CAPITOLUL Z : INTELIGENA COMPUTAIONAL

Demersurile de a defini inteligena (I) provoac nc dezbateri grele.

Inteligena este definit ca o capacitate de a nelege i de a profita din experien.
Un nivel superior al I este capacitatea de a interpreta, de a gndi i de a raiona.
Alte cuvinte cheie care definesc inteligena includ creativitatea, talentul, contiina,
emoia i intuiia.
Inteligena computaional (IC) este o ramificaie a inteligenei artificiale (IA).
Inteligena Artificial este inteligena mainilor i totodat domeniul
tiinei calculatoarelor care i propune s creeze aceast inteligen. Majoritatea
crilor de IA definesc domeniul ca studiul i proiectarea agenilor inteligeni, unde
un agent inteligent este un sistem care percepe mediul nconjurtor i ia decizii
pentru maximizarea anselor de succes. John McCarthy, ctigtor al premiului
Turing n anul 1971 i inventatorul limbajului LISP este cel care a propus termenul
de inteligen artificial (IA) n anul 1956, definind-o ca tiina i ingineria avnd
ca obiectiv realizarea mainilor inteligente.
De la recunoaterea domeniului IA (1956) i pn n jurul anului 1980,
paradigma dominant n cercetrile de IA a fost demersul implicnd "Buna Inteligen
Artificial de Mod Veche" ("Good Old-Fashioned Artificial Intelligence"=GOFAI);
acest demers este bazat pe ipoteza c cele mai multe aspecte ale inteligenei artificiale
pot fi realizate utiliznd manipularea simbolurilor.
Inteligena computaional (IC) este un vlstar al inteligenei artificiale
care se definete ca o alternativ a domeniului inteligenei artificiale convenionale
GOFAI i se bazeaz n special pe algoritmi euristici care sunt inspirai din
modelele sistemelor naturale. IC conine urmtoarele subdomenii eseniale:
(a) reele neuronale artificiale (RNA)
(b) sisteme fuzzy (SF)
(c) calcul evolutiv (CE) (Evolutionary Computation)
(d) alte subdomenii ale IC sunt:inteligena roiurilor (IR) (Swarm
Intelligence), modelul optimizrii coloniilor de furnici (OCF), sisteme imune
naturale (SIN), fractali (F), teoria haosului (TH), reele Bayesiene (RB) etc.
IC combin elemente de tehnica nvrii, logic evolutiv i fuzzy,
pentru a crea programe inteligente. IC este apropiat de soft computing,
sisteme adaptive, conexioniste i cibernetic.
Soft computing (SC) este domeniul tiinei calculatoarelor caracterizat
prin utilizarea unor soluii inexacte la sarcini computaionale dificile cum sunt
problemele NP-complete, pentru care nu se pot gsi soluii exacte ntr-un timp
polinomial. Tehnicile utilizate sunt chiar acelea care caracterizeaz IC. Practic,
termenul de Soft Computing se suprapune peste acela de IC.
IC are aplicaii efervescente n biologie, medicin, robotic, economie,
finane, aprare, tiine sociale, management, etc. CI reprezint un obiect de interes
nu numai pentru cercettori din domeniul tiinei calculatoarelor, dar i pentru
cercettori din alte domenii ca bioinformaticieni, biochimiti, mecanici,
economiti, medici i muzicieni.
Z.1. Reele neuronale artificiale
Z.1.1. Introducere
Biologii, matematicienii i inginerii studiaz reelele neuronale biologice
de foarte muli ani. Creierul uman este o astfel de reea. Descoperirea modului de
funcionare a creierului este un efort continuu care a nceput cu mai bine de 2000
de ani n urm prin cercetrile lui Aristotel i Heraclit i a fost continuat de Ramon
y Cajal, Colgi, Hebb i muli alii. Creierul proceseaz informaiile foarte rapid i
cu o mare precizie. El poate fi antrenat sau poate chiar s nvee singur s identifice
forme incomplet descrise. Mai mult, reelele neuronale astfel antrenate i pstreaz
capacitile chiar dac unii dintre neuronii componeni mor, lucru care se ntmpl
zi de zi i n creierele noastre, pe msur ce mbtrnim. De exemplu, chiar ntr-un
stadion zgomotos cu mii de persoane, putem recunoate un prieten de departe sau
putem recunoate voci n zgomotul infernal. Aceast capacitate a creierului de a
recunoate o anumit informaie practic necat n zgomot este unul dintre
procesele uluitoare pe care ne-am dori s o putem duplica artificial, cu ajutorul
mainilor. Pe msur ce informaiile despre funcionarea creierului s-au acumulat,
s-a conturat proiectul de a construi o main care s imite creierul uman
echivalentul creaiei din lumea biologic. Dac am reui s construim o main o
reea neuronal artificial care s emuleze doar 0.1% din performanele creierului
uman, am dispune de un sistem extraordinar pentru prelucrarea i controlul
informaiei. O reea neuronal (sau neural) const dintr-un set de elemente simple
numite neuroni, unii fiind legai ntre ei prin conexiuni (arce) etichetate cu ponderi.
Reelele neuronale artificiale (RNA) au aprut ca o ncercare de modelare a
sistemului nervos dar au devenit obiect matematic, oferind o nou paradigm de
calcul diferit de cea a calculatoarelor actuale, prin aceea c nu execut programe
secveniale de rezolvare algoritmic a problemelor, ci se instruiesc sistematic prin
utilizarea unor eantioane de nvare, informaia este distribuit redundant n
structura reelei, iar modelul de calcul este puternic paralel i distribuit.
Unele din sarcinile semnificative care pot fi implementate de RNA sunt:
recunoaterea formelor
aproximarea funciilor
predicia
clustering
optimizare combinatorial
modelarea sistemelor neliniare
controlul
mineritul datelor
interfee adaptive ntre om i sisteme fizice complexe
De exemplu, reelele neuronale convenabil proiectate pot fi utilizate n
clasificarea i recunoaterea unor forme, ale cror caracteristici sunt prezentate la
intrarea reelei.
RNA au fost recunoscute ca instrumente puternice pentru rezolvarea unei
varieti de probleme n domeniile tiinei i ingineriei. RNA au fcut o tranziie
rapid de la cercetarea n domeniile tiinelor cognitive i ale neurobiologiei la
domeniul ingineriei prin munca de pionierat a lui McCullough, Pitts, Rosenblatt,
Widrow, Kohonen, Carpenter, Grossberg, Hopfield i muli alii care au dezvoltat
modele care sunt aplicate i astzi. Ingineri din toate disciplinele (hardware,
software, sisteme, materiale, etc.) lucreaz n domeniul RNA.

Z.1.2. Istoricul dezvoltrii RNA
Istoria reelelor neuronale artificiale ncepe n anul 1943 cu primul model
de neuron propus de W. S. McCulloc i W. Pitts (un neurofiziolog i un
matematician), model acceptat n linii generale i astzi. Acest model de neuron
este un dispozitiv simplu care calculeaz suma ponderat a intrrilor. Ponderile
pozitive sunt excitatoare iar ponderile negative sunt inhibitoare. Dac excitaia
total, adic suma ponderat a intrrilor, depete un anumit prag, atunci neuronul
este activat i emite un semnal de ieire (y = 1), altfel neuronul nu este activat (y =
0). Modelul de neuron propus de McCulloc i Pitts este cunoscut i sub numele de
poarta liniar cu prag (Linear Threshold Gate).
Progresele nregistrate n neurobiologie i psihologie au dus la apariia unor
modele matematice ale nvarii. Un astfel de model a fost propus de D. O. Hebb n
anul 1949, i descrie procesul prin care ponderile sinaptice sunt modificate pentru a
reflecta mecanismul de nvare realizat de neuronii interconectai atunci cnd
acetia sunt influentati de stimuli ai mediului.
n anul 1958, Frank Rosenblatt a publicat prima sa lucrare despre
perceptron. Acesta era un model probabilistic pentru memorarea i organizarea
informatiei n creier. Perceptronul este format prin interconectarea unei multimi
de neuroni artificiali i reprezint primul model de reea neuronal artificial.
La nceputul anilor 60, Bernard Widrow a propus un model neuronal
numit ADALINE i o reea cu elemente de acest tip numita MADALINE.
ADALINE reprezinta prescurtarea de la ADAptive Linear Neuron iar MADALINE
este un acronim pentru Multiple ADALINE. Reelele neuronale realizate n aceasta
perioada au fost aplicate n rezolvarea unor probleme de recunoaterea formelor
cum ar fi recunoaterea unor structuri specifice n electrocardiograme sau percepia
artificial. Primele succese ale modelelor conexioniste au creat o mare emoie n
lumea tiinific, specialitii fiind aproape unanimi n a considera c i alte procese
asociate cu inteligena i memoria uman pot fi modelate prin astfel de reele.
Marvin Minsky, n cartea Perceptronus publicat n 1969 mpreun cu S.
Papert, a fcut o analiz lucid a posibilitilor i limitelor modelelor neuronale
existente n epoc. El a demonstrat imposibilitatea reelelor cu un singur strat de a
rezolva unele probleme relativ simple cum ar fi funcia logic SAU EXCLUSIV.
Cartea lui M. Minsky i S. Papert, prin concluziile sale sceptice privind
posibilitatea reelelor multistrat de a depi dificultile perceptronului, pstrnd
ns caracteristicile care-l fac interesant (liniaritatea, convergenta algoritmului de
instruire, simplitatea conceptual ca model de calcul paralel), a determinat o
scdere dramatic a interesului pentru aceast direcie de cercetare. A urmat
aproape un deceniu de stagnare, n care puinii cercettori n domeniu au fost lipsii
de fondurile necesare.
Evenimentul care a determinat relansarea cercetrilor privind modelele
conexioniste a fost publicarea n 1986 a crtii Parallel Distributed Processing,
Exploration in the Microstructure of Cognition de ctre David Rumelhart, James
McClelland i grupul PDP.
n anul 1987 a fost organizata prima conferina internaionala de reele
neuronale. n prezent exista mai multe reviste de specialitate care public articole
privind reelele neuronale i cel puin o revista de prestigiu consacrat acestui
domeniu: IEEE Transaction on Neural Networks.
Teoria mulimilor fuzzy, introdus n 1965 prin lucrrile lui L. A. Zadeh,
reprezint un model matematic puternic pentru tratarea ambiguitii de natura
nestatistic i pentru modelarea raionamentului nuanat. Utiliznd aceast teorie se pot
realiza reele neuronale capabile s nvee din date de instruire incomplete, ambigue
sau contradictorii. O tendin recent este utilizarea algoritmilor genetici i evolutivi
att pentru instruirea reelelor neuronale ct i pentru stabilirea arhitecturii reelei.

