài tại: vietbaocaothuctap.net
Download luận văn đồ án tốt nghiệp ngành kĩ thuật điện với đề tài: Thiết kế xe điều khiển từ xa có live stream camera, cho các bạn làm luận văn tham khảo
Luận Văn Kỹ Thuật Di Trú Máy Ảo Trong Điện Toán Đám Mây đã chia sẻ đến cho các bạn nguồn tài liệu hoàn toàn hữu ích đáng để xem và theo dõi mà các bạn không nên bỏ qua. DỊCH VỤ VIẾT THUÊ ĐỀ TÀI TRỌN GÓI ZALO TELEGRAM : 0934.536.149
Nhận viết luận văn đại học, thạc sĩ trọn gói, chất lượng, LH ZALO=>0909232620
Tham khảo dịch vụ, bảng giá tại: https://vietbaitotnghiep.com/dich-vu-viet-thue-luan-van
Download luận văn thạc sĩ ngành công nghệ thông tin với đề tài: Nghiên cứu mô hình phân lớp câu hỏi và ứng dụng, cho các bạn làm luận văn tham khảo
Tài liệu Nghiên Cứu Thiết Kế, Mô Phỏng Và Thử Nghiệm Cảm Biến Góc Nghiêng Hai Chiều Cấu Trúc Hai Pha Lỏng –Khí.doc,các bạn có thể tham khảo thêm nhiều tài liệu và luận văn ,bài mẫu điểm cao tại teamluanvan.com
Download luận văn tóm tắt ngành công nghệ thông tin với đề tài: Phương pháp sinh dữ liệu kiểm thử tự động từ biểu đồ tuần tự UML, biểu đồ lớp và ràng buộc OCL, cho các bạn làm luận văn tham khảo
Smartbiz_He thong MES nganh may mac_2024juneSmartBiz
Cách Hệ thống MES giúp tối ưu Quản lý Sản xuất trong ngành May mặc như thế nào?
Ngành may mặc, với đặc thù luôn thay đổi theo xu hướng thị trường và đòi hỏi cao về chất lượng, đang ngày càng cần những giải pháp công nghệ tiên tiến để duy trì sự cạnh tranh. Bạn đã bao giờ tự hỏi làm thế nào mà những thương hiệu hàng đầu có thể sản xuất hàng triệu sản phẩm với độ chính xác gần như tuyệt đối và thời gian giao hàng nhanh chóng? Bí mật nằm ở hệ thống Quản lý Sản xuất (MES - Manufacturing Execution System).
Hãy cùng khám phá cách hệ thống MES đang cách mạng hóa ngành may mặc và mang lại những lợi ích vượt trội như thế nào.
ỨNg dụng mạng nơron để giải bài toán động học ngược cho tay máy
1. BỘ GIÁO DỤC VÀ ĐÀO TẠO
TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT
THÀNH PHỐ HỒ CHÍ MINH
LUẬN VĂN THẠC SĨ
NGUYỄN VIỆT HÙNG
NGÀNH: KỸ THUẬT CƠ KHÍ- 60520103
Tp. Hồ Chí Minh, tháng 4 năm 2014
S K C 0 0 3 9 5 9
ỨNG DỤNG MẠNG NƠRON ĐỂ GIẢI
BÀI TOÁN ĐỘNG HỌC NGƯỢC CHO TAY MÁY
S KC 0 0 4 2 3 0
2. BỘ GIÁO DỤC VÀ ĐÀO TẠO
TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT
THÀNH PHỐ HỒ CHÍ MINH
LUẬN VĂN THẠC SĨ
NGUYỄN VIỆT HÙNG
ỨNG DỤNG MẠNG NƠRON ĐỂ GIẢI BÀI TOÁN ĐỘNG
HỌC NGƯỢC CHO TAY MÁY
NGÀNH: KỸ THUẬT CƠ KHÍ - 60520103
Hướng dẫn khoa học:
TS. LƯƠNG HỒNG SÂM
Tp. Hồ Chí Minh, tháng 04 / 2013
3. LÝ LỊCH KHOA HỌC
I. LÝ LỊCH SƠ LƯỢC:
Họ & tên: Nguyễn Việt Hùng Giới tính: Nam
Ngày, tháng, năm sinh: 20/04/1985 Nơi sinh: Đăk Lăk
Quê quán: Hƣng Tây - Hƣng Nguyên - Nghệ An Dân tộc: Kinh
Chỗ ở riêng hoặc địa chỉ liên lạc: 209/6/7 Nguyễn Văn Lƣợng, Phƣờng 10,
Quận Gò Vấp, Tp Hồ Chí Minh.
Điện thoại cơ quan: Điện thoại nhà riêng:
Fax: E-mail:Rocketb72@gmail.com
II. QUÁ TRÌNH ĐÀO TẠO:
1. Cao đẳng:
Hệ đào tạo: Chính quy Thời gian đào tạo từ 09/2003 đến 03/2007
Nơi học: Trƣờng Cao đẳng Kỹ thuật Vinhempich, TP Hồ Chí Minh.
Ngành học: Cơ khí chuyên dùng
2. Đại học:
Hệ đào tạo: Chính quy Thời gian đào tạo từ 09/2009 đến 04/2011
Nơi học: Trƣờng Đại học Sƣ phạm Kỹ thuật TP Hồ Chí Minh.
Ngành học: Công nghệ chế tạo máy
Tên đồ án: Xây dựng phần mềm thí nghiệm ảo trang bị điện trong máy công
nghiệp.
Nơi bảo vệ đồ án:Trƣờng Đại học Sƣ phạm Kỹ thuật TP Hồ Chí Minh.
Ngƣời hƣớng dẫn: ThS Trần Thanh Lam
III. QUÁ TRÌNH CÔNG TÁC CHUYÊN MÔN KỂ TỪ KHI TỐT NGHIỆP
ĐẠI HỌC:
Thời gian Nơi công tác Công việc đảm nhiệm
Từ năm 2011 đến nay Trƣờng Đại học Trần Đại Nghĩa Giáo viên
4. ii
LỜI CAM ĐOAN
Tôi cam đoan đây là công trình nghiên cứu của tôi.
Các số liệu, kết quả nêu trong luận văn là trung thực và chƣa từng đƣợc ai
công bố trong bất kỳ công trình nào khác.
Tp. Hồ Chí Minh, ngày 01 tháng 4năm 2014
Nguyễn Việt Hùng
5. iii
CẢM TẠ
Để hoàn thành luận văn này, em xin chân thành cảm ơn quý thầy cô Trƣờng
Đại học Sƣ phạm Kỹ thuật đã tạo mọi điều kiện giúp đỡ trong quá trình học tập và
nghiên cứu.
Em xin đặc biệt chân thành cảm ơn Thầy TS Lƣơng Hồng Sâm đã nhiệt tình
hƣớng dẫn và truyền đạt những kiến thức quý báuđểem hoàn thành luận văn này.
Cuối cùng, xin cảm ơn Ban giám hiệu, quý thầy cô, đồng nghiệp Trƣờng Đại
học Trần Đại Nghĩa đã giúp đỡ và tạo mọi điều kiện thuận lợi cho em trong suốt
quá trình học tập và thực hiện luận văn.
Mặc dù đã có nhiều cố gắng trong quá trình thực hiện luận văn, song do kiến
thức và thời gian nghiên cứu còn hạn chế nên không thể tránh đƣợc sai sót, kính
mong nhận đƣợc ý kiến đóng góp của quý Thầy Cô và độc giả.
Xin chân thành cảm ơn!
6. iv
TÓM TẮT
Giải bài toán động học ngƣợc là cơ sở để điều khiển tay máy theo quỹ đạo
cho trƣớc. Nhiệm vụ của bài toán động học ngƣợc là từ các thông số vị trí và hƣớng
của bàn kẹp (điểm tác động cuối) của tay máy cần phải xác định giá trị của các biến
khớp qi. Cho đến nay, vẫn chƣa có một phƣơng pháp chung nào để giải bài toán
động học ngƣợc một cách hiệu quả nhất, đặc biệt là đối với tay máy có bậc tự do
lớn hơn 6. Để giải quyết vấn đề này, tác giả đã nghiên cứu, ứng dụng mạng nơron
nhân tạo với giải thuật Levenberg-Marquardt để giải bài toán động học ngƣợc cho
tay máy 5 bậc tự do Scorbot ER7. Hơn nữa, để mạng nơron có khả năng nhận biết
tốt bộ dữ liệu huấn luyện, cũng nhƣ để so sánh kết quả của phƣơng pháp này so với
phƣơng pháp giải tích, tác giả đã sử dụng hai mạng nơron để giải cho 2 vùng làm
việc cụ thể của tay máy. Mạng Net1_1 tƣơng ứng với vùng 1 và cấu hình 1 của tay
máy; mạng Net2_1 tƣơng ứng với vùng 2 và cấu hình 1. Để khẳng định tính đúng
đắn của các mạng đã đƣợc luyện, tác giải tiến hành giải bài toán động học ngƣợc
với một số vị trí cho trƣớc, nằm trong vùng huấn luyện của mạng. Kết quả giải bằng
mạng nơron gần nhƣ trùng khớp với kết quả giải bằng phƣơng pháp giải tích. Điều
đó cho thấy tính đúng đắn và hiệu qủa của phƣơng pháp giải bài toán động học
ngƣợc bằng mạng nơron.
7. v
ABSTRACT
Solve the inverse kinematics problem is fundamentals of manipulator control
following a given trajectory. The task of inverse kinematics is from location and
orientation parameters of the manipulator clamp ( the end point of impact ) obtains
the values of the joint variables qi. So far, there is no general method to solve the
inverse kinematics problem most efficiently, especially for manipulators have more
than 6 degrees of freedom. To solve this problem, we studied application of
artificial neural network with Levenberg - Marquardt algorithm to solve inverse
kinematics for a manipulator with 5 degrees of freedom Scorbot ER7. Moreover, to
neural networks have good ability to recognize the training data, as well as to
compare the results of this method to analytical methods, we have used two neural
networks to solve for two working regions of the specific manipulator. Network
Net1_1 corresponds to the region 1 and configuration 1 of the robot arm 1; Net2_1
network corresponds to the region 2 and configuration 1. To confirm the correctness
of the network has been trained, we solved the inverse kinematics problem for
several pre-defined locations in the training area of network. Results of neural
network method almost coincide with the results solved by analytical methods, and
show the correctness and effectiveness of the method solved.
8. vi
MỤC LỤC
Trang tựa TRANG
Quyết định giao đề tài
Lý lịch khoa học...........................................................................................................i
Lời cam đoan ..............................................................................................................ii
Cảm tạ ...................................................................................................................... iii
Tóm tắt ...................................................................................................................... iv
Mục lục ......................................................................................................................vi
Danh sách các kí hiệu khoa học .................................................................................ix
Danh sách các chữ viết tắt..........................................................................................ix
Danh sách các bảng...................................................................................................vii
Danh sách các hình ................................................................................................. viii
Chƣơng 1. TÔ
̉ NG QUAN
1.1 Đặt vấn đề.............................................................................................................1
1.2 Giới thiệu chung về robot công nghiệp ................................................................2
1.2.1 Các bộ phận cấu thành công nghiệp...................................................................2
1.2.2 Bậc tự do của tay máy........................................................................................3
1.2.4 Tổng quan về tình hình nghiên cứu bài toán động học ngƣợc...........................4
1.3Mục đích của đề tài ................................................................................................5
1.4 Nhiệm vụ của đề tài và giới hạn đề tài..................................................................5
1.5Phƣơng pháp nghiên cứu........................................................................................6
Chƣơng 2. CƠ SƠ
̉ LÝ THUYẾT
2.1 Động học tay máy .................................................................................................7
2.1.1 Bài toán động học thuận của tay máy ................................................................7
2.1.1.1 Quy tắc Denavit - Hartenberg ........................................................................8
2.1.1.2 Mô hình biến đổi ..........................................................................................10
2.1.1.3 Các bƣớc để thiết lập hệ phƣơng trình động học cho tay máy......................11
2.1.2 Bài toán động học ngƣợc của tay máy ............................................................11
2.2 Lý thuyết mạng nơron ........................................................................................12
2.2.1 Lịch sử phát triển của mạng nơron nhân tạo....................................................13
9. vii
2.2.2 Mô hình nơron sinh học ...................................................................................13
2.2.3 Phần tử xử lí .....................................................................................................14
2.2.3.1 Tín hiệu vào (Inputs) -ra (Output).................................................................15
2.2.3.2 Bộ cộng .........................................................................................................15
2.2.3.3 Hàm chuyển đổi ............................................................................................16
2.2.4 Các loại mô hình cấu trúc mạng nơron ............................................................19
2.2.5 Các tính chất của mạng nơron..........................................................................20
2.2.6 Các luật học......................................................................................................20
2.2.7 Thuật toán Backpropagation ............................................................................22
2.2.7.1 Chế độ học tƣ̀ ng mẫu ....................................................................................23
2.2.7.2 Chế độhọc theo nhóm mẫu...........................................................................23
2.2.8 Giải thuật Levenberg-Marquardt......................................................................24
2.2.8.1 Luâ ̣t câ ̣p nhâ ̣t trọng số ...................................................................................25
2.2.8.2 Tính toán ma trận jacobian............................................................................26
2.2.8.3 Quá trình huấn luyện ....................................................................................31
Chƣơng 3. XÂY DƢ̣NG BỘ DƢ̃ LIỆU HUÂ
́ N LUYỆN ĐỂ GIA
̉ I BA
̀ I TOA
́ N
ĐỘNG HỌC NGƢỢC CHO TAY MÁY SCORBOT ER7 BĂ
̀ NG MẠNG NƠRON
3.1 Giải bài toán động học thuận tay máy Scorbot ER7...........................................35
3.2 Giải bài toán động học ngƣợc cho tay máy Scorbot ER7...................................37
3.3 Xây dƣ̣ng bộmẫu để huấn luyê ̣n mạng giải bài toán động học ngƣợc cho tay
máy Scorbot ER ........................................................................................................40
Chƣơng 4. HUÂ
́ N LUYỆN MẠNG NƠRON VA
̀ PHÂN TÍCH KẾT QUA
̉
4.1 Huấn luyê ̣n ma ̣ng Net1_1...................................................................................45
4.1.1 Xác định cấu trúc mạng....................................................................................45
4.1.2 Huấn luyê ̣n ma ̣ng ............................................................................................46
4.1.3 Đánh giá thông tin huấn luyê ̣n và kết qủa mô phỏng ......................................53
4.1.4 Ứng dụng mạng Net1_1 để điều khiển tay máy theo quỹ đạo cho trƣớc ........54
4.2 Huấn luyê ̣n ma ̣ng Net2_1....................................................................................60
4.2.1 Xác định cấu trúc mạng....................................................................................60
10. viii
4.2.2 Huấn luyê ̣n ma ̣ng ............................................................................................60
4.2.3 Đánh giá thông tin huấn luyê ̣n và kết qủa mô phỏng mạng Net2_1................64
4.2.4 Ứng dụng mạngNet2_1 để điều khiển tay máy theo quỹ đạo cho trƣớc .........65
Chƣơng 5. KẾT LUẬN VÀ KIẾN NGHỊ ................................................................71
TÀI LIỆU THAM KHẢO.........................................................................................74
PHỤ LỤC ...................................................................................................76
11. ix
DANH SÁCH KÝ HIỆU KHOA HỌC
qi: Biếnkhớp
Pi : Số khớp loại i
ai: độ dài đƣờng vuông góc chung giữa 2 trục khớp động i+1 và i.
