Upload
others
View
7
Download
0
Embed Size (px)
Citation preview
Diseño de Sistemas Difusos para Modelado y Clasificación.
Aplicaciones
Oscar CordónGrupo de Soft Computing y Sistemas de Información Inteligentes
Dpto. Ciencias de la Computación e Inteligencia ArtificialUniversidad de Granada
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
1
Índice
Identificación de Sistemas mediante Lógica Difusa
1. Proceso de Modelado Difuso
2. Sistemas Basados en Reglas Difusas
3. Diseño de Sistemas Basados en Reglas Difusas
4. Aprendizaje Automático de Bases de Conocimiento
5. Ejemplos de Aplicación
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
2
Identificación de Sistemasmediante Lógica Difusa
Modelo: esquema teórico de un sistema que se elabora para facilitar sucomprensión y el estudio de su comportamiento
Los modelos son útiles para realizar simulaciones, analizar un sistema,comprender sus mecanismos subyacentes, diseñar nuevos procesos ocontrolar automáticamente sistemas
Todo modelo debe cumplir dos requisitos básicos:Precisión: Representar con fidelidad la realidad que se está modelandoComprensibilidad: Describir el sistema de forma legible
Requisitos contradictorios: un modelo demasiado simple no puederepresentar adecuadamente las características relevantes del sistema
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
3
Identificación de Sistemasmediante Lógica Difusa (2)
El modelado se puede realizar con Sistemas Basados en Reglas Difusas(SBRDs), que contienen reglas del tipo:
0,5
m M
N A EABEB MAMB
Existen distintas clases de modelado con SBRDs:Modelado Difuso Lingüístico: Atiende al poder descriptivo de los SBRDsModelado Difuso Preciso: Atiende al poder aproximativo de los SBRDs
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
4
1. Proceso de Modelado Difuso
Datos Proceso deModelado
Modelo
-Modelado-Control-Clasificación
Sistema
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
5
1. Proceso de Modelado Difuso (2)
Datos APRENDIZAJESistema Basado en
Reglas Difusas(SBRD)
-Modelado-Control-Clasificación
Sistema
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
6
1. Proceso de Modelado Difuso (3)
APRENDIZAJESistema Basado en
Reglas Difusas(SBRD)
-Modelado-Control-Clasificación
Variables redundanteso irrelevantes
Datosvariable 1variable 2variable 3
...variable k
PREPROCESAMIENTO:Selección de características
y obtención de datos
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
7
1. Proceso de Modelado Difuso (4)
APRENDIZAJESistema Basado en
Reglas Difusas(SBRD)
-Modelado-Control-Clasificación
Variables redundanteso irrelevantes
PREPROCESAMIENTO:Selección de características
y obtención de datos
Datosvariable 1variable 2variable 3
...variable k
Mejorar la precisión yla interpretabilidad
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
8
1. Proceso de Modelado Difuso (5)
APRENDIZAJESistema Basado en
Reglas Difusas(SBRD)
-Modelado-Control-Clasificación
Variables redundanteso irrelevantes
Datosvariable 1variable 2variable 3
...variable k
Mejorar la precisión yla interpretabilidad
PROCESOS DE MEJORA DE LA
PRECISIÓNPREPROCESAMIENTO:
Selección de característicasy obtención de datos
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
9
2. Sistemas Basados en Reglas Difusas:Tipos de reglas difusas
Existen distintos tipos de reglas difusas en función de:
La estructura del consecuente de la regla: etiqueta lingüís-tica/conjunto difuso vs. función polinómica de las entradas.
La forma de asociar los conjuntos difusos a las reglas:particiones difusas basadas en rejilla vs. semántica libre.
La aplicación a la que están destinadas: control/modelado vs.clasificación
El tipo de regla empleado condiciona las características deinterpretabilidad y precisión del modelo difuso
1. Proceso de Modelado Difuso
2. SBRDs
2.1. Tipos de reglas difusas
2.2. Estructura de un SBRD
3. Diseño de SBRDs
4. Aprendizaje Automático de BCs
5. Ejemplos de Aplicación
CONTENIDOS
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
10
2. Sistemas Basados en Reglas Difusas:Tipos de reglas difusas para control/modelado
1. REGLA DIFUSA DE TIPO MANDANI
Emplea conjuntos difusos en el antecedente y en el consecuente:
SI X1 es A1 y ... y Xn es An ENTONCES Y es B
Lo más habitual es que los Ai y B sean etiquetas lingüísticas, conun conjunto difuso asociado. Por ejemplo:
0,5
m M
N A EABEB MAMB
1. Proceso de Modelado Difuso
2. SBRDs
2.1. Tipos de reglas difusas
2.2. Estructura de un SBRD
3. Diseño de SBRDs
4. Aprendizaje Automático de BCs
5. Ejemplos de Aplicación
CONTENIDOS
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
11
2. Sistemas Basados en Reglas Difusas:Tipos de reglas difusas para control/modelado
1. REGLA DIFUSA DE TIPO MANDANI (2)
En ese caso, se dice que las particiones difusas estánbasadas en rejilla ya que, al tener cada variable lingüísticaasociada una partición difusa como la anterior, el espaciode entrada se divide en hipercubos:
Partición difusa de la variable de entrada 1
Parti
ción
difu
sa d
e la
var
iabl
e de
ent
rada
2 Es la estructura de regla másinterpretable ya que:
el consecuente es unaetiqueta lingüísticaCada etiqueta tiene asociadoun conjunto difuso de formaunívoca (el conjunto dereglas más comprensible)
1. Proceso de Modelado Difuso
2. SBRDs
2.1. Tipos de reglas difusas
2.2. Estructura de un SBRD
3. Diseño de SBRDs
4. Aprendizaje Automático de BCs
5. Ejemplos de Aplicación
CONTENIDOS
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
12
2. Sistemas Basados en Reglas Difusas:Tipos de reglas difusas para control/modelado
1. REGLA DIFUSA DE TIPO MANDANI (3)
Otra variante consiste en que los Ai y B sean directamenteconjuntos difusos sin una interpretabilidad lingüística
En ese caso, se dice que las reglas tienen una semánticalibre
La interpretabilidad del conjunto de reglas es mucho menor,al no existir una semántica global, pero la capacidad deaproximación del sistema es mucho mayor, al tener másgrados de libertad
1. Proceso de Modelado Difuso
2. SBRDs
2.1. Tipos de reglas difusas
2.2. Estructura de un SBRD
3. Diseño de SBRDs
4. Aprendizaje Automático de BCs
5. Ejemplos de Aplicación
CONTENIDOS
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
13
2. Sistemas Basados en Reglas Difusas:Tipos de reglas difusas para control/modelado
2. REGLA DIFUSA DE TIPO TSK
Emplea conjuntos difusos en el antecedente y una funciónpolinómica en el consecuente:
SI X1 es A1 y ... y Xn es An ENTONCES Y=w0+w1·X1+...+w1·Xn
La interpretabilidad se reduce significativamente, peroaumenta la capacidad de aproximación
Existe una variante basada en un único valor en elantecedente: SI X1 es A1 y ... y Xn es An ENTONCES Y=w0,con la misma interpretabilidad que las de Mamdani.
Las particiones del antecedente pueden ser de rejilla olibres (con la pérdida adicional de interpretabilidad)
1. Proceso de Modelado Difuso
2. SBRDs
2.1. Tipos de reglas difusas
2.2. Estructura de un SBRD
3. Diseño de SBRDs
4. Aprendizaje Automático de BCs
5. Ejemplos de Aplicación
CONTENIDOS
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
14
2. Sistemas Basados en Reglas Difusas:Tipos de reglas difusas para clasificación
El antecedente de las reglas difusas para clasificación es elmismo que en las anteriores, pero el consecuente pasa aser una clase:
SI X1 es A1 y ... y Xn es An ENTONCES Y es C
donde:Los Ai son etiquetas lingüísticas o conjuntos difusosdependiendo de que la partición difusa sea de rejilla o libre.C es una de las clases del problema: C ∈ {C1, ..., CM}
1. Proceso de Modelado Difuso
2. SBRDs
2.1. Tipos de reglas difusas
2.2. Estructura de un SBRD
3. Diseño de SBRDs
4. Aprendizaje Automático de BCs
5. Ejemplos de Aplicación
CONTENIDOS
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
15
2. Sistemas Basados en Reglas Difusas:Tipos de reglas difusas para clasificación (2)
Además del modelo básico anterior, existen dos variantesmás basadas en el uso de grados de certeza:
Reglas con un grado de certeza en el consecuente:
SI X1 es A1 y ... y Xn es An ENTONCES Y es C con r
donde r es un valor numérico que expresa la confianza de queun patrón situado en el subespacio difuso de entrada de laregla sea realmente de clase C.
Reglas con un grado de certeza por clase en el consecuente:
SI X1 es A1 y ... y Xn es An ENTONCES Y es {r1, ..., rM}
Estas últimas son una extensión de las anteriores
1. Proceso de Modelado Difuso
2. SBRDs
2.1. Tipos de reglas difusas
2.2. Estructura de un SBRD
3. Diseño de SBRDs
4. Aprendizaje Automático de BCs
5. Ejemplos de Aplicación
CONTENIDOS
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
16
2. Sistemas Basados en Reglas Difusas:Reglas DNF
Siempre que se use una partición de rejilla (ya sea enmodelado o en clasificación), es posible emplear laestructura de regla de forma normal disyuntiva (DNF)
En ella, una variable antecedente puede tomar como valoruna disyunción de términos lingüísticos de su dominio.
Permiten seleccionar variables a nivel de regla: si unavariable toma todos los valores de su dominio, pasa a serconsiderada irrelevante como premisa de la regla.
Además, permiten realizar agrupamientos de valores quehacen a las reglas más intepertables.
Por estas razones, se suelen emplear para clasificación
1. Proceso de Modelado Difuso
2. SBRDs
2.1. Tipos de reglas difusas
2.2. Estructura de un SBRD
3. Diseño de SBRDs
4. Aprendizaje Automático de BCs
5. Ejemplos de Aplicación
CONTENIDOS
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
17
2. Sistemas Basados en Reglas Difusas:Reglas DNF (2): Ejemplo
IFFemur_length is (medium or big-medium or big) andHead_diameter is (medium or big) andFoetus_sex is (male or female or unknown)
THENFoetus_weight is normal
Femur_length ={small,small-medium, medium,big-medium,big}
Head_diameter ={small,medium,big}Foetus_sex ={male,female,unknown}Foetus_weight = {low, normal, high}
1. Proceso de Modelado Difuso
2. SBRDs
2.1. Tipos de reglas difusas
2.2. Estructura de un SBRD
3. Diseño de SBRDs
4. Aprendizaje Automático de BCs
5. Ejemplos de Aplicación
CONTENIDOS
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
18
2. Sistemas Basados en Reglas Difusas:Reglas DNF (3): Selección de Variables
IFFemur_length is (medium or big-medium or big) andHead_diameter is (medium or big) andFoetus_sex is (male or female or unknown)
THENFoetus_weight is normal
Femur_length ={small,small-medium, medium,big-medium,big}
Head_diameter ={small,medium,big}Foetus_sex ={male,female,unknown}Foetus_weight = {low, normal, high}
REGLA DNF
Dominios de las variables
1. Proceso de Modelado Difuso
2. SBRDs
2.1. Tipos de reglas difusas
2.2. Estructura de un SBRD
3. Diseño de SBRDs
4. Aprendizaje Automático de BCs
5. Ejemplos de Aplicación
CONTENIDOS
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
19
2. Sistemas Basados en Reglas Difusas:Reglas DNF (3): Agrupamiento de valores
REGLAS DNF
IFFemur_length is (medium or big-medium or big) andHead_diameter is (medium or big) and
THENFoetus_weight is normal
IFFemur_length is (medium or big-medium or big) andHead_diameter is not small
THENFoetus_weight is normal
1. Proceso de Modelado Difuso
2. SBRDs
2.1. Tipos de reglas difusas
2.2. Estructura de un SBRD
3. Diseño de SBRDs
4. Aprendizaje Automático de BCs
5. Ejemplos de Aplicación
CONTENIDOS
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
20
2. Sistemas Basados en Reglas Difusas:Estructura de un Modelo Difuso
La Base de Conocimiento (BC) representa el conocimiento disponiblesobre el problema en forma de reglas lingüísticas. Se compone de:
La Base de Reglas (BR), que contiene el conjunto de reglasLa Base de Datos (BD), que almacena las funciones de escala, los conjuntos detérminos lingüísticos y las funciones de pertenencia que definen su semántica
En caso de trabajar con semántica libre, no existe BD. La BC pasa a serúnicamente una Base de Reglas Difusas, en la que cada regla incluye supropia semántica.
