Metodos Neuronales En Sistemas Difusos Redes Neuronales Como Memorias Asociativas Difusas (FAM)
FAM  ( Fuzzy Associative Memory )   <ul><li>Propuestas por B. Kosko en 1987. </li></ul><ul><li>La topología de esta red es...
Operación <ul><li>Estas redes almacenan (aprenden) parejas de vectores  (A 1 ; C 1 ), (A 2 ; C 2 ),...  (A P ; C P ) ,  y,...
Aprendizaje <ul><li>En la red FAM el aprendizaje es OFF-LINE  de tipo hebbiano. </li></ul><ul><li>El proceso de ajuste de ...
Aprendizaje <ul><li>Que deben ser almacenados en la red  es: </li></ul><ul><li>Teniendo  N  neuronas en la capa  A ,  y  M...
Subredes que componen a las  FAM
Subredes FAM <ul><li>Cuando se utiliza la capa  A  como entrada, se trata de una red asociativa que, a través de los pesos...
La matriz de pesos entre las neuronas de la capa  A   y  C :   <ul><li>Los pesos de las conexiones de las neuronas de la c...
<ul><li>Es decir  v ij  =  w ji ,  con lo que la matriz de pesos  V   coincidiría con la transpuesta de  W :  V  =  W T . ...
Finalizado El  Aprendizaje <ul><li>Se pueden utilizar estas redes como memorias asociativas para recuperar la información ...
Funcionamiento de las redes  FAM   <ul><li>Las funciones de activación de las neuronas en las redes  FAM son de tipo linea...
Funcionamiento <ul><li>La red  FAM es una memoria asociativa que utiliza el operador lógico difuso denominado  composición...
<ul><li>Durante la fase de entrenamiento se aplica el algoritmo de aprendizaje Hebbiano difuso (ver tabla 3.2) para regist...
<ul><li>Previamente se deberá expresar de forma discreta estas funciones continuas, ya que en los pesos se registrarán de ...
<ul><li>Este número de valores coincidirá con el de neuronas de entrada de la red FAM.  En la siguiente,  Fig. (a),  se mu...
a) b)
<ul><li>En cuanto a los conjuntos difusos de la velocidad del ventilador, sólo se van a considerar tres (LENTA, MEDIA, RAP...
<ul><li>Por tanto, los conjuntos difusos estarían formados por los siguientes valores discretos: </li></ul><ul><li>  </li>...
<ul><li>Y las  reglas de control difuso serían: </li></ul><ul><li>  </li></ul><ul><li>REGLA 1:  SI (Temperatura es fresca)...
Red FAM para almacenar una regla de control
<ul><li>Si se desea utilizar una red FAM (ver Fig. anterior) para almacenar una de estas reglas, por ejemplo la 2, se proc...
<ul><li>Estos vectores contienen los valores de las correspondientes funciones para cada una de las temperaturas y velocid...
<ul><li>Para las velocidades, según la figura (b), los grados de pertenencia  de los valores discretos al conjunto de velo...
<ul><li>Por tanto, los vectores  A  y  C  que se utilizarán en la fase de aprendizaje de la red FAM serán:   </li></ul>
<ul><li>Ya se puede aplicar al algoritmo de aprendizaje hebbiano difuso indicado en la tabla 1 para calcular los pesos de ...
Pesos De La Red FAM2
<ul><li>Una vez establecidos los pesos, ya se puede utilizar la red como memoria asociativa, siendo su funcionamiento el d...
<ul><li>Se aplicará un vector de entradas: </li></ul><ul><li>en las neuronas de la capa de entrada y al propagando la entr...
Utilidad de las redes FAM <ul><li>La utilidad de este tipo de redes se pone de manifiesto si se emplean varias de ellas pa...
<ul><li>Se usaría K redes FAM, una para cada regla del tipo  regla i:  SI (x es a i ) ENTONCES (y será c i ) ,  todas ella...
Esquema Funcional De Un Controlador Difuso Basado En Redes Neuronales
<ul><li>Al  evaluar las  reglas se debe añadir a la salida una nueva capa de  M  neuronas (denominada  SUM)   con función ...
<ul><li>Con lo anterior se  realiza la suma de todos los subconjuntos  para obtener un conjunto global, unión de los anter...
Defusificación <ul><li>Utilizando el método del centroide al trabajar con valores discretos, la expresión matemática sería...
Donde: <ul><li>es el grado de pertenencia  de  la  muestra </li></ul><ul><li>i-ésima del rango de valores discretos en que...
<ul><li>Este valor coincidirá con la salida de la neurona  i  de la nueva capa de neuronas ( SUM ) que se ha añadido a la ...
 
