Giáo trình mạng _Chương 3
Như đã giới thiệu ở phần một, mạng neural được ứng dụng vào nhiều lĩnh vực khác nhau, nhưng trong nội dung luận văn này chỉ ứng dụng vào việc dự báo phục tải ngắn hạn, dài hạn theo hai phương pháp:
Chöông 3:Thieát keá chöông trình döï baùo phuï taûi baèng maïng Neural
Chöông 3:
THIEÁT KEÁ CHÖÔNG TRÌNH DÖÏ BAÙO PHUÏ TAÛI BAÈNG
MAÏNG NEURAL
I. LÖÏA CHOÏN VAØ PHAÂN TÍCH DÖÕ LIEÄU ÑAÀU VAØO.
Nhö ñaõ giôùi thieäu ôû phaàn moät, maïng Neural ñöôïc öùng duïng vaøo nhieàu lónh vöïc
khaùc nhau, nhöng trong noäi dung luaän vaên naøy chæ öùng duïng vaøo vieäc döï baùo phuï taûi
ngaén haïn, daøi haïn theo hai phöông phaùp : Chuoãi thôøi gian vaø Töông quan.
I.1. Phöông phaùp chuoãi thôøi gian :
Trong phöông phaùp naøy döõ lieäu ta chæ caàn ñeán soá lieäu ñaõ coù trong quaù khöù, töø
ñoù ta tìm moät quy luaät vaø keùo daøi quy luaät ñoù vaøo töông lai ñeå döï baùo. Soá lieäu naøy
ñöôïc chia laøm hai phaàn: Phaàn ñeå huaán luyeän vaø phaàn ñeå kieåm tra.
Trong lónh vöïc ñieän naêng, soá lieäu thöôøng ñöôïc theå hieän döôùi nhöõng daïng sau
ñaây
a. Döï baùo cho caùc giôø trong ngaøy :
Nghieân cöùu söï dieãn tieán cuûa ñieän naêng theo caùc giôø ôû TP HCM cuûa nhöõng naêm
gaàn ñaây ta nhaän thaáy ñieän naêng tieâu thuï trong caùc giôø khoâng nhöõng phuï thuoäc vaøo
caùc giôø trong ngaøy maø coøn phuï thuoäc vaøo raát nhieàu yeáu toá khaùc nhö caùc ngaøy trong
tuaàn ( ngaøy laøm vieäc, ngaøy nghæ,…), caùc thaùng trong naêm, caùc muøa ( quyù ) trong
naêm, caùc naêm,… Do ñoù vieäc xaây döïng moät quy luaät toång quaùt cho söï dieãn tieán ñieän
naêng theo giôø laø heát söùc khoù khaên vaø raát phöùc taïp. Trong tröôøng hôïp naøy, ñeå öùng
duïng trong döï baùo ngaén haïn ta chæ xaây döïng moät quy luaät trong moät khoaûng thôøi
gian xaùc ñònh naøo ñoù maø thoâi. Döõ lieäu ñöôïc cho ôû daïng baûng nhö ôû baûng 1 - phuï luïc
2 ñoà thò daïng döõ lieäu nhö hình 3.1
Hình 3.1: Ñoà thò daïng döõ lieäu
Töø baûng soá lieäu vaø ñoà thò daïng döõ lieäu treân ta nhaän thaáy:
Döõ lieäu laø moät daïng ñöôøng ñieàu hoøa, traïng thaùi seõ gaàn nhö laëp laïi ôû 7 ngaøy ( 1
tuaàn) sau ñoù, taát nhieân luùc naøy noù seõ khaùc ñi. Ñeå naâng cao tính chính xaùc ta xeùt söï
bieán ñoåi söï bieán ñoåi traïng thaùi cuûa giôø thöù t cuûa ngaøy quan saùt so vôùi caùc giôø thöù t
cuûa nhöõng ngaøy tröôùc ñoù. Nhö vaäy ñeå döï baùo giôø thöù t cuûa ngaøy n ( kí hieäu X (n, t) )
ta caàn caùc soá lieäu X (n-1, t), X(n-2, t), …X (n-7, t) ñeå tính. Maët khaùc ñeå cho keát quaû
chính xaùc ta caäp nhaät theâm thoâng tin cuûa ngaøy hoâm ñoù baèng caùch theâm soá lieäu cuûa
- 47 -
Chöông 3:Thieát keá chöông trình döï baùo phuï taûi baèng maïng Neural
caùc giôø tröôùc ñoù nhö: X(n, t-1), X(n, t-2),… Khi ñoù soá Neural lôùp ñaàu vaøo coù theå laø
9, 10, 11, 12, 13…, 30.