Z.1.3. Conceptul de neuron artificial i reea neuronal artificial
Neuronul artificial. Un neuron artificial (NA) este un set de patru entiti
={X,W, u, f
NA
}, caracterizat prin implementarea unei transformri neliniare
f
NA
: R
n
[0, 1]
sau
f
NA
: R
n
[-1, 1],
unde X = (x
1
, x
2
,x
n
)
t
este intrarea NA reprezentat ca un vector real cu n
componente, W= (w
1
, w
2
,w
n
)
t
este vectorul n-dimensional reprezentnd setul de
ponderi al neuronului, u este un parametru real numit pragul NA, iar y este ieirea NA.

Fig. Z.1. Neuron artificial cu n intrri x
1
, x
2
,x
n,
cu ponderile w
1
, w
2
,w
n
cu pragul u i cu ieirea y.
Intrarea net a neuronului este calculat uzual ca suma ponderat a tuturor
semnalelor de intrare
net=
i
n
i
i
w x
=1

Funcia de activare f
NA,
care furnizeaz semnalul de ieire y, este n general o
funcie monoton, <f
NA
(-)=0 sau f
NA
(-) =-1
i
f
NA
(+)=1.
Mai departe sunt prezentate cele mai frecvente funcii de activare (Fig. Z.2).
y
.
.
.
.
w
n


f
NA
(net-)
x
1

x
2

x
n

w
1

w
2


(a) (b)


(c) (d)


(e) (f)
Fig. Z.2. Funcii de activare ale neuronului. (a) liniar. (b) treapt. (c) ramp. (d) sigmoid.
(e) tangent hiperbolic. (f) gaussian.
a. Funcie liniar
f
NA
(net-u) = o(net-u)
b. Funcie treapt
f
NA
(net-u) =

>
u
o
u
o
net dac
net dac
, 2
, 1

Cazurile particulare interesante sunt (o
1
=1 i o
2
=0) sau (o
1
=1 i o
2
=-1).
c. Funcia ramp
f
NA
(net-u)= o, daca net-u> o
net-u daca u net <o
-o, dac net-u -o
d. Funcie sigmoidal
f
NA
(net-u)=
e
net ) (
1
1
u
+
, ( 0 > )
e. Funcie tangent hiperbolic
f
NA
(net-u)=tanh( ) ( u net )=
e
net
e
net
e
net
e
net
) ( ) (
) ( ) (
u u
u u

+

f. Funcie gaussian
f
NA
(net-u) = e
2
/
2
) ( o u net


Reeaua neuronal artificial. Se numete reea neuronal artificial
(RNA) cu p straturi un graf orientat etichetat pe care vrfurile sunt neuroni
1
,

2
,
M
dispui pe p
1
straturi de intrare, p
2
straturi de ieire i p
3
straturi
intermediare (p
1
+ p
2
+ p
3
= p); arcele corespund conexiunilor ntre unii din aceti
neuroni, pe fiecare arc fiind indicat ponderea respectiv. Reeaua se numete
liniar dac toi neuronii sunt liniari.
Numrul de neuroni de pe fiecare strat i numrul ponderilor determin
arhitectura reelei neuronale.

Fig. Z.3. Reea neuronal artificial.
Z.1.4. Clasificri ale RNA
innd seama de modul specific de funcionare i de problema pe care o rezolv,
o prim clasificare consider urmtoarele trei tipuri de modele ca RNA pure:

m

y
m

y
m
y
k

y
k

y
j

y
j

y
p

y
q

w
a

w
b

w
e

w
f

A. Reele pentru aproximare funcional
B. Reele pentru transferul strii
C. Reele bazate pe nvarea competitiv.

A. n reelele pentru aproximare funcional, semnalul de ieire
depinde n mod unic de semnalul de intrare. Maparea este parametric, aceste reele
putnd fi privite ca sisteme de funcii de baz, care depind de tehnologia folosit
pentru realizarea lor, a cror parametri (de obicei ponderile sinaptice) sunt
potrivii la setul de date de nvare prin calcul algebric sau algoritmi de
optimizare de tip gradient. Modelele reprezentative pentru aceast categorie sunt:
Perceptronul multistrat
Madaline
Reelele cu funcii de baz radiale
Reelele feedforward.
B. n reele pentru transferul strii, feedback-urile i neliniaritile
sunt att de puternice nct starea reelei evolueaz rapid spre una din strile
stabile. Informaia de intrare determin starea iniial, iar starea final este obinut
prin evoluia reelei. Din aceast categorie de reele neuronale fac parte:
Reeaua Hopfield
Maina Boltzmann.
C. n reelele bazate pe nvarea competitiv sau reelele cu auto-
organizare neuronii, cel puin n cele mai simple arhitecturi, primesc informaie de
intrare identic. Prin intermediul legturilor laterale aceti neuroni concureaz la
privilegiul de a fi activai i, implicit, de a-i modifica ponderile sinaptice. n final,
fiecare neuron sau grup de neuroni este sensibilizat la un diferit domeniu din
spaiul vectorilor de intrare i va aciona ca un decodor al acelui domeniu. Reelele
neuronale reprezentative acestei categorii sunt:
Reelele bazate pe nvarea competitiv simpl pentru clustering i
cuantizare vectorial;
Reelele ART (Adaptive Rezonance Theory) ale lui Carpenter i
Grossberg bazate pe teoria rezonanei adaptive;
Hrile autoorganizabile ale lui Kohonen (Self-Organizing Maps).
Un alt criteriu de clasificare este tipul de nvare.
nvarea este procesul prin care reeaua neuronala se adapteaz la stimuli
i, n cele din urm, produce rspunsurile dorite n cazul nvrii supervizate sau o
mulime consistent de ieiri n cazul nvrii nesupervizate. Cunoaterea pe care
reeaua o dobndete este memorat n ponderile sinapselor dintre neuroni.
Vectorii de instruire se prezint reelei n mod secvenial i ponderile
sinaptice sunt ajustate pentru a capta cunoaterea pe care aceti vectori o conin.
Ajustarea ponderilor se face cu o procedur prestabilit, numit legea de nvare
sau algoritmul de nvare.
Exist doua tipuri fundamentale de nvare n reelele neuronale:
a. nvarea supervizat (reelele neuronale corespunztoare se numesc RNA
supervizate)
b. nvarea nesupervizat (reelele neuronale corespunztoare se numesc RNA
nesupervizate)