Continuando El Ejemplo CONTROLADOR DE LA VELOCIDAD DE UN VENTILADOR EN FUNCIÓN DE LA TEMPERATURA
Diseño <ul><li>Para poder comprobar qué velocidad habría que aplicar cuando la temperatura es, por ejemplo de 18  C, habr...
Reglas y funciones de pertenencia de los conjuntos difusos del ejemplo   <ul><li>Los vectores de entrenamiento  ( A i , C ...
Regla  1 <ul><li>R 1 :  A 1   = FRESCA  </li></ul><ul><li>C 1  = LENTA   </li></ul><ul><li>  Para  A i  :  ( 1, 0.5, 0, 0,...
Regla  2 <ul><li>R 2   A 2  = AGRADABLE  </li></ul><ul><li>C 2   =MEDIA   </li></ul><ul><li>  Para  A i  :  (0, 0.17, 0.67...
Regla  3 <ul><li>R 3 :  A 3  = CALIDA </li></ul><ul><li>C 3  = RAPIDA   </li></ul><ul><li>Para  A i  :  (0, 0, 0, 0, 0.33,...
Los Pesos De La Red  FAM 1   son:
Los Pesos De La Red  FAM 3   Son:
<ul><li>Los pesos de las conexiones entre las neuronas de salida de la batería de reglas FAM  y las neuronas de la capa fi...
Entrada De 18  C  (X = 18). <ul><li>En primer lugar, este valor pasaría al módulo de  fusificación .  La función de dicho...
<ul><li>En este ejemplo, los valores discretos posibles que se habían considerado para la temperatura eran 15  C, 18  C,...
<ul><li>En el vector que se genera existirán tantas componentes como temperaturas posibles  (en este caso, 6),  número que...
<ul><li>En el ejemplo. Si  x  =18,  la componente con valor  1  será la segunda del vector:   </li></ul>
<ul><li>Dicho vector se aplica como entrada a todas las redes FAM  de la base de reglas del sistema de control difuso, obt...
<ul><li>Cada una de estos vectores representa la función de pertenencia de los subconjuntos difusos a los que pertenecerá ...
<ul><li>El primero de ellos representa un subconjunto de velocidad LENTA, al que pertenecerá en un 50% el valor final de l...
<ul><li>La salida total de la red se obtiene mediante la suma de estos tres vectores multiplicados por los pesos de las co...
Función de pertenencia global  y centroide
Defusificación <ul><li>El último módulo del sistema se encarga de la  defusificación   de la salida. Si el método es el de...
<ul><li>Por ultimo, hay que indicar que las redes FAM también pueden utilizarse en sistemas de control con algunas entrada...
Upcoming SlideShare
Loading in …5
×

Redes Neuronales Como Memorias Asociativas Difusas

3,698 views

Published on

Redes Neuronales Como Memorias Asociativas Difusas
Metodos Neuronales En Sistemas Difusos

Published in: Education, Technology
1 Comment
1 Like
Statistics
Notes
No Downloads
Views
Total views
3,698
On SlideShare
0
From Embeds
0
Number of Embeds
28
Actions
Shares
0
Downloads
175
Comments
1
Likes
1
Embeds 0
No embeds