αi là góc quay quanh trục xi giữa trục zi-1 và zi.
di là khoảng cách đo dọc trục khớp động i từ đƣờng vuông góc chung giữa
trục khớp động i-1 với trục khớp động i đến đƣờng vuông góc chung giữa
khớp động i và trục khớp động i +1.
θi là góc quay quanh trục zi giữa trục xi-1 và xi.
Ai: ma trận tổng hợp mô tả vị trí và hƣớng của khâu thứ i so với khâu thứ i-1
i
Tn: Ma trận mô tả vị trí và hƣớng của khâu thứ n so với khâu thứ i
p: vectơ định vịcủa khâu tác động cuối
n, s, a: là các vectơ chỉ phƣơng của khâu tác động cuối
xi: Tín hiệu vào của nơron thứ i
yi: Tín hiệu racủa nơron thứ i
Wij: Trọng số liên kết giữa nơron thứ j với nơron thứ i
bi: Thành phần dịch chuyển bias
vi = neti: Tổng trọng số
a(neti) =a(vi): Hàm chuyển đổi
: Hệ số độ dốc của hàm chuyển đổi
xk: vector trọng số và bias hiện tại
gk: gradient hiện tại
k: hằng số họctheo qui tắc giảm dốc nhất
E: tổng bình phƣơng sai số
ep,m: sai lê ̣ch của tín hiê ̣u ra m khi duyê ̣t mẫu p
d: vectơ tín hiê ̣u ra mong muốn
: hê ̣số học của giải thuật Levenberg-Marquardt
i, j, k: chỉ số lặp
12. x
J: ma trâ ̣n jacobian
ni: số nơron trong lớp vào
n1: số nơron ở lớp thƣ́ nhất
n2: số nơron ở lớp thƣ́ hai
nQ: số nơron ở lớp ra
zj,i: tín hiệu vào thứ i của nơron j
zj: tín hiệu ra của nơron j
sj: Độ dốc của hàm chuyển đổi của nơron thứ j
: tín hiệu lan truyền ngƣợc sai lê ̣ch
13. xi
DANH SÁCH CHỮ VIẾT TẮT
ANN: Artificial Neural Network
MLP: Multilayer perceptrons
PPN: Polynomial Pre-Processor
NN: Neural Network
ANFIS: Artificial Neuro- Fuzzy Inference System
DH:Denavit – Hartenberg
ci: biểu thị cho cosθi
si: biểu thị cho sinθi
cij…: biểu thị chocos(θi+ θj+…)
14. xii
DANH SÁCH CÁC BẢNG
TRANG
Bảng 3.1 Bảng thông số DH của tay máy Scorbot ER7...........................................35
Bảng 4.1Kết quả của bài toán động học ngƣợc theo phƣơng pháp giải tích
và phƣơng pháp dùng mạng nơron khi điều khiển tay máy theo quỹ đạo
đƣờng tròn nằm trong vùng huấn luyện mạng Net1_1 .............................................54
Bảng 4.2Vị trí xác định bằng mạng Net1_1 khi mô phỏng theo quỹ đạo
đƣờng tròn .................................................................................................................57
Bảng 4.3Kết quả mô phỏng theo quỹ đạo đƣờng tròn nằm trong vùng
huấn luyện mạng Net2_1 và kết quả giải theo phƣơng pháp giải tích......................65
Bảng 4.4Vị trí của mạng Net2_1xác định đƣợc khi mô phỏng theo quỹ
đạo đƣờng tròn ..........................................................................................................68
15. xiii
DANH SÁCH CÁC HÌNH
TRANG
Hình 1.1Các bộ phận cấu thành robot công nghiệp ...................................................3
Hình 2.1Các hệ toạ độ đối với 2 khâu động liên tiếp.................................................9
Hình 2.2 Mô hình của một dạng nơron sinh học......................................................14
Hình 2.3 Mô hình một nơron thứ i ...........................................................................15
Hình 2.4 Hàm chuyển đổi dạng giới hạn cứng.........................................................16
Hình 2.5 Hàm chuyển đổi dạng giới hạn cứng đối xứng .........................................16
Hình 2.6Hàm chuyển đổi dạng tuyến tính bão hòa ..................................................17
Hình 2.7Hàm chuyển đổi dạng tuyến tính bão hòa đối xứng...................................17
Hình 2.8 Hàm chuyển đổi dạng sigmoid..................................................................18
Hình 2.9 Hàm chuyển đổi dạng tang hyperbolic......................................................18
Hình 2.10 Hàm chuyển đổi dạng tuyến tính.............................................................19
Hình 2.11 Cấu trúc của mạng nơron truyền thẳng một lớp......................................19
Hình 2.12 Cấu trúc của mạng nơron truyền thẳng nhiều lớp ...................................20
Hình 2.13 Cấu trúc của mạng nơron chỉ có một nơron tự hồi qui............................21
Hình 2.14 Cấu trúc của mạng nơron hồi qui một lớp...............................................21
Hình 2.15 Cấu trúc của mạng nơron hồi qui nhiều lớp ............................................21
Hình 2.16 Liên kết của nơron j với các phần khác trong ma ̣ng. ..............................27
Hình 2.17 Mạng nơron truyền thẳng 3 lớp...............................................................29
Hình 2.18 Sơ đồ khối để huấn luyê ̣n sƣ̉ dụng thuâ ̣t toán Levenberg -
Marquardt..................................................................................................................33
Hình 3.1 Tay máy Scorbot ER7 ...............................................................................34
Hình 3.2 Sơ đồ động học của tay máy Scorbot ER7................................................35
Hình 3.3Vùng làm viê ̣c của tay máy Scorbot ER 7 trong mă ̣t phẳng Oxy
và phân chia vùng huấn luyện ...................................................................................40
Hình 3.4Hai lời giải khác nhau đƣợc miêu tả cho bài toán động học ngƣợc
tay máy Scorbot ER7 ................................................................................................41
16. xiv
Hình 3.5Vùng làm việc của tay máy Scorbot ER 7 trong mă ̣t phẳng Oxz................42
Hình 3.6Vùng làm việc của tay máy Scorbot ER 7 trong mă ̣t phẳ ng Oxy
dùng cho mạng Net1_1 .............................................................................................43
Hình 3.7Vùng làm việc của tay máy Scorbot ER 7 trong mă ̣t phẳng Oxy
dùng cho mạng Net2_1. ............................................................................................44
Hình 4.1 Giao diê ̣n của Neural Network Toolbox....................................................46
Hình 4.2 Nhâ ̣p dƣ̃ liê ̣u vào Neural Network Toolbox ..............................................46
Hình 4.3 Dƣ̃ liê ̣u huấn luyê ̣n đã đƣợc nhâ ̣p vào Neural Network Toolbox ..............47
Hình 4.4 Khởi ta ̣o ma ̣ng Net1_1 và lựa chọn thông tin cho mạng nơron ................47
Hình 4.5 Cấu trúc của ma ̣ng Net1_1 ........................................................................48
Hình 4.6 Mạng Net1_1 đã đƣợc ta ̣o để chuẩn bi ̣huấn luyê ̣n ...................................48
Hình 4.7 Chọn dữ liệu để huấn luyện mạng Net1_1................................................48
Hình 4.8 Các thông số huấn luyện mạng Net1_1.....................................................49
Hình 4.9 Thông tin huấn luyê ̣n ma ̣ng Net1_1 sau 1000 bƣớc lă ̣p............................49
Hình 4.10 Đồ thị thể hiện tổng bình phƣơng sai số trong quá trình huấn
luyê ̣n ma ̣ng Net1_1 ...................................................................................................50
Hình 4.11 Đồ thị thể hiện gradien, hê ̣số kết hợp ‘mu’ và sai số trên bộdƣ̃
liê ̣ukiểm chƣ́ ng của mạng Net1_1.............................................................................50
Hình 4.12 Đồ thị thể hiện mối quan hệ giữa giá trị đích và đầu ra của
mạng Net1_1 .............................................................................................................51
Hình 4.13 Thiết lâ ̣p dƣ̃ liê ̣u để mô phỏng ma ̣ng Net1_1..........................................51
Hình 4.14 Đồ thị thể hiện sai lệch của θ1 khi mô phỏng ma ̣ng Net1_1 ...................52
Hình 4.15 Đồ thị thể hiện sai lệch của θ2 khi mô phỏng ma ̣ng Net1_1 ...................52
Hình 4.16 Đồ thị thể hiện sai lệch của θ3 khi mô phỏng ma ̣ng Net1_1 ...................52
Hình 4.17 Đồ thị thể hiện sai lệch của θ4 khi mô phỏng ma ̣ng Net1_1 ...................53
Hình 4.18 Đồ thị thể hiê ̣n sai lê ̣ch của θ5 khi mô phỏng ma ̣ng Net1_1 ...................53
Hình 4.19 Sai lê ̣ch của θ1 khi mô phỏng theo quỹ đa ̣o đƣờng tròn dùng
mạng Net1_1 .............................................................................................................56
17. xv
Hình 4.20 Sai lê ̣ch của θ2 khi mô phỏng theo quỹ đa ̣o đƣờng tròn dùng
mạng Net1_1 .............................................................................................................56
Hình 4.21 Sai lê ̣ch của θ3 khi mô phỏng theo quỹ đa ̣o đƣờng tròn dùng
mạng Net1_1 .............................................................................................................56
Hình 4.22 Sai lê ̣ch của θ4 khi mô phỏng theo quỹ đa ̣o đƣờng tròn dùng
mạng Net1_1 .............................................................................................................57
Hình 4.23 Sai lê ̣ch của θ5 khi mô phỏng theo quỹ đa ̣o đƣờng tròn dùng
mạng Net1_1 .............................................................................................................57
Hình 4.24 Sai lê ̣ch vi ̣trí của ma ̣ng Net 1_1 khi mô phỏng theo quỹ đa ̣o
đƣờng tròn ................................................................................................................59
Hình 4.25 Vị trí mong muốn và vị trí mạng Net 1_1 xác định đƣợc khi mô
phỏng theo quỹ đạo đƣờng tròn ................................................................................59
Hình 4.26 Lƣ̣a chọn các thông số huấn luyê ̣n ma ̣ng Net2_1 ...................................60
Hình 4.27 Quá trình huấn luyện mạng Net 2_1 đƣợc hoàn thành với 1867
bƣớc lă ̣p.....................................................................................................................61
Hình 4.28 Đồ thị thể hiện tổng bình phƣơng sai số trong quá trình huấn
luyê ̣n ma ̣ng Net2_1 ...................................................................................................61
Hình 4.29 Đồ thị thể hiện gradien, hê ̣số kết hợp ‘mu’ và sai số trên bộdƣ̃
liê ̣ukiểm chƣ́ ng của ma ̣ng Net2_1.............................................................................62
Hình 4.30 Đồ thị thể hiện mối quan hệ giữa đầu ra của mạng và giá trị
đích của ma ̣ng Net2_1...............................................................................................62
Hình 4.31 Đồ thị thể hiện sai lệch của θ1 khi mô phỏng ma ̣ng Net2_1 ...................63
Hình 4.32 Đồ thị thể hiện sai lệch của θ2 khi mô phỏng ma ̣ng Net2_1 ...................63
Hình 4.33 Đồ thị thể hiện sai lệch của θ3 khi mô phỏng ma ̣ng Net2_1 ...................63
Hình 4.34 Đồ thị thể hiện sai lệch của θ4 khi mô phỏng ma ̣ng Net2_1 ...................64
Hình 4.35 Đồ thị thể hiện sai lệch của θ5 khi mô phỏng ma ̣ng Net2_1 ...................64
Hình 4.36 Sai lê ̣ch của θ1 khi mô phỏng theo quỹ đa ̣o đƣờng tròn dùng
mạng Net2_1 .............................................................................................................66
18. xvi
Hình 4.37 Sai lê ̣ch của θ2 khi mô phỏng theo quỹ đa ̣o đƣờng tròn dùng
mạng Net2_1 .............................................................................................................66
Hình 4.38 Sai lê ̣ch của θ3 khi mô phỏng theo quỹ đa ̣o đƣờng tròn dùng
mạng Net2_1 .............................................................................................................67
Hình 4.39 Sai lê ̣ch của θ4 khi mô phỏng theo quỹ đa ̣o đƣờng tròn dùng
mạng Net2_1 .............................................................................................................67
Hình 4.40 Sai lê ̣ch của θ1 khi mô phỏng theo quỹ đa ̣o đƣờng tròn dùng
mạng Net2_1 .............................................................................................................67
Hình 4.41 Sai lê ̣ch vi ̣trí của ma ̣ng Net 2_1 khi mô phỏng theo quỹ đa ̣o
đƣờng tròn ................................................................................................................69
Hình 4.42 Vị trí của mạng Net2_1 khi mô phỏng theo quỹ đa ̣o đƣờng tròn ...........69
19. Chƣơng 1
TÔ
̉ NG QUAN
1.1 Đặt vấn đề
Ngày nay, với sự phát triển mạnh mẽ của khoa học kỹ thuật, các nước trên
thế giới đã và đang đẩy mạnh sự nghiệp công nghiệp hóa và hiện đại hóa vào trong
quá trình sản xuất nhằm nâng cao năng suất, chất lượng, giảm giá thành sản phẩm
và giảm thiểu sức lao động của con người. Đặc biệt là trong các môi trường nặng
nhọc, nguy hiểm như: sự nóng bức tại các lò hơi, sự lây lan của các bệnh hiểm
nghèo tại các cơ sở y tế, sự ô nhiễm không khí ở các hầm mỏ, sự nguy hiểm ở duới
đáy đại dương và trên không gian vũ trụ… Để đáp ứng được những vấn đề trên, các
nước có nền sản xuất phát triển đã đưa các robot công nghiệp vào các dây chuyền
sản xuất của mình.
