Điều khiển thông minh (Intelligent Control) : Lecture: Dr. Tran Duc Thien Mail: thientd@hcmute.edu.vn

Ho Chi Minh city University of Technology and Education
Faculty of Electrical & Electronics Engineering

Robotics and Intelligent Control Laboratory
Điều khiển thông minh

(Intelligent Control)
Lecture: Dr. Tran Duc Thien

Mail: thientd@hcmute.edu.vn
3/4/2023 1
Personal information
Instructor: Dr. Tran Duc Thien
Email: thientd@hcmute.edu.vn
Phone: 0988862588
Advisor: Robotics and intelligent control Lab.
Websites:
o Researchgate:
https://www.researchgate.net/profile/Thien-Tran-6
o Google scholar:
https://scholar.google.com/citations?user=kEZ1FEQAAAAJ&hl=vi
Youtube channel:
https://www.youtube.com/channel/UCOZDLqg3HGRGjd27qiDzk-g
3/4/2023 2
Tài liệu tham khảo
[1] PGS. Ts. Huỳnh Thái Hoàng, Giáo trình điều khiển thông minh.
[2] PGS. Ts. Huỳnh Thái Hoàng, Hệ thống điều khiển thông minh,
NXB Đại Học Quốc Gia.
[3] PGS. Ts. Nguyễn Thị Phương Hà, Lý Thuyết Điều Khiển Hiện Đại,
NXB Đại Học Quốc Gia
[4] PGS. Ts. Dương Hoài Nghĩa, Công nghệ tính toán mềm
03/04/2023
Robotics and intelligent control Lab. 3
3.Mạng thần kinh
03/04/2023 4
3.Mạng thần kinh
3/4/2023 5
Các loại mạng thần kinh nhân tạo
• Mạng truyền thẳng một lớp.

• Mạng truyền thẳng nhiều lớp
• Mạng hồi qui một lớp.
• Mạng hồi qui nhiều lớp.
03/04/2023
Các phương pháp huấn luyện mạng
thần kinh nhân tạo
Có 2 kiểu học.
• Học thông số (Parameter learning).
• Học cấu trúc (Structure learning).
Lưu ý: Chúng ta chỉ tập trung vào kiểu học thông số.
03/04/2023
Các phương pháp học thông số
• Học giám sát. (Supervised Learning)
• Học không có giám sát (Unsupervised Learning)
• Học củng cố (Reinforcement Learning)
03/04/2023 8
Robotics and intelligent control Lab.
Tế bào thần kinh
𝑥 = 𝑥1 , 𝑥2 , … , 𝑥𝑚 𝑇 vector tín hiệu vào tế bào thần kinh,
𝑤 = 𝑤1 , 𝑤2 , … , 𝑤𝑚 𝑇 vector trọng số tế bào thần kinh,
03/04/2023 9
Hàm xử lý ngõ vào tế bào thần kinh
Hàm tuyến tính (linear function):
𝑚
𝑓 = 𝑛𝑒𝑡 = ෍ 𝑤𝑗 𝑥𝑗 − 𝜃 = 𝑤 𝑇 𝑥 − 𝜃
𝑗=1
Hàm toàn phương (quadratic function):

𝑚
𝑓 = 𝑛𝑒𝑡 = ෍ 𝑤𝑗 𝑥𝑗2 − 𝜃
𝑗=1
Hàm cầu (spherical function):