No notes for slide

Redes Neuronales Como Memorias Asociativas Difusas

  1. 1. Metodos Neuronales En Sistemas Difusos Redes Neuronales Como Memorias Asociativas Difusas (FAM)
  2. 2. FAM ( Fuzzy Associative Memory ) <ul><li>Propuestas por B. Kosko en 1987. </li></ul><ul><li>La topología de esta red es semejante a la de otras memorias asociativas, </li></ul><ul><li>BAM ( Bidirectional Associative Memory ) y </li></ul><ul><li>TAM ( Temporal Associative Memory ) . </li></ul>
  3. 3. Operación <ul><li>Estas redes almacenan (aprenden) parejas de vectores (A 1 ; C 1 ), (A 2 ; C 2 ),... (A P ; C P ) , y, además de permitir posteriormente recuperar un vector C i a partir de un incompleto A i de entrada, también permiten hacerlo en sentido contrario; es decir, recuperar un vector A i a partir de una entrada C i incompleta. </li></ul>
  4. 4. Aprendizaje <ul><li>En la red FAM el aprendizaje es OFF-LINE de tipo hebbiano. </li></ul><ul><li>El proceso de ajuste de los pesos durante el entrenamiento cuando se presentan P parejas de vectores del tipo, </li></ul>
  5. 5. Aprendizaje <ul><li>Que deben ser almacenados en la red es: </li></ul><ul><li>Teniendo N neuronas en la capa A , y M neuronas en la capa C. </li></ul><ul><li>La red FAM sólo almacena una pareja (A, C). </li></ul>
  6. 6. Subredes que componen a las FAM
  7. 7. Subredes FAM <ul><li>Cuando se utiliza la capa A como entrada, se trata de una red asociativa que, a través de los pesos W , genera como salida C el patrón asociado al de entrada, fig. (a). Cuando la capa de entrada es C , se genera como salida a través de los pesos V el patrón asociado al de entrada B, fig. (b). </li></ul>
  8. 8. La matriz de pesos entre las neuronas de la capa A y C : <ul><li>Los pesos de las conexiones de las neuronas de la capa C hacia las de la capa A son iguales a los de las conexiones de A hacia C . </li></ul>
  9. 9. <ul><li>Es decir v ij = w ji , con lo que la matriz de pesos V coincidiría con la transpuesta de W : V = W T . </li></ul>
  10. 10. Finalizado El Aprendizaje <ul><li>Se pueden utilizar estas redes como memorias asociativas para recuperar la información que almacenan. </li></ul><ul><li>Presentar a la entrada de la red un vector A o C , que corresponda exacta o parcialmente con alguno de los utilizados en el entrenamiento. </li></ul>
  11. 11. Funcionamiento de las redes FAM <ul><li>Las funciones de activación de las neuronas en las redes FAM son de tipo lineal, con lo que la salida coincide con la entrada neta. </li></ul><ul><li>  </li></ul><ul><li>NET C net cj s cj (t+1) NET A Net ai S ai (t+1) </li></ul>
  12. 12. Funcionamiento <ul><li>La red FAM es una memoria asociativa que utiliza el operador lógico difuso denominado composición, tanto en el aprendizaje como durante su funcionamiento. Esta red es útil para almacenar una regla de control difusa como por ejemplo: </li></ul><ul><li>Regla R : </li></ul><ul><li>SI ( x es A ) ENTONCES ( y será C ) </li></ul>
  13. 13. <ul><li>Durante la fase de entrenamiento se aplica el algoritmo de aprendizaje Hebbiano difuso (ver tabla 3.2) para registrar en los pesos de la red las funciones de pertenencia a los conjuntos difusos A y C . </li></ul>
  14. 14. <ul><li>Previamente se deberá expresar de forma discreta estas funciones continuas, ya que en los pesos se registrarán de esa forma. </li></ul><ul><li>Por ejemplo en un control difuso para un ventilador, se podría considerar discretizado el rango de temperaturas posibles, tomando un número limitado de valores para definir las funciones de pertenencia. </li></ul>
  15. 15. <ul><li>Este número de valores coincidirá con el de neuronas de entrada de la red FAM. En la siguiente, Fig. (a), se muestra una posible discretización de las funciones, considerando únicamente las temperaturas 15  C, 18  C, 21  C, 24  C, 27  C y 30  C. </li></ul><ul><li>Para simplificar los cálculos, se van a considerar sólo 3 conjuntos difusos (FRESCA, AGRADABLE, CALIDA) y un rango de 15  C a 31  C. </li></ul>
  16. 16. a) b)
  17. 17. <ul><li>En cuanto a los conjuntos difusos de la velocidad del ventilador, sólo se van a considerar tres (LENTA, MEDIA, RAPIDA) y un rango de valores posibles entre 20 y 40 rpm, discretizado en los valores 20, 25, 30, 35, y 40 rpm (ver Fig. (b) anterior). </li></ul>
