PREDICTOR DIFUSO PARA DETERMINAR

ACELERACIN ANGULAR DE BRAZO ROBOTICO

Yuliana Puerta Cruz, Laura Martnez Garca, Juan Contreras
Montes
puertacruz@gmail.com, lauramargarcia@gmail.com, epcontrerasj@ieee.org
Corporacin Universitaria Rafael Nez
Facultad de Ingeniera y Arquitectura. Programa de Ingeniera de Sistemas
Cartagena, Bolvar, Colombia
Agosto-2010

Resumen
En este artculo se describe una metodologa novedosa para la para la construccin de modelos borrosos
lingsticamente interpretables, a partir de datos de entrada y salida, de procesos dinmicos, el cual se ha
aplicado en diferentes casos de estudio de clasificacin y de regresin alcanzando buenos resultados. El
algoritmo contiene conjuntos triangulares con solapamientos ajustados al nmero de datos para el
antecedente y conjuntos tipo singleton para el consecuente. En la evaluacin de las reglas se emplea un
operador promedio en vez de una T-norma. Los consecuentes son ajustados empleando mnimos
cuadrados recursivos. El algoritmo se est aplicando para predecir la aceleracin angular de uno de los
brazos del robot. Las entradas son las posiciones angulares, velocidades y torques del brazo robtico., la
familia ha sido especficamente generada para el entorno Delve. El aspecto ms promisorio en nuestra
propuesta consiste en alcanzar una buena precisin sin sacrificar la interpretabilidad del sistema borroso
ni recurrir a otras tcnicas de inteligencia artificial
Palabras Claves: Regresin, Intepretabilidad, Predictor Difuso.

1. INTRODUCCIN
En la construccin de modelos difusos debe
tenerse en cuenta la seleccin y sintonizacin de
diferentes parmetros, como son: la forma y
distribucin de funciones de pertenencia de las
variables de entrada, la base de reglas, los
operadores lgicos empleados, la forma y
distribucin de los consecuentes, etc. Esta
cantidad de parmetros ha dificultado
desarrollar una tcnica nica de modelacin,
especialmente en la identificacin borrosa a
partir de datos experimentales de entrada y
salida.
Wang (1992) realizo una de las primeras
propuestas para diseo automtico de sistemas
borrosos a partir de los datos, Sugeno y
Yasukawa (1993) propusieron una metodologa
para identificacin de parmetros de modelos
borrosos empleando consecuentes tipo
singletons, pero requiere de muchas reglas y
presenta una pobre capacidad de descripcin.
Otros mtodos importantes emplean el gradiente
descendente, tcnicas de agrupamiento o
clustering y algoritmos evolutivos. La tcnica
ms adecuada para la obtencin de modelos
borrosos han sido los algoritmos de
agrupamiento borroso, destacndose los
mtodos de Fuzzy C-Means Fuzzy C-Means
(Bezdek, 1987) y el de Gustafson-Kessel
(1979).

