2022 HTTM&Robotics CHUONG2 FINISH-Haft

© Dr.
H T Tran - IUH 1
BỘ CÔNG THƯƠNG
TRƯỜNG ĐẠI HỌC CÔNG NGHIỆP TPHCM
HỆ THỐNG THÔNG MINH & ROBOTICS
TS. Trần Hữu Toàn

Khoa Điện Tử
Email : huutoancdt@gmail.com
TPHCM Tháng 06-2022

10/11/2022
© Dr. H T Tran - IUH 2
NỘI DUNG MÔN HỌC
I. TỔNG QUAN VỀ HỆ THỐNG THÔNG MINH VÀ CÔNG

NGHỆ ROBOTICS
II. CÔNG NGHỆ TÍNH TOÁN MỀM & ỨNG DỤNG TRONG
HỆ THỐNG THÔNG MINH
III. CÁC HỆ THỐNG THÔNG MINH ĐIỂN HÌNH
IV. ROBOT THÔNG MINH

CHƯƠNG II. CÔNG NGHỆ TÍNH

TOÁN MỀM & ỨNG DỤNG TRONG
HỆ THỐNG THÔNG MINH
CÔNG NGHỆ TÍNH TOÁN MỀM - KHÁI NIỆM

 Trong thực tế cuộc sống, các bài toán liên quan đến hoạt động nhận
thức, trí tuệ của con người đều hàm chứa những đại lượng, thông tin mà
bản chất là không chính xác, không chắc chắn, không đầy đủ
 Ví dụ. Bài toán dự báo thời tiết; Bài toán tìm đường đi ngắn nhất; Bài
toán năng lượng tiêu hao…
CÔNG NGHỆ TÍNH TOÁN MỀM - KHÁI NIỆM

Trong lĩnh vực khoa học kĩ thuật cũng vậy, các hệ thống phức tạp trên
thực tế thường không thể mô tả đầy đủ và chính xác bởi các phương
trình toán học truyền thống.
 Kết quả là những cách tiếp cận kinh điển dựa trên kỹ thuật phân tích
và các phương trình toán học nhanh chóng tỏ ra không còn phù hợp. Vì
thế, công nghệ tính toán mềm chính là một giải pháp trong lĩnh vực này
CÔNG NGHỆ TÍNH TOÁN MỀM- ĐẶC ĐIỂM
Tính toán mềm căn cứ trên các đặc điểm, hành vi của
con người và tự nhiên để đưa ra các quyết định hợp lý
trong điều kiện không chính xác và không chắc chắn
Các thành phần của tính toán mềm có sự bổ sung,

hỗ trợ lẫn nhau
TTM là một hướng nghiên cứu mở, bất kỳ một kỹ thuật

mới nào được tạo ra từ việc bắt chước trí thông minh
của con người đều có thể trở thành một thành phần
mới của TTM
CÁC THÀNH PHẦN CỦA CÔNG NGHỆ TÍNH TOÁN MỀM
Suy luận
Logic mờ - Fuzzy Logic
Nhớ/học
Mạng thần kinh nhân tạo – Artificial Neural Network;

Hồi qui Gaussian – GPR…
Tối ưu
Lập luận xác suất (Giải thuật di truyền – GA; Genetic

Algorithm, Particle Swarm, Ant Colony, Bee Colony,…)
CÁC THÀNH PHẦN CỦA CÔNG NGHỆ TÍNH TOÁN MỀM

Suy luận Nhớ/Học
Neural
Fuzzy
Network;
Logic
GPR…
Tối ưu
Genetic
Algorithm;
Swarm…
PHẦN A. LOGIC MỜ
(FUZZY LOGIC)
2.0. LOGIC MỜ
 Trong công nghệ tính toán mềm, thành phần phát triển
vượt bậc nhất và được ứng dụng rộng rãi nhất đó là logic mờ.
 Khái niệm về logic mờ được giáo sư L.A Zadeh đưa ra lần
đầu tiên năm 1965, tại trường Đại học Berkeley, bang
California - Mỹ. Từ đó lý thuyết mờ đã được phát triển và ứng
dụng rộng rãi.
 Một cách tổng quát, một hệ thống mờ là một tập hợp các
qui tắc dưới dạng “If … Then …” để tái tạo hành vi của con
người được tích hợp vào cấu trúc của hệ thống.
2.0. TỔNG QUAN LOGIC MỜ

