You are here: Home » Blog » Mẫu luận văn tốt nghiệp công nghệ thông tin chi tiết và đầy đủ nhất

Mẫu luận văn tốt nghiệp công nghệ thông tin chi tiết và đầy đủ nhất

Khoaluantotnghiep.net xin chia sẻ đến bạn đọc mẫu luận văn tốt nghiệp công nghệ thông tin chi tiết nhất. Với mẫu luận văn này, bạn hoàn toàn có thể tự làm bài luận văn đề tài công nghệ thông tin một cách dễ dàng.

Mẫu luận văn tốt nghiệp công nghệ thông tin
Mẫu luận văn tốt nghiệp công nghệ thông tin 

>>> Xem thêm: Mẫu thư xin việc bằng tiếng Anh đầy đủ các ngành nghề

Đề tài luận văn thạc sĩ công nghệ thông tin: Ứng dụng mạng nơron trong bài toán xác định lộ trình cho Robot

1. GIỚI THIỆU MẠNG nơron 

1.1. Những kiến trúc tính toán

Khái niệm tính toán có thể được hiểu theo nhiều cách. Trước đây, việc tính toán bị ảnh hưởng bởi quan niệm tính toán theo chương trình (Programed computing). Theo quan điểm này, để giải quyết bài toán thì bước đầu tiên ta cần thiết kế giải thuật sau đó cài đặt giải thuật đó trên cấu trúc hiện hành có ưu thế nhất. 

Quan sát các hệ sinh học, đặc biệt là bộ não người ta thấy chúng có những đặc điểm sau: 

Bộ não tích hợp và lưu trữ kinh nghiệm: Tức là bộ não có khả năng tự phân loại và liên kết các dữ liệu vào. 

Bộ não xem xét kinh nghiệm mới dựa trên những kinh nghiệm đã lưu trữ. 

Bộ não có khả năng dự đoán chính xác những tình huống mới dựa trên những kinh nghiệm tự tổ chức trước đây. 

Bộ não không yêu cầu thông tin hoàn hảo. 

Bộ não thể hiện một kiến trúc chấp nhận lỗi tức là có thể khôi phục sự mất đi của một vài nơron bằng cách thích nghi với nơron còn lại hoặc bằng cách đào tạo bổ xung. 

Cơ chế hoạt động của bộ não đôi khi không rõ ràng trong vận hành. Ví dụ với một số bài toán chúng ta có thể cung cấp nghiệm nhưng không thể giải thích được các bước tìm nghiệm.

Bộ não có khuynh hướng đưa ra những giải pháp trong một trạng thái cân bằng hoặc có khuynh hướng dẫn đến trạng thái đó 

Từ đó ta nhận thấy, tính toán dựa trên các hệ sinh học khác với tính toán theo chương trình ở các đặc điểm sau: 

Quá trình tính toán được tiến hành song song và phân tán trên nhiều nơron 

Tính toán thực chất là quá trình học chứ không phải theo một sơ đồ định sẵn từ trước. 

Dựa trên những đặc điểm này một phương pháp tính toán mới có nền tảng từ sinh học là mạng nơron nhân tạo (Artifical Neural Networks_ ANNs) đã ra đời và có tiềm năng trở thành kiến trúc tính toán chiếm ưu thế. 

1.2. Lịch sử phát triển của mạng nơron. 

Mạng nơron nhân tạo được xây dựng từ những năm 1940 nhằm mô phỏng một số chức năng của bộ não người. Dựa trên quan điểm cho rằng bộ não người là bộ điều khiển. Mạng nơron nhân tạo được thiết kế tương tự như nơron sinh học sẽ có khả năng giải quyết hàng loạt các bài toán như tính toán tối ưu, điều khiển, công nghệ robot… 

Quá trình nghiên cứu và phát triển nơron nhân tạo có thể chia thành 4 giai đoạn như sau: 

– Giai đoạn 1: Có thể tính từ nghiên cứu của William (1890) về tâm lý học với sự liên kết các nơron thần kinh. Năm 1940 Mc Culloch và Pitts đã cho biết nơron có thể mô hình hoá như thiết bị ngưỡng (Giới hạn) để thực hiện các phép tính logic và mô hình mạng nơron của Mc Culloch – Pitts cùng với giải thuật huấn luyện mạng của Hebb ra đời năm 1943.

