Neuro-borroso

Diagrama de un sistema neuro-borroso que implementa un controlador sencillo Sugeno-Takagi.^[1]​

En el campo de inteligencia artificial, neuro-borroso (neuro-difuso, o neuro-fuzzy) se refiere a combinaciones de redes neuronales artificiales y lógica difusa.

Visión general

La hibridación neuro-borrosa resulta en un sistema inteligente híbrido que combina de forma sinérgica el estilo de razonamiento tipo-humano de los sistemas difusos (o borrosos) con la estructura de aprendizaje y conexionista de las redes neuronales. En la literatura, la hibridación neuro-borrosa es ampliamente denominada como red neuronal borrosa (FNN por sus siglas en inglés) o sistema neuro-borroso (NFS). Un sistemas neuro-borroso (de aquí en adelante se utiliza el término más popular) incorpora el estilo de razonamiento tipo-humano de sistemas borrosos a través del uso de conjuntos difusos y un modelo lingüístico que consta de un conjunto de reglas difusas SI-ENTONCES (IF-THEN). La principal fortaleza de los sistemas neuro-borrosos es que son aproximadores universales con la capacidad de solicitar reglas SI-ENTONCES interpretables.

La fortaleza de los sistemas neuro-borrosos involucra dos requerimientos contradictorios en modelación difusa: interpretabilidad versus exactitud. En la práctica, una de las dos propiedades prevalece. Lo neuro-borroso en el campo de investigación de modelación difusa está dividido en dos áreas: modelación difusa lingüística que está centrado en interpretabilidad, principalmente el modelo Mamdani; y modelación difusa precisa que está centrado en exactitud, principalmente el modelo Takagi-Sugeno-Kang (TSK).

Aunque generalmente es asumido que es la realización de un sistema borroso a través de redes conexionistas, este término también es utilizado para describir algunas otras configuraciones que incluyen:

• Derivación de reglas difusas a partir de redes RBF entrenadas.
• Afinación de parámetros de entrenamiento de redes neuronales basado en lógica difusa.
• Criterios de lógica difusa para incrementar el tamaño de una red.
• Hacerse cargo de la función de afiliación borrosa a través de algoritmos de clustering en aprendizaje no supervisado en mapas auto-organizados (SOMs) y redes neuronales.
• Representación de fuzzificación, inferencia borrosa y defuzzificacion a través de redes conexionistas multi-capas de alimentación hacia adelante.

Debe ser señalado que la interpretabilidad de los sistemas neuro-borrosos tipo Mamdani puede perderse. Para mejorar la interpretabilidad de sistemas neuro-borrosos se deben tomar ciertas medidas, donde aspectos importantes de interpretabilidad de sistemas neuro-borrosos también son discutidos.^[2]​

Una línea de investigación reciente maneja el caso de minería de flujo de datos, donde los sistemas neuro-borrosos son actualizados secuencialmente con nuevas muestras entrantes a demanda y sobre la marcha. De este modo, las actualizaciones del sistema no solamente incluyen una adaptación recursiva de parámetros del modelo, sino también una evolución dinámica y la poda sináptica de componentes del modelo (neuronas, reglas), con el fin de manejar el concepto a la deriva y el cambio dinámico del comportamiento del sistema de forma adecuada, y para mantener los modelos/sistemas "actualizados" en cualquier momento. Estudios completos de varios sistemas neuro-borrosos evolucionando se pueden encontrar en^[3]​ y.^[4]​

Producto pseudo externo basado en redes neuronales borrosas

Los productos pseudo externos basados en redes neuronales borrosas (POPFNN, por sus siglas en inglés) son una familia de sistemas neuro-borrosos que están basados en el modelo borroso lingüístico.^[5]​

Existen tres miembros de POPFNN en la literatura:

• POPFNN-AARS(S), los cuales están basados en el Esquema de Razonamiento Analógico Aproximado.^[6]​
• POPFNN-CRI(S), los cuales están basados en Reglas de Inferencia Composicionales difusas generalmente aceptadas.^[7]​
• POPFNN-TVR, los cuales están basados en Restricción de Valor de Verdad.

La arquitectura "POPFNN" es una red neuronal de cinco capas red neuronal donde las capas de la 1 a la 5 son llamadas: capa de entrada lingüística, capa de condición, capa de regla, capa consecuente, capa de salida lingüística. La fuzzificación de las entradas y la defuzzificación de las salidas son realizadas respectivamente por las capas de entrada lingüística y salida lingüística mientras la inferencia borrosa es realizada en conjunto por las capas de regla, condición y consecuencia.

El proceso de aprendizaje de POPFNN consta de tres fases:

1. Generación de afiliación difusa o borrosa.
2. Identificación de reglas difusa o borrosas.
3. Ajuste fino supervisado.

Varios algoritmos de generación de afiliación borrosos se pueden utilizar: Cuantización de Vector de Aprendizaje (LVQ), Particionamiento Borroso Kohonen (FKP) o Clusterización Incremental Discreta (DIC). Generalmente, el algoritmo POP y su variante LazyPOP suelen utilizarse para identificar las reglas borrosas.

Notas

1. Jang, Sun, Mizutani (1997) - Neuro-Fuzzy and Soft Computing - Prentice Hall, p. 335-368, ISBN 0-13-261066-3
2. Y. Jin (2000). Fuzzy modeling of high-dimensional systems: Complexity reduction and interpretability improvement. IEEE Transactions on Fuzzy Systems, 8(2), 212-221, 2000
3. E. Lughofer (2011). Evolving Fuzzy Systems: Methodologies, Advanced Concepts and Applications. Springer Heidelberg
4. N. Kasabov (2007). Evolving Connectionist Systems: The Knowledge Engineering Approach - Second Edition. Springer, London
5. Zhou, R. W., & Quek, C. (1996). "POPFNN: A Pseudo Outer-product Based Fuzzy Neural Network". Neural Networks, 9(9), 1569-1581.
6. Quek, C., & Zhou, R. W. (1999). "POPFNN-AAR(S): a pseudo outer-product based fuzzy neural network." IEEE Transactions on Systems, Man and Cybernetics, Part B, 29(6), 859-870.
7. Ang, K. K., Quek, C., & Pasquier, M. (2003). "POPFNN-CRI(S): pseudo outer product based fuzzy neural network using the compositional rule of inference and singleton fuzzifier." IEEE Transactions on Systems, Man and Cybernetics, Part B, 33(6), 838-849.

Referencias

• Abraham Un., "Adaptation of Fuzzy Inference System Using Neural Learning, Fuzzy System Engineering: Theory and Practice", Nadia Nedjah et al. (Eds.), Studies in Fuzziness and Soft Computing, Springer Verlag Germany, ISBN 3-540-25322-X, Chapter 3, pp. 53–83, 2005. information on publisher's site.
• Ang, K. K., & Quek, C. (2005). "RSPOP: Rough Set-Based Pseudo Outer-Product Fuzzy Rule Identification Algorithm". Neural Computation, 17(1), 205-243.
• Kosko, Bart (1992). Neural Networks and Fuzzy Systems: A Dynamical Systems Approach to Machine Intelligence. Englewood Cliffs, NJ: Prentice Hall. ISBN 0-13-611435-0.
• Lin, C.-T., & Lee, C. S. G. (1996). Neural Fuzzy Systems: A Neuro-Fuzzy Synergism to Intelligent Systems. Upper Saddle River, NJ: Prentice Hal.
• Un. Bastian, J. Gasós (1996): "Selection of input variables for model identification of static nonlinear systems", Journal of Intelligent and Robotic Systems, Vol. 16, pp. 185–207.
• Quek, C., & Zhou, R. W. (2001). "The POP learning algorithms: reducing work in identifying fuzzy rules." Neural Networks, 14(10), 1431-1445.

Enlaces externos

• A Definition of Interpretability of Fuzzy Systems