Tải bản đầy đủ

Mạng nơron kohonen – som ứng dụng trong phân nhóm sinh viên dựa trên kết quả học tập

LỜI CẢM ƠN
Để hoàn thành chương trình học và viết luận văn tốt nghiệp này, em đã
nhận được sự hướng dẫn, giúp đỡ và góp ý nhiệt tình của thầy cô trường Đại học
Công nghệ thông tin và Truyền thông.
Trước hết, em xin chân thành cảm ơn đến quý thầy cô trường Đại học Công
nghệ thông tin và Truyền thông, đặc biệt là thầy cô đã tận tình dạy bảo cho em
trong suốt thời gian học tập tại trường.
Em xin gửi lời biết ơn sâu sắc đến thầy giáo Tiến sĩ Nguyễn Văn Tảo. Thầy
đã dành rất nhiều thời gian, tâm huyết và tận tình giúp đỡ, hướng dẫn cho em trong
suốt quá trình nghiên cứu và giúp em hoàn thành luận văn này.
Mặc dù đã có nhiều cố gắng hoàn thiện luận văn bằng tất cả sự nhiệt tình và
năng lực của mình, tuy nhiên không thể tránh khỏi những thiếu sót, rất mong nhận
được những đóng góp quý báu của quý thầy cô và các bạn.

Thái Nguyên, ngày 28 tháng 8 năm 2014

Học viên
Lâm Việt Thắng


MỞ ĐẦU

Sự bùng nổ và phát triển mạnh mẽ của công nghệ đã đưa máy tính đến với
mọi hoạt động sinh hoạt và lao động của con người. Kèm theo đó là những khối
lượng dữ liệu thông tin, tri thức khổng lồ mà để quản lý và nắm bắt, phân loại
chúng là một bài toán nan giải tốn nhiều thời gian công sức của những nhà quản lý,
phát triển. Ngày nay khi dữ liệu số đã trở lên thông dụng và trở thành loại thông tin
được trao đổi phổ biến nhất trên tất cả các phương tiện thông tin, liên lạc…Nhưng
việc nắm bắt nội dung của loại thông tin này là điều tương đối khó cho những hệ
thống giám sát phân loại tự động. Những thông tin này mang tính chất phức tạp mà
để hiểu được nó thì những phương pháp phân loại bình thường là chưa đủ mạnh.
Thực tế đã chứng minh cách tốt nhất để phân loại dữ liệu là dùng bộ óc con người.
Tất nhiên đó là điều vô cùng quý giá và khi ứng dụng chúng để giải quyết những
vấn đề trong tin học đã đem lại những thành công ngoài mong đợi.
Một máy tính, dù có mạnh đến đâu chăng nữa, đều phải làm việc theo một
chương trình chính xác đã được hoạch định trước bởi các chuyên gia. Bài toán
càng phức tạp thì việc lập trình càng công phu.
Từ lâu các nhà khoa học đã nhận thấy những ưu điểm của bộ óc con người
và tìm cách phát triển để máy tính có khả năng học tập, nhận dạng và phân loại.
Các mạng nơron nhân tạo (Artificial Neural Network, ANN) đã ra đời từ những nỗ
lực đó. ANN là một lĩnh vực nghiên cứu rộng lớn và chỉ mới phát triển mạnh
khoảng 15 năm gần đây. Tuy có nhiều kết quả khích lệ, nhưng ANN hãy còn xa
mới đạt được sự hoàn chỉnh như bộ óc con người. Và những ứng dụng trong công
nghệ thông tin còn nhiều hạn chế.
Trong khuôn khổ luận văn xin trình bày những nghiên cứu tổng quan về
ANN, những lỗ lực cải tiến thuật toán, cài đặt và những ứng dụng của mạng nơron
trong việc phân cụm dữ liệu số.

2


NHIỆM VỤ LUẬN VĂN

Trong luận văn tập trung nghiên cứu nền tảng lý thuyết và ứng dụng của
mạng nơron nhân tạo. Cụ thể giải quyết bài toán phân cụm dữ liệu số trên máy tính
với sự trợ giúp của mạng Kohonen-SOM. Vì vậy trong khuôn khổ luận văn sẽ
hướng tới hai mục đích chính:
1. Nghiên cứu mạng nơron cụ thể là mạng SOM, từ ý tưởng tự nhiên tới
phương cách cài đặt trên máy tính đồng thời đưa ra những phương pháp cải tiến về
mặt giải thuật nhằm đưa mạng nơron ứng dụng giải quyết bài toán phân cụm dữ
liệu số.
2. Ứng dụng mạng nơron giải quyết bài toán phân cụm thực tế biến những

nghiên cứu, cải tiến trở lên hữu dụng.

3


MỤC LỤC
MỤC LỤC ............................................................................................................ 4
CHƯƠNG 1: TỔNG QUAN MẠNG NƠRON ...................................................... 6
1.1. Giới thiệu chung ......................................................................................... 6
1.2. Ý tưởng sinh học ........................................................................................ 6
1.3. Mô hình nơron nhân tạo cơ bản .................................................................. 8
1.4. Sử dụng mạng nơron nhân tạo .................................................................. 10
1.5. Thu thập dữ liệu cho mạng nơron nhân tạo ............................................... 11
1.6. Perceptron nhiều lớp ................................................................................. 12
1.6.1. Huấn luyện Perceptron nhiều lớp ....................................................... 13
1.6.2. Thuật toán backpropagation. .............................................................. 14
1.6.3. Học quá mức và tổng quát hóa........................................................... 14
1.6.4. Chọn lựa dữ liệu ................................................................................ 17
1.7. Mô hình mạng nơron ................................................................................ 17
1.7.1. Mô hình nơron và cấu trúc mạng ....................................................... 18
1.7.2. Cấu trúc dữ liệu ................................................................................. 21
1.7.3. Kiểu huấn luyện ................................................................................ 21
1.8. Tóm tắt ..................................................................................................... 22
CHƯƠNG 2: KOHONEN-SOM VÀ PHÂN CỤM DỮ LIỆU ............................. 24
2.1. Tìm hiểu mạng Kohonen .......................................................................... 24
2.2. Mạng Kohonen là gì? ............................................................................... 24
2.2.1. Cấu trúc mô hình mạng Kohonen ...................................................... 26
2.2.2. Thuật toán phân cụm bằng mạng Kohonen ........................................ 26
2.3. Phân cụm với mạng Kohonen - Mạng nơron tự tổ chức – SOM ................ 30
2.3.1. Tổng quan về SOM .......................................................................... 30
2.3.2. SOM cơ bản ...................................................................................... 31
2.3.3. Khởi tạo mạng Kohonen (SOM) ........................................................ 31
2.3.4. Huấn luyện mạng Kohonen - Som ..................................................... 32
2.3.5. Tỉ lệ học ............................................................................................ 32
2.3.6. Cập nhật lại trọng số .......................................................................... 33
2.3.7. Xác định nơron chiến thắng ............................................................... 34