– Giai đoạn 2: vào khoảng gần những năm 1960, một số mô hình nơron hoàn thiện hơn đã được đưa ra như: Mô hình Perceptron của Rosenblatt (1958), Adalile của Widrow (1962). Trong đó mô hình Perceptron rất được quan tâm vì nguyên lý đơn giản, nhưng nó cũng có hạn chế vì như Marvin Minsky và Seymour papert của MIT (Massachurehs Insritute of Technology) đã chứng minh nó không dùng được cho các hàm logic phức (1969). Còn Adaline là mô hình tuyến tính, tự chỉnh, được dùng rộng rãi trong điều khiển thích nghi, tách nhiễu và phát triển cho đến nay. 

– Giai đoạn 3: Có thể tính vào khoảng đầu thập niên 80. Những đóng góp lớn cho mạng nơron trong giai đoạn này phải kể đến Grossberg, Kohonen, Rumelhart và Hopfield. Trong đó đóng góp lớn của Hopfield gồm hai mạng phản hồi: Mạng rời rạc năm 1982 và mạng liên tục năm 1984. Đặc biệt, ông đã dự kiến nhiều khả năng tính toán lớn của mạng mà một nơron không có khả năng đó. Cảm nhận của Hopfield đã được Rumelhart, Hinton và Williams đề xuất thuật toán sai số truyền ngược nổi tiếng để huấn luyện mạng nơron nhiều lớp nhằm giải bài toán mà mạng khác không thực hiện được. Nhiều ứng dụng mạnh mẽ của mạng nơron ra đời cùng với các mạng theo kiểu máy Boltzmann và mạng Neocognition của Fukushima. 

– Giai đoạn 4: Tính từ năm 1987 đến nay, hàng năm thế giới đều mở hội nghị toàn cầu chuyên ngành nơron IJCNN (International Joit Conference on Neural Networks). Rất nhiều công trình được nghiên cứu để ứng dụng mạng nơron vào các lĩnh vực như: Kỹ thuật tính, điều khiển, bài toán tối ưu, y học, sinh học, thống kê, giao thông, hoá học,…Cho đến nay mạng nơron đã tìm và khẳng định được vị trí của mình trong rất nhiều ứng dụng khác nhau.

1.3. Nơron sinh học 

Hệ thần kinh gồm hai lớp tế bào: nơron (tế bào thần kinh) và glia (tế bào glia). nơron là thành phần cơ bản của hệ thần kinh, chúng có chức năng xử lý thông tin. Glia thực hiện chức năng hỗ trợ. Vì vậy trước khi nghiên cứu về nơron nhân tạo chúng ta sẽ trình bày khái quát về cấu tạo và hoạt động của nơron sinh học. 

Nơron sinh học có nhiều loại, chúng khác nhau về kích thước và khả năng thu phát tín hiệu. Tuy nhiên chúng có cấu trúc và nguyên lý hoạt động chung như sau: 

Mỗi nơron sinh học gồm có 3 thành phần: Thân nơron với nhân ở bên trong (soma), một đầu dây thần kinh ra (axon) và một hệ thống phân nhánh hình cây (Dendrite) để nhận các thông tin vào. Trong thực tế có rất nhiều dây thần kinh vào và chúng bao phủ một diện tích rất lớn (0,25mm2). Đầu dây thần kinh ra được rẽ nhánh nhằm chuyển giao tín hiệu từ thân nơron tới nơron khác. Các nhánh của đầu dây thần kinh được nối với các khớp thần kinh (synapse). Các khớp thần kinh này được nối với thần kinh vào của các nơron khác. Các nơron có thể sửa đổi tín hiệu tại các khớp. Hình ảnh đơn giản của một nơron thể hiện trong hình dưới đây:

Mô hình nơron sinh học

Hoạt động của nơron sinh học có thể được mô tả như sau:

Mỗi nơron nhận tín hiệu vào từ các tế bào thần kinh khác. Chúng tích hợp các tín hiệu vào, khi tổng tín hiệu vượt quá một ngưỡng nào đó chúng tạo tín hiệu ra và gửi tín hiệu này tới các nơron khác thông qua dây thần kinh. Các nơron liên kết với nhau thành mạng. Mức độ bền vững của các liên kết này xác định một hệ số gọi là trọng số liên kết. 

