Vous êtes sur la page 1sur 30

SISTEMAS NEURO-FUZZY

Inteligencia Artificial II

Noem Moya Alonso

ndice
Introduccin Sistemas Neuro-Fuzzy
Conceptos de lgica borrosa
Arquitectura Neuro-Fuzzy
Entrenamiento Sistemas Neuro-Fuzzy
Ejemplos
ANFIS
Aplicacin prctica ANFIS
2

ndice
Introduccin Sistemas Neuro-Fuzzy
Conceptos de lgica borrosa
Arquitectura Neuro-Fuzzy
Entrenamiento Sistemas Neuro-Fuzzy
Ejemplos
ANFIS
Aplicacin prctica ANFIS
3

Introduccin
Hbrido RNA y Sistemas Borrosos

Razonamiento Sistemas Borrosos


Capacidad

de generalizacin
Suficiente conocimiento del proceso

Estructura conexionista RNA


Aprendizaje
Suficientes

datos

Redes Neuronales Difusas o hibridacin


Neuro-Fuzzy
4

Caractersticas generales
Sistema difuso entrenado con algoritmo de RNA
RNA con 3 5 capas y retropropagacin

Conjuntos difusos en las conexiones


Conjuntos difusos en algunas capas

La combinacin de RNA y SB depende de la


arquitectura que se seleccione
Aproxima funcin n-dimensional

Definida en los datos de entrenamiento


Reglas difusas = prototipo de datos de entrenamiento
5

ndice
Introduccin Sistemas Neuro-Fuzzy
Conceptos de lgica borrosa
Arquitectura Neuro-Fuzzy
Entrenamiento Sistemas Neuro-Fuzzy
Ejemplos
ANFIS
Aplicacin prctica ANFIS
6

Conceptos de Lgica Borrosa


(Conjuntos difusos)

Conjunto borroso: Los elementos pueden


estar contenidos parcialmente.
Definidos sobre un universo de discurso y
caracterizados por la funcin de inclusin o
pertenencia.

Conceptos de Lgica Borrosa


(Funciones de pertenencia)

Grado en el que el elemento est incluido en el


conjunto borroso

Pares ordenados o funcin continua

Tipos:

Trapezoidal
Singleton
Triangular
Tipo S
Tipo
8

Conceptos de Lgica Borrosa


(Reglas borrosas)

Combinan uno o ms conjuntos borrosos de entrada


(antecedentes o premisas) y las asocian uno de
salida (consecuente).
Dos tipos de formato:

Borroso puro (Mamdani): asocian la salida a un conjunto


borroso de otro universo de discurso.
Sugeno: Funcin de salida es una combinacin lineal
(funcin genrica) de las variables de entrada.

ndice
Introduccin Sistemas Neuro-Fuzzy
Conceptos de lgica borrosa
Arquitectura Neuro-Fuzzy
Entrenamiento Sistemas Neuro-Fuzzy
Ejemplos
ANFIS
Aplicacin prctica ANFIS
10

Arquitectura Neuro-Fuzzy
Dos formas de hibridacin principales:

Redes neuronales difusas (FNN):

Red neuronal + informacin difusa

Sistemas Neuro-Fuzzy(NFS)

Sistema borroso + Red neuronal (flexibilidad, adaptabilidad y


velocidad)

Retropropagacin:

Identificar reglas borrosas


Aprender funciones de pertenencia (Razonamiento difuso)
11

Arquitectura Neuro-Fuzzy
Arquitectura NFS general:

Capa de borrosificacin: Funcin de pertenencia.


Capa de reglas difusas: Funcin lineal, certeza de
la regla.
Capa de desborrosificacin: Evaluar las reglas,
funcin de pertenencia.
Datos
de
entrada

Capa de
Borrosificacin

Capa de
Reglas
difusas

Datos
de salida

Capa de
Desborrosificacin

12

ndice
Introduccin Sistemas Neuro-Fuzzy
Conceptos de lgica borrosa
Arquitectura Neuro-Fuzzy
Entrenamiento Sistemas Neuro-Fuzzy
Ejemplos
ANFIS
Aplicacin prctica ANFIS
13

Entrenamiento
Sistemas Neuro-Fuzzy
Tomados de otros campos de la Inteligencia
Artificial:

Retropropagacin
Algoritmos Genticos
Mnimos cuadrados

14

Retropropagacin (I)
Mtodos locales
Buenos resultados si solucin prxima a la ptima
Configurar el sistema inicial con informacin de
expertos
Sistema Neuro-Fuzzy Red neuronal
unidireccional

Modela forma de las funciones de pertenencia

15

Retropropagacin (II)
Pasos generales:
1.
2.
3.

