Luận văn Dụng cụ đo và cảm biến

 70 80 90 100 0 
0.2 
0.4 
0.6 
0.8 
1 
1.2 
1.4 x 10 
-5 
0 10 20 30 40 50 60 70 80 90 100
0
0.05 
0.1
0.15 
0.2
0.25 
0.3
0.35 
Y 
sa
i s
o 
Y 
sa
i s
o 
 77
tuyệt đối tương ứng đối với biến Y là 1,2x10-5 và 0,29. Như vậy việc sử dụng 
mạng nơron đã cho ta kết quả chính xác hơn so với giá trị trung bình rất 
nhiều. Bằng cách tăng số lượng mẫu học và giảm sai số học của mạng ta có 
thể thu được giá trị đầu ra của mạng với độ chính xác tuỳ ý. Tức là với một 
sai số ε tuỳ ý cho trước ta có thể dùng nhiều mẫu học cho việc huấn luyện 
mạng để thoã mãn: kk XX −* <ε hoặc kk YY −* <ε với k=1,..n. Từ các kết quả 
đầu ra mạng sau khi đã được huấn luyện **, kk YX , có thể tiến hành khắc độ tự 
động bằng một số phương pháp như phương pháp tuyến tính hóa, phương 
pháp nội suy Lagrange hoặc sử dụng mạng nơron... Tiếp theo ta sẽ xem xét 
việc sử dụng phương pháp nội suy Lagrange và mạng nơron để khắc độ tự 
động cảm biến. 
3.3 Khắc độ tự động thiết bị đo và cảm biến 
3.3.1 Sử dụng hàm nội suy Lagrange để khắc độ tự động 
Dùng các kết quả đầu ra của mạng nơron sau khi đã được huấn luyện: 
**, kk YX , k=1,..n để tiến hành khắc độ tự động đặc tính của cảm biến. Trong 
luận văn này tôi đề xuất phương pháp dùng hàm nội suy Lagrange với lý do 
hàm này sẽ đi qua tất cả những điểm lấy mẫu **, kk YX . 
Hàm nội suy Lagrange được cho bởi phương trình: 
n
nnnn
n
n
n
n
n
y
xxxxxx
xxxxxx
y
xxxxxx
xxxxxx
y
xxxxxx
xxxxxx
y
))...()((
))...()((
......
))...()((
))...()((
))...()((
))...()((
121
121
2
23212
31
1
13121
32
−
−
−−−
−−−+
+−−−
−−−+−−−
−−−=
Hàm này sẽ đi qua tất cả các điểm (Xk,Yk) , k=1,..n. Ta thay các giá trị 
(Xk,Yk) bằng các giá trị (
**, kk YX ) đã tìm được ở trên vào phương trình 
Lagrange để có đường đặc tính cần tìm của cảm biến. Đường đặc tính này đi 
qua tất cả những điểm lấy mẫu đã giảm sai số ngẫu nhiên bằng mạng nơron. 
 78
Kết quả mô phỏng: 
Với các giá trị mô phỏng **, kk YX đã tìm được ở bảng 3.2 và bảng 3.3 
của mục 3.2.2, ta xây dựng được đường đặc tính bằng hàm nội suy Lagrange. 
Đường này gần trùng khít với đường cong đặc tính chuẩn y=x2 tạo thành một 
đường thể hiện trên hình 3.12. 
Đường sai số giữa đường đặc tính dùng hàm nội suy và đặc tính chuẩn 
y=x2 như hình 3.13. 
0 1 2 3 4 5 6 7 8 9 10 
0 
10 
20 
30 
40 
50 
60 
70 
80 
90 
100 
Hình 3.12: Đường đặc tính cảm biến dùng hàm nội suy Lagrange 
X 
Y 
0 1 2 3 4 5 6 7 8 9 1 0 -0 .0 8 
-0 .0 7 
-0 .0 6 
-0 .0 5 
-0 .0 4 
-0 .0 3 
-0 .0 2 
-0 .0 1 
0 
0 .0 1 
sa
i s
o 
X 
Hình 3.13: Đường sai số giữa hai đường đặc tính 
 79
Nhận xét: Sử dụng phương pháp nội suy Lagrange để xây dựng đường 
đặc tính mắc phải sai số tương đối nhỏ (trong ví dụ này sai số tương đối mắc 
phải là 0.006 %). Như vậy việc ứng dụng mạng nơron để xử lý số liệu đo 
ngẫu nhiên hội tụ về giá trị thực cho phép giảm sai số ngẫu nhiên. Từ các giá 
trị đã được xử lý để giảm sai số ngẫu nhiên bằng mạng nơron, có thể dùng 
hàm nội suy Lagrange để tiến hành khắc độ đường đặc tính của cảm biến đạt 
độ chính xác cao. 