1.4. Nơron nhân tạo 

Mô phỏng nơron sinh học, ta có nơron nhân tạo. Mỗi nơron có rất nhiều dây thần kinh vào, nghĩa là mỗi nơron có thể tiếp nhận đồng thời nhiều dữ liệu. Giả sử nơron i có N tín hiệu đầu vào, mỗi tín hiệu vào Sj được gán một trọng số wij tương ứng. Ta có thể ước lượng tổng tín hiệu đầu vào đi vào nơron (neti) theo một số dạng sau:

Một số dạng nơron nhân tạo

Trong đó p và wij lần lượt là bán kính và tâm cầu.

Hàm kích hoạt. 

Hàm biến đổi tín hiệu đầu vào net cho tín hiệu đầu ra out được gọi là hàm hàm kích hoạt. Người ta thường sử dụng một hàm kích hoạt chung cho toàn mạng.

Nút bias: 

Là một nút thêm vào nhằm làm tăng khả năng thích nghi của mạng nơron trong quá trình học. Trong các mạng nơron có sử dụng bias, mỗi nơron có thể có một trọng số tương ứng với bias. Trọng số này luôn có giá trị là 1.

1.5. Mạng nơron nhân tạo

Mạng nơron nhân tạo (Artificial Neural Network) là một cấu trúc mạng được hình thành nên bởi một số lượng lớn các nơron nhân tạo liên kết với nhau. Mỗi nơron có các đặc tính đầu vào, đầu ra và thực hiện một chức năng tính toán cục bộ.

Với việc giả lập các hệ thống sinh học, các cấu trúc tính toán mạng nơron có thể giải quyết được lớp các bài toán nhất định như: bài toán lập lịch, bài toán tìm kiếm, bài toán nhận dạng mẫu, bài toán xếp loại,… Mạng nơron còn giải quyết được lớp các bài toán sử dụng dữ liệu không đầy đủ, xung đột mờ hoặc xác suất. Những bài toán này được đặc trưng bởi một số hoặc tất cả các tính chất sau: Sử dụng không gian nhiều chiều, các tương tác phức tạp, chưa biết hoặc không thể theo dõi về mặt toán học giữa các biến; không gian nghiệm có thể rỗng, có nghiệm duy nhất hoặc có một số nghiệm bình đẳng như nhau. Ngoài ra, mạng nơron nhân tạo còn thích hợp để tìm nghiệm của những bài toán đòi hỏi đầu vào là những cảm nhận bởi con người như: Tiếng nói, nhìn và nhận dạng,… Tuy nhiên việc ánh xạ từ một bài toán bất kỳ sang một giải pháp mạng nơron lại là một việc không đơn giản. 

Mạng nơron là một cấu trúc xử lý song song, thông tin phân tán và có các đặc trưng nổi bật sau: 

Là mô hình toán học dựa trên bản chất của nơron sinh học. 

Bao gồm một số lượng lớn các nơron liên kết với nhau. 

Mạng nơron có khả năng học, khái quát hoá tập dữ liệu học thông qua việc gán và hiệu chỉnh các trọng số liên kết. 

Tổ chức theo kiểu tập hợp mang lại cho mạng nơron khả năng tính toán rất lớn, trong đó không có nơron nào mang thông tin riêng biệt.

Mạng nơron nhân tạo có một số mô hình thông dụng sau: 

Mạng truyền thẳng: 

Mạng truyền thẳng một lớp: Là mô hình liên kết cơ bản và đơn giản nhất. Các nơron tổ chức lại với nhau tạo thành một lớp, tín hiệu được truyền theo một hướng nhất định nào đó. Các đầu vào được nối với các nơron theo trọng số khác nhau, sau quá trình xử lý cho ra một chuỗi các tín hiệu ra. Nếu mạng là mô hình LTU thì nó được gọi là mạng perception, còn mạng nơron theo mô hình LGU thì được gọi là Adaline.

1.6. Tiếp cận nơron cho tính toán 

1.6.1. Đào tạo và lập trình. 

