2.

Sistemas Inteligentes

Universidad de Chile Profesor: Javier Ruiz del Solar

Procesamiento Avanzado de Imgenes

26

Nomenclatura Bsica
A.I C.I.
- Artificial Intelligence - Computational Intelligence

C.I. basada en Soft Computing Soft Computing = Neural Networks + Fuzzy Logic + Evolutionary Computation +
Chaos theory + Machine Learning + Statistical Methods.

Sistemas Inteligentes Basados en Biologa

- Neural Networks (Neurofisiologa) - Fuzzy Logic (Sicologa) - Evolutionary Computation (Teora de Evolucin)

Agentes Sistemas Hbridos

- Neuro-Fuzzy - Neuro-Genetics - En general: NN + Fuzzy + Evol.

Universidad de Chile Profesor: Javier Ruiz del Solar

Procesamiento Avanzado de Imgenes

27

2.1.

Sistemas Inteligentes

Necesidad de utilizar estrategias presentes en la naturaleza para resolver (cierto tipo de) problemas complejos. Millones de aos de evolucin han llevado a que los sistemas biolgicos posean caractersticas y mecanismos de procesamiento que los diferencian radicalmente de los computadores tradicionales (arquitectura Von Neumann). En la siguiente tabla se comparan ambos tipos de sistemas:
Arquitectura Von Neumann Procesador(es) - complejo - muy rpido - uno o muchos - simple - lento (~1 ms por neurona) - masiva cantidad (1E11), conectados en forma muy compleja (1E14 conexiones) - integrada en el procesador - distribuida - direccionable por contenido - distribuido - masivamente paralelo - auto-aprendizaje - anlogo - robusto - procesamiento de informacin sensorial - casi nunca definido - ilimitado Sistemas biolgicos

Memoria

- separada del procesador - localizada - no direccionable por contenido - centralizado - secuencial - en base a programas - digital - muy poco robusto - procesamiento numrico y simblico de datos - definido - limitado

Procesamiento

Seguridad Fortalezas mbito de aplicabilidad

Los Sistemas Inteligentes permiten implementar algunos caractersticas y mecanismos de procesamiento de los sistemas biolgicos. Entre los sistemas inteligentes destacan las Redes Neuronales (Redes de Neuronas Artificiales), la Lgica Difusa y la Computacin Evolutiva.
Universidad de Chile Profesor: Javier Ruiz del Solar Procesamiento Avanzado de Imgenes

28

2.2.

Redes Neuronales

Las Redes Neuronales tratan de modelar la estructura y la forma de trabajar de las clulas nerviosas o neuronas. Estn compuestas por unidades estructurales tambin conocidas como neuronas, conectadas entre si. El modelo bsico de una neurona es el siguiente:
Seal de Entrada Polarizacin (B)

Salida Funcin de Activacin

Pesos sinpticos

La topologa de una red neuronal estar determinada por el nmero de neuronas que esta tenga, por la forma en stas estn ordenadas (en capas) y por la naturaleza de las conexiones presentes. Tpicamente las redes neuronales poseen una capa de entrada (input layer), una capa de salida (output layer), y una o varias capas ocultas intermedias (hidden layers). El flujo de la informacin puede ser unidireccional desde la capa de entrada hacia la capa de salida (redes feedforward) o bidireccional con retroalimentacin (redes recurrentes).

Universidad de Chile Profesor: Javier Ruiz del Solar

Procesamiento Avanzado de Imgenes

29

 En el siguiente ejemplo se muestran ejemplos de topologas de redes:

Entre las principales propiedades de las redes neuronales se encuentran las siguientes:
Capacidad

de Asociacin (Generalizacin)

Tolerancia ante fallas Capacidad de Aprendizaje (Adaptabilidad) Seguridad ante cadas del sistema Procesamiento masivamente paralelo
Universidad de Chile Profesor: Javier Ruiz del Solar Procesamiento Avanzado de Imgenes