3.3.2 Khắc độ tự động bằng mạng nơron 
Phương trình đặc tính của cảm biến y=f(x), là hàm quan hệ giữa đại 
lượng điện y và giá trị thực của đại lượng cần đo x, được xây dựng từ n điểm 
lấy mẫu (Xi,Yi), i=1,..n. Đường đặc tính của cảm biến phải nằm trong giới hạn 
sai số 0ε nhất định tùy vào cấp chính xác của cảm biến. 
Gọi đặc tính chuẩn của cảm biến là y=f0(x) và trong trường hợp cảm biến 
có sai số hệ thống ta ký hiệu đường đặc tính thực tế là y=fs(x). Đường đặc tính 
thực tế cần phải nằm trong hai đường giới hạn sai số trên và dưới như biểu 
diễn trên hình 3.14 để đảm bảo cấp chính xác cần thiết của cảm biến. 
Khả năng xấp xỉ hàm phi tuyến hoặc tuyến tính với độ chính xác cao của 
mạng nơron có thể ứng dụng vào việc khắc độ tự động cũng như hiệu chỉnh 
đường đặc tính của cảm biến khi sai số hệ thống vượt quá giới hạn cho phép. 
Hình 3.14 : Đặc tính của cảm biến 
100% 
Đường giới hạn dưới 
Đường giới hạn trên Đặc tính chuẩn y=f0(x) 
Đường đặc tính thực tế y=fs(x) 
x 
y 
 80
Mạng nơron để khắc độ tự động cảm biến có thể được huấn luyện lại để 
hiệu chỉnh đường đặc tính trong trường hợp sai số hệ thống vượt quá giới hạn 
cho phép. 
Ta có sơ đồ cấu trúc khắc độ tự động đặc tính của cảm biến sử dụng 
mạng nơron như hình 3.15. 
Hình 3.15: Cấu trúc cảm biến sử dụng mạng nơron để khắc độ tự động 
Trong trường hợp không có sai số hệ thống, mạng nơron khắc độ cảm 
biến cần phải được huấn luyện để xấp xỉ hàm đặc tính chuẩn x=f0(y). Khi cảm 
biến có sai số hệ thống vượt quá giới hạn cho phép, mạng nơron cần được 
huấn luyện lại để thực hiện việc bù sai số bằng cách xấp xỉ theo đường đặc 
tính thực tế x=fs(y). 
Với các giá trị mô phỏng **, kk YX đã tìm được ở bảng 3.2 và bảng 3.3 
của mục 3.2.2, sử dụng mạng nơron có cấu trúc như sau để khắc độ tự động 
đặc tính của cảm biến : 
- Chọn mạng nơron truyền thẳng hai lớp. 
- Lớp vào : một đầu vào và số nơron bằng giá trị tự nhiên làm tròn lớn 
nhất của thang đo. Hàm truyền sử dụng cho lớp này là hàm sigmoid : 
1
1
2)( −+= −neng hoặc neng −+= 1
1)( 
- Lớp ra : có một đầu ra, một nơron với hàm truyền tuyến tính : nng =)( . 
- Thuật học cho mạng nơron : Dùng thuật học lan truyền ngược. 
Lưu đồ thuật toán quá trình học như hình 3.16. 
CĐCH CB A/D 
VXL 
MNN Chỉ thị 
số 
Đối 
tượng 
đo x 
y 
 xđo y 
Bắt đầu 
- Nhập điểm lấy mẫu 
- Nhập mẫu học 
- Nhập sai số học ε 
 81
Hình 3.16 : Lưu đồ thuật toán quá trình học 
Kết quả mô phỏng : 
Dựa trên các giá trị mô phỏng **, kk YX đã tìm được ở bảng 3.1 và bảng 
3.2 của mục 3.2.2, sử dụng mạng nơron đã thiết kế để khắc độ đặc tính với sai 
số học yêu cầu là 10-6. Ta có kết quả mô phỏng thể hiện trên các hình 3.17, 
3.18 và 3.19. 
