Sistemas Neurodifusos

CONTROL INTELIGENTE

Erick Poppe

Motivacin
La

estructura bsica de la inferencia difusa

vista hasta ahora es un modelo que mapea
las caractersticas de entrada a funciones
difusas.
Luego esas funciones difusas de entrada a
reglas
Las reglas a un conjunto de caractersticas
de salida
Las caractersticas de salida a funciones
difusas de salida
Finalmente las caractersticas de salida a un
solo valor crisp.

Motivacin
Solo

se han considerado funciones

de membresa que estn fijas y
arbitrariamente escogidas.
Solo se ha aplicado inferencia difusa
al modelado de sistemas cuya
estructura
de
reglas
es
esencialmente predeterminada por
la interpretacin del usuario de las
caractersticas de las variables del
modelo

Motivacin
La

forma
de
elegir
el
agrupamiento de datos y los
parmetros es muy arbitraria.
Los parmetros definen la forma
de las funciones de pertenencia.
Puede
haber
una
mejor
solucin?

Aprendizaje supervisado
Imaginar

el caso en que se quiere

aplicar inferencia difusa a un
sistema del cual ya se posee
datos de entrada y salida los
cuales se quiere modelar.
No
se tiene una estructura
predefinida
del
modelo
del
sistema
basada
en
las
caractersticas de las variables
del sistema.

Modelacin
Existen

algunas situaciones en
las que mirando los datos no se
puede discernir como deberan
ser las funciones difusas de
membresa.
En
lugar
de
escoger
arbitrariamente los parmetros
de las funciones de membresa,
estos parmetros pueden ser
escogidos de acuerdo a los datos
de entrada/salida.

Usos de las redes

neurodifusas
Dos

modelos de redes
neurodifusas
En respuesta a las declaraciones
linguisticas, el bloque interfaz difusa
provee un vector de entrada a una
red neuronal multicapa. La red
neuronal puede ser entrenada para
producir las salidas de comando
buscadas.
Una red neuronal multicapa maneja
los mecanismos de inferencia difusos
con automatizacin del sintonizado

Tcnicas neuroadaptivas
Para

escoger los parmetros de

los antecedentes en base a datos
de entrada/salida se utilizan las
tcnicas
neuroadaptivas
de
aprendizaje.

Tcnicas neuroadaptivas
La

idea bsica detrs de estas

tcnicas
neuroadaptivas
es
simple.
Estas
tcnicas
proveen
un
mtodo
para
aprender
informacin
acerca
de
un
conjunto de datos para poder
calcular los parmetros de las
funciones de membresa del
antecedente.

Tcnicas neuroadaptativas
Se

aprenden los parmetros para

mantener la relacin de los datos
de entrada y salida.
El mtodo funciona tal como se
vio en las redes neuronales.

Primer modelo
neurodifuso

Segundo modelo difuso

El modelo ANFIS
Es

un modelo de aprendizaje
supervisado
Los parmetros de las premisas
pueden
aprenderse
por
aprendizaje
descendente
de
gradiente.

El modelo ANFIS
Adaptive

Neuro-Fuzzy Inference

System.
Propuesto por Roger Jang en
1993.
Usa la propagacin hacia atrs y
estimacin
de
mnimos
cuadrados para la estimacin de
parmetros.
Esto permite a los sistemas
difusos aprender de los datos que

La estructura de ANFIS
Una

estructura de red similar a

las redes neuronales que mapea
las
entradas
a
travs
de
funciones
de
membresa
y
parmetros asociados.
Despus a travs de funciones de
membresa
de
salida
y
parmetros asociados se mapea
hacia la salida.

La estructura ANFIS
Los

parmetros asociados con las

funciones
de
membresa
cambiarn
del
proceso
de
aprendizaje.
El calculo de esos parmetros es
facilitado por un vector gradiente
que provee una medida de cuan
bien el sistema de inferencia
difuso est modelando los datos
de
entrada
y
salida
para
determinado
conjunto
de

La estructura ANFIS
El

enfoque de modelado usado por

ANFIS es similar a muchas tcnicas
de identificacin.
Primero se hace una hiptesis de un
modelo parametrizado.
Luego se hace el entrenamiento
para emular los datos presentados
modificando los parmetros de las
funciones de pertenencia de
acuerdo al criterio de error buscado.

El modelo ANFIS
Las

reglas de Takagi y Sugeno

Los niveles de disparo

Del

tipo norma T

Salida de reglas
Las

salidas individuales se
expresan:

La accin de control
La

accin crisp de control se

expresa:

Con

valores beta normalizados:

El modelo ANFIS

La capa 1 del modelo

ANFIS
Usualmente

modelada con
funciones miembro de tipo
campana para representar los
trminos lingsticos.

La capa 2 del modelo

ANFIS
Cada

nodo calcula la fuerza de

disparo de la regla asociada.
Nodos de regla
Se expresa T por ser cualquier
funcin norma T

La capa 3 del modelo

ANFIS
N

por la normalizacin de los

niveles de disparo

La capa 4 del modelo

ANFIS
La

capa 4 del modelo ANFIS es el

producto de los niveles
normalizados de disparo y las
salidas individuales de las reglas

La capa 5 del modelo

ANFIS
Calcula

la salida general del

sistema como la suma de todas
las seales entrantes:

Propagacin hacia
adelante

Calculo de consecuentes

La funcin de error
La

funcin de error esta dada

por:

Propagacin hacia atras

Propagacin hacia atras

Propagacin hacia atras

El gradiente de error

Modelo de red neuronal

Prediccin de un paso adelante

del modelo

Control inverso directo

Obtencin

del modelo inverso

Control inverso directo

Fase

de aplicacin

Respuesta del sistema

Recuperacin

de perturbacin

Control inverso con aprendizaje

adaptativo en linea

Respuesta del sistema bajo

escalones variables

Aprendizaje ANFIS
especializado