Mạng nơron nhân tạo và ứng dụng

Ngày đăng: 07/08/2014, 17:08

CHƯƠNG I. Tổng quan về mạng nơron nhân tạo………………………………………………. 4 I.1. Giới thiệu chung ……………………………………………………………………………………….. 4 I.1.1. Ý tưởng sinh học ……………………………………………………………………………….. 4 I.1.2. Mô hình nơron nhân tạo ……………………………………………………………………… 6 I.2. Mạng nơron nhân tạo ………………………………………………………………………………… 6 I.2.1. Mô hình …………………………………………………………………………………………….. 6 I.2.2. Phạm vi ứng dụng ………………………………………………………………………………. 8 I.3. Đào tạo mạng nơron ………………………………………………………………………………….. 9 I.3.1. Phân loại các phương pháp đào tạo mạng nơron …………………………………….. 9 I.3.2. Chuẩn bị dữ liệu đào tạo ……………………………………………………………………. 10 I.3.3. Tiền xử lý và hậu xử lý ……………………………………………………………………… 11 I.4. Học quá mức và tổng quát hoá 4 …………………………………………………………….. 12 I.5. Tổng kết chương …………………………………………………………………………………….. 13 CHƯƠNG II. Mạng nơron lan truyền ngược sai số ………………………………………….. 15 II.1. Tổng quan về mạng nơron lan truyền ngược sai số …………………………………….. 15 II.2. Các khái niệm liên quan đến giải thuật lan truyền ngược sai số 1 ………………. 16 II.2.1. Mặt lỗi …………………………………………………………………………………………… 16 II.2.2. Phương pháp giảm gradient ……………………………………………………………… 17 II.2.3. Cực tiểu cục bộ ……………………………………………………………………………….. 18 II.2.4. Qui tắc chuỗi ………………………………………………………………………………….. 18 II.3. Đạo hàm hàm lỗi 1 ………………………………………………………………………………. 19 II.3.1. Đạo hàm hàm lỗi theo trọng số nút xuất …………………………………………….. 20 II.3.2. Đạo hàm hàm lỗi theo trọng số nút ẩn ……………………………………………….. 21 II.4. Quy tắc học của giải thuật lan truyền ngược sai số 1 ……………………………….. 23 II.4.1. Xác định hướng giảm dốc nhất. ………………………………………………………… 23 II.4.2. Xác định lượng hiệu chỉnh trọng số. ………………………………………………….. 25 II.5. Các yếu tố của quá trình học của mạng …………………………………………………….. 25 II.5.1. Khởi tạo các trọng số ………………………………………………………………………. 25 II.5.2. Hằng số học  ………………………………………………………………………………… 26 II.5.3. Các quy tắc học ………………………………………………………………………………. 27 II.5.4. Tập mẫu học và dự báo ……………………………………………………………………. 28 II.5.5. Cấu trúc mạng ………………………………………………………………………………… 29 II.5.6. Các hàm truyền ………………………………………………………………………………. 29 II.6. Tổng kết chương ……………………………………………………………………………………. 30 Đồ án tốt nghiệp Mạng nơron nhân tạo và ứng dụng MỤC LỤC Tổng quan về mạng nơron nhân tạo 2 Mạng nơron lan truyền ngược sai số 13 Giải thuật di truyền 29 Giới thiệu về JOONE 45 Phát triển JOONE 62 Kiểm nghiệm lại các quy tắc học đã cài đặt. Ứng dụng JOONE cho bài toán tính năng lượng bức xạ mặt trời 95 KẾT LUẬN 117 PHỤ LỤC A – Hướng dẫn cài đặt và sử dụng 119 PHỤ LỤC B – Bảng chữ viết tắt và thuật ngữ 120 PHỤ LỤC C – Danh sách cỏc hỡnh 121 PHỤ LỤC E – Danh sách các bảng 124 PHỤ LỤC F – Danh sách từ khoá 125 Tài liệu tham khảo 127 Trần Ngọc Tú – Lớp CNPM – K44 1 Đồ án tốt nghiệp Mạng nơron nhân tạo và ứng dụng Tổng quan về mạng nơron nhân tạo I.1. Giới thiệu chung Mạng nơron nhân tạo (Artificial Neural Networks) trong một vài năm trở lại đõy đã được nhiều người quan tâm và đã áp dụng thành công trong nhiều lĩnh vực khác nhau, như tài chính, y tế, địa chất và vật lý. Thật vậy, bất cứ ở đõu có vấn đề về dự báo, phân loại và điều khiển, mạng nơron nhân tạo đều có thể ứng dụng được. Sự thành công nhanh chóng của mạng mạng