 82
Hình 3.18: Đường đặc tính chuẩn và đặc tính khắc độ bằng mạng nơron 
+ Điểm lấy mẫu 
-- Đặc tính khắc độ bằng mạng nơron 
 Đặc tính chuẩn 
X 
Y 
Hình 3.17: Sai số học giảm dần khi tăng số chu kỳ học 
i s
o 
0 1 2 3 4 5 6 7 8 9 10
0
10
20
30
40
50
60
70
80
90
100
0.02
0.03
0 200 400 600 800 1000 1200 1400 1600 1800
10
-6
10
-4
10
-2
10
0
10
2
1964 Epochs
Tr
ai
ni
ng
-B
lu
e 
 G
oa
l-B
la
ck
Performance is 9.64924e-007, Goal is 1e-006
 83
Nhận xét : Mạng nơron đã thiết kế để khắc độ tự động đặc tính của cảm 
biến, dựa trên các giá trị lấy mẫu đã qua xử lý giảm sai số ngẫu nhiên, cho 
phép đạt độ chính xác cao. Với yêu cầu sai số học là 10-6, sai số tương đối quy 
đổi của đặc tính khắc độ bằng mạng nơron trong ví dụ này là 0,025%. Tuy 
nhiên trong bài toán này thì sai số khắc độ bằng mạng nơron (0,025%) vẫn 
lớn hơn sai số khắc độ bằng hàm Lagrange (0,006%). 
Như vậy việc sử dụng phương pháp nội suy Lagrange để khắc độ tự 
động đặc tính của thiết bị đo và cảm biến, dựa trên các giá trị lấy mẫu đã được 
xử lý giảm sai số ngẫu nhiên bằng mạng nơron, cho độ chính xác cao. Ngoài 
ra phương pháp này còn cho phép giảm khối lượng tính toán cũng như dung 
lượng bộ nhớ chương trình và đơn giản, dễ ứng dụng trong thực tế. 
 84
Chương 4 
ỨNG DỤNG MẠNG NƠRON ĐỂ HIỆU CHỈNH ĐẶC TÍNH 
THANG ĐO CỦA CẢM BIẾN 
4.1 Đặt vấn đề 
 Đường cong đặc tính của cảm biến x=f(y) là một hàm đơn trị, giữa x và 
y có ánh xạ một-một. Ta có thể biểu diễn : y=f-1(x), f-1 là hàm ngược của f. 
Giả sử đường đặc tính thực tế có phương trình là: x=f1(y) và đường đặc 
tính lý thuyết của cảm biến có phương trình : x=f2(y). Ta ký hiệu x1 là giá trị 
đo đúng và x2 là giá trị đo thực tế của cảm biến. Sơ đồ cấu trúc và các đường 
đặc tính của cảm biến như hình 4.1. 
Hình 4.1 : Sơ đồ cấu trúc và các đường đặc tính của cảm biến 
Đường đặc tính thực tế có sai số so với đường đặc tính lý thuyết vượt quá 
giới hạn cho phép do đó kết quả đo cần phải được hiệu chỉnh theo phương 
trình: x1=f1(y)= f1( 12−f (x2))=ϕ(x2). 
CB CĐCH A/D 
VXL 
Đối 
tượng 
đo 
x1 y y x2 
x1 =f1(y) 
Đặc tính thực tế Đặc tính lý thuyết 
x1=f1(y)= f1( 12−f (x2))=ϕ(x2) 
x2=f2(y) hay 
y= 12
−f (x2) 
 85
Theo lý thuyết mạng nơron ta có thể thực hiện xấp xỉ hoá hàm phi tuyến 
x1=ϕ(x2) với độ chính xác tuỳ ý. Hàm x1=ϕ(x2) là hàm đơn trị, đồng biến hoặc 
nghịch biến do đó để xấp xỉ hàm này ta có thể sử dụng mạng nơron hai lớp 
sigmoid/linear. Mạng này có thể xấp xỉ hầu hết các hàm phi tuyến với độ 
chính xác tùy ý nếu có đủ số nơron cần thiết. Ta có sơ đồ huấn luyện mạng 
như hình 4.3. 
