SISTEMAS NEUROFUZZY

1
SISTEMAS NEURO-FUZZY

• Inteligencia Artificial II

Noemí Moya Alonso
2
Índice

• Introducción Sistemas Neuro-Fuzzy
• Conceptos de lógica borrosa
• Arquitectura Neuro-Fuzzy
• Entrenamiento Sistemas Neuro-Fuzzy
• Ejemplos
• ANFIS
• Aplicación práctica ANFIS

3
Índice

• Introducción Sistemas Neuro-Fuzzy
• Conceptos de lógica borrosa
• Arquitectura Neuro-Fuzzy
• Entrenamiento Sistemas Neuro-Fuzzy
• Ejemplos
• ANFIS
• Aplicación práctica ANFIS

4
Introducción

• Híbrido RNA y Sistemas Borrosos
• Razonamiento Sistemas Borrosos
• Capacidad de generalización
• Suficiente conocimiento del proceso
• Estructura conexionista RNA
• Aprendizaje
• Suficientes datos
• Redes Neuronales Difusas o hibridación Neuro-Fuzzy

5
Características generales

• Sistema difuso entrenado con algoritmo de RNA
• RNA con 3 ó 5 capas y retropropagación
• Conjuntos difusos en las conexiones
• Conjuntos difusos en algunas capas
• La combinación de RNA y SB depende de la
  arquitectura que se seleccione
• Aproxima función n-dimensional
• Definida en los datos de entrenamiento
• Reglas difusas prototipo de datos de
  entrenamiento

6
Índice

• Introducción Sistemas Neuro-Fuzzy
• Conceptos de lógica borrosa
• Arquitectura Neuro-Fuzzy
• Entrenamiento Sistemas Neuro-Fuzzy
• Ejemplos
• ANFIS
• Aplicación práctica ANFIS

7
Conceptos de Lógica Borrosa(Conjuntos difusos)

• Conjunto borroso Los elementos pueden estar
  contenidos parcialmente.
• Definidos sobre un universo de discurso y
  caracterizados por la función de inclusión o
  pertenencia.

8
Conceptos de Lógica Borrosa(Funciones de
pertenencia)

• Grado en el que el elemento está incluido en el
  conjunto borroso
• Pares ordenados o función continua
• Tipos
• Trapezoidal
• Singleton
• Triangular
• Tipo S
• Tipo p

9
Conceptos de Lógica Borrosa(Reglas borrosas)

• Combinan uno o más 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 Función de salida es una combinación
  lineal (función genérica) de las variables de
  entrada.

10
Índice

• Introducción Sistemas Neuro-Fuzzy
• Conceptos de lógica borrosa
• Arquitectura Neuro-Fuzzy
• Entrenamiento Sistemas Neuro-Fuzzy
• Ejemplos
• ANFIS
• Aplicación práctica ANFIS

11
Arquitectura Neuro-Fuzzy

• Dos formas de hibridación principales
• Redes neuronales difusas (FNN)
• Red neuronal información difusa
• Sistemas Neuro-Fuzzy(NFS)
• Sistema borroso Red neuronal (flexibilidad,
  adaptabilidad y velocidad)
• Retropropagación
• Identificar reglas borrosas
• Aprender funciones de pertenencia (Razonamiento
  difuso)

12
Arquitectura Neuro-Fuzzy

• Arquitectura NFS general
• Capa de borrosificación Función de pertenencia.
• Capa de reglas difusas Función lineal, certeza
  de la regla.
• Capa de desborrosificación Evaluar las reglas,
  función de pertenencia.