  18. 18. <ul><li>Por tanto, los conjuntos difusos estarían formados por los siguientes valores discretos: </li></ul><ul><li>  </li></ul><ul><li>*TEMPERTURA: </li></ul><ul><li>Fresca = {15, 18, 21}; Agradable{18, 21, 24, 27}; Cálida = {27, 30} </li></ul><ul><li>  </li></ul><ul><li>*VELOCIDAD </li></ul><ul><li>Lenta = {20, 25, 30} ; Media={20, 25, 30, 35, 40} ; Rápida = {30, 35, 40} </li></ul>
  19. 19. <ul><li>Y las reglas de control difuso serían: </li></ul><ul><li>  </li></ul><ul><li>REGLA 1: SI (Temperatura es fresca) ENTONCES (Velocidad será lenta) </li></ul><ul><li>REGLA 2: SI (Temperatura es agradable) ENTONCES (Velocidad será media) </li></ul><ul><li>REGLA 3: SI (Temperatura es cálida) ENTONCES (Velocidad será rápida) </li></ul>
  20. 20. Red FAM para almacenar una regla de control
  21. 21. <ul><li>Si se desea utilizar una red FAM (ver Fig. anterior) para almacenar una de estas reglas, por ejemplo la 2, se procederá de la siguiente forma: </li></ul><ul><li>Se crean los vectores A y C para registrar la forma de las funciones de pertenencia del conjunto del antecedente (temperatura AGRADABLE) y del consecuente (velocidad MEDIA), respectivamente. </li></ul>
  22. 22. <ul><li>Estos vectores contienen los valores de las correspondientes funciones para cada una de las temperaturas y velocidades en que han discretizado estos dominios. </li></ul><ul><li>En el caso de la temperatura, puede comprobarse a través de la figura (a) que estos valores son: </li></ul>
  23. 23. <ul><li>Para las velocidades, según la figura (b), los grados de pertenencia de los valores discretos al conjunto de velocidad MEDIA serían: </li></ul>
  24. 24. <ul><li>Por tanto, los vectores A y C que se utilizarán en la fase de aprendizaje de la red FAM serán: </li></ul>
  25. 25. <ul><li>Ya se puede aplicar al algoritmo de aprendizaje hebbiano difuso indicado en la tabla 1 para calcular los pesos de la red FAM: </li></ul>
  26. 26. Pesos De La Red FAM2
  27. 27. <ul><li>Una vez establecidos los pesos, ya se puede utilizar la red como memoria asociativa, siendo su funcionamiento el descrito por la siguiente expresión difusa: </li></ul>
  28. 28. <ul><li>Se aplicará un vector de entradas: </li></ul><ul><li>en las neuronas de la capa de entrada y al propagando la entrada a través de las conexiones con pesos W , se obtiene un vector: </li></ul><ul><li>en las neuronas de la capa de salida. </li></ul>
  29. 29. Utilidad de las redes FAM <ul><li>La utilidad de este tipo de redes se pone de manifiesto si se emplean varias de ellas para formar la base de reglas de un sistema de control difuso. </li></ul>
  30. 30. <ul><li>Se usaría K redes FAM, una para cada regla del tipo regla i: SI (x es a i ) ENTONCES (y será c i ) , todas ellas con N neuronas en la capa de entrada (que en este caso sería a i ) y M en la capa de salida ( c i ). </li></ul>
  31. 31. Esquema Funcional De Un Controlador Difuso Basado En Redes Neuronales
  32. 32. <ul><li>Al evaluar las reglas se debe añadir a la salida una nueva capa de M neuronas (denominada SUM) con función de activación lineal, que reciba los subconjuntos difusos extraídos de cada red FAM i. </li></ul>
  33. 33. <ul><li>Con lo anterior se realiza la suma de todos los subconjuntos para obtener un conjunto global, unión de los anteriores, que permita posteriormente, utilizando alguna de las conocidas técnicas de defusificación y calcular el valor concreto de salida ( y ) del sistema. </li></ul>
  34. 34. Defusificación <ul><li>Utilizando el método del centroide al trabajar con valores discretos, la expresión matemática sería: </li></ul>
  35. 35. Donde: <ul><li>es el grado de pertenencia de la muestra </li></ul><ul><li>i-ésima del rango de valores discretos en que se ha dividido el dominio de salida al nuevo conjunto global C : </li></ul>
  36. 36. <ul><li>Este valor coincidirá con la salida de la neurona i de la nueva capa de neuronas ( SUM ) que se ha añadido a la batería de redes FAM. </li></ul><ul><li>La Estructura del módulo de evaluación de reglas de control difusas se muestra acontinuación: </li></ul>
