ĐỒ ÁN TỐT NGHIỆP ĐIỆN TỬ ĐIỀU KHIỂN MOBILE ROBOT ỨNG DỤNG CÁC MẠNG NEURON NHÂN TẠO
, thuyết minh ĐỒ ÁN TỐT NGHIỆP ĐIỆN TỬ ĐIỀU KHIỂN MOBILE ROBOT ỨNG DỤNG CÁC MẠNG NEURON NHÂN TẠO
LỜI CẢM ƠN
Trong quá trình thực hiện luận văn này , có những lúc khó khăn về linh kiện và kiến thức tưởng như khó có thể hoàn thành yêu cầu của luận văn .Nhưng được sự giúp đỡ của gia đình về vật chất và tinh thần , cùng với sự hướng dẫn của các thầy cô về kiến thức , thông tin cũng như sự giúp đỡ nhiệt tình của các bạn bè ; cho đến hôm nay chúng em đã phần nào yên tâm khi đã hoàn thành cơ bản yêu cầu của luận văn .Vì vậy chúng em vô cùng biết ơn sự giúp đỡ đó .
Lời cảm ơn đầu tiên chúng em xin dành cho gia đình_những người đã luôn bên cạnh chúng em trong thời gian qua , luôn tạo điều kiện cho chúng em về vật chất cũng như động viên về mặt tinh thần để chúng em có thể hoàn thành văn này .
Xin chân thành cảm ơn thầy .... đã hướng dẫn chúng em hoàn thành luận văn này .
Chúng em xin bày tỏ lòng biết ơn các thầy cô giáo đã dạy dỗ chúng em trong thời gian qua . Vô cùng biết ơn các thầy cô của trường Đại Học Bách Khoa , các thầy cô khoa Điện-Điện Tử và các thầy cô ở Bộ Môn Tự Động đã trang bị cho chúng em những kiến thức quí báu để chúng em thêm tự tin hơn khi bước vào đời .
Và cuối cùng xin cảm ơn sự giúp đỡ của các bạn bè trong thời gian qua .
Mặt dù đã cố gắng rất nhiều nhưng do những hạn chế về kiến thức , linh kiện, thời gian thực hiện nên không tránh khỏi những thiếu sót .Chúng em rất mong những lời đóng góp , phê bình của các thầy cô và các bạn .
LỜI MỞ ĐẦU
Cùng với sự phát triển không ngừng của các ngành khoa học kỹ thuật , các ngành công nghiệp cũng phát triển nhanh chóng . Việc áp dụng các máy móc hiện đại vào sản suất là một yêu cầu không thể thiếu trong các nhà máy nhằm tăng năng suất , tăng chất lượng và giảm giá thành sản phẩm . Song song với sự phát triển đó , công nghệ chế tạo Robot cũng phát triển nhanh chóng ( đặc biệt là ở các nước phát triển như Nhật , Châu Âu , Mỹ … ) nhằm đáp các nhu cầu về sản xuất , quốc phòng … .Robot có thể thực hiện những công việc mà con người khó thực hiện và thậm chí không thực hiện được như : làm những công việc đòi hỏi độ chính xác cao , làm việc trong môi trường nguy hiểm ( như lò phản ứng hạt nhân , dò phá mìn trong quân sự ) , thám hiểm không gian vũ trụ ….
Qua nhiều thập niên phát triển , ngày nay công nghệ chế tạo Robot của thế giới đã có những bước phát triển vượt bậc . Với việc ứng dụng mạng Neuron sinh học trong điều khiển , Robot ngày nay trở nên thông minh hơn ;thậm chí Robot cũng có thể biểu lộ cảm xúc .Gần đây , Robot không những phục vụ cho sản xuất , quân sự mà nó còn được chế tạo nhằm phục vụ như cầu giải trí của con người và phục vụ trong gia đình … nhờ những khả năng đặc biệt mà Robot trước đây không thực hiện được .
Ở nước ta , công nghệ chế tạo Robot và việc ứng dụng Robot vào sản xuất mới chỉ ở giai đoạn đầu và đây cũng là một lĩnh vực hứa hẹn nhiều tiềm năng trong tương lai . Muốn có nền kinh tế hùng mạng , nền công nghiệp tiên tiến thì việc ứng dụng Robot vào sản xuất và đời sống là một điều cần thiết .Từ những suy nghĩ đó nên mặt dù kiến thức còn hạn chế nhưng chúng em cũng cố gắng nghiên cứu về công nghệ chế tạo và điều khiển Robot trong phạm vi luận văn tốt nghiệp với ước muốn có những đóng góp vào công nghệ chế tạo Robot của nước nhà trong thời gian tới .