La estructura genérica de un SBRD para modelado/control es:
Base de Reglas Difusas
1. Proceso de Modelado Difuso
2. SBRDs
2.1. Tipos de reglas difusas
2.2. Estructura de un SBRD
3. Diseño de SBRDs
4. Aprendizaje Automático de BCs
5. Ejemplos de Aplicación
CONTENIDOS
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
21
2. Sistemas Basados en Reglas Difusas:Estructura de un Modelo Difuso (2)
El Sistema de Inferencia obtiene la salida del SBRD al recibir unaentrada. Para ello, aplica la Regla Composicional de Inferencia
μB’i (y) = I (hi , μBi (y))
sobre cada regla de la base:
Ri: SI Xi1 es Ai1 y ... y Xin es Ain ENTONCES Y es Bi
donde:x0 = (x1, ..., xn) es la entrada al sistemahi = μAi (x0) = T (μAi1 (x1), μAi2 (x2), ... μAin (xn)) es el grado de empa-rejamiento del antecedente de la regla con las entradas al sistemaT es el operador de conjunción (habitualmente, el mínimo o elproducto) e I es un operador de implicación difuso (hab., el mínimo)
1. Proceso de Modelado Difuso
2. SBRDs
2.1. Tipos de reglas difusas
2.2. Estructura de un SBRD
3. Diseño de SBRDs
4. Aprendizaje Automático de BCs
5. Ejemplos de Aplicación
CONTENIDOS
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
22
2. Sistemas Basados en Reglas Difusas:Estructura de un Modelo Difuso (3)
El Interfaz de Defuzzificación agrega las salidas difusasparciales Bi’ obtenidas de aplicar la inferencia sobre cadaregla y las transforma en una salida real
Existen dos modos de trabajo:
Modo A-FATI (Agregar Primero, Defuzzificar Después):En primer lugar, se agregan las salidas parciales {B1’ , ..., BL’}mediante un operador difuso de agregación (habitualmente, elmáximo o el mínimo):
μB’ (y) = G (μB’1 (y), ..., μB’L (y))
Después, el conjunto difuso se transforma en un valor realmediante un método de defuzzificación (habitualmente, el centrode gravedad (CG) o la media de los máximos (MOM)):
y0 = D (μB’ (y))
1. Proceso de Modelado Difuso
2. SBRDs
2.1. Tipos de reglas difusas
2.2. Estructura de un SBRD
3. Diseño de SBRDs
4. Aprendizaje Automático de BCs
5. Ejemplos de Aplicación
CONTENIDOS
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
23
2. Sistemas Basados en Reglas Difusas:Estructura de un Modelo Difuso (4)
Modo B-FITA (Defuzzificar Primero, Agregar Después):
En primer lugar, se transforman los conjuntos difusos de salida{B1’ , ..., BL’} en valores reales mediante un defuzzificador:
yi = D (μB’i (y))
Después, los valores numéricos parciales se agregan mediante unoperador de agregación numérico (una media, una mediaponderada o la selección de un valor concreto):
y0 = A (y1, ..., yM)
El operador más empleado es el CG o MOM ponderado porel grado de emparejamiento:
∑
∑ ⋅
ii
iii
0 h
CGh=y
∑
∑ ⋅
ii
iii
0 h
MOMh=y
1. Proceso de Modelado Difuso
2. SBRDs
2.1. Tipos de reglas difusas
2.2. Estructura de un SBRD
3. Diseño de SBRDs
4. Aprendizaje Automático de BCs
5. Ejemplos de Aplicación
CONTENIDOS
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
24
2. Sistemas Basados en Reglas Difusas:Estructura de un SBRD para Clasificación
La principal diferencia entre un SBRD para modelado/control yun Sistema de Clasificación Basado en Reglas Difusas (SCBRD)es la ausencia del Interfaz de Defuzzificación:
Este elemento deja de tener sentido, puesto que las salidas quedevuelve el Sistema de Inferencia ya no son conjuntos difusossino directamente clases
Naturalmente, la estructura de este Sistema también cambiará
Base de Conocimiento
Base de Datos Base de Reglas
Sistema deInferencia
Interfaz deFuzzificación
entrada realx
salida claseC
1. Proceso de Modelado Difuso
2. SBRDs
2.1. Tipos de reglas difusas
2.2. Estructura de un SBRD
3. Diseño de SBRDs
4. Aprendizaje Automático de BCs
5. Ejemplos de Aplicación
CONTENIDOS
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
25
2. Sistemas Basados en Reglas Difusas:Esquema Genérico de Razonamiento Difuso para Clasificación
Dados un ejemplo e=(e1, ..., en) y una BR {R1, ..., RL}={RC1, ..., RCM}:
1. Se calcula el grado de emparejamiento entre el ejemplo y losantecedentes de las reglas Ri:
hi = T (μAi1 (e1), μAi2 (e2), ... μAin (en)) ; i = 1, ..., L
2. Se calcula el grado de asociación entre el ejemplo y cada una de lasclases Cj, j=1, ..., M:
bji = o (hi,ri) ; j = 1, ..., M ; i = 1, ..., L
3. Se aplica una función de ponderación sobre los grados de asociación(potenciando los altos y penalizando los bajos):
Bji = g (bji) ; j = 1, ..., M ; i = 1, ..., L
4. Se calcula el grado de clasificación para cada clase, agregandogrados de asociación ponderados:
(a1, ..., asj) = (Bji >0), i = 1, ..., |RCj| ; j = 1, ..., M ; Yj = f (a1, ..., asj)
5. Se calcula el grado de clasificación para cada clase, agregandogrados de asociación ponderados:
Cl = clase l / Yl = max {Yj, j = 1, ..., M}
1. Proceso de Modelado Difuso
2. SBRDs
2.1. Tipos de reglas difusas
2.2. Estructura de un SBRD
3. Diseño de SBRDs
4. Aprendizaje Automático de BCs
5. Ejemplos de Aplicación
CONTENIDOS
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
26
2. Sistemas Basados en Reglas Difusas:Método clásico de la regla ganadora
Normalmente, el grado de emparejamiento se calcula con el Mínimoy el grado de asociación con el producto
En el método clásico, la clasificación se hace con una única regla, lade mayor grado de asociación con el ejemplo:
Esto se debe a que la función f usada para calcular el grado declasificación en el paso 4 es el máximo:
Yj = max (Bji, i = 1, ..., |RCj| y Bji >0) ; j = 1, ..., M
Ejemplo Clase
R1
R2
...
Rk
...
RL
1. Proceso de Modelado Difuso
2. SBRDs
2.1. Tipos de reglas difusas
2.2. Estructura de un SBRD
3. Diseño de SBRDs
4. Aprendizaje Automático de BCs
5. Ejemplos de Aplicación
CONTENIDOS
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
27
2. Sistemas Basados en Reglas Difusas:Métodos basados en múltiples reglas
El comportamiento anterior no tiene mucho sentido, ya quedesperdicia las capacidad de interpolación de los SBRDs alemplear la información de una única regla de la BR
El esquema genérico de razonamiento permite combinarvarias reglas para decidir la salida final del sistema:
Ejemplo Clase
R1
R2
...
Rk
...
RL
1. Proceso de Modelado Difuso
2. SBRDs
2.1. Tipos de reglas difusas
2.2. Estructura de un SBRD
3. Diseño de SBRDs
4. Aprendizaje Automático de BCs
5. Ejemplos de Aplicación
CONTENIDOS
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
28
2. Sistemas Basados en Reglas Difusas:Ejemplo de métodos de razonamiento con varias reglas
Para implementar la combinación de los resultados de variasreglas compatibles con el ejemplo, se ha de emplear otrafunción f para calcular el grado de clasificación en el paso 4:
Entre otras muchas, dos posibilidades son:
Método de razonamiento del voto máximo (suma normalizada):
Media aritmética de los grados de asociación ponderados:
∑=∑
==
==
c
M1,...,cmaxmax
j
j
s
1mm1
1
s
1mm
s11 amaxf ; f
a)a ..., ,(af
a
)a ..., ,(afj
j
js
s
1mm
s12
∑= =
1. Proceso de Modelado Difuso
2. SBRDs
2.1. Tipos de reglas difusas
2.2. Estructura de un SBRD
3. Diseño de SBRDs
4. Aprendizaje Automático de BCs
5. Ejemplos de Aplicación
CONTENIDOS
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
29
3. Diseño de SBRDs
Un SBRD (ya sea un modelo, un controlador o un clasificadordifuso), está formado por dos componentes:
La Base de Conocimiento (BC), que almacena el conocimiento sobre elproblema en forma de reglas difusasEl Sistema de Inferencia, que aplica un método de razonamientodifuso sobre las entradas y las reglas de la BC y devuelve una salida.
Por tanto, para obtener un SBRD es necesario diseñar ambas:La BC se obtiene de conocimiento experto o aprendizaje automáticoEl Sistema de Inferencia se obtiene eligiendo los operadores difusospara cada componente (conjunción, implicación, defuzzificador, etc.)A veces, estos operadores incorporan parámetros que tambiénpueden ser estimados por métodos automáticos
OBJETIVOS DE DISEÑO: PRECISIÓN + INTERPRETABILIDAD
1. Proceso de Modelado Difuso
2. SBRDs
3. Diseño de SBRDs
3.1. Diseño de la BC de un SBRD
4. Aprendizaje Automático de BCs
5. Ejemplos de Aplicación
CONTENIDOS
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
30
3.1. Diseño de la BC de un SBRD
El diseño de la BC engloba dos problemas:
Aprendizaje de la BDUniversos de discurso de las variablesFactores o funciones de escalaNúmero de términos lingüísticos (etiquetas) por variableFunciones de pertenencia asociadas a las etiquetas
Derivación de la BR: composición de las reglas difusas
Existen dos formas de diseñar la BC:
A partir de información suministrada por expertos
A partir de métodos de aprendizaje automático en base a lainformación numérica existente
1. Proceso de Modelado Difuso
2. SBRDs
3. Diseño de SBRDs
3.1. Diseño de la BC de un SBRD
4. Aprendizaje Automático de BCs
5. Ejemplos de Aplicación
CONTENIDOS
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
31
3.1. Diseño de la BC de un SBRD (2)
entrada Interfaz deFuzzificación
Interfaz deDefuzzificación
Base deReglas
Base deDatos
Base de Conocimiento
Mecanismode Inferencia
Sistema Basado en Reglas Difusas
salida
1.Introducción
2. MétodosAd Hoc
3. AlgunosEjemplos
Índice
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
32
3.1. Diseño de la BC de un SBRD (3)
entrada Interfaz deFuzzificación
Interfaz deDefuzzificación
Base deReglas
Base deDatos
Base de Conocimiento
Mecanismode Inferencia
Sistema Basado en Reglas Difusas
salida
1.Introducción
2. MétodosAd Hoc
3. AlgunosEjemplos
ÍndiceR1: Si X1 es Alto y X2 es Bajo
entonces Y es MedioR2: Si X1 es Bajo y X2 es Medio
entonces Y es Alto...
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
33
3.1. Diseño de la BC de un SBRD (3)
entrada Interfaz deFuzzificación
Interfaz deDefuzzificación
Base deReglas
Base deDatos
Base de Conocimiento
Mecanismode Inferencia
Sistema Basado en Reglas Difusas
salida
1.Introducción
2. MétodosAd Hoc
3. AlgunosEjemplos
ÍndiceR1: Si X1 es Alto y X2 es Bajo
entonces Y es MedioR2: Si X1 es Bajo y X2 es Medio
entonces Y es Alto...