13
Índice

• Introducción Sistemas Neuro-Fuzzy
• Conceptos de lógica borrosa
• Arquitectura Neuro-Fuzzy
• Entrenamiento Sistemas Neuro-Fuzzy
• Ejemplos
• ANFIS
• Aplicación práctica ANFIS

14
EntrenamientoSistemas Neuro-Fuzzy

• Tomados de otros campos de la Inteligencia
  Artificial
• Retropropagación
• Algoritmos Genéticos
• Mínimos cuadrados

15
Retropropagación (I)

• Métodos locales
• Buenos resultados si solución próxima a la óptima
• Configurar el sistema inicial con información de
  expertos
• Sistema Neuro-Fuzzy ? Red neuronal unidireccional
• Modela forma de las funciones de pertenencia

16
Retropropagación (II)

• Pasos generales
• 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 útiles y
  añadir otras nuevas
• Si error de 2 mayor que nivel de tolerancia,
  volver a 1

17
Índice

• Introducción Sistemas Neuro-Fuzzy
• Conceptos de lógica borrosa
• Arquitectura Neuro-Fuzzy
• Entrenamiento Sistemas Neuro-Fuzzy
• Ejemplos
• ANFIS
• Aplicación práctica ANFIS

18
Ejemplos

• MLP Difuso
• Reconocimiento de patrones.
• Datos de entrada exactos o lingüísticos
• Características de las entradas ? combinación de
  valor de pertenencia
• Retropropagación de error
• Características incompletas en las entradas
  (casos reales)
• Varias neuronas de la salida activas (valor de
  pertenencia)
• Problemas en el MLP convencional (oscilación de
  pesos, mala clasificación)
• MLP lógico difuso, red de Kohonen difusa

19
Índice

• Introducción Sistemas Neuro-Fuzzy
• Conceptos de lógica borrosa
• Arquitectura Neuro-Fuzzy
• Entrenamiento Sistemas Neuro-Fuzzy
• Ejemplos
• ANFIS
• Aplicación práctica ANFIS

20
ANFIS(Adaptive Neuro-based Fuzzy Inference
System)

• Red neuronal adaptiva con parámetros difusos o
  sistema difuso con funcionamiento distribuido
• Aplicaciones
• Procesamiento y filtrado de señales
• Control adaptativo
• Clasificación de datos

21
ANFIS

• Red Feed Forward
• Nodos adaptivos
• Aprendizaje similar a redes neuronales
• Ajustar los parámetros de los nodos adaptivos
• Conocimiento previo Topología de la red (reglas
  difusas)

22
Arquitectura ANFIS

• Red neuronal híbrida 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

23
Arquitectura ANFIS

• Capa 1 Capa de pertenencia
• Grado de pertenencia de las entradas a la función
  de cada nodo. Parámetros del antecedente
• Capa 2 Grado de activación de la regla (Nodos
  de reglas)
• Producto (T-norma) de las señales de entrada

24
Arquitectura ANFIS

• Capa 3 Normalización de los grados de activación
• Capa 4 Calcula la salida
• Grado de activación por salida de la regla
• Parámetros del consecuente
• Capa 5 Agregación/combinación de las salidas

25
Entrenamiento ANFIS

• Regla de aprendizaje híbrido
• Gradiente descendente parámetros del antecedente
• Mínimos cuadrados Parámetros del consecuente
• Dos pasos por época de entrenamiento
• Paso forward
• Paso backward

26
Entrenamiento ANFIS
27
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 parámetros

28
Entrenamiento ANFIS

• Considerando que a es un parámetro de la red
  adaptiva
• La derivada del error global E respecto de a
  sería
• Con eso la fórmula para adaptar un parámetro
  genérico a queda como

(Pattern-learning)
(Batch-learning)
29
Índice

• Introducción Sistemas Neuro-Fuzzy
• Conceptos de lógica borrosa
• Arquitectura Neuro-Fuzzy
• Entrenamiento Sistemas Neuro-Fuzzy
• Ejemplos
• ANFIS
• Aplicación práctica ANFIS

30
Aplicación práctica. ANFIS

• Matlab
• Anfisedit
• Datos de ejemplo
• Ejemplo inicial (0.16759)
• Ejemplo modificado (0.59101)