MỤC LỤC
Lời Cảm Ơn
Lời Mở Đầu
Trang
Chương 1 :
Quá Trình Huấn Luyện Trong Hệ Thống Điều Khiển Neuron
1.1 Giới Thiệu 1
1.2 Tổng Quát Về Cấu Trúc Neuron 5
1.3 Mạng Nuôi Tiến Hay Còn Gọi Là Mạng Tĩnh 8
1.4 Mạng Truyền Lùi 16
Chương 2 :
Ứng Dụng Mạng Neuron Nhân Tạo Trong Robot
2.1 Giới Thiệu 31
2.2 Giới Thiệu Tổng Thể Các Mạng Neuron 32
2.3 Ứng Dụng Mạng Neuron Nhân Tạo Trong Robot 49
Chương 3 :
Vi Điều Khiển At89c51
3.1 Vi Điều Khiển Họ MCS-51 64
3.2 Vi Điều Khiển AT89C51 64
Chương 4 :
Truyền Thông Nối Tiếp Và Rs-232
4.1 Giới Thiệu 93
4.2 Cổng Nối Tiếp RS-232 95
4.3 Truyền Thông Giữa Hai Nút 98
Chương 5 :
Một Số Cảm Biến Thông Dụng Dùng Trong Robot
5.1 Giao Tiếp Với Cảm Biến 104
5.2 Cảm Biến Quang 105
5.3 Cảm Biến Lực 110
5.4 Các Cảm Biến Vị Trí Và Hướng 112
Chương 6 :
Step Motor
6.1 Giới Thiệu Chung Về Stepping Motor 114
6.2 Sự Khác Biệt Và Ưu Khuyết Điểm Của Stepper Motor
So Với Động Cơ DC 114
6.3 Phân Loại Động Cơ Bước 115
6.4 Các Phương Pháp Điều Khiển Động Cơ Bước 120
6.5 Một Số Thông Số Cơ Bản Của Động Cơ Bước 122
6.6 Những Hoạt Động Vật Lý Bên Trong Động Cơ Bước 123
6.7 Những Mạch Điều Khiển Động Cơ Bước Đơn Giản 130
CHƯƠNG 7 :
THIẾT KẾ VÀ THI CÔNG PHẦN CỨNG
7.1 Mô Hình Của Robot 135
7.2 Thiết Kế Mạch Vi Xử Lý Điều Khiển Cho Robot 141
CHƯƠNG 8 :
LƯU ĐỒ GIẢI THUẬT VÀ CHƯƠNG TRÌNH
8.1 Lưu Đồ Giải Thuật Điều Khiển Robot 150
8.2 Chương Trình Viết Bằng Assembly Cho Vi Xử Lý 89C51 152
8.3 Chương Trình Viết Bằng C Để Huấn Luyện Cho Mạng Neuron 168
8.4 Chương Trình Giao Diện Trên Máy Tính Viết Bằng Visual Basic 178
CHƯƠNG 9 :
ĐÁNH GIÁ KẾT QUẢ THI CÔNG
9.1 Kết Quả Mô Phỏng Mạng Huấn Luyện Tốc Độ Của Robot 210
9.2 Kết Quả Mô Phỏng Mạng Huấn Luyện Hành Vi Của Robot 211
9.3 Đánh Giá Kết Quả Thi Công 213
9.4 Hướng Phát Triển Của Đề Tài 214
PHẦN PHỤ LỤC 215
CHƯƠNG 1:
QUÁ TRÌNH HUẤN LUYỆN TRONG HỆ THỐNG ĐIỀU KHIỂN NEURON
1.1 Giới Thiệu :
1.1.1 Hệ điều khiển neuron sinh học :
Với sự phát triển của các loại máy móc ,ngày nay các nhà khoa học muốn tạo ra một loại máy có thể hoạt động độc lập với sự điều khiển của con người trong một môi trường luôn thay đổi và không chắc chắn , những máy này được gọi là máy tự động hay máy thông minh ( hay thường được gọi là robot ) .Sự thành công của một robot phụ thuộc vào khả năng nó có thể xử lý được nhiều tình huống đa dạng trong môi trường hoạt động của nó .Mục tiêu của các nhà khoa học là tạo ra những robot có thể hoạt động liên tục và luôn hồi tiếp những hành động của nó
.Robot có thể thực hiện những công việc mà những máy móc thông thường được điều khiển bằng tay khó có thể thực hiện được .Ngoài ra ,robot có thể thích nghi và thực hiện hiệu quả công việc trong một môi trường luôn thay đổi . Vì vậy ,robot rất hữu ích khi thay thế con người trong những công việc khó khăn ,nguy hiểm ,và nhàm chán như sử dụng robot trong chiến tranh , trong lò phản ứng hạt nhân , trong quân sự , dò phá mìn ....