nơron nhân tạo có thể là do một số nhân tố chính sau: • Năng lực: mạng nơron nhân tạo là những kỹ thuật mô phỏng rất tinh vi, có khả năng mô phỏng các hàm cực kỳ phức tạp. Đặc biệt, mạng nơron nhân tạo hoạt động phi tuyến. Trong nhiều năm, mô hình tuyến tính là kỹ thuật được sử dụng rộng rãi trong hầu hết các lĩnh vực, vì thế mô hình tuyến tính có tính chiến lược tối ưu hóa được biết nhiều nhất. • Dễ sử dụng: mạng nơron nhân tạo có tính học theo các ví dụ. Người sử dụng mạng nơron nhân tạo thu thập các dữ liệu đặc trưng, và sau đó gọi các thuật toán huấn luyện để có thể tự học cấu trúc của dữ liệu. Mặc dù người sử dụng làm tất cả những điều cần thiết để có thể chọn và chuẩn bị dữ liệu, sử dụng loại mạng phù hợp và có thể hiểu được các kết quả, nhưng mức độ người sử dụng biết cách áp dụng thành công mạng nơron nhân tạo vẫn thấp hơn nhiều những người sử dụng các phương pháp thống kê truyền thống… Mạng nơron nhân tạo dựa trên việc mô phỏng cấp thấp hệ thống nơron sinh học. Trong tương lai với sự phát triển mô phỏng nơron sinh học, chúng ta có thể có loại máy tính thông minh thật sự. I.1.1. Ý tưởng sinh học Mạng nơron nhân tạo phát triển từ nghiên cứu về trí tuệ nhân tạo; đặc biệt cố gắng bắt chước bộ não có cấu trúc cấp thấp về khả năng học và chấp nhận sai của hệ thống nơron sinh học. Bộ não con người gồm một số rất lớn nơron (khoảng 10.000.000.000 nơron) kết nối với nhau (trung bình mỗi nơron kết nối với hàng chục ngàn nơron khác). Mỗi nơron là một tế bào đặc biệt, có thể truyền các tín hiệu điện. Nơron có cấu trúc rễ ngõ vào, thân tế bào và cấu trúc rễ ngõ ra (sợi thần kinh). Các sợi thần kinh của một tế bào kết nối với các tế bào khác thông qua các khớp thần kinh (synapse). Khi Trần Ngọc Tú – Lớp CNPM – K44 2 Đồ án tốt nghiệp Mạng nơron nhân tạo và ứng dụng một nơron kích hoạt, nó tạo ra xung điện hóa học dọc theo sợi thần kinh. Tín hiệu này đi qua các khớp thần kinh đến các nơron khác, và tiếp tục bị kích hoạt. Nơron hoạt động chỉ khi tất cả các tín hiệu nhận được ở thân tế bào thông qua rễ ngõ vào vượt quá một mức nào đó (ngưỡng hoạt động). Cấu trúc cơ bản của nơron thần kinh sinh học. Cường độ tín hiệu thu được của nơron phụ thuộc vào độ nhạy của khớp thần kinh. Chỉ có việc học làm thay đổi cường độ kết nối của khớp thần kinh. Ví dụ như theo thí nghiệm có điều kiện Pavlovian cổ điển, gừ chuụng trước khi cho chó ăn tối, con chó nhanh chóng học được rằng rung chuông gắn liền với ăn. Khớp thần kinh giữa phần vỏ não thính giác và tuyến nước bọt đã nhạy hơn, vì thế khi rung chuông vỏ não thính giác bị kích thích, con chó bắt đầu tiết nước bọt. Do đó, từ một số rất lớn các đơn vị xử lý rất đơn giản này (mỗi đơn vị thực hiện tổng trọng số cỏc ngừ vào sau đó kích hoạt một tín hiệu nhị phân nếu tổng ngõ vào vượt quá ngưỡng), bộ não điều khiển để hoạt động những công việc cực kì phức tạp. Dĩ nhiên, sự phức tạp trong hoạt động của bộ não không thể trình bày hết, nhưng dù sao mạng trí tuệ nhân tạo có thể đạt được một vài kết quả đáng chú ý với mô hình không phức tạp hơn bộ não. I.1.2. Mô hình nơron nhân tạo Nơron nhân tạo được định nghĩa như sau: Trần Ngọc Tú – Lớp CNPM – K44 3 Đồ án tốt nghiệp Mạng nơron nhân tạo và ứng dụng • Nơron nhân tạo nhận một số cỏc ngừ vào (từ dữ liệu gốc, hay từ ngõ ra các nơron khác trong mạng). Mỗi kết nối đến ngõ vào có một cường độ (hay trọng số), những trọng số này tương ứng với tác dụng khớp thần kinh trong nơron sinh học. Mỗi nơron cũng có một giá trị ngưỡng. • Tín hiệu được truyền qua hàm kích hoạt (hay còn gọi là hàm truyền) tạo giá trị ngõ ra nơron. Nếu sử dụng hàm truyền nấc (nghĩa là ngõ ra nơron là 0 nếu ngõ vào nhỏ hơn 0, và là 1 nếu ngõ vào lớn hơn hay bằng 0) thì nơron hoạt động giống như nơron sinh học. Thực tế, hàm nấc ít khi sử dụng trong mạng trí tuệ nhân tạo. Lưu ý rằng trọng số có thể âm, nghĩa là khớp thần kinh có tác dụng kiềm chế hơn là kích hoạt nơron. Mô hình một nơron nhõn tạo. I.2. Mạng nơron nhân tạo I.2.1. Mô hình Trên đõy mô tả các nơron đơn lẻ. Trong thực tế các nơron được kết nối với nhau. Khi mạng hoạt động, chúng phải cú ngừ vào (mang giá trị hoặc biến của thế giới thực) và ngõ ra (dùng để dự báo hoặc điều khiển). Ngõ vào và ngõ ra tương ứng với các nơron giác quan và vận động, như tín hiệu đưa vào từ mắt và điều khiển cánh tay. Tuy nhiên chỳng cũn cú cỏc nơron ẩn đóng vai trò ẩn trong mạng. Một mạng đơn giản có cấu trúc tiến: tín hiệu đi vào ở ngõ vào, qua các nơron ẩn và cuối cùng đến các nơron ngõ ra. Cấu trúc như thế chạy ổn định. Tuy nhiên, nếu mạng có hồi tiếp (chứa các kết nối ngược trở về các nơron trước đó) mạng có thể chạy không ổn định và dao động rất phức tạp. Mạng hồi tiếp rất được các nhà nghiên cứu quan tâm, nhưng cấu trúc tiến đã chứng minh rất hiệu quả trong việc giải quyết các vấn đề thực tế. Trần Ngọc Tú – Lớp CNPM – K44 4 Đồ án tốt nghiệp Mạng nơron nhân tạo và ứng dụng Mô hình một mạng nơron nhân tạo. Mạng nơron nhân tạo tiến cho như hình 4. Các nơron được sắp xếp theo cấu trúc liên kết lớp riêng biệt. Lớp ngõ vào không phải là nơron thực: các nơron này hoạt động đơn giản là giới thiệu các giá trị của các biến vào. Các nơron lớp ẩn và lớp ngõ ra được kết nối với tất cả các nơron lớp trước đó. Cũng như vậy chúng ta có thể định nghĩa mạng cú cỏc kết nối một phần với một vài nơron trong lớp trước đó; tuy nhiên, trong hầu hết các ứng dụng mạng có kết nối đầy đủ vẫn tốt hơn. Mạng nơron nhõn tạo tiến kết nối đầy đủ. Khi mạng hoạt động, các giá trị biến ngõ vào được đặt vào các nơron ngõ vào, và sau đó các nơron lớp ẩn và lớp ngõ ra lần lượt được kích hoạt. Mỗi nơron tính giá trị kích hoạt của chúng bằng cách lấy tổng các trọng số ngõ ra của các nơron lớp trước đó, và trừ cho ngưỡng. Giá trị kích hoạt truyền qua hàm kích hoạt tạo ra giá trị ngõ ra của nơron. Khi toàn bộ mạng đã hoạt động, cỏc ngừ ra của lớp ngõ ra hoạt động như ngõ ra của toàn mạng. I.2.2. Phạm vi ứng dụng Mạng nơron được coi như một hộp đen biến đổi đầu vào m biến thành vộctơ ra n biến. Các biến của vộctơ vào và ra có thể là các số thực, tốt nhất nằm trong Trần Ngọc Tú – Lớp CNPM – K44 5 Đồ án tốt nghiệp Mạng nơron nhân tạo và ứng dụng khoảng [0, 1] hoặc [-1, 1]; số nhị phân 0, 1 hay số nhị cực -1, +1. Số biến của vộctơ vào ra không bị hạn chế song sẽ ảnh hưởng tới thời gian tính và tài nguyên của máy tính. Với số lượng lớn các biến của cỏc vộctơ đầu vào và ra đồng nghĩa với việc tăng số lượng các số liệu quan sát. Thường số biến của vộctơ ra nhỏ hơn số biến của vộctơ vào nhưng không phải bắt buộc là như vậy. Các lĩnh vực