 Trong thực tế có các phát biểu mang tính qui luật:
• Nếu mây đen kéo đến thì trời sắp chuyển mưa
• Nếu xe chuyển động sang phải thì • Nếu sai số lớn thì góc mở van lớn
con lắc chuyển động sang trái
If … then …
 Mỗi SV/HV gõ trên chat (Zoom) một ý

kiến chuyên gia của bản thân trong các qui
luật vận động phát biểu dưới dạng qui luật
(rule) có cấu trúc “nếu…thì…”

 Khái niệm “RÕ” . Trong toán học phổ thông ta đã học khá nhiều về
tập hợp, ví dụ như tập các số thực R, tập các số nguyên tố P={2,3,5,...}…
Những tập hợp như vậy được gọi là tập hợp kinh điển hay tập rõ, tính
“RÕ” ở đây được hiểu là với một tập xác định S chứa n phần tử thì ứng
với phần tử x ta xác định được một giá trị y=S(x)
 Khái niệm “MỜ” . Ta xét phát biểu thông thường về tốc độ một
vận động viên điền kinh: chậm, trung bình, nhanh, rất nhanh.
Phát biểu “CHẬM” ở đây không được chỉ rõ là bao nhiêu km/h,
như vậy từ “CHẬM” có miền giá trị là một khoảng nào đó, ví dụ
10km/h – 15km/h chẳng hạn
 Một cách tổng quát, khái niệm mờ liên quan đến giá trị rõ (tập
cơ sở); mức độ (sau này gọi là hàm liên thuộc); và biến ngôn ngữ.

 Khái niệm “ĐIỀU KHIỂN MỜ”
Xét ví dụ điều khiển mực nước

 Xét ví dụ điều khiển mực nước
 Điều khiển mờ là phương pháp điều khiển bắt chước quá trình
xử lý các thông tin không rõ ràng và ra quyết định điều khiển của
con người

 Cơ sở toán học của phương pháp điều khiển mờ

 Khái niệm tập hợp mờ

 Một số ví dụ về tập rõ:
A   x  R, 3  x  2
B  hmuc nuoc  32 cm
C  Tphong  40 C
 Một số ví dụ về tập mờ:
A   x  R, x  5
B  Muc nuoc cao
C   Nhiet do phong thap
Nhận xét: Không thể xác định tập mờ nếu không có một hàm (hàm
liên thuộc) mô tả tập mờ đó
2.1. CÁC KHÁI NIỆM TRONG LOGIC MỜ

 Định nghĩa tập mờ:
 A ( x) : X   0,1
 Có thể nói: Tập mờ xác định bởi hàm liên thuộc của nó

 Ví dụ tập mờ xác định bởi hàm liên thuộc của nó:
A   x  R, x  5 B  Muc nuoc cao

 B ( x )
5 35 cm

 Ký hiệu tập mờ:
A   ( xi )
i x
i
A   ( x)
X x

 Ký hiệu tập mờ - Ví dụ biểu diễn tập mờ trên tập cơ sở rời rạc
3 4 5 6 7 8
A  0.3  0.6  1.0  0.8  0.4  1.0

3 4 5 6 7 8

 Ký hiệu tập mờ - Ví dụ biểu diễn tập mờ trên tập cơ sở liên tục
3 6 8

 0 ( x  3 or x  8)

x3
A   ( x)  A ( x )   (3  x  6)
R x  3
 8 x
 2 (6  x  8)

 Bài tập 1.
a. Vẽ hàm liên thuộc biểu diễn tập mờ sau:
A  0.2  0.5  0.8  1.0  0.6  1.0  0.0

1 2 3 4 5 6 7
b. Vẽ hàm liên thuộc biểu diễn tập mờ có hàm liên thuộc sau:

 0 ( x  1 or x  7)

 x 1
 A ( x )   (1  x  3)
 2
 7x
 4 (3  x  7)

c. Viết biểu thức biểu diễn tập mờ:
CLOSE
1.0
0 4 5 6 8 D (cm)

c. Viết biểu thức biểu diễn tập mờ:

 0 ( D  4 or D  8)

 D  4 (4  D  5)
 CLOSE ( D )   1
 1 (5  D  6)

