31

TẠP CHÍ KHOA HỌC CÔNG NGHỆ GIAO THÔNG VẬN TẢI, SỐ 20 - 08/2016

NHẬN DẠNG HỆ THỐNG PHI TUYẾN MIMO

SỬ DỤNG MẠNG NƠ-RON RBF
IDENTIFICATION OF MIMO NONLINEAR SYSTEM
USING RADIAL BASIS FUNCTION NEURAL NETWORKS
Phạm Thanh Tùng1, Đồng Văn Hướng2, Nguyễn Chí Ngôn3
1
Trường Đại học SPKT Vĩnh Long
2
Trường Đại học GTVT TpHCM
3
Trường Đại học Cần Thơ
Tóm tắt: Bài báo này trình bày phương pháp nhận dạng hệ thống phi tuyến MIMO (Multiple-
Input-Multiple-Output) sử dụng mạng nơ - ron RBF (Radial Basis Function Neural Networks). Phương
pháp này được ứng dụng để nhận dạng đối tượng robot di động đa hướng (Omni-Directional Mobile
Robot). Đây là một loại robot holonomic có thể di chuyển dễ dàng trong những không gian nhỏ, hẹp do
khả năng di chuyển một cách linh hoạt, vừa quay vừa tịnh tiến đồng thời và độc lập. Mô hình robot di
động đa hướng là một hệ MIMO phi tuyến. Việc nhận dạng tham số mô hình của đối tượng này đòi hỏi
phải thiết lập nhiều phép đo phức tạp. Trong nghiên cứu này, mạng nơ - ron RBF được xây dựng và
huấn luyện trực tuyến dựa trên dữ liệu vào ra của đối tượng. Kết quả mô phỏng trên phần mềm MATLAB
cho thấy phương pháp nhận dạng đã đề xuất mang lại hiệu quả cao và ổn định kể cả đối với trường hợp
có nhiễu tác động vào hệ thống.
Từ khóa: Hệ thống phi tuyến, mạng nơ - ron, MIMO, nhận dạng hệ thống, RBF.
Abstract: This paper presents a method for identification of MIMO nonlinear systems using
Radial Basis Function neural networks. This method is applied to identify the Omni-Directional Mobile
Robot model. This is a holonomic robot that can operate easily in small and narrow spaces, due to the
ability of flexible rotational and translational moving, simultaneously and independently. The Omni-
directional mobile robot is a MIMO nonlinear system. Identifying the parametric model of that robot
requires several measurement tools. In this study, the RBF neural networks are developed and trained
by an online training algorithm based on input-output data of the object. The simulation results in
MATLAB indicates that the proposed identifying method is efficient and stable even under effecting of
noises.
Keywords: Multiple – Input – Multiple – Output, neural network, nonlinear system, RBF, system
identification.
1. Giới thiệu lớn và đa biến (MIMO) ta cần phải sử dụng
Mạng nơ - ron nhân tạo (Aritificial Neural các phương pháp nhận dạng hiện đại mới đảm
Networks) được giới thiệu năm 1990 cho kỹ bảo độ chính xác mong muốn.
thuật điều khiển thích nghi các hệ thống động Các nghiên cứu trước đây chủ yếu tập
học phi tuyến. Từ đó, mạng nơ - ron nhân tạo trung nhận dạng mô hình hệ phi tuyến SISO
nhiều lớp nói chung và mạng nơ - ron RBF nói [3, 4], trong khi nghiên cứu này tiếp cận đến
riêng, được sử dụng nhiều trong điều khiển và đối tượng MIMO. Giải pháp đề xuất được
nhận dạng hệ thống [1]. kiểm nghiệm thông qua việc nhận dạng đối
Nhận dạng hệ thống là bước đầu tiên và tượng robot di động đa hướng. Đây là một loại
quan trọng nhất của nhiều lĩnh vực khoa học, robot có thể di chuyển dễ dàng trong những
đặc biệt trong lĩnh vực điều khiển và tự động không gian nhỏ, hẹp do khả năng di chuyển
hóa. Trong [2] đã đề cập nhiều phương pháp một cách linh hoạt, vừa quay vừa tịnh tiến
nhận dạng khác nhau đối với nhận dạng off- đồng thời và độc lập. Mô hình robot di động
line và online, các phương pháp này đều có đa hướng là một hệ MIMO phi tuyến. Kết quả
chung nhược điểm là độ chính xác không cao, nhận dạng được kiểm tra thông qua mô phỏng
chỉ phù hợp cho các đối tượng có tính phi trên phần mềm MATLAB trong phần 3.2.
tuyến yếu. Khi đối tượng có tính phi tuyến 2. Nhận dạng hệ thống phi tuyến mimo
mạnh, làm việc trong phạm vi rộng, chịu nhiễu sử dụng mạng nơ - ron RBF
 32
Journal of Transportation Science and Technology, Vol 20, Aug 2016

