Tóm tắt Luận án Tiến sĩ Công nghệ thông tin: Mô phỏng quá trình ghi nhớ của hệ thống nơron sinh học

Nông Thị Hoa<br /> <br /> MÔ PHỎNG QUÁ TRÌNH GHI NHỚ<br /> CỦA H TH<br /> <br /> Ơ O S<br /> <br /> C<br /> <br /> Chuyên ngành: Khoa học máy tính<br /> Mã số: 62.48.01.01<br /> <br /> TÓM TẮT LUẬN ÁN TIẾ SĨ<br /> <br /> Hà Nội –2014<br /> <br /> THÔNG TIN<br /> <br /> Công trình được hoàn thành tại: Trường Đại học Công nghệ - Đại học Quốc gia<br /> Hà Nội.<br /> <br /> Người hướng dẫn khoa học: PGS.TS. Bùi Thế Duy<br /> <br /> Phản biện 1:<br /> <br /> Phản biện 2:<br /> <br /> Phản biện 3<br /> <br /> Luận án tiến sĩ sẽ được bảo vệ trước hội đồng cấp Đại học Quốc gia chấm luận án<br /> tiến sĩ họp tại…………………………………………………………<br /> Vào hồi<br /> <br /> giờ<br /> <br /> ngày tháng năm<br /> <br /> Có thể tìm hiểu luận án tại:<br /> -Thư viện Quốc gia Việt Nam<br /> -Trung tâm Thông tin – Thư viện, Đại học Quốc gia Hà Nội<br /> <br /> MỞ ĐẦU<br /> 1. Tính cấp thiết của luận án<br /> Con người được xem là động vật cao cấp nhất nhờ vào khả năng hoạt động đặc biệt của<br /> bộ não. Não người phát triển mạnh mẽ và hoàn thiện cho các chức năng như tự điều khiển,<br /> lập kế hoạch, lập luận, và suy nghĩ trừu tượng. Các mô hình mô phỏng hoạt động của não<br /> người được phát triển để tạo ra các phần mềm máy tính ngày càng thông minh và xử lý thông<br /> tin nhanh hơn.<br /> Mạng nơ-ron nhân tạo (ANN) là mô hình toán học mô phỏng hiệu quả hoạt động của các<br /> nơ-ron sinh học. Trong đó, Bộ nhớ liên kết hai chiều (BAM), Bộ nhớ liên kết mờ (FAM), và<br /> Lý thuyết cộng hưởng thích nghi mờ (Fuzzy ART) là ba mạng nơ-ron điển hình mô phỏng<br /> quá trình ghi nhớ thông tin. Quá trình học của ba mô hình này chưa tối ưu do hai nguyên<br /> nhân: (i) việc gắn trọng số cho các mẫu trong tập huấn luyện còn chưa hợp lý và (ii) luật học<br /> lưu trữ chưa triệt để các thông tin học được từ dữ liệu huấn luyện. Hơn nữa, kết quả của quá<br /> trình học có ảnh hưởng lớn đến quá trình nhớ lại các mẫu đã lưu. Vì vậy, việc nâng cao chất<br /> lượng của quá trình học là hết sức cần thiết để đáp ứng được các yêu cầu ngày càng phức tạp<br /> của các ứng dụng thực.<br /> <br /> 2. Các đóng góp của luận án<br /> 1. Đề xuất thuật toán học mới cho BAM để cho quá trình huấn luyện diễn ra nhanh hơn<br /> <br /> và linh động hơn. Đồng thời, thuật toán hỗ trợ việc cải thiện khả năng lưu trữ và nhớ<br /> lại các cặp mẫu không trực giao.<br /> 2. Cải tiến luật học của FAM để lưu trữ hiệu quả đồng thời cả nội dung và sự liên kết của<br /> <br /> các cặp mẫu huấn luyện. Việc cải tiến này giúp nâng cao khả năng nhớ lại từ các mẫu<br /> vào có dạng nhiễu phức tạp.<br /> 3. Đề xuất hai luật học hiệu quả cho Fuzzy ART với hai ưu điểm gồm học mọi mẫu huấn<br /> <br /> luyện và giảm ảnh hưởng của các mẫu huấn luyện dị thường.<br /> Các kết quả của luận án đã được công bố và chấp nhận công bố trong 2 bài báo ở tạp chí<br /> ISI quốc tế, 7 báo cáo trong kỷ yếu có phản biện của hội nghị quốc tế được xuất bản bởi<br /> IEEE và Springer, và 2 bài báo ở tạp chí trong nước.<br /> <br /> 3. Bố cục của luận án<br /> Ngoài phần mở đầu và kết luận, luận án được tổ chức như sau.<br /> <br /> 1<br /> <br /> Chương 1 trình bày về bài toán mô phỏng quá trình ghi nhớ thông tin của hệ thống nơron sinh học. Đầu tiên, chúng tôi trình bày các hiểu biết cơ bản nhất về não người và nơ-ron<br /> sinh học. Sau đó, các kiến thức quan trọng về luật học của ANN được tổng hợp .<br /> Chương 2 cung cấp các kiến thức cơ bản để mô tả các mô hình đã nghiên cứu và cải<br /> tiến. Đầu chương, các thao tác của logic mờ và toán học hình thái được trình bày. Tiếp theo,<br /> các mô hình thuộc hai nhóm Bộ nhớ liên kết (AM) và Lý thuyết cộng hưởng thích nghi<br /> (ART) được thể hiện theo thứ tự phát triển các mô hình.<br /> Chương 3 đề xuất một thuật toán học mới để BAM học nhanh và linh động hơn. Các<br /> thử nghiệm với các nhiệm vụ nhận dạng mẫu cho thấy BAM cải tiến nhớ lại tốt hơn các<br /> BAM khác.<br /> Chương 4 thể hiện hai luật học hiệu quả mọi mẫu huấn luyện và một thủ tục tìm giá trị<br /> tối ưu cho tham số tốc độ học của Fuzzy ART. Các thực nghiệm trên các bộ dữ liệu chuẩn<br /> cho thấy Fuzzy ART với luật học cải tiến nhớ lại các cụm tốt hơn các mô hình khác.<br /> Chương 5 trình bày một luật học cải tiến cho FAM để lưu trữ hiệu quả đồng thời cả nội<br /> dung và sự liên kết giữa các cặp mẫu. Các thử nghiệm với nhiệm vụ nhận dạng các chữ số và<br /> các ảnh từ cơ sở dữ liệu ảnh của hãng Corel cho thấy FAM cải tiến nhớ lại tốt hơn các FAM<br /> khác.<br /> <br /> 2<br /> <br /> CHƯƠNG 1. BÀI TOÁN MÔ PHỎNG QUÁ TRÌNH GHI NHỚ<br /> THÔNG TIN CỦA HỆ THỐNG NƠ-RON SINH HỌC<br /> 1.1 Não người và nơ-ron sinh học<br /> 1.1.1 Não người<br /> Vỏ não của người là một tầng dày chứa các nơ-ron mà bao phủ hầu hết bộ não. Vỏ não<br /> được chia thành bốn "thùy". Mỗi thùy có các vùng vỏ não lớn gắn với một chức năng cụ thể<br /> như nhìn, điều khiển chuyển động, ngôn ngữ,.... Một số vùng được mở rộng rất mạnh đặc biệt<br /> là vùng chứa ngôn ngữ.<br /> 1.1.2 Mạng nơ-ron sinh học<br /> Một mạng nơ-ron sinh học là một chuỗi các nơ-ron có kết nối bên trong mà sự kích hoạt<br /> của các nơ-ron tạo thành sự truyền tín hiệu giữa các nơ-ron. Nếu tổng các tín hiệu vào trên<br /> một nơ-ron vượt quá một ngưỡng nhất định thì nơ-ron gửi đi một tiềm năng hoạt động ở phần<br /> gò sợi trục và truyền các tín hiệu điện tử này theo các sợi trục đến các nơ-ron khác.<br /> 1.2 Nơ-ron nhân tạo và mạng nơ-ron nhân tạo<br /> McCulloch và Pitts đã đề xuất một mô hình tính toán cho một nơ-ron sinh học. Nơ-ron<br /> nhân tạo tính tổng trọng số của các tín hiệu vào và tạo ra một tín hiệu ra là 1 nếu tổng trọng<br /> số cao hơn một ngưỡng nhất định. Ngược lại, tín hiệu ra là 0. Theo toán học,<br /> (1.1)<br /> với θ() là một hàm đầu ra, wj là trọng số của tín hiệu vào thứ j,<br /> hiệu vào.<br /> <br /> là ngưỡng, và n là số tín<br /> <br /> Các nơ-ron nhân tạo đã được tổng quát hóa theo các hàm kích hoạt. Hàm sigmoid được<br /> sử dụng thường xuyên nhất có dạng:<br /> (1.2)<br /> với β là tham số lặp<br /> Các nơ-ron nhân tạo kết nối với nhau tạo thành các mạng nơ-ron nhân tạo.<br /> 1.3 Mô phỏng quá trình ghi nhớ thông tin của các mạng nơ-ron nhân tạo<br /> Một ANN có hai quá trình gồm quá trình học và quá trình nhớ lại. Ba lược đồ học của<br /> ANN là học có giám sát, học không giám sát, và lai giữa hai lược đồ học giám sát và học<br /> không giám sát.<br /> 3<br /> <br />