Một số vấn đề liên quan đến hệ thống DKTD, hàm, bộ DKTD!

Xin lỗi bác Lan nhé, dạo này em hơi bận. Vì post mấy cái này em cần suy nghĩ 1 chút, hẹn bác vài tháng nữa, công việc của em vãn đi thì mới post những bài đọc được 1 chút vào TP này được.

@ ALL: HiHi! Lan tui sửa lại đường link cho hiện được ảnh có trong bài của Mod ThuyenXaXu nha!
Xem http://www10.ttvnol.com/forum/kysu/512697.ttvn
[Thuyenxaxu viết lúc 03:23 ngày 17/05/2005-]
Cám ơn anh Lan !
Hoan nghinh anh Hanh đã mở một chủ đề rất hay ...
Thuyền không rành mấy về lãnh vực này, tuy nhiên, hình như muốn có tài liệu về Automatic Control Systems & Feedback Systems, thì vô lấy trong IEEE website đó .
Vô website của IEEE, search với keywords đó, bạn sẽ có không dưới hàng ngàn articles và theories viết về nó . Tuy nhiên, bạn phải lựa lọc ra với ứng dụng đặc biệt vì các ứng dụng của lý thuyết này bao la lắm bạn à ... Anh Hạnh làm về ứng dụng gì của các lý thuyết này vậy ?
Đừng nói đâu xa trong ngành computer & electrical mà ngay trong Y khoa, nguoi ta cùng áp dụng vô .
Thí dụ, bài viết sau đây của một tay ứng dụng lý thuyết này dùng để ... đánh thuốc mê cho bệnh nhân của mình :
http://bja.oupjournals.org/cgi/content/full/85/6/818
----------------

Introduction:


Computers are increasingly used for delivering anaesthesia and monitoring patients. Automatic control systems will probably soon help to improve safety and reduce repetitive tasks.1?"4
Minimal and low-flow techniques of general anaesthesia are gaining popularity for different reasons. Cost and environmental issues5 6 favour low-flow systems.7 On the other hand, low-flow systems require more expertise, and because the changes in the fresh gas concentration have a delayed effect on the end-tidal concentration of inhalation agents, more adjustments of the vaporizer setting are needed. Automatic control of end-tidal anaesthetic concentration could facilitate low-flow anaesthesia and prove cost-effective.
The ideal variable for the control of anaesthesia is still a matter of debate. An indirect variable (e.g. mean arterial pressure, heart rate) is often chosen, and the EEG-derived bispectral index (BIS) has been used recently in a closed-loop feedback control system.8 Another easily measurable variable is the end-tidal concentration of an inhalation anaesthetic. It closely represents the brain concentration and can easily be measured breath-to-breath by a non-invasive procedure. In clinical practice, a certain level of anaesthesia is sought by observing the end-tidal concentration of the volatile agent by adjusting the inspired anaesthetic concentration manually. Previous studies have shown that, by controlling the end-tidal concentration of the anaesthetic, induction is shortened and arterial and brain concentrations are more stable.9 During the induction of anaesthesia, the inspired concentration is often set well above the desired brain tension to speed the induction process (the overpressure technique).10
We set a control system to adjust the end-tidal anaesthetic concentration for a variety of surgical interventions and patient characteristics, and compared it with manual control.
Methods