𝑚
−2 2
𝑓 = 𝑛𝑒𝑡 = 𝜌 ෍ 𝑥𝑗 − 𝑤𝑗 − 𝜃 = 𝜌−2 𝑥 − 𝑤 𝑇
𝑥−𝑤 −𝜃
𝑗=1
03/04/2023
Hàm tác động
Hàm tuyến tính: 𝑎 𝑓 =𝑓
ሖ 𝑓>1
1, 𝑛ê𝑢
Hàm dốc bão hòa: ሖ 0≤𝑓≤1
𝑎 𝑓 = ൞𝑓, 𝑛ê𝑢
ሖ 𝑓<0
0, 𝑛ê𝑢
ሖ 𝑓>1
1, 𝑛ê𝑢
Hàm tuyến tính bão hòa: ሖ −1≤𝑓 ≤1
𝑎 𝑓 = ൞𝑓, 𝑛ê𝑢
ሖ 𝑓 < −1
−1, 𝑛ê𝑢
1
Hàm dạng S đơn cực: 𝑎 𝑓 =
1+𝑒 −𝜆𝑓
2
Hàm dạng S lưỡng cực: 𝑎 𝑓 = −1
1+𝑒 −𝜆𝑓
03/04/2023
Các dạng hàm tác động
Robotics and intelligent control Lab. 03/04/2023 12

Bài tập
Tính các đạo hàm riêng của các hàm dạng S
1
a) 𝑎 𝑓 =
1+𝑒 −𝜆𝑓
2
b) 𝑎 𝑓 =
1+𝑒 −𝜆𝑓
−1
𝜕𝑎(𝑓)
Tính các đạo hàm = f(a(f)).
𝜕𝑓
03/04/2023
Mạng truyền thẳng một lớp
Mạng perceptron:
Tổng trọng số ngõ vào Perceptron thứ 𝑖:
𝑚
𝑛𝑒𝑡𝑖 = ෍ 𝑤𝑖𝑗 𝑥𝑗 = 𝑤𝑖𝑇 𝑥 𝑖 = 1, 𝑛

𝑗=1
Ngõ ra của Perceptron thứ 𝑖:

𝑦𝑖 = 𝑎 𝑛𝑒𝑡𝑖 = 𝑠𝑡𝑒𝑝 𝑛𝑒𝑡𝑖
Cập nhật các vector trọng số
𝑤𝑖 𝑘 + 1 = 𝑤𝑖 𝑘 + 𝜂 𝑑𝑖 𝑘 − 𝑦𝑖 𝑘 𝑥(𝑘)
03/04/2023 14
Gradient descent (Phương pháp suy giảm độ dốc)
Gradient descent là một thuật toán tối ưu hóa
thường được sử dụng để huấn luyện các mô
hình máy học và mạng nơ-ron. Dữ liệu huấn
luyện giúp cho mô hình học theo thời gian và
hàm chỉ tiêu giảm dần theo độ dốc.
Hàm tổng bình phương sai số:
𝑛
𝐸 𝑤 = ෍ 𝑑𝑖 − 𝑦𝑖 2 → 𝑀𝑖𝑛
𝑖=1
Cập nhật các trọng số dựa trên thuật toán suy
giảm độ dốc:
𝜕𝐸(𝑤)
𝑤𝑖𝑗 𝑘 + 1 = 𝑤𝑖𝑗 𝑘 − 𝜂
𝜕𝑤𝑖𝑗
𝜕𝐸(𝑤) 𝜕𝐸(𝑤) 𝜕𝑦𝑖 𝜕𝑛𝑒𝑡𝑖
Ta có: =
𝜕𝑤𝑖𝑗 𝜕𝑦𝑖 𝜕𝑛𝑒𝑡𝑖 𝜕𝑤𝑖𝑗
3/4/2023 15
Ví dụ 1
Tìm luật cập nhật trọng số của mạng thần kinh sau với hàm xử lý ngõ vào là hàm tuyến tính.
1 2
𝐸 𝑘 = 𝑑 𝑘 −𝑦 𝑘
2
Hàm xử lý ngõ ra
a) Hàm tuyến tính 𝑎(𝑓) = 𝑓.
1
b) Hàm dạng S đơn cực 𝑎 𝑓 = .
1+𝑒 −𝑓
2
c) Hàm dạng S lưỡng cực 𝑎 𝑓 = − 1.
1+𝑒 −𝑓
3/4/2023 16
Câu a
Bước 1: Hàm xử lý ngõ vào