Los algoritmos de agrupamiento borroso
representan la tcnica ms adecuada para la
obtencin de modelos borrosos, siendo los
mtodos de Fuzzy C-Means (Bezdek, 1987) y el
de Gustafson-Kessel (1979) los ms empleados.
Espinosa y Vandewalle (2000) prponene una
metodologa para extraer reglas a partir de los
datos en un marco de integridad lingstica
incluyendo algoritmos de fusin para agrupar
conjuntos cuyos valores modales estn a una
distancia muy cercana. Sala (1998,2001)
introduce una novedosa tcnica basada en el
error de inferencia para aproximar funciones
empleando particin suma 1 con conjuntos
triangulares; Diez et al (2004) proponen
variaciones a los algoritmos de agrupamiento
para mejorar la interpretabilidad y descubrir
estructuras afines locales en los modelos
borrosos obtenidos.
Paiva y Dourado (2004) presentan un modelo
generado por medio del entrenamiento de una
red neuro-difusa implementado en dos fases: en
la primera fase, se obtiene la estructura del
modelo empleando un algoritmo clustering
substractivo, lo cual permite extraer las reglas a
partir de datos de entrada y salida; en la segunda
fase, se realiza la sintonizacin de los
parmetros del modelo mediante una red
neuronal que emplea retropropagacin, pero
imponiendo restricciones en el ajuste de los
parmetros y en la fusin de las funciones de
pertenencia con el fin de garantizar la
interpretabilidad del modelo resultante.
Guillaume y Charnomordic (2004) proponen
una estrategia para generar particiones difusas
interpretables a partir de los datos mediante una
metodologa, que denominan particin
jerrquica difusa (HFP), en la que en vez de
incorporar datos en cada iteracin agrega
conjuntos borrosos. Tambin presentan un
algoritmo de fusin de los conjuntos borrosos
basado en mtricas adecuadas que garanticen la
interpretabilidad semntica. Joo y Lee
(2003,2005) proponen un aproximador universal
para cualquier funcin continua en un conjunto
compacto empleando un sistema borroso
jerrquico en el que las salidas de las capas
previas no son usadas en las partes IF de la
reglas difusas sino en las partes THEN. Chen y
Saif (2005) proponen un sistema borroso
novedoso que emplea bases de reglas dinmicas,
lo que implica que las reglas pueden cambiar
con las entradas y facilita su empleo tanto para
modelacin como para control.
Los mtodos mencionados han demostrado su
potencialidad para identificar modelos borrosos
y para atender problemas de regresin, a partir
de los datos con acertada precisin numrica.
Sin embargo, contina siendo un problema la
interpretabilidad del modelo borroso obtenido,
compuesto por particiones con solapamientos
mayores a uno, solapamiento de ms de dos
conjuntos, elevado nmero de reglas y, en
algunos casos, conjuntos no convexos.
La novedad del mtodo propuesto en este
documento radica en la consecucin de modelos
borrosos interpretables con alta precisin y bajo
nmero de parmetros, y a que no es un mtodo
hbrido ya que no requiere de otras tcnicas de
inteligencia artificial para su entrenamiento.
La metodologa empleada en este trabajo es
presentada en tres fases: en la primera, se
emplea el error de inferencia para generar un
sistema borroso interpretable y, adems,
detectar clases o agrupamientos posibles en los
datos; en la segunda, mediante el empleo de
mnimos cuadrados, para ajuste de
consecuentes; en la tercera, se emplea el mtodo
para la identificacin de procesos dinmicos.
2. DESCRIPCIN DEL
PROBLEMA.
El conjunto de Datos Pumadyn son una familia
de datos generados sintticamente a partir de
una simulacin realstica de la dinmica del
brazo del robot PUMA 560. Las tareas
asociadas con el conjunto de datos consisten en
predecir la aceleracin angular de uno de los
ngulos del brazo robtico, dada la posicin
angular, velocidad, torques y en algunos casos,
otros parmetros dinmicos del brazo robtico.
Se trata de 8 bases de datos diferentes, llamadas
pumadyn-xyz, consisten en la combinacin de
los siguientes 3 atributos binarios:
x: Dimensionalidad de Entradas Baja (8) vs
Dimensionalidad de Entradas Alta (32)
y: Altamente NO lineal (n) vs Bastante Lineal(f)
z: Medianamente Ruidosa (m) vs Altamente
Ruidosa (h)
Para el caso de estudio se analizara el conjunto
de datos pumadyn-32fm, El conjunto de datos
Pumadyn fue generado por Zoubin Ghahramani
en Matlab usando el Toolbox Robotics Matlab.
Mientras que la dimensionalidad de entrada de
un conjunto de datos generados es fcil de
controlar, la no linealidad y la cantidad de ruido
generalmente no lo son.
3. MATERIALES Y METODOS
Para el desarrollo de este algoritmo de
aproximacin funcional, se ha pensado en
alcanzar altos niveles de precisin e
interpretabilidad, la estructura del modelo se ha
fundamentado en los siguientes criterios:
Funciones de Pertenencia: se emplearon
funciones de pertenencia triangulares normales,
ya que estas permiten la reconstruccin del
valor lingstico en el mismo valor numrico,
luego de aplicar un mtodo de defuzzyficacin
(Pedriycz, 1994). Se escogi solapamiento de
0.5 para asegurarse que los soportes de los
conjuntos difusos sean diferentes. Para el caso
de las variables de salida se emplearon
conjuntos difusos tipo singleton.
Distribucin de las Funciones de Pertenencia: la
distribucin de los conjuntos difusos
triangulares de las variables de entrada estar
dada de forma simtrica en cada universo,
buscando as que cada elemento del universo de
discurso de cada variable pertenezca al menos a
un conjunto difuso.
Operadores: se utiliz operador tipo OWA o
promedio ponderado para la combinacin de los
antecedentes de las reglas. Este operador
permite promediar los grados de pertenencia de
cada antecedente evaluado (Babuska, 2001).
Mtodo de Inferencia: el mtodo esta dado por

( )
( )
( )
( )
( )

=
=
=
L
j
i
j
i
j
L
j
j
i
x m
x m y
x f
1
1
) (



(1)
donde
) ( . ). ( ). ( ) (
) ( ) (
2
) (
1
) (
2 1
i
n
A
i
A
i
A
i
j
x u x u x u x m
j
n
j j
=

(2)
es el grado de cumplimiento de los antecedentes
de la j-sima regla de un sistema difuso tipo
Sugeno,
j
y
es el valor del singleton
correspondiente a la regla j. El denominador
siempre arroja un valor igual a 1 cuando se trata
de particiones suma 1, el cual es el caso del
mtodo de aproximacin propuesto en este
artculo.

3.1. Descripcin del Algoritmo.
El algoritmo diseado para la generacin de
sistemas borrosos interpretables a partir de los
datos, los cuales se organizan como una
coleccin de datos experimentales de entrada y
salida
{ }
) ( ) (
,
i i
k
y x
, con
p k N i ,..., 1 ; ... 1 = =
,
donde
) (i
k
x
es el vector de entrada p-dimensional
) ( ) (
2
) (
1
, , ,
i
p
i i
x x x
e
) (i
y
es el vector
unidimensional de salida

En el algoritmo inicialmente se definen las
variables de entrada y se determinan los rangos
de cada variable. La particin del universo de
cada variable de entrada se hace empleando
funciones de pertenencia triangulares con
solapamiento en 0.5, iniciando con dos
funciones de pertenencia que tienen sus valores
modales (vrtices del tringulo) en los valores
mnimo y mximo de la variable respectiva,
como muestra la figura 1. Para no afectar la
interpretabilidad del sistema difuso se ha
limitado el nmero de funciones de pertenencia
a un mximo de 9 por cada variable (Espinosa y
Vandewalle, 2000, 2005).
Por cada funcin de pertenencia habr un
consecuente tipo singleton; es decir, el nmero
mximo de reglas generadas estar dado por la
multiplicacin entre nmero de variables de
entrada y el nmero pertenencia, lo cual es
significativamente menor al mximo de reglas
generadas en los sistemas difusos
convencionales.


Figura 1. Particin triangular suma 1. a) particin
inicial, n =2; b) particin con n = 5
Para el clculo de los consecuentes tipo
singleton, se procede de la siguiente manera:
La ecuacin (1) se plantea como se muestra en
la ecuacin (3)


( )
( )
( )
j
L
j
i
j
i
y x w x f

=
=
1
) (


(3)

donde


( )
( )
( )
( )
( )
( )
i
j L
j
i
j
i
j i
j
w
x m
x m
x w = =

=1



(4)

La ecuacin (3) puede expresarse en forma
matricial como
E W Y + = u
, donde
Y

representa los valores de salida reales,
u W

representa la salida del modelo borroso, siendo
W
es la matriz de grados de pertenencia
obtenida de (4) y
u
el vector de consecuentes, y
E
es el error de aproximacin que debe ser
minimizado.

