Escolar Documentos
Profissional Documentos
Cultura Documentos
ISBN: 1-58112-113-X
DISSERTATION.COM
USA 2000
Ingeniera Electrnica
NDICE
Agradecimientos
10
10
20
23
23
23
40
40
42
43
46
50
56
56
56
57
58
59
59
64
64
Captulo 4: Resultados
67
67
68
69
69
70
77
77
101
105
5.1. ANFIS
105
5.2. MANFIS
105
106
106
107
107
Bibliografa
109
AGRADECIMIENTOS
A mi familia y amigos.
La Figura 1.1 representa los componentes principales de una clula nerviosa tpica
perteneciente al sistema nervioso central. La membrana de la neurona separa el plasma
intracelular del fluido intersticial que se encuentra fuera de las neuronas, manteniendo
una diferencia de potencial entre el fluido intracelular y el fluido extracelular.
Ncleo
Montculo del
axn
neuronas (convergencia). Este hecho tan sencillo parece ser el fundamento de toda la
actividad del sistema nervioso central.
En la Figura 1.2 b, c y d aparecen circuitos de realimentacin. Como las
conexiones sinpticas pueden ser excitatorias o inhibitorias, estos circuitos hacen que
los sistemas de control puedan tener tanto realimentacin positiva como negativa.
McCulloch y Pitts, en 1943 realizaron el primer intento significativo para explicar
de qu manera se llegaba a la enorme potencia del cerebro humano desde las neuronas
bsicas, su funcionamiento y su interconexin; es decir, que fueron los pioneros en
tratar al cerebro como un organismo computacional. No se trataba de una teora precisa
pero s que fue de suma importancia en ulteriores trabajos debido al sentido
computacional que se le confiri al cerebro humano [Freeman-93].
(a)
(b)
(c)
(d)
Aprendizaje de Hebb
Los sistemas neuronales no nacen con el conocimiento y capacidades que llegarn
a tener. Existe un proceso de aprendizaje que modifica la red para incluir la
informacin.
En 1949, Hebb public Organization of Behaviour. En este libro reside la idea
fundamental del aprendizaje de Hebb, y que es la siguiente [Hebb-49]:
Cuando un axn de la clula A est suficientemente prximo para excitar a una
clula B o toma parte en su excitacin de forma persistente, tiene lugar algn proceso
de crecimiento o algn cambio metablico en una de las clulas, o en las dos, de tal
modo que la eficiencia de A, como una de las clulas que desencadena el disparo de B,
se ve incrementada.
Aunque esta idea no explica todo lo que hace referencia a las conexiones
neuronales, tiene una vital importancia por cuanto aparece en la mayora de los modelos
utilizados.
Como la conexin entre neuronas se hace a travs de las sinapsis, se puede
suponer que cualquier cambio durante el aprendizaje deber producirse en ellas. Teoras
recientes afirman que el responsable del aprendizaje es un incremento de la velocidad
con que se libera el neurotransmisor en la clula presinptica [Freeman-93].
Por ltimo, para terminar este repaso de neurofisiologa, ha de quedar claro que a
pesar de las muchas analogas entre conceptos bsicos de la neurofisiologa y los
modelos de redes neuronales, estos ltimos no son verdaderos modelos del cerebro, sino
que han sido inspirados por la comprensin que se tiene de la neurofisiologa.
Conocimiento objetivo:
cuantificado
habitualmente
mediante
modelos
REGLAS
Entradas
DIFUSOR
DEDIFUSOR
Salidas
BLOQUE DE INFERENCIA
Conjuntos
de entrada
difusos
Conjuntos
de salida
difusos
Aplicaciones
La FL tiene un amplio abanico de aplicaciones: problemas de control,
clasificacin, modelizacin, reconocimiento de patrones, diagnosis, etc. En la siguiente
lista se exponen aplicaciones reales, as como las empresas o instituciones donde se
estn utilizando [Mendel-95]:
1) Aplicaciones de Control: control de aviones (Rockwell Corporation), control
del metro de Sendai (Hitachi), control de crucero (Nissan), transmisin
automtica (Nissan, Subaru), modelo para autoaparcamiento de coches (Tokyo
Tech. Univ.), y situacin de una lanzadera espacial (NASA).