4


2.4. Kohonen (SOM) và phân cụm dữ liệu ...................................................... 35
2.4.1. SOM phân cụm với bản đồ 1 chiều .................................................... 35
2.4.2. SOM phân cụm với bản đồ 2 chiều .................................................... 35
2.4.3. Xác định ranh giới các cụm ............................................................... 36
2.4.4. Trực quan mạng ................................................................................ 37
2.4.5. Số lượng nhóm khi phân cụm ............................................................ 38
2.5. SOM –Thách thức trong quá trình phân cụm dữ liệu ................................ 39
2.5.1. SOM –Bài toán phân cụm màu .......................................................... 39
2.5.2. SOM –Thách thức phân nhóm ........................................................... 42
2.5.3. SOM –Vấn đề số lượng nhóm ........................................................... 44
2.6. SOM –Giải quyết những vấn đề tồn tại khi phân cụm ............................... 45
2.6.1. Giải pháp phân cụm tự nhiên trong quá trình học .............................. 45
2.6.2 Giới hạn điều chỉnh số lượng nhóm trên mạng SOM .......................... 48
CHƯƠNG 3: ỨNG DỤNG PHÂN CỤM ĐIỂM ................................................. 51
3.1. Phát biểu bài toán ứng dụng...................................................................... 51
3.1.1. Nội dung ........................................................................................... 51
3.1.2. Mục đính- Yêu cầu ............................................................................ 52
3.2. Phân tích thiết kế hệ thống cho ứng dụng ................................................. 53
3.2.1. Xác định các tác nhân và các Use case .............................................. 53
3.2.2. Biểu đồ Use Case .............................................................................. 54
3.2.3. Biểu đồ trình tự cho từng Use Case ................................................... 54
3.3. Chương trình ứng dụng............................................................................. 58
3.3.1. Giao diện tổng quan cho ứng dụng .................................................... 58
3.3.2 Một số tính năng cho ứng dụng .......................................................... 58
3.3.3 Hướng dẫn sử dụng, chạy thử nghiệm ................................................ 64
KẾT LUẬN ......................................................................................................... 67
TÀI LIỆU THAM KHẢO ................................................................................... 69

5


CHƯƠNG 1: TỔNG QUAN MẠNG NƠRON

1.1.

Giới thiệu chung
Mạng nơron nhân tạo (Artificial Neural Networks) trong một vài năm trở

lại đây đã được nhiều người quan tâm và đã áp dụng thành công trong nhiều lĩnh
vực khác nhau, như tài chính, y tế, địa chất và vật lý. Thật vậy, bất cứ ở đâu có vấn
đề về dự báo, phân loại và điều khiển, mạng nơron nhân tạo đều có thể ứng dụng
được. Sự thành công nhanh chóng của mạng mạng nơron nhân tạo có thể là do
một số nhân tố chính sau:
 Năng lực: mạng nơron nhân tạo là những kỹ thuật mô phỏng rất tinh vi, có
khả năng mô phỏng các hàm cực kỳ phức tạp. Đặc biệt, mạng nơron nhân tạo hoạt
động phi tuyến. Trong nhiều năm, mô hình tuyến tính là kỹ thuật được sử dụng
rộng rãi trong hầu hết các lĩnh vực, vì thế mô hình tuyến tính có tính chiến lược tối
ưu hóa được biết nhiều nhất.
 Dễ sử dụng: mạng nơron nhân tạo có tính học theo các ví dụ. Người sử
dụng mạng nơron nhân tạo thu thập các dữ liệu đặc trưng, và sau đó gọi các thuật
toán huấn luyện để có thể tự học cấu trúc của dữ liệu. Mặc dù người sử dụng làm
tất cả những điều cần thiết để có thể chọn và chuẩn bị dữ liệu, sử dụng loại mạng
phù hợp và có thể hiểu được các kết quả, nhưng mức độ người sử dụng biết cách
áp dụng thành công mạng nơron nhân tạo vẫn thấp hơn nhiều những người sử dụng
các phương pháp thống kê truyền thống…
Mạng nơron nhân tạo dựa trên việc mô phỏng cấp thấp hệ thống nơron sinh
học. Trong tương lai với sự phát triển mô phỏng nơron sinh học, chúng ta có thể có
loại máy tính thông minh thật sự.
1.2. Ý tưởng sinh học
Mạng nơron nhân tạo phát triển từ nghiên cứu về trí tuệ nhân tạo; đặc biệt
cố gắng bắt chước bộ não có cấu trúc cấp thấp về khả năng học và chấp nhận sai
của hệ thống nơron sinh học.
Suốt những năm 1960 – 1980 các nhà nghiên cứu về trí tuệ nhân tạo đã tìm
ra hệ chuyên gia dựa trên mô hình cấp cao về xử lý lý luận của bộ não. Mặc dù mô

6


hình đã rất thành công trong một vài lĩnh vực, nhưng vẫn chưa bắt chước được trí
tuệ con người. Điều này là do cấu trúc mô hình chưa bằng bộ não. Do đó, để tái tạo
trí thông minh, chúng ta cần phải xây dựng những hệ thống có cấu trúc giống bộ
não con người.
Bộ não con người gồm một số rất lớn nơron (khoảng 10.000.000.000 nơron)
kết nối với nhau (trung bình mỗi nơron kết nối với hàng chục ngàn nơron khác).
Mỗi nơron là một tế bào đặc biệt, có thể truyền các tín hiệu điện. Nơron có cấu
trúc rễ ngõ vào, thân tế bào và cấu trúc rễ ngõ ra (sợi thần kinh). Các sợi thần kinh
của một tế bào kết nối với các tế bào khác thông qua synapse. Khi một nơron kích
hoạt, nó tạo ra xung điện hóa học dọc theo sợi thần kinh. Tín hiệu này đi qua các
synapse đến các nơron khác, và tiếp tục bị kích hoạt. Nơron hoạt động chỉ khi tất
cả các tín hiệu nhận được ở thân tế bào thông qua rễ ngõ vào vượt quá một mức
nào đó (ngưỡng hoạt động).

