Neuro-difuso

Es posible que este artículo deba reescribirse para cumplir con los estándares de calidad de Wikipedia . Tu puedes ayudar . La página de discusión puede contener sugerencias. ( Mayo de 2010 )

Bosquejo de un sistema neuro-difuso que implementa un controlador Sugeno-Takagi simple. ^[1]

En el campo de la inteligencia artificial , neuro-difuso se refiere a combinaciones de redes neuronales artificiales y lógica difusa .

Visión general

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:

• Derivación de reglas difusas de redes RBF entrenadas .
• Ajuste basado en lógica difusa de parámetros de entrenamiento de redes neuronales .
• Criterios de lógica difusa para aumentar el tamaño de una red.
• Realización de la función de pertenencia difusa a través de algoritmos de agrupación en aprendizaje no supervisado en SOM y redes neuronales .
• Representación de fuzzificación , inferencia difusa y defuzzificación a través de redes conexionistas de alimentación directa de múltiples capas .

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]

Redes neuronales difusas basadas en pseudoproductos externos

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:

• POPFNN-AARS (S) , que se basa en el esquema de razonamiento analógico aproximado ^[6]
• POPFNN-CRI (S) , que se basa en la regla de inferencia de composición difusa comúnmente aceptada ^[7]
• POPFNN-TVR , que se basa en la restricción del valor de verdad

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:

1. Generación difusa de miembros
2. Identificación de reglas difusas
3. Ajuste fino supervisado

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.

Notas

1. Jang, Sun, Mizutani (1997) - Computación suave y neuro-difusa - Prentice Hall, p. 335-368, ISBN  0-13-261066-3
2. Y. Jin (2000). Modelado difuso de sistemas de alta dimensión: reducción de la complejidad y mejora de la interpretabilidad. Transacciones IEEE en sistemas difusos, 8 (2), 212-221, 2000
3. E. Lughofer (2011). Evolución de los sistemas difusos: metodologías, conceptos avanzados y aplicaciones. Springer Heidelberg
4. N. Kasabov (2007). Evolución de los sistemas conexionistas: el enfoque de la ingeniería del conocimiento - Segunda edición. Springer, Londres
5. Zhou, RW y Quek, C. (1996). "POPFNN: una red neuronal difusa basada en productos externos pseudo". Redes neuronales , 9 (9), 1569-1581.
6. Quek, C. y Zhou, RW (1999). "POPFNN-AAR (S): una red neuronal difusa basada en un pseudo producto externo". Transacciones IEEE sobre sistemas, hombre y cibernética , Parte B, 29 (6), 859-870.
7. Ang, KK, Quek, C. y Pasquier, M. (2003). "POPFNN-CRI (S): pseudo red neuronal difusa basada en productos externos que utiliza la regla de inferencia de composición y el difusor de singleton". Transacciones IEEE sobre sistemas, hombre y cibernética , Parte B, 33 (6), 838-849.

Referencias

• Abraham A., "Adaptación del sistema de inferencia difusa mediante aprendizaje neuronal, ingeniería de sistemas difusos: teoría y práctica", Nadia Nedjah et al. (Eds.), Studies in Fuzziness and Soft Computing , Springer Verlag Alemania, ISBN 3-540-25322-X , Capítulo 3, págs. 53–83, 2005. información en el sitio del editor . 
• Ang, KK y Quek, C. (2005). "RSPOP: algoritmo de identificación de regla difusa de pseudo producto externo basado en conjuntos aproximados". Computación neuronal , 17 (1), 205-243.
• Kosko, Bart (1992). Redes neuronales y sistemas difusos: un enfoque de sistemas dinámicos para la inteligencia artificial . Englewood Cliffs, Nueva Jersey: Prentice Hall. ISBN 0-13-611435-0 . 
• Lin, C.-T. y Lee, CSG (1996). Sistemas neuronales difusos: un sinergismo neuro-difuso para sistemas inteligentes . Upper Saddle River, Nueva Jersey: Prentice Hall.
• A. Bastian, J. Gasós (1996): "Selección de variables de entrada para la identificación del modelo de sistemas estáticos no lineales", Journal of Intelligent and Robotic Systems, vol. 16, págs. 185-207.
• Quek, C. y Zhou, RW (2001). "Los algoritmos de aprendizaje POP: reducción del trabajo en la identificación de reglas difusas". Redes neuronales , 14 (10), 1431-1445.

enlaces externos

• Una definición de interpretabilidad de sistemas difusos