Robot ngày càng được nâng cao về tính năng cũng như lĩnh vực hoạt động.
Chúng trở nên thông minh hơn, linh hoạt hơn, chính xác hơn và đáp ứng nhanh hơn.
Vì vậy để có thể khai thác, sử dụng một cách hiệu quả các robot đã được trang bị,
cũng như để có thể tiến hành nghiên cứu, chế tạo các robot mới đáp ứng được nhu
cầu đòi hỏi ngày càng cao của nền công nghiệp hiện đại thì việc nghiên cứu Robot
đang là vấn đề được các cơ sở sản xuất, các nhà khoa học, các trường học đại học,
cao đẳng rất quan tâm. Trong đó, giải quyết bài toán động học ngược cho tay máy là
điều kiện tiên quyết để điều khiển tay máy theo quỹ đạo cho trước. Hơn thế nữa,
việc tìm ra một phương pháp chung hiệu quả để giải cho tay máy n bậc tự do đang
là thách thức đối với những nhà nghiên cứu trên toàn thế giới.
Nhiệm vụ của bài toán động học ngược là xác định các giá trị của biến khớp
qi, (i=1,…,n) khi biết trước vị trí và hướng của bàn kẹp tay máy. Theo truyền thống,
có ba phương pháp thường được sử dụng để giải bài toán động học ngược cho tay
máy đó là: Phương pháp giải tích, phương pháp hình học và phương pháp lặp[10].
Mỗi một phương pháp đều có điểm hạn chế riêng. Phương pháp giải tích không
đảm bảo nhận được nghiệm tường minh [10]. Trường hợp giải theo phương pháp
20. 2
hình học, thì nghiệm tường minh cho ba khớp đầu tiên phải tồn tại về phương diện
hình học. Bên cạnh đó, nghiệm tường minh của một loại tay máy không thể dùng
cho loại tay máy có dạng hình học khác [10]. Phương pháp lặp hội tụ tới một lời
giải duy nhất, nó phụ thuộc vào vị trí ban đầu[10].
Nếu số bậc tự do của tay máy tăng lên thì việc giải bài toán động học ngược
bằng các phương pháp truyền thống này sẽ tốn rất nhiều thời gian, đôi khi không
hội tụ đến lời giải cuối cùng vì vậy việc nghiên cứu đưa ra một phương pháp chung
sử dụng có hiệu quả để giải quyết vấn đề động học ngược cho tay máy là một đề tài
có giá trị thực tiễn cao.
1.2 Giới thiệu chung về robot công nghiệp
Robot công nghiệp có thể được hiểu là những thiết bị tự động linh hoạt, bắt
chước được các chức năng lao động công nghiệp của con người [1]. Những chiếc
robot công nghiệp đầu tiên được chế tạo vào năm 1956 bởi công ty Unimation của
George Devol và Joseph F. Engelberger ở Mỹ [1]. Các robot này chủ yếu được
dùng để vận chuyển các vật thể trong một phạm vi nhỏ.
1.2.1 Các bộ phận cấu thành robot công nghiệp
Cấu tạo của robot công nghiệp thông thường như trên hình 1.1[1] gồm các
bộ phận chủ yếu sau:
Tay máy: là cơ cấu cơ khí gồm các khâu, khớp. Chúng hình thành cánh tay
để tạo các chuyển động cơ bản và bàn kẹp để trực tiếp thao tác trên đối tượng. Tay
máy gồm có các bộ phận cơ bản sau: Đế (1), thân (2), cánh tay trên (3), cánh tay
dưới (4), bàn kẹp (5).
Hệ thống truyền dẫn động: là bộ phận chủ yếu tạo nên sự chuyển dịch các
khớp động.
Hệ thống điều khiển:đảm bảo sự hoạt động của robot theo các thông tin đặt
trước hoặc nhận biết trong quá trình làm việc.
21. 3
Hình 1.1Các bộ phận cấu thành robot công nghiệp
Hệ thống cảm biến tín hiệu:thực hiện việc nhận biết và biến đổi thông tin về
hoạt động của bản thân robot (cảm biến nội tín hiệu) và của môi trường, đối tượng
mà robot phục vụ (cảm biến ngoại tín hiệu).
1.2.2 Bậc tự do của tay máy
Để định vị và định hướng bàn kẹp một cách tùy ý trong không gian ba chiều
tay máy cần có 6 bậc tự do, trong đó 3 bậc tự do để định vị và ba bậc tự do để định
hướng. Một số công việc như nâng hạ, xếp dỡ, … chỉ cần số bậc tự do ít hơn 6. Tay
máy hàn, sơn thường có 6 bậc tự do. Trong một số trường hợp như cần sự khéo léo,
linh hoạt hoặc khi cần tối ưu hóa quỹ đạo,… người ta có thể dùng tay máy có số bậc
tự do lớn hơn 6.
Thông thường các khâu của cơ cấu tay máy được nối ghép với nhau bằng
các khớp quay hoặc khớp tịnh tiến, chúng đều thuộc khớp động học loại 5. Trong cơ
cấu tay máy các khâu nối liên tiếp với nhau gọi là cơ cấu hở và thông thường mỗi
khâu gắn liền với nguồn lực riêng, cho nên đối với các loại cơ cấu dùng các khớp
động loại 5 thì số bậc tự do của cơ cấu bằng số khâu động.
22. 4
Trong trường hợp chung có thể tính toán số bậc tự do theo công thức thông
dụng trong Nguyên lý máy [1]:
n
i
i 1
W 6n ip
(1.1)
Trong đó: - n : số khâu động
- Pi : số khớp loại i
1.2.4 Tổng quan về tình hình nghiên cứu bài toán động học ngƣợc
Ở nước ta, việc nghiên cứu giải bài toán động học ngược cho tay máy đã
được nhiều nhà nghiên cứu quan tâm [8], [9]. Tuy nhiên chưa có công trình nghiên
cứu nào ứng dụng mạng nơron để giải bài toán động học ngược cho tay máy. Cho
đến nay, trên thế giới đã có nhiều công trình nghiên cứu về lĩnh vực này và đã đạt
được những kết quả nhất định được công bố trong các tài liệu tham khảo như: [10],
[11],[12],[13],[14],[19]. Điều này mở ra một hướng mới để giải quyết vấn đề động
học ngược cho các tay máy nhiều bậc tự do mà cho đến nay vẫn chưa có một
phương pháp chung nào thực sự hiệu quả.
Raşit Kokör , Cemil Öz, Tarik Çakar, Hüseyin Ekiz [11] đã ứng dụng mạng
nơron để giải bài toán động học ngược cho tay máy 3 bậc tự do sử dụng mạng
truyền thẳng với giải thuật lan truyền ngược (Back propagation) cập nhật trọng số
theo qui tắc giảm dốc nhất (gradient descent learning algorith). Bằng phương pháp
kinh nghiệm, nhóm nghiên cứu đã thiết kế được mô hình mạng gồm 40 nơron trong
lớp ẩn, 3 nơron ở lớp vào và 3 nơron ở lớp ra. Mô hình này có sai số là 0,000121
với 5000 mẫu và thực hiện 3000000 bước lặp.
Alavandar S. và Nigam M. J[12] đã xây dựng phương pháp để giải bài toán
động học ngược cho tay máy dựa trên mạng nơron mờ. Trong đó sử dụng hệ thống
suy luận nơron mờ thích nghi (ANFIS) để huấn luyện cho tay máy 2 và 3 bậc tự do.
Kết quả mô phỏng trên máy tính đã cho thấy phương pháp này có thể ứng dụng để
giải quyết vấn đề động học ngược cho tay máy.
Shah, Rattan và Nakra [13] đã ứng dụng mạng nơron để giải bài toán động
học ngược cho tay máy 3 bậc tự do phẳng. Kết quả cho thấy, giải pháp này hoàn
23. 5
toàn có thể sử dụng với sai số bằng không. Các tác giả khẳng định rằng mạng nơron
có thể trở thành một phương pháp thay thế để giải quyết bài toán ánh xạ động học
thuận và nghịch.
Raşit Kokör [14] đã đề xuất phương pháp giải bài toán động học ngược
bằng phương pháp kết hợp mạng nơron với giải thuật di truyền. Trong bài báo này
Ông cũng khẳng định mạng nơron có thể thực hiện với sai số chấp nhận được. Hơn
nữa, khi kết hợp với giải thuật di truyền, sai số vị trí có thể đạt tới mức micromet.
Panchanand Jha[19] đã giải bài toán động học ngược cho tay máy ba bậc tự
do với hai mạng khác nhau. Mạng nơron truyền thẳng nhiều lớp (MLP) sử dụng
thuật toán back propagation, cập nhật trọng số theo quy tắc giảm dốc nhất và mạng
nơron tiền xử lí đa thức(PPN). Kết quả cho thấy mạng MLP cho kết quả chính xác
hơn so với mạng PPN.
1.3 Mục đích của đề tài.
Nghiên cứu vàđưa ra được một phương pháp mới hiệu quả, có tính tổng
quát cao đó là ứng dụng mạng nơron để giải bài toán động học ngược cho tay máy.
Phương pháp này có thể ứng dụng để giải bài toán động học ngược cho các tay máy
có số bậc tự do lớn mà sẽ gặp khó khăn khi giải bằng các pháp truyền thống.
1.4 Nhiệm vụ của đề tài và giới hạn đề tài.
- Nghiên cứu bài toán động học tay máy.
- Nghiên cứu các phương pháp giải bài toán động học ngược.
- Nghiên cứu lý thuyết mạng nơron, nghiên cứu neural network toolbox của
phần mềm Matlab.
- Giải bài toán động học thuận và động học ngược cho tay máy Scorbot ER7.
- Xây dựng dữ liệu để huấn luyện mạng.
- Xác định mạng nơron thích hợp để giải bài toán động học ngược cho tay máy .
- Đánh giá kết quả nghiên cứu và phương hướng phát triển của đề tài.
24. 6
1.5 Phƣơng pháp nghiên cứu.
Nghiên cứu lý thuyết, ứng dụng toolbox của phần mềm Matlab để xác định
cấu trúc và bộ trọng số của mạng nơron để giải bài toán động học ngược cho tay
máy Scorbot ER7.
So sánh kết quả của phương pháp giải bài toán động học ngược bằng mạng
nơron với phương pháp giải tích, từ đó rút ra kết luận.
KẾT LUẬN CHƢƠNG 1
Trong chương này, tác giả đã giới thiệu một cách khái quát về robot công
nghiệp, các công trình nghiên cứu và thành tựu đạt được của các nhà nghiên cứu
trên thế giới về lĩnh vực ứng dụng mạng nơron để giải bài toán động học ngược cho
tay máy. Trên cơ sở đó khẳng định được tầm quan trọng và tính cấp thiết của luận
văn này.