a. RNA supervizate. n acest caz se prezint reelei un lot de exemple de
instruire. Un exemplu de instruire este o pereche formata dintr-un vector de intrare
i ieirea dorita. n timpul sesiunii de nvare, pentru fiecare vector aplicat la
intrarea reelei se calculeaz ieirea corespunztoare i aceasta ieire este
comparata cu vectorul de ieire dorit. Se obine un semnal de eroare care este
folosit pentru a calcula coreciile care trebuie aplicate ponderilor sinaptice astfel
nct s se minimizeze aceasta eroare. Procesul de minimizare a erorilor necesita
un circuit special numit supervizor sau profesor, de unde i denumirea de nvare
supervizata. Vectorii din lotul de instruire sunt aplicai reelei secvenial i ciclic,
modificndu-se n mod corespunztor ponderile, pn cnd eroarea total asociata
ntregii mulimi de instruire atinge o valoare acceptabila.
Cei mai importani parametri care trebuie urmrii n cazul nvrii
supervizate sunt:
o timpul necesar unei iteraii;
o numrul de iteraii pe vector de intrare necesar pentru ca eroarea s
scad sub eroarea maxim acceptat;
o dac reeaua neuronal converge spre un minim local sau global;
o n cazul obinerii unui minim local, dac reeaua poate scpa din
acest minim.
Aceti parametri depind de algoritmul folosit.
Un caz particular al nvrii supervizate este nvarea prin ntrire. n
acest caz supervizorul nu mai genereaz un semnal de eroare proporional cu
diferena dintre ieirea real i cea dorit, ci un semnal binar, pass/fail, de ntrire,
care recompenseaz sau penalizeaz reeaua n funcie de corectitudinea sau
incorectitudinea transformrii. Reeaua se adapteaz ncercnd s minimizeze
penalizrile i s maximizeze recompensele.

b. RNA nesupervizate. Dei nvarea supervizat are numeroase aplicaii,
a fost criticat ca fiind neplauzibil din punct de vedere biologic. Aceste critici
pornesc de la faptul c este greu de conceput prezena n creier a unui mecanism de
instruire care ar compara ieirile dorite cu cele reale, propagnd napoi n toat
reeaua de neuroni coreciile efectuate. Dac totui ar exista un astfel de mecanism,
de unde provin ieirile dorite? Pe de alt parte s-a pus n eviden o auto-organizare a
creierului, nc din stadiile timpurii ale dezvoltrii sale, auto-organizare care nu poate
fi explicat printr-un mecanism de nvare supervizat. nvarea nesupervizat este
un model mult mai plauzibil din punct de vedere biologic.
Spre deosebire de nvarea supervizata, n cazul nvrii nesupervizate
ponderile nu se modific n urma comparrii cu rspunsuri predeterminate i nu
mai este nevoie de un circuit supervizor. Lotul de instruire const din vectorii de
intrare neetichetai {X
i
; i = 1, 2, , N}, X
i
e
R
n
. Fr o cunoatere a priori a ceea
ce ar putea fi un rspuns corect, obiectivul reelelor neuronale nesupervizate este de
a realiza o grupare a formelor de intrare n grupuri de forme de intrare similare sau
de a descoperi trsturi sau regulariti n lotul de date de antrenare. n alte cazuri
se dorete maparea vectorilor de intrare X
i
ntr-un set de vectori de ieire de
dimensiune redus, astfel nct relaiile topologice existente ntre vectorii de intrare
s se pstreze n spaiul de ieire.
Pe durata nvrii reeaua primete la intrare vectorii din lotul de instruire i i
modific ponderile astfel nct s produc la ieire vectori consisteni, adic,
prezentnd reelei la intrare doi vectori suficient de asemntori, la ieire vom
obine acelai vector sau vectori apropiai. De obicei, ponderile i ieirile reelei
converg, pe parcursul procesului de nvare, spre o reprezentare care capteaz
regularitile statistice n lotul de nvare. Rspunsul pe care l va produce o clas
de vectori de intrare nu este cunoscut pn la terminarea procesului de nvare. De
aceea, de obicei, dup terminarea nvrii, este necesar o etap de calibrare
pentru a identifica relaiile intrare-ieire.
RNA nesupervizate pot fi clasificate astfel:
- Reele neuronale Hebbiene, bazate pe diferite variante ale legii de nvare
a lui Hebb. Una dintre cele mai importante aplicaii ale reelelor neuronale
Hebbiene este extragerea componentelor principale (Principal Component
Analysis=PCA).
- Reele neuronale competitive n care sunt folosii neuroni competitivi.
Aceti neuroni au conexiuni excitante prin care primesc informaia de la stratul de
intrare, conexiuni autoexcitante i conexiuni laterale inhibante. Prin intermediul
conexiunilor inhibante laterale se creeaz un mecanism de competiie ntre neuronii
stratului de ieire, avnd ca rezultat activarea celui mai bine potrivit neuron, n
raport cu o anumit metric, la semnalul de intrare. n procesul de instruire, doar
neuronul ctigtor nva din informaia prezentat la intrarea reelei.
- Reele neuronale Kohonen, cunoscute i sub denumirea de hri
autoorganizabile (Self-Organizing Maps), care au la baz nvarea competitiv.
Spre deosebire de nvarea competitiv simpl, nu numai neuronul ctigtor ci i
vecinii acestuia nva din datele prezentate la intrare, fapt care duce la ordonarea
topologic global a neuronilor reelei n sensul c doi vectori vecini n reea vor
avea vectorii pondere vecini n spaiul de intrare.
- Reelele neuronale bazate pe teoria rezonanei adaptive. Aceste reele au la
baz tot nvarea competitiv, i realizeaz un echilibru corect ntre stabilitatea i
plasticitatea reelei, adic sunt capabile s nvee noi forme de intrare fr a uita
formele deja nvate.
Mai exist i alte tipuri de reele neuronale care, dei folosesc tehnici de
nvare supervizat, pe ansamblu realizeaz o nvare nesupervizat n sensul c
lotul de antrenare este format din vectori neetichetai. O astfel de variant o
reprezint reelele neuronale autoasociative pentru clasificare nesupervizat.

Z.1.5. Perceptronul multinivel
Perceptronul multinivel (PM) (multilevel perceptron) este una dintre cele mai
utilizate reele neuronale. Este o reea supervizat, pentru aproximare funcional,
cu o arhitectur fr reacie ( feedforward), care conine n varianta tipic trei
nivele de neuroni, aa cum este reprezentat n Fig. Z.4.

Fig. Z.4. Reea perceptron multistrat cu trei nivele de neuroni.
Primul strat al PM conine neuroni virtuali care nu realizeaz o prelucrare de
semnal, ci doar o multiplexare, prelucrarea propriu-zis avnd loc doar n stratul
intermediar i n cel de ieire.

A. Ecuaiile unui neuron din stratul intermediar

Fig. Z.5. Conexiunile neuronului j din stratul intermediar (j=1,,L).
Utilizm urmtoarele notaii:
( )
t
pn p p
x x X , ,
1
= este vectorul care se aplic la intrarea PM.
pj
i
o |
1 p
x

pn
x
j
h
1 j
W
h
jn
W
Strat intermediar
(L neuroni)
Strat de intrare
(n neuroni)
1 p
x

pi
x
pn
x
1
i
i
i
n

h
Ln
w
h
w
11

1 p
o
pk
o
pM
o

1
L j
1
k
M
o
w
11

o
ML
w
Strat de ieire
(M neuroni)
{ }
h
ji
W , (j=1,,L, i=1,,n) reprezint mulimea ponderilor aferente stratului
intermediar. L este numrul de neuroni ai stratului intermediar, iar n reprezint
numrul neuronilor de pe stratul de intrare. Indicele superior h care apare n
notarea ponderilor acestui strat provine de la hidden (ascuns=intermediar).
Avem doua etape de prelucrare:

=
=
neliniara
liniara
|
o
.

Etapa liniar (

)
n cadrul acestei etape vom defini
h
pj
net ca o variabil de stare intern reprezentnd
activarea neuronului j din stratul intermediar, cnd la intrare se aplica vectorul
p
X ,
pi
n
i
h
ji
h
pj
x W net =
=1
, j=1,,L. ( o)
Dac notm ( )
t
h
jn
h
j
h
j
W W W , ,
1
= , atunci relaia ( o) se mai poate scrie
| |
p
t
h
j p
h
j
h
pj
X W X W net = = , , j=1,,L
Etapa neliniar (

)
Aceasta etapa presupune calcularea ieirii neuronului intermediar j, conform
formulei
( )
u
h
j
h
pj
h
j pj
net f i = , j=1,,L, ( | ),
unde
h
j
f este o funcie neliniara de tipul f: ( )
x
e
x f

+
= 9 9
1
1
, (>0)
(neliniaritate sigmoidal conform Fig. Z.2.d) sau ( ) x th x f = (neliniaritate de tip
tangent hiperbolic, conform Fig. Z.2.f), iar
h
j
u este pragul neuronului j.

B. Ecuaiile unui neuron din stratul de ieire

Fig. Z.6. Conexiunile neuronului k din stratul de ieire (k=1,,M).
Notm cu
{ }
o
kj
W , (k=1,,M, j=1,,L) mulimea ponderilor aferente stratului de
ieire (indicele o=output). M este numrul de neuroni ai stratului de ieire.
pk
o
1 p
i

k
o
1 k
W

o
pL
i
o
kL
W
Avem doua etape de prelucrare:

=
=
neliniara
liniara
o

Etapa liniar ()
Activarea neuronului k din stratul de ieire, cnd la intrarea PM se aplica vectorul
este data de formula
=
=
L
j
pj
o
kj
o
pk
i W net
1
, k=1,,M (),
unde
o
pk
net este o variabila de stare interna (activarea neuronului de ieire k).

Etapa neliniar o
Ieirea neuronului de ieire k este o funcie neliniar de activarea
o
pk
net si pragul
o
k
u al neuronului de ieire k, fiind exprimata de formula
( )
u
o
k
o
pk
o
k pk
net f o = , k=1,,M (o)
unde f
o
k
poate fi sigmoidal sau tangenta hiperbolic (indicele o este marca
stratului de ieire-output).

Algoritmul de instruire
Perceptronul multistrat clasic are un algoritm de instruire supervizat, de
tip gradient descendent (GD), n scopul minimizrii pe lotul de instruire a erorii
ptratice definit ca diferena ntre ieirile ideale i ieirile reale ale neuronilor de
ieire ai PM.
Se noteaz
( ) =
=
M
k
pk pk p
o y E
1
2
2
1
eroarea determinata de vectorul de instruire ( )
T
pn p p
x x X , ,
1
= ,
unde ( )
T
pM
y p p
y Y
, , 1
= este vectorul M-dimensional al ieirilor ideale cnd la
intrarea PM se aplic X
p
.
Aplicnd regula de instruire de tip GD, rafinarea ponderilor PM este exprimat de
relaiile
( ) ( )
o
kj
p o
kj
o
kj
W
E
t W t W
c
c
= + q 1 ( k=1,M, j=1,,L)
( ) ( )
h
ji
p h
ji
h
ji
W
E
t W t W
c
c
= + q 1 (j=1,,L, i=1,,n)
Scopul algoritmului GD este determinarea valorilor ponderilor care minimizeaz
eroarea ptratic medie E
p
(a se vedea Fig. Z.7.).

Fig. Z.7. Ilustrarea principiului GD.
Z.1.6. Harta cu autoorganizare (Kohonen)
Harta cu autorganizare (HA) (Self-Organizing Map=SOM) este una din cele
mai interesante i utilizate reele neuronale, fiind propus de profesorul finlandez
Teuvo Kohonen n anul 1980 i cunoscut i sub denumirea de reeaua neuronal
Kohonen. HA este o reea neuronal nesupervizat bazat pe nvarea competitiv.
Autoorganizarea este un proces de nvare nesupervizat prin care un sistem
(reea neuronal) este capabil s descopere i s nvee modelele semnificative ale
structurii datelor de intrare. n contextul reelelor neuronale, nvarea prin
autoorganizare const n modificarea adaptiv a ponderilor sinaptice ale unei reele de
neuroni care interacioneaz local, ca rspuns la excitaiile de intrare, conform unei
anumite reguli de nvare, pn cnd reeaua converge spre o anumit configuraie.
Ideea de baz a nvrii prin autoorganizare const n introducerea
interaciilor locale ntre neuronii reelei n sensul c modificarea comportamentului
unui neuron afecteaz direct comportamentul neuronilor din imediata vecintate.
Aceast interaciune local conduce, n timpul procesului de nvare, la o ordonare
global a reelei, avnd ca efect un comportament coerent. Astfel, dac reeaua
realizeaz maparea unui set de vectori de intrare X(k) e R
n
ntr-o matrice de uniti
(de obicei unidimensional sau bidimensional), relaiile topologice dintre datele
de intrare sunt conservate, sau, altfel spus, dac X
i
i X
j
sunt doi vectori din spaiul
de intrare iar r
i
i r
j
sunt locaiile neuronilor ctigtori corespunztori n spaiul de
ieire (matricea de neuroni), atunci, cu ct X
i
i X
j
sunt mai apropiai n R
n
, cu att
distana ntre neuronii ctigtori va fi mai mic: || r
i
- r
j
|| = f( ||X
i
- X
j
|| ), unde f
este o funcie continu, monoton cresctoare, i
0 ) ( lim
0
=

d f
d
.
Formarea unei mapri ordonat topologic de la spaiul semnalului la
reeaua neuronal reprezint un rezultat interesant i important. Din punct de
vedere practic, un rezultat i mai interesant este faptul c diferii neuroni devin
decodori sau detectori ai domeniilor lor de semnal n spaiul de intrare. Aceti
decodori sunt formai n reea ntr-o anumit ordine, ca i cum un sistem de
coordonate al trsturilor ar fi definit peste reea.
Eroare
Pondere
Minim
Hrile autoorganizabile sunt folosite pentru preprocesarea formelor n
scopul recunoaterii lor, sau, dac reeaua neuronal este o matrice bidimensional,
pentru proiecia i vizualizarea spaiului semnalului de intrare de dimensiune n, n
>> 2, pe un astfel de display bidimensional. O alt aplicaie evident este i
reducerea puternic a dimensionalitii datelor de intrare cu conservarea
principalelor relaii topologice ntre acestea.
Motivaia biologic a hrilor autoorganizabile
Reprezentarea economic a datelor mpreun cu toate relaiile dintre
acestea este o problem central a tiinelor informaiei i reprezint o abilitate
caracteristic creierului, nu neaprat uman. n gndire i n procesarea
subcontient a informaiei este realizat o compresie a informaiei prin crearea
unor reprezentri reduse a celor mai relevante fapte, fr pierdere de cunoatere
asupra relaiilor dintre ele. Scopul procesrii inteligente a informaiilor pare s fie,
n general, crearea unor imagini simplificate ale lumii nconjurtoare, la anumite
nivele de abstractizare, corespunztoare unor seturi particulare de date
recepionate. Pentru mult timp aceast abilitate a creierului de procesare a
informaiei a fost un mister, dar n ultima vreme au fost obinute dovezi concrete
despre formarea n creier a unor reprezentri neuronale care sunt imagini ale
diferitelor experiene senzoriale proiectate n diferite arii corticale.
Este binecunoscut faptul c exist o organizare a cortexului cerebral n arii
specializate n realizarea unor funcii precise. Exist arii specializate n analiza
semnalelor senzoriale (vizuale, auditive, somatosenzitorii, olfactive, gustative), n
recunoaterea cuvintelor i a formelor vizuale, n controlul vorbirii, scrisului,
funciilor motorii, n gndire i planificarea aciunilor (Fig. Z.8). ntre ariile
senzoriale primare, care ocup doar o zecime din suprafaa total a cortexului,
exist arii asociative, mai puin cunoscute, n care semnalele provenind de la
diferite arii senzoriale converg.

Fig. Z.8. Harta principalelor arii din creier.

Fig. Z.9. Harta somatotopic.
Cercetri recente au pus n eviden o structur fin n multe arii
senzoriale. Astfel, au fost puse n eviden harta vizual n cortexul vizual, harta
tonotopic n cortexul auditiv, harta somatotopic, etc., caracterizate prin faptul c
semnalele de rspuns sunt obinute n cortex n aceeai ordine topografic n care
au fost recepionate de la organele de sim.
n Fig. Z.9 este prezentat harta somatotopic, care realizeaz o mapare a
senzorilor de pe piele n cortexul somatosenzitiv, unde exist o imagine a ntregii
suprafee a corpului.
Au fost descoperite hri mult mai abstracte formate n creier, cum ar fi hri
ale mediului geografic formate n hipocampus. Experimentele efectuate cu obolani
au demonstrat c, dup ce acetia au nvat poziia lor ntr-un labirint, anumite celule
din hipocampus rspund numai cnd animalul este ntr-un anumit col.
Fr ndoial c structura de baz a reelei neuronale a creierului este
determinat genetic. Totui exist numeroase fapte experimentale care demonstreaz
c proieciile senzoriale sunt afectate de experien. Prin eliminarea unor organe de
sim sau deprivarea senzorial de la o vrst fraged, anumite proiecii nu se dezvolt
de loc, locul liber rmas n creier fiind ocupat de celelalte proiecii. De asemenea, prin
eliminarea unei pri din creier corespunztoare unei anumite proiecii senzoriale,
aceast proiecie i va forma n timp un alt teritoriu n detrimentul celorlalte proiecii.
Recrutarea de neuroni pentru diferite scopuri depinznd de experien este
binecunoscut. Aceste efecte sunt explicate prin plasticitatea neuronal i exemplific
autoorganizarea care este controlat de informaiile senzoriale.
Formarea hrilor autoorganizabile implic, din punct de vedere teoretic,
existena interaciunilor laterale ntre neuronii reelei. Aceste interaciuni laterale au
fost puse n eviden i n lumea biologic, unde s-a demonstrat existena unui
model de corelare ntre activrile neuronilor biologici de tip plrie mexican,
prezentat n Fig. Z.10.