Hình 1.2 : Cấu tạo tế bào nơron
Cường độ tín hiệu thu được của nơron phụ thuộc vào độ nhạy của synapse.
Chỉ có việc học làm thay đổi cường độ kết nối synapse. Ví dụ như theo thí nghiệm
có điều kiện Pavlovian cổ điển, gõ chuông trước khi cho chó ăn tối, con chó nhanh
chóng học được rằng rung chuông gắn liền với ăn. Kết nối synapse giữa phần vỏ
não thính giác và tuyến nước bọt đã nhạy hơn, vì thế khi rung chuông vỏ não thính
giác bị kích thích, con chó bắt đầu tiết nước bọt.
Do đó, từ một số rất lớn các đơn vị xử lý rất đơn giản này (mỗi đơn vị thực
hiện tổng trọng số các ngõ vào sau đó kích hoạt một tín hiệu nhị phân nếu tổng ngõ

7


vào vượt quá ngưỡng), bộ não điều khiển để hoạt động những công việc cực kì
phức tạp. Dĩ nhiên, sự phức tạp trong hoạt động của bộ não không thể trình bày
hết, nhưng dù sao mạng trí tuệ nhân tạo có thể đạt được một vài kết quả đáng chú ý
với mô hình không phức tạp hơn bộ não.
1.3. Mô hình nơron nhân tạo cơ bản
Nơron nhân tạo được định nghĩa như sau:
 Nơron nhân tạo nhận một số các ngõ vào (từ dữ liệu gốc, hay từ ngõ ra các
nơron khác trong mạng). Mỗi kết nối đến ngõ vào có một cường độ (hay trọng số),
những trọng số này tương ứng với tác dụng synapse trong nơron sinh học. Mỗi
nơron cũng có một giá trị ngưỡng.
 Tín hiệu được truyền qua hàm kích hoạt (hay còn gọi là hàm truyền) tạo giá
trị ngõ ra nơron.

Hình 1.3(a): Mô hình nơron nhân tạo cơ bản
Nếu sử dụng hàm truyền nấc (nghĩa là ngõ ra nơron là 0 nếu ngõ vào nhỏ
hơn 0, và là 1 nếu ngõ vào lớn hơn hay bằng 0) thì nơron hoạt động giống như
nơron sinh học. Thực tế, hàm nấc ít khi sử dụng trong mạng trí tuệ nhân tạo. Lưu ý
rằng trọng số có thể âm, nghĩa là synapse có tác dụng kiềm chế hơn là kích hoạt
nơron, các nơron kiềm chế có thể tìm thấy trong bộ não.
Trên đây mô tả các nơron đơn lẻ. Trong thực tế các nơron được kết nối với
nhau. Khi mạng hoạt động, chúng phải có ngõ vào (mang giá trị hoặc biến của thế
giới thực) và ngõ ra (dùng để dự báo hoặc điều khiển). Ngõ vào và ngõ ra tương
ứng với các nơron giác quan và vận động, như tín hiệu đưa vào mắt và điều khiển

8


cánh tay. Tuy nhiên chúng còn có các nơron ẩn đóng vai trò ẩn trong mạng. Ngõ
vào, nơron ẩn và ngõ ra cần được kết nối với nhau.

Hình 1.3(b): Mô hình mạng nơron nhân tạo cơ bản
Vấn đề chính ở đây là hồi tiếp. Một mạng đơn giản có cấu trúc tiến: tín hiệu
đi vào ở ngõ vào, qua các nơron ẩn và cuối cùng đến các nơron ngõ ra. Cấu trúc
như thế chạy ổn định. Tuy nhiên, nếu mạng có hồi tiếp (chứa các kết nối ngược trở
về các nơron trước đó) mạng có thể chạy không ổn định và dao động rất phức tạp.
Mạng hồi tiếp rất được các nhà nghiên cứu quan tâm, nhưng cấu trúc tiến đã chứng
minh rất hiệu quả trong việc giải quyết các vấn đề thực tế.
Mạng nơron nhân tạo tiến cho như hình dưới. Các nơron được sắp xếp theo
cấu trúc liên kết lớp riêng biệt. Lớp ngõ vào không phải là nơron thực: các nơron
này hoạt động đơn giản là giới thiệu các giá trị của các biến vào. Các nơron lớp ẩn
và lớp ngõ ra được kết nối với tất cả các nơron lớp trước đó. Cũng như vậy chúng
ta có thể định nghĩa mạng có các kết nối một phần với một vài nơron trong lớp
trước đó, tuy nhiên trong hầu hết các ứng dụng mạng có kết nối đầy đủ vẫn tốt
hơn.

Hình 1.3 ( c):Cấu trúc mạng nơron nhân tạo

9


Khi mạng hoạt động, các giá trị biến ngõ vào được đặt vào các nơron ngõ
vào, và sau đó các nơron lớp ẩn và lớp ngõ ra lần lượt được kích hoạt. Mỗi nơron
tính giá trị kích hoạt của chúng bằng cách lấy tổng các trọng số ngõ ra của các
nơron lớp trước đó, và trừ cho ngưỡng. Giá trị kích hoạt truyền qua hàm kích hoạt
tạo ra giá trị ngõ ra của nơron. Khi toàn bộ mạng đã hoạt động, các ngõ ra của lớp
ngõ ra hoạt động như ngõ ra của toàn mạng.
1.4. Sử dụng mạng nơron nhân tạo
Một loạt vấn đề dẫn tới việc giải quyết bằng mạng nơron được định nghĩa
bằng cách nó làm việc hoặc nó được huấn luyện. Mạng nơron nhân tạo làm việc từ
những ngõ vào khác nhau, đưa ra những ngõ ra khác nhau. Do đó có thể sử dụng
khi biết một vài thông tin và sẽ dự đoán những thông tin chưa biết.
Ví dụ:
 Dự đoán thị trường chứng khoán: nếu biết giá cả chứng khoán của tuần
trước và chỉ số FTSE, ta sẽ dự đoán được giá cả chứng khoán ngày mai.
 Điều khiển: ta muốn biết có hay không một robot biết quẹo phải, trái hay
chuyển động về một phía để đạt được mục tiêu, ta sẽ biết được những gì robot
đang quan sát.
Điều kiện quan trọng trong việc sử dụng mạng nơron nhân tạo là phải biết
mối liên hệ giữa ngõ vào và ngõ ra biết trước. Mối quan hệ này có thể kéo theo
nhiều thứ nhưng nó nhất định phải tồn tại.
Tổng quát, nếu ta sử dụng một mạng mạng nơron nhân tạo ta sẽ không biết
chính xác trạng thái tự nhiên của mối liên hệ giữa ngõ vào và ngõ ra, nếu ta biết
mối liên hệ ta sẽ làm mô hình đó trực tiếp. Một tính năng khác của mạng nơron
nhân tạo là nó có thể học mối liên hệ giữa ngõ vào và ngõ ra thông qua việc huấn
luyện. Có hai loại huấn luyện sử dụng trong mạng nơron nhân tạo là huấn luyện có
giám sát và không giám sát. Với những loại mạng khác nhau thì sử dụng các loại
huấn luyện khác nhau. Huấn luyện có giám sát sử dụng thông dụng nhất.
Trong việc học có giám sát, người sử dụng mạng phải có một tập hợp dữ liệu cần
huấn luyện. Tập hợp này chứa những ngõ vào mẫu với ngõ ra tương ứng và mạng
sẽ huấn luyện để đưa ra mối liên hệ giữa ngõ ra và ngõ vào. Tập hợp dữ liệu
thường được lấy từ những bản ghi chép trước đó.