b. Döï baùo theo ngaøy trong tuaàn : Döõ lieäu cuõng ñöôïc cho ôû daïng baûng nhö ôû
baûng 3.2
Baûng 3.2: Döõ lieäu cuûa caùc ngaøy trong tuaàn
Thöù 2 Thöù 3 Thöù 4 Thöù 5 Thöù 6 Thöù 7 Chuû nhaät
Tuaàn 1 22196.8 23741.6 23118.7 23618 23172.6 22589.3 18752.7
Tuaàn 2 23136.6 22765.2 23775.1 24033.7 24025.5 23212.6 18762.5
Tuaàn 3 22889.6 22987.8 21971.9 21950.6 20401.4 19953.91 18930.7
Tuaàn 4 22961.7 22699.5 23108.8 23192.7 24320.3 23114.5 18147.1
Tuaàn 5 22692.5 23339.1 22697.8 23300.2 23801.1 22858.2 20122.7
Tuaàn 6 24009.4 24362.9 24400.5 24077.8 24493.9 22736.7 19924.5
Tuaàn 7 22578.2 22751.4 21649.2 22516.1 23271.1 22845.1 19460.6
Tuaàn 8 22911.7 22511.5 24906.7 24918.3 23922.6 22413.9 19495.3
Tuaàn 9 22255.5 22464.3 22439.9 23060.6 24341.9 22913.8 20256.4
Tuaàn 10 23305.5 23260.5 23442.9 23108 24449.9 22883.2 19119.2
Tuaàn 11 23097.4 24111.5 23926.3 24067.5 23267.5 22352.4 18850.3
Tuaàn 12 22545.5 23772.8 23449.8 23747.3 23587.3 22210.1 19508.1
Tuaàn 13 23497.5 23385.6 23166.7 23465 23671.6 22951.8 19254.3
Tuaàn 14 23518.3 23990.7 23336.8 23802.5 23867.2 23160.4 20227.5
Tuaàn 15 23583 24139 23414.2 23351.4 23061.4 22123.7 18861.7
Tuaàn 16 22733.7 23476.1 22663.6 23251.8 22881.4 21050.5 19813
Tuaàn 17 22980.7 22810.3 24428.4 24802.6 24596.7 23113.3 19784.9
Tuaàn 18 23810.1 24404.4 24213.9 24518.8 24626.8 23568.5 20555.2
Tuaàn 19 24579.1 24600.9 23579.2 23226.6 23441.8 23226.3 20427.8
Tuaàn 20 24236.1 24503.7 23107 25111.2 24474.7 22029 19310.8
Tuaàn 21 23822.2 23444.3 25169.4 25577.5 24883.6 24028 20003.3
(Soá lieäu toång hôïp töø thaùng 8/2003 – 12/2003 ñieän löïc TPHCM).
Töông töï nhö soá lieäu cuûa caùc giôø trong ngaøy nhöng traïng thaùi laëp laïi laø sau 4
tuaàn ( 1 thaùng) do ñoù ñeå döï baùo cho 1 tuaàn naøo ñoù thì ta caàn soá lieäu cuûa 4 tuaàn tröôùc
ñoù. Soá tuaàn caàn ñeå hoïc ≥ 10 vaø soá noron trong lôùp ñaàu vaøo seõ laø 5, 6, 7, 8,…, 10.
c. Döï baùo theo caùc thaùng trong naêm :
Döõ lieäu ñöôïc trình baøy theo maãu ôû baûng 3.3
- 48 -
Chöông 3:Thieát keá chöông trình döï baùo phuï taûi baèng maïng Neural
Baûng 3.3: Maãu soá lieäu cuûa caùc thaùng trong naêm
Thaùng 1 Thaùng 2 … Thaùng 12
Naêm 1 X11 X12 … X112
Naêm … … … … …
Naêm n Xn1 Xn2 … Xn12
Caùc thaùng trong naêm coøn phuï thuoäc vaøo yeáu toá muøa, naêm. Do ñoù ta xeùt söï thay
ñoåi cuûa thaùng t naêm quan saùt so vôùi thaùng t cuûa nhöõng naêm tröôùc ñoù. Ñeå döï baùo cho
caùc thaùng ôû naêm thöù n, ta chæ caàn soá lieäu cuûa 3 naêm tröôùc ñoù, soá naêm caàn ñeå hoïc ≥ 5
,soá noron lôùp ñaàu vaøo laø 4, 5, 6, 7, …, 14.
dDöï baùo theo caùc quyù trong naêm :
Maãu döõ lieäu trình baøy nhö baûng 3.4
Baûng 3.4: Maãu döõ lieäu cuûa caùc quyù trong moät naêm
Quyù 1 Quyù 2 Quyù 3 Quyù 4
Naêm 1 X11 X12 X13 X14
Naêm … … … … …
Naêm n Xn1 Xn2 Xn3 Xn4
Tröôøng hôïp naøy töông töï nhö caùc thaùng trong naêm.
e. Döï baùo theo naêm, quyù :
Döõ lieäu ñöôïc cho ôû daïng coät nhö ôû baûng 3.5
Baûng 3.5: Soá lieäu ñieän cuûa caùc naêm
Naêm Ñieän Naêng(Mw)
1987 35813
1988 43936
1989 64065
1990 74221
1991 79663
1992 84691
1993 100218
1994 125872
1995 151037
1996 178060
1997 205151
- 49 -
Chöông 3:Thieát keá chöông trình döï baùo phuï taûi baèng maïng Neural
1998 239636
1999 272982
2000 309321
2001 351177
2002 411491
2003 461489
( Trích Ñieän löïc Tieàn Giang)
Ñeå döï baùo cho naêm thöù t coù nhieàu caùch, thoâng thöôøng ta laáy thoâng soá cuûa 3
naêm tröôùc ñoù. Ñoái vôùi caùc quyù ta seõ laáy thoâng soá cuûa 4 quyù tröôùc ñeå döï baùo cho quyù
thöù 5. Soá maãu caàn ñeå hoïc ≥ 10.
I.2. Phöông phaùp töông quan:
Trong moâ hình döï baùo töông quan thoâng soá ñöôïc cho ôû baûng 1. Ñaây laø thoâng soá
cô baûn ñeå döï baùo phuï taûi theo phöông phaùp daøi haïn.
Baûng 3.6: Soá lieäu töông quan
Naêm S GSP CPI C
1981 4900 16.2 8.7 16
1982 5000 9.5 11.1 14.5
1983 5200 15.4 10.4 14
1984 5300 7.8 7 3.8
1985 6000 16.2 3.75 3.8
1986 6400 10.5 8 12
1987 6850 13 10 5.5
1988 7500 15 7.1 0
1989 8400 14.2 7.5 7
1990 9200 10.5 8.5 8
1991 9560 8.5 5 2
1992 9700 4.7 0.8 0
1993 9950 4.5 0.2 0
1994 10500 7.8 2.1 0
1995 11000 7.2 3.5 0
1996 11600 8 4 0
1997 11700 3 1.2 3.8
1998 11750 8 0.4 0
1999 12300 2.8 1.8 0
2000 12800 8.2 2.3 0
- 50 -
Chöông 3:Thieát keá chöông trình döï baùo phuï taûi baèng maïng Neural
Trong ñoù:
S: Saûn löôïng ñieän naêng tieâu thuï.
GSP: Toác ñoä taêng tröôûng kinh teá.
CPI: Chæ soá giaù haøng tieâu duøng.
C: Giaù ñieän naêng.
Ñaây chæ laø nhöõng thoâng soá cô sôû. Ñeå coù theå ñöa vaøo maïng Neural ta phaûi qua
bieán ñoåi soá lieäu.
Giaû söû ta choïn maïng Neural 12 ñaàu vaøo X1, X2, X3,…,X12 thì thoâng soá ñaàu
vaøo coù theå ñöôïc tính nhö sau:
X1= St laø naêng löôïng tieâu thuï cuûa naêm t
X2= St-1 laø naêng löôïng tieâu thuï cuûa naêm t-1
X3= GSPt toác ñoä taêng tröôûng kinh teá naêm t
X4= (GSPt/ (GSPt-1)-1) chæ soá gia taêng taêng tröôûng kinh teá naêm t so
vôùi naêm t-1.
X5= CPIt chæ soá giaù cuûa haøng tieâu duøng naêm t
X6= CPIt/(CPIt-1) chæ soá gia taêng cuûa haøng tieâu duøng naêm t so vôùi
naêm t-1
X7=Ct laø giaù ñieän naêm t
X8= Ct/(Ct-1) chæ soá gia taêng giaù ñieän naêm t so vôùi naêm t-1
X9=GSP2 * Cos(3.14*GSP)
X10=GSP * C * Cos(3.14*GSP*C)
X11=C2 * Cos(3.14*C)
X12=(St-1)2 * Cos(3.14*(St-1))
Yt trò soá ñieän naêng naêm t
Sau khi tính toaùn ta coù ñöôïc baûn sau: Baûng 3.7
Baûng 3.7: Soá lieäu döï baùo töông quan ( ñaõ bieán ñoåi)
Naêm Y X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 X12
1981 4900 0.047 0.042 0.11620 0.0162 0.10870 0.0087 0.11600 0.016 0.01348 0.01347 0.01257 0.00218
1982 5000 0.049 0.047 0.12724 0.0095 0.12077 0.0111 0.13282 0.015 0.01618 0.01688 0.01613 0.00237
1983 5200 0.05 0.049 0.14683 0.0154 0.13333 0.0104 0.15141 0.014 0.02153 0.02218 0.02038 0.00247
1984 5300 0.052 0.05 0.15829 0.0078 0.14266 0.0070 0.15717 0.004 0.02505 0.02480 0.02175 0.00267
1985 6000 0.053 0.052 0.18393 0.0162 0.14801 0.0038 0.16314 0.004 0.03379 0.02987 0.02320 0.00277
1986 6400 0.06 0.053 0.20324 0.0105 0.15985 0.0080 0.18272 0.012 0.04128 0.03688 0.02804 0.00354
1987 6850 0.064 0.06 0.22966 0.0130 0.17583 0.0100 0.19276 0.005 0.05270 0.04384 0.03055 0.00401
1988 7500 0.0685 0.064 0.26411 0.0150 0.18832 0.0071 0.19278 0.000 0.06968 0.05027 0.03056 0.00458
1989 8400 0.075 0.0685 0.30162 0.0142 0.20244 0.0075 0.20626 0.007 0.09088 0.06103 0.03393 0.00547
1990 9200 0.084 0.075 0.33329 0.0105 0.21969 0.0085 0.22276 0.008 0.11102 0.07224 0.03797 0.00681
- 51 -
Chöông 3:Thieát keá chöông trình döï baùo phuï taûi baèng maïng Neural
1991 9560 0.092 0.084 0.36162 0.0085 0.23063 0.0050 0.22722 0.002 0.13072 0.07945 0.03904 0.00811
1992 9700 0.0956 0.092 0.37861 0.0047 0.23248 0.0008 0.22722 0.000 0.14333 0.08291 0.03904 0.00873
1993 9950 0.097 0.0956 0.39565 0.0045 0.23294 0.0002 0.22722 0.000 0.15652 0.08634 0.03904 0.00898
1994 10500 0.0995 0.097 0.42651 0.0078 0.23783 0.0021 0.22722 0.000 0.18186 0.09246 0.03904 0.00942
1995 11000 0.105 0.0995 0.45722 0.0072 0.24616 0.0035 0.22722 0.000 0.20900 0.09841 0.03904 0.01043
1996 11600 0.11 0.105 0.49380 0.0080 0.25600 0.0040 0.22722 0.000 0.24376 0.10531 0.03904 0.01139
1997 11700 0.116 0.11 0.50861 0.0030 0.25908 0.0012 0.23585 0.004 0.25867 0.11155 0.04106 0.01257
1998 11750 0.117 0.116 0.54930 0.0080 0.26011 0.0004 0.23585 0.000 0.30163 0.11898 0.04106 0.01278
1999 12300 0.1175 0.117 0.56468 0.0028 0.26479 0.0018 0.23585 0.000 0.31885 0.12170 0.04106 0.01288
2000 12800 0.123 0.1175 0.61098 0.0082 0.27088 0.0023 0.23585 0.000 0.37318 0.12960 0.04106 0.01401
II. MAÏNG NEURAL VAØ GIAÛI THUAÄT BACKPROPAGATION
II.1 Maïng neural:
Töø nhöõng soá lieäu treân chuùng ta seõ xaây döïng maïng Neural öùng duïng döï baùo phuï
taûi. Coù nhieàu maïng khaùc nhau nhöng ôû ñaây chæ söû duïng maïng Mutilayer Perceptron .
Caáu truùc maïng bao goàm ba phaàn: Input layer (lôùp ñaàu vaøo), Hidden layer (lôùp
aån) vaø Output layer (lôùp ñaàu ra), haøm truyeàn maëc ñònh trong caùc lôùp laø haøm tansig,
coøn lôùp ñaàu ra laø haøm Purelin. Trong quaù trình huaán luyeän ta coù theå thay ñoåi söï maëc
ñònh naøy. Trong lôùp aån ta coù theå coù nhieàu lôùp vaø trong moãi lôùp coù nhieàu phaàn töû nhö
hình 3.2.
X1
. Hình 3.2
.
. Y
.
.
Xn
Lôùp ñaàu vaøo aån 1 aån 2 aån 3 Lôùp ñaàu ra
Caáu truùc maïng tuøy thuoäc vaøo muïc ñích vaø soá lieäu duøng ñeå huaán luyeän. Trong
nhöõng tröôøng hôïp khaùc nhau caáu truùc maïng cuõng hoaøn toaøn khaùc nhau. Caáu truùc
maïng ñoâi khi cuõng phaûn aùnh tích chính xaùc cuûa moâ hình. Do vaäy löïa choïn ñuùng caáu
truùc maïng laø caàn thieát. Hieän nay chöa coù lí thuyeát trong vieäc löïa choïn caáu truùc maïng
cho phuø hôïp vôùi döõ lieäu ñaàu vaøo. Vì vaäy vieäc löïa choïn chæ mang tính kinh nghieäm.
- 52 -
Chöông 3:Thieát keá chöông trình döï baùo phuï taûi baèng maïng Neural
II.2 Giaûi thuaät Backpropagation:
Ñaây laø giaûi thuaät khaù toång quaùt trong vieäc huaán luyeän maïng Neural nhieàu lôùp.