Patients
With institutional ethics committee approval and written, informed consent from the subjects, we studied 22 ASA I?"III patients (18?"75 yr) undergoing elective surgical procedures (neurosurgery, ENT, abdominal and orthopaedic surgery). We excluded patients with a history of coronary artery disease or with arterial hypertension that was poorly controlled.
The patients were given lorazepam 1?"2 mg orally 30 min before induction of anaesthesia. An i.v. cannula was placed in a peripheral vein, and we monitored 3-lead ECG, arterial pressure (either non-invasively or invasively, at the discretion of the anaesthetist), and pulse oximetry. Anaesthesia was performed by experienced anaesthetists with more than 2 yr of training.
The patients were assigned randomly (by lot) to one of two treatment groups for the first phase of anaesthesia. Group A patients were anaesthetized by manual adjustment of the concentration of isoflurane. Group B patients were anaesthetized with an automatic feedback control system to adjust the end-tidal isoflurane concentration.
The anaesthetist was asked to make four step changes of the target end-tidal isoflurane concentration, either manually or by setting the target value for the feedback controller, after the beginning of surgery. The anaesthetists were in a realistic clinical situation and had to make the changes as best they could while fulfilling other clinical tasks. Before the first step change and after each subsequent step, an equilibration period of approximately 10 min was allowed so that a constant end-tidal concentration could be maintained. The end-tidal target concentration was increased in two steps (+0.3 and +0.6 vol%) and decreased in two steps (?"0.3 and ?"0.6 vol%).
The sequence of the four step changes was chosen by the anaesthetist according to clinical needs and anticipated surgical stimulation, but the chosen step had to be sustained for a minimum time of 10 min. If the mean arterial blood pressure decreased by more than 20% after an increasing step-change, a single dose of ephedrine (5 mg i.v.) was allowed or an equivalent decreasing step-change of the end-tidal isoflurane concentration was sought. If the mean arterial pressure increased by more than 20% after a decreasing step change, ad***ional fentanyl (1?"2 µg kg?"1) was given.
After this first phase of four step changes, the method of adjusting the end-tidal isoflurane concentration was changed to the other method for a second phase, i.e. patients randomized to Group A (manual control) were now assigned to the automatic feedback control system for the next four step changes, and vice versa for Group B patients.
After a total of eight changes, the study finished and control continued with the second method. All the changes were made within the first 2 h of surgery. All changes were within a range of 0.3?"1.2 vol% of the end-tidal isoflurane concentration.
Anaesthesia was induced with fentanyl (2 µg kg?"1) and thiopental (3?"5 mg kg?"1). The trachea was intubated after muscle relaxation with vecuronium (0.1 mg kg?"1). Ad***ional doses of vecuronium were given to maintain 0?"2 responses of TOF stimulation at the ulnar nerve. After tracheal intubation, controlled ventilation was adjusted to maintain the end-tidal carbon dioxide at 4.5% (fixed respiratory rate of 10 per min, tidal volume variable), and anaesthesia was maintained with 70% N2O in oxygen, isoflurane and boluses of fentanyl (1?"2 µg kg?"1) as necessary.
After tracheal intubation, the fresh gas flow was set to 6 litre min?"1. Ten minutes later the flow was reduced to 1 litre min?"1 and at the end of the surgery it was reset to 6 litre min?"1 in both groups. The control system was started after the beginning of the operation. An equilibration period of 10 min was allowed for initialization of the controller before step changes of the end-tidal isoflurane concentration were undertaken. The sampling frequency for data collection was 10 per min, corresponding to a respiratory rate of 10 per min.
The control system
We used the Cicero workstation (Drägerwerke, Germany) with an isoflurane vaporizer (Dräger Vapour 19.3). It is able to monitor the following values: ECG, arterial pressure, pulse oximetry and sidestream measurements of oxygen, nitrous oxide, isoflurane and other inhalation agents. For safety reasons, isoflurane, nitrous oxide and oxygen concentrations were also measured with a sidestream anaesthetic gas analyser (Datex Capnomac; AVL, Switzerland). Both sampling lines were connected to a stop**** at the breathing filter (HME filter, nos 22 and 25; PALL, Switzerland) fitted to the endotracheal tube. All analysers were calibrated before use, according to the instructions of the manufacturers.
The end-tidal controller is a model-based state feedback controller (see Appendix A), uses two input signals (end-tidal and inspiratory isoflurane concentrations) and produces one output signal?"the isoflurane concentration in the fresh gas supply, i.e. the vaporizer setting. The Dräger 19.3 vaporizer is adjusted by an external servo-motor. The servo-motor itself is driven by an analogue amplifier controlled by a PID (Proportional Integral Derivative; for explanation see Appendix A), which in turn is controlled by a conventional electronic interface. The vaporizer and the PID control system are calibrated so that known concentrations are delivered in response to the input voltage. Two Hi-Tech (Bronkhorst Hi-Tech, Ruurlo, Netherlands) nitrous oxide and oxygen mass flow controllers are used *****pply a precise flow of gases. They are able to deliver gas flows between 0 and 10 litre min?"1 with ±1% accuracy. The anaesthetist can control the feedback system with a touchscreen panel. This panel has buttons for the selection of the end-tidal isoflurane concentration and the fresh gas flow. The Cicero vaporizer and flowmeters are bypassed when the feedback control system is operating. However, the anaesthetist can revert to manual control at any time.
The control algorithms are implemented on a VME-board power PC using the real-time programming language XOberon (Institute of Robotics, Swiss Federal Institute of Technology, Zurich, Switzerland). Dedicated parts of the program are used to send data for display and storage to a standard PC via an Ethernet link.
Data analysis
The control of the end-tidal isoflurane concentration was judged by comparing the step changes of the target end-tidal isoflurane concentration under the two modes of control (manual/automatic feedback), using the following performance criteria (Tables 2 and 3).
Table 2 Increasing step changes of FE. Values are mean (SD). The sampling frequency for data collection was 10 per min, corresponding to a respiratory rate of 10 per min. Response time=time to reach the target value, from 10 to 90% of the step height. Maximum overshoot=maximum amount the system overshot its target value, expressed as a percentage of the step height. Stability=deviation of the measured end-tidal isoflurane concentration from the target value, expressed as percentage frequency distributions of the deviation (measured minus desired) of the end-tidal isoflurane concentration. *P<0.05