MedioAlto
X1Bajo Medio Alto
X2Bajo Medio Alto
Y
Bajo
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
34
4. Aprendizaje Automático de BCs
Independientemente del tipo de SBRD, existen distintastécnicas automáticas para el aprendizaje de su BC a partirde ejemplos
Las técnicas más comunes son:Métodos ad hoc ideados específicamente para el aprendizajeautomático de reglas difusas a partir de ejemplosAlgoritmos evolutivos: generalmente para aprendizaje/ajusteoff-line de reglas, semántica e inferenciaRedes neuronales: generalmente para ajuste off-line de lasemántica y diseño on-lineAgrupamiento (clustering): generalmente para aprendizajeoff-line de la semántica (particiones basadas en rejilla) o dereglas con semántica libre
1. Proceso de Modelado Difuso
2. SBRDs
3. Diseño de SBRDs
4. Aprendizaje Automático de BCs
4.1. Métodos Ad-hoc
4.2. Algoritmos Evolutivos
4.3. Redes Neuronales
4.4. Clustering
5. Ejemplos de Aplicación
CONTENIDOS
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
35
4. Aprendizaje Automático de BCs:Soft Computing
Computación Flexible (Soft Computing)
RedesNeuronalesLógica
Difusa
DiseñoSBRDs
Computación
Evolutiva
1. Proceso de Modelado Difuso
2. SBRDs
3. Diseño de SBRDs
4. Aprendizaje Automático de BCs
4.1. Métodos Ad-hoc
4.2. Algoritmos Evolutivos
4.3. Redes Neuronales
4.4. Clustering
5. Ejemplos de Aplicación
CONTENIDOS
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
36
Métodos Específicos de Envoltura de EjemplosSin técnicas de búsqueda u optimizaciónBasados en criterios de envoltura de los datos delconjunto de ejemplos
4.1. Métodos Ad hoc:Introducción
Sistema Aprendizajeautomático
Modelo Difuso
Conjuntode
ejemplos
Generalmente con mecanismos complejos como las Redes Neuronales, Algoritmos Genéticos o Técnicas de Clustering
1. Proceso de Modelado Difuso
2. SBRDs
3. Diseño de SBRDs
4. Aprendizaje Automático de BCs
4.1. Métodos Ad-hoc
4.2. Algoritmos Evolutivos
4.3. Redes Neuronales
4.4. Clustering
5. Ejemplos de Aplicación
CONTENIDOS
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
37
4.1. Métodos Ad hoc:Introducción
Ventajas:Fáciles de entender e implementarProceso de aprendizaje muy rápidoIdeales para integrarlos en procesos de aprendizaje máscomplejos (aproximación preliminar, soluciones inicialespara refinarlas, meta-aprendizaje, etc.)
Inconvenientes:Falta de precisión en algunos casosGrado de automatización más bajo (es necesario fijar apriori más parámetros del modelo)
1. Proceso de Modelado Difuso
2. SBRDs
3. Diseño de SBRDs
4. Aprendizaje Automático de BCs
4.1. Métodos Ad-hoc
4.2. Algoritmos Evolutivos
4.3. Redes Neuronales
4.4. Clustering
5. Ejemplos de Aplicación
CONTENIDOS
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
38
4.1. Métodos Ad hoc:Caracterización
1. Aprendizaje basado en un conjunto de ejemplos querepresenta el comportamiento del problema
2. Definición previa de la base de datos compuesta por lasparticiones difusas de las variables de entrada y salida
3. Aprendizaje de las reglas lingüísticas haciendo uso decriterios de envoltura de los datos del conjunto de ejemplos
4. Proceso de aprendizaje mediante algoritmos específicosdesarrollados para tal fin sin atender a ningún paradigma debúsqueda u optimización
P N G MGMP
0,5
d i
1. Proceso de Modelado Difuso
2. SBRDs
3. Diseño de SBRDs
4. Aprendizaje Automático de BCs
4.1. Métodos Ad-hoc
4.2. Algoritmos Evolutivos
4.3. Redes Neuronales
4.4. Clustering
5. Ejemplos de Aplicación
CONTENIDOS
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
39
4.1. Métodos Ad hoc:Caracterización (2)
Normalmente, se aplican sobre una partición difusa de rejilla
En el caso de modelado, existen métodos para generar:Reglas de Mamdani (consecuente=etiqueta lingüística): Wangy Mendel, Cordón y Herrera.Reglas TSK simplificadas (cons.=valor numérico): IshibuchiReglas TSK (cons.=función polinómica): Cordón y Herrera
Los métodos para clasificación son similares a los demodelado, sólo cambia la derivación del consecuente
Permiten generar reglas difusas de clasificación de los trestipos existentes: clase, clase+grado de certeza, grado decerteza para cada clase
Ejemplos: Wang y Mendel para clasificación (Chi y otros),Ishibuchi y otros
1. Proceso de Modelado Difuso
2. SBRDs
3. Diseño de SBRDs
4. Aprendizaje Automático de BCs
4.1. Métodos Ad-hoc
4.2. Algoritmos Evolutivos
4.3. Redes Neuronales
4.4. Clustering
5. Ejemplos de Aplicación
CONTENIDOS
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
40
4.1. Métodos Ad hoc:Taxonomía
Guiados por ejemplos
Guiados por rejilla difusa
Conjunto de Ejemplos
x 11 x 2
1, , y 1( )
x 12 x 2
2, , y 2( )
x 1N x 2
N, , y( )
...
N
X1 es A 11 ENTONCES Y es B1SIRC1
Conjunto de Reglas Candidatas
X es A 12 ENTONCES Y es B2SI
X1 es A 1N ENTONCES Y es BNSI
}Base de Reglas
...
2
N
R1
R2
...
1
2
eN
e =
e RC
RC
=
=
=
=
=
Selección
R3
X2 es A 21
X es A 22
X2 es A 2N
y
y
y
1 2
Base deReglas
Ss
A 1s
A2s
X1es A1
s ENTONCES Y esSIR s = BsX2es A2
sy
1. Proceso de Modelado Difuso
2. SBRDs
3. Diseño de SBRDs
4. Aprendizaje Automático de BCs
4.1. Métodos Ad-hoc
4.2. Algoritmos Evolutivos
4.3. Redes Neuronales
4.4. Clustering
5. Ejemplos de Aplicación
CONTENIDOS
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
41
4.1. Métodos Ad hoc:Wang y Mendel (guiado por ejemplos)
1. Considerar una partición difusa del espacio de las variables
2. Generar un conjunto de reglas lingüísticas candidatasSe busca la regla que mejor envuelve cada ejemplo del conjunto de datos. Así, la
estructura de la regla RCl se obtiene asignando a cada variable la etiqueta lingüísticaasociada al conjunto difuso que mejor se empareja con la componente
correspondiente del ejemplo el, es decir,
donde
3. Asignar un grado de importancia a cada reglaSe obtiene calculando el valor de envoltura de la regla sobre el ejemplo
correspondiente de la siguiente forma:
4. Obtener una Base de Reglas final a partir del conjunto de reglaslingüísticas candidatas
Para ello, se agrupan las reglas lingüísticas según sus antecedentes y seselecciona en cada grupo la regla con el mayor valor de envoltura
1. Proceso de Modelado Difuso
2. SBRDs
3. Diseño de SBRDs
4. Aprendizaje Automático de BCs
4.1. Métodos Ad-hoc
4.2. Algoritmos Evolutivos
4.3. Redes Neuronales
4.4. Clustering
5. Ejemplos de Aplicación
CONTENIDOS
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
42
e = (0.2 , 1.0 , 0.3)1
e = (0.4 , 0.8 , 1.0)2
e = (1.0 , 1.2 , 1.6)3
e = (1.2 , 0.6 , 1.4)4
e = (1.8 , 1.8 , 2.0)5
Conjunto de Ejemplos
(-0.65 , 0 , 0.65)1P = B
( 0.35 , 1 , 1.65)M= B2
( 1.35 , 2 , 2.65)G= B3
Base de DatosP M G
0 2
P M G
0 2B1
0 2
B3B2Y
X1
X2
4.1. Métodos Ad hoc:Wang y Mendel (2)
RC1: Si X1 es P y X2 es M ENTONCES Y es PP
No hayejemplos
No hayejemplos
No hayejemplos
No hayejemplos
No hayejemplos
No hayejemplos
P M G
P
M
G
X 1X2
RC2: Si X1 es P y X2 es M ENTONCES Y es M
RC3: Si X1 es M y X2 es M ENTONCES Y es G
RC4: Si X1 es M y X2 es M ENTONCES Y es M
RC5: Si X1 es G y X2 es G ENTONCES Y es G
373.0)e,RC(VE 11 =Π
267.0)e,RC(VE 22 =Π
479.0)e,RC(VE 55 =Π
267.0)e,RC(VE 33 =Π
102.0)e,RC(VE 44 =Π
G
R3
G
GR2
PR1
)}2.0(),2.0({)2.0( GMP μμ>μ
1. Proceso de Modelado Difuso
2. SBRDs
3. Diseño de SBRDs
4. Aprendizaje Automático de BCs
4.1. Métodos Ad-hoc
4.2. Algoritmos Evolutivos
4.3. Redes Neuronales
4.4. Clustering
5. Ejemplos de Aplicación
CONTENIDOS
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
43
4.1. Métodos Ad hoc:Wang y Mendel para Clasificación (Chi y otros)
El único cambio con respecto al de modelado, es elcálculo del consecuente
La regla generada a partir de cada ejemplo, tendrá laclase asociada a dicho ejemplo en el consecuente (Cj)
En caso de incorporar grado de certeza, se calculacomo Sj/S, donde:
Sj es el número de ejemplos de clase Cj situados en elsubespacio difuso de entrada en cuestiónS es el número total de ejemplos de dicho subespacio
1. Proceso de Modelado Difuso
2. SBRDs
3. Diseño de SBRDs
4. Aprendizaje Automático de BCs
4.1. Métodos Ad-hoc
4.2. Algoritmos Evolutivos
4.3. Redes Neuronales
4.4. Clustering
5. Ejemplos de Aplicación
CONTENIDOS
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
44
4.1. Métodos Ad hoc:Ishibuchi y otros (guiado por rejilla)
1. Considerar una partición difusa del espacio de las variables
2. Para cada subespacio de entrada difuso n-dimensional hacer:
2.a. Construir el conjunto de ejemplos positivos contenidos en el subespacio, es decir, aquellos ejemplos con un grado de pertenencia mayor que cero al conjunto de antecedentes que define el subespacio
2.b. Si existe al menos un ejemplo positivo, calcular la media de los valores de salida de los ejemplos existentes y asignarla como consecuente de la regla. Añadir la regla a la Base de Reglas
En otro caso, no generar ninguna regla en este subespacio
Método de Ishibuchi y otros: Reglas TSK simplificadas1. Proceso de
Modelado Difuso
2. SBRDs
3. Diseño de SBRDs
4. Aprendizaje Automático de BCs
4.1. Métodos Ad-hoc
4.2. Algoritmos Evolutivos
4.3. Redes Neuronales
4.4. Clustering
5. Ejemplos de Aplicación
CONTENIDOS
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
45
4.1. Métodos Ad hoc:Cordón y Herrera (guiado por rejilla)
1. Considerar una partición difusa del espacio de las variables
2. Para cada subespacio de entrada difuso n-dimensional hacer:
2.a. Construir el conjunto de ejemplos positivos contenidos en el subespacio, es decir, aquellos ejemplos con un grado de pertenencia mayor que cero al conjunto de antecedentes que define el subespacio
2.b. Si existe al menos un ejemplo positivo hacer:
2.b.i. Considerar aquellos consecuentes (términos lingüísticos de la variable de salida) que envuelven en un grado mayor que 0 a algún ejemplo positivo