Ngày nay máy tính được ứng dụng rộng rãi trong tất cả các lĩnh vực của đời sống xã hội. Giải quyết một bài toán bằng máy tính cũng có rất nhiều phương pháp khác nhau. Thông thường, thì phương pháp lập trình chiếm ưu thế. Tuy nhiên lập trình đòi hỏi một cú pháp hình thức và một loạt các ngôn ngữ, cũng như kỹ năng của con người. Một giải pháp điển hình để giải quyết vấn đề trong hệ sinh học là đào tạo. Ví dụ, trẻ con không được “lập trình” nhưng chúng học theo ví dụ và thích nghi. Dĩ nhiên, để tiếp cận đào tạo khả thi, máy tính phải có thể đào tạo được và phải có dữ liệu đào tạo. Một trong những giải pháp để giải quyết vấn đề này là sử dụng mạng nơron. Mạng nơron có những đặc điểm nổi bật sau: 

Các hệ nơron hoạt động như các hệ thông tin có thể đào tạo được, thích nghi và thậm chí tự tổ chức.

Các mạng nơron phát triển một chức năng dựa trên dữ liệu đào tạo mẫu.

Các mạng nơron có thể cung cấp những kiến trúc tính toán thông qua đào tạo hơn là thiết kế. 

1.6.2. Luật học 

Các luật học đóng vai trò quan trọng trong việc xác định một mạng nơron nhân tạo. Một cách đơn giản về khái niệm học của mạng nơron là cập nhật các trọng số trên cơ sở các mẫu. Theo nghĩa rộng thì học có thể được chia làm hai loại: Học tham số và học cấu trúc. 

Học tham số: Các thủ tục học này nhằm tìm kiếm ma trận trọng số sao cho mạng có khả năng đưa ra dự báo sát với thực tế

Có thể chia học tham số ra thành ba lớp nhỏ hơn: Học có chỉ đạo, học tăng cường và học không có chỉ đạo. Việc xác định r phụ thuộc vào từng kiểu học. 

Học có tín hiệu chỉ đạo: Là quá trình mạng học dựa vào sai số giữa đầu ra thực và đầu ra mong muốn để làm cơ sở cho việc hiệu chỉnh trọng số. Sai số này chính là hằng số học r. Luật học điển hình của nhóm này là luật Delta của Widrow(1962) nêu ra dùng để xấp xỉ trọng số của Adaline dựa trên nguyên tắc giảm gradient. 

Trong nhóm luật học này cũng cần phải kể đến luật học perceptron của Rosenblatt(1958). Về cơ bản luật học này thay đổi các giá trị trọng số trong thời gian học, còn luật perceptron thì thêm hoặc bỏ trọng số tuỳ theo giá trị sai số là dương hay âm. 

Một loạt các luật học khác cũng dựa trên tư tưởng này. Luật Oja là cải tiến và nâng cấp của luật Delta. Luật truyền ngược là mở rộng của luật Delta cho mạng nhiều lớp. Đối với mạng truyền thẳng thường sử dụng luật truyền ngược để chỉnh trọng số với tín hiệu chỉ đạo từ bên ngoài và người ta gọi mạng này là mạng lan truyền ngược. 

Học không có tín hiệu chỉ đạo: Luật học này sử dụng đầu ra của mạng làm cơ sở để hiệu chỉnh các trọng số liên kết. Hay trong luật này chính là tín hiệu ra của mạng. Điển hình là luật Hebb(1949) thường dùng cho các mạng tự liên kết. Luật LVQ (learning Vector Quantization) dùng cho mạng tự tổ chức một lớp mạng ánh xạ đặc trưng của Kohonen. 

Luật học Hebb là luật sinh học xuất phát từ tiên đề của Hebb cho rằng: Giữa hai nơron có quan hệ và có thay đổi thế năng mạng thì giữa chúng có sự thay đổi trong số liên kết. Nói cách khác trọng số được điều chỉnh theo mối tương quan trước và sau.

Luật Hebb giải thích việc chỉnh trọng số trong phạm vi cục bộ của mạng mà không cần tín hiệu chỉ đạo từ bên ngoài. Hopfield cũng cải tiến luật Hebb cho các mạng tự liên kết thành 16 dạng khác nhau theo kiểu luật Hebb, luật đối Hebb, luật Hopfield,… 

Như vậy ứng với mỗi nhóm mạng thường áp dụng một luật học nhất định. Nếu tồn tại hàng chục loại mạng khác nhau thì số luật học có thể tăng lên rất nhiều lần. 