4.

5.

Presentar ejemplo de entrada y computar la salida


Calcular el error (salida obtenida y esperada)
Ajustar pesos de las conexiones y funciones de
pertenencia
Eliminar las reglas y neuronas que no tiles y aadir otras
nuevas
Si error de 2 mayor que nivel de tolerancia, volver a 1

16

ndice
Introduccin Sistemas Neuro-Fuzzy
Conceptos de lgica borrosa
Arquitectura Neuro-Fuzzy
Entrenamiento Sistemas Neuro-Fuzzy
Ejemplos
ANFIS
Aplicacin prctica ANFIS
17

Ejemplos
MLP Difuso:

Reconocimiento de patrones.
Datos de entrada exactos o lingsticos

Caractersticas de las entradas combinacin de valor de pertenencia

Retropropagacin de error
Caractersticas incompletas en las entradas (casos reales)
Varias neuronas de la salida activas (valor de pertenencia)

Problemas en el MLP convencional (oscilacin de pesos, mala


clasificacin)

MLP lgico difuso, red de Kohonen difusa


18

ndice
Introduccin Sistemas Neuro-Fuzzy
Conceptos de lgica borrosa
Arquitectura Neuro-Fuzzy
Entrenamiento Sistemas Neuro-Fuzzy
Ejemplos
ANFIS
Aplicacin prctica ANFIS
19

ANFIS

(Adaptive Neuro-based Fuzzy Inference System)

Red neuronal adaptiva con parmetros


difusos o sistema difuso con funcionamiento
distribuido
Aplicaciones:

Procesamiento y filtrado de seales


Control adaptativo
Clasificacin de datos
20

ANFIS
Red Feed Forward
Nodos adaptivos
Aprendizaje similar a redes neuronales

Ajustar los parmetros de los nodos adaptivos

Conocimiento previo: Topologa de la red


(reglas difusas)

21

Arquitectura ANFIS
Red neuronal hbrida adaptable con 5 capas:
Dos reglas tipo Takagi-Sugeno:

Si x is A1 and y es B1, entonces z1 = p1x + q1y + r1

Si x is A2 and y es B2, entonces z2 = p2x + q2y + r2

22

Arquitectura ANFIS
Capa 1: Capa de pertenencia

Grado de pertenencia de las entradas a la funcin


de cada nodo. Parmetros del antecedente

Capa 2: Grado de activacin de la regla


(Nodos de reglas)

Producto (T-norma) de las seales de entrada

23

Arquitectura ANFIS
Capa 3: Normalizacin de los grados de activacin

Capa 4: Calcula la salida

Grado de activacin por salida de la regla


Parmetros del consecuente

Capa 5: Agregacin/combinacin de las salidas


24

Entrenamiento ANFIS
Regla de aprendizaje hbrido

Gradiente descendente: parmetros del


antecedente
Mnimos cuadrados: Parmetros del consecuente

Dos pasos por poca de entrenamiento:

Paso forward:
Paso backward:
25

Entrenamiento ANFIS

26

Entrenamiento ANFIS
Error del elemento de entrenamiento p:
Calcular la tasa de error para desarrollar el
aprendizaje de gradiente descendente en E
sobre el conjunto de parmetros:
E p
O

k
i, p

# ( k 1)

m 1

E p Omk , p1
Omk , p1 Oik, p

27

Entrenamiento ANFIS
Considerando que es un parmetro de la red
adaptiva:
(Pattern-learning)
La derivada del error global E respecto de sera:
(Batch-learning)

Con eso la frmula para adaptar un parmetro


genrico queda como:
28

ndice
Introduccin Sistemas Neuro-Fuzzy
Conceptos de lgica borrosa
Arquitectura Neuro-Fuzzy
Entrenamiento Sistemas Neuro-Fuzzy
Ejemplos
ANFIS
Aplicacin prctica ANFIS
29

Aplicacin prctica. ANFIS


Matlab
Anfisedit

Datos de ejemplo
Ejemplo inicial (0.16759)
Ejemplo modificado (0.59101)

30