2.b.ii. Calcular el valor de envoltura (VE) de las reglas construidas con estos consecuentes
2.b.iii. Añadir a la Base de Reglas aquella regla que presente el valor más alto de la función de valoración de la regla (FVR)
En otro caso, no generar ninguna regla en este subespacio
Método de Cordón y Herrera: Reglas de Mamdani
1. Proceso de Modelado Difuso
2. SBRDs
3. Diseño de SBRDs
4. Aprendizaje Automático de BCs
4.1. Métodos Ad-hoc
4.2. Algoritmos Evolutivos
4.3. Redes Neuronales
4.4. Clustering
5. Ejemplos de Aplicación
CONTENIDOS
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
46
4.1. Métodos Ad hoc:Cordón y Herrera (2)
Opciones de FVR:Grado de envoltura del ejemplo mejor envuelto
Grado medio de envoltura sobre el conjunto de ejemplos
Promedio de los dos grados de envoltura anteriores
)e,R(VEmax)R(FVR ssssl
s lskEe
sk1 ′∈
=
s
Eel
sk
sk2 E
)e,R(VE
)R(FVR ssl
ss
s ′=∑
′∈
)R(FVR)R(FVR)R(FVR sk2
sk1
sk3 sss ⋅=
⎟⎠⎞⎜
⎝⎛= )y(),x(,),x(Min)e,R(VE s
ssk
s
sn
s
s1
ssl
BlnA
l1Al
sk
μμμ K
1. Proceso de Modelado Difuso
2. SBRDs
3. Diseño de SBRDs
4. Aprendizaje Automático de BCs
4.1. Métodos Ad-hoc
4.2. Algoritmos Evolutivos
4.3. Redes Neuronales
4.4. Clustering
5. Ejemplos de Aplicación
CONTENIDOS
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
47
P
G
Y
M
0
2
P
M
G
P M G
X2
X1
e = (0.2 , 1.0 , 0.3)1
e = (0.4 , 0.8 , 1.0)2
e = (1.0 , 1.2 , 1.6)3
e = (1.2 , 0.6 , 1.4)4
e = (1.8 , 1.8 , 2.0)5
Conjunto de Ejemplos
(-0.65 , 0 , 0.65)1P = B
( 0.35 , 1 , 1.65)M= B2
( 1.35 , 2 , 2.65)G= B3
Base de DatosP M G
0 2
P M G
0 2B1
0 2
B3B2Y
X1
X2
4.1. Métodos Ad hoc:Cordón y Herrera (3)
e1
e4e2
e3
e5
282,0)R(FVR 3M2 =
154,0)R(FVR 3G2 =
P M G
P
M
G
X 1X2
R3
MR4
No hayejemplos
No hayejemplos
No hayejemplos
No hayejemplos
No hayejemplos M
P
G
R1
R2
1. Proceso de Modelado Difuso
2. SBRDs
3. Diseño de SBRDs
4. Aprendizaje Automático de BCs
4.1. Métodos Ad-hoc
4.2. Algoritmos Evolutivos
4.3. Redes Neuronales
4.4. Clustering
5. Ejemplos de Aplicación
CONTENIDOS
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
48
4.1. Métodos Ad hoc:Cordón y Herrera (guiado por rejilla)
1. Considerar una partición difusa del espacio de las variables
2. Para cada subespacio de entrada difuso n-dimensional hacer:
2.a. Construir el conjunto de ejemplos positivos contenidos en el subespacio, es decir, aquellos ejemplos con un grado de pertenencia mayor que cero al conjunto de antecedentes que define el subespacio
2.b. Si existe al menos un ejemplo positivo:
2.b.i. Considerar aquellos ejemplos positivos con mayor grado de pertenencia al antecedente de la regla
2.b.ii. Calcular un consecuente TSK para la regla mediante un método de optimización numérica (en nuestro caso, una EE-(μ,λ)), considerando únicamente esos ejemplos. Añadir la regla obtenida a la Base de Reglas
En otro caso, no generar ninguna regla en este subespacio
Método de Cordón y Herrera: Reglas TSK
1. Proceso de Modelado Difuso
2. SBRDs
3. Diseño de SBRDs
4. Aprendizaje Automático de BCs
4.1. Métodos Ad-hoc
4.2. Algoritmos Evolutivos
4.3. Redes Neuronales
4.4. Clustering
5. Ejemplos de Aplicación
CONTENIDOS
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
49
4.1. Métodos Ad hoc:Ishibuchi y otros (guiado por rejilla)
1. Considerar una partición difusa del espacio de las variables
2. Para cada subespacio de entrada difuso n-dimensional hacer:
2.a. Construir el conjunto de ejemplos positivos contenidos en el subespacio, es decir, aquellos ejemplos con un grado de pertenencia mayor que cero al conjunto de antecedentes que define el subespacio
2.b. Si existe al menos un ejemplo positivo:
2.b.i. Para cada clase del problema, {C1, ..., CM}, calcular la suma de los grados de pertenencia de los ejemplos de la clase existentes en el subespacio
2.b.ii. En caso de empate en la suma de los grados de pertenencia de dos o más clases, no generar la regla
2.b.iii. Si no hay empate, asociar al consecuente de la regla la clase Cj, aquella con mayor valor en la suma de los grados de pertenencia. Añadir la regla obtenida a la Base de Reglas
En otro caso, no generar ninguna regla en este subespacio
Método de Ishibuchi y otros: Reglas de clasificación
1. Proceso de Modelado Difuso
2. SBRDs
3. Diseño de SBRDs
4. Aprendizaje Automático de BCs
4.1. Métodos Ad-hoc
4.2. Algoritmos Evolutivos
4.3. Redes Neuronales
4.4. Clustering
5. Ejemplos de Aplicación
CONTENIDOS
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
50
Guiados por ejemplos: un ejemplo sólo participa en la generaciónde una regla lingüística
Guiados por rejilla difusa: un ejemplo puede participar en variasreglas; se genera igual o mayor número de reglas
4.1. Métodos Ad hoc:Relación entre los Dos EnfoquesGuiado por ejemplos
(Wang-Mendel)Guiado por rejilla difusa
(Cordón-Herrera)Partición difusa de la variable de entrada 1
Parti
ción
difu
sa d
e la
var
iabl
e de
ent
rada
2
1 regla
2 reglas
4 reglas
Partición difusa de la variable de entrada 1
Parti
ción
difu
sa d
e la
var
iabl
e de
ent
rada
21. Proceso de
Modelado Difuso
2. SBRDs
3. Diseño de SBRDs
4. Aprendizaje Automático de BCs
4.1. Métodos Ad-hoc
4.2. Algoritmos Evolutivos
4.3. Redes Neuronales
4.4. Clustering
5. Ejemplos de Aplicación
CONTENIDOS
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
51
4.2. Diseño Evolutivo de Sistemas Difusos
AlgoritmosEvolutivos
Funcionesde escalado
ReglasDifusas
Funciones depertenencia
Base de Conocimiento
Entradaescalada Fuzzificación
Motor deinferencia Defuzzificación
Salidaescalada
Procesamiento Difuso
Dis
eño E
volu
tivo
1. Proceso de Modelado Difuso
2. SBRDs
3. Diseño de SBRDs
4. Aprendizaje Automático de BCs
4.1. Métodos Ad-hoc
4.2. Algoritmos Evolutivos
4.3. Redes Neuronales
4.4. Clustering
5. Ejemplos de Aplicación
CONTENIDOS
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
52
Los Algoritmos Genéticos
son algoritmos deoptimización,búsqueda yaprendizajeinspirados en los procesos de
Evolución Natural y
Evolución Genética
4.2. Diseño Evolutivo de Sistemas Difusos:Algoritmos Genéticos
1. Proceso de Modelado Difuso
2. SBRDs
3. Diseño de SBRDs
4. Aprendizaje Automático de BCs
4.1. Métodos Ad-hoc
4.2. Algoritmos Evolutivos
4.3. Redes Neuronales
4.4. Clustering
5. Ejemplos de Aplicación
CONTENIDOS
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
53
Cruce(o recombinación)
t t + 1
mutación
reproducción
selección
4.2. Diseño Evolutivo de Sistemas Difusos:Algoritmos Genéticos (2)
1. Proceso de Modelado Difuso
2. SBRDs
3. Diseño de SBRDs
4. Aprendizaje Automático de BCs
4.1. Métodos Ad-hoc
4.2. Algoritmos Evolutivos
4.3. Redes Neuronales
4.4. Clustering
5. Ejemplos de Aplicación
CONTENIDOS
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
54
Cruce
Mutación
Selección
Reemplazamiento
PADRES
POBLACIÓN
DESCENDIENTES
4.2. Diseño Evolutivo de Sistemas Difusos:Algoritmos Genéticos (3)
1. Proceso de Modelado Difuso
2. SBRDs
3. Diseño de SBRDs
4. Aprendizaje Automático de BCs
4.1. Métodos Ad-hoc
4.2. Algoritmos Evolutivos
4.3. Redes Neuronales
4.4. Clustering
5. Ejemplos de Aplicación
CONTENIDOS
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
55
Algoritmo Genético BásicoInicio (1)
t = 0inicializar P(t)evaluar P(t)
Mientras (no se cumpla la condición de parada) hacerInicio(2)
t = t + 1seleccionar P’(t) desde P(t-1)P’’(t) ← cruce P’(t)P(t) ← mutación P’(t)evaluar P(t)
Final(2)
Final(1)
4.2. Diseño Evolutivo de Sistemas Difusos:Algoritmos Genéticos (4)
1. Proceso de Modelado Difuso
2. SBRDs
3. Diseño de SBRDs
4. Aprendizaje Automático de BCs
4.1. Métodos Ad-hoc
4.2. Algoritmos Evolutivos
4.3. Redes Neuronales
4.4. Clustering
5. Ejemplos de Aplicación
CONTENIDOS
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
56
4.2. Diseño Evolutivo de Sistemas Difusos:Tipos
Objetivo del proceso de aprendizaje de un SBRD
Encontrar una BC tal que el SBRD que la incluya resuelva unproblema dado.
¿Qué partes del SBRD se van a optimizar?
Procesos de aprendizaje: Diseño de algunos componentes de laBase de Conocimiento o de la Base de Conocimiento al completo.
Procesos de ajuste: Optimización de un SBRD existente.
1. Proceso de Modelado Difuso
2. SBRDs
3. Diseño de SBRDs
4. Aprendizaje Automático de BCs
4.1. Métodos Ad-hoc
4.2. Algoritmos Evolutivos
4.3. Redes Neuronales
4.4. Clustering
5. Ejemplos de Aplicación
CONTENIDOS
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
57
R1: Si X1 es Alto y X2 es Bajo -> Y es MedioR2: Si X1 es Bajo y X2 es Medio -> Y es Alto
...
4.2. Diseño Evolutivo de Sistemas Difusos:Tipos (2)
Interfaz deFuzificación
Interfaz deDefuzificación
Base deReglas
Base deDatos
Base de Conocimiento
Mecanismo de Inferencia
BajoMedio
X1Bajo Medio Alto
X2Bajo Medio Alto
Y
Alto
Factores de escala
Predefinidos
1. Proceso de Modelado Difuso
2. SBRDs
3. Diseño de SBRDs
4. Aprendizaje Automático de BCs
4.1. Métodos Ad-hoc
4.2. Algoritmos Evolutivos
4.3. Redes Neuronales
4.4. Clustering
5. Ejemplos de Aplicación
CONTENIDOS
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
58
PredefinidaR1: Si X1 es Alto y X2 es Bajo -> Y es MedioR2: Si X1 es Bajo y X2 es Medio -> Y es Alto
...
4.2. Diseño Evolutivo de Sistemas Difusos:Tipos (3)
Interfaz deFuzificación
Interfaz deDefuzificación
Base deReglas
Base deDatos
Base de Conocimiento
Mecanismo de Inferencia
BajoMedio
X1Bajo Medio Alto
X2Bajo Medio Alto
Y
Factores de escala
Alto
1. Proceso de Modelado Difuso
2. SBRDs
3. Diseño de SBRDs
4. Aprendizaje Automático de BCs
4.1. Métodos Ad-hoc
4.2. Algoritmos Evolutivos
4.3. Redes Neuronales
4.4. Clustering
5. Ejemplos de Aplicación
CONTENIDOS
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
59
PredefinidaR1: Si X1 es Alto y X2 es Bajo -> Y es MedioR2: Si X1 es Bajo y X2 es Medio -> Y es Alto
...
