Bài toán nội suy và mạng Nơron RBF
Bài toán nội suy và mạng Nơron RBF
Xem bên trong

Bài toán nội suy và mạng Nơron RBF

124 tr. + CD-ROM
Luận án TS. Khoa học máy tính – Trường Đại học Công nghệ. Đại học Quốc gia Hà Nội, 2009
Giới thiệu những điểm cơ bản của bài toán nội suy hàm số và mạng nơron nhiều tầng bao gồm: nội suy đa thức cho hàm một biến, các khái niệm tiếp cận chính đối với bài toán nội suy hàm nhiều biến, giới thiệu tóm tắt về mạng nơron nhân tạo và các mạng nơron nhiều tầng truyền tới. Trình bày các khái niệm cơ bản về mạng nơron RBF và mạng nội suy với hàm cơ sở bán kính dạng Gauss, mô tả các thuật toán thông dụng để huấn luyện mạng. Trình bày thuật toán hai pha mới (gọi là thuật toán lặp hai pha mới phát triển) để huấn luyện mạng nội suy RBF bao gồm cả phân tích toán học và kết quả thực nghiệm. Giới thiệu thuật toán một pha mới áp dụng cho bài toán nội suy với mốc cách đều. Đồng thời trình bày mạng địa phương RBF áp dụng cho bài toán động, hay bài toán thời gian thực. Đưa ra một số kết luận và đề xuất các nghiên cứu tiếp theo
Electronic Resources

0.00

Tải về miễn phí bản đầy đủ PDF luận văn tại Link bản đầy đủ 1

ĐẠI HỌC QUỐC GIA HÀ NỘI
TRƯỜNG ĐẠI HỌC CÔNG NGHỆ

Đặng Thị Thu Hiền

BÀI TOÁN NỘI SUY VÀ MẠNG NƠRON RBF

Chuyên ngành: Khoa học máy tính
Mã số: 62 48 01 01

LUẬN ÁN TIẾN SĨ CÔNG NGHỆ THÔNG TIN

Hà nội – 2009

ĐẠI HỌC QUỐC GIA HÀ NỘI
TRƯỜNG ĐẠI HỌC CÔNG NGHỆ

Đặng Thị Thu Hiền

BÀI TOÁN NỘI SUY VÀ MẠNG NƠRON RBF

Chuyên ngành: Khoa học máy tính
Mã số: 62 48 01 01

TÓM TẮT LUẬN ÁN TIẾN SĨ CÔNG NGHỆ THÔNG TIN

Hà nội – 2009

MỤC LỤC

LỜI CẢM ƠN …………………………………………………………………………………………………………… 3
LỜI CAM ĐOAN ……………………………………………………………………………………………………… 4
DANH MỤC CÁC KÝ HIỆU VÀ TỪ VIẾT TẮT ………………………………………………………. 5
DANH MỤC CÁC BẢNG …………………………………………………………………………………………. 6
DANH MỤC CÁC HÌNH VẼ …………………………………………………………………………………….. 7
MỤC LỤC ………………………………………………………………………………………………………………… 9
MỞ ĐẦU ………………………………………………………………………………………………………………… 12
CHƯƠNG 1.  NỘI SUY HÀM SỐ VÀ MẠNG NƠRON ………………………………………… 16
1.1.  Nội suy hàm số ……………………………………………………………………………………………….. 17
1.1.1.  Bài toán nội suy tổng quát ………………………………………………………………… 17
1.1.2.  Nội suy hàm một biến ……………………………………………………………………… 18
1.1.3.  Nội suy hàm nhiều biến ……………………………………………………………………. 24
1.2.  Giới thiệu về mạng nơron nhân tạo …………………………………………………………………. 27
1.2.1.  Mạng nơron sinh học ……………………………………………………………………….. 28
1.2.2.  Mạng nơron nhân tạo ……………………………………………………………………….. 30
1.2.3.  Mạng perceptron nhiều tầng MLP (Multi-Layer Perceptrons) ………………. 37
CHƯƠNG 2.  MẠNG NƠRON RBF …………………………………………………………………….. 43
2.1.  Hàm cơ sở bán kính RBF và bài toán nội suy …………………………………………………… 44
2.1.1.  Bài toán nội suy nhiều biến với cách tiếp cận RBF ……………………………… 44
2.1.2.  Kỹ thuật hàm cơ sở bán kính …………………………………………………………….. 46
2.2.  Kiến trúc mạng RBF ………………………………………………………………………………………. 48
2.3.  Huấn luyện mạng RBF …………………………………………………………………………………… 49
2.3.1.  Phương pháp huấn luyện một pha ……………………………………………………… 49
2.3.2.  Phương pháp huấn luyện hai pha ………………………………………………………. 53
2.3.3.  Phương pháp huấn luyện đầy đủ ……………………………………………………….. 54
2.3.4.  Nhận xét chung các thuật toán huấn luyện ………………………………………….. 57
2.4.  So sánh mạng RBF với mạng MLP …………………………………………………………………. 57
2.5.  Kết luận của chương ………………………………………………………………………………………. 58