Cấu trúc mạng sinh học được xem như là nguồn gốc và bộ khung để thiết kế robot .Mô hình mạng sinh học cung cấp không chỉ động cơ mà còn một vài manh mối để phát triển giải thuật học thích nghi và bền vững trong robot .Ngày nay ,k ỹ thuật điều khiển thích nghi và bền vững còn ít phổ biến so với kỹ thuật điều khiển cổ điển như bộ điều khiển tỷ lệ (P) , tích phân (I) , vi phân (D) và bộ điều khiển vi tích phân (PID) và mô hình tham khảo của bộ điều k hiển thích nghi .
Cơ cấu điều khiển dùng mạng sinh học phù hợp để điều khiển những đối tượng có mô hình phức tạp, không chắc chắn .Mô hình mạng thường rất phức tạp và bất chấp mô hình toán chính xác .Chúng có thể thực hiện những nhiệm vụ phức tạp mà không cần xây dựng mô hình toán của đối tượng cũng như môi trường mà nó hoạt động ; điều đó có nghĩa là ta không phải giải quyết những bài toán tích phân ,vi phân và toán phức.
Ví dụ : hành vi cầm ly nước của con người .Trước tiên ,bộ não người tác động lên ly nước ;và nó sẽ xác định khoảng cách từ tay đến ly nước và tính toán hướng di chuyển của tay để cầm ly nước ,sau đó bộ não sẽ lên kế hoạch và thực hiện công việc là cầm ly nước lên .
Cũng như bộ não người , mạng sinh học cũng thực hiện công việc dựa vào khả năng nhận thức của nó .Những bước tính toán tiếp theo hoàn toàn là dựa vào tiềm
thức .Ở đây ,chúng ta không xem xét đến quan hệ giữa cổ tay với khuỷu tay hoặc vai , cũng như sức lực của mỗi người ra sao .Mà những tính toán chi tiết về góc hay lực được thực hiện bởi những mức thấp hơn của tính toán tiềm thức nằm ở hệ thống thần kinh trung tâm (CNS) .Ngoài ra , hệ điều khiển sinh học có thể học để thực hiện những công việc mới cũng như có thể thích nghi với những thay đổi của môi trường một cách dễ dàng .
Giả thuyết rằng , nếu nguyên tắc cơ bản của những tính toán neuron trong hệ điều khiển sinh học được sáng tỏ ,lúc này những bộ điều khiển thế hệ mới có thể được phát triển càng bền vững và thông minh hơn vượt xa khả năng những bộ điều khiển cổ đ iển dựa trên mô hình toán học .
Mặc dù nhiều nhà sinh vật học và tâm lý học đều cho rằng bộ não có cấu trúc module thần kinh .Nhưng không có cái nhìn chung về số lượng module thần kinh hay cách hình thành cấu trúc module thần kinh .Lý do là vì module tự nhiên của não có số lượng lớn những bộ phận tác động qua lại với nhau .Thậm chí khi xây dựng một mô hình với một vài bộ phận tương tác qua lại ( để so sánh với một bộ não thật sự ) thì xuất hiện những tính toán kinh khủng và những phân tích khó khăn .Trong nhiều trường hợp , mô hình toán cung cấp những công những công cụ cần thiết để làm rõ những khía cạnh khác nhau của hệ thống .
Thiên nhiên đã tạo ra một cấu trúc thần kinh rất phức tạp trong các loài sinh vật .Có trên 100 tỷ neuron sinh học trong hệ thống thần kinh trung tâm của con người , chúng đóng một vai trò quan trọng trong những khía cạnh khác nhau của quá trình xử lý thông tin và thực hiện những quyết định ( như nhận biết ,điều khiển và nhận thức ) .Trong quá trình xử lý thông tin ;xuất hiện những hoạt động đa dạng ,phức tạp và những chức năng ánh xạ ( mapping function ) trong cấu trúc tầng song song ( parallel_cascade ) ,hình thành một mô hình phức tạp ở những lớp Neuron và phát triển thành mô hình hình chóp .Thông tin được truyền từ lớp Neuron này sang lớp Neuron khác theo hướng tiến và liên tục được hồi tiếp để hình thành một cấu trúc hình chóp động .