25. 7
Chƣơng 2
CƠ SƠ
̉ LÝ THUYÊ
́ T
2.1 Động học tay máy
Tay máy thường là một cơ cấu hở gồm một chuỗi các khâu nối với nhau
bằng các khớp quay hoặc các khớp tịnh tiến. Một đầu của chuỗi được gắn lên thân,
đầu còn lại thường là bàn kẹp hoặc khâu gắn liền với dụng cụ làm việc. Điểm mút
của khâu tác động cuối cùng là điểm đáng quan tâm nhất do đó trong quá trình làm
việc đòi hỏi khâu này phải định vị và định hướng chính xác trong không gian . Bài
toán động học tay máy giải quyết 2 dạng bài toán cơ bản : Bài toán động học thuận
và bài toán động học ngược.
- Bài toán động học thuận: Từ các thông số vị trí, vận tốc và gia tốc của khâu
dẫn để xác định vị trí, hướng, vận tốc và gia tốc của điểm tác động cuối.
- Bài toán động học ngược: Từ các yêu cầu về vị trí, hướng, vận tốc và gia
tốc của điểm tác động cuối, xác định giá trị các thông số tương ứng của các khâu
trước đó.
2.1.1 Bài toán động học thuận của tay máy
Trong đại đa số các trường hợp, tay máy là một chuỗi động hở, bao gồm một
số khâu được liên kết với nhau nhờ các khớp. Mỗi khâu hình thành với khớp phía
trước nó một cặp khâu - khớp. Tùy theo kết cấu của mình mà mỗi loại khớp đảm
bảo cho khâu nối sau nó các khả năng chuyển động nhất định.
Mỗi khớp (thực chất là cặp khâu - khớp) được đặc trưng bởi 2 loại thông số:
- Các thông số không thay đổi trong quá trình làm việc của tay máy được gọi
là tham số.
- Các thông số thay đổi trong quá trình làm việc được gọi là biến khớp.
Hai loại khớp thông dụng nhất trong kỹ thuật tay máy là khớp trượt và khớp
quay. Chúng đều là loại khớp có một bậc tự do.
26. 8
Bài toán thuận nhằm mô tả vị trí và hướng của khâu tác động cuối dưới dạng
hàm số của các biến khớp. Giả sử có một tay máy với n+1 khâu và n khớp. Vị trí và
hướng của khâu tác động cuối so với hệ tọa độ gốc O0 x0y0z0 được mô tả bằng vectơ
định vị p và các vectơ chỉ phương n, s, a. Theo [1] ma trận trạng thái của khâu tác
động cuối so với hệ tọa độ cơ sở được thể hiện như sau:
TE =
x x x x
y y y y
z z z z
n s a p
n s a p
n s a p
0 0 0 1
(2.1)
Trong đó, p là vectơ định vị; n, s, a là các vectơ chỉ phương của khâu tác
động cuối, cũng chính là vectơ đơn vị của các hệ trục tọa độ. Nếu phần công tác là
bàn kẹp thì gốc tọa độ đặt vào tâm quay; vectơ a đặt theo phương tiến đến vật; s
nằm trong mặt phẳng trượt của hàm kẹp; n vuông góc với s và a theo quy tắc bàn
tay phải.
Giải bài toán động học thuận theo một phương pháp chung nhất là sử dụng
quy tắc Denavit-Hartenberg, được Denavit và Hartenberg xây dựng vào năm 1955
[4]. Đó là quy tắc thiết lập hệ thống tọa độ trên các cặp khâu - khớp trên tay máy.
Dựa trên hệ tọa độ này có thể mô tả các cặp bằng hệ thống các tham số, biến khớp
và áp dụng một dạng phương trình tổng quát cho bài toán động học tay máy.
2.1.1.1 Quy tắc Denavit - Hartenberg
Giả sử trong chuỗi động học của tay máy có n khâu, khâu thứ i nối khớp thứ
i với khớp thứ i+1. Hình 2.1 được trích từ [1] biểu diễn các thông số động học theo
quy tắc Denavit–Hartenberg trong trường hợp 2 khớp động liên tiếp là 2 khớp quay.
Theo quy tắc Denavit–Hartenberg[1] thì hệ tọa độ được gắn lên các khâu,
khớp như sau:
- Đặt trục tọa độ zi nằm dọc theo trục khớp động i+1.
- Đặt gốc toạ độ Oi tại giao điểm của Zi và pháp tuyến chung nhỏ nhất của
trục Zi và Zi-1.
27. 9
- Đặt trục tọa độ xi theo phương pháp tuyến chung giữa zi-1 và zi, hướng từ
khớp i đến khớp i+1.
- Trục yi vuông góc với xi và zi theo qui tắc bàn tay phải.
- Trong một số trường hợp đặc biệt, quy tắc Denavit – Hartenberg cho
phép xác định một cách đơn giản hóa như sau:
+ Đối với hệ tọa độ gốc chỉ có phương của trục z0 là xác định. Gốc O0 và
trục x0 có thể chọn tùy ý.
+ Đối với hệ tọa độ thứ n, chỉ có phương của trục xn là xác định. Trục zn có
thể chọn tùy ý.
+ Khi 2 khớp liền nhau có trục song song, vị trí của pháp tuyến chung có thể
lấy bất kì.
+ Khi khớp thứ i là khớp trượt thì chỉ có phương của trục zi-1 là xác định.
Hình 2.1Các hệ toạ độ đối với 2 khâu động liên tiếp.
28. 10
Sau khi được thiết lập, vị trí của hệ Oixiyizi so với hệ Oi-1xi-1yi-1zi-1 hoàn toàn
được xác định nhờ các thông số sau:
- ai là độ dài đường vuông góc chung giữa 2 trục khớp động i+1 và i .
- αi là góc quay quanh trục xi giữa trục zi-1 và zi.
- di là khoảng cách đo dọc trục khớp động i từ đường vuông góc chung giữa
trục khớp động i-1 với trục khớp động i đến đường vuông góc chung giữa
khớp động i và trục khớp động i+1.
- θi là góc quay quanh trục zi-1 giữa trục xi-1 và xi.
Bốn thông số ai, αi, di, θi được gọi là bộ thông số Denavit – Hartenberg (DH).
+ Nếu khớp động i là khớp quay thì biến khớp là θi.
+ Nếu khớp động i là khớp tịnh tiến thì di là biến khớp.
2.1.1.2 Mô hình biến đổi
Trên cơ sở đã xây dựng các hệ toạ độ, có thể mô tả phép chuyển tọa độ giữa
hệ i và hệ i-1 theo 4 phép biến đổi[1]:
+ Quay quanh trục zi-1 góc θi .
+ Tịnh tiến dọc trục zi-1 một đoạn di .
+ Tịnh tiến dọc trục xi-1 (đã trùng với xi) một đoạn ai .
+ Quay quanh trục xi một góc αi .
Bốn phép biến đổi này được biểu thị bằng tích các ma trận thuần nhất[1]:
i i p i p i i
A = R z,θ .T 0,0,d .T (
a ,0,0 .R x,α ) (2.2)
Theo [1], sau khi thực hiện phép nhân các ma trận nói trên ta được ma trận
tổng hợp mô tả vị trí và hướng của khâu thứ i so với khâu thứ i-1:
Ai =
θi θi i θi i i θi
θi θi i θi i i θi
i i i
c -s c s s a c
s c c -c s a s
0 s c d
0 0 0 1
(2.3)
Đối với khớp quay thì biến khớp là θi, còn đối với khớp tịnh tiến thì biến
khớp là i
d .
29. 11
Theo [1] vị trí và hướng của khâu thứ i so với hệ tọa độ cơ sở thể hiện bằng
phương trình:
0
Ti = A1A2…Ai (2.4)
Với tay máy có n khâu, trong đó khâu thứ n gắn liền với “điểm tác động
cuối” (E) thì vị trí và hướng của khâu thứ n so với hệ tọa độ cơ sở:
0
Tn = A1A2…An (2.5)
Mặt khác, hệ toạ độ tại “điểm tác động cuối” này được mô tả bằng ma trận
TE theo phương trình (2.1). Do đó:
TE = 0
Tn (2.6)
Tức là ta có :
x x x x
y y y y
z z z z
n s a p
n s a p
n s a p
0 0 0 1
= 0
Tn (2.7)
Phương trình (2.7) là phương trình động học cơ bản của tay máy:
2.1.1.3Các bƣớc để thiết lập hệ phƣơng trình động học cho tay máy
a. Gắn các hệ toạ độ lên các khâu.
b. Lập bảng thông số DH.
c. Dựa vào các thông số DH xác định các ma trận Ai (theo công thức 2.3)
d. Tính các ma trận Ti (vị trí và hướng của khâu thứ i so với khâu cố định) và
viết các phương trình động học của tay máy.
2.1.2 Bài toán động học ngƣợc của tay máy
Bài toán động học ngược tay máy cho trước vị trí và hướng của khâu tác
động cuối, cần xác định bộ thông số của các biến khớp.
Các phương pháp giải bài toán động học ngược tay máy đã được giới thiệu
trong chương 1. Trong phần này chỉ đề cập đến một phương pháp giải được sử dụng
trong luận văn.
30. 12
Các bước giải bài toán động học ngược[1] cho trường hợp tay máy n bậc tự
do như sau:
Xuất phát từ phương trình (2.7) ta có:
x x x x
y y y y
0
n 1 2 n
z z z z
n s a p
n s a p
T = A A …A =
n s a p
0 0 0 1
Có thể viết lại như sau:
0 0
i n
i
n
T = T T (2.8)
Nhân hai vế của phương trình (2.8)với -1
i
T ta có:
-1 i
i
0
n n
T T = T
Do -1 -1 -1 -1 -1
i 1 2 i i 2 1
T = (A A ...A ) = A . . A
. A
Nên: -1 -1 -1 i
i 2 1 n n
0
A A A T =
.. T
.
Như vậy:
x x x x
y y y y
i 1 1 1
n i 2 1
z z z z
n s a p
n s a p
T = A A A
n s a p
0 0 0 1
(2.9)
Với i = 1, 2,..., n-1
Ứng với mỗi phần tử của i khi so sánh các phần tử tương ứng của 2 ma trận
ở 2 vế của biểu thức (2.9) ta nhận được n phương trình tồn tại độc lập để xác định
các biến khớp i
q .
2.2 Lý thuyết mạng nơron
Mạng Nơron nhân tạo (Artificial Neural Network- ANN) là mô hình xử lý
thông tin được mô phỏng dựa trên hoạt động của hệ thống thần kinh của sinh vật,
bao gồm số lượng lớn các Nơron được gắn kết để xử lý thông tin. ANN giống như
bộ não con người, được học bởi kinh nghiệm (thông qua huấn luyện) có khả năng
31. 13
lưu giữ những kinh nghiệm hiểu biết (tri thức) và sử dụng những tri thức đó trong
việc dự đoán các dữ liệu chưa biết.
2.2.1 Lịch sử phát triển của mạng nơron nhân tạo
Mạng nơron nhân tạo đã có một lịch sử lâu dài. Năm 1943, McCulloch và
Pitts đã đưa ra khả năng liên kết và một số liên kết cơ bản của mạng nơron[2]. Năm
1949, Hebb đã đưa ra các luật thích nghi trong mạng nơron[2]. Năm 1958,
Rosenblatt đưa ra cấu trúc Perception[2]. Năm 1969, Minsky và Papert phân tích sự
đúng đắn của Perception, họ đã chứng minh các tính chất và chỉ rõ các giới hạn của
một số mô hình[2]. Năm 1976, Grossberg dựa vào tích chất sinh học đã đưa ra một
số cấu trúc của hệ động học phi tuyến với các tính chất mới[2]. Năm 1982,
Hoppfield đã đưa ra mạng học phi tuyến với các tính chất mới[2]. Năm 1982,
Rumelhart đưa ra mô hình song song và một số kết quả của thuật toán[2]. Năm
1986 thuật toán học lan truyền ngược (Back Propagation) được Rumelhart,
Hinton và Williams đề xuất thực hiện luyện mạng nơron truyền thẳng nhiều lớp[2].
Những năm gần đây có nhiều công trình nghiên cứu đề xuất các cấu trúc, luật học
cho nhiều loại mạng nơron truyền thẳng và hồi qui mới có nhiều ưu điểm. Mạng
nơron hiện đang được ứng dụng có hiệu quả trong nhiều lĩnh vực kinh tế và kỹ
thuật.
2.2.2 Mô hình nơron sinh học
Mạng nơron nhân tạo phát triển từ nghiên cứu về trí tuệ nhân tạo; đặc biệt là
cố gắng bắt chước về khả năng học của bộ não có cấu trúc cấp thấp.
Bộ não người có khoảng 1011
nơron sinh học ở nhiều dạng khác nhau[2]. Mô
hình của một dạng nơron sinh học được mô tả trên hình 2.2 được trích từ tài liệu
tham khảo[2]. Cấu trúc chung của một nơron sinh học gồm có ba phần chính là:
thân, bên trong có nhân, cây và trục. Cây gồm các dây thần kinh liên kết với thân.
Phần cuối của trục có dạng phân nhánh. Trong mỗi nhánh có một cơ cấu nhỏ gọi là
khớp thần kinh, các nơron liên kết với nhau thông qua khớp thần kinh này. Sự thu
32. 14
nhận thông tin được thực hiện từ cây hoặc thân nơron. Tín hiệu thu, nhận ở dạng
các xung điện.
