PRACTICA 0: SISTEMAS NEURODIFUSOS

DISEO DE UN SISTEMA NEURODIFUSO

Pedro Urgiles, Geovanny Paredes
pedro_u@hotmail.com geovannyparedes@hotmail.com

INTRODUCCIN DISEO Un sistema neurodifuso, como su nombre lo sugiere es aquel sistema que combina las funcionalidades tanto de los El sistema consta de 4 entradas, una para cada atributo, con sistemas neuronales como de los sistemas de inferencia difusa. su respectiva salida que ser nuestra quinta columna de los Lo que se pretende en el siguiente informe es definir el diseo archivos de alimentacin. y los pasos necesarios para hacer un sistema de reconocimiento o clasificacin de la Iris de las flores, con la ayuda del ancho y largo tanto de los spalos y ptalos d las mismas.
DIVISIN DEL CORPUS EN TEST Y TRAIN

Antes de iniciar el proceso de diseo, se procedi a realizar un script en Ruby, para tomar del corpus y dividirlo en test y train, como se indic en el boletn, empleando validacin cruzada, y generando por lo tanto 5 archivos de test, con 30 muestras, 10 de cada flor, para luego generar 5 archivos ms con sus respectivas combinaciones. Adems se incluye la etiqueta que identifica a cada tipo de flor, siendo en nuestro caso 00, Iris setosa, 01 Iris-Virginica y 10 Iris-Versicolor

ESTRUCTURA ANFIS Y ERROR DE ENTRENAMIENTO

Para esta prctica hemos utilizado Matlab, en el que hemos creado un sistema ANFIS tipo Sugeno, con 4 entradas y su respectiva salida. Luego se procedi a cargar los archivos generados con el script, para despus establecer las funciones de pertenencia de cada entrada, como campanas de Gauss y la salida como funcin lineal. A continuacin se indica el error generado por cada bloque, de entrenamiento y prueba del sistema. Bloque 1 s1+s2+s3+s4 train S5 test

Muestra de archivo Error =3.1906 e -006

Promedio del error de test= 1.9074 Bloque 2 s1+s2+s3+s5 train S4 test Error =2.7395 e-006 Promedio del error de test=2.7969 Bloque 3 s1+s2+s4+s5 train S3 test Error =3.0765 e-005 Promedio del error de test=2.7746 e-005 Bloque 4 s1+s3+s4+s5 train S2 test Error =7.5655 e-005 Promedio del error de test=9.9743 Bloque 5 s2+s3+s4+s5 train S1 test Error =5.0355 e-006 Promedio del error de test=2.4264 Como se puede observar, se increment en el primer grfico una funcin, para luego en el segundo grfico, una ms para cada entrada respectivamente. Al final podemos observar grficamente que el error disminuye considerablemente.
CONCLUSIONES

Promedio General del error Training=2,345712 e-5

VARIACIN DEL NMERO DE FUNCIONES DE PERTENENCIA

Para el siguiente punto se aumento una funcin de pertenencia, a la vez en cada entrada del sistema obteniendo los siguientes resultados:

Al terminar esta prctica pudimos observar la facilidad con la que pudimos usar la opcin grfica para ANFIS en Matlab, con el comando fuzzy. Pudimos comprobar la necesidad de definir el tipo de funcin de pertenencia para las entradas, en nuestro caso de tipo campana de Gauss, as como el tipo de funcin de transferencia para la salida, en nuestro caso de tipo lineal. Vimos la relacin que tiene este tipo de sistema hbrido con los sistemas tipo fuzzy y neuronal respectivamente, al realizar el proceso de carga de archivos de train y test, como lo es con las redes neuronales, en diferentes bloques, con la validacin cruzada. Al entrenar diferentes bloques de datos, pudimos observar que el sistema consegua errores cercanos a la tolerancia escogida, y se comprob que al aumentar funciones de pertenencia para las entradas del sistema el error disminua. Se comprob adems que el sistema cumple de forma bastante aceptable el objetivo de separar las muestras de las flores al momento de realizar el test.