10


Mạng nơron nhân tạo sau đó được huấn luyện bằng một trong các thuật
toán học có giám sát (ví dụ backpropagation), sử dụng các dữ liệu để điều chỉnh
trọng số và ngưỡng của mạng sao cho cực tiểu hóa sai số trong việc dự báo của
mạng trên tập huấn luyện. Nếu mạng được huấn luyện chính xác, nghĩa là nó đã
học mô phỏng một hàm chưa biết với mối liên hệ giữa ngõ ra và ngõ vào, do đó
với các tín hiệu vào đến sau, mạng sẽ dự báo tín hiệu ra tương ứng.
1.5. Thu thập dữ liệu cho mạng nơron nhân tạo
Một khi ta quyết định giải quyết một vấn đề sử dụng mạng nơron nhân tạo
ta cần phải thu thập dữ liệu cho mục tiêu huấn luyện. Tập hợp dữ liệu huấn luyện
bao gồm một số các trường hợp, mỗi trường hợp chứa những giá trị của tầm ngõ
vào và ngõ ra khác nhau. Những việc đầu tiên cần làm là: những biến nào sử dụng,
bao nhiêu trường hợp cần thu thập.
Sự lựa chọn các biến do trực giác quyết định. Công việc chuyên môn của ta
trong lĩnh vực cần giải quyết sẽ cho ta những ý tưởng về các biến ngõ vào phù hợp.
Trong mạng nơron nhân tạo, ta có thể chọn và loại bỏ nhiền biến và mạng nơron
nhân tạo cũng có thể xác định bằng thực nghiệm những biến hữu ích. Trong bước
một ta nên tính đến bất kì biến nào mà ta nghĩ có ảnh hưởng đến quá trình thiết kế.
Mạng nơron nhân tạo xử lý dữ liệu số trong một tầm giới hạn rõ ràng. Điều
này đưa ra một vấn đề nếu dữ liệu nằm trong một vùng đặc biệt như dữ liệu chưa
biết hay không phải dữ liệu số. May mắn thay có nhiều phương pháp lý tưởng cho
vấn đề này, được xây dựng trên mạng nơron nhân tạo. Dữ liệu số được chia nhỏ
thành những khoảng thích hợp cho mạng và những giá trị thiếu có thể được thay
thế bằng giá trị trung bình hay giá trị thống kê của biến đó thông qua những biến
khác đã được huấn luyện.
Xử lý dữ liệu không phải là số thì khó hơn. Loại dữ liệu không phải là số
thông thường nhất là những biến có giá trị danh định như giới tính (nam, nữ). Biến
có giá trị danh định có thể biểu diễn bằng số học và mạng nơron nhân tạo có chức
năng hỗ trợ điều này. Tuy nhiên mạng nơron nhân tạo làm việc tốt với những
trường hợp biến danh định là một tập nhiều giá trị.
Số trường hợp mẫu dùng để huấn luyện mạng rất khó xác định. Đã có một
vài hướng dẫn về mối liên hệ giữa số trường hợp mẫu với kích thước mạng (cách

11


đơn giản nhất là số trường hợp mẫu gấp 10 lần số kết nối trong mạng). Thực ra số
trường hợp mẫu cũng liên quan đến độ phức tạp của hàm mà mạng phải học. Khi
số biến tăng lên, số trường hợp mẫu cần để huấn luyện cũng tăng phi tuyến, vì thế
với một số nhỏ các biến (50 hoặc nhỏ hơn) thì lại cần một số lớn các trường hợp
mẫu.
Trong hầu hết các vấn đề trong thực tế, số trường hợp mẫu là khoảng hàng
trăm hay hàng ngàn mẫu. Đối với những vấn đề rất phức tạp thì cần nhiều hơn,
nhưng trường hợp này rất ít. Nếu dữ liệu huấn luyện ít hơn, rõ ràng không đủ
thông tin để huấn luyện mạng, và cách tốt nhất là dùng mạng tuyến tính.
Nhiều vấn đề trong thực tế có dữ liệu không đáng tin cậy, một vài dữ liệu bị phá
hỏng do nhiễu, hoặc các giá trị không phối hợp được với nhau. Mạng nơron nhân
tạo có khả năng đặc biệt xử lý dữ liệu bị mất (sử dụng giá trị trung bình hay những
giá trị thống kê khác). Vì thế nếu dữ liệu đưa vào ít, ta nên đưa vào những trường
hợp giá trị bị mất (rõ ràng nếu không có thì không lý tưởng). mạng nơron nhân tạo
cũng chịu được nhiễu, nhưng cũng phải có giới hạn. Nếu thỉnh thoảng có giá trị
nằm xa ra khỏi vùng giá trị bình thường thì mạng huấn luyện phải có ngưỡng.
Cách tốt nhất đối với trường hợp này là nhận ra và loại bỏ những giá trị nằm xa đó
(có thể hủy trường hợp này hoặc xem giá trị nằm xa này là giá trị bị mất). Nếu giá
trị xa này khó nhận ra, mạng nơron nhân tạo có chức năng huấn luyện chịu được
giá trị nằm khỏi vùng này nhưng cách huấn luyện này thường kém hiệu quả hơn là
huấn luyện chuẩn. Tóm lại, cách thu thập dữ liệu có thể nói gọn lại như sau:
- Chọn những giá trị huấn luyện có tác dụng.
- Dữ liệu số và danh định có thể xử lý trực tiếp bằng mạng nơron nhân tạo.
Chuyển những loại biến khác sang một trong các dạng này.
- Cần hàng trăm hoặc hàng ngàn trường hợp mẫu huấn luyện; càng nhiều
biến thì càng nhiều mẫu huấn luyện. mạng nơron nhân tạo có khả năng nhận ra
những biến hữu dụng để huấn luyện.
1.6. Perceptron nhiều lớp
Ngày nay, Perceptron là cấu trúc mạng được dùng phổ biến nhất. Mỗi nơron
lấy tổng trọng số và ngưỡng của ngõ vào, qua hàm truyền đến ngõ ra, các nơron