E
n
L
W
n
L
n n
L
L
Y
L
e
e
e
y
y
y
w w w
w w w
w w w
y
y
y
(
(
(
(

+
(
(
(
(
(

(
(
(
(
(

=
(
(
(
(
(

2
1
2
1
2 1
2 2
2
2
1
1 1
2
1
1
2
1
u




(5)

El vector de consecuentes
u
es calculado
empleando mnimos cuadrados recursivos
(Contreras et al, 2008).
Por cada iteracin en el proceso de
entrenamiento, se compara la salida del modelo,
dada por la ecuacin (3), con la salida real y se
calcula una mtrica del error (error cuadrtico
medio). El algoritmo se detiene cuando se ha
alcanzado una mtrica de error menor a la
requerida por el usuario o cuando el nmero de
conjuntos borrosos por variable de entrada es
mayor a 9. De otra manera se debe incrementar
en 1 el nmero n de conjuntos de la variable de
entrada y se procede con otra iteracin.
En figura 2 se describe paso a paso el algoritmo
a travs de un diagrama de flujo.

Figura 2. Diagrama de Flujo Modelo Difuso.

3. RESULTADOS
Para el entrenamiento se tomaron los datos del
archivo Pumadyn-fm, del entrenamiento se
obtuvo el modelo difuso que aproxim a esa
funcin. Los resultados se muestran en la figura
3.

Figura 3. Aproximacin de la Funcin con 9 conjuntos.

Se realizo el entrenamiento con los datos del,
realizando un entrenamiento hasta 5 conjuntos,
alcanzando un error medio cuadrtico de
0.00002248.
La base de datos empleada en esta investigacin
ha sido tambin analizada con otros mtodos de
aproximacin funcional (Steffen, 2007),
establece una comparacin de mtodos basados
en el algoritmo Cascade 2.