Table 3 Decreasing step changes of FE. Values are mean (SD). The sampling frequency for data collection was 10 per min, corresponding to a respiratory rate of 10 per min. *P<0.05


1. Response time: time to reach the target value:
(a) increasing step change: time to reach the target value, from 10 to 90% of the step height (e.g. for an increasing step change of 0.6%, from 0.5 to 1.1%, the response time would be defined as the time to reach 1.04% from 0.56%);
(b) decreasing step change: time to reach the target value, from 10 to 90% of the step height (e.g. for a decreasing step change of 0.3%, from 0.8 to 0.5%, the response time would be defined as the time to reach 0.53 from 0.77%).
2. Maximal overshoot/undershoot: maximum amount the system overshoots or undershoots its target value, expressed as a percentage of the step height. Observation starts after the target value has been reached for the first time.
3. Stability: deviation of the measured end-tidal isoflurane concentration from the target value, expressed as percentage frequency distributions of the deviation (measured minus desired) of the end-tidal isoflurane concentration. Observation starts after the target value has been reached for the first time.
The number of changes of the vapour setting (0.05 vol%) was also recorded.
Numerical variables in the two groups were compared by the paired t-test when data were normally distributed, otherwise the Wilcoxon signed rank test was used. A P value <0.05 was considered statistically significant. The statistical package used was Sigma Stat, version 2.0 (Jandel Corporation, San Rafael, California, USA).
Results


The two groups were similar with respect to ***, age, weight and duration of surgery (Table 1).
Table 1 Patient characteristics and duration of surgery. Values are mean (SD)


In both groups, two patients had only one series of step changes because the operation finished early. The remaining 18 patients were studied after the protocol, i.e. they all had four step changes performed in the manual and in the automatic mode. Therefore, a total of 80 step changes were analysed in each group.
The performance of the feedback control was superior to that of the manual control in terms of overshoot and stability, with increasing as well as decreasing step changes (Tables 2 and 3 and Figs 1, 2, 3 and 4). The response time for the increasing step changes was shorter in the automatic mode for the larger steps only; for the smaller steps it was shorter in the manual mode. The response time for the decreasing step changes did not differ statistically between the two groups
...
................
(Thuyenxaxu cắt bỏ, xin vô đọc trong link trên nếu muốn biết thêm chi tiết ...)
...
.........
Structure of the model-based feedback controller. It consists of three components: an observer (with the state feedback K and the correction gain L), the integrator and the feedforward term F:

x''(t) = Ax(t) + Bu(t)
y(t) = Cx(t) + Du(t)
where x(t) is the state vector, x''(t) is the time derivative of x(t), u(t) is the control input and y(t) is the measurement output. In our case, x(t) represents the partial pressure in the different body compartments and the breathing system and u(t) represents the vaporizer position: y(t) is a vector composed of the measurements of inspired and expired isoflurane concentrations. The coefficients A, B, C and D are constant matrices. For details of the model, see Appendix B. Linear systems are idealizations since most real-world dynamic processes, and in particular physiological processes, are non-linear. However, most non-linear systems can be approximated by linear systems in a narrow working range. Even with larger working ranges it is often possible to achieve good controller performance with controller designs based on linearizations. The term ?~state feedback?T is used to describe a control algorithm in which the control signal is computed as a linear combination of various system states. Mathematically, the relationship between the controller output and the system states can be written as
u = ?"Kx(t)
where K is again a constant matrix. This generic model-based state feedback controller is augmented with a feedforward term (F) and an integrator ().17 18 The feedforward term accounts, for example, for the steady-state vaporizer position required to achieve a certain end-tidal target value. The integral term mainly compensates for modelling errors. Through these modifications, the state feedback control algorithm has some similarities to a classical PID controller. In such a controller, the control action has three components: (i) an action which is proportional (hence ?~P?T) to the error between the set point and the system output; (ii) an action proportional to the integral (hence ?~I?T) of this error; and (iii) an action that is proportional to the derivative (hence ?~D?T) of this error. In the case of the augmented state feedback controller, the feedforward term (F) plays an analogous role as the P part. The integral term acts identically in both types of controller. The state feedback acts like a derivative term. The important difference is that it does not introduce just first-order derivative action but rather derivatives up to an order equal to the number of states in the state vector x(t). This makes it possible to design considerably more aggressive controllers.
Because in most cases the states of the system (e.g. the partial pressure of isoflurane within an organ) cannot be measured, an ?~observer?T (parallel model of the system to be controlled) is used to compute an estimate of the states ((t)). This state estimate is then used in the control algorithm instead of the actual state. The state estimates usually differ from the true states because an observer cannot fully describe the reality and the initial con***ions are not known precisely. To achieve fast convergence of the state estimates towards the true states, a correction gain (L) is introduced. This gain leads to correction of the state estimates based on the difference between the measurements and the predictions of the parallel model. Note that in our case the measurements refer to the measurement vector y(t), which contains the inspired as well as the end-tidal isoflurane concentration measurement. Typically, L is a constant gain which must be chosen so that the rate of convergence of the state estimation is faster than the desired response of the controller. Using a non-linear-modified gain, however, artefacts can be rejected easily.