Fig. Z.10. Graficul excitaiei produse de ctre neuronul central, ctigtor, asupra vecinilor
n funcie de distan.
Acest model de corelare demonstreaz existena unui feedback lateral care
controleaz activarea neuronilor n vecintate, graficul F(r) reprezentnd
coeficientul de reacie n funcie de distan.
Kohonen a emis ipoteza conform creia controlul plasticitii este mediat de
un set de variabile biologice diferit de cel care controleaz activarea n vecintate.
n Fig. Z.11 este prezentat un astfel de nucleu de control al plasticitii,
avnd o funcie de variaie gaussian, care definete modul n care activarea local
ntr-un punct determin rata de nvare n vecintatea sa.

Fig. Z.11. Graficul plasticitii sinaptice (ratei de nvare) n funcie de distan.
u(r)
r
F(r)
r
+
-
+ +
-
+
I II II III III
Arhitectura i algoritmul de nvare al HA
Scopul HA este de a capta topologia i distribuia de probabilitate a datelor
de intrare. O arhitectur tipic este o structur bidimensional (Fig. Z.12, format
din neuroni liniari, structur care poate avea o ordine rectangular, hexagonal sau
poate fi chiar neregulat. Fiecare neuron primete acelai vector X e R
n
la intrare,
i este caracterizat de un vector pondere W
i
e R
n
definit ca

Fig. Z.12. HA (Kohonen) bidimensional.
W
i
= (w
1i
,,w
ni
)
t
, unde w
ji
este ponderea conexiunii intre intrarea de index
j (j=1,,n) si neuronul (de ieire) de index i (i=1,,M). S presupunem c HA
care trebuie instruit este format din M neuroni ( de ieire) i lotul de nvare
conine L vectori X
l
e R
n
. Vom considera o iteraie ca fiind o trecere complet prin
tot lotul de nvare. Algoritmul clasic de instruire al HA Kohonen este urmtorul:
1. - se iniializeaz ponderile celor M neuroni de ieire cu valori mici, aleatoare;
- se aleg parametrii de control ai ratei de nvare;
- se aleg parametrii de control ai vecintii astfel nct raza iniial a acesteia s fie
aproximativ egal cu jumtate din distana dintre cei mai ndeprtai neuroni din reea;
- se aleg condiiile de oprire care pot fi date de:
* atingerea numrul maxim de iteraii k
max
i/sau
* eroarea ataat ntregului lot de nvare scade sub eroarea maxim
admisibil E
max
> 0 i/sau
* suma modificrilor tuturor vectorilor pondere la parcurgerea lotului de
nvare scade sub o anumit valoare c
min
> 0;
- se pune k = 0 i l = 0;
2. - se prezint reelei un nou vector de instruire X(k);
x
1 x
2
x
3
x
n
3. - se determin neuronul ctigtor, c, pe baza distanei Euclidiene dintre X(k) i
fiecare neuron de ieire caracterizat prin W
i
, folosind relaia
{ }
)
`

= =

=
n
j
ji j
i
i
i
k w k x W k X c
1
2
)] ( ) ( [ min arg ) ( min arg
4. - se actualizeaz ponderile neuronilor din reea folosind legea de nvare
)] ( ) ( [ ) , , ( ) ( ) ( ) 1 ( k k k r r k k k
i c i i i
w x w w u + = + , pentru toi neuronii i = 1, 2, , M
unde: (k) = rata de nvare; k= indexul iteraiei; u(r
i
, r
c
, k) = funcia de
vecintate; r
i
i r
c
sunt vectorii de poziie ai neuronilor i i c n matricea de neuroni.
Funcia de vecintate este uzual simetric, u(r
i
, r
c
, k) = u(|| r
i
- r
c
||, k), cu valori
apropiate de unitate pentru neuroni i apropiai de neuronul ctigtor c i descrete
monoton cu distana || r
i
- r
c
|| dintre cei doi neuroni n reea.
5. - se incrementeaz l (l l + 1).
- dac l < L se merge la pasul 2, altfel se reseteaz l (l 0) i se continu cu 6;
6. - se incrementeaz k (k k + 1);
- se verific condiiile de oprire. Dac acestea se ndeplinesc, procesul de
nvare s-a terminat, altfel se merge la pasul 2.

Z.2. Sisteme fuzzy

Z.2.1. Introducere
Oamenii au capacitatea remarcabil de a raiona i de a lua decizii ntr-un
mediu de incertitudine i imprecizie, cu informaii incomplete i avnd numai
cunotine pariale asupra problemei. Principalul obiectiv al logicii fuzzy este
tocmai formalizarea acestei capaciti.
Logica fuzzy(fuzzy=vag, imprecis) este o form de logic cu valori multiple
derivat din teoria mulimilor fuzzy, care utlizeaz un raionament mai degrab
aproximativ dect precis. n contrast cu mulimile binare, care sunt caracterizate de o
logic binar, cunoscut i sub denumirea de logic crisp, variabilele logicii fuzzy pot
avea o valoare de apartenen ntre 0 i 1, inclusiv limitele intervalului. n logica fuzzy
gradul de adevr al unei declaraii variaz de la 0 (minim) la 1 (maxim).
Printele logicii fuzzy este considerat aproape unanim ca fiind Lotfi Zadeh,
nscut n anul 1931 n Azerbaidjan, de origine iranian, absolvent al universiti din
Iran, deintor al masteratului de la Massachusetts Institute of Technology (MIT) i
doctor al Universitii Columbia din S.U.A. El a formulat elementele de baz ale
teoriei mulimilor fuzzy n anul 1965, iar teoria logicii fuzzy n anul 1973, cnd era
profesor la departamentul de inginerie electric al Universitii California, Berkeley.
Acum, Zadeh, n vrst de 88 de ani este n continuare foarte activ ca profesor i
director al unui centru de cercetare la aceeai universitate ca n anul 1965.
Cu toate c L. Zadeh este cel care a definit logica fuzzy, ideea care se afl n
spatele acestei logici (funciile de apartenen subunitare) au o vechime mai mare. La
nceputul secolului XX, Bertrand Russell, un precursor al logicii vagi, afirma c
limbajul este inexact i inexactitatea este clar o problem gradat. n 1920 Ian
Lukasiewicz a menionat elemente ale modelelor vagi o dat cu introducerea logicii
bazate pe trei valori; ali logicieni cunoscui (Kurt Godel, John von Neumann, Donald
Kleene, Max Black etc.) au extins logica la valori multiple. Recent a aprut o opinie,
deocamdat singular, care susine c Wilkinson, care a publicat n anul 1963 un articol
referitor la generalizarea mulimilor cu logici multiple (fr a folosi termenul de fuzzy,
ci cel de logic analogic ) ar fi adevratul printe al logicii fuzzy.
Logica i sistemele fuzzy sunt marcate de o atenie crescnd n ultimii ani,
att din partea comunitii tiinifice ct i din partea consumatorilor, mergnd pn
la produse domestice i echipament electric. Se estimeaz c s-au publicat zeci de mii
de articole n domeniul logicii fuzzy. Exist zeci de jurnale (periodice) care au
cuvntul fuzzy n titlu. S-au eliberat mai multe mii de patente n acest domeniu, iar
japonezii au peste cteva mii de cercettori implicai n domeniul logicii fuzzy.
Logica fuzzy aduce un formalism necesar pentru implementarea unei categorii
speciale de sisteme expert. Aplicaii ca automobile, camere de luat vederi, maini de
splat, cuptoare, etc., utilizeaz sisteme fuzzy, o gam uria de produse cu succes pe
pia.
n anul 1973, Zadeh a formulat principiul de incompatibilitate: Pe msur
ce complexitatea sistemului crete, abilitatea de a face declaraii precise i
relevante despre acesta scade pn ntr-un anumit punct dup care precizia i
relevana devin caracteristici care se exclud reciproc.
Logica fuzzy plaseaz observatorul uman n centrul procesului de
proiectare spre deosebire de tehnicile bazate pe modele matematice care sunt
utilizate de obicei.
Logica fuzzy reprezint deci o abordare diferit pentru rezolvarea unei
probleme. Includerea experienei umane n procesul de proiectare implic necesitatea
ca mecanismele s cuantifice exact semnificaia declaraiilor fuzzy fcute de experi.
Utilitatea sursei de informaie este foarte dependent de scopul aplicaiei, dar
probabil c rezultatul principal al multelor aplicaii ale sistemelor fuzzy va fi c
experiena uman este cea mai important parte din procesul de proiectare.