Ở sơ đồ trên {x1} và {x2} là tập các giá trị đo của cảm biến chuẩn (xem 
như là tập giá trị đúng) và cảm biến sai tương ứng. Tập {x2} là tập giá trị đầu 
Đặc tính thực tế - (1) 
Đường hiệu chuẩn (Đặc tính lý thuyết) – (2) 
Ym= 100% Y 
100% X 
 0 
Y 
2X 
1X 
Hình 4.2: Đường cong đặc tính thực tế và lý thuyết 
Hình 4.3: Sơ đồ huấn luyện mạng nơron hiệu chỉnh sai số 
Cảm biến sai 
x1=ϕ(x2) x
1 {x2 } MNN 
W 
x1 ≈ ϕ(x2) 
Đối 
tượng 
đo 
Cảm biến 
chuẩn 
{x1 } + 
 86
vào và tập {x1} là tập giá trị đích dùng để huấn luyện mạng. Sau khi huấn 
luyện mạng sẽ cho ra hàm xấp xỉ mong muốn x1=ϕ(x2). 
Mạng nơron đặc biệt hữu hiệu trong việc hiệu chỉnh sai số hoặc tự động 
khắc độ của hệ thống đo gồm nhiều điểm đo. Mạng này được thiết kế với một 
đầu vào và nhiều đầu ra. 
Trong tự động khắc độ nhiều cảm biến thì mỗi đầu ra thứ i tương ứng với 
một chuyển đổi và hàm đặc tính của chuyển đổi thứ i: X=fi(Y). 
Để hiệu chỉnh sai số ta cũng sử dụng cấu trúc mạng tương tự, đầu ra thứ i 
tương ứng với hàm biến đổi hiệu chỉnh sai số: x1=ϕi (x2). Giả sử hệ thống đo 
gồm n điểm đo cùng một đại lượng, ta có mô hình mạng nơron dùng để hiệu 
chỉnh sai số: 
Tín hiệu đo thực tế của các chuyển đổi x2 được đưa vào mạng nơron để 
xấp xỉ hoá các hàm x1=ϕi (x2) đồng thời. Mạng nơron đã huấn luyện sẽ dùng 
chung cho nhiều chuyển đổi. 
Y 
X=f1 (Y). 
X=f2 (Y). 
X=fn (Y). 
MNN 
Hình 4.4: Khắc độ cảm biến bằng mạng nơron 
MNN x
2 
x1=ϕ1 (x2). 
x1=ϕ2 (x2). 
x1=ϕn (x2). 
Hình 4.5: Hiệu chỉnh sai số cảm biến bằng mạng nơron 
 87
4.2 Hiệu chỉnh đặc tính thang đo của cảm biến sử dụng mạng nơron 
Xét bài toán thực tế : 
Đo điện áp xoay chiều từ 0-1000 V và đưa ra chỉ thị số kết quả đo đảm 
bảo sai số hệ thống nhỏ hơn 0.5%. Giả sử chuyển đổi chuẩn hóa có điện áp 
đầu vào từ 0-500V và cho điện áp đầu ra là 0-5VDC. Ta cần dùng biến áp có 
tỉ số biến k (k=2) để biến đổi điện áp 0-1000 V thành 0-500 V để đưa vào 
biến truyền. Thực tế biến áp không thể đạt cấp chính xác trên toàn thang đo, 
do đó tỉ số biến không phải là hằng số mà có thể là một hàm số gần bằng k. 
Kết quả đo tính toán theo tỉ số biến k có thể mắc phải một sai số vượt quá giới 
hạn cho phép. Ta có thể sử dụng mạng nơron để tiến hành hiệu chuẩn đường 
cong đặc tính thực tế về đường cong đặc tính lý thuyết với một độ chính xác 
tuỳ ý. 
Giả sử biến áp thực tế có quan hệ vào/ra : Uv1=0.004 2rU 
Với k=2 ta có đường đặc tính lý thuyết : Uv2=2Ur 
Hình 4.7 : Đường đặc tính lý thuyết và đặc tính thực tế 
0 50 100 150 200 250 300 350 400 450 500
0
100
200
300
400
500
600
700
800
900
1000
Uv2 
Uv1 
Ur 
Đặc tính lý thuyết 
Đặc tính thực tế 
CĐCH 
A/D 
0-5VDC 0-500V 0-1000V 
VXL Chỉ 
thị số 
Hình 4.6: Sơ đồ đo điện áp 
Uv Ur 
 88
Ta có hàm chuyển đổi để biến đổi đường cong lý thuyết về đường cong 
thực tế: Uv1=0.001 22vU với Uv2 từ 0÷1000V. 