2.1. Hệ thống phi tuyến MIMO h j làhàm Gauss của nơ-ron thứ j có phương
Cho hệ thống phi tuyến MIMO được biểu trình mô tả như sau:
diễn bởi phương trình trạng thái (1) [5]: 2
x - cj
 x(t) = f(x(t),u(t)) h j = exp(- ) , với j = 1, 2 …, m (2)
 (1) 2b 2j
 y(t) = g(x(t),u(t))
Trong đó: Trong đó, m là số nút ẩn,
u(t): Tín hiệu vào; c j =  c j1 c j2 ... c jn  là véc - tơ tâm của nơ -
y(t): Tín hiệu ra; ron thứ j; véc - tơ độ rộng của hàm Gauss là
b =  b1 b 2 ... b m 
x(t): Vector biến trạng thái (n x 1); T
, với b j > 0 mô tả giá trị độ
f(.), g(.): Các hàm phi tuyến. rộng của hàm Gauss của nơ-ron thứ j.
Bằng cách cung cấp cho hệ thống một tín Với giá trị trọng số là
hiệu điều khiển u(t), ta sẽ đo được tín hiệu ở T
ngõ ra y(t). Để nhận dạng mô hình hệ phi w =  w1 w 2 ... w m  thì ngõ ra của mạng nơ
tuyến MIMO, ta thực hiện các bước sau [2]: - ron RBF được xác định là:
- Thu thập dữ liệu vào ra. y(t) = w1h1 +w 2 h 2 +...+w m h m (3)
- Tiền xử lý dữ liệu.
- Chọn cấu trúc mô hình. Để huấn luyện mạng nơ-ron RBF, hàm
- Ước lượng thông số. mục tiêu được định nghĩa như (4):
- Đánh giá chất lượng mô hình. 1
E(t) = (y(t) - y(t))2 (4)
Phần tiếp theo, bài báo sẽ trình bày 2
phương pháp ứng dụng mạng nơ-ron RBF Giải thuật cập nhật các thông số của mạng
nhận dạng hệ phi tuyến MIMO. nơ-ron RBF theo phương pháp Gradient
2.2. Mạng nơ-ron RBF cho nhận dạng Descent như sau [1]:
Mạng nơ-ron RBF được sử dụng có cấu E
trúc gồm lớp vào, lớp ẩn và lớp ra. Các nơ-ron Δw j (t)= - η = η(y(t) - y(t))h j (5)
w j
ở lớp ẩn được kích hoạt bằng hàm cơ sở xuyên
tâm RBF [1]. Lớp ẩn bao gồm một mảng các w j (t) = w j (t - 1)+Δw j (t)+α 
 w j (t -1) - w j (t - 2)  (6)
đơn vị tính toán được gọi là nút ẩn. Mỗi nút ẩn
2
chứa một vector tâm c có cùng kích thước với E
 
x - cj
Δb j (t)= - η =η y(t) - y(t) w j h j (7)
vector ngõ vào x; khoảng cách Euclidean giữa b j b3j
tâm c và vector ngõ vào x được định nghĩa bởi:
b j (t) = b j (t -1)+Δb j (t)+α 
 b j (t -1) - b j (t - 2)  (8)
x(t) - c (t) .
j
E
 