Tabla 1. Comparacin de resultados con otros mtodos

Referencias

Bezdek J. C. (1987). Pattern Recognition with
Fuzzy Objective Function Algorithms. Ed.
Plenum Press. New York, USA.
Box, G., Jenkins, G., (1976) Times Series
Analysis: Forescasting and Control, Holden Day
Inc., San Francisco, USA.
Chen, W., and Saif, M. (2005). A Novel Fuzzy
System with Dynamic Rule Base, IEEE Trans.
Fuzzy Systems, vol.13,(5), pp.569-582.
Contreras, J., Misa, R., Paz, J.,(2006). Building
Interpretable Fuzzy Systems: a New Approach
to Fuzzy Modeling. In proceedings of
Electronics, Robotics and Automotive
Mechanics Conference CERMA. IEEE
Computer Society. pp.: 172-178
Dez J. L., Navarro J. L., Sala A. (2004).
Algoritmos de Agrupamiento en la
Identificacin de Modelos Borrosos. RIAI:
Revista Iberoamericana de Automtica e
Informtica Industrial, vol. 1 (2), pp. 32-41.
Espinosa, J., Vandewalle, J. (2000),
Constructing Fuzzy Models with Linguistic
Integrity from Numerical Data-Afreli
Algorithm, IEEE Trans. Fuzzy Systems, vol.
8(5), pp. 591 600.
Espinosa, J., Vandewalle, J. (2005), Wertz, V,
Fuzzy Logic, Identification and Predictive
Control. Springer. USA.
Garca-Sanz, M., Elso, J., Egaa, I. (2006),
Control de ngulo de Cabeceo de un
Helicptero como Benchmark de Diseo de
Controladores, RIAI, vol. 3(2), pp.111-116.
Gaweda, A., Zurada, J. (2003), Data-Driven
Lingustic Modeling Using Relational Fuzzy
Rules, IEEE Trans. Fuzzy System, vol. 11(1),
pp.121-134.
Guillaume, S., Charnomordic, B. (2004),
Generating an Interpretable Family of Fuzzy
Partitions from Data, IEEE Trans. Fuzzy
Systems, vol. 12(3), pp. 324 335.
Mejor Entrenamiento
Mtodo MSE Rank
C2 RPROP Single 0.00000197 2
C2 RPROP Multi 0.00000193 1
C2 Quickprop Single 0.0078158 5
C2 Quickprop Multi 0.0070817 4
iRPROP 0.00234801 8
Quickprop 0.00311129 11
Bath 0.00304606 10
Incremental 0.00208982 7
Lwn Incr. 0.00183726 6
Mtodo Propuesto 0.00002248 3
Jneural Incr. 0.00271251 9
Gustafson E. E., Kessel W. C. (1979). Fuzzy
Clustering with a Fuzzy Covariance Matrix. In
Proceedings of the IEEE CDC, pp. 503 516.
Joo M.G., and Lee, J.S. (2002) Universal
Approximation by Hierarchical Fuzzy Systems
with Constraints on the Fuzzy Rules, Fuzzy Sets
and Systems, vol. 130(2), pp 175-188.
Joo M.G., and Lee, J.S. (2005). A Class of
Hierarchical Fuzzy Systems with Constraints on
the Fuzzy Rules, IEEE Trans. Fuzzy Systems,
vol. 13(2), pp.194-203, 2005.
Kim, E., Park, M, Kim, S. (1998), A
Transformed Input-Domain Approach to Fuzzy
Modeling, IEEE Trans. Fuzzy Systems, vol.
6(4), pp. 596-604.
Nauck, D., Kruse, R., (1995). Nefclass - a
Neuro-Fuzzy Approach for the Classification of
Data, In Proceedings of the Symposium on
Applied Computing.
Nauck, D., Kruse, R. (1999), Neuro-Fuzzy
Systems for Function Approximation. Fuzzy
Sets and System, vol. 101(2), pp. 261-271.
Paiva, R. P., Dourado, A. (2004),
Interpretability and Learning in Neuro-Fuzzy
Systems, Fuzzy Sets and System, vol.147(1),
pp. 17-38. 2004.
Pedrycz, W. (1994) Why Triangular
Membership Functions?, IEEE Trans. Fuzzy
Sets and System, vol. 64(1), pp.21-30, 1994
Sala, A. (1998). Validacin y Aproximacin
Funcional en Sistemas de Control Basados en
Lgica Borrosa. Universidad Politcnica de
Valencia. Tesis Doctoral, Espaa.
Sala, A., Albertos, P. (2001), Inference Error
Minimisation: Fuzzy Modelling of Ambiguous
Functions. Fuzzy Sets and Systems, vol. 121(1),
pp. 95 111.
Steffen, Nissen(2007) Large Scale
Reinforcement Learning using Q-SARSA()
and Cascading Neural Networks. Department of
Computer Science University of Copenhagen
Denmark.

Sugeno, M., Yasukawa, T. (1993), A Fuzzy
Logic Based Approach to Qualitative Modeling.
Transactions on Fuzzy Systems, vol. 1(1), pp. 7-
31. 1993
Wang, L-X, Langari, R.(1995), Building
Sugeno- Type Models Using Fuzzy
Discretization and Orthogonal Parameter
Estimation Techniques, IEEE Transactions on
Fuzzy Systems, vol. 3(4), pp. 454-458.
Wang, L-X, Mendel, J.M.(1992), Generating
Fuzzy Rules by Learning from Examples, IEEE
Transactions on Systems Man and Cybernetics,
vol. 22(6), pp. 1414-1427.