Hệ thống đo với những giả thiết như trên mắc phải sai số 12.5%. Sử 
dụng mạng nơron được huấn luyện bởi tập các giá trị Uv1 và Uv2 tương ứng sẽ 
cho ra kết quả xấp xỉ hàm chuyển đổi đảm bảo sai số cho phép. 
+ Xây dựng mạng nơron : 
- Lớp vào : một đầu vào và số nơron bằng giá trị tự nhiên làm tròn lớn 
nhất của thang đo. Hàm truyền sử dụng cho lớp này là hàm sigmoid : 
1
1
2)( −+= −neng hoặc neng −+= 1
1)( 
- Lớp ra : có một đầu ra, một nơron với hàm truyền tuyến tính : nng =)( . 
- Thuật học cho mạng nơron : Dùng thuật học lan truyền ngược. 
Lưu đồ thuật toán quá trình học như hình 4.8 
Bắt đầu 
- Nhập số điểm lấy mẫu 
- Nhập mẫu học 
- Nhập sai số học ε 
- Cập nhật trọng theo thuật 
toán lan truyền ngược 
- Tính sai lệch Emới 
Emới≤ ε 
- Mô phỏng kết quả qua 
mạng đã huấn luyện 
- Vẽ đồ thị 
- Lưu kết quả
Kết thúc 
sai 
đúng 
 89
Kết quả mô phỏng : 
Mạng nơron được huấn luyện với yêu cầu sai số học là 10-10. Ta có kết 
quả sai số tương đối quy đổi giảm dần khi tăng số điểm lấy mẫu như bảng 4.1 
và hình 4.9 
Bảng 4.1 : Kết quả mô phỏng sai số phụ thuộc số điểm lấy mẫu 
Số điểm lấy mẫu N Số chu kỳ học Sai số % 
5 606 1.107 
6 724 0.723 
7 1207 0.096 
8 1800 0.029 
Hình 4.8: Lưu đồ thuật toán quá trình học để hiệu chỉnh đường đặc tính 
 90
9 1844 0.021 
10 1256 0.008 
Hình 4.9 : Sai số tương đối quy đổi giảm dần khi tăng số điểm lấy mẫu 
Số điểm lấy mẫu cần thiết để đạt sai số yêu cầu 0.5% là N=7. Với N =7 
ta có các kết quả thể hiện trên các hình 4.10, 4.11 và 4.12. 
Hình 4.10 : Sai số học giảm dần khi tăng số chu kỳ học 
Sa
i s
o 
%
N 
0 200 400 600 800 1000 1200
10-15
10-10
10
-5
10
0
1207 Epochs
Tr
ai
ni
ng
-B
lu
e 
 G
oa
l-B
la
ck
Performance is 4.34745e-018, Goal is 1e-010
 91
Mạng xấp xỉ gần đúng đường cong chuyển đổi Uv1=0.001 22vU tạo thành 
một đường cong như trên hình 4.11 sau : 
Hình 4.11 : Đường cong xấp xỉ hàm bằng mạng nơron và đường cong 
chuyển đổi 
Hình 4.12 : Đường sai số giữa đường cong xấp xỉ bằng mạng nơron và 
đường cong chuyển đổi 
Uv2 
Uv1 
0 100 200 300 400 500 600 700 800 900 1000
-0.2
0
0.2
0.4
0.6
0.8
1
1.2
Sa
i s
o 
Uv2 
+ Điểm lấy mẫu 
-- Đường chuyển đổi 
 Đường xấp xỉ bằng mạng nơron 
 92
Nhận xét : Hệ thống đo sử dụng mạng nơron để hiệu chỉnh sai số của bài 
toán trên đã giảm được sai số của hệ thống từ 12.5% xuống còn 0.096 % đảm 
bảo nằm trong giới hạn sai số 0.5% cho phép chỉ với 7 điểm lấy mẫu. Như 
vậy việc ứng dụng mạng nơron để hiệu chỉnh sai số của cảm biến, kể cả 
những cảm biến mắc phải sai số lớn, cho độ chính xác cao. 
