INSTITUTO TECNOLGICO Y DE ESTUDIOS SUPERIORES MONTERREY CAMPUS SANTA FE CSF.MR3011.2.1311.

30089: Laboratorio de control automtico

ANFIS

22 de abril de 2013
Andrs Osorio Salazar A01014639

Profesor: Juan Pablo Angulo

Introduccin
ANFIS (Adaptive neuro fuzzy inference system), es un tipo especial de redes neuronales que se basa en el sistema difuso de inferencia de TakagiSugeno. Ya que integra los principios de las redes neuronales junto con los de la lgica difusa, tiene el gran potencial de capturar ambos beneficios en un solo sistema. Dentro de su sistema inferencial, se compone de una serie de reglas IF-THEN que tienen la habilidad de aprender para aproximar de una mejor forma a los sistemas no lineales, sin necesidad de plantear las funciones de transferencia y/o ajustar a base de ensayo y error. Como dice Jyh-Shing, By contrast, a fuzzy inference system employing fuzzy if-then rules can model the qualitative aspects of human knowledge and reasoning processes without employing precise quantitative analyses. (1993)

Antecedentes
Las redes neurodifusas (NFNs por sus siglas en ingls) son muy utilizadas actualmente para disear y configurar sistemas de control difuso, los cuales han demostrado ser una excelente alternativa para disear controladores, siempre y cuando sean implementados por un experto que conozca a la perfeccin el comportamiento del sistema. Pero entonces, con este tipo de estrategias, el ajuste y configuracin del controlador queda en manos de la persona que lo implementa, donde para poder obtener resultados muy precisos se requiere de hacer modificaciones en base a prueba error con respecto al comportamiento del sistema segn los cambios realizados. Con el objetivo de que estas redes neuronales tuvieran la capacidad de aprender del mismo sistema y poder ajustar y minimizar (lo mayor posible) el error, se disearon y desarrollaron los ANFIS.

Funcionamiento
Para tener la capacidad de aprender y ajustar el sistema, los ANFIS utilizan un algoritmo hbrido de aprendizaje, en el cual se establecen criterios en relacin al error y al comportamiento esperado del sistema, para que con estos datos se pueda generar la

ganancia adecuada que permita al sistema igualar el comportamiento deseado con el real. Este algoritmo se explicar ms a fondo posteriormente. Los ANFIS son representados en modelos difusos Sugeno en el que salida se genera en base al grado de pertenencia de la entrada(s) a las diferentes funciones de membresa planteadas en un inicio. Se debe obtener un promedio en caso de que existan diversas pertenencias para poder obtener la salida.

Redes Neuro-difusas:
Es importante mencionar las diferencias entre las redes neuronales convencionales y las redes neurodifusas, con las cuales se puede lograr el objetivo de que el sistema tenga la capacidad de aprender: - El aprendizaje del sistema es gracias al conocimiento capturado en las reglas IF THEN difusas establecidas - La adaptacin del sistema puede cambiar las reglas existentes. Se deben utilizar funciones de membresa adaptables - Cuanto ms complejo sea el sistema, se deber hacer una mejor aproximacin para que la red neurodifusa pueda trabajar correctamente Entonces, gracias a este tipo de redes podemos obtener representaciones de sistemas capaces de aprender y corregir el error presente al inicio de la prueba, lo cual es extremadamente til en control difuso debido a lo intuitivo que es, y que no se cuentan con expresiones matemticas para obtener la representacin de un sistema, sino ms bien se basa en la experiencia del diseador. Para desarrollar este tipo de redes basta con tener la representacin del control difuso con las funciones de membresa que se consideren necesarias y aplicar ciertos criterios para encontrar la representacin equivalente del ANFIS. Es muy importante mencionar que los ANFIS nicamente son tiles para sistemas con una salida, lo cual limita sus aplicaciones a aplicaciones que requieran obtener nicamente un valor en cierta unidad de tiempo.

Algoritmo Hbrido de Aprendizaje

Este algoritmo utiliza el mtodo de mnimos cuadrados para identificar el valor correspondiente entre el valor que se normaliz y la salida. Aqu es donde se trata de minimizar el error y llegar al valor deseado.