 8  D (6  x  8)
 2
CLOSE
1.0
0 4 5 6 8 D (cm)

d. Viết biểu thức biểu diễn tập mờ:
 miền tin cậy
Sup
Miền xác định
Thuật ngữ trong Logic mờ

 Miền tin cậy – Lõi
1 Biên
Độ cao
Miền xác định

(Miền nền)
Thuật ngữ trong Hàm liên thuộc của Logic mờ


 Các dạng hàm liên thuộc thường gặp trong Logic mờ
trapmf gbellmf trimf gaussmf gauss2mf smf
1
0.8
0.6
0.4
0.2
zmf psigmf dsigmf pimf sigmf

1
0.8
0.6
0.4
0.2
0

2.1. CÁC THUẬT NGỮ TRONG LOGIC MỜ

2.1. CÁC THUẬT NGỮ TRONG LOGIC MỜ

 Cấu trúc bộ mờ để chuyển đổi thông tin rõ thành suy luận mờ
Luật hợp
Mờ hóa Giải mờ
thành
R1 If … Then…
H1
X y’
Rn If … Then …
Hn
Cấu trúc chung của bộ mờ cơ bản

2.2. BIẾN NGÔN NGỮ TRONG LOGIC MỜ
Biến ngôn ngữ và giá trị ngôn ngữ là phần tử chủ đạo trong các
hệ thống dùng logic mờ. Ở đây các thành phần ngôn ngữ của cùng
một ngữ cảnh được kết hợp lại với nhau.
 Biến ngôn ngữ (thường là danh từ) là biến (vật lý, đại lượng,
thông số…) nhận giá trị ngôn ngữ
 Giá trị ngôn ngữ (thường là tính từ) là các từ mô tả về đặc điểm,
trạng thái, tính chất… của một biến ngôn ngữ. Giá trị ngôn ngữ
thường hàm chứa thông tin không chắc chắn, do đó có thể mô tả
giá trị ngôn ngữ bằng các tập mờ
Ví dụ. Biến ngôn ngữ “Nhiệt độ”
là biến có thể nhận giá trị ngôn
ngữ “nóng”, “ấm”, và “lạnh”
 Xét ví dụ về biến ngôn ngữ và hàm thuộc
Xét tốc độ của một chiếc xe môtô, ta có thể phát biểu xe đang chạy:
- Rất chậm (VS)
- Chậm (S)
- Trung bình (M)
- Nhanh (F)
- Rất nhanh (VF)
Những phát biểu như vậy gọi là giá trị ngôn ngữ của biến ngôn ngữ
“tốc độ”. Gọi x là giá trị rõ của biến tốc độ, ví dụ x =10km/h, x =
60km/h … chính là miền giá trị vật lý (tập cơ sở). Hàm liên thuộc
tương ứng của các biến ngôn ngữ trên được ký hiệu là :
VS(x), S(x), M(x), F(x), VF(x)

 Xét ví dụ về biến tốc độ và hàm thuộc của nó

1 VS S M F VF
0.75
0.25
0 20 40 60 65 80 100 tốc độ
Biến ngôn ngữ và hàm liên thuộc trong tập mờ
Vậy hàm thuộc tại giá trị rõ x = 65km/h là?
Hàm thuộc tại giá trị rõ x = 65km/h là :

X(65) = { 0;0;0.75;0.25;0 }
Biến tốc độ x được xác định trên miền nào?
Như vậy biến tốc độ có hai miền giá trị :

- Miền các giá trị ngôn ngữ :
N = { rất chậm, chậm, trung bình, nhanh, rất nhanh }
- Miền các giá trị vật lý :
V = { xB | x  0 }
Biến tốc độ được xác định trên miền ngôn ngữ N được gọi là biến
ngôn ngữ. Với mỗi xB ta có hàm thuộc :
x  X = { VS(x), S(x), M(x), F(x), VF(x) }
Biến tốc độ x vừa là biến ngôn ngữ (miền ngôn ngữ), vừa là tập cơ sở
(miền vật lý)

 Ví dụ về tập mờ (biến ngôn ngữ) ‘WARM’ có hàm liên thuộc
(dạng tam giác) như sau để cho biết thông tin về nhiệt độ:

 Hàm liên thuộc của biến ‘WARM’ có thể biểu diễn về mặt toán
học (giá trị rõ):

 Ví dụ về tập mờ (giá trị ngôn ngữ) ‘WARM’ có hàm liên thuộc
(dạng hàm Gauss) như sau để cho biết thông tin về nhiệt độ:

 Hàm liên thuộc của biến ‘WARM’ có thể biểu diễn về mặt toán
học (giá trị rõ):
 Hàm Gausse tổng quát:

c : Giá trị trung bình
: Độ lệch chuẩn (độ
phân tán)
 Trong ví dụ trên:

 Bài tập 2. Cho biến “tốc độ” gió dưới đây được mô tả bởi các biến
ngôn ngữ VL (Very Low); LO (Low); HI (High); VH (Very High) có
hàm liên thuộc tương ứng. Tại tốc độ gió y=16 km/h thì các tập mờ
trên có giá trị hàm liên thuộc là bao nhiêu?

 Bài tập 3. Cho tập mờ dưới đây. Hãy viết biểu thức hàm liên thuộc
của tập mờ đã cho

Tương tự, định nghĩa các hàm liên thuộc cho các biến ngôn ngữ
để thông tin về nhiệt độ:

 Ví dụ về biến “Điện áp” được định nghĩa bởi 05 giá trị ngôn ngữ
(tập mờ) NL (Negative Large); NS (Negative Small); Z (Zero); PS
(Positive Small); PL (Positive Large) có hàm liên thuộc dạng
(singleton) như sau để cho biết thông tin về điện áp (ngõ ra):

 Bài tập 3. Cho biến ngôn ngữ “chiều cao” mực nước của một bồn
nước. Hãy định nghĩa các tập mờ mô tả các giá trị ngôn ngữ “rất
thấp”, “thấp”, “trung bình”, “cao”, “rất cao”. Biết rằng giá trị vật
lý chiều cao mực nước trong bồn 0<h<45 (cm)
VL L H VH
1.0
0.5
0 5 15 25 30 40 45 h(cm)

2.3. CÁC PHÉP TOÁN TRÊN TẬP MỜ
Cho X,Y là hai tập mờ trên không gian nền B, có các hàm thuộc tương
ứng là X, Y , khi đó :
• Phép giao (T) hai tập mờ: XY
+ Theo luật Min X Y(b) = Min{ X(b) , Y(b) }
+ Theo luật Prod X Y(b) = X(b).Y(b)
+ Theo luật Lukasiewicz X Y(b) = Max{0, X(b)+Y(b)-1}
• Phép hợp (S) hai tập mờ: XY
+ Theo luật Max XY(b) = Max{ X(b) , Y(b) }
+ Theo luật Sum XY(b) = Min{ 1, X(b) + Y(b) }
+ Tổng trực tiếp XY(b) = X(b) + Y(b) -
X(b).Y(b)
• Phép bù tập mờ:  X (b) = 1- X(b)
c
2.3. CÁC PHÉP TOÁN TRÊN TẬP MỜ
Cho X,Y là hai tập mờ trên không gian nền A, B, có các hàm thuộc
tương ứng là X, Y , khi đó :
• Phép kéo theo hai tập mờ: Nếu aϵX thì (→) bϵ Y
+ Theo luật Min X →Y = Min{ X(a) , Y(b) }
+ Theo luật Prod X →Y = X(a).Y(b)
2.3. CÁC PHÉP TOÁN TRÊN TẬP MỜ - VÍ DỤ

a. Cho WARM là tập mờ có các hàm thuộc tương ứng là WARM:
Phép bù của tập mờ WARM

là tập mờ NOTWARM có
các hàm thuộc WARMC:

b. Cho WARM là tập mờ có các hàm thuộc tương ứng là WARM Cho
COOL là tập mờ có các hàm thuộc tương ứng là COOL , định nghĩa
tập mờ COMFORT là giao giữa hai tập mờ WARM và COOL:
Cách 1: Sử dụng luật Min

Cách 1: Sử dụng luật Min
Tại nhiệt độ T=25 độ,

hàm COMFORT có trị
rõ là bao nhiêu?

b. Cho WARM là tập mờ có các hàm thuộc tương ứng là WARM Cho
COOL là tập mờ có các hàm thuộc tương ứng là COOL , định nghĩa
tập mờ COMFORT là giao giữa hai tập mờ WARM và COOL:
Bài tập 3: Sử dụng luật Prod để tìm tập mờ COMFORT

2022 HTTM&Robotics CHUONG2 FINISH-Haft

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

2022 HTTM&Robotics CHUONG2 FINISH-Haft

Uploaded by

Copyright:

Available Formats

© Dr.