Đối với mạng phản hồi thường sử dụng luật Hebb và các luật cải tiến của nó để chỉnh trọng số mà không cần tín hiệu chỉ đạo từ bên ngoài. 

Học tăng cường: Trong một số trường hợp, thông tin phản hồi chỉ là tín hiệu bao gồm hai trạng thái cho biết tín hiệu đầu ra của mạng là đúng hay sai. Quá trình học dựa trên các thông tin hướng dẫn như vậy được gọi là học có củng cố (học tăng cường) và tín hiệu mang thông tin phản hồi được gọi là tín hiệu củng cố cho quá trình học. Ta có thể thấy rằng quá trình học này là một dạng của quá trình học có tín hiệu chỉ đạo bởi vì mạng nhận được một số thông tin phản hồi từ bên ngoài. 

Học cấu trúc: Tìm kiếm các tham số của cấu trúc mạng để tìm ra một cấu trúc mạng hoạt động tốt nhất. Trong thực tế việc học cấu trúc là tìm ra số lớp ẩn và tìm ra số nơron trong mỗi lớp đó. Giải thuật di truyền thường được sử dụng trong các cấu trúc nhưng thường chạy rất lâu, thậm chí ngay cả đối với mạng có kích thước trung bình. Ngoài ra kỹ thuật gọt tỉa mạng hay mạng tăng dần cũng được áp dụng trong việc học cấu trúc của mạng có kích thước tương đối nhỏ.

2. PHẠM VI ỨNG DỤNG CỦA MẠNG NƠRON 

2.1. Những bài toán thích hợp 

Mạng nơron được coi như một hộp đen để biến đổi véc tơ đầu vào m biến thành vectơ đầu ra n biến. Tín hiệu ra có thể là các tham số thực (tốt nhất nằm trong khoảng [0,1], hoặc [-1,1], số nhị phân 0,1, hay số lưỡng cực -1, +1). Số biến của vectơ ra không hạn chế song sẽ ảnh hưởng tới thời gian tính và tải nguyên liệu của máy tính. Nói chung, các lớp bài toán áp dụng cho nơron có thể phân chia làm 4 loại: 

  • Phân lớp (clasification). 
  • Mô hình hoá (modening). 
  • Biến đổi, thực hiện ánh xạ từ không gian đa biến này vào không gian đa biến khác tương ứng (transformation add mapping). 
  • Liên kết và kỹ thuật dịch chuyển cửa sổ (asosiation and moving window). 

2.1.1. Phân loại

Một trong các công việc đơn giản và thường được sử dụng nhiều trong quản lý các đối tượng đa biến là phân loại (phân lớp một đối tượng vào các nhóm, nhóm con hay chủng loại). Ví dụ: bài toán phân lớp ảnh, nhận dạng mẫu,… 

Khi phải phân loại một quyết định phức tạp, chúng ta phải bắt đầu với việc nghiên cứu, thống kê các mối liên quan giữa nhiều đối tượng. Có thể nói việc xây dựng một cây phân lớp và các quyết định phải được thực hiện trước khi thủ tục học được tiến hành. Nếu kết quả cuối cùng không thoả mãn, chúng ta cần phải xem xét lại cách biểu diễn các đối tượng hoặc cây 2.1.2. Mô hình hoá 

Các hệ thống phân loại đưa ra các câu trả lời rời rạc như có, không hoặc một số nguyên định danh các đối tượng đầu vào thuộc lớp nào. Mô hình hoá yêu cầu hệ thống phải sản sinh ra các câu trả lời mang tính liên tục. Trong quá trình mô hình hoá cần một số lượng nhỏ các số liệu để xây dựng mô hình. Mô hình này có thể đưa ra các dự báo cho tất cả các đối tượng đầu vào. Việc tìm ra đường cong phù hợp với các số liệu thực nghiệm là một trong những ứng dụng thuộc dạng này. Trong bất kỳ loại mô hình nào cũng phải tuân theo một giả định là: Các thay đổi nhỏ của tín hiệu vào chỉ gây ra những biến đổi nhỏ của tín hiệu ra. 

