Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Clase Tiia5 PDF
Clase Tiia5 PDF
µA : X → [0, 1]
donde ˜
∗ es un operador binario para la función T .
Satisfacen, al menos, los siguientes axiomas para todo a, b, c ∈ [0, 1]:
Los parámetros {a, b, c} determinan las coordenadas de las tres esquinas del
triángulo definido por la función.
0, si x ≤ a
x−a
b−a ,
si a ≤ x ≤ b
µa,b,c,c (x) = 1, si b ≤ x ≤ c
d−x
, si c ≤ x ≤ d
d−c
0, si d ≤ x
Los parámetros {a, b, c, d} determinan las coordenadas de las cuatro esquinas del
trapecio definido por la función.
Media del máximo (MOM): Realiza la media de los valores máximos del conjunto
difuso. Matemáticamente se define de la siguiente forma:
R
Y0 ydy
y= R
Y0 dy
NFULL NXLARGE NLARGE NMEDIUM NSMALL PSMALL PMEDIUM PLARGE PXLARGE PFULL
ZERO
1.0 1.0
0.5 0.5
0.0 0.0
1.0 1.0
0.5 0.5
0.0 0.0
1.0 1.0
0.5 0.5
0.0 0.0
w11 REGLA 1
x es A1
AGREGADOR DE w1 F1
ANTECEDENTES z es C1
(x,y) y es B1 w12
AGREGADOR DE
w21 REGLA 2 REGLAS
x es A2
AGREGADOR DE w2 F2
ANTECEDENTES z es C2
y es B2 w22
F
DEFUZZIFICADOR
R1 : SI x es A1 ENTONCES z es C1
ADEMÁS
R1 : SI x es A2 ENTONCES z es C2
···
Rr : SI x es Ar ENTONCES z es Cr
R2 : SI x es A2 ENTONCES z es C2
A1 B1
C1
A2 B2
x1 x2 C2
SALIDA
sin defuzzificar
Geométricamente, las reglas del modelo TSK corresponden a una aproximación de la función original mediante una combinación de
funciones lineales.
Interpretación
1. Supongamos una única variable a la salida
2. hay que calcular el grado de disparo de cada regla, τi , con i = 1, . . . , r
Arquitectura
capa oculta formada funciones de base radial R i , típicamente Ri es gaussiana:
kx − ci k2
Ri (x) = exp −
2σi2
c
X
y= wi Ri (x)
i=1
R1
x1 c1
R2 c2
\sum y
c3
R3
x2 c4
R4
T
wi = fi (x) = ai x + bi
Pc
i=1 Ri (x)fi (x)
y= PM
i=1 Ri (x)
siendo idéntica a la producida por un sistema de inferencia difuso TSK de primer orden si
El número de neuronas es igual al número de reglas
RBFN y FIS tienen el mismo método de agregación (suma ponderada o media ponderada)
para calcular la salida total.
Las funciones de base radial son de pertenencia multidimensional para el antecedente de cada
regla del sistema
La salida de cada regla del FIS y de la red RBFN debe tener la misma función de respuesta:
en el caso de una función lineal de primer orden, fi (x) = aTi x + bi , resulta equivalente
a un sistema de inferencia TSK de primer orden,
en el caso de una constante, fi (x) = bi , entonces resulta equivalente a un sistema de
inferencia TSK de orden cero.
Tratamiento Inteligente de la Información y Aplicaciones. Juan A. Botı́a– p.30/42
Ajuste de parámetros para una red RBF-TSK
El algoritmo de entrenamiento actualiza de forma incremental los parámetros (tanto de
los antecedentes como de los consecuentes) en base a los datos entrada-salida que
se le presentan
La función objetivo en este caso es el error cuadrático medio.
El grado de disparo de una regla dada equivale al grado de disparo de una neurona y
viene dado mediante la composición suma-producto de la forma:
p p p
" #
X |xj − cij |2 Y |xj − cij |2 Y
x) = exp −
Ri (~ 2
= exp − 2
= µAij
j=1
2σij j=1
2σij j=1
La salida total del modelo se calcula sumando las contribuciones individuales de cada
regla utilizando la media ponderada
En el caso de una función lineal de primer orden:
1
Ek = (yk − tk )2
2
∂Ek
υinew = υiold + η∆υi = υiold − η
∂υi
donde: i = 1, . . . , r, υi = [cT T T T
i ; σi ; θi ] son los parámetros asociados a la regla
i-ésima y η es el ratio de aprendizaje.
Los gradientes negativos de Ek con respecto a cada parámetro se calculan de la
siguiente forma:
∂Ek 1
∆θij = − = (tk − yk ) Ri (x)xj
∂θij z
c
P
donde i = 1, . . . , r, j = 1, . . . , p, y z = Ri (x).
i=1
Tratamiento Inteligente de la Información y Aplicaciones. Juan A. Botı́a– p.33/42
Modelado Neuro-Difuso con ANFIS
.
.
.
A11
PPµ11
PP
P β1 γ1 a11 , . . . , a1p , b1
...
\
µ1p
... A1p \ y1
\
. . .
.
\P y
. . .
. .
yr
Ar1
PPµr1
PP ar1 , . . . , arp , br
P βr γr
...
Arp
µrp
.
.
.
1
Aij = x −ci 2bi i = 1, . . . , c, j = 1, . . . , p,
j j
1 + ai j
j
donde xi es la entrada y {aij , bij , cij } es el conjunto de parámetros. O por ejemplo, una
gaussiana:
x −ci 2
j j
−
ai
Aij = e j i = 1, . . . , c, j = 1, . . . , p,
p
Y
βi = µij i = 1, . . . , r,
j=1
βi
γi = P r
k=1 βk
Si los parámetros de los antecedentes quedan fijos, la salida y puede ser reescrita
entonces de la siguiente manera
y = γ1 (a11 x1 + . . . + a1p xp + b1 )
(1) +...+
γr (ar1 x1 + . . . + arp xp + br )
f = γ1 x1 a11 + . . . + γ1 xp a1p + γ1 b1
(2) +...+
γr x1 ar1 + . . . + γr xp arp + γr br