@ ALL: Lan tui sửa lại đường link bài nầy cho hiện được ảnh nha!
Xem http://www10.ttvnol.com/forum/kysu/512697/trang-3.ttvn
[lan0303 viết lúc 13:57 ngày 19/08/2005-]
--------------------------------------------------------------------------------
Ứng dụng Trí Tuệ Nhân Tạo trong quân sự - góc nhỏ dành cho các bạn yêu thích tin học
( NGUỒN TTVNOL Bài viết của Bác Vamcodong URL: http://www3.ttvnol.com/gdqp/363004.ttvn )
--------------------------------------------------------------------------------
Xin chào các bạn, tôi đã theo dõi các chủ đề trong box KTQS đã lâu và cảm thấy rất thú vị, khâm phục về sự hiểu biết của các bạn ( xin phép được gọi như vậy cho ngắn gọn vì tôi biết có rất nhiều thành viên lớn tuổi hơn mình )
Tôi vốn là dân ngoại đạo, hầu như chẳng biết gì về quân sự ( đến khẩu AK tôi còn chưa biết bắn .. xin đừng cười ), nhưng nghe mọi người nói chuyện hay quá nên tôi đâm nghiền . Xin mở chủ đề này mong tìm được các bạn có cùng mối quan tâm
Tôi đang học tập ở nước khác và nghiên cứu về lĩnh vực Trí Tuệ Nhân Tạo ( Artìicial Intelligence- gọi tắt là AI ), đặc biệt là kĩ thuật Nhận dang mẫu ( Pattern Recognition ). Quá trình học tập, tôi nhận thấy Pattern Recognition được ứng dụng rất nhiều vào các kĩ thuật quân sự hiện đại như nhận dạng mục tiêu trong hệ thống rada, tìm đường tự động, kĩ thuật vệ tinh, các loại vú khí thông minh ...
Ai có ham thích về pattern recognition nói riêng và AI nói chung, xin mời các bạn cùng trao đổi về lĩnh vực này cũng như các ứng dụng của nó trong quân sự.
Trước mắt, tôi có một số tài liệu về ứng dụng Neural Network trong kĩ thuật rađa. Tài liệu bằng tiếng Anh. XIn dịch giới thiệu tóm tắt với các bạn ...
Trích từ bài của vndrake viết lúc 18:48 ngày 12/05/2004:
--------------------------------------------------------------------------------
Hi,
Tôi đã nghe nói đến trí tuệ nhân tạo u nhưng nói thật là cũng chi đọc một số khái niệm ban đầu. Bạn gửi cho tôi tài liệh ứng dụng AI trong RADAR hay trong linhvực xử lý tin tức quân sự nhe.
Chỉ chố để tôi dowload hoặc gửi mail về
VNDRAKE @YAHOO.COM
Xin cam ơn trước
--------------------------------------------------------------------------------
Hi, rất vui là bạn quan tâm đến lĩnh vực này.
Về AI, mình giới thiệu website này, bạn xem thử xem sao : http://www.aboutai.net/DesktopDefault.aspx và http://ai-depot.com
Ứng dụng của AI trong quân sự thì nhiều lắm bạn ạ. Nhưng mình chỉ có biết chút ít về những thứ dính dáng đến kĩ thuật nhận dạng và phát hiện mục tiêu
Để tìm tài liệu về cái này, bạn lên google seach với những từ khoá như "target recognition" chẳng hạn thì sẽ ra. Nhất là các website của các trường ĐH ( đặc biệt là Mỹ )
Nhưng nơi mình nghĩ tốt nhất để tìm tài liệu là website của tổ chức IEEE - tổ chức khoa học uy tín nhất thế giới trong lĩnh vực điện tủ và máy tính. Cụ thể, bạn vào trang web này:
http://ieeexplore.ieee.org/search/basicsearch.jsp
rồi search các tài liệu bằng 2 từ khoá "target" và "recognition" thì sẽ ra rất nhiều tài liệu nghiên cứu về lĩnh vực này
Bạn cũng có thể seach trên IEEE các tài liệu bằng các từ khoá mà bạn nghĩ ra như "radar", "military" chẳng hạn
Nếu bạn ở nưóc ngoài thì có thể đặt mua qua mạng các sách viết về cái này, cũng nhiều lắm
Các bạn khác nếu biết các nguồn tài liệu khác thì xin góp ý
--------------------------------------------------------------------------------
HỆ THỐNG PHÁT HIỆN MỤC TIÊU TỰ ĐỘNG ATR
( Automatic Target Recognition )
Hệ thống ATR ra đời và bắt đầu được nghiên cứu bởi một dự án của Hoa Kỳ gọi là Joint Warfighter Operationak Needs S&T từ đầu những năm 80 và đang tiếp tục nghiên cứu đến ngày nay bởi nhiều nước trên thế giới. Một hệ thống ATR đựợc thiết kế với các yêu cầu đặt ra như sau:
- Có khả năng phát hiện tức thì ( realtime identification ) mục tiêu đối phương
- Có khả năng đáp ứng ( tấn công, tiêu diệt hoặc lảng tránh ? ) tức thì dựa trên mục tiêu phát hiện được
- Phân biệt mục tiêu giả ( decoy ) và mục tiêu thật
- Nhận dạng được đối tượng trên các điều kiện địa hình và thời tiết khác nhau
Ứng dụng:
Đã được trang bị cho : Joint STARS ( không biết cái này là gì ), P3, S3, U2R, Tier 2 ?" 2+ - 3- , các máy bay chiến đấu F14, F15, F16, F18, F22, Apache, Comanche, AWACS ? , xe tăng Abram, Bradley, MSX, THAAD Destroyer, CG-47, DDG-51-993, DD-963,
Thành công:
- thành công của ATR được minh chứng rõ trong chiến tranh vùng Vịnh và ct Nam Tư, dẫn đến việc phát triển mạnh của lĩnh vực nghiên cứu này