Khi thông tin thu được từ các giác quan được chuyển vào các tế bào thần
kinh vận động và tế bào cơ. Tại mỗi tế bào thần kinh tiếp nhận thông tin, điện thế
của nó tăng lên, nếu điện thế này vượt ngưỡng sẽ tạo dòng điện trong tế bào thần
kinh, ý nghĩa dòng điện đó được giải mã và lưu ở thần kinh trung ương, kết quả xử
lí thông tin được gửi đến các tế bào cơ.
Các tế bào thần kinh đều đưa ra tín hiệu giống nhau còn các khớp thần kinh
chỉ cho phép các tín hiệu phù hợp qua chúng, các tín hiệu khác thì bị cản lại. Lượng
tín hiệu đã được biến đổi gọi là cường độ khớp thần kinh - tương ứng với trọng số
của mạng nơron nhân tạo.
Hình 2.2 Mô hình của một dạng nơron sinh học
2.2.3 Phần tử xử lí
Mô hình phần tử xử lí (Processing Elements- PE) hay mô hình nơron dạng
M–P, do Culloch và Pitts đề xuất năm 1943 [2].
Phần tử xử lí có dạng nhiều vào, một ra. Hình 2.2 được trích từ [2] mô tả mô
hình của phần tử xử lí (một nơron) thứ i, dạng M-P, trong đó có các thành phần sau
đây:
33. 15
Hình 2.3 Mô hình một nơron thứ i
2.2.3.1 Tín hiệu vào (Inputs)-ra(Output)
Có m tín hiệu đầu vào, trong đó (n-1) tín hiệu là tín hiệu kích thích được đặt
ở đầu vào là (x1, …,xi,…,xn-1), chúng được lấy từ đầu ra của các nơron được đặt
trước nơron này hoặc được lấy từ các nguồn tín hiệu đầu vào khác. Các tín hiệu
kích thích đầu vào này được đưa qua một bộ trọng số Wij đặc trưng cho mức độ liên
kết giữa các nơron thứ j (j = 1, 2,…, n-1) với nơron thứ i.
Riêng thành phần tín hiệu vào thứ n là xn được gọi là ngưỡng có giá trị
xn = 1 [17]. Tín hiệu xn được đưa qua thành phần dịch chuyển (bias) bi :
in i
W = b (2.10)
Có một tín hiệu ra là yi
2.2.3.2 Bộ cộng
Thực hiện phép tính tìm tổng trọng số vi (hoặc neti) bằng cách so sánh tổng
trọng của (n-1) kích thích đầu vào với giá trị trọng lượng của ngưỡng, nếu tổng
trọng này vượt qua trọng lượng của ngưỡng thì nơron ở trạng thái bị kích thích để
tạo ra được tín hiệu ra yi.
n 1
i i ij j i n
j 1
net = v = w x b x
(2.11)
34. 16
2.2.3.3 Hàm chuyển đổi
Hàm chuyển đổi (Transfer funtion) hay còn gọi là hàm hoạt hóa (active
funtion ) có nhiệm vụ biến đổi tổng trọng vi (hoặc neti ) thành tín hiệu ra yi:
yi = a(neti) = a(vi)
trong đó a(.) là kí hiệu của hàm chuyển đổi.
Trong [2] giới thiệu các dạng hàm chuyển đổi sau:
- Hàm chuyển đổi dạng giới hạn cứng (Hard limit transfer function) còn có
tên gọi là hàm bước nhảy (step transfer function)tronghình2.4 có dạng biểu thức:
a v = sgn v = 1 nếu v 0
0 nếu v < 0
(2.12)
Hình 2.4 Hàm chuyển đổi dạng giới hạn cứng
- Hàm chuyển đổi dạng giới hạn cứng đối xứng (symmetric hard limit
transfer function) còn có tên gọi là hàm dấu tronghình 2.5 có dạng biểu thức:
a v = sgn v =
1 nếu v 0
−1 nếu v < 0
(2.13)
Hình 2.5 Hàm chuyển đổi dạng giới hạn cứng đối xứng
35. 17
- Hàm chuyển đổi dạng tuyến tính bão hòa (Saturating linear transfer
function) trong hình 2.6 có dạng biểu thức:
a v =
1 nếu v > 0
v nếu 0 ≤ v ≤ 1
−1 nếu v < 0
(2.14)
Hình 2.6Hàm chuyển đổi dạng tuyến tính bão hòa
- Hàm chuyển đổi dạng tuyến tính bão hòa đối xứng (Symmetric saturating
linear transfer function) tronghình 2.7 có dạng biểu thức:
a v =
1 nếu v > 1
v nếu − 1 ≤ v ≤ 1
−1 nếu v < −1
(2.15)
Hình 2.7Hàm chuyển đổi dạng tuyến tính bão hòa đối xứng
36. 18
- Hàm chuyển đổi dạng sigmoid trong hình 2.8 có biểu thức:
- λv
1
a(v) =
1+e
(2.16)
Trong đó >0 là hệ số độ dốc
Hình 2.8Hàm chuyển đổi dạng sigmoid
- Hàm chuyển đổi dạng tang hyperbolic trong hình 2.9 có biểu thức:
- λv
2
a(v) = - 1
1+e
(2.17)
Trong đó >0 là hệ số độ dốc
Hình 2.9 Hàm chuyển đổi dạng tang hyperbolic
- Hàm chuyển đổi dạng tuyến tính (linear transfer function) tronghình 2.10
có biểu thức:
a v = v (2.18)
37. 19
Hình 2.10 Hàm chuyển đổi dạng tuyến tính
2.2.4 Các loại mô hình cấu trúc mạng nơron
Mạng nơron bao gồm sự liên kết của nhiều nơron. Đầu ra của mỗi nơron liên
kết với các nơron khác thông qua các trọng số hoặc tự phản hồi trở về đầu vào của
chính nó.
Cấu trúc của mạng nơron là kiểu kết nối hình học của mỗi nơron liên kết
trong mạng, đây là một đặc điểm quan trọng của từng mạng nơron, dựa vào đó để
tiến hành phân loại chúng. Một số mạng nơron thường gặp như sau:
Mạng nơron một lớp và nhiều lớp được gọi là truyền thẳng (Feedforward
Network) nếu đầu ra của mỗi nơron được nối với các đầu vào của các nơron cùng
lớp đó hoặc đầu vào của các nơron của các lớp trước đó. Trong mạng không tồn tại
bất kỳ một mạch hồi tiếp nào kể cả hồi tiếp nội lẫn hồi tiếp từ đầu ra trở về đầu vào.
Hình 2.11 mô tả mạng truyền thẳng một lớp [2] (Single layer feedforward
networks) có đặc điểm là tất cả các nơron đều nhận tín hiệu vào từ nguồn bên ngoài
qua các biến trọng số và mỗi nơron đều cho ra một tín hiệu ra.
Hình 2.11 Cấu trúc của mạng nơron truyền thẳng một lớp
38. 20
Hình 2.12 mô tả mạng truyền thẳng nhiều lớp [2] (multilayer feedforward
networks). Lớp vào (input layer) gồm các nơron nhận trực tiếp các tín hiệu vào lấy
từ bên ngoài. Lớp ra (output layer) gồm các nơron có các tín hiệu ra, đưa ra bên
ngoài mạng. Lớp ẩn (hidden layer) gồm các nơron còn lại không trực tiếp nhận các
tín hiệu vào lấy từ bên ngoài và không cung cấp tín hiệu ra cho bên ngoài mạng, nó
chỉ có nhiệm vụ truyền các tín hiệu từ nơron ở lớp vào đến các nơron ở lớp ra.
Mạng nơron truyền thẳng nhiều lớp có một lớp vào, một lớp ra, có thể không có
hoặc có nhiều lớp ẩn. Một mạng được gọi là liên kết đầy đủ nếu mỗi nơron ở lớp
trước liên kết với tất cả các lớp nơron ở ngay sau nó. Mạng nơron ở hình 2.12 là
loại mạng nơron truyền thẳng có 3 lớp, có liên kết không đầy đủ.
Hình 2.12 Cấu trúc của mạng nơron truyền thẳng nhiều lớp
Nếu mạng nơron có các tín hiệu đầu ra được đưa ngược trở lại đầu vào của
các nơron ở lớp trước nó hoặc chính nó thì mạng đó được gọi là mạng phản hồi
(feedback network)
Nếu tín hiệu ra của một nơron được đưa phản hồi thành các tín hiệu vào của
các nơron ở cùng một lớp với nơron đó thì mạng đó được gọi là mạng phản hồi bên
(lateral feedback network)
Mạng phản hồi có các vòng kín được gọi là mạng hồi qui (recurrent
networks). Hình 2.13 mô tả một mạng hồi qui đơn giản nhất[2], mạng chỉ có một
nơron có tín hiệu ra tự phản hồi về đầu vào của chính nó.
39. 21
Hình 2.13 Cấu trúc của mạng nơron chỉ có một nơron tự hồi qui
Mạng một lớp có liên kết phản hồi như hình 2.14 có đặc điểm tín hiệu đầu ra
của mỗi nơron được đưa ngược trở lại đầu vào của chính nó hoặc của các nơron
khác được gọi là mạng hồi qui một lớp[2].Hình 2.15 mô tả cấu trúc của mạng nơron
hồi qui nhiều lớp [2].
Hình 2.14 Cấu trúc của mạng nơron hồi qui một lớp
Hình 2.15 Cấu trúc của mạng nơron hồi qui nhiều lớp
40. 22
2.2.5 Các tính chất của mạng nơron
Mạng nơron có các tính chất sau đây[2]:
- Là hệ phi tuyến.
- Là hệ xử lí song song: Mạng nơron có cấu trúc song song, do đó có tốc độ
tính toán rất cao, rất phù hợp với lĩnh vực nhận dạng và điều khiển.
- Là hệ học và thích nghi: Mạng được luyện từ dữ liệu quá khứ, có khả năng
tự chỉnh khi số liệu đầu vào bị mất, có thể điều khiển on-line.
- Là hệ nhiều biến, hệ nhiều đầu vào, nhiều đầu ra phù hợp khi điều khiển đối
tượng có nhiều biến số.
2.2.6 Các luật học
Mạng nơron sử dụng hai nhóm luật học: Nhóm các luật học thông số
(parameter learning rules) và nhóm các luật học cấu trúc (structure learning rules)
Các luật học trong nhóm học thông số có nhiệm vụ tính toán cập nhật giá trị
của trọng số liên kết các nơron trong mạng.
Các luật học trong nhóm học cấu trúc số có nhiệm vụ đưa ra cấu trúc hợp lí
của mạng như thay đổi số lượng nơron hoặc thay đổi số lượng liên kết của các
nơron trong mạng.
Hai nhóm luật học trên có thể áp dụng đồng thời (Khi đó gọi là luật học lai –
hybrid learning rules)
2.2.7 Thuật toán Backpropagation
Khi trọng số và thành phần di ̣
ch chuyển (bias) của mạng đã được khởi tạo ,
mạng đã sẵn sàng huấn luyện . Quá trình huấn luyện cần một tập các cặp mẫu bao
gồm các tín hiê ̣u ngõ vào và ngõ ra của ma ̣ng . Trong suốt quá trình huấn luyê ̣n
trọng số và bias của mạng được điều chỉnh lặp đi l ặp lại để cực tiểu hóa hàm sai
lê ̣ch của ma ̣ng . Hàm sai lê ̣ch mặc định của mạng truyền thẳng là trung bình bình
phương sai lê ̣ch.
41. 23
Có nhiều thuật toán Backpropagation khác nhau . Cách thực hiện đơn giản
nhất là cập nhật trọng số và bias theo hướng sao cho hàm sai lê ̣ch giảm nhanh nhất .
Mỗi bước lặp thuật toán được viết lại như sau[16]:
xk+1 = xk - kgk (2.19)
Trong đó:
- xk là vector trọng số và bias hiện tại;
- gk là gradient hiện tại;
-k là hằng số học.
Có hai phương pháp để câ ̣p nhâ ̣t trọng theo qui tắc giảm dốc nhất (gradient
descent) đó là câ ̣p nhâ ̣t trọng ngay sau khi học từ ng mẫu dựa trên đa ̣o hàm lỗi của
riêng từ ng mẫu (incremental mode) và câ ̣p nhâ ̣t trọng dựa trên đa ̣o hàm lỗi s au khi
đã quét qua toàn bộtâ ̣p mẫu (batch mode).
2.2.7.1 Chế độ ho ̣c tƣ̀ng mẫu:
Huấn luyê ̣n ma ̣ng ở chế độnày sử dụng hàm „ adapt‟. Có thể sử dụng luật cập
nhâ ̣t theo phương pháp giảm dốc nhất „learngd‟hoă ̣c phương pháp giảm dốc nhất có
thêm thành phần động lượng „learngdm‟.
Đối với phương pháp giảm dốc nhất hàm học thông số cho trọng số và bias
là „learngd‟. Trọng số và ngưỡng được cập nhật theo hướng chống la ̣i gradient của
hàm lỗi. Hàm „learngd‟ có một thông số học là tốc độ học „lr‟. Tốc độ học càng lớn,
thì bước nhảy càng lớn. Nếu tốc độ học quá lớn, thuật toán sẽ không ổn định. Nếu
tốc độ học quá nhỏ, thuật toán sẽ hội tụ lâu.