mà mạng nơron thường được ứng dụng là : • Phân loại (Classification) • Mô hình hoá (Modeling) • Biến đổi (Transformation and mapping) a. Phân loại: Một trong các công việc đơn giản và thường được sử dụng nhiều trong việc quản lý các đối tượng đa biến là phân loại. Đó có thể là sắp xếp các đối tượng vào các tập theo từng loại hoặc theo tầng lớp hoặc theo các lớp con của các lớp lớn hơn. Thường xuyên việc phân loại theo tầng lớp bao gồm nhiều mức của cỏc phộp ra quyết định, phân lớp một đối tượng vào nhúm, nhúm con, chủng loại, chủng loại con, hoặc lớp. Ví dụ trong hoá học việc dự báo các đặc điểm cấu trúc khác nhau cùng một hợp chất chưa biết trên phổ của nó. b. Mô hình hoá: Các hệ thống phân loại đưa ra các câu trả lời rời rạc như cú, khụng hoặc một số nguyên định danh đối tượng đầu vào thuộc lớp nào. Tuy nhiên việc mô hình hoá yêu cầu hệ thống phải sản sinh ra các câu trả lời mang tính liên tục. Trong việc mô hình hoá một số lượng nhỏ các số liệu được sử dụng để xây dựng mô hình. Mô hình này có thể đưa ra các dự báo cho tất cả các đối tượng đầu vào có thể. Việc tìm ra đường cong phù hợp với các số liệu thực nghiệm (curve-fitting) là một trong những ứng dụng thuộc dạng này. Trong phần lớn các ứng dụng chúng chỉ là thủ tục một biến vào – một biến ra như sau: Y = f(x, a, b, …, p) Ở đây hàm f chứa một tập các tham số a, b, …., p. Các tham số này phải được xác định bằng việc tối thiểu hoá độ chênh lệch giữa số liệu thực nghiệm và giá trị tính toán từ mô hình: Σ (y thực nghiệm – y mô hình ) 2 → min Mô hình hoá cũng có thể là vấn đề nhiều biến vào – một biến đầu ra hoặc nhiều biến đầu vào – nhiều biến đầu ra. Trong bất kỳ loại mô hình nào thì cũng phải tuân theo một giả định là: các thay đổi nhỏ của tín hiệu đầu vào sẽ chỉ gây ra những biến đổi nhỏ của tín hiệu ra. Trong các vấn đề đa biến mạng nơron có nhiều lợi thế hơn so với các phương pháp mô hình hoá cổ điển sử dụng các hàm giải tích, các phương pháp mô hình hoá cổ điển đối với mỗi biến đầu ra chúng ta phải khẳng định trước một hàm giải tích Trần Ngọc Tú – Lớp CNPM – K44 6 Đồ án tốt nghiệp Mạng nơron nhân tạo và ứng dụng cùng một bộ các tham số trong khi đó đối với mạng nơron chúng ta không cần bất kỳ sự hiểu biết trước về các tham số đó. c. Biến đổi: Việc biến đổi nhằm mục đích nộn cỏc đối tượng từ không gian m chiều vào không gian có số chiều nhỏ hơn rất nhiều (2 hoặc 3). Qua việc nộn cỏc đối tượng này sẽ bộc lộ các đặc điểm mà chúng ta không thể nhận thấy khi các đối tượng ở trong không gian nhiều chiều. Những câu hỏi mà việc biến đổi có thể trả lời là: Bản đồ của toàn bộ các đối tượng như thế nào: Có bao nhiờu vựng trong bản đồ có thể phân biệt được? Hình dáng của cỏc vựng đú như thế nào ? Các đặc điểm của các đối tượng thể hiện qua cỏc vựng bản đồ như thế nào ? I.3. Đào tạo mạng nơron I.3.1. Phõn loại các phương pháp đào tạo mạng nơron Có nhiều phương pháp để đào tạo một mạng nơron, chỳng được phõn loại theo các chỉ tiêu khác nhau: 1) Phõn loại theo cách học có giám sát hay không: a. Học có giám sát b. Học không có giám sát c. Học có giám sát và kiểm tra chéo. 2) Phõn loại theo số lượng mẫu học một lần: a. Học cả tập mẫu một lần. b. Học từng mẫu một, cần phải quan tõm thứ tự mẫu học. c. Học từng phần của tập mẫu. Tuỳ theo dạng