  37. 38. Continuando El Ejemplo CONTROLADOR DE LA VELOCIDAD DE UN VENTILADOR EN FUNCIÓN DE LA TEMPERATURA
  38. 39. Diseño <ul><li>Para poder comprobar qué velocidad habría que aplicar cuando la temperatura es, por ejemplo de 18  C, habrá que terminar de diseñar el resto de redes FAM que almacenan las reglas. </li></ul>
  39. 40. Reglas y funciones de pertenencia de los conjuntos difusos del ejemplo <ul><li>Los vectores de entrenamiento ( A i , C i ), que representan los conjuntos difusos de temperatura y velocidad, son: </li></ul><ul><li>REGLA i : </li></ul><ul><li>SI ( x es A i ) </li></ul><ul><li>ENTONCES ( y será C i ) </li></ul>
  40. 41. Regla 1 <ul><li>R 1 : A 1 = FRESCA </li></ul><ul><li>C 1 = LENTA </li></ul><ul><li>  Para A i : ( 1, 0.5, 0, 0, 0, 0) </li></ul><ul><li>Para C i : (1, 0.62, 0, 0, 0) </li></ul>
  41. 42. Regla 2 <ul><li>R 2 A 2 = AGRADABLE </li></ul><ul><li>C 2 =MEDIA </li></ul><ul><li>  Para A i : (0, 0.17, 0.67, 0.83, 0.33, 0) </li></ul><ul><li>Para C i : (0, 0.62, 1, 0.62, 0) </li></ul>
  42. 43. Regla 3 <ul><li>R 3 : A 3 = CALIDA </li></ul><ul><li>C 3 = RAPIDA </li></ul><ul><li>Para A i : (0, 0, 0, 0, 0.33, 0.83) </li></ul><ul><li>Para C i : (0, 0, 0, 0.62, 1) </li></ul>
  43. 44. Los Pesos De La Red FAM 1 son:
  44. 45. Los Pesos De La Red FAM 3 Son:
  45. 46. <ul><li>Los pesos de las conexiones entre las neuronas de salida de la batería de reglas FAM y las neuronas de la capa final (SUM) del módulo de evaluación de reglas se van a fijar a valor 1 , lo que quiere decir que se va a dar la misma importancia a todas las reglas almacenadas. </li></ul>
  46. 47. Entrada De 18  C (X = 18). <ul><li>En primer lugar, este valor pasaría al módulo de fusificación . La función de dicho módulo, en este caso, será la de generar un vector de entrada a la red donde se indique la temperatura discreta más cercana al valor de entrada. </li></ul>
  47. 48. <ul><li>En este ejemplo, los valores discretos posibles que se habían considerado para la temperatura eran 15  C, 18  C, 21  C, 24  C, 27  C, 30  C, por lo que, como x =18, es evidente que el más cercano es precisamente el mismo valor. </li></ul>
  48. 49. <ul><li>En el vector que se genera existirán tantas componentes como temperaturas posibles (en este caso, 6), número que será igual al de neuronas de la capa de entrada de las redes FAM. </li></ul><ul><li>Las componentes de este vector serán todas cero, excepto la que coincida, o sea más cercana, con el valor de entrada ( x ). </li></ul>
  49. 50. <ul><li>En el ejemplo. Si x =18, la componente con valor 1 será la segunda del vector: </li></ul>
  50. 51. <ul><li>Dicho vector se aplica como entrada a todas las redes FAM de la base de reglas del sistema de control difuso, obteniéndose las siguientes salidas en estas redes: </li></ul>
  51. 52. <ul><li>Cada una de estos vectores representa la función de pertenencia de los subconjuntos difusos a los que pertenecerá la salida, en este caso velocidad, del sistema </li></ul>Subconjuntos difusos para la velocidad cuando la temperatura es de 18  C
  52. 53. <ul><li>El primero de ellos representa un subconjunto de velocidad LENTA, al que pertenecerá en un 50% el valor final de la velocidad al ser la temperatura de 18  C un 50% FRESCA; el segundo es de velocidad MEDIA, al que pertenecerá en un 17% por ser un 17% AGRADABLE, y el tercero es RAPIDA, al que no pertenecerá en absoluto la velocidad del ventilador cuando la temperatura es de 18  C. </li></ul>
  53. 54. <ul><li>La salida total de la red se obtiene mediante la suma de estos tres vectores multiplicados por los pesos de las conexiones de las neuronas de salida de las subredes FAM y las de la capa de salida (SUM) de la red, que en este caso tenían el valor de 1 al considerar de igual importancia todas las reglas: </li></ul>
  54. 55. Función de pertenencia global y centroide
  55. 56. Defusificación <ul><li>El último módulo del sistema se encarga de la defusificación de la salida. Si el método es el del centroide, la velocidad de salida obtenida es: </li></ul>
  56. 57. <ul><li>Por ultimo, hay que indicar que las redes FAM también pueden utilizarse en sistemas de control con algunas entradas que utilizan reglas de control con varios antecedentes. </li></ul>

×