Z.2.2. Teoria mulimilor fuzzy
Mulimile fuzzy ofer o metod de a reprezenta termeni lingvistici vagi
(nuanai), din limbajul de zi cu zi, ntr-o manier precis. Logica fuzzy ofer
mecanismul pentru manipularea i deducerea concluziilor bazndu-ne pe astfel de
informaii nuanate.
Mulimile clasice au definit un prag care definete apartenena sau ne-
apartenena variabilei la o anumit mulime.
Definiie mulimea clasic A (crisp), definit pe universul de discurs X,
este definit de o funcie caracteristic; aceasta proiecteaz fiecare element al lui X
n 1 sau 0 n funcie de apartenena sau neapartenena la mulimea A (Fig. Z.13)

( )

e
e
=
A x pentru
A x pentru
x
A
0
1
_
(1)
O mulime fuzzy este reprezentat prin funcia sa de apartenen
( ) | | 1 , 0 . e (Fig. Z.14). Un element poate fi membru parial al unei mulimi, adic
putem defini gradul n care un eveniment poate fi clasificat ntr-o anumit
categorie. Aceast funcie nu msoar frecvena de apariie a evenimentului
(probabilitatea relativ) sau incertitudinea asupra acelui eveniment (probabilitatea
subiectiv), ci permite ca evenimente din viaa real s fie clasificate utiliznd un
numr finit de clase lingvistice.
Definiie Funcia de apartenen fuzzy a unei mulimi A este definit pe
universul su de discurs X i este caracterizat de relaia ( ) | | 1 , 0 : . X
A
, care
proiecteaz fiecare element al lui X ntr-un numr real din intervalul [0,1]. Pentru
un anumit argument, valoarea funciei de apartenen fuzzy reprezint gradul de
apartenen la acea mulime.

Fig. Z.13. Funcie de apartenen clasic. Fig. Z.14. Funcie de apartenen fuzzy.
O funcie de apartenen fuzzy ( ) .
A
este o funcie de tip crisp dac:
( ) { } X x x
A
e e , 1 , 0
O funcie de apartenen fuzzy ( ) .
A
este unimodal
dac (Fig. Z.15)
| | ( ) ( ) ( ) ( ) { } y x y x X y x
A A A
, min 1 : 1 , 0 , , > + e e . (2)

Fig. Z.15. Funcie fuzzy unimodal. Fig. Z.16. Funcie fuzzy bimodal.
Suportul unei mulimi fuzzy (Fig. Z.17) este definit ca
( ) { } 0 > e = X X x S
A A
(3)
nlimea unei mulimi fuzzy A (Fig. Z.17) este definit ca
( ) { } x H
A A
max = . (4)
O mulime fuzzy este normal dac exist X xe astfel nct A(x)=1 (H
A
= 1).
Altfel A este o mulime subnormal.
o -cut (tietur de tip o ) este o mulime de nivel o al mulimii fuzzy A,
definit astfel (Fig. Z.17):

| |
( ) ( )

>
=
rest in
x pentru x
A
A A
0
o
o
(5)
O mulime fuzzy poate fi denumit numr fuzzy dac funcia de
apartenen este normal, convex, continu i cu suport limitat.
O funcie de apartenen fuzzy unimodal conine informaii ordinale astfel nct
atunci cnd ( ) ( ) y x
A A
> , pentru o mulime fuzzy A, se poate spune c x este mai
aproape de definiia ideal a lui A dect y. Totui, mulimile fuzzy i distanele sunt
sinonime, relaia dintre funcia de apartenen ( ) x
A
i distana ( ) x A d , fiind (Fig.
Z,18).
( )
( )
( )

=
=
altfel
x
x pentru
x A d
A
A
1
1
0
,

(6).

Fig. Z.17.Termenii folosii n mulimile fuzzy.

Fig. Z,18. Distana i numrul fuzzy.
Variabile lingvistice fuzzy
Pentru a descrie sau pentru a reprezenta variabile din viaa real sub forma
unor simboluri sau etichete fuzzy, este necesar definirea a dou sau mai multe
mulimi fuzzy pentru acea variabil. Dac numrul termenilor lingvistici utilizai n
modelarea variabilei este stabilit i forma lor este specificat, setul complet de
funcii de apartenen fuzzy se numete variabil fuzzy. Astfel, o variabil fuzzy V
X

este definit de patru elemente {X,L, _ ,M
X
}, cu X numele simbolic al variabilei
lingvistice, L mulimea etichetelor lingvistice asociate lui X, _ domeniul pe
care este definit L i universul de discurs al lui X, M
X
o funcie semantic, avnd
la ieire nelesul unei etichete lingvistice date n termenii elementelor lui X i
corespunztoare valorilor funciilor de apartenen fuzzy.
O variabil fuzzy V
X
este complet dac pentru fiecare X xe exist o
mulime fuzzy A astfel nct ( ) 0 > x
A

O variabil fuzzy formeaz o partiie fuzzy dac pentru fiecare x:
( ) =
=
p
i
i
A
x
1
1
, unde p este numrul de etichete lingvistice.
Operaii cu mulimi fuzzy
Fie A i B dou submulimi fuzzy ale unei mulimi X (crisp) nevide.
Intersecia dintre A i B este definit de relaia
( ) ( ) { } ( ) ( ) X x x B x A x B x A x B A e . = = , , min ) )( ( (7)
Reuniunea ntre A i B are relaia
( ) ( ) { } ( ) ( ) X x x B x A x B x A x B A e v = = , , max ) )( ( (8)
Complementul unei mulimi fuzzy A este definit ca
( )( ) ( ) x A x A = 1
n logica binar exist dou proprieti importante
- the law of excluded middle X A A = v i
- Principiul noncontradiciei u = . A A .
Cele dou proprieti nu sunt valabile i n logica fuzzy. Totui legile lui
De Morgan se respect i n logica fuzzy
( ) B A B A v = .
( ) B A B A . = v
Normele triunghiulare au fost introduse de Schweizer i Sklar pentru
modelarea distanelor n spaiile probabilistice. n teoria mulimilor fuzzy normele
triunghiulare sunt utilizate pentru modelarea i-ului logic.
O proiecie | | | | | | 1 , 0 1 , 0 1 , 0 : T este o norm triunghiular (T-norm) dac este
simetric, asociativ, monoton n raport cu fiecare argument i ( ) | | 1 , 0 , 1 , e = a a a T .
Altfel spus, orice norm triunghiular (t-norm) trebuie s aib proprietile:
- simetria: ( ) ( ) | | 1 , 0 , , , , e = y x x y T y x T ;
- asociativitatea: ( ) ( ) ( ) ( ) | | 1 , 0 , , , , , , , e = z y x z y x T T z y T x T ;
- monotonia: ( ) ( ) ' , ' , y x T y x T s dac ' x x s i ' y y s ;
- identitatea fa de 1: ( ) | | 1 , 0 , 1 , e = x x x T
n continuare sunt prezentate cteva norme triunghiulare:
- Minim: ( ) { } b a b a , min , min = ;
- Lukaschiewicz: ( ) { } 0 , 1 max , + = b a b a T
L
;
- Produs: ( ) b a b a T
P
= , ;
- Slab:
( )
{ } { }

=
=
altfel
b a pentru b a
b a T
W
0
1 , max , min
,
;
- Hamacher :
( )
( )( )
0 ,
1
, >
+ +

=

b a b a
b a
b a H
;
- Dubois i Prade:
( )
{ }
( ) 1 , 0 ,
, , max
, e

= o
o
o
b a
b a
b a D
;
- Yager: ( ) ( ) ( ) | | { } 0 , 1 1 , 1 min 1 , > + = p b a b a Y
p p p
p
;
- Frank:
( )
{ }
( )
( )
( )( )

+
=
=
=
=
altfel
pentru b a T
pentru b a T
pentru b a
b a F
b a
L
p
1
1 1
1 log 1
,
1 ,
0 , min
,

Toate aceste norme se pot extinde la n > 2 argumente. O norm
triunghiular T este denumit strict dac este strict cresctoare n raport cu fiecare
argument. T este Arhimedian dac i numai dac este continu i
( ) ( ) 1 , 0 , , e < x x x x T . Fiecare norm triunghiular Arhimedian este reprezentabil
printr-o funcie continu i descresctoare | | | ) , 0 1 , 0 : f , cu f(1) = 0 i:
( ) ( ) ( ) ( ) { } ( ) 0 , min ,
1
f y f x f f y x T + =

