Es posible que este artículo deba reescribirse para cumplir con los estándares de calidad de Wikipedia . ( Mayo de 2010 ) |
En el campo de la inteligencia artificial , neuro-difuso se refiere a combinaciones de redes neuronales artificiales y lógica difusa .
La hibridación neuro-difusa da como resultado un sistema inteligente híbrido que utiliza estas dos técnicas al combinar el estilo de razonamiento similar al humano de los sistemas difusos con la estructura de aprendizaje y conexionista de las redes neuronales. La hibridación neuro-difusa se denomina ampliamente red neuronal difusa (FNN) o sistema neuro-difuso (NFS) en la literatura. El sistema neuro-difuso (el término más popular se utiliza de ahora en adelante) incorpora el estilo de razonamiento similar al humano de los sistemas difusos mediante el uso de conjuntos difusos y un modelo lingüístico que consiste en un conjunto de reglas difusas SI-ENTONCES. La principal fortaleza de los sistemas neuro-difusos es que son aproximadores universales con la capacidad de solicitar reglas SI-ENTONCES interpretables.
La fuerza de los sistemas neuro-difusos implica dos requisitos contradictorios en el modelado difuso: interpretabilidad versus precisión. En la práctica, prevalece una de las dos propiedades. El campo de investigación del neuro-difuso en el modelado difuso se divide en dos áreas: el modelado lingüístico difuso que se centra en la interpretabilidad, principalmente el modelo Mamdani ; y modelado difuso preciso que se centra en la precisión, principalmente el modelo Takagi-Sugeno-Kang (TSK) .
Aunque generalmente se asume que es la realización de un sistema difuso a través de redes conexionistas , este término también se usa para describir algunas otras configuraciones que incluyen:
Cabe señalar que se puede perder la interpretabilidad de los sistemas neuro-difusos tipo Mamdani. Para mejorar la interpretabilidad de los sistemas neuro-difusos, se deben tomar ciertas medidas, en las que también se discuten aspectos importantes de la interpretabilidad de los sistemas neuro-difusos. [2]
Una línea de investigación reciente aborda el caso de la minería de flujo de datos , donde los sistemas neuro-difusos se actualizan secuencialmente con nuevas muestras entrantes bajo demanda y sobre la marcha. Por lo tanto, las actualizaciones del sistema no solo incluyen una adaptación recursiva de los parámetros del modelo, sino también una evolución dinámica y poda de los componentes del modelo (neuronas, reglas), con el fin de manejar la deriva del concepto y el comportamiento del sistema cambiante dinámicamente de manera adecuada y para mantener los sistemas / modelos " actualizado "en cualquier momento. En [3] y. [4]
Las pseudo redes neuronales difusas basadas en productos externos ( POPFNN ) son una familia de sistemas neuro-difusos que se basan en el modelo lingüístico difuso. [5]
Existen tres miembros de POPFNN en la literatura:
La arquitectura "POPFNN" es una red neuronal de cinco capas donde las capas de 1 a 5 se denominan: capa lingüística de entrada, capa de condición, capa de regla, capa consecuente, capa lingüística de salida. La fuzzificación de las entradas y la defuzzificación de las salidas son realizadas respectivamente por las capas lingüística de entrada y lingüística de salida, mientras que la inferencia difusa se realiza colectivamente por las capas de regla, condición y consecuencia.
El proceso de aprendizaje de POPFNN consta de tres fases:
Se pueden utilizar varios algoritmos de generación de membresía difusa : cuantificación de vector de aprendizaje (LVQ), particionamiento de Kohonen difuso (FKP) o agrupamiento incremental discreto (DIC). Generalmente, el algoritmo POP y su variante LazyPOP se utilizan para identificar las reglas difusas.