miniaturadeimagen|300x300px|Diagrama de un sistema neuro-borroso que implementa un controlador sencillo Sugeno-Takagi.Jang, Sun, Mizutani (1997) - Neuro-Fuzzy and Soft Computing - Prentice Hall, p. 335-368, ISBN 0-13-261066-3 En el campo de inteligencia artificial, neuro-borroso (neuro-difuso, o neuro-fuzzy) se refiere a combinaciones de redes neuronales artificiales y lógica difusa.

Visión general La hibridación neuro-borrosa resulta en un sistema inteligente híbrido que combina de forma sinérgica el estilo de razonamiento tipo-humano de los sistemas difusos (o borrosos) con la estructura de aprendizaje y conexionista de las redes neuronales. En la literatura, la hibridación neuro-borrosa es ampliamente denominada como red neuronal borrosa (FNN por sus siglas en inglés) o sistema neuro-borroso (NFS). Un sistemas neuro-borroso (de aquí en adelante se utiliza el término más popular) incorpora el estilo de razonamiento tipo-humano de sistemas borrosos a través del uso de conjuntos difusos y un modelo lingüístico que consta de un conjunto de reglas difusas SI-ENTONCES (IF-THEN). La principal fortaleza de los sistemas neuro-borrosos es que son aproximadores universales con la capacidad de solicitar reglas SI-ENTONCES interpretables.

La fortaleza de los sistemas neuro-borrosos involucra dos requerimientos contradictorios en modelación difusa: interpretabilidad versus exactitud. En la práctica, una de las dos propiedades prevalece. Lo neuro-borroso en el campo de investigación de modelación difusa está dividido en dos áreas: modelación difusa lingüística que está centrado en interpretabilidad, principalmente el modelo Mamdani; y modelación difusa precisa que está centrado en exactitud, principalmente el modelo Takagi-Sugeno-Kang (TSK).

Aunque generalmente es asumido que es la realización de un sistema borroso a través de redes conexionistas, este término también es utilizado para describir algunas otras configuraciones que incluyen:

Derivación de reglas difusas a partir de redes RBF entrenadas. Afinación de parámetros de entrenamiento de redes neuronales basado en lógica difusa. Criterios de lógica difusa para incrementar el tamaño de una red. Hacerse cargo de la función de afiliación borrosa a través de algoritmos de clustering en aprendizaje no supervisado en mapas autoorganizados (SOMs) y redes neuronales. Representación de fuzzificación, inferencia borrosa y defuzzificacion a través de redes conexionistas multi-capas de alimentación hacia adelante.

Debe ser señalado que la interpretabilidad de los sistemas neuro-borrosos tipo Mamdani puede perderse. Para mejorar la interpretabilidad de sistemas neuro-borrosos se deben tomar ciertas medidas, donde aspectos importantes de interpretabilidad de sistemas neuro-borrosos también son discutidos.Y. Jin (2000). Fuzzy modeling of high-dimensional systems: Complexity reduction and interpretability improvement. IEEE Transactions on Fuzzy Systems, 8(2), 212-221, 2000

Una línea de investigación reciente maneja el caso de minería de flujo de datos, donde los sistemas neuro-borrosos son actualizados secuencialmente con nuevas muestras entrantes a demanda y sobre la marcha. De este modo, las actualizaciones del sistema no solamente incluyen una adaptación recursiva de parámetros del modelo, sino también una evolución dinámica y la poda sináptica de componentes del modelo (neuronas, reglas), con el fin de manejar el concepto a la deriva y el cambio dinámico del comportamiento del sistema de forma adecuada, y para mantener los modelos/sistemas "actualizados" en cualquier momento. Estudios completos de varios sistemas neuro-borrosos evolucionando se pueden encontrar enE. Lughofer (2011). Evolving Fuzzy Systems: Methodologies, Advanced Concepts and Applications. Springer Heidelberg y.N. Kasabov (2007). Evolving Connectionist Systems: The Knowledge Engineering Approach - Second Edition. Springer, London

Producto pseudo externo basado en redes neuronales borrosas Los productos pseudo externos basados en redes neuronales borrosas (POPFNN, por sus siglas en inglés) son una familia de sistemas neuro-borrosos que están basados en el modelo borroso lingüístico.Zhou, R. W., & Quek, C. (1996). "POPFNN: A Pseudo Outer-product Based Fuzzy Neural Network". Neural Networks, 9(9), 1569-1581.

Existen tres miembros de POPFNN en la literatura:

POPFNN-AARS(S), los cuales están basados en el Esquema de Razonamiento Analógico Aproximado.Quek, C., & Zhou, R. W. (1999). "POPFNN-AAR(S): a pseudo outer-product based fuzzy neural network." IEEE Transactions on Systems, Man and Cybernetics, Part B, 29(6), 859-870. POPFNN-CRI(S), los cuales están basados en Reglas de Inferencia Composicionales difusas generalmente aceptadas.Ang, K. K., Quek, C., & Pasquier, M. (2003). "POPFNN-CRI(S): pseudo outer product based fuzzy neural network using the compositional rule of inference and singleton fuzzifier." IEEE Transactions on Systems, Man and Cybernetics, Part B, 33(6), 838-849. POPFNN-TVR, los cuales están basados en Restricción de Valor de Verdad.

La arquitectura "POPFNN" es una red neuronal de cinco capas red neuronal donde las capas de la 1 a la 5 son llamadas: capa de entrada lingüística, capa de condición, capa de regla, capa consecuente, capa de salida lingüística. La fuzzificación de las entradas y la defuzzificación de las salidas son realizadas respectivamente por las capas de entrada lingüística y salida lingüística mientras la inferencia borrosa es realizada en conjunto por las capas de regla, condición y consecuencia.

El proceso de aprendizaje de POPFNN consta de tres fases:

Generación de afiliación difusa o borrosa. Identificación de reglas difusa o borrosas. Ajuste fino supervisado.

Varios algoritmos de generación de afiliación borrosos se pueden utilizar: Cuantización de Vector de Aprendizaje (LVQ), Particionamiento Borroso Kohonen (FKP) o Clusterización Incremental Discreta (DIC). Generalmente, el algoritmo POP y su variante LazyPOP suelen utilizarse para identificar las reglas borrosas.

Notas

Referencias

Abraham Un., "Adaptation of Fuzzy Inference System Using Neural Learning, Fuzzy System Engineering: Theory and Practice", Nadia Nedjah et al. (Eds.), Studies in Fuzziness and Soft Computing, Springer Verlag Germany, , Chapter 3, pp. 53–83, 2005. information on publisher's site. Ang, K. K., & Quek, C. (2005). "RSPOP: Rough Set-Based Pseudo Outer-Product Fuzzy Rule Identification Algorithm". Neural Computation, 17(1), 205-243. Kosko, Bart (1992). Neural Networks and Fuzzy Systems: A Dynamical Systems Approach to Machine Intelligence. Englewood Cliffs, NJ: Prentice Hall. . Lin, C.-T., & Lee, C. S. G. (1996). Neural Fuzzy Systems: A Neuro-Fuzzy Synergism to Intelligent Systems. Upper Saddle River, NJ: Prentice Hal. Un. Bastian, J. Gasós (1996): "Selection of input variables for model identification of static nonlinear systems", Journal of Intelligent and Robotic Systems, Vol. 16, pp. 185–207. Quek, C., & Zhou, R. W. (2001). "The POP learning algorithms: reducing work in identifying fuzzy rules." Neural Networks, 14(10), 1431-1445.

Enlaces externos

A Definition of Interpretability of Fuzzy Systems

Categoría:Inteligencia artificial