Neuro-fuzzy
En el campo de la inteligencia artificial, la denominación neuro-difusa se refiere a combinaciones de redes neuronales artificiales y lógica difusa.
Descripción general
La hibridación neuro-fuzzy da como resultado un sistema inteligente híbrido que combina el estilo de razonamiento humano de los sistemas difusos con la estructura de aprendizaje y conexión de las redes neuronales. La hibridación neuro-fuzzy se denomina ampliamente como red neuronal difusa (FNN) o sistema neuro-fuzzy (NFS) en la literatura. El sistema neuro-fuzzy (el término más popular se usa en adelante) incorpora el estilo de razonamiento humano de los sistemas difusos mediante el uso de conjuntos difusos y un modelo lingüístico que consiste en un conjunto de reglas difusas if-Then. La principal fuerza de los sistemas neuro-fuzzy es que son aproximadores universales con la capacidad de solicitar reglas if-then interpretables.
La fuerza de los sistemas neuro-fuzzy implica dos requisitos contradictorios en el modelado difuso: interpretabilidad versus precisión. En la práctica, prevalece una de las dos propiedades. La neuro-fuzzy en el campo de investigación de modelado difuso se divide en dos áreas: modelado lingüístico difuso que se centra en la interpretabilidad, principalmente el modelo Mamdani; y modelado difuso preciso que se centra en la precisión, principalmente el modelo Takagi-Sugeno-Kang (TSK).
Aunque generalmente se supone que es la realización de un sistema difuso a través de redes conexionistas, este término también se usa para describir algunas otras configuraciones que incluyen:
- Conducir reglas borrosas de redes RBF entrenadas.
- Afinación lógica borrosa basada en parámetros de entrenamiento de redes neuronales.
- Criterios lógicos borrosos para aumentar el tamaño de una red.
- Realizar funciones de membresía borrosa a través de algoritmos de agrupación en aprendizaje no supervisado en SOM y redes neuronales.
- Representando la fuzzificación, la inferencia borrosa y la desactivación a través de redes de conexión multicapas.
Cabe señalar que se puede perder la interpretabilidad de los sistemas neurodifusos de tipo Mamdani. Para mejorar la interpretabilidad de los sistemas neurodifusos, se deben tomar ciertas medidas, en las que también se discuten aspectos importantes de la interpretabilidad de los sistemas neurodifusos.
Una línea de investigación reciente aborda el caso de la minería de flujos de datos, donde los sistemas neurodifusos se actualizan secuencialmente con nuevas muestras entrantes bajo demanda y sobre la marcha. Por lo tanto, las actualizaciones del sistema no solo incluyen una adaptación recursiva de los parámetros del modelo, sino también una evolución dinámica y poda de los componentes del modelo (neuronas, reglas), para manejar adecuadamente la deriva de conceptos y el comportamiento cambiante dinámicamente del sistema y mantener los sistemas/modelos & #34;actualizado" en cualquier momento. Se pueden encontrar estudios completos de varios enfoques de sistemas neurodifusos en evolución en y.
Pseudo-Outer-product redes neuronales difusas
Las redes neuronales difusas basadas en productos pseudouteres ( Popfnn ) son una familia de sistemas neuro-fuzzy que se basan en el modelo difuso lingüístico.
Tres miembros de Popfnn existen en la literatura:
- POPFNN-AARS(S), que se basa en el Plan de Razonamiento Analógico Aproximado
- POPFNN-CRI(S), que se basa en la regla comúnmente aceptada de la inferencia
- POPFNN-TVR, que se basa en la restricción del valor de la verdad
El "POPFNN" La arquitectura es una red neuronal de cinco capas donde las capas del 1 al 5 se denominan: capa lingüística de entrada, capa de condición, capa de reglas, capa consecuente, capa lingüística de salida. La difusificación de las entradas y la defusificación de las salidas se realizan respectivamente mediante las capas lingüísticas de entrada y lingüística de salida, mientras que la inferencia difusa se realiza colectivamente mediante las capas de regla, condición y consecuencia.
El proceso de aprendizaje de POPFNN consta de tres fases:
- Fuzzy membership generation
- Identificación por regla borrosa
- Supervisado ajuste fino
Se pueden utilizar varios algoritmos de generación de membresía difusa: cuantificación de vectores de aprendizaje (LVQ), partición de Kohonen difusa (FKP) o agrupación incremental discreta (DIC). Generalmente, se utiliza el algoritmo POP y su variante LazyPOP para identificar las reglas difusas.