𝑛𝑒𝑡 𝑘 = 𝑤1 𝑘 𝑥1 𝑘 + 𝑤2 𝑘 𝑥2 𝑘 + 𝑤3 𝑘 𝑥3 𝑘 = 𝑤 𝑇 𝑘 𝑥(𝑘) (1)
𝑇 𝑇
Với 𝑤 𝑘 = 𝑤1 𝑘 , 𝑤2 𝑘 , 𝑤3 𝑘 , 𝑥(𝑘) = 𝑥1 𝑘 , 𝑥2 𝑘 , 𝑥3 𝑘
Bước 2: Hàm tác động ngõ ra:
𝑦 𝑘 = 𝑎 𝑛𝑒𝑡(𝑘) = 𝑛𝑒𝑡(𝑘) (2)
Bước 3: Luật cập nhật
𝑤 𝑘 + 1 = 𝑤 𝑘 + ∆𝑤 𝑘 (3)
Với
𝜕𝐸 𝑘 𝜕𝐸 𝑘 𝜕𝑦 𝑘 𝜕𝑛𝑒𝑡 𝑘
∆𝑤 𝑘 = −𝜂 = −𝜂 = 𝜂 𝑑 𝑘 − 𝑦 𝑘 𝑥(𝑘) (4)
𝜕𝑤 𝑘 𝜕𝑦 𝑘 𝜕𝑛𝑒𝑡 𝑘 𝜕𝑤 𝑘
3/4/2023 17
Ví dụ 2
Tìm luật cập nhật trọng số của perception với hàm xử lý ngõ vào là hàm tuyến tính.
1 2 1 2
𝐸(𝑘) = 𝑑1 𝑘 − 𝑦1 𝑘 + 𝑑2 𝑘 − 𝑦2 𝑘
2 2
Hàm xử lý ngõ ra
a) Hàm tuyến tính 𝑎(𝑓) = 𝑓. x1
1 w11
b) Hàm dạng S đơn cực 𝑎 𝑓 = . y1
1+𝑒 −𝑓 w12
2
c) Hàm dạng S lưỡng cực 𝑎 𝑓 = − 1. w13
1+𝑒 −𝑓
x2
w21
y2
w22
w23
x3
3/4/2023 18
Câu a
Bước 1: Hàm xử lý ngõ vào

𝑛𝑒𝑡1 𝑘 = 𝑤11 𝑘 𝑥1 𝑘 + 𝑤12 𝑘 𝑥2 𝑘 + 𝑤13 𝑘 𝑥3 𝑘 = 𝑤1𝑇 𝑘 𝑥(𝑘) (1)
𝑛𝑒𝑡2 𝑘 = 𝑤21 𝑘 𝑥1 𝑘 + 𝑤22 𝑘 𝑥2 𝑘 + 𝑤23 𝑘 𝑥3 𝑘 = 𝑤2𝑇 𝑘 𝑥(𝑘) (2)
Với 𝑤𝑖 𝑘 = 𝑤𝑖1 𝑘 , 𝑤𝑖2 𝑘 , 𝑤𝑖3 𝑘 𝑇 ,𝑖 = 1,2, 𝑥(𝑘) = 𝑥1 𝑘 , 𝑥2 𝑘 , 𝑥3 𝑘 𝑇
Bước 2: Hàm tác động ngõ ra:

𝑦1 𝑘 = 𝑎 𝑛𝑒𝑡1 (𝑘) = 𝑛𝑒𝑡1 (𝑘) (3)
𝑦2 𝑘 = 𝑎 𝑛𝑒𝑡2 (𝑘) = 𝑛𝑒𝑡2 (𝑘) (4)
Bước 3: Luật cập nhật
𝑤1 𝑘 + 1 = 𝑤1 𝑘 + ∆𝑤1 𝑘 (5)
𝜕𝐸 𝑘 𝜕𝐸 𝑘 𝜕𝑦1 𝑘 𝜕𝑛𝑒𝑡1 𝑘
Với ∆𝑤1 𝑘 = −𝜂 𝜕𝑤 = −𝜂 𝜕𝑦 = 𝜂 𝑑1 𝑘 − 𝑦1 𝑘 𝑥(𝑘) (6)
1 𝑘 1 𝑘 𝜕𝑛𝑒𝑡1 𝑘 𝜕𝑤1 𝑘
𝑤2 𝑘 + 1 = 𝑤2 𝑘 + ∆𝑤2 𝑘 (7)
𝜕𝐸 𝑘 𝜕𝐸 𝑘 𝜕𝑦2 𝑘 𝜕𝑛𝑒𝑡2 𝑘
Với ∆𝑤2 𝑘 = −𝜂 = −𝜂 = 𝜂 𝑑2 𝑘 − 𝑦2 𝑘 𝑥(𝑘) (8)
𝜕𝑤2 𝑘 𝜕𝑦2 𝑘 𝜕𝑛𝑒𝑡2 𝑘 𝜕𝑤2 𝑘
3/4/2023 19
Bài tập
Xây dựng và vẽ mạng perceptron LTU để phân loại các nhóm dữ liệu sau
a) Nhóm 1: 3, 2 𝑇 , 1, −2 𝑇 , −2, 0 𝑇 , 𝑑 = +1
Nhóm 2: { 2, 1 𝑇 , 0, −1 𝑇 , −1, 2 𝑇 } , 𝑑 = −1
b) Nhóm 1: 0, 0 𝑇 , 1, 0 𝑇 , 0, 1 𝑇 , 𝑑 = +1
Nhóm 2: 0.5, 0.5 𝑇 , 0.3, 0.3 𝑇 , 𝑑 = −1
c) Nhóm 1: 0, 0 𝑇 , 1, 0 𝑇 , 0, 1 𝑇 , 𝑑 = +1
Nhóm 2: 0.5, 0 𝑇 , 0, 0.5 𝑇
, 𝑑 = −1
3/4/2023 20
Mạng truyền thẳng 3 lớp
03/04/2023
Biểu thức ngõ ra mạng truyền thẳng
3 lớp
Tổng các trọng số tín hiệu vào tế bào thần kinh thứ 𝑞 ở lớp ẩn:
𝑚
𝑛𝑒𝑡𝑞 = ෍ 𝑣𝑞𝑗 𝑥𝑗
𝑗=1
Ngõ ra tế bào thần kinh thứ 𝑞 ở lớp ẩn: 𝑧𝑞 = 𝑎ℎ 𝑛𝑒𝑡𝑞 = 𝑎ℎ σ𝑚

𝑗=1 𝑣𝑞𝑗 𝑥𝑗
Tổng các trọng số tín hiệu vào tế bào thần kinh thứ 𝑖 ở lớp ra:
𝑙
𝑛𝑒𝑡𝑖 = ෍ 𝑤𝑖𝑞 𝑧𝑞
𝑞=1
Ngõ ra tế bào thần kinh thứ 𝑖 ở lớp ra: 𝑦𝑖 = 𝑎𝑜 𝑛𝑒𝑡𝑖 = 𝑎𝑜 σ𝑙𝑞=1 𝑤𝑖𝑞 𝑧𝑞
03/04/2023 22
Thuận toán huấn luyện cập nhật
trọng số mạng
Cập nhật trọng số lớp ra:
𝑤𝑖𝑞 𝑘 + 1 = 𝑤𝑖𝑞 𝑘 + 𝜂𝛿𝑜𝑖 𝑘 𝑧𝑞 𝑘
Trong đó:
𝛿𝑜𝑖 𝑘 = 𝑑𝑖 𝑘 − 𝑦𝑖 𝑘 𝑎𝑜′ 𝑛𝑒𝑡𝑖 𝑘
Cập nhật trọng số lớp ẩn:
𝑣𝑞𝑗 𝑘 + 1 = 𝑣𝑞𝑗 𝑘 + 𝜂𝛿ℎ𝑞 𝑘 𝑥𝑗 𝑘
Trong đó: 𝑛
𝛿ℎ𝑞 𝑘 = ෍ 𝛿𝑜𝑖 𝑘 𝑤𝑖𝑞 𝑘 𝑎ℎ′ 𝑛𝑒𝑡𝑞 𝑘