HỆ THỐNG THÔNG MINH & ROBOTICS

TS. Trần Hữu Toàn

TPHCM Tháng 06-2022

NỘI DUNG MÔN HỌC

I. TỔNG QUAN VỀ HỆ THỐNG THÔNG MINH VÀ CÔNG

III. CÁC HỆ THỐNG THÔNG MINH ĐIỂN HÌNH

IV. ROBOT THÔNG MINH

CHƯƠNG II. CÔNG NGHỆ TÍNH

CÔNG NGHỆ TÍNH TOÁN MỀM - KHÁI NIỆM

CÔNG NGHỆ TÍNH TOÁN MỀM - KHÁI NIỆM

CÔNG NGHỆ TÍNH TOÁN MỀM- ĐẶC ĐIỂM

Các thành phần của tính toán mềm có sự bổ sung,

TTM là một hướng nghiên cứu mở, bất kỳ một kỹ thuật

CÁC THÀNH PHẦN CỦA CÔNG NGHỆ TÍNH TOÁN MỀM

Logic mờ - Fuzzy Logic

Mạng thần kinh nhân tạo – Artificial Neural Network;

Lập luận xác suất (Giải thuật di truyền – GA; Genetic

CÁC THÀNH PHẦN CỦA CÔNG NGHỆ TÍNH TOÁN MỀM

2.0. TỔNG QUAN LOGIC MỜ

2.0. TỔNG QUAN LOGIC MỜ

 Mỗi SV/HV gõ trên chat (Zoom) một ý

2.0. TỔNG QUAN LOGIC MỜ

2.0. TỔNG QUAN LOGIC MỜ

2.0. TỔNG QUAN LOGIC MỜ

2.0. TỔNG QUAN LOGIC MỜ

2.0. TỔNG QUAN LOGIC MỜ

2.0. TỔNG QUAN LOGIC MỜ

2.0. TỔNG QUAN LOGIC MỜ

 Một số ví dụ về tập mờ:

2.1. CÁC KHÁI NIỆM TRONG LOGIC MỜ

2.1. CÁC KHÁI NIỆM TRONG LOGIC MỜ

A   x  R, x  5 B  Muc nuoc cao

2.1. CÁC KHÁI NIỆM TRONG LOGIC MỜ

2.1. CÁC KHÁI NIỆM TRONG LOGIC MỜ

A  0.3  0.6  1.0  0.8  0.4  1.0

2.1. CÁC KHÁI NIỆM TRONG LOGIC MỜ

2.1. CÁC KHÁI NIỆM TRONG LOGIC MỜ

A  0.2  0.5  0.8  1.0  0.6  1.0  0.0

2.1. CÁC KHÁI NIỆM TRONG LOGIC MỜ

2.1. CÁC KHÁI NIỆM TRONG LOGIC MỜ

2.1. CÁC KHÁI NIỆM TRONG LOGIC MỜ

2.1. CÁC KHÁI NIỆM TRONG LOGIC MỜ

 miền tin cậy

Miền xác định

Thuật ngữ trong Logic mờ

2.1. CÁC KHÁI NIỆM TRONG LOGIC MỜ

 Miền tin cậy – Lõi

Miền xác định

Thuật ngữ trong Hàm liên thuộc của Logic mờ

2.1. CÁC KHÁI NIỆM TRONG LOGIC MỜ

zmf psigmf dsigmf pimf sigmf

2.1. CÁC KHÁI NIỆM TRONG LOGIC MỜ

2.1. CÁC THUẬT NGỮ TRONG LOGIC MỜ

2.1. CÁC THUẬT NGỮ TRONG LOGIC MỜ

Cấu trúc chung của bộ mờ cơ bản

2.2. BIẾN NGÔN NGỮ TRONG LOGIC MỜ

2.2. BIẾN NGÔN NGỮ TRONG LOGIC MỜ

 Xét ví dụ về biến ngôn ngữ và hàm thuộc

2.2. BIẾN NGÔN NGỮ TRONG LOGIC MỜ

Biến ngôn ngữ và hàm liên thuộc trong tập mờ

Vậy hàm thuộc tại giá trị rõ x = 65km/h là?

Hàm thuộc tại giá trị rõ x = 65km/h là :