2) Catalogacin y optimizacin: anlisis del stock en el mercado (Yamaichi
Securities), ascensor inteligente (Hitachi, Fujitech, Mitsubishi).
13
Conjuntos difusos
Definicin de conjunto
Sea A un conjunto en un dominio D. A puede definirse identificando todos
aquellos elementos x A. Es decir, que A puede definirse como:
A={x/x cumple cierta condicin}
Tambin es posible definirlo mediante una funcin binaria que valga 1 si el
elemento pertenece al conjunto y 0 si no pertenece.
Consideremos a modo de ejemplo, el conjunto de todos los nmeros primos P en
el dominio de los nmeros naturales N. Entonces, podremos definir P como:
P={x N /x es primo}
o bien mediante la siguiente funcin binaria:
1
( x) =
0
si x es primo
en otro caso
espaola y extranjero en otro caso. No hay nada difuso en esta perspectiva. Sin
embargo, si consideramos que un coche es nacional si est ntegramente fabricado en
Espaa la cosa cambia porque muchos de los componentes de la nica marca espaola
(SEAT) se fabrican en el extranjero. Adems, muchas marcas extranjeras fabrican
coches en Espaa (Ford, Opel, Citren, Renault,...). Lo que se puede hacer es considerar
un coche ms o menos nacional dependiendo del porcentaje de componentes fabricados
en Espaa. Podramos pensar en considerar dos funciones de particin, una para coches
nacionales y otra para coches extranjeros. En la Figura 1.4 puede observarse como un
coche determinado pertenece simultneamente a los dos conjuntos descritos por estas
funciones de particin pero con diferente grado de similitud. Por ejemplo, si nuestro
coche est realizado en un 75% en Espaa, entonces:
N(75%)=0.9 y F(75%)=0.25
que representan las funciones que describen lo coches nacionales y forneos
respectivamente. En este caso, podramos decir que el coche es nacional. Lo principal es
observar que un elemento puede estar en ms de un conjunto, situacin que no es
1
0,8
0,6
0,4
0,2
0
0
50
100
Figura 1.4. Funciones de particin para coches nacionales y forneos basadas en el porcentaje de
componentes fabricados en Espaa.
F = F (x)/x
D
Variables lingsticas
Zadeh, el padre de la Lgica Difusa, afirma textualmente que:
Al perder precisin al crecer la complejidad, es natural estudiar el uso de las
llamadas variables lingsticas, es decir, variables cuyos valores no son nmeros sino
palabras o frases en un lenguaje natural o artificial,... La motivacin del uso de
palabras o frases en lugar de nmeros es que las caracterizaciones lingsticas son, en
general, menos especficas que las numricas [Zadeh-65]
Denotamos por d una variable lingstica (por ejemplo, la temperatura). Los
valores numricos de una variable lingstica los expresamos por x, donde x D.
Algunas veces se usan indistintamente x y d, especialmente cuando la variable
lingstica es una letra. En principio, la caracterizacin de este tipo de variables la lleva
a cabo el diseador.
Una variable lingstica se descompone habitualmente en un conjunto de
trminos, T(d), que cubren su dominio.
Ejemplo: Interpretemos la temperatura (d) como una variable lingstica. Puede
hacerse la descomposicin en el siguiente conjunto de trminos:
T(temperatura)={muy baja, baja, normal, alta, muy alta}
donde cada trmino en T(temperatura) se caracteriza por un conjunto difuso en el
dominio D=[-25C,50C]. Podemos interpretar muy baja como una temperatura inferior
a 10C, baja alrededor de los 0C, normal como prxima a los 18C, alta alrededor de
los 30C y muy alta si es superior a los 40C. Estos trminos pueden caracterizarse
como conjuntos difusos cuyas funciones de particin se muestran en la Figura 1.5.
Podemos observar que, por ejemplo, x=-15C pertenece a los conjuntos difusos baja
temperatura y muy baja temperatura pero con diferentes grados de similitud.