.
Funcia f se numete generatoarea aditiv a lui T.
n teoria mulimilor fuzzy se mai utilizeaz pentru modelarea sau-ului
logic conormele triunghiulare.
O proiecie | | | | | | 1 , 0 1 , 0 1 , 0 : S este o conorm triunghiular (S-norm)
dac este simetric, asociativ, monoton cu fiecare argument i
( ) | | 1 , 0 , 0 , e = a a a S . Altfel spus, orice conorm triunghiular trebuie s aib
proprietile:
- simetria: ( ) ( ) | | 1 , 0 , , , , e = y x x y S y x S ;
- asociativitatea: ( ) ( ) ( ) ( ) | | 1 , 0 , , , , , , , e = z y x z y x S S z y S x S ;
- monotonia: ( ) ( ) ' , ' , y x S y x S s dac ' x x s i ' y y s ;
- identitatea fa de 0: ( ) | | 1 , 0 , 0 , e = x x x T .
Aceste axiome ncearc s exprime proprietile de baz ale reuniunii. n
continuare sunt prezentate cteva conorme triunghiulare:
- Maxim: ( ) { } b a b a , max , max = ;
- Lukaschiewicz: ( ) { } 1 , max , b a b a S
L
+ = ;
- Probabilistic: ( ) b a b a b a S
P
+ = , ;
- Tare:
( )
{ } { }

=
=
altfel
b a pentru b a
b a S
S
1
0 , min , max
,
;
- Hamacher :
( )
( )
( )
0 ,
1 1
2
, >
+
+
=

b a
b a b a
b a HOR
;
- Yager: ( ) | | { } 0 , , 1 min , > + = p b a b a YOR
p p p
p
.
Ca i n cazul normei triunghiulare, toate aceste conorme se pot extinde la n>2
argumente.
Lem: dac T este o norm triunghiular, atunci:
( ) ( ) { } y x y x T y x T
W
, min , , s s
Demonstraie: din proprietile de monotonie i simetrie avem:
( ) ( ) ; 1 , , x x T y x T s s ( ) ( ) s s y y T y x T , 1 , ( ) { } , min , T x y x y s
Lem: dac S este o conorm triunghiular, atunci:
{ } ( ) ( ) y x S y x S y x
S
, , , max s s
Demonstraie: din proprietile de monotonie i simetrie avem:
( ) ( ) ; 0 , , x x S y x S > > ( ) ( ) > > y y S y x S , 0 , } , max{ ) , ( y x y x S >
Lem: T(a,a)=a este valabil pentru orice a din [0,1] dac T este norma minim.
Demonstraie: dac ( ) ( ) b a b a T , min , = aceast proprietate este evident. Se
presupune c ( ) | | 1 , 0 , , e = a a a a T i 1 s s b a . Din proprietatea monotoniei lui T
se poate urmtoarea expresie:
( ) ( ) ( ) b a b a T a a T a , min , , s s =
Fiindc T este comutativ rezult c:
( ) ( ) ( ) a b a b T a a T a , min , , s s =
Aceste ecuaii demonstreaz c ( ) b a T , cutat este chiar ( ) b a, min .
Definiiile pentru intersecie i reuniune n sensul normei triunghiulare,
respectiv conormei triunghiulare sunt:
( )( ) ( ) ( ) ( ) X x x B x A T x B A e = , , , respectiv
( )( ) ( ) ( ) ( ) X x x B x A S x B A e = , ,
Dac ( ) ( ) y x T y x T
L
, , = , atunci principiul noncontradiciei este valabil i
dac ( ) ( ) y x S y x S
L
, , = , atunci the law of excluded middle este valabil.

Z.2.3. Model fuzzy pentru recunoaterea formelor
Preliminarii
Un sistem de inferenta fuzzy const din patru componente importante:
1. interfaa fuzzy
2. baza de cunostine
3. partea de luare a deciziilor
4. interfaa de defuzzificare.
Un sistem de inferena fuzzy poate fi reprezentat n forma urmtoare
Premiza: x is
'
A
Implicaia 1.: If x is
1
A , then y is
1
B else
Implicaia 2.: If x is
2
A , then y is
2
B else (9)

Implicaia m.: If x is
m
A , then y is
m
B
Concluzia: y is
'
B
unde:
- | |
n 1
x , , x x = constituie vectorul de intrare al sistemului de inferen
fuzzy, n fiind numrul componentelor vectorilor de intrare,
- | |
p 1
y , , y y = este vectorul de ieire, p semnificnd numrul
componentelor vectorilor de ieire,
-
i i
X x e , i=1,,n,
j j
Y y e , j=1,,p, iar
i
X , i=1,,n i
j
Y , j=1,,p
reprezint mulimea tuturor componentelor de intrare, respectiv de ieire ale
sistemului de inferen fuzzy,
- | |
i
n
i
1
i
A , , A A = , i=1,,m conin mulimile fuzzy
i
j
A , j=1,,n, i=1,,m,
- | |
i
p
i
1
i
B , , B B = , i=1,,m, conin mulimile fuzzy
i
j
B , j=1,,p, i=1,,m,
- | |
'
n
'
1
'
A , , A A = semnifica vectorul observaiilor de intrare, n care
'
i
A
(i=1,,n) sunt mulimi fuzzy,
| |
'
p
'
1
'
B , , B B = reprezint vectorul observaiilor de ieire,
'
j
B (j=1,,p)
fiind mulimi fuzzy.
O regul fuzzy if-then are forma
j
9 : If
1
x is
j
1
A and..., and
n
x is
j
n
A , then
1
y is
j
1
B ,
p
y is
j
p
B , j=1,,m
(10)
Algoritmul fuzzy de clasificare
Se aplic reguli fuzzy pentru a descrie fiecare din cele C clase din setul de
date. Antecedentul regulii este o descriere fuzzy n spaiul n dimensional al
caracteristicilor i concluzia regulii este o etichetare non-fuzzy a regulii cu o
valoare de la 1 la C. Regula j este astfel definit
j
9 : Dac x
1
este
j
1
A i i x
n
este
j
n
A atunci g
j
= c
j
, (11)
unde | |
T
n
x x x x ...
2 1
= este vectorul de intrare, n reprezint numrul
caracteristicilor, g
j
este ieirea regulii j i
j
1
A ,
j
2
A
, ,
j
n
A
sunt mulimile fuzzy
antecedente. Interconectarea antecedentelor este realizat prin nsumare. Gradul de
activare al regulii j este dat de formula
=
=
n
i
j
i
j
A
n 1
1
| , j = 1C (12)
Ieirea clasificatorului este dat de regula care are gradul de activare cel mai mare
{ }
*
*
1
, argmax
C
j j
j
y g j |
=
= =
(13)
Gradul de certitudine al deciziei este dat de gradul de activare normat
*
1
j
C
j
j
CF
|
|
=
=

(14)
Z.3. Calcul evolutiv

Z.3.1. Introducere
Calculul evolutiv (evolutionary computation) este un subdomeniu al
inteligenei computaionale care implic probleme de optimizare combinatorial,
asemenea probleme fiind caracterizate prin existena unui set discret de soluii
posibile. Calculul evolutiv utilizeaz progresul iterativ, ca acela caracteriznd
creterea i dezvoltarea unei populaii. Aceast populaie este apoi selectat printr-o
cutare aleatoare ghidat, utiliznd o prelucrare paralel, pentru a realiza un optim
dorit. Asemenea procese sunt inspirate de mecanismele biologice ale evoluiei. n
biologie, evoluia nseamn schimbarea materialului genetic al unei populaii de
organisme de la o generaie la alta, astfel nct dup un set de generaii se poate
ajunge la schimbri semnificative ale populaiei, care pot conduce chiar la noi specii.
Utilizarea evoluiei darwiniene ca model pentru problemele de optimizare
dureaz din anii '50. n jurul anilor '60, ideea calculului evolutiv a nceput s se
dezvolte n 3 interpretri distincte, corespunznd la 3 locaii diferite:
John Holland, profesor la Universitatea Michigan (SUA), este considerat
printele primei direcii, aceea a algoritmilor genetici.
Programarea evolutiv este introdus de Lawrence J. Fogel (SUA).
n Germania, Ingo Rechenberg i Hans-Paul Schwefel au introdus
strategiile evolutive. Dup ce circa 15 ani cele trei direcii au fost considerate ca
discipline distincte, din anii '90 ele au fost reunite, fiind considerate ca trei dialecte
ale aceleiai tehnologii, denumit calcul evolutiv.
n ultimii ani a aprut o a patra direcie denumit programare genetic.