30

 Representacin y Procesamiento distribuido de la informacin Una de las principales caractersticas de las redes neuronales es su capacidad de aprendizaje, esto se logra a travs de la repetitiva presentacin de ejemplos, lo cul permite adaptar los pesos sinpticos de las neuronas. Los siguientes mtodos de aprendizaje son utilizados: Aprendizaje Supervisado (con profesor) Aprendizaje no Supervisado (sin profesor) Aprendizaje Competitivo Aprendizaje Reforzado (de Pavlov). En la siguiente figura se muestra el aprendizaje supervisado:

Las redes neuronales se utilizan para resolver problemas en los cuales no existe un modelo analtico o problemas en los cuales el modelo analtico es demasiado complejo.
Universidad de Chile Profesor: Javier Ruiz del Solar Procesamiento Avanzado de Imgenes

31

 Diferentes modelos de redes son utilizados para resolver diferentes tipos de problemas. En la siguiente tabla puede observarse algunos de los modelos ms utilizado y su campo de aplicacin.
Modelo Campo de Aplicacin

Red de Hopfield Multilayer Perceptron ( *Back-Propagation*) SOM Self Organizing Map (Red de Kohonen) LVQ - Learning Vector Quantization ART - Adaptive Resonance Theory Radial Basis Function Counterpropagation ADALINE-MADALINE

Optimizacin y Asociacin de Patrones Aproximacin de Funciones, Clasificacin, Pronstico y Control Clustering y Clasificacin Clasificacin Clustering y Clasificacin Aproximizacin de Funciones, Clasificacin, Pronstico y Control Clasificacin y Aproximizacin de Funciones Sistemas de Comunicacin y Control

Otros modelos neuronales son los siguientes: Cerebellum Model Articulation Controller (CMAC), Bidirectional Associative Memory (BAM), Temporal Associative Memory (TAM), Linear Associative Memory (LAM), Brain-state-in-a-box, Probabilistic Neural Netwok (PNN), Boltzmann-Maschine, Time-Delay Neural Net (TDNN), Cognitron und Neocognitrom Modelle, Simulated Annealing, RestrictedCoulomb-Energy (RCE) Modell, Logicon Projection Network (LPN), Cellular Neural Network (CNN), Boundary Contour System (BCS),

Universidad de Chile Profesor: Javier Ruiz del Solar

Procesamiento Avanzado de Imgenes

32

Feature Contour System (FCS), Winner-take-all (WTA) Network y Probabilistic RAM (pRAM 256).

2.3.

Lgica Difusa

La Lgica Difusa, propuesta por L. Zadeh en 1965, surge como una alternativa a la lgica tradicional que nosotros conocemos, y como un intento de modelar la forma en que los seres humanos representamos y procesamos la informacin sensorial a un alto nivel, y la forma difusa (relativa/subjetiva) con que manejamos lingsticamente muchos conceptos. A modo de ejemplo, cuando nos referimos a la altura de un amigo decimos que ste es chico, alto, super alto, re-chico, enano, etc., y no que mide 1.654 cm. Ms an el decir que alguien es alto es muy subjetivo. No es lo mismo que una persona que mide 1.80 m diga que otra es alta, a que una persona que mida 1.50 m diga lo mismo. Un concepto fundamental en lgica difusa es el de funcin de membresa (membership function) el cual permite manejar de subjetividad de nuestros lenguaje. La funcin de membresia es un valor real en el rango [0,1]. Ejemplo: Juan es gordo con peso(Juan)=0.8. Esto significa que Juan pertenece al grupo de la gente gorda con un grado de pertenencia de 0.8 (1.0 represente verdadero y 0 representa falso).