Trong các vấn đề đa biến mạng nơron có nhiều ưu thế hơn so với các mô hình hoá cổ điển sử dụng các hàm giải tích. Bởi vì trong phương pháp mô hình hoá cổ điển, đối với mỗi đầu ra ta phải xác định một hàm cụ thể cùng một bộ các tham số. Trong khi đó đối với mạng nơron thì không phải quan tâm tới những hàm đó. Tuy nhiên, trong các phương pháp mô hình hoá cổ điển, các hệ số có thể có một số ý nghĩa nào đó đối với vấn đề cần giải quyết, trái lại các trọng số của mạng không mang một ý nghĩa nào cả. 

Trong nhiều ứng dụng khá đặc biệt, khi sai số thực hiện khá lớn chúng ta có thể mô hình hoá bằng cách cân xứng hoá giữa tín hiệu vào và tín hiệu ra. Trong các trường hợp này, sử dụng mạng như một bảng tra là đủ, mặc dù các bảng này sẽ cho lời giải giống nhau trong một khoảng nào đó của tín hiệu vào. 

Đối với việc chọn chiến lược học, chúng ta cần quan tâm tới sự phân bố của các đối tượng dùng để học. Nếu số lượng đối tượng dùng cho việc học là ít và được phân bố đều trong toàn không gian, khi đó số liệu có thể được dùng ngay cho việc mô hình hoá. Trái lại, nếu các đối tượng là nhiều, sẵn có nhưng phân bố ngẫu nhiên trong không gian biến, đầu tiên ta phải giảm thiểu chúng sao cho vẫn bao trùm toàn không gian, sau đó mới dùng làm số liệu cho việc mô hình hoá. 

2.1.4. Liên kết 

Liên kết là tìm ra đối tượng đích có mối quan hệ với một đối tượng vào, thậm chí cả khi đối tượng vào bị hỏng hoặc hoàn toàn không biết. Theo một nghĩa nào đó, liên kết có thể được coi là phân loại. Thủ tục học cho vấn đề này là học có tín hiệu chỉ đạo. 

Lĩnh vực nghiên cứu các quá trình phụ thuộc thời gian là một trong những lĩnh vực chính trong nghiên cứu quá trình điều khiển. Ở đây, người sử dụng dự báo được hành vi của hệ thống đa biến dựa trên một chuỗi số liệu được ghi nhận theo thời gian. Trong mô hình hoá phụ thuộc thời gian, các biến của các tín hiệu vào bao gồm các giá trị hiện tại và quá khứ của các biến quá trình, trong đó tín hiệu ra dự đoán giá trị trong tương lai của những biến quá trình đó. Về nguyên tắc các hiểu biết này có thể có độ dài tuỳ ý, nhưng trong quá trình kiểm soát, hiểu biết tương lai chỉ bao gồm một bước thời gian. Việc học dịch chuyển tới bước tiếp theo tạo ra các cửa sổ bao gồm số bước thời gian của vectơ ra. Để tạo ra mô hình hoàn chỉnh của một quá trình, tất cả các biến quá trình phải được huấn luyện tại đầu ra của mạng, nhưng không phải tất cả các biến trong quá trình đều ảnh hưởng như nhau đối với kết quả cuối cùng, chỉ có một số biến là đáng quan tâm. Do đó chúng ta chỉ phải chọn các biến đó cho quá trình học. 

Kỹ thuật dịch chuyển cửa sổ có thể được sử dụng để giải quyết các vấn đề chuỗi các sự kiện và đối tượng như trong các lĩnh vực về môi trường theo thời gian, kiểm soát hỏng hóc. 

2.2. Các lĩnh vực ứng dụng của mạng nơron 

Kể từ khi ra đời và phát triển mạng nơron đã được ứng dụng trong rất nhiều lĩnh vực. Do vậy, liệt kê được tất cả các ứng dụng của mạng nơron là không thực tế. Tuy nhiên, ta có thể đưa ra một số ứng dụng điển hình của mạng nơron như sau: 

Xử lý ảnh, nhìn máy: Gồm trùng khớp ảnh, tiền xử lý ảnh, phân đoạn và phân tích ảnh, nén ảnh,… 

Xử lý tín hiệu: Phân tích tín hiệu địa chấn và hình thái học. 