12


được sắp xếp theo các lớp tới. Vì thế mạng có thể mô phỏng các hàm phức tạp tùy
theo số lớp và số nơron mỗi lớp.
Tùy theo vấn đề mà các nơron có số ngõ vào và ngõ ra khác nhau. Chúng ta
không thể biết chính xác sẽ sử dụng bao nhiêu ngõ vào. Tuy nhiên, chúng ta giả sử
rằng số ngõ vào có thể chọn lựa dễ dàng. Và để dễ dàng, thường ta chọn có một
lớp ẩn và số nơron trong đó bằng một nửa tổng số ngõ vào và ngõ ra.
1.6.1. Huấn luyện Perceptron nhiều lớp
Khi số các lớp, số nơron mỗi lớp đã được chọn, trọng số và ngưỡng của
mạng phải được cài đặt sao cho có được cực tiểu sai số trong việc dự đoán của
mạng. Đây chính là công việc của các thuật toán huấn luyện. Các trường hợp mẫu
chúng ta thu thập đưa qua mạng để mạng tự điều chỉnh trọng số và ngưỡng sao cho
cực tiểu hóa lỗi. Lỗi trong một cấu hình cụ thể của mạng được xác định bằng cách
cho chạy tất cả các trường hợp huấn luyện qua mạng, so sánh giá trị ngõ ra của
mạng với giá trị mong muốn. Lỗi này được tính theo hàm sai số của mạng. Thông
thường hàm sai số là tổng bình phương lỗi (SSE – Sum Squared Error).
Khái niệm cần biết thêm là mặt phẳng sai số. Mỗi trọng số và ngưỡng trong
tổng số N trọng số và ngưỡng được xem là một chiều trong không gian. Chiều thứ
(N + 1) là sai số mạng. Đối với bất kỳ cấu hình trọng số nào, lỗi cũng có thể vẽ ở
chiều thứ (N+1), tạo thành mặt phẳng lỗi. Đối tượng của việc huấn luyện mạng là
tìm điểm thấp nhất trong mặt phẳng nhiều chiều này.
Trong mạng tuyến tính có hàm sai số SSE, mặt phẳng sai số là parapol,
nghĩa là có một giá trị nhỏ nhất. Do đó chúng dễ dàng xác định giá trị cực tiểu.
Chúng ta không thể xác định được vị trí giá trị nhỏ nhất của mặt phẳng sai số, và vì
thế huấn luyện mạng mạng nơron nhân tạo cần phải phân tích tỉ mĩ mặt phẳng sai
số. Từ cấu hình ngẫu nhiên các trọng số và ngưỡng ban đầu (nghĩa là điểm ngẫu
nhiên trên mặt phẳng sai số) các thuật toán huấn luyện tìm kiếm đến giá trị nhỏ
nhất. Thông thường, việc tìm kiếm dựa trên gradient (độ dốc) trên mặt phẳng sai số
tại điểm hiện tại, và sau đó sẽ di chuyển xuống giá trị nhỏ hơn. Do đó có nhiều khả
năng thuật toán dừng ở điểm thấp là điểm giá trị cực tiểu cục bộ (nhưng dù sao
cũng hy vọng là giá trị nhỏ nhất).

13


1.6.2. Thuật toán backpropagation.
Các ví dụ phổ biến nhất về thuật toán huấn luyện mạng nơron nhân tạo là
backpropagation. Các thuật toán bậc hai hiện đại như conjugate gradient descent
và Levenberg – Marquardt cơ bản nhanh hơn trong nhiều vấn đề, nhưng
backpropagation vẫn có một số ưu điểm trong một vài trường hợp khác, và là thuật
toán dễ hiểu nhất.
Trong backpropagation, vector gradient của mặt phẳng sai số được tính
toán. Vector này chỉ ra đường giảm dốc nhất và vị trí hiện tại, vì thế chúng ta biết
rằng nếu chúng ta di chuyển dọc theo nó một “khoảng ngắn”, cuối cùng chúng ta
sẽ đạt được giá trị nhỏ nhất. Khó khăn ở đây là quyết định độ lớn của từng bước di
chuyển.
Bước lớn có thể hội tụ nhanh hơn, nhưng có thể vượt quá điểm cần đến hay
đi ra khỏi vùng có cực tiểu (nếu mặt phẳng sai số bị lệch tâm). Ngược lại, bước
quá nhỏ có thể đi đến đúng hướng nhưng chúng ta cần phải thực hiện phép lặp
nhiều lần. Trong thực tiễn, kích thước bước tỷ lệ với độ dốc và hằng số đặc biệt:
tốc độ học. Giá trị chính xác tốc độ học phụ thuộc vào từng ứng dụng cụ thể, và
thường được chọn qua thực tiễn.
Thuật toán thường có thêm khái niệm momentum. Momentum sẽ thúc đẩy
di chuyển đi theo theo một hướng xác định nếu sau khi qua nhiều bước đi cùng
một hướng, thuật toán sẽ di chuyển nhanh hơn, đưa đến khả năng thoát khỏi vùng
giá trị cực tiểu cục bộ và cũng có thể di chuyển nhanh chóng qua vùng bằng phẳng.
Thuật toán do đó xử lý lặp đi lặp lại, sau một số epoch. Ở mỗi epoch, các
trường hợp huấn luyện sẽ được đưa ra xem xét trong mạng, các ngõ ra thực và
mong muốn được so sánh và tính toán lỗi. Lỗi này kết hợp với gradent mặt phẳng
sai số, sử dụng để điều chỉnh trọng số và sau đó quá trình xử lý lặp lại. Cấu hình
mạng ban đầu là ngẫu nhiên, và huấn luyện chỉ dừng lại khi số vòng lặp epoch tối
đa cho phép xảy ra hay khi sai số đạt được ở một mức cho phép, hoặc khi sai số
không tăng nữa.
1.6.3. Học quá mức và tổng quát hóa
Một vấn đề mà các kỹ thuật trên không thực sự cực tiểu sai số là khi chúng
ta đưa một trường hợp mới vào mạng. Nói cách khác, thuộc tính mong muốn nhất