𝑖=1
03/04/2023
Bài tập 1
Tính toán thuật toán lan truyền ngược của mạng thần kinh có 3 lớp: 1 lớp vào, 1 lớp ẩn và 1 lớp ra.
Lớp vào có 2 perceptrons, lớp ẩn có 3 perceptrons và lớp ra có 1 perceptrons. Các hàm tác động ở
2
lớp ẩn là hàm S lưỡng cực và ngõ ra là hàm tuyến tính. 𝑎ℎ 𝑓 = − 1, 𝑎0 𝑓 = 𝑓
1+𝑒 −2𝑓
2
𝐸 = 𝑑−𝑦
𝑣𝑖𝑗
𝑥1 𝑤𝑖
𝑦
𝑥2
03/04/2023
Bài tập 2
Tính toán thuật toán lan truyền ngược của mạng thần kinh có 3 lớp: 1 lớp vào, 1 lớp ẩn và 1 lớp ra.
Lớp vào có 2 perceptrons, lớp ẩn có 3 perceptrons và lớp ra có 2 perceptrons. Các hàm tác động ở
2
lớp ẩn là hàm S lưỡng cực và ngõ ra là hàm tuyến tính. 𝑎ℎ 𝑓 = − 1, 𝑎0 𝑓 = 2𝑓
1+𝑒 −𝑓
2 2
𝐸 = 𝑑1 − 𝑦1 + 𝑑2 − 𝑦2
𝑣𝑖𝑗
𝑥1 𝑤𝑖𝑗
𝑦1
𝑥2
𝑦2
03/04/2023
Các yếu tố ảnh hưởng đến quá trình huấn luyện
mạng
❑Trọng số khởi động. ▪ Phương pháp Newton:
−1
▪ Giá trị ngẫu nhiên nhỏ. 𝜕2𝐸 𝑘 𝜕𝐸 𝑘
𝑤𝑖𝑗 𝑘 + 1 = 𝑤𝑖𝑗 𝑘 − 2
3 3 𝜕𝑤𝑖𝑗 𝜕𝑤𝑖𝑗
▪ Nằm trong khoảng − , với 𝑘𝑖 là số tín
𝑘𝑖 𝑘𝑖
Pp Newton hội tụ nhanh như dễ rơi vào cục bộ
hiệu vào của tế bào thần kinh thứ i.
❑Hệ số học. ❑Dữ liệu huấn luyện mạng.
▪ Dữ liệu yêu cầu đủ lớn
▪ Được lựa chọn dựa vào kinh nghiệm.
▪ Nằm trong khoảng 0.001, 10 ❑Số nút ẩn.
▪ Sử dụng hệ số học thích nghi. ▪ Ảnh hưởng rất lớn tới tính hội tụ và chất lượng
của mạng.
❑Tiêu chuẩn huấn luyện. ▪ Được lựa chọn dựa vào kinh nghiệm.
1
▪ Chuẩn toàn phương. 𝐸𝑑 = σ𝑛𝑖=1 𝑑𝑖 − 𝑦𝑖 2
▪ Có thể sử dụng phương pháp reinforcement
𝑝
learning.
❑Luật cập nhật trọng số.
▪ Phương pháp suy giảm độ dốc.
𝜕𝐸 𝑘
𝑤𝑖𝑗 𝑘 + 1 = 𝑤𝑖𝑗 𝑘 −
𝜕𝑤𝑖𝑗
03/04/2023 27
Mạng hàm cơ sở xuyên tâm
(Radial Basis Function Neural Network)
• Hàm tổng ngõ vào của tế bào thần kinh lớp ẩn là hàm Trong đó:
cầu.
𝜇𝑞 là tâm của hàm cơ sở thứ q.
• Hàm kích hoạt của tế bào thần kinh lớp ẩn là hàm mũ
𝑎ℎ 𝑓 = 𝑒 −𝑓 𝜎𝑞 là độ phân tán của hàm cơ sở thứ q.
• Hàm tổng ngõ vào của tế bào thần kinh ở lớp ra là 𝑤𝑖 là vector trọng số ở ngõ ra thứ 𝑖 ở lớp ra.
hàm tuyến tính.
• Hàm kích hoạt của tế bào thần kinh ở lớp ra là tuyến
tính.
• Mức ngưỡng của tế bào thần kinh là bằng không.
Ngõ ra mạng RBF:
𝑥−𝜇𝑞
−
𝑦𝑖 = σ𝑙𝑞=1 𝑤𝑖𝑞 𝑧𝑞 = σ𝑙𝑞=1 𝑤𝑖𝑞 𝑒 2𝜎𝑞
Trong đó:
𝑇
𝑥 − 𝜇𝑞 = 𝑥 − 𝜇𝑞 𝑥 − 𝜇𝑞
03/04/2023 28
Thuật toán huấn luyện mạng RBF
Huấn luyện mạng RBF qua 2 bước:

Bước 1: Xác định tâm và độ phân tán của các hàm cơ sở dùng giải thuật phân nhóm.
Bước 2: Xác định trọng số lớp ra
Cách 1: Dùng giải thuật bình phương tối thiểu.
Cách 2: Dùng thuật toán lan truyền ngược để huấn luyện mạng RBF.
03/04/2023
Thuật toán huấn luyện mạng RBF
Đặc điểm của mạng RBF:

- RBF cho chất lượng tốt hơn BP.
- Giá trị khởi tạo trọng số lớn ẩn được lựa chọn dựa vào kết quả phân tích các dữ liệu huấn luyện.
- Quá trình huấn luyện điều chỉnh các trọng số của các tế bào thần kinh lớp ra.
- Tốc độ huấn luyện nhanh và dễ dàng.
- Không gặp vấn đề liên quan tới cự trị cục bộ.
- Chất lượng có thể được cải thiện thông qua việc điều chỉnh các tâm và độ phân tán cho phù hợp.
- Khả năng lưu trữ là một hạn chế.
3/4/2023 30
Applications of Neural network
3/4/2023 31
Confusion matrix
A confusion matrix is a table used to define a classification algorithm's
performance. A confusion matrix visualizes and summarizes the
performance of a classification algorithm.
3/4/2023 32
Bài tập
Xác định giải thuật học có giám sát mạng truyền thẳng hai lớp (1 lớp ẩn, 1 lớp ra) với hai tín hiệu vào,
một tín hiệu ra, lớp ẩn có 3 neuron, lớp ra có 1 neuron. Các neuron có hàm tích hợp tuyến tính
a) các neuron có hàm tác động tuyến tính
2
b) các neuron có hàm tác động tansig 𝑎 𝑛𝑒𝑡 = −1
1+𝑒 −𝑛𝑒𝑡
2
c) các neuron ở lớp ẩn có hàm tác động tansig𝑎 𝑛𝑒𝑡 = − 1, neuron ở lớp ra có hàm tác động
tuyến tính
1 2
Biết hàm mục tiêu 𝐽 = 𝑑−𝑦
2
3/4/2023 33
Bài tập
Xác định giải thuật học có giám sát mạng truyền thẳng hai lớp (2 lớp ẩn, 1 lớp ra) với hai tín hiệu vào,
một tín hiệu ra, lớp ẩn có 3 neuron, lớp ra có 1 neuron. Các neuron có hàm tích hợp tuyến tính
a) các neuron có hàm tác động tuyến tính
2
b) các neuron có hàm tác động tansig 𝑎 𝑛𝑒𝑡 = −1
2
c) các neuron ở lớp ẩn có hàm tác động tansig𝑎 𝑛𝑒𝑡 = − 1, neuron ở lớp ra có hàm tác động
tuyến tính
1 2
Biết hàm mục tiêu 𝐽 = 𝑑−𝑦
2
3/4/2023 34
Chương trình
load mang.mat XX
TT = XX( 1,:); % time
UU = XX(2:4,:); % input
YY = XX( 5,:); % output
subplot(211), plot(TT, UU(1,:),'b'), hold on, plot(TT, UU(2,:),'b'), plot(TT, UU(3,:),'b')
subplot(312), plot(Time,YY,'b')
% NET
PR = [-1, 1; -0.5 0.5; -5 2]; % min – max values of 3 inputs
MyNet = newff(PR, [4,1], {'tansig' 'purelin'});
MyNet.trainParam.epochs = 400;
MyNet.trainParam.goal = 0.00001;
MyNet.adaptParam.passes = 10;
MyNet = train(MyNet,UU,YY);
Tsamp = 0.001; % sampling time
gensim(MyNet,Tsamp)
3/4/2023 35
Bộ dự báo
3/4/2023 36
Mô phỏng
3/4/2023 37
Bài tập mô phỏng
Xây dựng một mạng Neural để xấp xỉ các hàm truyền sau:
1
a) 𝐺1 =
𝑠+1
10
b) 𝐺2 =
2𝑠+1 𝑠+10
3/4/2023 38
In
Out
-1
Z
-1
Z
3/4/2023 39
3/4/2023 40
TT = in.time'; % time
UU = [in.signals.values';in1.signals.values';in2.signals.values']; % input
YY = out.signals.values'; % output
% subplot(211), plot(TT, UU(:,1),'b'), hold on, plot(TT, UU(:,2),'b'), plot(TT, UU(:,3),'b')
% subplot(312), plot(TT,YY,'b')
% NET
PR = [-2, 2; -2 2; -2 2]; % min – max values of 3 inputs
MyNet = newff(PR, [4,1], {'tansig' 'purelin'});
MyNet.trainParam.epochs = 400;
MyNet.trainParam.goal = 0.00001;
MyNet.adaptParam.passes = 10;
MyNet = train(MyNet,UU,YY);
Tsamp = 0.01; % sampling time
gensim(MyNet,Tsamp)
3/4/2023 41
In
Out
Out
-1
Z
-1
Z
3/4/2023 42
Thank you for your listening
03/04/2023 ROBOTICS AND INTELLIGENT CONTROL LAB. 43