Los aproximadores universales

Los ANFIS pueden ser considerados aproximadores universales ya que no nicamente sistemas fsicos de control pueden tener una representacin y aproximacin difusa, sino que cualquier problema puede ser representado mediante funciones de membresa y tener una salida correspondiente de su comportamiento esperado. Cuando no hay una restriccin el cuanto al nmero de reglas a implementar en nuestro sistema, un modelo Sugeno de orden cero tiene la capacidad de realizar una aproximacin perfecta con el sistema original (incluso cuando la salida sea una grfica no linear). Esto puede ser probado mediante el teorema de Stone Weierstrass que bsicamente dice que cada funcin continua que se define dentro de un intervalo puede ser aproximada por una funcin polinomial. Es una gran ventaja poder aproximar cualquier sistema deseado por una funcin polinomial ya que cuentan con la ventaja de su fcil programacin y evaluacin con el uso de las computadoras.

Artculos
1. Jang, J.-S.R., "ANFIS: adaptive-network-based fuzzy inference system," Systems, Man and Cybernetics, IEEE Transactions on , vol.23, no.3, pp.665,685, May/Jun 1993. doi: 10.1109/21.256541 URL: http://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=256541&isnumber=6499 En este artculo se habla desde lo bsico de ANFIS, comenzando por la definicin del sistema lgicos difusos inferenciales IF-THEN, mencionando sus ventajas y desventajas, junto con sus procedimientos. Para la poca de escritura de dicho artculo (1993), ANFIS era un sistema nuevo y novedoso. Se describe la estructura y las reglas de aprendizaje de

las redes de aprendizaje utilizadas. Posteriormente se conjuntan ambos temas en el desarrollo de una arquitectura ANFIS. Tambin aporta alcances y predicciones a futuro sobre dichos sistemas. 2. Basari, A. S H; Jaya, A. S M; Muhamad, M.R.; Rahman, M. N A; Hashim, S. Z M; Haron, H., "Application of ANFIS in Predicting TiAlN Coatings Flank Wear," Computational Intelligence, Modelling and Simulation (CIMSiM), 2011 Third International Conference on , vol., no., pp.57,62, 20-22 Sept. 2011 doi: 10.1109/CIMSim.2011.20 URL: http://0ieeexplore.ieee.org.millenium.itesm.mx/stamp/stamp.jsp?tp=&arnumber=6076332&isnum ber=6076306 En este artculo, se introduce un mtodo nuevo para medir el desgaste de flanco para una herramienta de corte con recubrimiento de Nitruro de Aluminio Titanio (TiAlN). Dicho mtodo hace uso de ANFIS para lograr dicho propsito. Las herramientas de corte recubiertas de TiAlN son ampliamente utilizadas en la industria metal-mecnico debido a su alta resistencia al desgaste. La potencia de pulverizacin del sustrato, la tensin de polarizacin y la temperatura fueron seleccionadas como los parmetros de entrada y el desgaste de flanco como salida del proceso. El modelo de ANFIS se entren utilizando los datos experimentales limitados. Se utilizaron funciones de membresa triangulares, trapezoidales, de campana y Gaussiana, tanto para entradas como para salidas. Al final result que el modelado utilizando tres funciones de membresa de campana obtuvieron los mejores resultados. Se comprob que es posible utilizar un modelo ANFIS para predecir la respuesta de la salida con un alto grado de precisin, incluso con pocos datos. 3. Esfahanipour, A.; Mardani, P., "An ANFIS model for stock price prediction: The case of Tehran stock exchange," Innovations in Intelligent Systems and Applications (INISTA), 2011 International Symposium on , vol., no., pp.44,49, 1518 June 2011 doi: 10.1109/INISTA.2011.5946124

URL: http://0ieeexplore.ieee.org.millenium.itesm.mx/stamp/stamp.jsp?tp=&arnumber=5946124&isnum ber=5946042 Es de gran utilidad predecir el comportamiento de los mercados financieros para disminuir los riesgos de la toma de decisiones. En este artculo se propone un modelo ANFIS para mejorar la exactitud de la prediccin en los precios de stock. Para la implementacin se utiliz el TEPIX (Tehran Stock Exchange Price Index) e introduciendo para el aprendizaje datos de entre el 25 de Marzo del 2001 al 25 de Septiembre del 2010. Finalmente se compararon los resultados con los modelos actuales de prediccin: modelos ANN (Artificial Neural Network) y modelos ANFIS sin agrupamiento y agrupamiento FCM (Fuzzy C-Mean) y result superior el modelo propuesto.

Fuentes de Informacin

Lima, Clodoaldo. Fuzzy Systems Design via Ensembles of ANFIS. School of Electrical and Computer Engineering (FEEC) State University of Campinas Unicamp. From IEEE