4.2. Diseño Evolutivo de Sistemas Difusos:Tipos (4)
Interfaz deFuzificación
Interfaz deDefuzificación
Base deReglas
Base deDatos
Base de Conocimiento
Mecanismo de Inferencia
BajoMedio
X1Bajo Medio Alto
X2Bajo Medio Alto
Y
Factores de escala
Alto
Predefinidos
1. Proceso de Modelado Difuso
2. SBRDs
3. Diseño de SBRDs
4. Aprendizaje Automático de BCs
4.1. Métodos Ad-hoc
4.2. Algoritmos Evolutivos
4.3. Redes Neuronales
4.4. Clustering
5. Ejemplos de Aplicación
CONTENIDOS
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
60
R1: Si X1 es Alto y X2 es Bajo -> Y es MedioR2: Si X1 es Bajo y X2 es Medio -> Y es Alto
...
4.2. Diseño Evolutivo de Sistemas Difusos:Tipos (5)
Interfaz deFuzificación
Interfaz deDefuzificación
Base deReglas
Base deDatos
Base de Conocimiento
Mecanismo de Inferencia
BajoMedio
X1Bajo Medio Alto
X2Bajo Medio Alto
Y
Alto
Factores de escala1. Proceso de Modelado Difuso
2. SBRDs
3. Diseño de SBRDs
4. Aprendizaje Automático de BCs
4.1. Métodos Ad-hoc
4.2. Algoritmos Evolutivos
4.3. Redes Neuronales
4.4. Clustering
5. Ejemplos de Aplicación
CONTENIDOS
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
61
4.2. Diseño Evolutivo de Sistemas Difusos:Tipos (6)
Según las componentes que se optimicen:
Espacio de búsqueda más pequeño
Proceso de aprendizaje más sencillo y rápido
Las soluciones pueden ser suboptimales
Espacio de búsqueda más completo
Proceso de aprendizaje más complejo e ineficiente
Mayor granularidad en el aprendizaje, mejor consideraciónde la interdependencia, mayor probabilidad de encontrarsoluciones óptimas
1. Proceso de Modelado Difuso
2. SBRDs
3. Diseño de SBRDs
4. Aprendizaje Automático de BCs
4.1. Métodos Ad-hoc
4.2. Algoritmos Evolutivos
4.3. Redes Neuronales
4.4. Clustering
5. Ejemplos de Aplicación
CONTENIDOS
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
62
4.2. Diseño Evolutivo de Sistemas Difusos:Tipos (7)
Equilibrio entre completitud ygranularidad
Tipos de SBRDs Genéticos:
Sistemas con ajuste genético de la Base de Datos
Sistemas con aprendizaje genético de la Base de Reglas
Sistemas con aprendizaje genético de la Base de Conocimiento
Sistemas con aprendizaje genético del Mecanismo de Inferencia(poco usuales)
1. Proceso de Modelado Difuso
2. SBRDs
3. Diseño de SBRDs
4. Aprendizaje Automático de BCs
4.1. Métodos Ad-hoc
4.2. Algoritmos Evolutivos
4.3. Redes Neuronales
4.4. Clustering
5. Ejemplos de Aplicación
CONTENIDOS
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
63
4.2. Diseño Evolutivo de Sistemas Difusos:Aprendizaje de la Base de Reglas
PROCESO DEAPRENDIZAJE
Módulo deevaluación (BR)
Base de Reglas (BR)
Base de Datospredefinida
Aprendizaje genético de la Base de Reglas
1. Proceso de Modelado Difuso
2. SBRDs
3. Diseño de SBRDs
4. Aprendizaje Automático de BCs
4.1. Métodos Ad-hoc
4.2. Algoritmos Evolutivos
4.3. Redes Neuronales
4.4. Clustering
5. Ejemplos de Aplicación
CONTENIDOS
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
64
4.2. Diseño Evolutivo de Sistemas Difusos:Aprendizaje de la Base de Reglas (2)
El aprendizaje genético de la BR asume la existencia deuna definición previa de la BD
Esquema de representación: Alternativas:
Un cromosoma representa una base de reglas al completo(Enfoque Pittsburgh) ⇒ Apto para diseño off-line
Un cromosoma representa una regla y la población alcompleto, la base de reglas
(Enfoque Michigan) ⇒ Apto para diseño on-line
Operadores: Adaptados al esquema de representación
1. Proceso de Modelado Difuso
2. SBRDs
3. Diseño de SBRDs
4. Aprendizaje Automático de BCs
4.1. Métodos Ad-hoc
4.2. Algoritmos Evolutivos
4.3. Redes Neuronales
4.4. Clustering
5. Ejemplos de Aplicación
CONTENIDOS
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
65
4.2. Diseño Evolutivo de Sistemas Difusos:Aprendizaje de la Base de Reglas (3)
Ejemplo: Problema de control con dos variables de entrada y unade salida. Existe una base de datos definida a través deconocimiento experto, que determina las funciones depertenencia para las siguientes etiquetas:
Error {N, C, P} ∇ Error {N, C, P} Potencia {B, M, A}
2 6 9
2 6 9 1 6 8 1 ...
(2) (6)
(9)
1 2 3 4 5 6 7 8 9
R1: Si el Error es Cero y la Variación_Error es Positivaentonces la Potencia es Alta
R2R1
1. Proceso de Modelado Difuso
2. SBRDs
3. Diseño de SBRDs
4. Aprendizaje Automático de BCs
4.1. Métodos Ad-hoc
4.2. Algoritmos Evolutivos
4.3. Redes Neuronales
4.4. Clustering
5. Ejemplos de Aplicación
CONTENIDOS
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
66
4.2. Diseño Evolutivo de Sistemas Difusos:Método de Thrift
En el enfoque Pittsburgh, cada cromosoma codifica una definicióncompleta de la BR
Los primeros enfoques, como Thrift, codifican la estructura de tablade la BR en un vector de consecuentes
Se numeran los términos lingüísticos asociados a la variable de salidade 1 a n y pasan a ser los contenidos del vector
Se asocia el valor 0 a la ausencia de regla en el subespacio, con loque el AG es capaz de aprender el número de reglas
P M G
P
M
G
X 1X2
R5
R1 R2 R3
R4 R6
R7 R8 R9 1 0 2 0 2 0 2 0 3
Y {B, M, A}1 2 3
MB
AM
M
__
____
__
1. Proceso de Modelado Difuso
2. SBRDs
3. Diseño de SBRDs
4. Aprendizaje Automático de BCs
4.1. Métodos Ad-hoc
4.2. Algoritmos Evolutivos
4.3. Redes Neuronales
4.4. Clustering
5. Ejemplos de Aplicación
CONTENIDOS
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
67
4.2. Diseño Evolutivo de Sistemas Difusos:Longitud fija vs. Longitud variable
El problema de la codificación de Thrift es que es difícilreducir el tamaño de la BR sólo mediante el valor nulo
Otra solución es emplear cromosomas de longitudvariable: Los cromosomas de la población puedenpresentar distinto tamaño, codificando BRs con distintonúmero de reglas
El problema es que el diseño de los operadores genéticoses más complejo
1. Proceso de Modelado Difuso
2. SBRDs
3. Diseño de SBRDs
4. Aprendizaje Automático de BCs
4.1. Métodos Ad-hoc
4.2. Algoritmos Evolutivos
4.3. Redes Neuronales
4.4. Clustering
5. Ejemplos de Aplicación
CONTENIDOS
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
68
4.2. Diseño Evolutivo de Sistemas Difusos:Aprendizaje de la BC al completo
El proceso de aprendizaje de la BC debe determinar:Funciones de pertenenciaReglas difusas
y, algunas veces también
Factores (o funciones) de escalaTérminos lingüísticos
Espacio de búsqueda grande y complejoCromosomas con longitud variableUna regla por cromosoma
1. Proceso de Modelado Difuso
2. SBRDs
3. Diseño de SBRDs
4. Aprendizaje Automático de BCs
4.1. Métodos Ad-hoc
4.2. Algoritmos Evolutivos
4.3. Redes Neuronales
4.4. Clustering
5. Ejemplos de Aplicación
CONTENIDOS
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
69
4.2. Diseño Evolutivo de Sistemas Difusos:Aprendizaje de la BC al completo (2)
PROCESO DEAPRENDIZAJE
Módulo deevaluación (BC)
Base deDatos
Base deReglas
Base de Conocimiento
Aprendizaje de la Base de Conocimiento
1. Proceso de Modelado Difuso
2. SBRDs
3. Diseño de SBRDs
4. Aprendizaje Automático de BCs
4.1. Métodos Ad-hoc
4.2. Algoritmos Evolutivos
4.3. Redes Neuronales
4.4. Clustering
5. Ejemplos de Aplicación
CONTENIDOS
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
70
4.2. Diseño Evolutivo de Sistemas Difusos:Aprendizaje de la BC al completo (3)
Elementos a codificar en un cromosoma:
Factores de escalaFunciones de pertenenciaReglas difusas
Cada tipo de elemento será una parte independiente delcromosoma
Formas de combinar estas partes con los operadoresgenéticos:
Mezclando subestructurasComo dos estructuras no relacionadasAplicando un proceso secuencial cuando el resultado decruzar una subestructura afecte al cruce de la segundasubestructura
Codificación con longitud fija o variable
1. Proceso de Modelado Difuso
2. SBRDs
3. Diseño de SBRDs
4. Aprendizaje Automático de BCs
4.1. Métodos Ad-hoc
4.2. Algoritmos Evolutivos
4.3. Redes Neuronales
4.4. Clustering
5. Ejemplos de Aplicación
CONTENIDOS
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
71
R1: Si el Error es Negativo entonces Potencia es Alta
R2: ...
0 0 0.5 0.3 0.5 0.8
4.2. Diseño Evolutivo de Sistemas Difusos:Aprendizaje de la BC al completo (4)
Ejemplo: Problema con dos variables y tres etiquetas porvariable
Error: {N, C, P} Potencia: {B, M, A}
Error Potencia Reglas
0.8 1 1.3 0 0 0.3 0.2 0.5 0.8 0.7 1 1 1 5 9 ...
1. Proceso de Modelado Difuso
2. SBRDs
3. Diseño de SBRDs
4. Aprendizaje Automático de BCs
4.1. Métodos Ad-hoc
4.2. Algoritmos Evolutivos
4.3. Redes Neuronales
4.4. Clustering
5. Ejemplos de Aplicación
CONTENIDOS
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
72
4.2. Diseño Evolutivo de Sistemas Difusos:Bibliografía Recomendada
O. Cordón, F. Herrera, F. Hoffmann y L. Magdalena. Genetic Fuzzy Systems.Evolutionary Tuning and Learning of Fuzzy Knowledge Bases. World Scientific, 2001.