MÔ HÌNH MỘT HỆ THỐNG ATR
1.Module Detect (phát hiện): xác định sự xuất hiện của mục tiêu dựa trên dự liệu thu được bằng các cảm biến ( sensor ). Có nhiều các thiết kế khác nhau cho hệ cảm biến này, ví dụ dùng máy quét hồng ngoại, camera, sóng vô tuyến ? tùy mỗi hệ thống cụ thể thì có cách thiết kế tương ứng.
2. Module Discriminate ( phân biệt): dựa trên output của module detect, ví dụ như một bức ảnh chụp khu vực địa hình đang quan sát, module này phải xác nhận được là trong bức ảnh có hay không có đối tượng (object) cần quan tâm ( ví dụ như một hệ thống ATR sẽ quan tâm đến các đối tựong như: tòa nhà, một người đang di động, một chiếc xe ? )
3. Module classify (phân loại): nếu tìm được đối tựơng cần quan tâm, công việc tiếp theo là xác định đối tượng cần quan tâm có phải là mục tiêu ?"target- hay không và đó là mục tiêu gì( chỉ là ô tô bình thường hay xe tank, là 1 nhà dân hay công sự lô cốt .. ).
4. Module nhận diện ( recognize ): nếu đúng là mục tiêu nằm trong danh sách mục tiêu cần quan tâm thì tiếp theo phải phân loại các bộ phận của đối tượng . Ví dụ: nếu đối tượng là một chiếc tank thì chi tiết nào trên bức ảnh là nòng súng, chi tiết nào là tháp pháo, xích, thùng xăng ?
5. Module xác nhận ( identify ): dựa trên thông tin có được từ module 4, xác định cụ thể nhất ở mức có thể ( as specific as possible ) đặc tính của mục tiêu. Ví dụ: nếu đó là tank thì là tăng gì T-72, T-90 hay T-54 ?, số hiệu của chiếc tăng đó sơn trên xe, tốc độ di chuyển ?
Trong 5 module trên, module đầu tiên có sử dụng nhiều đến các thiết bị điện tử (bên box Đtử-VThông chắc biết nhiều về nó). Còn AI đựoc ứng dụng chủ yếu ở các module 2-3-4-5 vồn là phần mềm máy tính, cụ thể như sau:
1. Module Detect (phát hiện): dùng các kĩ thuật lọc ảnh ( filter), tăng độ sắc nét, giảm nhiễu ? để lọc ra hoặc làm nổi bật các chi tiết ?ođáng nghi?, giảm hoặc loại trừ các yếu tố nhiễu do thời tiết, mây mù, bóng tối, hoặc nhiễu do đối phương chủ động gây ra ( trường hợp rađa ). Lĩnh vực này cần các bạn biết về Signal Processing ( nhất là Image Processing ), bạn nào biết xin góp ý
2. Các module 2-3-4: liên quan đến kĩ thuật nhận dạng ( Pattern Recognition ) vốn là thế mạnh của Neural Network. Ứng dụng Neural Network vào công đoạn này là cực kì thích hợp ( các bài sau mình sẽ cố gắng post một số thuật toán hoặc mô hình thiết kế một NN network cho các module 2-3-4 )
3. Module 5: có thể xây dựng một tập các rule, nếu đơn giản thì dưới dạng If-then-Else, nhưng hiệu quả nhất là dùng Fuzzy Logic ( tuy phức tạp hơn nhưng lại hiệu quả hơn hẳn)
MINH HOẠ MỘT HỆ THỐNG ATR
Hệ thống SAIP ( một dạng của ATR) được trang bị trên Tier2+