16
Muy baja
-30
Baja
-10
Normal
Alta
10
Muy
alta
30
50
Temperatura (C)
Funciones de particin
Las funciones de particin (membership functions, MF) estn, en su mayor parte,
asociadas con trminos que aparecen en las reglas, ya sea en la parte antecedente o en la
consecuente [Mendel-95]. La parte antecedente de una regla es la formada por las
distintas premisas de sta, mientras que la parte consecuente es la constituida por las
consecuencias. Consideremos como ejemplo la siguiente regla:
Si la temperatura alcanza 50 C encender el ventilador de refresco
La parte antecedente estara formada por una nica premisa, que la temperatura
alcance los 50 C. La parte consecuente sera la orden de encender el ventilador de
refresco.
Las formas mayormente usadas para las MFs son la triangular, trapezoidal, lineal
a trozos, gaussiana o con forma de campana (algo ms cuadrada que la gaussiana y la
ms utilizada en redes neuro-difusas). Aunque lo habitual es elegir unas u otras
basndonos en la propia experiencia, existen algunos procedimientos que permiten
optimizar esta decisin [Mendel-95].
Cuanto mayor es el nmero de funciones mayor posibilidad de alcanzar una
mayor resolucin aunque, evidentemente, acarrear un mayor coste computacional, de
tal manera que en cada caso se ha de llegar a la solucin ptima por compromiso.
17
(1.1.1)
AB(x,y)=max[1-A(x), B(y)]
(1.1.2)
AB(x,y)=1-A(x)(1-B(y))
(1.1.3)
Premisa 2: si u es A, entonces v es B
Premisa 3: v es B*
Del mismo modo se generaliza Modus Tollens. Aqu lo importante es que los
conjuntos difusos A* y B* no tienen por qu ser los mismos que A y B. En Lgica
Tradicional, la regla solamente era vlida si la primera premisa era exactamente igual al
antecedente de la regla, y el resultado era el consecuente de la regla. En FL, una regla
vale mientras haya un grado de similitud no nulo entre la primera premisa y el
antecedente de la regla, siendo el resultado un consecuente que tiene un grado de
similitud no nulo con el consecuente de la regla.
Puede demostrarse, que las expresiones (1.1.) no son adecuadas para expresar la
MF asociada a la regla desde un punto de vista prctico, ya que puede romperse la
relacin de causalidad, por lo que estaramos tratando con algo que no es implementable
fsicamente.
Mamdani, movido por razones de coste computacional, propone trabajar con la
implicacin de mnimo o minimum implication [Mandani-74]:
AB(x,y)= min[A(x), B (y)]
(1.2)
(1.3)
1(x)
2(y)
min[1(x), 2(y)]
19
Caractersticas
Las redes neuro-difusas tienen fundamentalmente las siguientes caractersticas:
1.- Conocimiento humano: se utiliza en forma de reglas If-Then para solucionar
problemas reales.
2.- Inspiracin en modelos biolgicos: inspiradas por las redes neuronales
biolgicas, las RNAs son un pilar bsico de las RNDs, permitiendo tratar
con problemas de percepcin, reconocimiento de patrones o clasificacin.
3.- Computacin numrica: la computacin es bsicamente numrica, aunque la
perspectiva futura apunta hacia una computacin simblica ms cercana a la
Inteligencia Artificial (IA).
20
Evolucin histrica
Las RNDs son un campo de investigacin que se encuentra en pleno apogeo, ya
que su estudio y aplicacin son todava recientes. En la Tabla 1.2 se muestra una
comparativa entre el origen y evolucin de las RNAs y las RNDs [Jang-97]:
21
Tabla 1.2: Evolucin histrica de las redes neuronales y los sistemas difusos.
Aos
1940s
Redes neuronales
Sistemas difusos
1950s
1957: perceptrn
1960s
1960s: Adalina
Madalina
1970s
algoritmo Backpropagation
1975: Cognitrn
Neocognitrn
1980s
(modelo TSK)
22
Arquitectura
La red ANFIS tiene una estructura de cinco capas como la mostrada en la figura
2.1, donde los nodos circulares representan nodos fijos y los cuadrados nodos
adaptativos. Para una mejor comprensin de la funcin que desempea cada una de
estas capas, suponemos un Sistema de Inferencia Difuso sencillo con dos entradas (x e
y) y una salida z [Jang-97]. Suponemos adems un conjunto de dos reglas If-Then: