Neuro-difuso

Es posible que sea necesario reescribir este artículo para cumplir con los estándares de calidad de Wikipedia . Puedes ayudar. La página de discusión puede contener sugerencias. ( Mayo de 2010 )

En el campo de la inteligencia artificial , la denominación neuro-difusa se refiere a combinaciones de redes neuronales artificiales y lógica difusa .

La hibridación neuro-difusa da como resultado un sistema inteligente híbrido que combina el estilo de razonamiento similar al humano de los sistemas difusos con la estructura de aprendizaje y conexión de las redes neuronales. La hibridación neuro-difusa se denomina ampliamente red neuronal difusa (FNN) o sistema neuro-difuso (NFS) en la literatura. El sistema neuro-difuso (el término más popular que se utiliza a partir de ahora) incorpora el estilo de razonamiento similar al 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 fortaleza de los sistemas neuro-difusos es que son aproximadores universales con la capacidad de solicitar reglas IF-THEN interpretables.

La fortaleza de los sistemas neurodifusos implica dos requisitos contradictorios en el modelado difuso: interpretabilidad versus precisión. En la práctica, prevalece una de las dos propiedades. El campo de investigación del neurodifuso en el modelado difuso se divide en dos áreas: el modelado difuso lingüístico que se centra en la interpretabilidad, principalmente el modelo Mamdani; y el 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 utiliza para describir algunas otras configuraciones, entre ellas:

• Derivación de reglas difusas a partir de redes RBF entrenadas .
• Ajuste de parámetros de entrenamiento de redes neuronales basado en lógica difusa .
• Criterios de lógica difusa para aumentar el tamaño de una red.
• Realización de funciones de pertenencia difusa a través de algoritmos de agrupamiento en el aprendizaje no supervisado en SOM y redes neuronales .
• Representación de fuzzificación , inferencia difusa y defuzzificación a través de redes conexionistas de propagación hacia adelante de múltiples capas .

Cabe señalar que la interpretabilidad de los sistemas neurodifusos de tipo Mamdani puede perderse. Para mejorar la interpretabilidad de los sistemas neurodifusos, se deben tomar ciertas medidas, en las que también se analizan aspectos importantes de la interpretabilidad de los sistemas neurodifusos. ^[2]

Una línea de investigación reciente aborda el caso de la minería de flujo de datos , donde los sistemas neurodifusos se actualizan secuencialmente con nuevas muestras entrantes según demanda y sobre la marcha. De este modo, las actualizaciones del sistema no solo incluyen una adaptación recursiva de los parámetros del modelo, sino también una evolución dinámica y la poda de los componentes del modelo (neuronas, reglas), con el fin de manejar adecuadamente la deriva de conceptos y el comportamiento del sistema que cambia dinámicamente y mantener los sistemas/modelos "actualizados" en todo momento. Se pueden encontrar estudios exhaustivos de varios enfoques de sistemas neurodifusos en evolución en ^{[3] y [4]} .

Las redes neuronales difusas basadas en productos pseudoexternos ( POPFNN ) son una familia de sistemas neurodifusos que se basan en el modelo difuso lingüístico. ^[5]

Existen tres miembros de POPFNN en la literatura:

• POPFNN-AARS(S) , que se basa en el esquema de razonamiento analógico aproximado ^[6]
• POPFNN-CRI(S) , que se basa en la regla de inferencia compositiva difusa comúnmente aceptada ^[7]
• POPFNN-TVR , que se basa en la restricción del valor de verdad

La arquitectura "POPFNN" es una red neuronal de cinco capas , donde las capas 1 a 5 se denominan: capa lingüística de entrada, capa de condición, capa de regla, capa de consecuencia, capa lingüística de salida. La fuzzificación de las entradas y la defuzzificación de las salidas se realizan respectivamente por las capas lingüísticas de entrada y de salida, mientras que la inferencia difusa se realiza colectivamente por las capas de regla, condición y consecuencia.

El proceso de aprendizaje de POPFNN consta de tres fases:

1. Generación de membresía difusa
2. Identificación de reglas difusas
3. Ajuste fino supervisado

Se pueden utilizar varios algoritmos de generación de membresía difusa : Learning Vector Quantization (LVQ), Fuzzy Kohonen Partitioning (FKP) o Discrete Incremental Clustering (DIC). Generalmente, se utilizan el algoritmo POP y su variante LazyPOP para identificar las reglas difusas.

• Abraham A., "Adaptación de un sistema de inferencia difusa mediante aprendizaje neuronal, Ingeniería de sistemas difusos: teoría y práctica", Nadia Nedjah et al. (Eds.), Estudios sobre borrosidad y computación blanda , Springer Verlag Alemania, ISBN 3-540-25322-X , Capítulo 3, págs. 53–83, 2005. información en el sitio del editor. 
• Ang, KK y Quek, C. (2005). "RSPOP: Algoritmo de identificación de reglas difusas de pseudoproducto externo basado en conjuntos aproximados". Neural Computation , 17(1), 205-243.
• Kosko, Bart (1992). Redes neuronales y sistemas difusos: un enfoque de sistemas dinámicos para la inteligencia de las máquinas . Englewood Cliffs, NJ: Prentice Hall. ISBN 0-13-611435-0 . 
• Lin, C.-T., y Lee, CSG (1996). Sistemas difusos neuronales: un sinergismo neurodifuso para sistemas inteligentes . Upper Saddle River, NJ: Prentice Hall.
• A. Bastian, J. Gasós (1996): "Selección de variables de entrada para la identificación de modelos de sistemas estáticos no lineales", Journal of Intelligent and Robotic Systems, Vol. 16, pp. 185–207.
• Quek, C., y Zhou, RW (2001). "Los algoritmos de aprendizaje POP: reducción del trabajo en la identificación de reglas difusas". Neural Networks , 14(10), 1431-1445.

• Una definición de interpretabilidad de los sistemas difusos