Tài liệu về SAIP có ở đây (tất nhiên là người ta chỉ mô tả chung chứ thiết kế chi tiết thì không có):
http://ieeexplore.ieee.org/iel4/7/16108/00745689.pdf?isNumber=16108&arnumber=745689&prod=JNL&arSt=157&ared=175&arAuthor=Novak%2C+L.M.%3B+Owirka%2C+G.J.%3B+Weaver%2C+A.L.
Ảnh một chiếc tank T-72 bị phát hiện
Hinh 1-2 (ảnh chụp ban đầu và sau khi qua xử lý tăng độ sắc nét- module1 )
Hình 3 ( phân loại-nhận điện các bộ phận trên xe )

Neural Network, Fuzzy Logic và kĩ thuật nhận dạng:
Các ứng dụng về nhận dạng ( Pattern Recognition ) hiện nay rất phổ biến. Ví dụ như:
- nhận dạng giọng nói (ra lệnh cho máy móc bằng giọng nói )
- nhận dạng chữ viết
- nhận dạng hình ảnh ( nhận dạng khuôn mặt, nhận dạng dấu vân tay, nhận dạng mục tiêu trong quân sự ... )
- chế tạo robot
- va rất nhiều ứng dụng khác
Các hệ thống nhận dạng này thường được xây dựng bằng các thuật toán AI. Hiện nay, có 2 chuyên ngành đang được nghiên cứu mạnh nhất trong AI là Fuzzy Logic va Neural Network. Đặc biệt là kĩ thuật Neural Network được dùng rất nhiều trong nhận dạng .
AI được giảng dạy trong chương trình ĐH ở nhiều trường ĐH ở VN, nhất là các trường mạnh về IT như Bách Khoa TpHCM, Bach Khoa Hà Nội, Tự Nhiên, Tổng hợp ... nhưng riêng Fuzzy Logic và Neural Network thì chưa xuất hiện nhiều trong chương trình. Do đó tài liệu tham khảo cho 2 lĩnh vực này chủ yếu qua internet
Tham khảo website chuyên về AI:
http://www.aboutai.net/DesktopDefault.aspx
Module 1: DETECT
( BỘ PHẬN CẢM BIẾN DÙNG SÓNG CỰC NGẮN ?" SENSORING BY MICROWAVE)
Sensor thu thập dữ liệu đầu vào cho toàn bộ hệ thống. Các hệ thống ATR khác nhau có thể dụng các phương pháp detect khác nhau, do đó sẽ khác nhau ở module này, nhưng các module sau đó thì hoàn toàn tương tự nhau
Có nhiều loại, tiêu biểu có (phân biệt theo loại tín hiệu mà nó xử lý):
? Dùng sóng cực ngắn- microwave ( ra-đa, vệ tinh ?)
? Chụp hình ( dùng camera đặt trên máy bay)
? Tia hồng ngoại
? Laser
SENSOR- Dùng sóng cực ngắn
Sóng cực ngắn có ưu điểm là có thể quan sát được mục tiêu trong mọi điều kiện thời tiết. Đây là điều mà các cảm biến hồng ngoại hoặc camera không có được. Nhược điểm là yêu cầu việc xử lý dữ liệu thu thập phức tạp hơn so với các loại sensor khác
Hình bên dưới minh họa một máy bay trang bị ra đa, sóng cực ngắn được phát ra tù máy bay, truyền xuống mặt đất và phản hồi lại. Một bộ phận thu tín hiệu (receiver) trên máy bay nhận tín hiệu phản hồi này. Vì các vật thể khác nhau như đất, đá, cây cối ? trên mặt đất có chất liệu khác nhau nên tín hiệu do chúng phản hồi lại cũng khác nhau, nhờ đó mà các thiết bị xử lý có thể dựa trên tín hiệu phản hồi để tái tạo lại cấu trúc-hình ảnh của vật thể dưới mặt đất

Dữ liệu thô thu được tại bộ thu tín hiệu có thể biểu diễn như ở hình vẽ bên dưới, trong đó màu sắc của mỗi điểm trên hình tương ứng với tần số ( hoặc bước sóng) khác nhau của tín hiệu phản hồi nhận được tại bộ thu tín hiệu. Mỗi điểm là kết quả tín hiệu phản hồi từ nhiều vật thể khác nhau, hơn nữa ,giả sử rađa đặt trên máy bay, thì góc lệch thay và vị trí tương đối của rađa và vật thể thay đổi liên tục làm cho các tín hiêu ?ochồng lấn? lên nhau và dữ liệu thô thu được không nói lên được điều gì nếu ta không xử lý tiếp để tái tạo hình ảnh vật thể