Đối với phương pháp giảm dốc nhất có thêm thành phần động lượng -
hàm„learngdm‟ giúp cho hàm learngd hội tụ nhanh hơn.
2.2.7.2 Chế đô ̣ho ̣c theo nhóm mẫu
Chế độhọc theo nhóm mẫu thay thế cho chế độhọc từ ng mẫu , Huấn luyê ̣n
mạng sử dụng hàm „ train‟ với các luâ ̣t câ ̣p nhâ ̣t thông số trọng số và bias là hàm
„traingd‟ hoă ̣c „traingdm‟ . Ở chế độ học theo nhóm mẫu trọng số và bias của mạng
chỉ được cập nhật sau khi toàn bộ bộ mẫu huấn luyện đã được nạp vào mạng .
42. 24
Gradient được tính toán ở mỗi mẫu huấn luyện được cộng dồn lại với nhau để xác
đi ̣
nh sự thay đổi của trọng số và bias.
Hàm „ traingd‟ tương đương với hàm „learngd‟, thực hiện huấn luyện theo
phương pháp giảm dốc nhất chuẩn . Trọng số và ngưỡng được cập nhật theo hướng
chống la ̣i gradient của hàm lỗi.
Hàm „ traingdm‟ tương đương với hàm „learngdm‟ với hai điểm khác biê ̣t .
Thứ nhất, Gradient được tính bằng tổng gradient ở mỗi mẫu huấn luyê ̣n , trọng số và
bias được câ ̣p nhâ ̣t sau khi toàn bộmẫu được đưa vào . Thứ hai, nếu hàm lỗi trên
bước lă ̣p được cho vượt quá hàm lỗi ở bước lă ̣p trước một giá tri ̣đi ̣
nh tr ước
„max_perf_inc‟ (thường chọn 1.04) thì trọng số và bias mới bị loại bỏ và thành phần
động lượng „mc‟được gán bằng 0.
Trong chế độhuấn luyê ̣n theo nhóm mẫu , ngoài các giải thuật huấn luyện
trên còn một số giải thuật có tốc độ hội tụ nhanh như: Giải thuật tốc độ học thay đổi
„Traingda‟, „Traingdx‟; giải thuật phục hồi mạng „trainrp‟; giải thuật conjugate_
gradient; giải thuật cập nhật Fletcher-Reeves „traincgf‟; giải thuật cập nhật Polak –
Ribiére „traincgp‟; giải thuật khởi động lại Powell – Beale „traincgb‟; giải thuật
Scaled Conjugate Gradient „trainscg‟; giải thuật BFGS „trainbfg‟ ; giải thuật One
Step Secant „trainoss‟; giải thuật Levenberg – Marquardt (TRAINLM). Tham khảo
tài liệu[16] để biết thêm thông tin về các giải thuật này.
2.2.8 Giải thuật Levenberg-Marquardt
Giải thuật Levenberg -Marquardt đượ c phát triển độc lâ ̣p bởi Kenneth
Levenberg và Donald Marquardt [15], cung cấp một giải pháp số để giải quyết vấn
đề cực tiểu hóa một hàm không tuyến tính . Giải pháp này có độ hội tụ nhanh và ổn
đi ̣
nh. Trong lĩnh vực ma ̣ng nơron nhân ta ̣o , thuâ ̣t toán này rất phù hợp để huấn
luyê ̣n những ma ̣ng cỡ nhỏ và trung bình (vài trăm trọng số).
43. 25
2.2.8.1 Luâ ̣t câ ̣p nhâ ̣t tro ̣ng số
Hàm tổng bình phương sai số được định nghĩa để đánh giá quá trình huấn
luyê ̣n ma ̣ng. Đối với tất cả các mẫu và tín hiệu ra của mạng , tổng bình phương sai
số được tính như sau[15]:
n
Q
P
2
p, m
p =1 m =1
1
E(x,w) = e
2
(2.20)
trong đó:
x là vectơ tín hiê ̣u vào
w là vectơ trọng số
p là chỉ số mẫu, p = 1, 2,…, P
m là chỉ số tín hiê ̣u đầu ra, m = 1, 2,…, nQ
ep,m là sai lệch của tín hiệu ra m khi duyệt mẫu p và được định nghĩa[15]:
p, m p, m p, m
e = d - y (2.21)
trong đó
d là vectơ tín hiê ̣u ra mong muốn
y là vectơ tín hiê ̣u ra thực tế
Giải thuật Levenberg-Marquardt sử dụng luâ ̣t câ ̣p nhâ ̣t trọng số [15]:
T -1
k+1 k k k k k
w = w - (J J + μI) J e (2.22)
với:
là hệ số học (được câ ̣p nhâ ̣t thông qua tham số „mu‟).
k là chỉ số lă ̣p
J là ma trâ ̣n jacobian có da ̣ng[17]:
1 1 1
1 2 N
2 2 2
1 2 N
N N N
1 2 N
e (w) e (w) e (w)
w w w
e (w) e (w) e (w)
w w w
J =
e (w) e (w) e (w)
w w w
(2.23)
44. 26
2.2.8.2 Tính toán ma trận jacobian
Vectơ sai lê ̣ch có da ̣ng:
eT
= [ 1,1
e 1,2
e … Q
1,n
e … P,1
e P,2
e . . . Q
P,n
e ] (2.24)
Vectơ tham số có da ̣ng:
T
1 2 N
w = w w …w
1 i 1 2 Q
1 1 1 1 1 2 2 Q Q
1,1 1,2 n ,n 1 n 1,1 n 1,1 n
[w w ...w b ...b w ...b ..
...w b ]
(2.25)
Trong đó
Chỉ số trên “1” thể hiện cho lớp thứ nhất, chỉ số trên “Q” thể hiện cho lớp ra.
ni là số nơron trong lớp vào
n1 là số nơron ở lớp thứ nhất
n2 là số nơron ở lớp thứ hai
nQ là số nơron ở lớp ra
Ma trâ ̣n jacobian được viết la ̣i như sau:
1 i
1 i
Q Q Q Q
1
1 i
1,1 1,1 1,1 1,1
1 1 1 1
1,1 1,2 n ,n 1
1,2 1,2 1,2 1,2
1 1 1 1
1,1 1,2 n ,n 1
1,n 1,n 1,n 1,n
1 1 1 1
1,1 1,2 , 1
p,1 p,1 p,1 p,1
1 1 1 1
1,1 1,2 n ,n 1
e e e e
w w w b
e e e e
w w w b
e e e e
w w w b
J
e e e e
w w w b
e
i
n n
1 i
Q Q Q Q
1 i
p,2 p,2 p,2 p,2
1 1 1 1
1,1 1,2 n ,n 1
p,n p,n p,n p,n
1 1 1 1
1,1 1,2 n ,n 1
e e e
w w w b
e e e e
w w w b
(2.26)
45. 27
Xét nơron thứ j với n i tín hiệu vào như hình 2.16 được trích từ tài liê ̣u tham
khảo[15]. Nếu nơron j ở lớp thứ nhất , tất cả tín hiê ̣u vào sẽ được nối với tín hiê ̣u
vào của mạng, nếu khác, các tín hiệu vào của nó được nối với tín hiệu ra của nơron
ở lớp kế trước.
Trong phần này kí hiê ̣u zj,i có nghĩa là tín hiệu vào thứ i của nơron j kí hiệu zj
có nghĩa là tín hiệu ra của nơron j.
Tín hiệu ra của nơron j được tính như sau[15]:
j j j
z = a (v ) (2.27)
Trong đó a j là hàm chuyển đổi của nơron j và v j là tổng trọng đầu vào của nơron j
được tính như sau[15]:
ni
j j,i j,i j
i=1
v = w z + b
(2.28)
Trong đó
Zj,i là tín hiệu vào của nơron j, được kết nối với trọng số wj,i
bj là trọng ngưỡng bias của nơron j
Hình 2.16 Liên kết của nơron j với các phần khác trong ma ̣ng.
Tín hiệu z j,i có thể là tín hiệu vào của mạng hoặc tín hiệu ra của các nơron
khác. Fm,j(zj) là mối quan hệ phi tuyến giữa tín hiệu ra zj và tín hiệu ra ym của mạng.
Đa ̣o hàm của tổng trọng vj là [15]:
46. 28
j
j,i
j,i
v
z
w
(2.29)
Độ dốc sj của hàm chuyển đổi aj là[15]:
j j j
j
j j
z a (v )
s = =
v v
(2.30)
Giữa tín hiê ̣u ra z j của nơron j ở lớp ẩn và tín hiệu ra y m của mạng có mối
quan hê ̣phi tuyến phứ c ta ̣p (hình 2.16):
ym = Fm,j(zj) (2.31)
trong đó: ym là tín hiệu ra thứ m của mạng.
Mỗi phần tử của ma trâ ̣n jacobian có thể được tính theo công thứ c[15]:
p,m
m,j j,i
j,i
e
= - δ z
w
(2.32)
trong đó : m,j là tín hiệu sai lệch của nơron thứ j ứng với nơron m ở lớp xuất của
mạng.
Có hai thành phần chưa biết trong phương trình (2.32) để tính toán ma trận
jacobian. Tín hiệu vào zj,i có thể được tính trong quá trình lan truyền thuận (tín hiệu
lan truyền từ đầu vào đến đầu ra ); trong khi đó m,j thu được trong quá trình lan
truyền ngược, giá trị này được thiết lập như là lan truyền ngược của sai lê ̣ch từ đầu
ra đến đầu vào của ma ̣ng. Ở nơron m của lớp ra(j=m) thì m,j = sm.
Hình 2.17 trích từ tài liệu tham khảo [17] mô tả ma ̣ng truyền thẳng ba lớp (có
hai lớp ẩn): số nút vào là ni, số nút ra là n3, n1 và n2 là số nơron ở lớp thứ nhất và thứ
hai.
Để thể hiê ̣n rõ viê ̣c tính toán trong quá trình lan truyền thuâ ̣n và lan truyền
ngược ta sẽ xem xét ma ̣ng nơron ba lớp (hình 2.17) như là một ví dụ.
47. 29
Hình 2.17 Mạng nơron truyền thẳng 3 lớp
Với mẫu đã cho , quá trình truyền thuận của tín hiệu được thực hiện theo các
bước sau[15]:
a. Tính tổng trọng, tín hiệu ra và độ dốc của các nơron trong lớp thứ nhất:
ni
1 1 1
j i j,i j
i=1
v = x w + b
(2.33)
1 1 1
j j j
z = a (v )
(2.34)
1
j
1
j 1
j
a
s =
v
(2.35)
b. Sử dụng tín hiê ̣u ra của nơron ở lớp thứ nhất như là tín hiê ̣u vào của tất cả
các nơron ở lớp thứ hai , thực hiê ̣n tính toán tương tự cho tổng trọng , tín hiệu ra và
độdốc:
n1
2 1 2 2
j i j,i j
i =1
v = z w + b
(2.36)
2 2 2
j j j
z = a (v )
(2.37)
2
j
2
j 2
j
a
s =
v
(2.38)
48. 30
c. Sử dụng tín hiê ̣u ra của nơron ở lớp thứ hai như là tín hiê ̣u vào của tất cả
các nơron ở lớp thứ ba, tính toán tương tự cho tổng trọng, tín hiệu ra và độ dốc:
n2
3 2 3 3
j i j,i j
i =1
v = z w + b
(2.39)
3 3
j j j
y = a (v )
(2.40)
3
j
3
j 3
j
a
s =
v
(2.41)
Với kết quả tính toán từ quá trình truyền thuâ ̣n , với một tín hiê ̣u ra j đã cho ,
quá trình lan truyền ngược có thể được thực hiê ̣n như sau:
d. Tính sai lệch ở đầu ra j và tín hiệu lan truyền ngược sai lệch ban đầu
cũng chính là độ dốc của tín hiệu ra j:
ej = dj - yj (2.42)
3 3
j,j j
δ = s
(2.43)
3
j,k
δ = 0
(2.44)
Trong đó
dj là tín hiệu ra mong muốn ở đầu ra j
yj là tín hiệu ra thực tế ở đầu ra j trong quá trình lan truyền thuận
3
j,j là tín hiệu lan truyền ngược sai lệch của nơron j ở lớp ra
3
j,k là tín hiệu lan truyền ngược từ các nơron khác trong cùng một lớp (lớp
ra)
e. Lan truyền ngược từ đầu vào của lớp thứ 3 đến đầu ra của lớp thứ hai:
2' 3 3
j,k j,i j,j
δ =w δ
(2.45)
Trong đó k là chỉ số của nơron ở lớp thứ hai, giá trị từ 1 đến n2.
49. 31
f. Lan truyền ngược từ đầu ra của nơron lớp thứ hai đến đầu vào của lớp
thứ hai (tín hiệu lan truyền ngược sai lệch của nơron ở lớp thứ hai):
2 2' 2
j,k j,i i
δ = δ s
(2.46)
Trong đó k là chỉ số của nơron ở lớp thứ hai, giá trị từ 1 đến n2.
g. Lan truyền ngược từ đầu vào của nơron lớp thứ hai đến đầu ra của lớp
thứ nhất:
n2
1' 2 2
j,k j,i j,i
i=1
δ = w δ
(2.47)
Trong đó k là chỉ số của nơron ở lớp thứ nhất, giá trị từ 1 đến n1.
h. Lan truyền ngược từ đầu ra của nơron lớp thứ nhất đến đầu vào của lớp
thứ nhất(tín hiệu lan truyền ngược sai lệch của nơron ở lớp thứ nhất):
1 1' 1
j,k j,i i
δ = δ s
(2.48)
Trong đó k là chỉ số của nơron ở lớp thứ nhất, giá trị từ 1 đến n1.