CHƯƠNG 3.  THUẬT TOÁN MỚI HUẤN LUYỆN MẠNG NỘI SUY RBF …………. 59
3.1.  Nền tảng lý thuyết của thuật toán ……………………………………………………………………. 59
3.1.1. Các phương pháp lặp đơn giải hệ phương trình tuyến tính ………………………. 59
3.1.2. Tóm lược về mạng nội suy RBF với hàm RBF dạng Gauss ……………………. 61
3.2.  Thuật toán lặp hai pha huấn luyện mạng nội suy RBF …………………………………….. 64
3.2.1. Định lý cơ bản …………………………………………………………………………………… 64
3.2.2. Mô tả thuật toán …………………………………………………………………………………. 65
3.2.3. Đặc tính hội tụ …………………………………………………………………………………… 68
3.2.4. Độ phức tạp của thuật toán ………………………………………………………………….. 69
3.3.  Thử nghiệm thuật toán …………………………………………………………………………………… 70
3.3.1. Tốc độ hội tụ …………………………………………………………………………………….. 71
3.3.2. Tính tổng quát …………………………………………………………………………………… 73
3.4.  So sánh với phương pháp Gradient …………………………………………………………………. 77
3.4.1. So sánh thời gian và độ chính xác của những điểm huấn luyện. ………………. 77
3.4.2. So sánh tính tổng quát ………………………………………………………………………… 79
3.5.  Nhận xét chung về thuật toán lặp hai pha HDH ………………………………………………. 81
CHƯƠNG 4.  BÀI TOÁN NỘI SUY VỚI MỐC CÁCH ĐỀU ………………………………… 84
4.1.  Biểu diễn bài toán …………………………………………………………………………………………… 85
4.2.  Định lý cơ sở và mô tả thuật toán ……………………………………………………………………. 87
4.2.1.  Định lý cơ sở ………………………………………………………………………………….. 87
4.2.2.  Mô tả thuật toán một pha ………………………………………………………………….. 88
4.3.  Thực nghiệm ………………………………………………………………………………………………….. 89
4.3.1.  So sánh thời gian huấn luyện ……………………………………………………………. 90
4.3.2.  So sánh sai số huấn luyện …………………………………………………………………. 91
4.3.3.  So sánh tính tổng quát ……………………………………………………………………… 94
4.4.  Nhận xét chung về thuật toán một pha mới ……………………………………………………… 96
CHƯƠNG 5.  MẠNG RBF ĐỊA PHƯƠNG …………………………………………………………… 97
5.1.  Giới thiệu ………………………………………………………………………………………………………. 97
5.2.  Mạng RBF địa phương …………………………………………………………………………………… 99
5.2.1. Kiến trúc và thủ tục xây dựng mạng …………………………………………………….. 99
5.2.2. Thuật toán phân cụm nhờ cây k-d. ……………………………………………………… 101
5.2.3. Độ phức tạp thuật toán huấn luyện mạng …………………………………………….. 103