1. Proceso de Modelado Difuso
2. SBRDs
3. Diseño de SBRDs
4. Aprendizaje Automático de BCs
4.1. Métodos Ad-hoc
4.2. Algoritmos Evolutivos
4.3. Redes Neuronales
4.4. Clustering
5. Ejemplos de Aplicación
CONTENIDOS
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
73
4.3. Diseño de Sistemas Difusos con Redes Neuronales:Introducción a las Redes Neuronales
Redes neuronales artificiales (RNAs):
Modelo computacional de las operaciones del cerebrohumano
Nodos conectados mediante enlaces
Pesos como memoria a largo plazo
Capacidad de aprendizaje: actualización de los pesos
Simple y fácil de aplicar, pero se obtienen modelos decaja negra
1. Proceso de Modelado Difuso
2. SBRDs
3. Diseño de SBRDs
4. Aprendizaje Automático de BCs
4.1. Métodos Ad-hoc
4.2. Algoritmos Evolutivos
4.3. Redes Neuronales
4.4. Clustering
5. Ejemplos de Aplicación
CONTENIDOS
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
74
4.3. Diseño de Sistemas Difusos con Redes Neuronales:Introducción a las Redes Neuronales (2)
MODELO DE NEURONA
Componentes:
Un conjunto de enlaces de entrada desde otros nodosUn conjunto de pesos que ponderan cada entradaUna salidaUna función de activación, generalmente no lineal
x1
EntradaSalida
w1
w2
wN·
··
x2
xN
v
⎟⎠⎞
⎜⎝⎛ θ−= ∑
=
N
1iii xwfy
fy
1. Proceso de Modelado Difuso
2. SBRDs
3. Diseño de SBRDs
4. Aprendizaje Automático de BCs
4.1. Métodos Ad-hoc
4.2. Algoritmos Evolutivos
4.3. Redes Neuronales
4.4. Clustering
5. Ejemplos de Aplicación
CONTENIDOS
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
75
4.3. Diseño de Sistemas Difusos con Redes Neuronales:Introducción a las Redes Neuronales (3)
Tipos de funciones de activación no lineales
Limitadorestricto
α
+1
-1
0
fh(v)
Rampa
+1
α0
fr(v) +1
Funciónsigmoide
α0
fs(v)
1. Proceso de Modelado Difuso
2. SBRDs
3. Diseño de SBRDs
4. Aprendizaje Automático de BCs
4.1. Métodos Ad-hoc
4.2. Algoritmos Evolutivos
4.3. Redes Neuronales
4.4. Clustering
5. Ejemplos de Aplicación
CONTENIDOS
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
76
4.3. Diseño de Sistemas Difusos con Redes Neuronales:Introducción a las Redes Neuronales (4)
RNs hacia delanteNo existen conexiones hacia “atrás”
RNs retroalimentadasSe producen ciclos por conexiones hacia “atrás”No se garantiza la estabilidad
Salidas
Entradas
Salidas
Entradas
1. Proceso de Modelado Difuso
2. SBRDs
3. Diseño de SBRDs
4. Aprendizaje Automático de BCs
4.1. Métodos Ad-hoc
4.2. Algoritmos Evolutivos
4.3. Redes Neuronales
4.4. Clustering
5. Ejemplos de Aplicación
CONTENIDOS
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
77
ALGORITMOS DE APRENDIZAJE
Aprendizaje supervisado
Usa un conjunto de datos de entrenamiento consistente enpares entrada-salida
Los pesos se adaptan para aproximarse lo mejor posible alos datos de entrenamiento
Aprendizaje no supervisado
Se ajustan los pesos en respuesta a patrones de entrada,sin disponer de las respuestas deseadas
En este caso se clasifican los patrones de entrada encategorías similares
4.3. Diseño de Sistemas Difusos con Redes Neuronales:Introducción a las Redes Neuronales (5)
1. Proceso de Modelado Difuso
2. SBRDs
3. Diseño de SBRDs
4. Aprendizaje Automático de BCs
4.1. Métodos Ad-hoc
4.2. Algoritmos Evolutivos
4.3. Redes Neuronales
4.4. Clustering
5. Ejemplos de Aplicación
CONTENIDOS
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
78
4.3. Diseño de Sistemas Difusos con Redes Neuronales:Introducción a las Redes Neuronales (6)
PERCEPTRONES MULTICAPA
Redes neuronales hacia delante con varias capasNo hay enlaces entre nodos de la misma capaConexiones sólo con la capa vecinaAprendizaje por retropropagación del error
. .
. . . .
. .
Patrones de salida
Patrones de entrada
1. Proceso de Modelado Difuso
2. SBRDs
3. Diseño de SBRDs
4. Aprendizaje Automático de BCs
4.1. Métodos Ad-hoc
4.2. Algoritmos Evolutivos
4.3. Redes Neuronales
4.4. Clustering
5. Ejemplos de Aplicación
CONTENIDOS
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
79
4.3. Diseño de Sistemas Difusos con Redes Neuronales:Introducción a las Redes Neuronales (7)
Aprendizaje de los pesos por retropropagación del error
Cambiar iterativamente los pesos de los enlaces poco a poco
Minimizando el error
Evalúa la derivada de E y cambia wji en la dirección opuesta ala derivada
jijijijiji w
Ew donde www∂∂
η−=ΔΔ+←
∑ −=k
kk otE 2)(5.0
1. Proceso de Modelado Difuso
2. SBRDs
3. Diseño de SBRDs
4. Aprendizaje Automático de BCs
4.1. Métodos Ad-hoc
4.2. Algoritmos Evolutivos
4.3. Redes Neuronales
4.4. Clustering
5. Ejemplos de Aplicación
CONTENIDOS
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
80
Son sistemas híbridos que combinan técnicas de redesneuronales y sistemas de inferencia difusa
De este modo, se asocia la capacidad de aprendizaje de lasRNAs con la tolerancia a fallos, interpretabilidad y robustezde los sistemas difusos
Permiten integración de conocimiento (métodos previos,expertos, etc.)
También es posible extraer el conocimiento incluido en laRNA en formato de reglas difusas (por eso sonconsiderados modelos de “caja gris”)
4.3. Diseño de Sistemas Difusos con Redes Neuronales:Sistemas Neuro-Difusos
1. Proceso de Modelado Difuso
2. SBRDs
3. Diseño de SBRDs
4. Aprendizaje Automático de BCs
4.1. Métodos Ad-hoc
4.2. Algoritmos Evolutivos
4.3. Redes Neuronales
4.4. Clustering
5. Ejemplos de Aplicación
CONTENIDOS
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
81
La arquitectura más común consta de 5 capas:
1. Entradas
2. Fuzzificación
3. Reglas
4. Consecuentes
5. Defuzzificación
4.3. Sistemas Neuro-Difusos:Arquitectura
1. Proceso de Modelado Difuso
2. SBRDs
3. Diseño de SBRDs
4. Aprendizaje Automático de BCs
4.1. Métodos Ad-hoc
4.2. Algoritmos Evolutivos
4.3. Redes Neuronales
4.4. Clustering
5. Ejemplos de Aplicación
CONTENIDOS
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
82
Limitaciones de los Sistemas Neuro-Difusos:
Número pequeño de entradas (curso de la dimensionalidad:crecimiento geométrico de la complejidad según el número deentradas)
Dificultad para aprender la estructura de las reglas.Generalmente, sólo aprenden la forma de las funciones depertenencia y los coeficientes del consecuente (en TSK)
Dificultad para tratar funciones no diferenciables (por ejemplo,la t-norma del mínimo)
Problemas de convergencia: caída en óptimos locales
Problemas de sobreaprendizaje: Error de aproximación(conjunto de entrenamiento) mucho menor que el degeneralización (conjunto de validación)
4.3. Sistemas Neuro-Difusos:Problemática
1. Proceso de Modelado Difuso
2. SBRDs
3. Diseño de SBRDs
4. Aprendizaje Automático de BCs
4.1. Métodos Ad-hoc
4.2. Algoritmos Evolutivos
4.3. Redes Neuronales
4.4. Clustering
5. Ejemplos de Aplicación
CONTENIDOS
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
83
Algunos ejemplos de Sistemas Neuro-Difusos:
ANFIS (J.-S.R. Jang, 1993)Particionamiento de rejillaReglas TSK
NEFCLASS (D. Nauck, 1994)Particionamiento de rejillaReglas de clasificación
FSOM (P. Vuorimaa, 1996)Particionamiento de semántica libre
NFH (F.J. de Soutza, 1997)Particionamiento jerárquico
4.3. Sistemas Neuro-Difusos:Ejemplos
1. Proceso de Modelado Difuso
2. SBRDs
3. Diseño de SBRDs
4. Aprendizaje Automático de BCs
4.1. Métodos Ad-hoc
4.2. Algoritmos Evolutivos
4.3. Redes Neuronales
4.4. Clustering
5. Ejemplos de Aplicación
CONTENIDOS
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
84
4.3. Sistemas Neuro-Difusos:ANFIS
ANFIS: Adaptive Network based Fuzzy Inference System(Jyh-Shing Roger Jang, 1993)
Utiliza variables lingüísticas (particionamiento de rejilla)
Únicamente ajusta las funciones de pertenencia
Apto sólo para reglas TSK o TSK simplificadas
Entrenamiento en dos pasos:Fijar el consecuente y ajustar los parámetros del antecedente(funciones de pertenencia) mediante Gradiente DescendenteFijar el antecedente y ajustar los parámetros del consecuente(coeficientes de los polinomios) mediante Optimización porMínimos Cuadrados
1. Proceso de Modelado Difuso
2. SBRDs
3. Diseño de SBRDs
4. Aprendizaje Automático de BCs
4.1. Métodos Ad-hoc
4.2. Algoritmos Evolutivos
4.3. Redes Neuronales
4.4. Clustering
5. Ejemplos de Aplicación
CONTENIDOS
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
85
4.3. Sistemas Neuro-Difusos:ANFIS (2)
Razonamiento Difuso
Estructura
1. Proceso de Modelado Difuso
2. SBRDs
3. Diseño de SBRDs
4. Aprendizaje Automático de BCs
4.1. Métodos Ad-hoc
4.2. Algoritmos Evolutivos
4.3. Redes Neuronales
4.4. Clustering
5. Ejemplos de Aplicación
CONTENIDOS
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
86
Layer 1 2 3 4 5
u1
u2
A1
A2
B2
B1
AND
AND N
Nu1,u2
u1,u2
+y
4.3. Sistemas Neuro-Difusos:ANFIS (3)
1. Proceso de Modelado Difuso
2. SBRDs
3. Diseño de SBRDs
4. Aprendizaje Automático de BCs
4.1. Métodos Ad-hoc
4.2. Algoritmos Evolutivos
4.3. Redes Neuronales
4.4. Clustering
5. Ejemplos de Aplicación
CONTENIDOS
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
87
4.3. Sistemas Neuro-Difusos:ANFIS (4)
e
ce
u
Pos
Pos
Neg
Neg
AND N
W1
W2
W3
W4
AND
AND
AND
N
N
N
1. Proceso de Modelado Difuso
2. SBRDs
3. Diseño de SBRDs
4. Aprendizaje Automático de BCs
4.1. Métodos Ad-hoc
4.2. Algoritmos Evolutivos
4.3. Redes Neuronales
4.4. Clustering
5. Ejemplos de Aplicación
CONTENIDOS
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
88
4.4. Diseño de SBRDs mediante Clustering:Introducción
El clustering difuso introduce una gradación en lapertenencia de los elementos a los grupos
De este modo, un agrupamiento difuso se caracteriza poruna matriz de pertenencia, donde se refleja el grado depertenencia de cada objeto a cada cluster
Se aplica a dos tareas distintas en el diseño de SBRDs:
Diseño de la BD mediante el aprendizaje automático departiciones difusas basadas en rejilla: clustering difuso sobreel espacio de cada variable individual
Aprendizaje automático de reglas de Mamdani con semánticalibre: se aplica el clustering en el espacio (n+1)-dimensionaly se obtiene una regla difusa de cada cluster
1. Proceso de Modelado Difuso
2. SBRDs
3. Diseño de SBRDs
4. Aprendizaje Automático de BCs
4.1. Métodos Ad-hoc
4.2. Algoritmos Evolutivos
4.3. Redes Neuronales
4.4. Clustering
5. Ejemplos de Aplicación
CONTENIDOS
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
89
4.4. Diseño de SBRDs mediante Clustering:Aprendizaje de reglas difusas con semántica libre
El proceso incluye dos etapas:1. Generación de los clusters: se aplica un método de
clustering difuso y se calculan los centros de los clusters apartir de la matriz de pertenencia obtenida
1. Identificación de las reglas de Mamdani con semántica libre:cada cluster se transforma en una regla por proyección enlas n+1 dimensiones
El problema es fijar el número óptimo de clusters, quedetermina el tamaño de la base de reglas difusas. Haymétodos para ello (Chiu, Sugeno, ...), pero no funcionanbien
Se pueden diseñar SBRDs TSK y TSK simplificados, con elantecedente de las reglas y creando un consecuente poroptimización numérica sobre los ejemplos del subespacio
1. Proceso de Modelado Difuso
2. SBRDs
3. Diseño de SBRDs
4. Aprendizaje Automático de BCs
4.1. Métodos Ad-hoc
4.2. Algoritmos Evolutivos
4.3. Redes Neuronales
4.4. Clustering
5. Ejemplos de Aplicación
CONTENIDOS
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
90
4.4. Diseño de SBRDs mediante Clustering:Fuzzy C-Means
El algoritmo FCM se basa en minimizar iterativamente ladistancia entre los objetos en los clusters y maximizar ladistancia entre los centros de éstos.