Nhận dạng mẫu: Gồm việc tách các nét đặc biệt của mẫu, phân loại và phân tích tín hiệu của rada, nhận dạng và hiểu tiếng nói, nhận dạng vân tay, ký tự, chữ viết,… 

Y học: Phân tích và hiểu tín hiệu điện tâm đồ, chuẩn đoán bệnh, xử lý ảnh y học. 

Quân sự: Các hệ phát hiện thuỷ lôi, phân loại luồng rada, nhận dạng người nói. 

Các hệ tài chính: Gồm phân tích thị trường chứng khoán, định giá bất động sản, cấp phát thẻ tín dụng và thương mại an toàn. 

Trí tuệ nhân tạo: Gồm các hệ chuyên gia,… 

Dự đoán: Dự đoán các trạng thái của hệ thống,… 

Quy hoạch, kiểm tra và tìm kiếm: Gồm cài đặt song song các bài toán thoả mãn ràng buộc, tìm nghiệm bài toán người du lịch, điều khiển và robot 

2.3. Ưu nhược điểm của mạng nơron 

Ưu điểm:

  • Xử lý song song 
  • Thiết kế hệ thống thích nghi 
  • Không đòi hỏi các đặc trưng mở rộng của bài toán (chủ yếu dựa trên tập học). 
  • Có thể chấp nhận lỗi do tính song song. 

Nhược điểm: 

  • Không có các quy tắc hoặc hướng dẫn thiết kế rõ ràng đối với một ứng dụng nhất định. 
  • Không có cách tổng quát để đánh giá hoạt động bên trong mạng 
  • Việc học đối với mạng có thể khó (hoặc không thể) thực hiện. 
  • Khó có thể đoán trước được hiệu quả của mạng trong tương lai (khả năng tổng quát hoá).

3. MẠNG HOPFIELD 

Trong mạng hồi quy tín hiệu ra của một nơron có thể được truyền ngược lại làm tín hiệu vào cho các nơron ở các lớp trước, hoặc các nơron trong cùng một lớp. Phần này sẽ trình bày mô hình mạng tiêu biểu thuộc lớp mạng hồi quy, đó là mạng Hopfield. 

Mạng Hopfield được bắt đầu nghiên cứu từ năm 1982. Đây là mạng một lớp với thông tin và quá trình xử lý có nối ngược. Công trình của Hopfield có rất nhiều ứng dụng, đặc biệt trong bộ nhớ liên kết và trong các bài toán tối ưu điển hình như bài toán lập lộ trình di chuyển cho robot. 

Giả sử mạng được xây dựng dưới dạng mạng một lớp, mỗi nơron được nơron không tự liên kết với chính nó.  

Tín hiệu ra của nơron j nào đó được truyền ngược lại làm tín hiệu vào cho các nơron khác trong mạng một cách đầy đủ thông qua trọng số tương ứng.

3.1. Mạng Hopfield rời rạc 

Mạng Hopfield rời rạc là mạng được tính rời rạc (đầu ra rời rạc) và làm việc ở chế độ không đồng bộ.

3.2. Mạng Hopfield liên tục 

Mạng Hopfield liên tục là mạng mà trạng thái của nó được mô tả bởi phương trình động học

4. MẠNG NƠRON TRONG KỸ THUẬT ROBOT 

Những nghiên cứu của mạng nơron được xuất phát từ ý tưởng là tìm hiểu những nguyên lý hoạt động của bộ não con người, từ đó ứng dụng để thiết kế các hệ thống có thể thực hiện những nhiệm vụ phức tạp. 

Thực tế, mạng nơron có liên quan đến các lĩnh vực như: học, thích nghi, khái quát hoá và tối ưu hóa. Trong các lĩnh vực này thì: sự đoán nhận, học, hoạt động và quyết định là những vấn đề liên quan mật thiết với kỹ thuật dò đường. Việc ứng dụng mạng nơron vào kỹ thuật tìm đường cho phép cải thiện những khả năng học và thích nghi đáp ứng được những thay đổi trong môi trường có thông tin không chính xác, không nhất quán và không đầy đủ. Kỹ thuật nơron có khả năng xử lý hiệu quả những dữ liệu không chính xác, kích thước lớn, đây sẽ là công việc khó khăn nếu sử dụng phương pháp truyền thống. 