5.3.  Tính xấp xỉ tổng quát của mạng nội suy RBF địa phương ………………………………. 104
5.4.  Bài toán động ……………………………………………………………………………………………….. 106
5.5.  Kết quả thực nghiệm …………………………………………………………………………………….. 106
5.5.1. So sánh thời gian và sai số huấn luyện ………………………………………………… 107
5.5.2 Tính tổng quát ………………………………………………………………………………….. 111
5.5.3. Huấn luyện tăng cường ở bài toán động ……………………………………………… 115
5.6.  Nhận xét chung …………………………………………………………………………………………….. 117
KẾT LUẬN …………………………………………………………………………………………………………… 118
DANH MỤC CÁC CÔNG TRÌNH CÔNG BỐ CỦA TÁC GIẢ ……………………………….. 120
TÀI LIỆU THAM KHẢO ……………………………………………………………………………………… 121

DANH MỤC CÁC KÝ HIỆU VÀ TỪ VIẾT TẮT
RBF Radial Basis Function (Hàm cở sở bán kính)
ANN Artificial Neural Network (mạng nơ ron nhân tạo)
Feel-forward NN feel-forward neural network (mạng nơ ron truyền tới)
Recurent NN Recurent neural network (mạng nơ ron hồi quy)
MLP Multi-Layer Perceptrons (Perceptron nhiều tầng)
LMS Least-Mean Square (cực tiểu trung bình bình phương)
BP Back Propagation (lan truyền ngược)
HDH Thuật toán lặp hai pha mới phát triển
QHDH Thuật toán lặp một pha mới phát triển
QTL Thuật toán huấn luyện nhanh Looney giới thiệu
QTH Thuật toán huấn luyện nhanh theo gợi ý của Haykin

DANH MỤC CÁC BẢNG
Bảng 3.1: Thời gian huấn luyện với tham số dừng  =10-6 ……………………………………………… 72
Bảng 3.2 : Thời gian huấn luyện của 2500 mốc, q==0.7 và  thay đổi. ………………………….. 72
Bảng 3.3. Kiểm tra các điểm với q=0.8;  =10-6 và  thay đổi nhận các giá trị 0.9 ;0.8 ;0.6 … 74
Bảng 3.4: Kiểm tra các điểm với α=0.9;  =10-6 và q thay đổi nhận các giá trị 0.9; 0.7; 0.5 … 76
Bảng 3.5: Kiểm tra sai số của 8 mốc huấn luyện để so sánh độ chính xác …………………………. 78
Bảng 3.6: Kiểm tra 8 điểm chưa được huấn luyện và so sánh tính tổng quát ……………………… 80
Bảng 4.1 : So sánh thời gian huấn luyện giữa thuật toán 2 pha HDH và 1 pha QHDH ……….. 90
Bảng 4.2: So sánh sai số và thời gian huấn luyện của các thuật toán QHDH, HDH, QTL và
QTH với 1331 mốc của hàm 3 biến. ……………………………………………………………………………. 93
Bảng 4.3: So sánh tính tổng quát của mạng huấn luyện bởi các thuật toán QHDH, HDH, QTL
và QTH với 1331 mốc của hàm 3 biến. ………………………………………………………………………… 95
Bảng 5.1: Thời gian huấn luyện mạng với hàm 3 biến với =10-6, q=0.9; =0.9. ………………. 99
Bảng 5.2: So sánh thời gian và sai số huấn luyện của hàm 2 biến có 4096 mốc nội suy ……. 108
Bảng 5.3: So sánh thời gian và sai số huấn luyện của hàm 3 biến có 19683 mốc nội suy ….. 110
Bảng 5.4. So sánh tính tổng quát với hàm 2 biến có 4086 mốc tại 10 điểm xa tâm …………… 112
Bảng 5.5. So sánh tính tổng quát với hàm 3 biến có 19673 mốc tại 10 điểm xa tâm …………. 114
Bảng 5.6. So sánh thời gian huấn luyện tăng cường khi có mốc mới. ……………………………… 116