x j - c ji
Δc ji (t) = - η =η y(t) - y(t) w j (9)
Mô hình nhận dạng đối tượng dùng mạng c ji b2j
nơ-ron RBF được trình bày như hình 1:
c ji (t) = c ji (t -1)+Δc ji (t)+α 
 c ji (t -1) - c ji (t - 2)  (10)
Trong đó, η  (0,1) là tốc độ học và
α  (0,1) là hệ số mô - men.
3. Nhận dạng robot di động đa hướng
3.1. Mô hình đối tượng
Mô hình robot sẽ được trình bày dựa trên
một số giả định đơn giản [6]. Giả sử các bánh
Hình 1. Cấu trúc mạng RBF cho nhận dạng.
xe không trượt theo hướng chuyển động. Lực
Trong mạng nơ - ron RBF, ma sát lên bánh xe không cùng hướng với lực
x =  x1 x2 .... x n  là véc - tơ ngõ vào và
T tác dụng được bỏ qua. Lực ma sát trên trục
động cơ và hộp số đơn giản là hệ số ma sát
 33
TẠP CHÍ KHOA HỌC CÔNG NGHỆ GIAO THÔNG VẬN TẢI, SỐ 20 - 08/2016

nhớt. Hằng số thời gian động cơ điện cũng 1   0 cos( π ) -cos( π ) 

được bỏ qua. m 0 0   6 
Cấu tạo thân robot được trình bày như  1  
6
π π 
H=0 0  ; B = -1 sin( ) sin( ) 
hình 2 và 3:   L L 
m 6 6
0 0 1  
L

 I z   
Trong đó:
r: Vận tốc góc (rad/s);
u, v: Vận tốc dài (m/s);
E1, E2, E3: Các điện áp lên các động cơ
(V);
Hình 2. Hệ tọa độ thân xe {B} và hệ tọa độ {W}.
x, y: Vị trí của robot (m);
Ψ: Góc xác định hướng của robot (rad);
m: Khối lượng robot (kg);
Iz: Mô - men quán tính (kgm2);
R: Bán kính thân robot (m);
n: Tỷ số truyền của hộp số;
J0: Quán tính kết hợp của động cơ, giảm
Hình 3. Lực tác dụng lên robot. tốc và bánh xe lên trục động cơ (kg.m2);
Mỗi bánh xe được đặt sao cho trục hướng k3: Hệ số suất điện động;
vào tâm robot và các trục bánh xe hợp với
k2: Hệ số mô-men động cơ;
nhau một góc 1200. Việc mô tả hoạt động của
robot sử dụng hai hệ trục tọa độ: hệ tọa độ thân Ra: Điện trở phần ứng (Ω);
xe {B} và hệ tọa độ không gian robot hoạt b0: Hệ số ma sát nhớt của động cơ, giảm
động {W} như hình 2. Hệ tọa độ {B} được tốc và bánh xe (N.m.s);
gắn cố định trên thân robot di chuyển, với gốc L: Điện cảm phần ứng (H).
tọa độ đặt tại tâm hình học của robot. Hệ tọa Phươngg trình (11) và (12) cho thấy robot
độ {W} được gắn cố định trong không gian chuyển động như một hệ phi tuyến MIMO có
hoạt động của robot. liên hệ động lực học với nhau. Phần tử
Từ hình 2 và hình 3, ta có được phương
 rv - ru 0 trong (12) là do chuyển động
T
trình động học robot được cho bởi ma trận
chuyển hệ tọa độ từ hệ tọa độ thân về hệ tọa quay của robot.
độ {W} và {B}: 3.2. Kết quả mô phỏng
 x  cos  (t ) - sin  (t ) 0  u  Robot di động đa hướng được nhận dạng
 y    sin  (t ) cos  (t ) 0   v  (11) và mô phỏng với các thông số từ sản phẩm
   0 0 1  r  thực tế, gồm: R=0,0508; m=15; J0=5.10-3;
n=50; b0=5,983.10-6; k2=0,06; k3=0,06;
u  -1  rv  -1 T k 2 k 3 n 2 u  k2n  E1  Ra=0,9; L=0,23. Kết quả nhận dạng và sai số
v = G - ru  - G HBB ( +b 0 ) 2 v E 2 
-1
+G HB (12)
 r   0  R r RR a  E  nhận dạng các tín hiệu ngõ ra x, y và  được
Ra
  3
thể hiện ở các hình từ hình 4 đến hình 9 với
Trong đó: các tín hiệu vào khác nhau. Từ hình 10 đến
T
2
n J0 hình 12 là kết quả khi nhiễu va chạm tác động
G = (1+HBB 2
) vào ngõ ra của hệ thống.
R
 Khi tín hiệu vào là hằng số
Hình 4 – 6 là kết quả nhận dạng và sai số
nhận dạng của các ngõ ra x, y và  với các tín
 34
Journal of Transportation Science and Technology, Vol 20, Aug 2016