Mạng nơron là một hệ thống cho phép xử lý những thông tin song song và phân tán trên từng nơron, những nơron này được kết nối với nhau theo một mô hình nhất định. Việc học trong mạng nơron có thể được giám sát hoặc không được giám sát. Học giám sát là quá trình học sử dụng những thông tin mẫu đã được phân loại, trong khi học không giám sát chỉ sử dụng những thông tin tối thiểu không được phân loại. Những giải thuật học không giám sát có độ phức tạp tính toán thấp hơn cho kết quả chính xác hơn những giải thuật học giám sát.

Ngoài ra mạng nơron còn được ứng dụng trong bài toán phân loại và nhận dạng. Giải pháp giải quyết bài toán phân loại trong lộ trình di chuyển của người máy là succesfully phương pháp này có nền tảng là mạng nơron cạnh tranh ( Bekey, G.A. & Goldberg, K. 1993). Không chỉ có vậy mạng nơron này còn được ứng dụng trong việc xác định các quỹ đạo di chuyển của người máy. 

Để giúp robot tránh những chướng ngại vật mạng nơron với phương pháp huấn luyện là trượt dốc và lan truyền đã được sử dụng. Để dẫn đường cho người máy di chuyển trong môi trường hoạt động mạng nơron giám sát đã được sử dụng. Trong môi trường hoạt động của mình người máy học bởi mạng nơron, tại mỗi bước robot dự đoán các bước kế tiếp và từ đó phát sinh những tín hiệu điều khiển robot di chuyển. 

Có thể nói việc ứng dụng mạng nơron để lập lộ trình di chuyển cho robot sẽ giúp cho robot di chuyển linh hoạt hơn và đây cũng là một công việc quan trọng trong kỹ thuật robot. Từ những ứng dụng của mạng nơron trong kỹ thuật robot, ta nhận thấy việc ứng dụng công nghệ này là vô cùng quan trọng, nó sẽ là giải pháp khả thi có tính đột phá để nâng cao khả năng hoạt động của robot trong môi trường hoạt động, từ đó ứng dụng vào thực tế cuộc sống. 

5. NHẬN XÉT 

Mạng truyền thẳng và mạng hồi quy là hai mô hình tiêu biểu của mạng nơron nhân tạo, Mỗi loại mạng sẽ có những ưu nhược điểm riêng. Nắm vững những ưu nhược điểm của chúng sẽ giúp ta lựa chọn mô hình mạng thích hợp cho từng ứng dụng sẽ thiết kế. Những ưu nhược điểm của từng mô hình mạng sẽ được thể hiện qua những nhận xét sau: 

Mạng truyền thẳng một lớp dễ phân tích nhưng không mô tả được mọi hàm. Mạng nhiều lớp khắc phục được nhược điểm trên nhưng lại rất khó phân tích và gặp khó khăn trong quá trình xây dựng mạng. Mặt khác mạng truyền thẳng nhiều lớp có thể gây sai số tích luỹ qua các lớp. 

Mạng phản hồi một lớp (tiêu biểu là mạng Hopfield) có cấu trúc đơn giản vì thế dễ phân tích, không chứa sai số tích luỹ. 

Mạng nơron truyền thẳng chỉ đơn thuần tính toán các tín hiệu ra dựa trên các tín hiệu vào và trọng số liên kết giữa các nơron đã xác định sẵn ở trong mạng. Do đó chúng không có trạng thái bên trong nào khác ngoài trọng số W. Đối với mạng hồi quy, trạng thái bên trong của mạng được lưu trữ tại các ngưỡng của nơron. Nói chung các mạng hồi quy không ổn định, mạng cần phải tính toán rất lâu, thậm chí có thể lặp vô hạn trước khi đưa ra kết quả mong muốn. Quá trình học của mạng hồi quy cũng phức tạp hơn mạng truyền thẳng rất nhiều. Tuy vậy các mạng hồi quy có thể cho phép mô phỏng các hệ thống tương đối phức tạp trong thực tế.

6. DOWLOAD MIỄN PHÍ LUẬN VĂN THẠC SĨ CÔNG NGHỆ THÔNG TIN

Để xem toàn bộ tài liệu luận văn công nghệ thông tin này, hãy tải về tại đây
Từ khóa liên quan: đề tài thực tập tốt nghiệp công nghệ thông tin, đề tài tốt nghiệp công nghệ thông tin hay, đề tài tốt nghiệp công nghệ thông tin