DANH MỤC CÁC HÌNH VẼ
Hình 1.1 Minh họa bài toán nội suy hàm một biến ………………………………………………………… 18
Hình 1.2 : Cấu tạo của nơron sinh học …………………………………………………………………………. 29
Hình 1.4. Mô hình một nơron nhân tạo ………………………………………………………………………… 30
Hình 1.5: Đồ thị hàm ngưỡng ……………………………………………………………………………………… 31
Hình 1.6: Đồ thị hàm tuyến tính ………………………………………………………………………………….. 32
Hình 1.7: Đồ thị hàm sigmoid …………………………………………………………………………………….. 32
Hình 1.8: Đồ thị hàm tanh ………………………………………………………………………………………….. 32
Hình 1.9: Đồ thị hàm Gauss ……………………………………………………………………………………….. 33
Hình 1.10: Mô hình một mạng nơron 4 tầng truyền tới …………………………………………………… 34
Hình 1.11 Mô hình các loại mạng nơron ………………………………………………………………………. 36
Hình 1.12 Kiến trúc mạng nơron truyền tới nhiều tầng ………………………………………………….. 38
Hình 1.13 Huấn luyện mạng lan truyền ngược ……………………………………………………………… 39
Hình 2.1. Hàm cơ sở bán kính Gauss với  =1 ……………………………………………………………… 45
Hình 2.2. Hàm cơ sở bán kính Multiquadric với  =1 ……………………………………………………. 45
Hình 2.3. Hàm cơ sở bán kính Inverse Multiquadric với r =1 và c = 0 ……………………………… 45
Hình 2.4. Hàm cơ sở bán kính Cauchy với r =1 và c = 0 ………………………………………………… 46
Hình 2.5: Mô tả kiến trúc mạng nơron RBF ………………………………………………………………….. 48
Hình 2.6: Quá trình hội tụ đến giá trị cực tiểu của thuật toán Gradient, …………………………….. 51
đường nét đứt ứng với giá trị  lớn, đường nét liền ứng với giá trị  nhỏ …………………………. 51
Hình 2.7 Thuật toán huấn luyện nhanh (Quick Training) ……………………………………………….. 53
Hình 2.8 Thuật toán huấn luyện đầy đủ Full Training ……………………………………………………. 56
Hình 2.9 Thủ tục Update(k) của thuật toán huấn luyện đầy đủ ………………………………………… 56
Hình 3.1 Mô hình minh hoạ miền ảnh hưởng của tham số bán kính  ……………………………… 63
Hình 3.2 Đặc tả thuật toán lặp hai pha huấn luyện mạng RBF …………………………………………. 66

Hình 3.3. Pha 1: xác định tham số bán kính ………………………………………………………………….. 67
Hình 3.4. Pha 2: xác định trọng số tầng ra ……………………………………………………………………. 68
Hình 3.5 Đồ thị thời gian huấn luyện khi các tham số q và  thay đổi ……………………………… 72
Hình 3.6 Đồ thị kiểm tra sai số khi  thay đổi ………………………………………………………………. 75
Hình 3.7 Đồ thị kiểm tra sai số khi q thay đổi ……………………………………………………………….. 77
Hình 3.8 So sánh độ chính xác và thời gian của thuật toán mới và thuật toán Grandient …….. 79
Hình 3.9 Đồ thị so sánh tính tổng quát của thuật toán mới và thuật toán Grandient ……………. 81
Hình 4.1 : Thuật toán 1 pha huấn luyện mạng RBF với mốc cách đều ……………………………… 89
Hình 4.2: Đồ thị so sánh thời gian huấn luyện giữa thuật toán HDH và QHDH …………………. 91
Hình 4.3: So sánh sai số và thời gian huấn luyện của các thuật toán QHDH, HDH, QTL, QTH
với 1331 mốc của hàm 3 biến. …………………………………………………………………………………….. 92
Hình 4.4: So sánh tính tổng quát của mạng huấn luyện bởi các thuật toán QHDH, HDH, QTL
và QTH với 1331 mốc của hàm 3 biến. ………………………………………………………………………… 94
Hình 5.1 Thủ tục xây dựng mạng RBF địa phương ……………………………………………………… 100
Hình 5.2. Mô hình kiến trúc mạng RBF địa phương …………………………………………………….. 101
Hình 5.3 Thủ tục chia đôi hình hộp n-chiều ………………………………………………………………… 102
Hình 5.4: Cây K-D mô tả tập dữ liệu trong không gian 2 chiều, với N=38, M=10. …………… 103
Hình 5.5: Đồ thị so sánh thời gian và sai số huấn luyện của hàm 2 biến có 4096 mốc. ……… 109
Hình 5.6: So sánh thời gian và sai số huấn luyện của hàm 3 biến có 19683 mốc ……………… 111
Hình 5.7: So sánh tính tổng quát với hàm 2 biến có 4086 mốc tại 10 điểm xa tâm. ………….. 113
Hình 5.8: So sánh tính tổng quát với hàm 3 biến có 19673 mốc tại 10 điểm xa tâm. ………… 115
Hình 5.9: Đồ thị so sánh thời gian huấn luyện tăng cường khi có mốc mới……………………… 116

12
MỞ ĐẦU
Nội suy hàm số là một bài toán cổ điển nhưng quan trọng trong giải tích số,
nhận dạng mẫu và có nhiều ứng dụng rộng rãi. Bài toán nội suy được mô tả như
sau: một hàm chưa xác định cụ thể f:D(Rn)Rm nhưng đã xác định được một tập
mẫu  Nkkk yx 1,  trong đó xkRn, ykRm (k =1,..,N) thỏa mãn f(xk)=yk, cần tìm hàm
g có dạng đủ tốt đã biết thỏa mãn hệ phương trình nội suy g(xk) = yk k .
Trường hợp một chiều, bài toán đã được Lagrange (thế kỷ 18) nghiên cứu
giải quyết khá đầy đủ nhờ dùng hàm nội suy đa thức. Cùng với sự phát triển các
ứng dụng nhờ sử dụng máy tính trong nửa sau thế kỷ 20, sự phát triển của lý thuyết
nội suy Spline và sóng nhỏ (wavelet)… đã tạo nên cơ sở lý thuyết và thực tiễn khá
hoàn thiện cho nội suy hàm một biến.
Tuy nhiên, đa số các bài toán nội suy trong các ứng dụng thực tiễn lại là bài
toán nội suy nhiều biến. Do các khó khăn trong xử lý toán học và nhu cầu ứng dụng
trước đây chưa nhiều nên bài toán nội suy nhiều biến mới được quan tâm nhiều
trong 50 năm gần đây. Thoạt tiên, người ta phát triển nội suy nhiều biến theo hướng
sử dụng đa thức. Các sơ đồ chính được Franke(1982) và Boor(1987) đúc kết (có thể
xem [9]). Các sơ đồ này có độ phức tạp cao và kết quả ứng dụng không tốt.
Phương pháp k- láng giềng gần nhất được Cover và Hart (1967) đề xuất
khá sớm về mặt lý thuyết, nhưng chỉ đến khi Duda và Hart (1973) đưa ra tổng quan
đầy đủ thì phương pháp này mới được ứng dụng rộng rãi và được phát triển thêm
theo hướng hồi qui trọng số địa phương. Cách tiếp cận này cho ra một phương pháp
đơn giản dễ sử dụng. Tuy nhiên, nhược điểm cơ bản của nó là chỉ xác định thu hẹp
địa phương của hàm nội suy khi biết điểm cần tính giá trị hàm, nên không dùng
được cho bài toán cần xác định trước hàm nội suy để nội suy hàm số tại điểm tùy ý.
Trong 30 năm gần đây. Mạng nơron nhân tạo là cách tiếp cận tốt để khắc
phục những nhược điểm trên. Mô hình đầu tiên về mạng nơron nhân tạo được
McCelland và Pit (1943) đề xuất để nhận dạng mẫu. Rosenblatt (1953) và Widrow

13
(1960) đã xây dựng các perceptron một tầng theo mô hình này, với các luật học sửa
lỗi và bình phương tối thiểu. Việc nghiên cứu tiếp theo bị chững lại gần một thập
niên do nhận xét của Minsky và Papett(1969) về các nhược điểm của perceptron
một tầng. Đến giữa những năm 1980 mạng MLP được nghiên cứu và ứng dụng lại
nhờ thuật toán lan truyền ngược sai số (Rumelhart và McCelland 1986; Parker
1985) và trở thành công cụ mạnh để xấp xỉ hàm nhiều biến. Tuy vậy, mạng MLP có
thời gian huấn luyện lâu, chất lượng mạng tùy thuộc vào hiệu quả giải bài toán cực
trị và đến nay chưa có phương pháp tốt nào để xác định kiến trúc đủ tốt cho mạng.
Hơn nữa chủ yếu nó chỉ dùng để xấp xỉ hàm chứ không bảo đảm có thể giải được
bài toán nội suy.
Powell (1987) đề xuất dùng các hàm cơ sở bán kính để giải quyết bài toán
nội suy nhiều biến [49]. Kỹ thuật này được Broomhead và Low (1988) giới thiệu
như là mạng nơron [16]. Mạng RBF với hàm cơ sở bán kính có thể xem là dạng lai
của các phương pháp học dựa trên mẫu (k-lân cận gần nhất và hồi quy trọng số địa
phương) và mạng nơron MLP. Như mạng nơron MLP, hàm nội suy của mạng xác
định từ dữ liệu huấn luyện sau khi học, chất lượng mạng tùy thuộc vào thuật toán
huấn luyện. Mạng RBF giống với các phương pháp học dựa trên mẫu ở chỗ hàm nội
suy là tổ hợp tuyến tính của các hàm RBF, các hàm này chỉ có ảnh hưởng địa
phương nên có thể xử lý chúng mà không ảnh hưởng nhiều lên toàn miền xác định.
Mạng RBF chủ yếu dùng để xấp xỉ hàm (mà nội suy là bài toán riêng). Ưu
điểm của mạng RBF là thời gian huấn luyện nhanh và luôn đảm bảo hội tụ đến cực
trị toàn cục của sai số trung bình phương. Việc xác định tâm, số hàm cơ sở thế nào
là tốt vẫn là bài toán mở. Trường hợp số dữ liệu huấn luyện ít (Looney khuyên là
nhỏ hơn 200 [38]) thì có thể lấy các mốc nội suy là tâm hàm RBF ở tầng ẩn, mạng
này có thể cho nghiệm đúng của hệ phương trình nội suy nên gọi là mạng nội suy
RBF. Khi số mốc nhiều, do các hạn chế trong kỹ thuật giải hệ phương trình tuyến
tính, nên các phương pháp xây dựng mạng và huấn luyện hiện có vẫn tốn thời gian
và hiệu quả chưa cao. Mặc dù so với mạng MLP thì việc huấn luyện chúng vẫn
nhanh và dễ hơn nhiều [38]. Đến nay cùng với mạng MLP, mạng RBF tỏ ra là một

14
phương pháp hiệu quả và được ứng dụng rộng rãi để nội suy và xấp xỉ hàm nhiều
biến ( xem [14,15,30]).
Thuật toán huấn luyện mạng có vai trò rất quan trọng, nó ảnh hưởng trực
tiếp đến tính hội tụ và tổng quát của mạng. Trong những năm gần đây đã có nhiều
tác giả đề xuất cải tiến thuật toán huấn luyện mạng RBF. Như N. Benoudjit và các
cộng sự (2002) [10] đã cải tiến bằng cách tối ưu tham số độ rộng bán kính. M.
Lazaro và cộng sự (2003)[37] đề xuất thuật toán mới để tăng tốc độ hội tụ. K.Z Mao
và cộng sự (2005) [41] đưa ra cách chọn số nơron tầng ẩn dựa trên cấu trúc dữ liệu
để tăng tính tổng quát của mạng. Ta thấy rằng hầu hết những thuật toán này vẫn xác
định trọng số tầng ra theo phương pháp Gradient hoặc biến thể của nó. Thời gian
huấn luyện lâu, chưa ước lượng được sai số. Khi số lượng dữ liệu lớn sẽ gặp nhiều
khó khăn.
Một vấn đề có tính thời sự đang đặt ra trong các bài toán điều khiển học và
khai thác tri thức từ dữ liệu (Data mining) là cần giải tốt các bài toán nội suy thời
gian thực, trong đó việc xác định lại hàm nội suy khi có dữ liệu bổ sung phải hoàn
thành kịp thời.
Nhiệm vụ đặt ra cho tác giả luận án này là nghiên cứu và đề xuất các thuật
toán huấn luyện mạng nội suy hiệu quả cho các trường hợp có số mốc nội suy lớn
và tìm giải pháp cho bài toán thời gian thực.
Trong luận án chúng tôi đề xuất một thuật toán lặp hai pha huấn luyện
mạng nội suy RBF. Pha thứ nhất xác định tham số độ rộng cho các hàm cơ sở bán
kính sao cho các trọng số tầng ra được tìm nhờ phép lặp xác định điểm bất động của
một ánh xạ co trong pha sau. Phân tích toán học và kết quả thực nghiệm cho thấy
thuật toán có những ưu điểm vượt trội so với những thuật toán thông dụng: dùng
được khi số mốc nội suy lớn (hàng chục ngàn mốc), dễ ước lượng sai số huấn luyện,
thời gian huấn luyện ngắn, tính tổng quát cũng tốt hơn và dễ song song hoá. Trong
trường hợp bài toán nội suy có mốc cách đều, thay cho khoảng cách Euclide, chúng
tôi dùng khoảng cách Mahalanobis thích hợp và cải tiến thuật toán hai pha thành