Sea Nc el número de clusters y Ne el número de ejemplos:
1. Inicializar aleatoriamente la matriz de pertenencia μc(xi)
2. Calcular los centros de los clusters vc:
3. Actualizar los valores de pertenencia de cada objeto a partir delos nuevos centros:
4. Si han cambiado los centros, ir a 2. Si no, terminar
∑
∑
=
==e
e
N
1i
mic
N
1ii
mic
c)(xμ
)·x)(x(μv
∑ ⎟⎟⎠
⎞⎜⎜⎝
⎛=
=
−cN
1k
1)2/(m
ki
ciic
)v,d(x)v,d(x
1)(xμ
1. Proceso de Modelado Difuso
2. SBRDs
3. Diseño de SBRDs
4. Aprendizaje Automático de BCs
4.1. Métodos Ad-hoc
4.2. Algoritmos Evolutivos
4.3. Redes Neuronales
4.4. Clustering
5. Ejemplos de Aplicación
CONTENIDOS
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
91
4.4. Diseño de SBRDs mediante Clustering:Identificación de las reglas difusas con semántica libre
Una posibilidad consiste en proyectar los clusters difusos paraobtener conjuntos difusos triangulares
Sea n el número total de variables del problema y sea vc=(vc1,...,vcj,...,vcn), c∈{1,...,Nc}, el cluster c-ésimo:
1. Sea Xc el conjunto de ejemplos pertenecientes a vc
2. Sean icj y dcj los dos patrones de Xc ∪ {vc} con menor y mayorvalor en la variable j, respectivamente
3. El conjunto difuso triangular (lcj,mcj,ncj) asociado a la variable Xj
de la regla Rc se obtiene:
mcj = vc
⎪⎪⎩
⎪⎪⎨
⎧
−
−
==
caso otro en,)(iμ1
)i)(v(iμ-i
vi si,vl
j
jjjj
jj
j
cc
ccccc
ccc
c
⎪⎪⎩
⎪⎪⎨
⎧
−+
==
caso otro en,)(dμ1
)v-)(d(dμd
vd si,vn
j
jjjj
jj
j
cc
ccccc
ccc
c
1. Proceso de Modelado Difuso
2. SBRDs
3. Diseño de SBRDs
4. Aprendizaje Automático de BCs
4.1. Métodos Ad-hoc
4.2. Algoritmos Evolutivos
4.3. Redes Neuronales
4.4. Clustering
5. Ejemplos de Aplicación
CONTENIDOS
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
92
5. Ejemplos de Aplicación
1. Estimación de los costes de mantenimiento de líneaeléctrica de baja y media tensión
2. Valoración de la Calidad del Arroz Cocido
3. Predicción del Riesgo de Contraer EnfermedadesCardiovasculares
4. Problema del Sonar
1. Proceso de Modelado Difuso
2. SBRDs
3. Diseño de SBRDs
4. Aprendizaje Automático de BCs
5. Ejemplos de Aplicación
5.1. Costes de Mantenimiento Línea Eléctrica
5.2. Calidad Arroz Cocido
5.3. Riesgo Enfermedades Cardiovasculares
5.4. Sonar
CONTENIDOS
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
93
5.1. Estimación de los Costes de Mantenimiento de la Línea Eléctrica de Baja y Media Tensión
Sistema eléctrico español (antes de 1998): Las compañíaseléctricas compartían una empresa, Red Eléctrica Española, querecibía todos los pagos y los distribuía entre ellas
La distribución se hacía con respecto a una serie de criterioscomplejos, que el Gobierno decidió revisar
Uno de ellos se refería a los costes de mantenimiento de la líneaeléctrica perteneciente a cada compañía
Las compañías se encontraron con problemas para calcular loscostes de:
Las líneas de baja tensión, al estar tendidas en pueblos, no se sabía lalongitud real de la línea tendidaLas líneas de media tensión, al requerir el gobierno los costes demantenimiento de la instalación óptima y no la real, que ha sidoinstalada incrementalmente
1. Proceso de Modelado Difuso
2. SBRDs
3. Diseño de SBRDs
4. Aprendizaje Automático de BCs
5. Ejemplos de Aplicación
5.1. Costes de Mantenimiento Línea Eléctrica
5.2. Calidad Arroz Cocido
5.3. Riesgo Enfermedades Cardiovasculares
5.4. Sonar
CONTENIDOS
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
94
5.1.1. Estimación de los Costes de Mantenimientode la Línea Eléctrica de Baja Tensión
Línea Eléctrica de Baja Tensión en Zonas Rurales
Estimación de la longitud total de línea eléctrica de bajovoltaje instalada en una zona rural
Dos variables de entrada: número de habitantes y radio dela población
Variable de salida: longitud de línea empleada (el coste demantenimiento es función de dicha longitud)
Conjunto de datos de ejemplo con 495 pueblos
División aleatoria en 396 y 99 datos para entrenamiento yprueba, respectivamente (80-20%)
Siete etiquetas en cada partición difusa
1. Proceso de Modelado Difuso
2. SBRDs
3. Diseño de SBRDs
4. Aprendizaje Automático de BCs
5. Ejemplos de Aplicación
5.1. Costes de Mantenimiento Línea Eléctrica
5.2. Calidad Arroz Cocido
5.3. Riesgo Enfermedades Cardiovasculares
5.4. Sonar
CONTENIDOS
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
95
5.1.1. Estimación de los Costes de Mantenimientode la Línea Eléctrica de Baja Tensión (2)
Se definieron distintos modelos de pueblo en vista de losdatos obtenidos1. Proceso de
Modelado Difuso
2. SBRDs
3. Diseño de SBRDs
4. Aprendizaje Automático de BCs
5. Ejemplos de Aplicación
5.1. Costes de Mantenimiento Línea Eléctrica
5.2. Calidad Arroz Cocido
5.3. Riesgo Enfermedades Cardiovasculares
5.4. Sonar
CONTENIDOS
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
96
5.1.1. Estimación de los Costes de Mantenimiento de la Línea Eléctrica de Baja Tensión (3)
Comparativa de Resultados de Distintos Métodos
Método #R ECMentr ECMprueba
Wang-Mendel 24 222,623 240,566
Cordón-Herrera 32 267,923 249,523
Ishibuchi (TSK simp.) 32 173,230 190,808
Thrift 47 185,204 168,060
Shan-Fu 45 1,281,547 1,067,993
ANFIS 49 256,605 268,451
FCM 49 163,615 198,617
Chiu+FCM 37 200,999 222,362
Regresión polinómica 3erorden
49 nodos, 2 par. 235,934 202,991
RN 2-25-1 102 par. 169,399 167,092
1. Proceso de Modelado Difuso
2. SBRDs
3. Diseño de SBRDs
4. Aprendizaje Automático de BCs
5. Ejemplos de Aplicación
5.1. Costes de Mantenimiento Línea Eléctrica
5.2. Calidad Arroz Cocido
5.3. Riesgo Enfermedades Cardiovasculares
5.4. Sonar
CONTENIDOS
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
97
5.1.1. Estimación de los Costes de Mantenimiento de la Línea Eléctrica de Baja Tensión (4)
Influencia de la granularidad en las particiones difusas basadas en rejilla: Misma granularidad en todas las variables
Método WM Método CH Granul. ECMentr ECMprue ECMentr ECMprue
3 594.276,3 626.566,8 322.227,6 293.986,94 301.732,1 270.747,4 292.714,5 270.349,85 298.446,1 282.058,1 329.726,2 306.325,76 239.563,1 194.842,8 317.516,6 311.065,87 222.622,7 240.018,2 267.923,9 249.523,88 241.716,7 216.651,6 199.421,3 180.000,49 197.613,4 283.645,5 201.272,8 224.805,7
1. Proceso de Modelado Difuso
2. SBRDs
3. Diseño de SBRDs
4. Aprendizaje Automático de BCs
5. Ejemplos de Aplicación
5.1. Costes de Mantenimiento Línea Eléctrica
5.2. Calidad Arroz Cocido
5.3. Riesgo Enfermedades Cardiovasculares
5.4. Sonar
CONTENIDOS
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
98
5.1.1. Estimación de los Costes de Mantenimiento de la Línea Eléctrica de Baja Tensión (5)
Influencia de la granularidad en las particiones difusas basadas en rejilla: Distinta granularidad en cada variable
Método WM Método CH
Granul. 6 9 9 Granul. 8 8 6 ECMentr 186.904,3 ECMentr 192.498,2Mejor
Entr. ECMprue 264.896,5 ECMprue 167.731,5
Granul. 9 6 9 Granul. 7 6 7 ECMentr 202.370,9 ECMentr 210.983,1Mejor
Prue. ECMprue 146.355,1 ECMprue 152.412,4
1. Proceso de Modelado Difuso
2. SBRDs
3. Diseño de SBRDs
4. Aprendizaje Automático de BCs
5. Ejemplos de Aplicación
5.1. Costes de Mantenimiento Línea Eléctrica
5.2. Calidad Arroz Cocido
5.3. Riesgo Enfermedades Cardiovasculares
5.4. Sonar
CONTENIDOS
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
99
5.1.2. Estimación de los Costes de Mantenimientode la Línea Eléctrica de Media Tensión
Línea Eléctrica de Media Tensión en Zonas Urbanas
Estimación del costo de mantenimiento de la línea eléctricade media tensión tendida por una compañía en núcleosurbanos
Cuatro variables de entrada: longitudes de las calles, áreatotal, área ocupada por edificios y energía suministrada
Variable de salida: costo de mantenimiento de la línea demedia tensión
Muestra simulada de 1.059 ciudades
División en 847 y 212 datos de entrenamiento y prueba,respectivamente (80-20%)
Cinco etiquetas en cada partición difusa
1. Proceso de Modelado Difuso
2. SBRDs
3. Diseño de SBRDs
4. Aprendizaje Automático de BCs
5. Ejemplos de Aplicación
5.1. Costes de Mantenimiento Línea Eléctrica
5.2. Calidad Arroz Cocido
5.3. Riesgo Enfermedades Cardiovasculares
5.4. Sonar
CONTENIDOS
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
100
5.1.2. Estimación de los Costes de Mantenimiento de la Línea Eléctrica de Media Tensión (2)
Comparativa de Resultados de Distintos Métodos
Método #R ECMentr ECMprueba
Wang-Mendel (3 etiq.) 28 197,313 174,400
Wang-Mendel 66 71,294 80,934
Cordón-Herrera (TSK)+Tun 268 11,073 11,836
Thrift 534 34,063 42,116
Shan-Fu
ANFIS
FCM
Chiu+FCM
Regresión polinómica2º orden
77 nodos, 15 par. 103,032 45,332
RN 4-5-1 35 par. 86,469 33,105
1. Proceso de Modelado Difuso
2. SBRDs
3. Diseño de SBRDs
4. Aprendizaje Automático de BCs
5. Ejemplos de Aplicación
5.1. Costes de Mantenimiento Línea Eléctrica
5.2. Calidad Arroz Cocido
5.3. Riesgo Enfermedades Cardiovasculares
5.4. Sonar
CONTENIDOS
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
101
5.2. Valoración de la Calidad del Arroz Cocido
Descripción del Problema
Valoración subjetiva de la calidad del arroz cocido realizadopor expertos
Cinco variables de entrada: gusto, apariencia, sabor,pegajosidad y dureza
Conjunto de ejemplos con 105 datos normalizados
Diez particiones de 75 y 30 ejemplos para entrenamiento yprueba, respectivamente
Dos etiquetas en cada partición difusa
1. Proceso de Modelado Difuso
2. SBRDs
3. Diseño de SBRDs
4. Aprendizaje Automático de BCs
5. Ejemplos de Aplicación
5.1. Costes de Mantenimiento Línea Eléctrica
5.2. Calidad Arroz Cocido
5.3. Riesgo Enfermedades Cardiovasculares
5.4. Sonar
CONTENIDOS
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
102
5.2. Valoración de la Calidad del Arroz Cocido (2)
Comparativa de Resultados de Distintos Métodos
Método #R ECMentr ECMprueba
Wang-Mendel 15 0.01328 0.01312
Cordón-Herrera 32 0.02129 0.02127
Ishibuchi (TSK simp.) 32 0.00300 0.00352
Thrift 15.9 0.00495 0.00600
Shan-Fu 32 0.01940 0.02137
ANFIS 32 0.00503 0.00563
1. Proceso de Modelado Difuso
2. SBRDs
3. Diseño de SBRDs
4. Aprendizaje Automático de BCs
5. Ejemplos de Aplicación
5.1. Costes de Mantenimiento Línea Eléctrica
5.2. Calidad Arroz Cocido
5.3. Riesgo Enfermedades Cardiovasculares
5.4. Sonar
CONTENIDOS
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
103
5.2. Valoración de la Calidad del Arroz Cocido (3)
Comparativa de Resultados de Distintos Métodoscon 3 etiquetas en las particiones difusas
Método #R ECMentr ECMprueba
Wang-Mendel 23 0.00334 0.00376
Ishibuchi (TSK simp.) 182.4 0.00251 0.00322
Thrift 200.4 0.00167 0.00393
1. Proceso de Modelado Difuso
2. SBRDs
3. Diseño de SBRDs
4. Aprendizaje Automático de BCs
5. Ejemplos de Aplicación
5.1. Costes de Mantenimiento Línea Eléctrica
5.2. Calidad Arroz Cocido
5.3. Riesgo Enfermedades Cardiovasculares
5.4. Sonar
CONTENIDOS
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
104
5.3. Problema de predicción del riesgo de contraer enfermedades cardiovasculares
Descripción
Las enfermedades cardiovasculares son la principal causa demortandad en países “industrializados”
Los factores que predisponen a contraer este tipo deenfermedades son múltiples y se pueden dividir en modificables ono por parte del individuo.