Universidad de Chile Profesor: Javier Ruiz del Solar

Procesamiento Avanzado de Imgenes

33

Ejemplo de Funciones de Membresa

Diferencia entre lgica difusa y teora de probabilidades. Utilizando teora de probabilidades la afirmacin anterior significara que existe un 80% de probabilidades de que Juan sea gordo, es decir, que Juan puede o no puede ser gordo y que n osotros tenemos un 80% de chance de conocer esta informacin. En el caso de la lgica difusa afirmamos que Juan es ms o menos gordo, y que este mas o menos es de 0.8. Supongamos adems que Juan es alto con estatura(Juan)=0.9. De acuerdo a la teora de probabilidades la probabilidad conjunta de ambos eventos es de 0.8*0.9=0.72. De acuerdo a la lgica difusa la posibilidad conjunta de ambos eventos es MIN(0.8,0.9)=0.8. Un sistema fuzzy est formado por las siguientes etapas: Fuzzificacin: Donde las variables se traducen a lenguaje fuzzy, ej. rpido, alto, lento, etc. Motor de inferencia (fuzzy engine, fuzzy control): Donde se almacenan las reglas que operan sobre las variables fuzzy. Ejemplo: Si (presin alta) y (temperatura alta) entonces (revoluciones baja) Defuzzificacin: Donde los valores fuzzy se traducen a valores numricos. Ej. Revoluciones bajas significa 10345 rpm.
Universidad de Chile Profesor: Javier Ruiz del Solar Procesamiento Avanzado de Imgenes

34

Ejemplo de Fuzzificacin/Defuzzificacin

Entre las principales aplicaciones destacan: control, procesamiento de seales, sistemas de comunicacin, optimizacin, etc.

2.4.

Computacin Evolutiva

La idea bsica consiste en resolver problemas de optimizacin utilizando las mismas estrategias que utiliza la naturaleza a travs del mecanismo de evolucin. Es decir, reproducir a los individuos ms aptos y a travs de este mecanismo adaptar la especie al medio ambiente cambiante. De esta manera se preserva la especie y asimismo sta compite con otras.
Universidad de Chile Profesor: Javier Ruiz del Solar Procesamiento Avanzado de Imgenes

35

 Podemos afirmar que la evolucin darwiniana es un mecanismo robusto de optimizacin a travs de bsqueda. Entre los procesos presentes en la evolucin y que son usados en el campo de la computacin evolutiva destacan: Reproduccin: Se transmite el material gentico del progenitor a los descendientes en forma sexuada o asexuada. Mutacin: Permite aumenta la entropa, es decir la variabilidad de la especie. Intencionalmente introduce errores en forma aleatoria durante el proceso de transmisin del material gentico. Competicin: Consiste en la lucha por recursos finitos por parte de una poblacin siempre en aumento. Seleccin: Es el resultado de la competencia entre especies. El mecanismo de evolucin funciona a diferentes niveles: clulas, rganos, individuos y especies. Dependiendo del nivel del cual la Computacin Evolucionaria (Evolutionary Computation) obtenga sus modelos, pueden distinguirse las siguientes subreas: - Algoritmos Genticos (Genetics Algorithms) - Estrategias de Evolucin (Evolution Strategies) - Programacin Evolucionaria (Evolutionary Programming) - Programacin Gentica (Genetic Programming) A modo de ejemplo, la resolucin de problemas de optimizacin mediante algoritmos genticos sigue la siguiente estructura: - Codificar los parmetros del problema a resolver utilizando cromosomas. Cada gen de este cromosoma corresponder a un parmetro.
Universidad de Chile Profesor: Javier Ruiz del Solar Procesamiento Avanzado de Imgenes

36

- Formular una funcin de costo (con restricciones) que permita seleccionar la mejor solucin. - Inicializar la poblacin de posibles soluciones, normalmente en forma aleatoria. - Crear descendientes de esta poblacin, utilizando algn proceso como mutacin y/o recombinacin. - Utilizando la funcin de costo evaluar a los descendientes y a los progenitores. - Seleccionar las mejores soluciones y de esta forma determinar los progenitores de la prxima generacin. - Iterar hasta alcanzar una solucin satisfactoria o hasta que el tiempo expire.

Universidad de Chile Profesor: Javier Ruiz del Solar

Procesamiento Avanzado de Imgenes

37