15
thuật toán một pha. Phân tích toán học và kết quả thực nghiệm cho thấy thuật toán
này cải thiện đáng kể chất lượng mạng so với thuật toán hai pha cả về thời gian
huấn luyện và tính tổng quát. Đối với bài toán thời gian thực, đặc biệt là bài toán
động, chúng tôi đề xuất kiến trúc mạng địa phương. Mạng này chia miền xác định
thành các miền con chứa số mốc nội suy tương đối bằng nhau, nhờ phương pháp
phỏng theo thuật toán xây dựng cây k-d quen biết. Sau đó dùng thuật toán huấn
luyện hai pha để huấn luyện mạng RBF trên mỗi miền con và ghép chúng lại theo ý
tưởng nội suy spline. Phân tích toán học và kết quả thực nghiệm cho thấy chất
lượng mạng có nhiều ưu điểm nổi trội.
Các kết quả trên được công bố trong tạp chí khoa học quốc tế Signal
Processing và International Journal of Data Mining, Modelling and Management
Science (IJDMMM). Hội nghị quốc tế của IEEE và hội thảo trong nước.
Ngoài phần kết luận, luận án được tổ chức như sau. Chương 1 giới thiệu
những điểm cơ bản của bài toán nội suy hàm số và mạng nơron nhiều tầng truyền
tới cần cho nội dung chính của luận án bao gồm: nội suy đa thức cho hàm một biến,
các khái niệm và tiếp cận chính đối với bài toán nội suy hàm nhiều biến, giới thiệu
tóm tắt về mạng nơron nhân tạo và các mạng nơron nhiều tầng truyền tới. Chương 2
giới thiệu các khái niệm cơ bản về mạng nơron RBF và mạng nội suy với hàm cơ sở
bán kính dạng Gauss. Sau đó chúng tôi mô tả các thuật toán thông dụng để huận
luyện mạng. Chương 3 trình bày thuật toán hai pha mới (gọi là thuật toán HDH) để
huấn luyện mạng nội suy RBF bao gồm cả phân tích toán học và kết quả thực
nghiệm. Chương 4 trình bày thuật toán một pha mới áp dụng cho bài toán nội suy
với mốc cách đều. Chương 5 trình bày mạng địa phương RBF áp dụng cho bài toán
động, hay bài toán thời gian thực. Cuối cùng chúng tôi đưa ra một số kết luận và đề
xuất các nghiên cứu tiếp theo.