1.1.2 Những tiền đề để thiết kế hệ thống điều khiển cổ điển :
Phương pháp thiết kế hệ thống điều khiển cổ điển dựa trên mô hình toán học mô tả hành vi của đối tượng và ứng dụng những kỹ thuật phân tích trên mô hình này để đi đến luật điều khiển . Thông thường , những mô hình toán thường chứa những phương trình vi phân tuyến tính hoặc phi tuyến .Hầu hết những phương trình này đều được xây dựng xấp xỉ và đơn giản hoá .Đối với một đối tượng phức tạp hoạt động trong một môi trường luôn thay đổi thì kỹ thuật cổ điển sẽ gặp khó khăn khi xây dựng mô hình toán và luật điều khiển ,thậm chí không thể thực hiện được
.Mô hình của một hệ thống điều khiển có hồi tiếp liên quan đến sai số giữa mô
hình đơn giản hoá và mô hình thực ; sai số này quyết định hành vi và hoạt động của hệ thống .
Có hai phương pháp điều khiển thường được mô tả để đạt được kết quả điều khiển theo ý muốn từ những hiểu biết mơ hồ về đối tượng .Phương pháp thứ nhất là ổn định bền vững (robust stabilizer ) hay còn gọi là bộ điều khiển bền vững
.Điều khiển thích nghi (Adaptive control) là phương pháp thứ hai để giải bài toán
điều khiển cho một đối tượng phức tạp .Các thông số của bộ điều khiển thích nghi phải phù hợp với giải thuật thích nghi để giữ cho hệ thống hoạt động như mong muốn .Nhìn chung ,bộ điều khiển thích nghi được áp dụng rộng rãi để điều khiển những đối tượng không chắc chắn ,nhưng nó phức tạp hơn bộ điều khiển bền vững.
Mặc dù kỹ thuật điều khiển thích nghi được dùng rất rộng rãi nhưng những ứng dụng của chúng vào các bài toán thực tế còn rất hạn chế .Lý do là vì trong thực tế yếu tố ổn định được ưu tiên hơn trong hệ thống điều khiển thích nghi.Đối với những hệ thống lớn và phức tạp thì sự phức tạp của phương pháp thích nghi truyền thống gây khó khăn cho người thực hiện .Hơn nữa ,phương pháp này cần hiểu biết về bậc của đối tượng điều khiển ;nhưng trong thực tế nhiều hệ thống ta không biết được bậc của đối tượng nên việc áp dụng phương pháp điều khiển thích nghi truyền thống rất khó khăn và đôi khi không thể thực hiện được .
1.1.3 Giải thuật học trong bộ điều khiển Neuron :
Để đương đầu với một đối tượng động không chắc chắn , bộ điều khiển phải ước lượng những thông tin không rõ ràng trong suốt thời gian hoạt động .Nếu những thông tin được ước lượng gần với thông tin thật thì bộ điều khiển được thiết kế sẽ là bộ điều khiển tối ưu.Sự cải tiến các hành vi nhờ vào sự hiệu chỉnh t hông tin ước lượng, vì vậy bộ điều khiển này được xem như là bộ điều khiển học thích
nghi. Bộ điều khiển được huấn luyện từ những thông tin không rõ ràng trong suốt thời gian hoạt động ,thông tin này được dùng như một kinh nghiệm cho những quyết định và điều khiển trong tương lai .
.................................................................................
Bộ điều khiển được gọi là bộ điều khiển học hỏi nếu những thông tin không rõ ràng của đối tượng hoặc của môi trường được thu thập khi hoạt động và những thông tin này được dùng để ước lượng cho những bước tiếp theo .Ví dụ như bộ điều khiển được thay đổi kiểu điều khiển hoặc những thông số của bộ điều khiển sau khi học nếu bộ điều khiển hiện tại không thoả mãn yêu cầu .
Bộ điều khiển được huấn luyện có thể tăng hiệu quả hoạt động và có thể tạo ra những bộ điều khiển bền vững .Bộ điều khiển có thể bù một số lượng lớn những thay đổi trong bộ điều khiển và môi trường hoạt động của nó .Luật học nhằm để xác định các thông số của bộ điều khiển Neuron để hệ thống hoạt động tối ưu . Luật học có khả năng cải tiến những hành v i trong tương lai dựa vào những thông tin trong hiện tại .Cả bộ điều khiển học hỏi và thích nghi có thể được thực hiện dùng giải thuật điều chỉnh thông số dựa vào thông tin hồi tiếp .