14


của mạng là khả năng tổng quát hóa các trường hợp mới. Thực ra, mạng được huấn
luyện cực tiểu hóa sai số dựa trên tập huấn luyện, tập này không hoàn hảo và hữu
hạn, rõ ràng sẽ không đúng khi cực tiểu sai số trên mặt phẳng sai số thực – mặt
phẳng sai số của mô hình cơ sở và chưa biết.
Sự phân biệt ở đây chính là học quá mức hay khít quá mức. Cách dễ nhất để
minh họa khái niệm này là việc dò theo đồ thị đường cong đa thức hơn là minh họa
bằng mạng nơron nhân tạo nhưng ý nghĩa thì giống nhau.
Đa thức là phương trình có các hệ số và lũy thừa hằng số.
Ví dụ:
y = 2x + 3
y= 3x2 + 4x + 1
Các đa thức khác nhau có đồ thị khác nhau, với bậc lớn hơn (và do đó có
nhiều số hạng hơn) sẽ có đồ thị phức tạp hơn. Với một tập dữ liệu cho trước, chúng
ta muốn tìm ra đa thức biểu diễn dữ liệu này. Dữ liệu có thể có nhiễu, vì thế chúng
ta không cần thiết tìm ra phương trình đúng nhất cho tất cả các điểm. Đa thức bậc
thấp hơn sẽ không thể đủ chính xác với tất cả các điểm, trong khi đó đa thức bậc
cao hơn chính xác tất cả các dữ liệu sẽ rất phức tạp, đa thức này sẽ có đồ thị không
đúng với hàm cơ sở.
Mạng nơron nhân tạo cũng có vấn đề như vậy. Mạng có càng nhiều trọng
số thì hàm càng phức tạp và do đó sẽ rơi vào tình trạng khít quá mức. Mạng có ít
trọng số hơn sẽ không đủ khả năng để mô phỏng hàm cơ sở. Ví dụ như mạng
không có các lớp ẩn chỉ mô phỏng hàm truyền tuyến tính đơn giản.
Vậy chúng ta sẽ chọn lựa độ phức tạp của mạng đúng như thế nào? Mạng
lớn hơn sẽ hầu như luôn luôn có được sai số nhỏ hơn, nhưng điều này có thể là khít
quá mức hơn là một mô hình tốt.
Câu trả lời là sử dụng xác nhận mức giao. Vài mẫu huấn luyện được lưu lại
và không thực sự dùng cho huấn luyện trong thuật toán backpropagation. Để thay
thế, những mẫu này được sử dụng để kiểm tra độc lập trong quá trình của thuật
toán. Như vậy hiệu suất ban đầu của mạng luôn luôn bằng nhau ở những tập huấn
luyện và xác minh lại. Trong quá trình huấn luyện, sai số huấn luyện tự nhiên giảm
xuống, và cho phép huấn luyện cực tiểu hóa hàm sai số thực, sai số xác minh cũng

15


giảm xuống. Tuy nhiên, nếu sai số xác minh không giảm, hay bắt đầu tăng lên,
điều này có nghĩa là mạng bắt đầu khít quá mức dữ liệu, và huấn luyện nên dừng
lại (có thể cài đặt mạng nơron nhân tạo tự động dừng lại khi bắt đầu học quá mức).
Trường hợp khít quá mức xảy ra trong quá trình xử lý huấn luyện gọi là học quá
mức. Trong trường hợp này, chúng ta nên giảm số nơron ẩn hay/và lớp ẩn vì mạng
quá mạnh đối với vấn đề này. Ngược lại, nếu mạng không đủ mạnh để mô phỏng
hàm cơ sở, học quá mức không có khả năng xảy ra, cũng như sai số huấn luyện
hay xác minh lại không rơi vào mức bão hòa.
Những vấn đề liên quan đến cực tiểu cục bộ, và những quyết định sử dụng
quá kích thước của mạng, nghĩa là chúng ta phải chạy thử trên nhiều mạng khác
nhau, có thể huấn luyện mỗi mạng vài lần (để tránh rơi vào trường hợp cực tiểu
cục bộ sai số) và quan sát hiệu suất từng mạng. Điều quan trọng là quan sát sai số
xác minh. Tuy nhiên, nên nhớ rằng nên mô phỏng mạng đơn giản hơn là mạng
phức tạp, chúng ta cũng thể chọn mạng nhỏ hơn là mạng lớn có khả năng cải thiện
sai số xác minh không đáng kể.
Vấn đề đối với kỹ thuật này về việc thí nghiệm lặp đi lặp lại là tập xác minh
không thực sự đóng vai trò chọn lựa mạng, nghĩa là nó chỉ là một phần trong quá
trình huấn luyện. Độ tin cậy của nó chỉ ở mức độ vừa phải – khi số lần thí nghiệm
đủ, chúng ta có khả năng rơi vào trường hợp mạng thực hiện tốt trên tập xác minh.
Để thêm độ tin cậy hiệu suất của mô hình cuối cùng thì trong thực tế thường sử
dụng thêm một tập thứ ba – là tập kiểm tra. Mô hình cuối cùng được kiểm tra với
tập dữ liệu kiểm tra để đảm bảo rằng kết quả của tập xác minh và huấn luyện là
thật.
Tóm lại, việc thiết kế mạng (khi các biến ngõ vào đã được chọn) gồm các
bước sau:
 Chọn cấu hình ban đầu (thường một lớp ẩn có số nơron ẩn bằng nửa tổng số
nơron ngõ vào và ngõ ra).
 Thực hiện lặp đi lặp lại số thí nghiệm của mỗi cấu hình, giữ lại mạng tốt
nhất (thường dựa trên sai số xác minh). Thí nghiệm nhiều lần trên mỗi cấu hình
mạng để tránh rơi vào sai số cục bộ.

16


 Trong mỗi lần thí nghiệm, nếu xảy ra việc học chưa đủ (mạng không đạt
được mức hiệu suất chấp nhận) thì thử tăng số nơron trong lớp ẩn. Nếu không hiệu
quả, thì thêm một lớp ẩn.
 Nếu xảy ra học quá mức (sai số xác minh bắt đầu tăng lên) thử bỏ bớt một
vài nơron ẩn (và có thể bỏ lớp ẩn).
1.6.4. Chọn lựa dữ liệu
Các bước mô tả trên đều dựa trên một giả định, đó là dữ liệu huấn luyện,
xác minh và kiểm tra phải đại diện cho mô hình cơ sở (hơn nữa, ba tập này phải
độc lập). Nếu dữ liệu huấn luyện không đặc trưng thì giá trị mô hình chỉ là một sự
dàn xếp, xấu nhất có thể không sử dụng được.
 Tương lai không phải là quá khứ. Dữ liệu huấn luyện đặc trưng cho những
gì đã xảy ra. Nếu môi trường thay đổi, mối quan hệ nơron trong mạng không còn
phù hợp nữa.
 Tất cả các trường hợp phải được khái quát. Mạng nơron nhân tạo chỉ có thể
học từ những mẫu được đưa vào. Do đó mạng nơron nhân tạo không thể có một
quyết định đúng khi nơron chưa được huấn luyện.
 Mạng chỉ có thể học theo cách dễ nhất mà nó có thể. Backpropagation có
tính chất tốt như nhau nếu dữ liệu rất ít.
1.7. Mô hình mạng nơron
Mô hình mạng nơron tổng quát có dạng như sau:

Hình 1.7: Mô hình mạng nơron nhân tạo
Ngày nay mạng Nơron có thể giải quyết nhiều vấn đề phức tạp đối với con
người, áp dụng trong nhiều lĩnh vực như nhận dạng, định dạng, phân loại, xử lý tín
hiệu, hình ảnh v.v…

17


1.7.1. Mô hình nơron và cấu trúc mạng
1.7.1.1. Mô hình nơron
Cấu trúc một Nơron:
Ngõ vào một nơron có thể là đại lượng vô hướng hoặc có hướng, đại lượng
này được nhân với trọng số tương ứng để đưa vào nơron, hoặc có thể cộng thêm
ngưỡng (bias), thường bằng 1. Dưới đây là mô hình một nơron với ngõ vào vô
hướng p không có ngưỡng b (hình bên trái) và có ngưỡng b (hình bên phải). Ngõ
vào vô hướng p được nhân với trọng số vô hướng w tạo thành wp, đối số wp (hình
bên trái) qua hàm truyền f cho kết quả đầu ra là vô hướng a = f(wp). Hình bên phải
là nơron có ngưỡng b, giá trị b được cộng với wp rồi qua hàm truyền f cho kết quả
đầu ra là vô hướng a = f(wp+b). Có thể điều chỉnh những thông số của nơron như
trọng số và ngưỡng (w và b) để đạt được yêu cầu mong muốn nghĩa là “huấn
luyện” mạng.

Hình 1.7.1.1(a) : Cấu trúc một Nơron
Hàm truyền
Có rất nhiều hàm truyền áp dụng trong mạng nơron nhân tạo, trong đó ba
hàm thường sử dụng nhất là Hard Limit, Linear, Log-Sigmoid. Tổng quát với một
hàm truyền có đầu vào là một hoặc một nhóm vector thì đầu ra là :
a = f ( p * w + b ).
Với

a: đầu ra
p: đầu vào
w: trọng số
b: ngưỡng
f: hàm truyền

18


Vậy một ngõ vào với các hàm truyền khác nhau sẽ cho các kết quả khác
nhau. Để có giải pháp tối ưu thì cần phải có kinh nghiệm sử dụng các hàm truyền
hoặc phải tốn một khoảng thời gian để thử nghiệm hàm truyền.
Nơron với Vector nhập
Một nơron được cho trên hình vẽ sau với vector nhập p = [p1 , p2 , ……pR ],
trọng số W = w1,1, w1,2,……w1,R, ngưỡng b và hàm truyền f . Tổng đối số và
ngưỡng tạo ở ngõ ra n là
n = w1,1p1 + w1,2,p2 + ……w1,R pR + b
hay

n = W*p + b

Hình 1.7.1.1(b) : Nơron với vector nhập
Nếu có nhiều nơron thì cách biểu diễn trên không hiệu quả, do đó có thể
định nghĩa một lớp gồm nhiều nơron như sau.

Hình 1.7.1.1(c) : Nơron với vector nhập
1.7.1.2. Cấu trúc mạng
Hai hay nhiều nơron kết hợp thành một lớp, và một mạng riêng biệt có thể
chứa một hay nhiều lớp nơron.

19


Một lớp nơron
Trong hình dưới mô tả một lớp nơron với:
R: số phần tử của vectơ đầu vào
S: số nơron trong lớp
a: vector ngõ ra của lớp nơron

Hình 1.7.1.2 (a) : Một lớp nơron
Ma trận trọng số W:

 w1,1
w
2,1
W 


wS ,1

w1,2
w1,2
wS ,2

... w1, R 
... w2, R 


... wS , R 

Một lớp mạng được vẽ gọn như sau:

Hình 1.7.1.2 (b) : Một lớp mạng nơron

20


Mạng nhiều lớp nơron

Hình 1.7.1.2 (c) : Mạng nhiều lớp nơron
Mạng có nhiều lớp, mỗi lớp có một ma trận W, một ngưỡng b và một vectơ
ngõ ra a. Thông thường giá trị ra của một lớp là giá trị vào của lớp tiếp theo. Mỗi
lớp trong mạng đảm nhiệm vai trò khác nhau, lớp cho kết quả ở đầu ra của mạng
được gọi là lớp ngõ ra _ output layer, tất cả các lớp còn lại được gọi là lớp ẩn _
hidden layers. Mạng đa lớp có khả năng xử lý rất lớn. Chẳng hạn như một mạng có
hai lớp, lớp thứ nhất là sigmoid, lớp thứ hai là linear có thể được huấn luyện đến
một hàm gần đúng với một số kết nối cố định.
1.7.2. Cấu trúc dữ liệu
Cấu trúc định dạng của dữ liệu vào ảnh hưởng đến việc mô phỏng của
mạng. Có hai loại mạng static network và dynamic network. Hai kiểu vector đầu
vào cơ bản là kiểu xảy ra đồng thời (concurrently) và kiểu xảy ra liên tục theo thời
gian (sequentially).
Kiểu đầu vào xảy ra đồng thời được mô phỏng trong mạng tĩnh (không có
hồi tiếp hoặc trễ), thứ tự của các vector đầu vào không quan trọng và chúng không
ảnh hưởng lẫn nhau.
Kiểu đầu vào xảy ra liên tục được mô phỏng trong mạng dynamic. Thứ tự
các giá trị đầu vào rất quan trọng. Trong trường hợp này, giá trị đầu ra thu được là
do giá trị vào hiện tại và giá trị vào trước đó. Nếu thay đổi thứ tự của dữ liệu vào
thì sẽ làm thay đổi dữ liệu ra.
1.7.3. Kiểu huấn luyện
Trong phần này mô tả hai kiểu huấn luyện khác nhau.