Đối với quá trình lan truyền ngược của các nơron khác, lă ̣p la ̣i các bước từ
(d) đến (h).
Bằng cách thực hiê ̣n quá trình tính toán lan truyền thuâ ̣n và lan truyền ngược ,
toàn bộ dãy lan truyền ngược sai lệ ch và tín hiệu ra z có thể thu được với mẫu đã
cho. Sau đó xác đi ̣
nh các phần tử của ma trâ ̣n jacobian theo phương trình 2.32.
Đối với các mẫu khác , lă ̣p la ̣i quá trình tính toán lan truyền thuâ ̣n và lan
truyền ngược, toàn bộ ma trận jacobian được tính toán.
2.2.8.3 Quá trình huấn luyện
Với luâ ̣t câ ̣p nhâ ̣t của thuâ ̣t toán Levenberg -Marquardt (phương trình 2.22),
và việc tính toán ma trận jacobian, quá trình huấn luyện được thực hiê ̣n như sau:
50. 32
a. Với trọng số ban đầu (khởi ta ̣o ngẫu nhiên ), tính tổng bình phương sai số
theo công thứ c (2.20).
b. Thực hiê ̣n câ ̣p nhâ ̣t trọng số theo phương trình (2.22) để điều chỉnh trọng
số.
c. Với trọng số mới, tính tổng bình phương sai số.
d. Nếu tổng bình phương sai số hiê ̣n ta ̣i tăng theo trọng số câ ̣p nhâ ̣t , thì lùi về
một bước (khôi phục la ̣i trọng số vừ a điều chỉnh ) và tăng hệ số kết hợp
bằng cách nhân với 10 hoă ̣c hê ̣số khác tùy người sử dụng.
e. Nếu tổng bình phương sai số hiê ̣n ta ̣i giảm theo trọng số câ ̣p nhâ ̣t , thì chấp
nhâ ̣n bước này(chọn trọng số này như là trọng số ban đầu ) và giảm hệ số
kết hợp bằng cách chia cho 10 hoă ̣c chia cho hê ̣số sử dụng ở bước d.
f. Tiếp tục thực hiện bước b với trọng số mới cho đến khi tổng bình phương
sai số nhỏ hơn giá tri ̣cho trước.
Sơ đồ khối quá trình huấn luyện sử dụng thuật toán Levenberg-Marquardt
được thể hiện như trong hình 2.18 [15].
51. 33
Hình 2.18 Sơ đồ khối để huấn luyê ̣n mạng sử dụng thuâ ̣t toán Levenberg -
Marquardt: wk là trọng số hiện tại, wk+1 là trọng số kế tiếp, Ek+1 là tổng sai lệch hiện
tại, Ek là tổng sai lệch trước.
KẾT LUẬN CHƢƠNG 2
Trong chương này, tác giả đã trình bày những vấn đề cơ bản của phương
pháp giải bài toán động học thuận theo quy tắc Denavit-Hartenberg và phương pháp
giải bài toán động học ngược bằng phương pháp giải tích. Ngoài ra, tác giả cũng
giới thiệu một cách khái quát về mạng nơron, trong đó tập trung giới thiệu về giải
thuật Levenberg-Marquardtmà tác giả đã sử dụng để huấn luyện mạng trong luận
văn. Đây là một giải thuật có độ hội tụ nhanh và ổn định, phù hợp để huấn luyện
mạng cỡ nhỏ và trung bình.
52. 34
Chƣơng 3
XÂY DƢ̣NG BỘ DƢ̃ LIỆU HUÂ
́ N LUYỆN
ĐỂ GIẢI BÀI TOÁN ĐỘNG HỌC NGƢỢC CHO
TAY MÁ Y SCORBOT ER7 BẰ NG MẠNG NƠRON
Tay máy Scorbot ER7 là tay máy có 5 bậc tự do với các khớp đều là khớp
quay. Nóđược sử dụng rộng rãi trong ngành công nghiệp điện tử, cho dây chuyền
lắp ráp các chi tiết máy nhỏ, nhẹ và dùng cho giáo dục, đào tạo. Tay máy Scorbot
ER7 sử dụng năng lượng điện, có độ chính xác trung bình. Cấu trúc của tay máy
Scorbot ER7 thể hiện trong hình 3.1 được trích từ tài liệu tham khảo [20].
Hình 3.1 Tay máy Scorbot ER7
Trong chương này, tác giả giải bài toán động học thuận (theo quy tắc
Denavit-Hartenberg) làm cơ sở để xây dựng bộdữ liê ̣u để huấn luyê ̣n ma ̣ng nơron .
Sau đó tác giả sẽ dùng kết quả của bài toán động học ngược (được giải theophương
53. 35
pháp giải tích) như là một mẫu chuẩn để so sánh với các giá trị thu được từ mạng
nơron.
3.1 Giải bài toán động học thuận cho tay máy Scorbot ER7
Zoe Zhizhong[18] đã tiến hành giải bài toán động học thuận cho tay máy
Scorbot ER7 như sau:
Hình 3.2 Sơ đồ động học của tay máy Scorbot ER7
Dựa vào sơ đồ động học của tay máy Hình 3.2 ta có bảng thông số DH như
sau:
Bảng 3.1 Bảng thông số DH của tay máy Scorbot ER7
Khớp i αi ai(mm) di(mm) θi (phạm vi làm việc)
1 -π/2 a1=50 d1=358,5 θ1 ( 1250
)
2 0 a2=300 d2= -40 θ2 (-130;350
)
3 0 a3=350 0 θ3 ( 1100
)
4 -π/2 0 0 θ4 ( 900
)
5 0 0 d5=251 θ5 ( 1800
)
54. 36
Các ma trận Ai được xây dựng như sau:
1 1 1 1
1 1 1 1
1
1
c 0 -s a c
s 0 c a s
A =
0 -1 0 d
0 0 0 1
(3.1)
2 2 2 2
2 2 2
2
2
2
c s 0 a c
s c 0 a s
0 0 1 d
0 0 0
A
1
(3.2)
3 3 3 3
3 3 3 3
c s 0 a c
s c 0 a s
0 0 1 0
0 0 0 1
3
A (3.3)
4 4
4 4
c 0 s 0
s 0 c 0
0 1 0 0
0 0 0 1
4
A (3.4)
5 5
5 5
5
c s 0 0
s c 0 0
0 0 1 d
0 0 0 1
5
A (3.5)
Theo phương trình (2.12):
T5 = A1A2A3A4A5=
x x x x
y y y y
z z z z
n s a p
n s a p
n s a p
0 0 0 1
(3.6)
Trong đó:
x 1 234 5 1 5
n = c c c + s s
55. 37
y 1 234 5 1 5
n = s c c - c s
z 234 5
n = -s c
x 1 234 5 1 5
s = -c c s + s c
y 1 234 5 1 5
s = -s c s - c c
z 234 5
s = s s
x 1 234
a = -c s
y 1 234
a = -s s
z 234
a = -c
x 1 1 2 2 3 23 5 234 2 1
p = c a + a c + a c - d s - d s
y 1 1 2 2 3 23 5 234 2 1
p = s a + a c + a c - d s + d c
z 1 2 2 3 23 5 234
p = d - a s - a s - d c
Trong đó: i i
c , s biểu thị cho cosθi, sinθi
i j...
c biểu thị cho cos(θi+ θj+…)
3.2 Giải bài toán động học ngƣợc cho tay máy Scorbot ER7
Như đã giới thiệu ở phần trước, việc giải bài toán động học ngược không ảnh
hưởng đến đến kết quả của quá trình huấn luyện mạng nơron nhưng nó là cơ sở để
đánh giá độchính xác của phương pháp giải bằng mạng nơron . Tuy nhiên, với tay
máy có nhiều bậc tự do thì bài toán động học ngược sẽ có nhiều kết quả khác nhau
tương ứng với từng cấu hình khác nhau của tay máy . Do đó , để thuận tiện cho việc
so sánh kết quả này, tác giả chỉ giải cho một trường hợp cụ thể đó là : hướng và góc
quay của bàn kẹp được cố định. Có nghĩa là hướng của trục z 5 luôn ngược với trục
z0, trục x5 cùng hướng với trục x0, trục y5 ngược hướng với trục y0. Phương pháp
giải bài toán động học ngược cho tay máy Scorbot ER7 trong trường hợp này đã
được Joe Zhizhong[18] thực hiện với lời giải như sau:
Ma trận chuyển của bàn kẹp so với hệ tọa độ 0 được viết như sau:
56. 38
TE =
x
y
z
0 P
1 0
0 p
0 1
0 0 1 p
0 0 0 1
(3.7)
Mặt khác theo phương trình (2.6):
TE = T5
Với T5 là ma trận thu được từ phương trình (3.6)
Cân bằng phần tử ở hàng 3, cột 3 của phương trình (3.7) và (3.6) ta được:
θ2 + θ3 + θ4 = 0 (3.8)
Cân bằng phần tử ở hàng 1, cột 1 của phương trình (3.7) và (3.6) ta được:
1 234 5 1 5
c c c + s s = 1
1 5 1 5
c c + s s = 1
1 5
c θ - θ = 1
1 5
θ - θ = 0 (3.9)
Cân bằng phần tử ở hàng 1, cột 3; hàng 2 cột 3; hàng 3 cột 3 của phương
trình (3.7) và (3.6) ta được:
x 1 1 2 2 3 23 2 1
p = c a + a c + a c - d s (3.10)
y 1 1 2 2 3 23 2 1
p = s a + a c + a c + d c (3.11)
z 1 2 2 3 23 5
p = d - a s - a s - d (3.12)
Đặt :
1 2 2 3 23
k = a + a c + a c (3.13)
Thay vào phương trình (3.10), (3.11) Ta được:
x 1 2 1
p = kc - d s (3.14)
y 1 2 1
p = ks + d c (3.15)
Bình phương phương trình(3.14) và (3.15) sau đó cộng vế theo vế ta được:
2 2 2 2
x y 2
p + p = k + d (3.16)
2 2 2
x 2
k = (p + p - d )
y
(3.17)
57. 39
Phương trình (3.14) và (3.15) có 2 ẩn là c1, s1
Giải hệ phương trình bằng phương pháp thế ta được:
y 2 x
2
2
1 2
kp - d p
k +d
s = (3.18)
x 2 y
2 2
1
2
kp + d p
k + d
c = (3.19)
Từ phương trình (3.18), (3.19) ta có:
1 y 2 x x 2 y
θ atan2 (kp d p , kp d p )
(3.20)
Phương trình (3.12), (3.13) có thể viết lại dưới dạng :
2 2 3 23 1 5 z
a s + a s = d + d - p (3.21)
2 2 3 23 1
a c + a c = k - a (3.22)
Bình phương phương trình (3.21) và (3.22) sau đó cộng vế theo vế ta được:
2
2 2 2
1 1 5 z 2 3
3
2 3
k - a + d - d - p - a - a
θ = acos
2a a
(3.23)
Từ phương trình (3.21) và (3.22) ta có:
1 5 z 2 3 3 2 3 3 2
d + d p = a + a c s + a s c
(3.24)
1 2 3 3 2 3 3 2
k a = a + a c c + a s s
(3.25)
Giải phương trình (3.24) và (3.25) ta được:
2 3 3 1 5 z 3 3 1
2 2 2
1 1 5 z
a a c d d p a s b a
s
b a d d p
(3.26)
2 3 3 1 3 3 1 5 z
2 2 2
1 1 5 z
a a c b a a s d d p
c
b a d d p
(3.27)
Từ phương trình (3.24) và (3.25) ta được:
2 2 3 3 1 5 z 3 3 1
2 3 3 1 3 3 1 5 z
θ arctg2 a a c d d p a s b a ,
a a c b a a s d d p
(3.28)
Cuối cùng ta thu đượcθ4 từ các phương trình (3.8), (3.23), (3.28)
θ4 = -θ2 - θ3 (3.29)
58. 40
Các phương trình (3.8), (3.9), (3.20), (3.23), (3.28), (3.29) dùng để giải bài
toán động học ngược cho tay máy Scorbot ER7.
3.3 Xây dƣ̣ng bô ̣mẫu để huấn luyê ̣
n ma ̣ng giải bài toán đô ̣ng ho ̣c ngƣợc cho
tay máy Scorbot ER7
Bộmẫu dùng để huấn luyê ̣n ma ̣ng bao gồm n phần tử
(1) (1) (2) (2) (n) (n)
p , y , p , y , ,(p , y )
trong đó mẫu tín hiê ̣u vào
T
x y z
p = p , p , p
thể
hiê ̣n vi ̣trí của bàn ke ̣p tay máy và mẫu tín hiê ̣u ra T
1 2 3 4 5
y = [θ , θ , θ , θ , θ ] thể hiê ̣n
các góc quay của các khớp, được xác đi ̣
nh từ bài toán thuâ ̣n theo phương trình (3.1),
(3.2), (3.3), (3.4), (3.5), (3.6).
Hình 3.3 Vùng làm việc của tay máy Scorbot ER 7 trong mă ̣t phẳng Oxy và
phân chia vùng huấn luyê ̣n.