Los aspectos más importantes a la hora de establecer unapredicción sobre el riesgo de padecer estas enfermedades son losdistintos niveles de colesterol, triglicéridos y la edad
El número de factores que influyen en el problema es tan grandeque se han unido varios de ellos en una variable
1. Proceso de Modelado Difuso
2. SBRDs
3. Diseño de SBRDs
4. Aprendizaje Automático de BCs
5. Ejemplos de Aplicación
5.1. Costes de Mantenimiento Línea Eléctrica
5.2. Calidad Arroz Cocido
5.3. Riesgo Enfermedades Cardiovasculares
5.4. Sonar
CONTENIDOS
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
105
5.3. Problema de predicción del riesgo de contraer enfermedades cardiovasculares (2)
Existen muchos factores que predisponen a sufrir unaenfermedad cardiovascular, tales como:
Niveles de colesterol y triglicéridos
HipertensiónTabaquismoObesidadSedentarismoEdad
Los más importantes son los niveles de colesterol y triglicéridos.Se ha de distinguir entre dos tipos de colesterol (asociados a laslipoproteínas):
LDL–colesterol: Supone un factor de riesgo claro
HDL–colesterol: Es bueno para prevenir la enfermedad
1. Proceso de Modelado Difuso
2. SBRDs
3. Diseño de SBRDs
4. Aprendizaje Automático de BCs
5. Ejemplos de Aplicación
5.1. Costes de Mantenimiento Línea Eléctrica
5.2. Calidad Arroz Cocido
5.3. Riesgo Enfermedades Cardiovasculares
5.4. Sonar
CONTENIDOS
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
106
5.3. Problema de predicción del riesgo de contraer enfermedades cardiovasculares (3)
La dieta juega un papel muy importante, principalmente mediantela cantidad de ácidos grasos ingeridos y su tipo:
Ácidos grasos saturados: Aumentan los niveles de colesterol(especialmente de LDL-colesterol)
Ácidos grasos monoinsaturados: con efectos neutros oligeramente beneficiosos
Ácidos grasos poliinsaturados: Reducen los niveles decolesterol (especialmente de LDL-colesterol)
1. Proceso de Modelado Difuso
2. SBRDs
3. Diseño de SBRDs
4. Aprendizaje Automático de BCs
5. Ejemplos de Aplicación
5.1. Costes de Mantenimiento Línea Eléctrica
5.2. Calidad Arroz Cocido
5.3. Riesgo Enfermedades Cardiovasculares
5.4. Sonar
CONTENIDOS
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
107
5.3. Problema de predicción del riesgo de contraer enfermedades cardiovasculares (4)
Variables del problema
Nivel de colesterol total en plasma (en mg/dl) [100 – 350]
Nivel de LDL-colesterol en plasma (en mg/dl) [100 – 210]
Nivel de HDL-colesterol en plasma (en mg/dl) [10 – 200]
Nivel de triglicéridos en plasma (en mg/dl) [140 – 160]
Edad del individuo {20 , 80}
Hábitos del individuo {1 , 48}
Variable de salida:
Predicción del riesgo de contraer una enfermedad cardiovascular[0 – 10]
1. Proceso de Modelado Difuso
2. SBRDs
3. Diseño de SBRDs
4. Aprendizaje Automático de BCs
5. Ejemplos de Aplicación
5.1. Costes de Mantenimiento Línea Eléctrica
5.2. Calidad Arroz Cocido
5.3. Riesgo Enfermedades Cardiovasculares
5.4. Sonar
CONTENIDOS
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
108
5.3. Problema de predicción del riesgo de contraer enfermedades cardiovasculares (5)
Variable hábitos
Si se hubieran considerado todos los factores de riesgo, losmodelos difusos serían muy complejos y poco interpretables
Por esta razón, se han agregado los “factores secundarios” enuna única variable Hábitos que establece un valor numérico paracada individuo considerando los hábitos siguientes:
Alto consumo de ácidos grasos poliinsaturados (>33 gr./día)Alto consumo de ácidos grasos saturados (>33 gr./día)Índice de masa corporal: 20 < IMC < 30 | IMC > 30fumador habitual (>10 cigarrillos/día)
Ingesta de colesterol diaria: col./dia < 200 | 200 < col./dia < 300 |col./dia > 300
Actividad física
1. Proceso de Modelado Difuso
2. SBRDs
3. Diseño de SBRDs
4. Aprendizaje Automático de BCs
5. Ejemplos de Aplicación
5.1. Costes de Mantenimiento Línea Eléctrica
5.2. Calidad Arroz Cocido
5.3. Riesgo Enfermedades Cardiovasculares
5.4. Sonar
CONTENIDOS
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
109
5.3. Problema de predicción del riesgo de contraer enfermedades cardiovasculares (6)
Debido a las características del problema, es muy complicadoobtener datos reales de los pacientes
El problema es el periodo tan amplio en el que se han de tomardatos (la evolución de las características del paciente a lo largo devarios años)
Por esta razón, los ejemplos han sido generados ad hoc por unexperto médico, tratando de cubrir las situaciones más frecuentes
El conjunto obtenido contiene datos de 2594 pacientes. Se hadividido aleatoriamente en entrenamiento y prueba:
Conjunto de Training: 2335 datosConjunto de Test: 259 datos
1. Proceso de Modelado Difuso
2. SBRDs
3. Diseño de SBRDs
4. Aprendizaje Automático de BCs
5. Ejemplos de Aplicación
5.1. Costes de Mantenimiento Línea Eléctrica
5.2. Calidad Arroz Cocido
5.3. Riesgo Enfermedades Cardiovasculares
5.4. Sonar
CONTENIDOS
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
110
5.3. Problema de predicción del riesgo de contraer enfermedades cardiovasculares (7)
Resultados obtenidos con varios modelos
Conclusiones:El alto número de reglas obtenido (consecuencia del alto número devariables del problema), provoca que el modelo difuso no sea intepretable
El método de WM es muy sensible a la BD empleada (en este caso, a lagranularidad de las particiones difusas)
Method Granularity NR MSEtra MSEtest
Regresión lineal - - 0,074 0,068NN 6-20-1 - - 0,044 0,069NN 6-5-1 - - 0,063 0,064
9 9 9 9 9 9 9 2222 0,091 5,99Wang-Mendel
7 6 4 3 3 3 7 913 0,100 0,134
1. Proceso de Modelado Difuso
2. SBRDs
3. Diseño de SBRDs
4. Aprendizaje Automático de BCs
5. Ejemplos de Aplicación
5.1. Costes de Mantenimiento Línea Eléctrica
5.2. Calidad Arroz Cocido
5.3. Riesgo Enfermedades Cardiovasculares
5.4. Sonar
CONTENIDOS
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
111
5.4. Problema del Sonar
Descripción
Problema de clasificación de objetos detectados en fondosmarinos
Un barco, situado en la superficie, lanza una señal de sonarcontra el fondo marino y recoge el eco de la misma
Se trata de clasificar los objetos detectados en dos posiblesclases: cilindros metálicos y rocas con esa forma
Se recogen 60 características de la señal de sonar (60 variablesde entrada)
La base de datos contiene 208 ejemplos del problema
1. Proceso de Modelado Difuso
2. SBRDs
3. Diseño de SBRDs
4. Aprendizaje Automático de BCs
5. Ejemplos de Aplicación
5.1. Costes de Mantenimiento Línea Eléctrica
5.2. Calidad Arroz Cocido
5.3. Riesgo Enfermedades Cardiovasculares
5.4. Sonar
CONTENIDOS
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
112
5.4. Problema del Sonar (2)
Experimentación Realizada
Hemos trabajado con las particiones de entrenamiento y prueba,compuestas por 104 ejemplos cada una, realizadas por Battiti
Se ha aprendido dos bases de reglas difusas de clasificación parael problema a partir del conjunto de entrenamiento mediante elmétodo de Wang y Mendel para clasificación considerandoparticiones difusas compuestas por 3 y 5 etiquetas.
Se han diseñado varios clasificadores difusos empleando la BRanterior y distintos métodos de razonamiento difuso paraclasificación
1. Proceso de Modelado Difuso
2. SBRDs
3. Diseño de SBRDs
4. Aprendizaje Automático de BCs
5. Ejemplos de Aplicación
5.1. Costes de Mantenimiento Línea Eléctrica
5.2. Calidad Arroz Cocido
5.3. Riesgo Enfermedades Cardiovasculares
5.4. Sonar
CONTENIDOS
Oscar Cordón, http://decsai.ugr.es/~ocordon/Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada
113
5.4. Problema del Sonar (3)
Resultados Obtenidos 5 etiquetas
(311 reglas) 3 etiquetas
(331 reglas) Método de razonamiento
ENTR PRUE ENTR PRUE
Clásico 100 43.27 99.04 75.00
Suma Norm. 100 43.27 98.08 73.08
Media Aritmética 100 43.27 96.15 72.11
Media Quasi-Arit. 100 43.27 99.04 75.00
SOWA Or-Like 100 43.27 98.08 76.92
Badd 100 43.27 99.04 75.00
OWA 100 43.27 98.08 75.96
QuasiOWA 100 43.27 99.04 75.96
1. Proceso de Modelado Difuso
2. SBRDs
3. Diseño de SBRDs
4. Aprendizaje Automático de BCs
5. Ejemplos de Aplicación
5.1. Costes de Mantenimiento Línea Eléctrica
5.2. Calidad Arroz Cocido
5.3. Riesgo Enfermedades Cardiovasculares
5.4. Sonar
CONTENIDOS