bài toán mà ta quyết định chọn phương pháp học nào. Với bài toán học có giám sát tức là có “thầy giáo” hướng dẫn và điều chỉnh lại trọng số của mạng để đạt được lời giải. Như vậy cần phải chuẩn bị một tập mẫu học cho quá trình học này. Các phần tiếp theo sẽ nêu một số điểm chính về việc chuẩn bị số liệu học. Vấn đề sắp xếp, bố trí thứ tự các số liệu học như thế nào cũng khá quan trọng, vì nếu ta sử dụng học từng mẫu một, mạng thường sẽ rơi vào tình trạng “học mẫu sau quên mẫu trước” và thường thì mẫu cuối cùng sẽ cho sai số nhỏ nhất. Vì vậy phương pháp này ít được sử dụng so với phương pháp học từng phần của tập mẫu hoặc học toàn bộ tập mẫu một lần. I.3.2. Chuẩn bị dữ liệu đào tạo Một khi ta quyết định giải quyết một vấn đề sử dụng mạng nơron nhân tạo ta cần phải thu thập dữ liệu cho mục tiêu huấn luyện. Tập hợp dữ liệu huấn luyện bao gồm một số các trường hợp, mỗi trường hợp chứa những giá trị của đầu vào và đầu Trần Ngọc Tú – Lớp CNPM – K44 7 Đồ án tốt nghiệp Mạng nơron nhân tạo và ứng dụng ra khác nhau. Những việc đầu tiên cần làm là: những biến nào sử dụng, bao nhiêu trường hợp cần thu thập. Sự lựa chọn các biến do trực giác quyết định. Công việc chuyên môn của ta trong lĩnh vực cần giải quyết sẽ cho ta những ý tưởng về các biến ngõ vào phù hợp. Trong mạng nơron nhân tạo, ta có thể chọn và loại bỏ nhiều biến và mạng nơron nhân tạo cũng có thể xác định bằng thực nghiệm những biến hữu ích. Trong bước một ta nờn tớnh đến bất kì biến nào mà ta nghĩ có ảnh hưởng đến quá trình thiết kế. Mạng nơron nhân tạo xử lý dữ liệu số trong một tầm giới hạn rõ ràng. Điều này đưa ra một vấn đề nếu dữ liệu nằm trong một vùng đặc biệt như dữ liệu chưa biết hay không phải dữ liệu số. Dữ liệu số được chia nhỏ thành những khoảng thích hợp cho mạng và những giá trị thiếu có thể được thay thế bằng giá trị trung bình hay giá trị thống kê của biến đó thông qua những biến khác đã được huấn luyện. Xử lý dữ liệu không phải là số thỡ khú hơn. Loại dữ liệu không phải là số thông thường nhất là những biến có giá trị danh định như giới tính (nam, nữ). Biến có giá trị danh định có thể biểu diễn bằng số học và mạng nơron nhân tạo có chức năng hỗ trợ điều này. Tuy nhiên mạng nơron nhân tạo làm việc tốt với những trường hợp biến danh định là một tập nhiều giá trị. Số phần tử của mẫu dùng để huấn luyện mạng rất khú xỏc định. Đã có một vài hướng dẫn về mối liên hệ giữa số trường hợp mẫu với kích thước mạng (cách đơn giản nhất là số trường hợp mẫu gấp 10 lần số kết nối trong mạng). Thực ra số trường hợp mẫu cũng liên quan đến độ phức tạp của hàm mà mạng phải học. Khi số biến tăng lên, số trường hợp mẫu cần để huấn luyện cũng tăng phi tuyến, vì thế với một số nhỏ các biến (50 hoặc nhỏ hơn) thì lại cần một số lớn các trường hợp mẫu. Trong hầu hết các vấn đề trong thực tế, số trường hợp mẫu là khoảng hàng trăm hay hàng ngàn mẫu. Đối với những vấn đề rất phức tạp thì cần nhiều hơn, nhưng trường hợp này rất ít. Nhiều vấn đề trong thực tế có dữ liệu không đáng tin cậy, một vài dữ liệu bị phá hỏng do nhiễu, hoặc các giá trị không phối hợp được với nhau. Mạng nơron nhân tạo có khả năng đặc biệt xử lý dữ liệu bị mất (sử dụng giá trị trung bình hay những giá trị thống kê khác). Vì thế nếu dữ liệu đưa vào ít, ta nên đưa vào những trường hợp giá trị bị mất (rõ ràng nếu không có thì không lý tưởng). Mạng nơron nhân tạo cũng chịu được nhiễu, nhưng cũng phải có giới hạn. Nếu thỉnh thoảng có giá trị nằm xa ra khỏi vùng giá trị bình thường thì mạng huấn luyện phải có ngưỡng. Cách tốt nhất đối với trường hợp này là nhận ra và loại bỏ những giá trị nằm xa đó (có thể hủy trường hợp này hoặc xem giá trị nằm xa này là giá trị bị mất). Nếu giá trị xa này khó nhận ra, mạng nơron nhân tạo có chức năng huấn luyện chịu được giá trị nằm khỏi vùng này nhưng cách huấn luyện này thường kém hiệu quả hơn là huấn luyện chuẩn. Tóm lại, cách thu thập dữ liệu có thể nói gọn lại như sau: • Chọn những giá trị huấn luyện có tác dụng. Trần Ngọc Tú – Lớp CNPM – K44 8 Đồ án tốt nghiệp Mạng nơron nhân tạo và ứng dụng • Dữ liệu số và danh định có thể xử lý trực tiếp bằng mạng nơron nhân tạo. Chuyển những loại biến khác sang một trong các dạng này. Cần hàng trăm hoặc hàng ngàn trường hợp mẫu huấn luyện; càng nhiều biến thì càng nhiều mẫu huấn luyện. mạng nơron nhân tạo có khả năng nhận ra những biến hữu dụng để huấn luyện. I.3.3. Tiền xử lý và hậu xử lý Tất cả các mạng nơron nhân tạo lấy giá trị vào và ra là số. Hàm truyền thường được chọn sao cho có thể chấp nhận bất cứ vùng giá trị vào nào, và giá trị ngõ ra hữu hạn (có tác dụng nén). Mặc dù ngõ vào có bất kì giá trị nào, nên hàm truyền có giá trị bão hòa và chỉ nhạy trong một vùng hữu hạn nào đó. biểu diễn đồ thị một hàm truyền cơ bản nhất, hàm xích ma (sigmoid) có biểu thức toán học như sau: x e y − + = 1 1 Giá trị đầu ra của hàm biến đổi trong khoảng (0; 1), và giá trị vào chỉ nhạy trong khoảng (-1,1). Hàm này liên tục và dễ lấy vi phân, do đó các hàm huấn luyện dễ phân tích để huấn luyện mạng. Cũng vì lý do đạo hàm mà hàm nấc không được dùng nhiều trong thực tế. Do tính chất của hàm truyền như vậy cần chúng ta có một bước tiền xử lý và hậu xử lý dữ liệu đào tạo về khoảng thích hợp với hàm truyền của loại nơron sử dụng trong mạng. Hàm xích ma (sigmoid). Do vùng đáp ứng hữu hạn và thông tin vào dưới dạng số, nên trong ứng dụng thực tế, mạng nơron thường cú cỏc bước tiền xử lý và hậu xử lý. Hai vấn đề cần hiểu rõ là : Phân đoạn : Giá trị số phải được chia thành một tầm thích hợp trong mạng. Thông thường giá trị biến ban đầu được phân đoạn thô tuyến tính. Trần Ngọc Tú – Lớp CNPM – K44 9 -4 -3 -2 -1 0 1 2 3 4 0 0.2 0.4 0.6 0.8 1.0 Đồ án tốt nghiệp Mạng nơron nhân tạo và ứng dụng Trong một vài trường hợp, phân đoạn phi tuyến có thể thích hợp (ví dụ nếu biết một biến được phân bố theo hàm mũ, ta phải dùng logarit). Biến danh định : có thể có hai hay nhiều trạng thái. Biến danh định hai trạng thái dễ dàng biểu diễn dưới dạng giá trị số (ví dụ nam = 0; nữ =1). Biến danh định nhiều trạng thái khó xử lý hơn. Nó có thể biểu diễn dưới dạng số. Mạng nơron nhõn tạo có khả năng biến đổi cả những biến danh định hai trạng thái và nhiều trạng thái để sử dụng trong mạng. Nhưng biến danh định trong một tập rất nhiều trạng thái sẽ cần một số lớn tập mã nhị phõn n bít, dẫn đến kích thước mạng rất lớn và khó huấn luyện. Trong trường hợp như vậy chúng ta có thể mô phỏng biến danh định sử dụng chỉ số số đơn (mặc dù chưa đúng), ngoài ra chúng ta phải tìm kỹ thuật khác tốt hơn để biểu diễn thông tin. I.4. Học quá