21


 Incremental training: trọng số và ngưỡng của mạng được cập nhập mỗi
khi có dữ liệu vào mạng. Kiểu này ứng dụng trong cả hai mạng tĩnh và động, tuy
nhiên thường dùng trong mạng động nhiều hơn, như là những bộ lọc thích ứng.
 Batch training: trọng số và ngưỡng của mạng chỉ được cập nhập sau khi tất
cả dữ liệu đã vào mạng, dùng trong cả hai mạng tĩnh và động.
1.8. Tóm tắt
Từ khi ra đời và phát triển, mạng nơron đã được ứng dụng trong nhiều lĩnh
vưc khác nhau. Không thể liệt kê được hết ứng dụng của mạng nơron, tuy nhiên ta
có thể thấy một số ứng dụng điển hình như sau:
- Tài chính - ngân hàng: định giá bất động sản, cho vay, kiểm tra tài sản cầm
cố giá mức độ hợp tác, phân tích đường tín dụng, chương trình thương mại thông
qua giấy tờ, cấp phát thẻ tín dụng, phân tích tài chính liên doanh, dự báo tỉ giá tiền
tệ,…
- Quân sự: định vị phát hiện vũ khí, dò tìm mục tiêu, nhận dạng người nói,
phân luồng rada.
- Y học: xử lý, chuẩn đoán hình ảnh trong y học, phân tích tín hiệu điện tâm
đồ,…
- Bảo hiểm: Đánh giá việc áp dụng các chính sách xã hội, tối ưu hóa sản phẩm.
- Giao thông: các hệ thống dẫn đường tự động trong ô tô, các bộ phận hoạt
động của xe,…
- Hàng không: phi công tự động, giả lập đường bay, các hệ thống điều khiển
lái máy bay, bộ phận phát hiện lỗi,..
- Giải trí: tạo các hiệu ứng đặc biệt, hoạt hình,..
- Thiết bị điện tử: dự báo mã tuần tự, sơ đồ chip IC, điều khiển tiến trình,
phân tích nguyên nhân hỏng chip,..
- Nhận dạng mẫu: phân loại tín hiệu của rada, nhận dạng và hiểu tiếng nói,
nhận dạng vân tay, kí tự, chữ viết,...
- Xử lý tín hiệu: phân tích tín hiệu địa chấn và hình thái học.
- Xứ lý ảnh, nhìn máy: gồm trùng khớp ảnh, tiền xử lý ảnh, phân đoạn và
phân tích ảnh, nén ảnh,…

22


- Vấn đề lập kế hoạch, điều khiển và tìm kiếm: Gồm cài đặt song song các
bài toán thỏa mãn ràng buộc, bài toán lập thời khóa biểu cho trường đại học, bài
toán người đi du lịch, ..
- Giải các bài toán tối ưu: Vấn đề chính là tìm những thuật toán huấn luyện
mạng để góp phần tìm nghiệm cho nhiều lớp bài toán tối ưu toàn cục.
Tóm lại, mạng nơron nhân tạo được xem là một cách tiếp cận đầy tiềm năng
để giải quyết các bài toán có tính phi tuyến, phức tạp và đặc biệt trong tình hình
các dữ liệu đầu vào không tường minh.
Đầu vào của một nơron gồm ngưỡng b và tổng các trọng số vào. Ngõ ra của
nơron phụ thuộc vào đầu vào và hàm truyền nơron đơn rất ít sử dụng. Tuy nhiên
một vài nơron có thể kết hợp thành một lớp hay nhiều lớp thì khả năng xử lý cao
hơn. Vấn đề đơn giản có thể trình bày bằng một lớp đơn. Tuy nhiên, nó không giải
quyết được nhiều vấn đề phức tạp. Mạng đa lớp feedforward có khả năng giải
quyết lớn hơn.
Cấu trúc một mạng có thể mô tả bằng số lớp, số nơron trong một lớp, hàm
truyền của mỗi lớp và kết nối giữa các lớp. Tùy thuộc vấn đề mạng cần giải quyết
mà có cấu trúc khác nhau.
Nếu một ánh xạ tuyến tính cần mô tả nên sử dụng nơron tuyến tính. Tuy
nhiên, mạng tuyến tính không thể thực hiện bất cứ tính toán phi tuyến nào. Sử
dụng hàm truyền phi tuyến để tạo cho mạng có khả năng thực hiện mối quan hệ
phi tuyến giữa đầu vào và đầu ra. Mạng có ngưỡng b có thể mô tả mối quan hệ
giữa đầu vào và đầu ra dễ dàng hơn mạng không có ngưỡng b. Ví dụ một nơron
không có ngưỡng sẽ luôn tạo ra ngõ vào zero cho hàm truyền (khi tất cả ngõ vào
nơron là zero). Tuy nhiên một nơron với ngưỡng có thể học để tạo ra một ngõ nhập
cho bất kỳ hàm truyền

23


CHƯƠNG 2: KOHONEN-SOM VÀ PHÂN CỤM DỮ LIỆU

2.1. Tìm hiểu mạng Kohonen
Trong các kiểu khác nhau của mạng nơron, mạng nơron Kohonen giống với
mạng nơron sinh học hơn cả về cấu tạo lẫn cơ chế học. Mạng nơron nhân tạo này
lần đầu tiên được giới thiệu bởi Kohonen vào năm 1982, nó được biết đến như là
ánh xạ đặc trưng tự tổ chức (SOM). Ánh xạ tự tổ chức của Kohonen còn được biết
đến là một trong những mô hình khá đơn giản của mạng nơron, và người ta thường
gọi đó là mạng nơron Kohonen.
Mạng nơron Kohonen (hay nơron tự tổ chức) mô hình hóa cách hoạt động
bộ não của con người, mặc dù nó khá đơn giản. Chúng ta có thể nhận được một số
ý tưởng cách bộ não lưu trữ hình ảnh và cách nó nhận dạng các hình ảnh.
Cách xử lý thông tin các mạng nơron khác thường chỉ quan tâm đến giá trị
và dấu hiệu của thông tin đầu vào, chưa quan tâm khai thác các mối liên hệ có tính
chất cấu trúc trong lân cận của các vùng dữ liệu mẫu, hay toàn thể không gian.
Nhưng trong mạng nơron Kohonen đã quan tâm đến các yếu tố này.
Tự tổ chức trong mạng nơron là một trong những chủ đề cuốn hút trong
mạng nơron. Một mạng nơron như vậy có thể được luyện để tìm ra các quy luật và
các tương quan, các giá trị nhập vào và dự đoán các kết quả tiếp theo. Các nơron
của mạng thông qua quá trình luyện cạnh tranh để nhận ra một nhóm các đối tượng
đầu vào tương đương nhau. Mục đích chính của việc luyện trong mạng nơron
Kohonen là nhận dạng một nhóm các vector đầu vào cùng loại.
2.2. Mạng Kohonen là gì?
Mạng Kohonen là một kỹ thuật trực quan dữ liệu được phát minh bởi giáo sư
Teuvo Kohonen, nó giúp giảm số chiều (kích thước) của dữ liệu, qua đó giúp cho
chúng ta hiểu được dữ liệu với kích thước lớn đó.
Điểm nổi bật của thuật toán SOM là nó sẽ chuyển các dạng quan hệ phức tạp,
thống kê rời rạc giữa các đối tượng dữ liệu đa chiều (n chiều) về các quan hệ hình
học trực quan đơn giản với số chiều được rút gọn đi nhiều lần - thường là một hoặc
hai chiều. Về bản chất giải thuật được biết đến như là kỹ thuật nén dữ liệu dựa trên
véc tơ trọng số [2].

24


25


Tài liệu bạn tìm kiếm đã sẵn sàng tải về

Tải bản đầy đủ ngay

×