Để huấn luyê ̣n ma ̣ng , tác giả dùng 2 bộmẫu khác nhau:bộ thứ nhất được
dùng để luyện mạng. Bộthứ hai dùng để kiểm tra khả năng tổng quát hóa của ma ̣ng
đối với bộdữ liê ̣u chưa được học.
Vùng2
(00
θ1<1250
)
Vùng1
(-1250
<θ1 00
)
59. 41
Tuy nhiên , nếu lấy bộmẫu trên toàn vùng làm viê ̣c của tay máy thì kích
thước mẫu sẽ rất lớn do đó khả năng tổng quát hóa của ma ̣ng sẽ giảm và qúa trình
huấn luyê ̣n ma ̣ng có thể sẽ k hông đi đến kết quả . Do đó, đối với vùng làm việc của
θ1tác giả sẽ chia thành hai vùng để huấn luyện (hình 3.3):vùng 1 với -1250
< θ100
,
vùng 2 với 00
θ1< 1250
. Mặt khác, với trường hợp tay máy đã xác định ở mục 3.2
thì với một vị trí cho trước có thể có hai lời giải khác nhau (như trong hình 3.4). Vì
vậy, để so sánh kết quả giải bằng mạng nơron với phương pháp giải tích thì tác giả
chỉ huấn luyện mạng theo cấu hình 1 của tay máy.
Như vậy, trong luận văn này, tác giả sẽ huấn luyện hai mạng: Mạng Net1_1
tương ứng với vùng 1và cấu hình 1; mạng Net2_1 tương ứng với vùng 2và cấu hình
1.
Hình 3.4 Hai lời giải khác nhau được miêu tả cho bài toán động học ngược
tay máy Scorbot ER7: Đường nét liền thể hiện tay máy có cấu hình 1, đường nét đứ t
thể hiê ̣n tay máy ở cấu hình 2.
60. 42
Bộmẫu dùng để huấn luyện mạng Net 1_1 được lấy từ phương trình (3.1),
(3.2), (3.3), (3.4), (3.5), (3.6). Trong đó θ1, θ2,θ3, θ4,θ5 phải thỏa mãn các điều kiện
sau:
-1250
< θ1<00
( Vùng 1) (3.31)
-130 < θ2 0 (Cấu hình 1) (3.32)
0 θ3 < 110 (Cấu hình 1) (3.33)
-90 < θ4 0 (Cấu hình 1) (3.34)
θ2 + θ3 + θ4 = 0 (theo phương trình 3.8) (3.35)
1 5
θ - θ = 0(theo phương trình 3.9) (3.36)
Chương trình lấy 3000 mẫu để huấn luyê ̣n và kiểm tra ma ̣ng Net1_1 được
thể hiê ̣n ở phụlục 1 chạy trên phần mềm Matlab 2013a (8.1.0.604). Trong bộ mẫu
gồm 3000 mẫu tác giả đã lấy 2000 mẫu đầu tiên để huấn luyện mạng Net1_1; 1000
mẫu còn lại được dùng để kiểm tra tính tổng quát hóa của mạng này.70 số liệuđầu
tiên trong bộ mẫu gồm 2000 mẫu dùng để huấn luyê ̣n mạng Net1_1 được trích dẫn
trong phụlục 6.30 số liệu đầu tiên trong bộmẫu gồm 1000 mẫu dùng để kiểm tra
mạng Net1_1 được trích dẫn trong phụ lục 7.
Vùng huấn luyê ̣n ma ̣ng Net 1_1 là vùng làm việc của tay máy Scorbot ER 7
được thể hiê ̣n trong hình 3.5 và hình 3.6.
Hình 3.5 Vùng làm việc của tay máy Scorbot ER 7 trong mă ̣t phẳng Oxz.
61. 43
Hình 3.6 Vùng làm việc của tay máy Scorbot ER 7 trong mă ̣t phẳng Oxy
dùng cho mạng Net1_1.
Bộmẫu dùng để huấn luyện mạng Net 2_1 được lấy từ các phương trình
(3.1), (3.2), (3.3), (3.4), (3.5), (3.6). trong đó θ1, θ2,θ3, θ4,θ5 phải thỏa mãn cá c
phương trình (3.32), (3.33), (3.34), (3.35), (3.36) và thỏa mãn điều kiện 00
< θ1<
1250
.
Chương trình lấy 3000 mẫu để huấn luyê ̣n mạng Net2_1 được thể hiê ̣n ở phụ
lục 2 chạy trên phần mềm Matlab 2013a (8.1.0.604).20 số liệu đầu tiên và 20 số liệu
cuối trong bộmẫu gồm 3000 mẫu dùng để huấn luyê ̣n ma ̣ng Net2_1 được trích dẫn
trong phụlục 8.
Chương trình lấy 1000 mẫu để kiểm tra ma ̣ng Net 2_1 được thể hiê ̣n ở phụ
lục 3 chạy trên phần mềm Matlab 2013a (8.1.0.604).20 số liệu đầu tiên và 20 số liệu
cuối trong bộmẫu gồm 1000 mẫu dùng để kiểm tra mạng Net2_1 được trích dẫn
trong phụlục 9.
Vùng huấn luyện mạng Net2_1 là vùng làm việc của tay máy Scorbot ER 7
được thể hiê ̣n trong hình 3.5 và hình 3.7
62. 44
Hình 3.7Vùng làm việc của tay máy Scorbot ER 7 trong mă ̣t phẳng Oxy dùng
cho ma ̣ng Net2_1
KẾT LUẬN CHƢƠNG 3
Trong chương này, tác giả đã tiến hành giải bài toán động học thuậncho tay
máy Scorbot ER7làm cơ sở để xây dựng bộ dữ liệu huấn luyện và giải bài toán động
học ngược bằng phương pháp giải tích để đánh giá kết quả của phương pháp giải
bằng mạng nơron.Để mạng nơron có khả năng học bộ dữ liệu tốt và để thuận tiện
cho việc so sánh kết quả của hai phương pháp, tác giả đãchiavùng làm việc của tay
máy trong mặt phẳng Oxy thành hai vùng khác nhau và trong mỗi vùng chỉ huấn
luyện với một cấu hình cụ thể (cấu hình 1).Trong giới hạn đó, tác giả đã xác định
được hai bộ dữ liệu để huấn luyện mạng Net1_1 và mạng Net2_1.
63. 45
Chƣơng 4
HUÂ
́ N LUYỆN MẠNG NƠRON VÀ
PHÂN TÍCH KÊ
́ T QUA
̉
Trong phần này, tác giả trình bày phương pháp và kết quả huấn luyê ̣n ma ̣ng
Net1_1 và mạng Net2_1. Mạng được huấn luyê ̣n trên Neural Network Toolbox
(nntool) của phần mền matlab 2013a.
4.1 Huấn luyê ̣
n ma ̣ng Net1_1
4.1.1 Xác định cấu trúc mạng
Để huấn luyê ̣n ma ̣ng Net1_1, tác giả sử dụng mạng truyền thẳng 4 lớp (1 lớp
nhập, 3 lớp ẩn, 1 lớp xuất). Số lớp được xác định theo phương pháp thử và sai.
Lớp nhập: Gồm 3 nơron tương ứng với các giá trị nhập là 3 tọa độ vị trí của
bàn kẹp tay máy:
xi = [Px Py Pz]T
(4.1)
Lớp xuất: gồm 5 nơron tương ứng với 5 biến khớp θ 1, θ 2 , θ 3, θ 4, θ5.
yi = [θ 1 θ 2 θ 3 θ 4 θ 5 ]T
(4.2)
Số nơron trong lớp ẩn là 30-10-30 tương ứ ng với lớp thứ nhất, lớp thứ hai và
lớp thứ 3 được chọn theo phương pháp thử và sai.
Trọng số: Các trọng số ban đầu được khởi tạo ngẫu nhiên, sau đó được điều
chỉnh trong quá trình huấn luyện mạng, sử dụng giải thuâ ̣t Levenberg-Marquardt.
Với bộmẫu gồm 3000 mẫu được lấy theo chương trình ở phụlục 2. Trong đó
2000 mẫu đầu tiên được dùng để huấn luyê ̣n , 1000 mẫu còn la ̣i được dùng để kiểm
tra khả năng tổng quát hóa của ma ̣ng đã được huấn luyê ̣n.
64. 46
4.1.2 Huấn luyê ̣
n ma ̣ng
Quá trình huấn luyện được thực hiện như sau:
Khởi động Neural Network Toolbox bằng cách gõ lê ̣nh „nntool‟ ở dòng nhắc
lê ̣nh trong command window của phần mềm matlab. Hộp giao diê ̣n Neural Network
Toolbox xuất hiê ̣n như hình 4.1.
Hình 4.1 Giao diê ̣n của Neural Network Toolbox
Nhâ ̣p mẫu dùng để huấn luyê ̣n : Chọn import > import from MATLAB
workspace > p1_check > Input Data > Import > ok (Hình 4.2). Lă ̣p la ̣i từ bước 3
đến bước 5 cho 3 bộ dữ liê ̣u còn la ̣i trong đó với bộp 1_train chọn „Input Data‟, bộ
t1_check và t1_train chọn „Target Data‟. Sau khi thực hiê ̣n xong kết quả được như
hình 4.3.
Hình 4.2 Nhâ ̣p dữ liệu vào Neural Network Toolbox.
65. 47
Hình 4.3 Dữ liê ̣u huấn luyê ̣n đã được nhâ ̣p vào Neural Network Toolbox
Khởi ta ̣o ma ̣ng : Chọn new > Network > Đặt tên mạng „Net 1_1‟. Các thông
tin khác chọn như trong hình 4.4 > Chọn View. Kết qủa được n hư hình 4.5, sau đó
nhấn „Create‟ kết qủa được như hình 4.6
Hình 4.4 Khởi ta ̣o ma ̣ng Net1_1 và lựa chọn thông tin cho mạng nơron
66. 48
Hình 4.5 Cấu trúc của ma ̣ng Net1_1
Hình 4.6 Mạng Net1_1 đã được ta ̣o để chuẩn bi ̣huấn luyê ̣n
Hình 4.7 Chọn dữ liệu để huấn luyện mạng Net1_1
67. 49
Hình 4.8 Các thông số huấn luyện mạng Net1_1
Thông tin về kết quả huấn luyê ̣n ma ̣ng Net 1_1 sau 1000 bước lă ̣p được thể
hiê ̣n trong hình 4.9, 4.10, 4.11, 4.12
Hình 4.9 Thông tin huấn luyê ̣n ma ̣ng Net1_1 sau 1000 bước lă ̣p
68. 50
Hình 4.10 Đồ thị thể hiện tổng bình phương sai số trong quá trình huấn luyện mạng
Net1_1
Hình 4.11 Đồ thị thể hiện gradien, hê ̣số kết hợp „mu‟ và sai số trên bộdữ liê ̣u
kiểm chứ ng của mạng Net1_1
69. 51
Hình 4.12 Đồ thị thể hiện mối quan hệ giữa giá trị đích và đầu ra của mạng Net1_1
Sau khi ma ̣ng Net1_1 đã được huấn luyê ̣n xong, sử dụng bộmẫu thứ hai gồm
1000 mẫu để mô phỏng nhằm đánh giá khả năng tổng quát hóa của mạng Net 1_1
đối với những dữ liê ̣u nằm trong vùng huấn luyê ̣n mà ma ̣ng chưa được học.
Quá trình thực hiện như trong hình 4.13. Sai lê ̣ch của các biến khớp khi xác
định bằng mạng Net1_1được thể hiê ̣n trong hình 4.14, 4.15, 4.16, 4.17, 4.18.
Hình 4.13 Thiết lâ ̣p dữ liê ̣u để mô phỏng ma ̣ng Net1_1
70. 52
Hình 4.14 Đồ thị thể hiện sai lệch của θ1 khi mô phỏng ma ̣ng Net1_1
Hình 4.15 Đồ thị thể hiện sai lệch của θ2 khi mô phỏng ma ̣ng Net1_1
Hình 4.16 Đồ thị thể hiện sai lệch của θ3 khi mô phỏng ma ̣ng Net1_1
71. 53
Hình 4.17 Đồ thị thể hiện sai lệch của θ4 khi mô phỏng ma ̣ng Net1_1
Hình 4.18 Đồ thị thể hiện sai lệch của θ5 khi mô phỏng ma ̣ng Net1_1
4.1.3 Đánh giá thông tin huấn luyê ̣
n và kết qủa mô phỏng
Thông tin huấn luyê ̣n ma ̣ng Net 1_1 với bộdữ liê ̣u gồm 2000 mẫu cho thấy
tổng bình phương sai lê ̣ch trên bộdữ liê ̣u huấn luyê ̣n đa ̣t giá tri ̣ 1,79 (hình 4.9) và
trên bộdữ liê ̣u kiểm chứ ng là 11,5(hình 4.10); gradien = 444; hê ̣số kết hợp mu ()
= 0,1; Sai số trên bộdữ liê ̣u kiểm chứ ng không tăng ở bước lă ̣p 1000 (hình 4.11).
Hình 4.12 cho thấy mối quan hê ̣giữa tín hiê ̣u ra của ma ̣ng Net 1_1 so với giá tri ̣đích
trên bộdữ liê ̣u hu ấn luyện, dữ liê ̣u kiểm tra, dữ liê ̣u kiểm chứ ng và trên toàn bộdữ
liê ̣u.