Giaûi thuaät naøy hoaït ñoäng döïa treân phöông phaùp cöïc tieåu hoùa sai soá. Sau moãi maãu sai
soá ñöôïc truyeàn ngöôïc veà ñeå hieäu chænh taäp troïng soá, Bias sao cho toång bình phöông
sai soá laø cöïc tieåu.
1
∑ (y (jN ) − d j,p )2
,p
E(W)= 2 j,p (3.1)
y (j,N )
ñaàu ra thöïc teá cuûa maïng coù j neuron vaø N lôùp
p
dj,p ñaàu ra mong muoán
Caùc böôùc thöïc hieän:
1. Tính caùc giaù trò ñaàu ra khi ñöa caùc giaù trò ñaàu vaøo :
∑ y(i n−1) .w (ijn )
neti(n) = + Bi (3.7)
Trong ñoù M – Soá neuron trong lôùp n-1, yi(n-1) = Xij(n) ñaàu vaøo thöù i
neuron thöù j lôùp thöù n.
yi(n) = f(neti(n))(3.8)
Trong ñoù f laø haøm truyeàn
2. Tính δ (N) cho lôùp cuoái :
dy j
dnet
δj(N) = (yj(N) - dj). j
(3.9)
Tính gia soá cuûa troïng soá lôùp N theo coâng thöùc, trong ñoù η laø toác ñoä daïy
0Chöông 3:Thieát keá chöông trình döï baùo phuï taûi baèng maïng Neural
∆Wij=η.δi.Yi
Wij=Wi + ∆Wij
Bij=Bij+η.δij
5. So saùnh E vaø e neáu E > e quay laïi 1.
6. Laëp laïi 1. -> 5. neáu i < N
Böôùc 3 : Döï baùo
Nhaäp caùc ñaàu vaøo ñeå döï baùo
Böôùc 4 : Döøng khi khoâng coøn döï baùo
Trong ñoù:
Xi caùc giaù trò ñaàu vaøo
N Soá maãu caàn cho vieäc huaán luyeän
W Boä trong soá, B boä Bias
n Toác ñoä daïy
D Ñaàu ra mong muoán
e Sai soá cho pheùp huaán luyeän
E Sai soá tính ñöôïc
δ(delta) Heä soá hieäu chænh W, B
yi Ñaàu ra cuûa Neural i
Toác ñoä daïy n: Löïa choïn ñuùng toác ñoä daïy laø vieäc laøm raát quan troïng. Khi toác ñoä
daïy lôùn thì keát quaû ñaït ñöôïc nhanh nhöng coù theå xaûy ra tröôøng hôïp cöïc trò tìm ñöôïc
khoâng phaûi laø cöïc trò toaøn cuïc maø laø cöïc trò cuc boä vaø daãn ñeán ñi sai höôùng. Maët
khaùc khi toác ñoä daïy quaù nhoû thì deã tìm ñöôc cöïc trò toaøn cuïc nhöng thôøi gian tính
toaùn lôùn. Vì theá ta löïa choïn toác ñoä daïy vöøa phaûi trong khoaûng töø (0.1->1). Treân thöïc
teá vieäc löïa choïn toác ñoä daïy phuï thuoäc vaøo töøng baøi toaùn cuï theå vaø ñöôïc löïa choïn
baèng kinh nghieäm. Ngoaøi ra ñeå traùnh vieäc rôi vaøo cöïc tieåu cuïc boä, khi chuùng ta coù
ñöôïc boä giaù trò troïng soá, Bias öùng vôùi moät sai soá naøo ñoù thì coù theå taêng toác ñoä daïy
ñeå gradient baét ñaàu tìm ñieåm môùi ta laëp ñi laëp laïi quaù trình naøy maø maïng ñeàu veà
cuøng moät traïng thaùi thì coù theå noùi raèng ñaõ tìm thaáy cöïc tieåu toaøn cuïc .
Haøm truyeàn: Ñaây cuõng laø thoâng soá raát quan troïng vaø vieäc löïa choïn haøm truyeàn
cuõng mang tính kinh nghieäm. Löïa choïn haøm truyeàn phuø hôïp vôùi döõ lieäu, caáu truùc
maïng seõ laøm cho quaù trình laëp nhanh ñi ñeán keát quaû mong muoán.
Sai soá cho pheùp e: Treân lyù thuyeát, quaù trình laëp seõ ngöøng khi sai soá baèng 0 khi
ñoù soá laàn laëp seõ tieán ñeán voâ cuøng. Thoâng soá naøy cho pheùp quaù trình laëp seõ ngöøng
khi ñaït ñeán moät giaù trò naøo ñoù.
Quaù trình döï baùo: Sau khi ñaõ tính toaùn tìm ra ma traän troïng soá vôùi sai soá ñaït
yeâu caàu, chuùng ta tieán haønh quaù trình döï baùo. Döï baùo laø quaù trình döïa vaøo caùc thoâng
soá tìm ñöôïc (ma traän troïng soá , bias) ñeå töø ñaàu vaøo X ta tìm caùc giaù trò ñaàu ra Y
töông öùng.
- 54 -
Chöông 3:Thieát keá chöông trình döï baùo phuï taûi baèng maïng Neural
III. TRÌNH TÖÏ THIEÁT KEÁ:
- Löïa choïn vaø phaân tích döõ lieäu ñaàu vaøo .
- Löïa choïn caáu truùc maïng: bao goàm löïa choïn soá lôùp Neural, soá Neural trong
lôùp, phuï thuoäc vaøo döõ lieäu ñaàu vaøo, ñaàu ra mong muoán, haøm truyeàn, Bias.
- Daïy maïng Neural.
- Kieåm tra xem maïng Neural ñaõ hoïc ñöôïc chöa.
- ÖÙng duïng keát quaû thu ñöôïc vaøo döï baùo.
Sô ñoà giaûi thuaät vaø sô ñoà khoái thieát keá.
Sô ñoà giaûi thuaät
- 55 -
Chöông 3:Thieát keá chöông trình döï baùo phuï taûi baèng maïng Neural
Nhaäp X, D, 0, ecp, N, W, B,Ncp
Choïn haøm truyeàn huaán luyeän
Tính ñaàu ra Yi=f(neti)
Tính toång sai soá:
E = E + 1/2( Di – Yi)2
Tính δo, δi : δo = (Di – Yi).∂(yi)/∂(neti)
δn,i = (Σδn+1,k.Wn+1,j,k). ∂(yn,k)/ ∂(netn,k)
Caäp nhaät troïng soá, Bias
∆Wn,i,j = η.δn,i.Yn,i
Wn,i,j = Wn,i,j + ∆Wn,i,j
Bn,i = Bn,i + η.δn,i
False
i =N
False False
E< ecp n > Ncp
End
ecp : sai soá cho pheùp X: Döõ lieäu ñaàu vaøo D: Ñaàu ra thöïc teá
η :toác ñoä daïy N: Soá maãu döõ lieäu W: Troïng soá
B : Bias Y: Ñaàu ra mong muoán Ncp: Laàn laëp cho pheùp
n : Soá laàn ñaõ laëp E: Sai soá ñaït ñöôïc
Sô ñoà khoái:
- 56 -
Chöông 3:Thieát keá chöông trình döï baùo phuï taûi baèng maïng Neural
Löïa choïn vaø phaân tích
döõ lieäu huaán luyeän
Löïa choïn phöông phaùp
döï baùo
Nhaäp thoâng soá maïng,Döõ
lieäu huaán luyeän
Löu thoâng soá Huaán luyeän maïng
huaán luyeän
Nhaäp thoâng soá Döï baùo Kieåm tra maïng
döï baùo
Xuaát keát quaû
Keát thuùc
- 57 -