Académique Documents
Professionnel Documents
Culture Documents
=
=
=
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.