 93
Chương 5 
KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN CỦA ĐỀ TÀI 
Nội dung của luận văn này là ứng dụng mạng nơron nhân tạo để khắc độ 
tự động thiết bị đo và cảm biến. Luận văn đã trình bày tổng quan các phương 
pháp khắc độ thiết bị đo và cảm biến bao gồm khắc độ dụng cụ đo tương tự, 
khắc độ dụng cụ đo có sử dụng vi xử lý hoặc máy tính và khắc độ chuyển đổi 
đo lường sơ cấp. Phần lý thuyết cơ sở của mạng nơron đã trình bày những 
hiểu biết về nơron sinh học đến khái niệm mạng nơron nhân tạo, nêu ra những 
mạng nơron nhân tạo với các thuật học làm cơ sở cho các nghiên cứu ứng 
dụng mạng nơron trong việc chế tạo cảm biến thông minh. 
Luận văn đã nghiên cứu ứng dụng mạng nơron trong việc xử lý số liệu 
nhằm giảm sai số ngẫu nhiên, nêu ra được số lớp của mạng, số nơron và thuật 
học ứng dụng cho việc xử lý số liệu đo. Từ số liệu đã được xử lý, chúng tôi đề 
xuất việc sử dụng hàm Lagrange để xây dựng đường đặc tính đi qua tất cả 
những điểm lấy mẫu. Phưong pháp này cho phép giảm khối lượng tính toán 
cũng như bộ nhớ chương trình và đơn giản hơn so với những phương pháp 
thông thường. Với những kết quả thu được có thể áp dụng vào công nghệ chế 
tạo cảm biến và thiết bị đo để nâng cao độ chính xác của chúng. 
Khắc độ tự động cảm biến dựa trên nguyên lý xấp xỉ hàm phi tuyến bằng 
mạng nơron đã được nghiên cứu trong luận văn cho ra những kết quả rất khả 
quan. 
Đồng thời luận văn cũng đề cập đến việc hiệu chỉnh đặc tính thang đo 
của cảm biến đảm bảo sai số cho phép. Mạng được sử dụng là mạng hai lớp 
với hàm truyền Sigmoid/linear cho phép xấp xỉ hầu hết các hàm phi tuyến với 
độ chính xác tùy ý. 
Do thời gian và điều kiện còn hạn chế nên luận văn mới dừng lại ở mức 
mô phỏng bằng phần mềm trên máy tính, chưa được ứng dụng trong thực tế. 
Nhưng cũng đã đề xuất được những hướng nghiên cứu cụ thể cho phép áp 
dụng vào việc chế tạo cảm biến thông minh trong tương lai không xa. 
 94
Ứng dụng mạng nơron để xử lý số liệu đo nhằm giảm sai số ngẫu nhiên 
cho phép ứng dụng không chỉ trong cảm biến thông minh mà còn có thể ứng 
dụng cho các thiết bị đo tương tự, thiết bị đo số... 
Hướng nghiên cứu tiếp theo từ cơ sở những nghiên cứu của luận văn này 
là ứng dụng mạng nơron để giảm đồng thời sai số ngẫu nhiên và sai số hệ 
thống của cảm biến và ứng dụng vào việc chế tạo cảm biến và thiết bị đo với 
độ chính xác cao. 
Như ta đã biết sai số của cảm biến bao gồm sai số hệ thống và sai số 
ngẫu nhiên được tính theo công thức : nght Δ+Δ=Δ . trong đó htΔ là sai số hệ 
thống và ngΔ là sai số ngẫu nhiên. 
Từ những nghiên cứu trên ta có thể xây dựng mạng nơron gồm hai phần 
để giảm sai số ngẫu nhiên và sai số hệ thống. Phần thứ nhất là mạng nơron 
dùng để xử lý số liệu giảm sai số ngẫu nhiên, phần thứ hai là mạng nơron 
dùng để xấp xỉ hàm để giảm sai số hệ thống. 
Trong đó mạng nơron dùng để xử lý số liệu giảm sai số ngẫu nhiên đã 
được nghiên cứu ở chương 3 là mạng truyền thẳng, có hai lớp với lớp vào sử 
dụng hàm truyền sigmoid lưỡng cực và lớp ra sử dụng hàm truyền tuyến tính. 
Mạng tổng hợp sử dụng thuật học lan truyền ngược. 
