Học liệu

Sử dụng công cụ Anfis trong matlab để thiết kế hệ mờ - nơron (P1)

  • 13/04/2015
  • Học liệu

1.           Mô hình học và suy diễn mờ thông qua Anfis (Model Learning and Inference Through Anfis)

Ý tưởng cơ bản của kỹ thuật học neuro-adaptive rất đơn giản. Kỹ thuật này đưa ra cơ chế cho mô hình mờ có thủ tục để học thông tin về tập dữ liệu  theo thứ tự ước tính các tham số của hàm liên thuộc mà nó cho phép kết hợp với hệ thống suy diễn mờ theo hướng dữ liệu vào/ra nhất định. Phương pháp học này làm việc tương tự như mạng nơron. Bộ công cụ logic mờ dùng để thực hiện việc điều chỉnh tham số của hàm liên thuộc được gọi là Anfis. Ta có thể mở Anfis từ dòng lệnh hoặc từ giao diện đồ hoạ (ANFIS Editor GUI). Hai cách này tương tự nhau, chúng được sử dụng hoán đổi nhau. Tuy nhiên, giữa chúng cũng có đối chút khác biệt (chúng ta sẽ bàn đển ở phần sau).

ANFIS xuất phát từ tiến Anh là Adaptive neuro-fuzzy infercnce system. Sử dụng tập dữ liệu vào/ra có sẵn, hàm anfis xây dựng nên hệ thống suy diễn mờ (FIS), các thông số hàm liên thuộc của nó được điều chỉnh nhờ sử dụng các thuật toán huấn luyện của mạng nơron như thuật toán lan truyền ngược hoặc kết hợp lan truyền với phương pháp bình phương cực tiểu. Điều đó cho phép hệ mờ của ta "học" từ tập dữ liệu chúng được mô hình.

Một kiểu mạng có cấu trúc tương tự mạng nơron, nó ánh xạ các đầu vào qua các hàm liên thuộc vào với các thông số tương ứng và sau đó là thông qua các hàm ra với các tham số tương ứng tạo nên các đầu ra có thể được sử dụng để giải thích ánh xạ vào/ra. Các thông số tương ứng với hàm liên thuộc sẽ thay đổi thông qua quá trình học. Việc tính toán các tham số này (hoặc việc điều chỉnh chúng) thực hiện dễ dàng bằng véc tơ gradient nó đưa ra giới hạn theo cách tốt cho hệ thống suy diễn mờ được mô hình hoá dữ liệu vào/ra theo tập các tham số nhất định. Ta đã biết, véc tơ gradient được áp dụng cho một vài thủ tục tối ưu cốt để điều chỉnh các tham số sao cho giảm nhỏ giá trị sai số (thường được định nghĩa bằng tổng bình phương sai lệch giữa đầu ra hiện thời và đầu ra mong muốn). Anfis sử dụng điều đó theo giải thuật lan truyền ngược hoặc kết hợp sự ước lượng bình phương cực tiểu và sự lan truyền ngược cho sự ước lượng tham số hàm liên thuộc.

2. Xác nhận dữ liệu huấn luyện (Familiarity Brecds Validation)

- Tìm hiểu dữ liệu

Phương thức tạo mẫu được sử dụng bởi Anfis giống như các kỹ thuật nhận dạng hệ thống khác. Đầu tiên ta đưa ra một cấu trúc tham số mẫu (liên kết các đầu vào tới các hàm liên thuộc với các luật tới các đầu ra tới các hàm liên thuộc...). Kế đến, là thu thập dữ liệu vào/ra vào một dạng sao cho tiện lợi cho sự huấn luyện của Anfis. Ta có thể sử dụng Anfis để huấn luyện mô hình FIS nhằm mô phỏng dữ liệu huấn luyện đưa vào để nó sửa đổi các tham số của hàm liên thuộc theo tiêu chuẩn sai số dã lựa chọn. Nói chung, kiểu mô hình này sẽ làm việc tốt nếu dữ liệu đưa vào Anfis cho sự huấn luyện tham số các hàm liên thuộc đại diện đầy đủ cho các đặc tính của tập dữ liệu mà nó được FIS huấn luyện giành cho mô hình. Điều này không phải luôn luôn xảy ra, tuy nhiên, trong một vài trường hợp trong quá trình thu thập dữ liệu, do ảnh hưởng của nhiễu đo lường mà dữ liệu huấn luyện không thể đại diện cho tất cả các thuộc tính của dữ liệu sẽ có mặt ở mô hình.

- Xác định mô hình bằng cách sử dụng các phần dữ liệu thử và kiểm tra.

Công nhận giá trị mẫu (xác định mẫu) là quá trình trong đó các vectơ vào từ dữ liệu vào/ra được đặt tại nơi mà FIS chưa được huấn luyện, mẫu được đưa tới huấn luyện FIS để mẫu FIS đón trước giá trị dữ liệu đầu ra tương ứng có tốt hay không. Nó được thực hiện bởi bộ soạn thảo ANFIS GUI. Ta có thể sử dụng một loại dữ liệu khác để công nhận giá trị mẫu trong Anfis. Hình thức công nhận dữ liệu này được hình dung như một hệ thống dữ liệu kiểm tra được sử dụng để điều chỉnh sự công nhận giá trị dữ liệu. Khi dữ liệu kiểm tra được đưa tới Anfis cũng giống như dữ liệu huấn luyện, mẫu FIS lựa chọn để các tham số liên quan có sai số mẫu dữ liệu nhỏ nhất.

Một vấn đề đặt ra là việc công nhận giá trị dữ liệu để tạo mẫu sử dụng các kỹ thuật thích nghi là lựa chọn tập dữ liệu tiêu biểu cho dữ liệu mẫu huấn luyện, nhưng khác biệt với dữ liệu huấn luyện được thiết lập không phải để phản hồi cho quá trình hợp thức hoá thiếu hiệu quả. Nếu ta thu thập một lượng lớn các dữ liệu, thì dữ liệu này chứa đựng đầy đủ các đặc tính tiêu biểu vì vậy quá trình thu thập dữ liệu để phục vụ mục đích kiểm tra hoặc thử sẽ dễ dàng hơn. Tuy nhiên nếu ta muốn thực hiện các phép đo ở mẫu, có thể dữ liệu huấn luyện không bao gồm tất cả các đặc tính tiêu biểu mà ta muốn. 

Các tin khác