hiệu vào là hằng số. Đáp ứng của hệ thống mong muốn và sai số nhận dạng tiến về 0
bám theo tín hiệu cần nhận dạng sau thời gian khoảng 1 giây.
khoảng 1 giây, sai số nhận dạng tiến về 0. Các 2
ideal signal

giá trị ban đầu của α , Δb, Δw, Δc được chọn

xout and xmout

1 signal identification

theo phương pháp thử sai thực nghiệm, được 0

khởi tạo ngẫu nhiên với giá trị nhỏ và tăng dần -1

để lựa chọn bộ giá trị tốt nhất. -2

0 1 2 3 4 5 6 7 8 9 10
time(s)
1.5
ideal signal 0.6
xout and xmout

1 signal identification
0.4
0.5

error
0.2
0
0
-0.5
0 1 2 3 4 5 6 7 8 9 10 -0.2
time(s) 0 1 2 3 4 5 6 7 8 9 10
time(s)
1.5

1 Hình 7. Kết quả nhận dạng và sai số của ngõ ra x

2
error

0.5

yout and ymout

0 1

-0.5
0 1 2 3 4 5 6 7 8 9 10 0
time(s) ideal signal
signal identification
Hình 4. Kết quả nhận dạng và sai số của ngõ ra x. -1
0 1 2 3 4 5 6 7 8 9 10
2 time(s)

0.5
yout and ymout

1
0
error

0
ideal signal
-0.5
signal identification
-1
0 1 2 3 4 5 6 7 8 9 10
time(s) -1
0 1 2 3 4 5 6 7 8 9 10
1.5 time(s)

1 Hình 8. Kết quả nhận dạng và sai số của ngõ ra y

error

0.5 4
siout and simout

0 3

-0.5 2
0 1 2 3 4 5 6 7 8 9 10
time(s)
1 ideal signal
Hình 5. Kết quả nhận dạng và sai số của ngõ ra y. 0
signal identification
0 1 2 3 4 5 6 7 8 9 10
time(s)
15
1
siout and simout

10
0.5
5
error

0
0
ideal signal
signal identification -0.5
-5
0 1 2 3 4 5 6 7 8 9 10
time(s) -1
0 1 2 3 4 5 6 7 8 9 10
4 time(s)

2
Hình 9. Kết quả nhận dạng và sai số của ngõ ra 
error

0
-2
0 1
Hình 6. Kết quả nhận dạng và sai số của ngõ ra 
 Khi tín hiệu vào là hàm Step
Kết quả nhận dạng và sai số nhận dạng
của các ngõ ra x, y và  với các tín hiệu vào
là hàm Step được trình bày ở Hình 7 – 9. Đáp
ứng của hệ thống nhanh chóng đạt giá trị
 Khi nhiễu va chạm tác động vào ngõ
2 3 4 5 6 7 8 9 10 ra hệ thống
time(s)
Hình 10 – 12 trình bày kết quả nhận dạng
khi nhiễu va chạm tác động vào ngõ ra của hệ
thống. Các ngõ ra x, y, ψ và sai số nhận dạng
của chúng vẫn ổn định. Điều này chứng tỏ mô
hình nhận dạng đã đề xuất đáp ứng tốt kể cả
khi có nhiễu tác động vào ngõ ra của hệ thống.
 35
TẠP CHÍ KHOA HỌC CÔNG NGHỆ GIAO THÔNG VẬN TẢI, SỐ 20 - 08/2016

