ESCOM SN-I 1

UNIDAD 1UNIDAD 1

1.3 PANORAMA GENERAL DE LOS SISTEMAS

INTELIGENTES

ESCOM SN-I 2

Unidad 1Unidad 1

1.3.1 Comparación de los sistemas difusos y neuronales.

1.3.2 Aplicaciones: problemas a ser resueltos con la combinación de RNA y LD.

ESCOM SN-I 3

1.3.11.3.1 Comparación de los Comparación de los sistemas difusos y neuronales.sistemas difusos y neuronales.

La ventaja básica de los sistemas de lógica difusa con respecto a los neuronales es que permiten utilizar la experiencia humana como condiciones iniciales para la interpolación entrada / salida.

ESCOM SN-I 4

......

La ventaja básica de los sistemas de lógica difusa respecto a los sistemas expertos basados en lógica convencional es que dada la transición gradual entre los valores verdaderos y falsos la interpolación es más suave.

ESCOM SN-I 5

Redes Neuronales Y Redes Neuronales Y Lógica DifusaLógica Difusa

En la actualidad, existe una gran cantidad de propuestas de combinación de la capacidad de aprendizaje de las redes neuronales y del procesamiento de información imprecisa de la lógica difusa. Esta combinación suele referirse a aspectos como:

ESCOM SN-I 6

......• La utilización de neuronas difusas, cuyo

funcionamiento se describe en función de operadores difusos (producto y suma), en lugar de aritméticos.

• La adaptación difusa de algoritmos de aprendizaje de redes conocidas, como el Perceptrón (con o sin capas ocultas).

• La simulación con redes neuronales de sistemas expertos dinámicos que integran opiniones difusas de varios especialistas.

ESCOM SN-I 7

......• El almacenamiento y evaluación con redes de las reglas utilizadas en sistemas de control difusos.

• La generación utilizando redes competitivas de estas reglas.

• La generación y adaptación de funciones de pertenencia a conjuntos difusos mediante redes; Etc.

ESCOM SN-I 8

Congresos:Congresos: La combinación de redes neuronales y

lógica difusa es un campo en plena investigación. Algunos de los congresos, que se celebran cada año o cada dos años son:

• International Conference on Fuzzy Logic, Neural Networks and Soft Computing;

ESCOM SN-I 9

......• International Joint Workshop on Fuzzy

Logic and Neural Networks;• IEEE International Conference on Neural

Networks (ICNN);• IEEE International Conference on Fuzzy

Sets (ICFS);• European Congress on Fuzzy and Intelligent

Technologies (EUFIT),• International Workshop on artificial Neural

Networks (IWANN);• Etc.

ESCOM SN-I 10

1.3.21.3.2 Aplicaciones: problemas a ser resueltos Aplicaciones: problemas a ser resueltos con la combinación de RNA y LD.con la combinación de RNA y LD.

NEURONAS DIFUSAS Y APRENDIZAJE DIFUSO

Entre la lógica difusa y las redes neuronalespueden establecerse una relación bidireccional, ya que es posible, por ejemplo, utilizar redes para optimizar ciertos parámetros de los sistemas difusos, pero también se puede aplicar la lógica difusa para modelar un nuevo tipo de neurona especializada en el procesamiento de información de este tipo.

ESCOM SN-I 11

Sistemas Difusos Neuronales Para Sistemas Difusos Neuronales Para El Reconocimiento De PatronesEl Reconocimiento De Patrones

1.- Clasificación difusa neuronal. 2.- Agrupamiento difuso neuronal. 3.- Modelos difusos neuronales para el

procesamiento de imagines. 4.- Soluciones inteligentes para

aplicaciones especificas:– Analizador de señal neurodifuso para lavadoras.

ESCOM SN-I 12

Aplicaciones De ANFISAplicaciones De ANFIS

Categorías:– Reconocimiento de patrones.-.

Reconocimiento de caracteres impresos.

– Robótica.-. Cinemática inversa.

– Regresión no lineal.-. Predicción de las millas por galón (MPG) en un

automóvil.

ESCOM SN-I 13

Categorías:Categorías:

– Sistema de Identificación No lineal.- Modelado de hornos.

– Procesamiento de Señales Avanzado.- Ecualizador de canal y cancelación de ruido.

– Control Automático.- El sistema del péndulo invertido.

ESCOM SN-I 14

Sistemas Difusos (FS),

Redes Neuronales (NN),

Algoritmos Genéticos (GA),

Teoría De Control Convencional,

Y

AI Simbólica

ComparaciónComparación

ESCOM SN-I 15

Tabla ComparativaTabla Comparativa

FS NN GA Teoría de Control

AI Simbolica

Modelo Matemático SG B B G SB Habilidad de Aprendizaje B G SG B B Representación del Conocimiento G B SB SB G Conocimiento Experto G B B SB G No Linealidad G G G B SB Habilidad en Optimización B SG G SB B Tolerancia a Fallos G G G B B Tolerancia a la Incertidumbre G G G B B Operación en Tiempo Real G SG SB G B

G = Bueno; SG = Escasamente bueno; SB = Escasamente malo; B = Malo.

ESCOM SN-I 16

UNIDAD UNIDAD 22

CONCEPTOS Y FUNDAMENTOS DE

LÓGICA DIFUSA