1.1.4 Cấu trúc sinh học của Neuron :
Bộ não người bao gồm xấp xỉ 100 tỷ tế bào thần kinh , còn được gọi là Neuron
.Tất cả những hoạt động của con người phụ thuộc vào những tế bào nhỏ bé này . Mỗi Neuron kết hợp với nhiều Neuron khác tạo thành mạng Neuron .Sự kết nối thành mạng tạo làm cho con người có khả năng tính toán và ghi nhớ .
Neuron là đơn vị cơ bản của hệ thần kinh trung tâm ( Central Nervous System:CNS ) , những Neuron này có chức năng xử lý và thông tin qua lại từ những bộ phận khác nhau của cơ thể con người.Theo quan điểm về xử lý thông tin, mỗi Neuron bao gồm 3 phần ,mỗi phần liên hệ với nhau bằng một phương trình toán cụ thể .
..................................................................
Với sự phát triển song song của logic mờ ,nhiều mô hình mạng Neuron chứa nguyên tắc của mạng Neuron và cả logic mờ đang được phát triển .Mặc dù ,các mạng tĩnh ,động và các mạng Fuzzy_Neuron đang được ứng dụng trong nhiều bộ điều khiển ,nhưng mô hình cơ bản của mạng Neuron vẫn chỉ mô phỏng lờ mờ theo mô hình thực .
Những năm trước đây ,các nhà nghiên cứu đã đưa ra nhiều mô hình mạng tĩnh
,động và Fuzzy_Neuron khác nhau .Mô tả chi tiết những mô hình này khó có thể thực hiện được .Tuy nhiên ,chúng ta sẽ cố gắng đưa ra một số khái niệm cơ bản của những cấu trúc Neuron khác nhau mà những cấu trúc này thường được dùng trong mô hình điều khiển .
1.2.2 Tính toán trong mạng Neuron :
Mục đích của việc nghiên cứu những tính toán trong mạng Neuron là để phát triển mô hình toán mạng Neuron mà không cần thiết nghiên cứu về mặt sinh học
,mô hình toán có thể thực hiện bằng những hàm tính toán khác nhau .Mạng Neuron nhân tạo (ANNs) ,hay những mạng Neuron đơn giản thường được mô tả bằng những mô hình kết nối hay mạng xử lý phân bố song song (parallel distributed processing networks).
Bắt đầu với sự phát triển của những tính toán Neuron dựa trên những hiểu biết về cấu trúc sinh học của nó cùng với luật học .Điều này dẫn đến quá trình tính toán trong mạng Neuron được thực hiện theo 3 bước sau :
Phát triển mô hình Neuron dựa trên cấu trúc sinh học của nó .
Mô hình kết nối và cấu trúc synapse .
Luật học .
Các nhà nghiên cứu đã khám phá ra nhiều cấu trúc mạng Neuron khác nhau nhưng nếu xét về cấu trúc ;mạng Neuron có thể phân thành mạng tĩnh ,mạng động
,mạng một lớp và mạng nhiều lớp .Hơn nữa ,những cách tính toán khác nhau trong mạng Neuron cũng làm nảy sinh những cách kết nối synapse khác n hau giữa các Neuron .
Mặc dù các nhà nghiên cứu đã đưa ra nhiều cấu trúc mạng Neuron cũng như giải thuật học khác nhau ,những mạng Neuron cũng có chung nhiều đặc tính ,mà những đặc tính này là duy nhất đối với một hệ sinh học .Những đặc tính này tương phản với phương pháp tính toán truyền thống .Những tính toán trong mạng Neuron có thể điều tiết nhiều đầu vào song song và mã hoá thông tin theo mô hình phân bố .Kiểu mã hoá này tương phản với sơ đồ bộ nhớ truyền thống ,ở đó những mẫu thông tin cụ thể được chứa trong một vùng bộ nhớ .Sự phân phát bộ nhớ trong mạng Neuron có nhiều thuận lợi ,quan trọng nhất là bộ nhớ chứa dư ra nhiều thông tin tiêu biểu một lúc .Vì vậy mạng Neuron vẫn có thể hoạt động tốt khi bị phá huỷ một vài bộ phận trong cấu trúc mạng .
Thuộc tính của mạng Neuron như luật học ,sự tổng hợp thông tin dư thừa và dung sai cho phép là động cơ chọn lựa mô hình sinh học thích hợp cho mạng Neuron .Những kích thích (potential benefits) của mạng Neuron có thể được tóm tắt như sau :
Mô hình Neuron có nhiều Neuron liên kết với nhau theo một cấu trúc song song .Vì có cấu trúc song song nên sự bất thường của một vài Neuron không gây ra những ảnh hưởng quan trọng lên toàn bộ hệ thống .Đặc tính này được xem như dung sai.
Chiều dài của mạng phụ thuộc vào luật học và khả năng thích nghi của nó .Khả năng thích nghi và học từ môi trường có nghĩa là mạng Neuron có thể xử lý được những dữ liệu mơ hồ,không rõ ràng(imprecise data) và những tình huống không được định nghĩa tốt (ill_defined situation ).Mạng được huấn luyện thích hợp sẽ có khả năng tổng hợp khi đầu vào không xuất hiện trong quá trình huấn luyện .
Đặc tính quan trọng nhất của mạng Neuron là khả năng xấp xỉ những hàm liên tục phi tuyến đến độ chính xác mong muốn .Khả năng này của mạng làm cho chúng trở nên hữu ích khi xây dựng một mô hình trong bộ điều khiển phi tuyến .
Mạng Neuron có thể có nhiều đầu vào và nhiều đầu ra nên có thể ứng dụng cho nhiều hệ thống khác nhau .
Với sự tiến bộ của kỹ thuật phần cứng ,gần đây nhiều nhà cung cấp đã giới thiệu kỹ thuật VLSI trong mạng Neuron,điều này làm tăng tốc độ tính toán trong mạng .
Mặc dù một số lượng lớn những phép toán trong mạng Neuron và giải thuật học được đưa ra ,nhưng hầu hết những mạng này đều có một đặc tính chung nào đó với hệ Neuron sinh học .Cấu trúc cơ bản của một mạng Neuron bao gồm nhiều Neuron được phân bố song song và cách thức giải mã thông tin trong kết nối synapse và cách thức gọi thông tin với đáp ứng đầu vào hiện tại .Các mạng Neuron khác nhau đều có cách học tương tự nhau ,chúng đều rút ra những kinh nghiệm từ những dữ liệu được đưa vào .
Trên đây là những giới thiệu tổng quát về cấu trúc mạng Neuron .Mô tả chi tiết về cấu trúc mạng động và mạng tĩnh sẽ được trình bày trong các phần sau .
1.3 Mạng nuôi tiến hay còn gọi là mạng tĩnh :
1.3.1 Mô hình toán của mạng nuôi tiến :
Một Neuron bao gồm synapse ( điểm nối ) và soma ( thân Neuron ) .Trong mô hình mạng Neuron ,đầu ra axon của Neuron này được nối với các đầu vào dendrite của các Neuron khác thông qua kết nối synapse và sự kết nối này quyết
định trọng số giữa các Neuron .Mỗi soma có trung bình 104 đầu vào dendrite và
soma có chức năng tổng hợp trọng số của tất cả các đầu vào này .Nếu trọng số này lớn hơn giá trị ngưỡng thì nó sẽ tạo thành xung kích ở đầu ra Neuron ,những xung kích này thông qua axon để chuyển đến đầu vào các Neuron khác .
Nhìn ở góc độ về xử lý tín hiệu ,Neuron có hai yếu tố then chốt là synapse và soma-nó có chức năng tính toán và nhớ những dữ liệu trong quá khứ .Mỗi synapse là một phần tử để lưu trữ dữ liệu (hay trọng số ) và nó sẽ được học để hiệu chỉnh những trọng số này cho đến khi đạt được đầu ra như mong muốn .Soma có nhiệm vụ tổng hợp các trọng số đầu vào của Neuron và tạo thành kích thích ở đầu ra Axon thông qua hàm tác động dạng phi tuyến .
Một cách đơn giản , ta có xem một Neuron như là một phần tử xử lý thông tin
(PE) gồm có n đầu vào
X (t )
[ x1
(t), x2
(t ),..., xn
(t )]T
R n và đầu ra vô hướng
y(t)
R1 .Vector đầu vào X(t) chính là các đầu ra của các Neuron ở lớp trước hay
từ các Neuron cảm biến từ môi trường .
Xét về mặt toán học khả năng xử lý thông tin của một Neuron được xem như