Qui trình xử lý dữ liệu thô mà bộ thu tín hiệu nhận được ( gọi là tín tiệu SAR data- Synthetic Aperture Radar data ) để tái tạo hình ảnh vật thể minh họa trong hình vẽ tiếp theo:

Kết quả thu được sau khi tái tạo hình ảnh:

Tham khảo: http://66.165.124.246/~profc.udec.cl/~gabriel/tutoriales/rsnote/contents.htm
The Joint Surveillance Target Attack Radar System (Joint STARS) is a long-range, air-to-ground surveillance system designed to locate, classify and track ground targets in all weather con***ions. <--- các bác tự dịch vậy
Trong KQ USA hiện nay có loại E-8 JSTAR chính là chiếc Boeing 707 modified
"Ló" đây này các bác :

--------------------------------------------------------------------------------
( NGUON TTVNOL Bai viet cua Bac Vamcodong URL: http://www3.ttvnol.com/gdqp/363004.ttvn )
--------------------------------------------------------------------------------

Yeah, cảm ơn bác Lan nhé!
Ngày xưa khi lập topic này, em cũng chỉ nghĩ đơn giản là mọi người trong box kỹ sư có thể tham khảo và chia sẻ cho nhau những kinh nghiệm trong công việc cũng như học hành.
Không ngờ, giờ vào tay bác Lan, topic lại được bổ xung thêm tất cả liên quan đến điều khiển tự động.
Dạo này em bận quá nên không thường xuyên vào topic và box kỹ sư.
Để lúc nào có time, em lại tiếp tục cho các bác bàn luận!
Nhưng mà bác Lan này; có thể chi tiết một chút được đấy bác ạ. Vì đây không phải là cái gì cao siêu cho lắm, chỉ là ứng dụng cơ bản thôi mà bác nhỉ?

@ Hanh114212: Mình không hiểu thật đó nha!

Mathematical Methods Course Notes
Lecture notes from my MSc course on mathematical methods.
The aim was to give an overview of various mathematical techniques and algorithms, likely to be of use to people doing research, particularly in computer vision and bioinformatics. The intention is not to go into tremendous detail on each method, but to give enough information so that students get the general idea of the approaches, and an understanding of the situations in which each algorithm would be useful.
The recommended course textbook is "Numerical Recipes in C" (or more recent variants) by Press et al. which gives an excellent overview of many useful techniques.
It was recommended that the course assignments were done in MatLab.
.................
http://66.165.124.246/~MathsMethodsNotes/index.html
----------------------------------
@ Tim Cootes

COMPUTER VISION USING NEURAL NETWORK, APPLICATION FOR ROBOT MANIBULATOR CONTROL
http://66.165.124.246/~bmtudong/computer%20vision%20using%20neural%20network.pdf
---------------------------------------------
@ Nguyễn Đức Thành, Nguyễn Đức Minh:
Bộ môn Điều Khiển Tự Động, Khoa Điện - Điện Tử, ĐHBK TP HCM

LÝ THUYẾT ĐIỀU KHIỂN HIỆN ĐẠI
http://66.165.124.246/~bmtudong/archive/ModernControlTheory/default.htm
-------------------------------------------------
@ Ph.D, Assoc. Prof. NGUYỄN THỊ PHƯƠNG HÀ (2007),
TRƯỜNG ĐẠI HỌC BÁCH KHOA TP. HCM

ưóc gì tôi cũng là một kỹ sư lợi hại!

Công ty Natech là đại lý độc quyền cho hãng DK Lok tại thị trường phía Bắc, chúng tôi cung cấp hệ thống tube & tube fittings cho ngành cơ khí chính xác, tự động hóa, hệ thống thủy lực.
Rất hân hạnh được phục vụ!
natechpower@gmail.com
0972129094