Điều khiển thông minh (Intelligent Control) : Lecture: Dr. Tran Duc Thien Mail: thientd@hcmute.edu.vn

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

Điều khiển thông minh (Intelligent Control) : Lecture: Dr. Tran Duc Thien Mail: thientd@hcmute.edu.vn

Uploaded by

Copyright:

Available Formats

Ho Chi Minh city University of Technology and Education

Faculty of Electrical & Electronics Engineering

Điều khiển thông minh

Lecture: Dr. Tran Duc Thien

• Mạng truyền thẳng một lớp.

Hàm toàn phương (quadratic function):

Hàm cầu (spherical function):

Robotics and intelligent control Lab. 03/04/2023 12

𝑛𝑒𝑡𝑖 = ෍ 𝑤𝑖𝑗 𝑥𝑗 = 𝑤𝑖𝑇 𝑥 𝑖 = 1, 𝑛

Ngõ ra của Perceptron thứ 𝑖:

Bước 1: Hàm xử lý ngõ vào

Bước 1: Hàm xử lý ngõ vào

Bước 2: Hàm tác động ngõ ra:

Ngõ ra tế bào thần kinh thứ 𝑞 ở lớp ẩn: 𝑧𝑞 = 𝑎ℎ 𝑛𝑒𝑡𝑞 = 𝑎ℎ σ𝑚

𝛿ℎ𝑞 𝑘 = ෍ 𝛿𝑜𝑖 𝑘 𝑤𝑖𝑞 𝑘 𝑎ℎ′ 𝑛𝑒𝑡𝑞 𝑘

Huấn luyện mạng RBF qua 2 bước:

Đặc điểm của mạng RBF:

03/04/2023 ROBOTICS AND INTELLIGENT CONTROL LAB. 43

You might also like