mức và tổng quát hoá [4] Một vấn đề mà các kỹ thuật trên không thực sự cực tiểu sai số là khi chúng ta đưa một trường hợp mới vào mạng. Nói cách khác, thuộc tính mong muốn nhất của mạng là khả năng tổng quát hóa các trường hợp mới. Thực ra, mạng được huấn luyện cực tiểu hóa sai số dựa trên tập huấn luyện, tập này không hoàn hảo và hữu hạn, rõ ràng sẽ không đúng khi cực tiểu sai số trên mặt phẳng sai số thực – mặt phẳng sai số của mô hình cơ sở và chưa biết. Sự phân biệt ở đõy chính là học quá mức hay khít quá mức. Cách dễ nhất để minh họa khái niệm này là việc dò theo đồ thị đường cong đa thức hơn là minh họa bằng mạng nơron nhân tạo nhưng ý nghĩa thì giống nhau. Đa thức là phương trỡnh cú cỏc hệ số và lũy thừa hằng số. Ví dụ: y = 2x + 3 y= 3x 2 + 4x + 1 Các đa thức khác nhau có đồ thị khác nhau, với bậc lớn hơn (và do đó có nhiều số hạng hơn) sẽ có đồ thị phức tạp hơn. Với một tập dữ liệu cho trước, chúng ta muốn tìm ra đa thức biểu diễn dữ liệu này. Dữ liệu có thể có nhiễu, vì thế chúng ta không cần thiết tìm ra phương trình đúng nhất cho tất cả các điểm. Đa thức bậc thấp hơn sẽ không thể đủ chính xác với tất cả các điểm, trong khi đó đa thức bậc cao hơn chính xác tất cả các dữ liệu sẽ rất phức tạp, đa thức này sẽ có đồ thị không đúng với hàm cơ sở. Mạng nơron nhân tạo cũng có vấn đề như vậy. Mạng có càng nhiều trọng số thì hàm càng phức tạp và do đó sẽ rơi vào tình trạng khít quá mức. Mạng cú ớt trọng số hơn sẽ không đủ khả năng để mô phỏng hàm cơ sở. Ví dụ như mạng không có các lớp ẩn chỉ mô phỏng hàm truyền tuyến tính đơn giản. Vậy chúng ta sẽ chọn lựa độ phức tạp của mạng đúng như thế nào? Mạng lớn hơn sẽ hầu như luôn luôn có được sai số nhỏ hơn, nhưng điều này có thể là khít quá mức hơn là một mô hình tốt. Trần Ngọc Tú – Lớp CNPM – K44 10 […]… sát), và sau quá trình học phải tạo ra mạng nơron có tính tổng quát cao để có thể đem ứng dụng thực tế được tốt Sau đõy là một số quy tắc được rút ra khi thiết kế mạng nơron và đào tạo nó: • Chọn một số cấu trúc mạng ban đầu (thường một lớp ẩn có số nơron ẩn bằng nửa tổng số nơron ngõ vào và ngõ ra) Trần Ngọc Tú – Lớp CNPM – K44 11 Đồ án tốt nghiệp Mạng nơron nhân tạo và ứng dụng • Thực hiện lặp đi lặp… cho các mạng nơron nhiều lớp, nó cũng có Trần Ngọc Tú – Lớp CNPM – K44 20 Đồ án tốt nghiệp Mạng nơron nhân tạo và ứng dụng thể được áp dụng cho các mạng nơron có một lớp Các lớp của mạng nơron lan truyền ngược sai số có thể được nối đầy đủ với nhau I.9 Quy tắc học của giải thuật lan truyền ngược sai số [1] Đào tạo mạng nơron lan truyền ngược sai số là quy trình cập nhật các trọng số của mạng nơron sao… minh và huấn luyện là thật I.5 Tổng kết chương Trong chương này đã giới thiệu tóm tắt về cấu trúc của mạng nơron và ứng dụng của nó So với các phương pháp truyền thống thì mạng nơron có một khả năng vượt trội, tuy nhiên để ứng dụng nó thành công cũng cần nghiên cứu nhiều khớa cạnh về đào tạo mạng nơron, như lựa chọn cấu trúc mạng nơron, thiết kế tập mẫu học (nếu sử dụng phương pháp học có giám sát), và. .. đến vài lớp Đối với một bài toán cụ thể số lượng nơron trên lớp vào và lớp ra là cố định vì số nơron trên lớp vào bằng số biến của vộctơ vào và số nơron trên lớp ra bằng số biến của vộctơ lời giải Như đã đề cập đại đa số các mạng nơron lan truyền ngược sai số đã được công bố chỉ gồm một lớp ẩn Song kích thước của lớp ẩn này (số nơron trên lớp ẩn) là một câu hỏi được đặt ra các ứng dụng sử dụng mạng nơron. .. (và có thể bỏ lớp ẩn) Trần Ngọc Tú – Lớp CNPM – K44 12 Mạng nơron nhân tạo và ứng dụng Đồ án tốt nghiệp Mạng nơron lan truyền ngược sai số I.6 Tổng quan về mạng nơron lan truyền ngược sai số Lan truyền ngược sai số là tên của phương pháp học – chiến lược hiệu chỉnh của các trọng số Phương pháp học này đầu tiên được tác giả Werbos giới thiệu, sau đó được Rumelhart sử dụng và phổ cập trong lĩnh vực mạng. .. Để có thể hình dung, ta xét bài toán với mô hình tuyến tính tạo ra bởi mạng nơron một lớp: y = a 0 + a 1x Trong mô hình này hai tham số tương ứng với hai trọng số a0 và a1 minh hoạ một không gian ba chiều với hai tham số a0 và a1 tạo thành mặt đáy và sai số RMSE chính là trục thứ ba Trần Ngọc Tú – Lớp CNPM – K44 14 Mạng nơron nhân tạo và ứng dụng Đồ án tốt nghiệp Mặt lỗi trong không gian trọng số [11]… trong não Tuy nhiên giải thuật học lan truyền ngược sai số gần với mạng nơron nhân tạo được mô tả trong chương một nhất Thực chất đó là thủ tục dịch chuyển ngược hướng các gradient để hiệu chỉnh các trọng số của các lớp nơron Trần Ngọc Tú – Lớp CNPM – K44 13 Mạng nơron nhân tạo và ứng dụng Đồ án tốt nghiệp Luồng dữ liệu truyền trong mạng lan truyền ngược sai số I.7 Các khái niệm liên quan đến giải thuật…Đồ án tốt nghiệp Mạng nơron nhân tạo và ứng dụng Cõu trả lời là sử dụng chức năng kiểm tra chéo, một số mẫu trong tập huấn luyện được sử dụng để kiểm tra, sau khi những mẫu cũn lại đã được học Để thay thế, những mẫu này được sử dụng để kiểm tra độc lập trong quá trình của thuật toán Như vậy hiệu suất ban đầu của mạng luôn luôn bằng nhau ở những tập huấn luyện và xác minh lại Trong quá trình… được Rumelhart sử dụng và phổ cập trong lĩnh vực mạng nơron Trong lĩnh vực mạng nơron nhiều lớp phương pháp học này được sử dụng thường xuyên nhất Trong thực tế nó thông dụng tới mức rất nhiều tác giả cho rằng mạng nơron chính là mạng nhiều lớp lan truyền ngược sai số Dữ liệu học Lớp nơron vào Hiệu chỉnh trọng số Lớp nơron ẩn Hiệu chỉnh trọng số Lớp nơron ra Hiệu chỉnh trọng số Dữ liệu ra Lời giải Đối… tìm kiếm như tính liên tục, sự tồn tại của các đạo hàm và các vấn đề khác Để thấy rõ tính mạnh và hiệu quả của giải thuật di truyền chúng ta sẽ xem xét các giải thuật tìm kiếm truyền thống đã và đang được sử dụng trong nhiều ứng dụng Trần Ngọc Tú – Lớp CNPM – K44 29 Đồ án tốt nghiệp Mạng nơron nhân tạo và ứng dụng I.12.2 So sánh giải thuật di truyền với các giải thuật tỡm kiếm khác Các phương pháp tìm. nghiệp Mạng nơron nhân tạo và ứng dụng Mô hình một mạng nơron nhân tạo. Mạng nơron nhân tạo tiến cho như hình 4. Các nơron được sắp xếp theo cấu trúc liên kết lớp riêng biệt. Lớp ngõ vào không. K44 1 Đồ án tốt nghiệp Mạng nơron nhân tạo và ứng dụng Tổng quan về mạng nơron nhân tạo I.1. Giới thiệu chung Mạng nơron nhân tạo (Artificial Neural Networks) trong một vài năm trở lại đõy đã. 3 Đồ án tốt nghiệp Mạng nơron nhân tạo và ứng dụng • Nơron nhân tạo nhận một số cỏc ngừ vào (từ dữ liệu gốc, hay từ ngõ ra các nơron khác trong mạng). Mỗi kết nối đến ngõ vào có một cường độ

Source: https://mindovermetal.org
Category: Ứng dụng hay