2
ideal signal
4. Kết luận
Bài báo này trình bày một phương pháp
xout and xmout
1 signal identification

0 nhận dạng hệ thống phi tuyến MIMO sử dụng

-1 mạng nơ - ron RBF. Phương pháp này được
-2 ứng dụng để nhận dạng Omni - Directional
0 1 2 3 4 5 6 7 8 9 10
time(s) Mobile Robot. Ưu điểm của phương pháp này
2 là thiết kế đơn giản, mang lại hiệu quả cao đối
1
với hệ thống phi tuyến MIMO như Omni -
Directional Mobile Robot. Kết quả mô phỏng
error

0
cho thấy bộ nhận dạng được thiết kế đạt hiệu
-1 quả cao, sai số nhận dạng hội tụ về 0 đối với
0 1 2 3 4 5 6 7 8 9 10
time(s) các tín hiệu vào khác nhau và ổn định đối với
Hình 10. Kết quả nhận dạng và sai số của x khi nhiễu tác động của nhiễu va chạm. Hiệu quả của bộ
va chạm tác động ngõ ra. nhận dạng phụ thuộc vào sự điều chỉnh các giá
4
ideal signal trị α , Δb, Δw, Δc và sự lựa chọn số lượng nơ
- ron ở lớp ẩn. Tuy nhiên vẫn chưa có phương
yout and ymout

signal identification
2

pháp cụ thể để tìm được các giá trị tối ưu mà

phụ thuộc vào việc mô phỏng và đánh giá.
0

-2
0 1 2 3 4 5 6 7 8 9 10
Vấn đề này sẽ được giải quyết bằng cách kết
time(s) hợp với giải thuật di truyền trong bài báo
3
sau
2
Tài liệu tham khảo
error

1
[1] Jinkun Liu (2013), Rabias basis function (RBF)
0
neural network control for mechanical systems,
-1
0 1 2 3 4 5 6 7 8 9 10
Springer.
time(s)
[2] Ljung, L. (1999), System Identification - Theory
Hình 11. Kết quả nhận dạng và sai số của y khi nhiễu for the User, Prentice Hall, Upper SaddleRiver,
va chạm tác động ngõ ra. N.J., 2nd edition.
4 [3] Muhammad Asif Arain, Helon Vicente Hultmann
Ayala,
siout and simout

3
and Muhammad Adil Ansari (2012), Nonlinear
2
System Identification Using Neural Network,
1
ideal signal IMTIC 2012, CCIS 281, pp. 122–131.
signal identification
0
0 1 2 3 4 5 6 7 8 9 10 [4] C. Pislaru, A. Shebani (2014), Identification of
time(s) Nonlinear Systems Using Radial Basis Function
0.6 Neural Network, International Scholarly and
0.4 Scientifie Research & Innovation, Vol: 8, No: 9,
pp. 1583-1588.
error

0.2
[5] PGS.TS. Dương Hoài Nghĩa (2007): Điều khiển
0
hệ thống đa biến, NXB Đại học Quốc gia
-0.2
0 1 2 3 4 5 6 7 8 9 10 TpHCM.
time(s)
[6] Y. Liu, X. Wu, J. Zhu, J. Lew (2008), Omni
Hình 12. Kết quả nhận dạng và sai số của  khi directional mobile robot controlby trajectory
nhiễu va chạm tác động ngõ ra. linearization, Robotics and Autonomous Systems
56, pp. 461 – 479.
Việc áp dụng luật cập nhật trọng số online Ngày nhận bài: 27/05/2016
để nhận dạng đối tượng bằng mạng nơ - ron
Ngày chuyển phản biện: 30/05/2016
RBF thông qua mô phỏng trên MATLAB –
Ngày hoàn thành sửa bài: 14/06/2016
SIMULINK cho thấy được khả năng ưu việt
Ngày chấp nhận đăng: 21/06/2016
của thuật toán nhận dạng: Đáp ứng đầu ra luôn
bám sát tín hiệu đặt mong muốn sau thời gian
khoảng 1 giây và sai số nhận dạng tiến tới
bằng 0, hệ làm việc xác lập và ổn định.