16
CHƯƠNG 1. NỘI SUY HÀM SỐ VÀ MẠNG NƠRON

Nội suy hàm số là một bài toán quan trọng trong giải tích số và nhận dạng
mẫu [5,22,30,36,38] đang được ứng dụng rộng rãi. Bài toán nội suy hàm một biến
đã được nghiên cứu từ rất sớm gắn liền với các tên tuổi lớn như Lagrange và
Newton. Nhưng trong các ứng dụng thực tế ta thường phải giải quyết bài toán nội
suy nhiều biến và nó chỉ mới được quan tâm nghiên cứu trong năm mươi năm gần
đây cùng với sự phát triển mạnh mẽ của khoa học máy tính.
Đầu tiên, người ta phát triển nội suy nhiều biến theo hướng sử dụng đa thức
nhưng không hiệu quả do phức tạp trong tính toán và kết quả ứng dụng không tốt.
Các phương pháp k- lân cận gần nhất Cover và Hart (1967) và hồi quy
trọng số địa phương cho một giải pháp đơn giản, dễ sử dụng với bài toán này và
đang là một công cụ tốt. Tuy nhiên các phương pháp này không thể huấn luyện
trước được, mà chỉ xác định khi biết điểm cần nội suy. Như vậy, việc xác định giá
trị hàm nội suy tại mẫu mới thực hiện khi đã biết mẫu để xác định láng giềng (lân
cận). Cách tiếp cận này sẽ gặp khó khăn khi áp dụng cho các bài toán cần xác định
trước hàm nội suy.
Mạng nơron nhân tạo là cách tiếp cận tốt để khắc phục những nhược điểm
trên. Mặc dù còn vướng nhiều vấn đề mở về lý thuyết, nhưng hiện nay mạng nơron
nhân tạo là một công cụ hữu hiệu để giải các bài toán nội suy hàm nhiều biến trong
các bài toán ứng dụng thực tiễn. Trong đó thông dụng nhất là mạng MLP và mạng
RBF ( xem [14,15,30]).
Chương này giới thiệu những điểm cơ bản của bài toán nội suy hàm số và
mạng nơron nhiều tầng truyền tới (MLP) cần cho nội dung chính của luận án. Mục
1.1 giới thiệu về bài toán nội suy bao gồm nội suy đa thức cho hàm một biến và các
khái niệm và tiếp cận chính đối với bài toán nội suy hàm nhiều biến. Mục 1.2 trình

17
bày tổng quan về mạng nơron nhân tạo và giới thiệu về các mạng nơron nhiều tầng
truyền tới.
1.1. Nội suy hàm số
Trong nhiều bài toán, ta cần tính giá trị của một hàm số tại những điểm của
đối số trong miền D nào đó của không gian n-chiều, nhưng không có biểu diễn
tường minh hàm số mà chỉ xác định được giá trị của hàm số trên một tập hữu hạn
điểm của D. Việc xác định gần đúng hàm này dẫn tới bài toán nội suy và xấp xỉ hàm
số.
1.1.1. Bài toán nội suy tổng quát
Bài toán nội suy tổng quát được phát biểu như sau. Xét hàm nhiều biến
chưa biết f : D (Rn)Rm nhưng xác định được một tập mẫu gồm N phần tử
 Nkkk yx 1,  trong đó xkRn, ykRm ( k=1,..,N) thỏa mãn f(xk) = yk . Ta cần tìm hàm
g có dạng đủ tốt đã biết thỏa mãn:
g(xi) = yi,  i = 1,…,N (1.1)
Các điểm xk được gọi là các mốc nội suy còn hàm g gọi là hàm nội suy của f .
Hàm nội suy thường được dùng để xấp xỉ hàm f trên miền D, giá trị hàm
nội suy tính được tại điểm x bất kỳ trên miền D gọi là giá trị nội suy của hàm f tại x
(hay gọn hơn là giá trị nội suy tại x nếu không có sự nhầm lẫn). Hình 1.1 minh họa
hàm nội suy trong trường hợp một biến.

Tác giả

Đặng Thị Thu Hiền

Nhà xuất bản

ĐHCN

Năm xuất bản

2009

Người hướng dẫn

Hoàng Xuân Huấn, Huỳnh Hữu Tuệ

Định danh

V_L0_02530

Kiểu

text

Định dạng

text/pdf

Nhà xuất bản

Khoa công nghệ thông tin,

Trường đại học Công nghệ

Các đánh giá

Hiện chưa có đánh giá cho sản phẩm.

Hãy là người đầu tiên đánh giá “Bài toán nội suy và mạng Nơron RBF”

Email của bạn sẽ không được hiển thị công khai. Các trường bắt buộc được đánh dấu *