Mạng tổng hợp có cấu trúc như sau : 
MNN 
(Y) 
{Y} 
MNN 
(X) 
{X} MNN 
(xấp xỉ hàm) 
+ 
- 
*Y
*X
Giảm sai số ngẫu nhiên Giảm sai số hệ thống 
)( ** XfY = 
Hình 5.1: Cấu trúc mạng nơron tổng hợp 
 95
Cảm biến được chế tạo cài đặt mạng nơron này sẽ giảm được sai số ngẫu 
nhiên cũng như sai số hệ thống (tránh việc sử dụng phương pháp tuyến tính 
hoá gây ra sai số tuyến tính) để đạt độ chính xác rất cao. Tuy nhiên phương án 
này cần phải được nghiên cứu thêm để có những kết quả cụ thể. 
 96
TÀI LIỆU THAM KHẢO 
[TL1] Bộ Khoa học và Công nghệ (2005), Tuyển tập báo cáo khoa học 
Hội nghị khoa học kỹ thuật đo lường toàn quốc lần thứ 4, NXB Khoa học và 
kỹ thuật. 
[TL2] Bùi Công Cường, Nguyễn Doãn Phước, Hệ mờ, mạng nơron và 
ứng dụng, NXB Khoa học và kỹ thuật Hà nội 2001. 
[TL3] Phạm Thượng Hàn, Nguyễn Trọng Quế, Nguyễn Văn Hòa, 
Nguyễn Thị Vấn - Kĩ thuật đo lường các đại lượng vật lý (trọn bộ hai tập), 
NXB Giáo dục 2003. 
[TL4] Phạm Thượng Hàn, Xử lí số tín hiệu, NXB Giáo dục 1993. 
[TL5] Nguyễn Thanh Hải (2003), Tập bài giảng mạng nơron nhân tạo, 
Học Viện Kỹ Thuật Quân Sự. 
[TL6] Nguyễn Hoàng Phương, Nguyễn Doãn Phước, Nguyễn Quang 
Hoan, Nguyễn Thanh Thủy, Chu Văn Hỷ và các tác giả khác, Hệ mờ và ứng 
dụng, NXB Khoa học và kĩ thuật Hà nội 1998. 
[TL7] Nguyễn Đình Thúc, Mạng nơron, phương pháp và ứng dụng, 
NXB Giáo dục, 2000. 
[TL8] Nguyễn Mạnh Tùng (2003), Nghiên cứu ứng dụng mạng nơron 
nhân tạo cho các bài toán đo lường, Luận án tiến sĩ kỹ thuật, Đại học bách 
khoa Hà nội. 
[TL9] C.T Lin, G.Lee (1996), Neural Fuzzy Systems, Prentice Hall, Inc 
[TL10] David M.Skapura (1996), Building Neural Networks, ACM press 
[TL11] J.-S.R.Jang, C.-T.Sun, E.Mizutani(1997), Neuro-Fuzzy and Soft 
Computing, Prentice Hall, Inc 
[TL12] Jacob Fraden (1993), AIP hanbook of modern sensor,American 
institute of Physics. 
 97
[TL13] George A.Rovithakis (1999), Robustifying Nonlinear Systems 
Using High-Order Neural Network Controllers, IEEE Tran. on Automatic 
Control. 
[TL14] Howard Demuth, Mark Beale, Neural Network Toolbox For Use 
with Matlab, Version 4, The MathWorks 
[TL15] Hunt K.J and Others (1992), Neural Networks for Control 
System-A Survey, Automatica 
[TL16] Limin Fu, Neural Networks in Computer intellingence, McGraw-
Hill, Inc 
[TL17] Martin T.Hagan, Howard B.Demuth, Mark Beale MHB (1995), 
Neural Networks design, An Internation Thomson Publishing Company, Inc. 
[TL18] Madan M.Gupta, Liang Jin, Noriyasu Homma (2003), Static and 
DynamicNeural Networks, A John Wiley &Sons, Inc., Publication. 
[TL19] Michael A. Arbib (2003), The handbook of Brain Theory and 
Neural Networks, The MIT Press. 
[TL20] D.Michie, D.J.Spiegelhalter,C.C.Taylor(1994), Machine 
learning, Neural and Statistical Classification, ACM press. 
[TL21] Stuart J. Russell, Peter Norvig (1995), Artificial Intelligence A 
Modern Approach, Prentice Hall, Inc.