Z.3.2. Algoritmii genetici paradigm a calculului evolutiv
Un algoritm genetic (AG) este o tehnic de cutare utilizat n domeniul
tehnologiei informaiei pentru a gsi soluiile exacte sau aproximative ale unor
probleme de optimizare i cutare. Algoritmii genetici sunt categorizai ca tehnici
euristice de cutare global. AG sunt sunt considerai ca un caz particular al
calculului evolutiv, care utilizeaz tehnici inspirate din biologia evoluionist ca
motenire genetic, mutaie, selecie, ncruciare.
Exist o clas larg de probleme interesante i importante pentru care nc
nu au fost dezvoltai algoritmi rapizi. Dndu-se o problema incorect optimizat,
este posibil s gsim un algoritm eficient a crui soluie este aproximativ optimal.
Pentru unele probleme incomplet optimizate, putem folosi algoritmi probabilistici;
chiar dac aceti algoritmi nu garanteaz valoarea optim, prin alegeri aleatoare,se
pot mbunti performanele optimizrii. Sunt multe probleme practice importante
pentru care o asemenea optimizare este necesar, de la optimizarea traseului unui
agent comercial (clasica problem a comis-voiajorului) pn la proiectarea
circuitelor VLSI; asemenea probleme de optimizare combinatorial pot fi rezolvate
aproximativ pe computer folosind tehnici de tip Monte Carlo. O asemenea
problem poate fi considerat ca o cutare a celei mai bune soluii baleindu-se
spaiul soluiilor poteniale. Pentru spaii cu dimensiune redus, metodele clasice
sunt suficiente, dar pentru spaii cu dimensiune mare trebuie luate n considerare
tehnici specifice inteligenei artificiale (mai precis, ale inteligenei computaionale)
i o asemenea tehnic o reprezint algoritmii genetici.
Algoritmii genetici sunt tehnici stohastice adaptive de cutare euristic,
bazai pe principiile geneticii i ale seleciei naturale, enunate de Darwin
(supravieuiete cel mai bine adaptat). Mecanismul este similar procesului biologic al
evoluiei. Acest proces posed o trstur prin care numai speciile care se adapteaz
mai bine la mediu sunt capabile s supravieuiasc i s evolueze peste generaii, n
timp ce acelea mai puin adaptate nu reuesc s supravieuiasc i cu timpul dispar,
ca urmare a seleciei naturale. Probabilitatea ca specia s supravieuiasc i s
evolueze peste generaii devine cu att mai mare cu ct gradul de adaptare crete,
ceea ce n termeni de optimizare nseamn c soluia se apropie de optim.
Un algoritm genetic este un model informatic care emuleaz modelul
biologic evoluionist pentru a rezolva probleme de optimizare ori cutare. Acesta
cuprinde un set de soluii poteniale ale problemei de optim reprezentate sub forma
unor iruri binare (setul de soluii poteniale constituie populaia) i un set de
operatori de inspiraie biologic definii asupra populaiei (denumii operatori
genetici, ca de exemplu: selecie, ncruciare i mutaie). Cu ajutorul operatorilor,
algoritmii genetici manipuleaz cele mai promitoare iruri (reprezentnd soluii
poteniale), evaluate conform unei funcii obiectiv (fitness), cutnd soluii cat mai
bune, din punct de vedere al criteriului de optim. AG sunt tehnici de rezolvare a
problemelor NP-complete, aplicnd principii ale seleciei naturale: se folosesc
populaii din care se selecteaz anumii indivizi pentru ncruciare (crossover), se
evalueaz indivizii populaiilor pstrndu-se numai cei care convin, se aplic mutaii
pe indivizii selectai arbitrar. Astfel populaia evolueaz, iar individul cel mai
performant din populaia final este chiar aproximarea soluiei optime a problemei.
Un AG clasic necesit :
- o reprezentare genetic a domeniului soluiilor
- o funcie de adaptare (fitness) a pentru a evalua domeniul soluiilor
O reprezentare standard a soluiilor utilizeaz iruri de simboluri (cuvinte
de cod). Fiecare individ al unei populaii este o reprezentare (de cele mai multe ori
binar) a unei soluii poteniale a problemei. Indivizii sunt denumii cromozomi.
Simbolurile reprezentrii binare se numesc gene.
Funcia de adaptare (fitness) este definit pe spaiul reprezentrilor
genetice i msoar calitatea unui cromozom din punctul de vedere al apropierii de
soluia optim. Funcia de adaptare este ntotdeauna dependent de aplicaie.

Z.3.3. Structura unui algoritm genetic
Se consider un algoritm genetic standard, care satisface urmtoarele condiii:
- cromozomii utilizai au lungime constant;
- numrul cromozomilor este constant (populaia se conserv ca
dimensiune).
Paii AG sunt :
0. t 0.
1. [Start] Iniializarea aleatorie a unor populaii de n cromozomi P(0)
2. [Fitness] Se evalueaz cromozomii populaiei P(t). n acest scop se utilizeaz o
funcie de performan (fitness) f(x) dependent de problem
3. [New population] Selectarea unei noi populaii prin aplicarea operatorilor
genetici pn cnd noua populaie este complet.
3.1. [Selection] Se selecteaz cromozomii din P(t) care vor contribui la formarea
noii generaii, baza seleciei fiind valorile funciei de fitness a cromozomilor.
Cromozomii cu funcii de fitness mai bune se vor regsi n unul sau mai
multe exemplare (clone), n timp ce aceia mai slab adaptai vor disprea, dar
dimensiunea populaiei se conserv. Fie P1 mulimea cromozomilor selectai.
3.2. [Crossover] O parte din populaia P1, notat P2 va fi selectat cu o rulet de
selecie pentru ncruciare. Se aplic apoi cromozomilor din P2 operatorul
genetic de ncruciare, rezultnd pentru fiecare pereche de prini cte doi
descendeni. Mulimea descendenilor denumit P3 va nlocui n P1 setul de
prini P2. Astfel, noua populaie va fi format din mulimea descendenilor
P3 precum i din mulimea cromozomilor din P1 neselectai pentru o
ncruciare { ( ) 2 \ 1 3 P P P }
3.3. [Mutation] Cu o anumit probabilitate de mutaie, se vor inversa anumite
gene din actuala populaie, rezultnd o nou populaie, denumit P4.
4. [Replace] Utilizm populaia nou generat pentru o nou rulare a algoritmului
P(t + 1) P4;
5. [Test] Dac este satisfcut condiia de ieire [STOP], reinem soluia cea mai
bun (cromozomul cel mai bine adaptat) din populaia curent.
6. [Loop] Se reia de la pasul 2.
Condiia de terminare se refer, de regul, la atingerea numrului de
generaii specificate. Dac numrul maxim admis de generaii este N, atunci
condiia de oprire este t > N. Se admite c rezultatul algoritmului este dat de cel mai
promitor individ din ultima generaie. n realitate, nimic nu ne garanteaz c un
individ mai performant nu a fost obinut ntr-o generaie anterioar. De aceea, este
normal ca la fiecare pas (la fiecare generaie t) s reinem cel mai promitor individ
care a fost generat pn atunci. Acest proces se numete elitism.
Observaii
A. Iniializare
Iniial se genereaz aleator un set de soluii individuale pentru a constitui
populaia. Dimensiunea populaiei depinde de natura problemei, dar n mod
normal conine cteva sute sau cteva mii de soluii poteniale (cromozomi). n
mod tradiional, populaia este generat aleator, acoperind ntreaga gam de
soluii poteniale (spaiul cutrilor). Uneori, soluiile iniiale pot fi plantate
n zone unde este mai plauzibil s fie gsite soluii optime.
B. Selecia
n fiecare generaie, o proporie din populaia curent este selectat pentru
reproducie, n cadrul unui proces bazat pe funcia de fitness, astfel nct
soluiile mai bine adaptate sunt mai probabil de a fi selectate (adaptarea fiind
evaluat prin funcia de fitness).
Algoritmul de selecie dei implic funcia de fitness are un caracter
stohastic, unele din cele mai populare metode de selecie fiind:
o Selecia proporional
n cazul seleciei proporionale, probabilitatea de selecie a unui individ
depinde de valoarea funciei de fitness a acestuia. Pentru fiecare cromozom x
i

vom calcula performana sa f(x
i
). Se impune condiia ca f(x
i
) > 0. Suma
performanelor tuturor cromozomilor din populaie va constitui performana
total notat cu F=

=
n
i
i
x f
1
) (
, unde n este numrul de cromozomi. Probabilitatea
de selecie p
i
a cromozomului x
i
este p
i
= f(x
i
)/F.
o Selecia bazat pe ordonare
Aceast modalitate de selecie const n a calcula (pentru fiecare generaie)
valorile funciei de fitness i de a aranja indivizii n ordinea descresctoare a
acestor valori. Se va atribui fiecrui individ i o probabilitate de selecie pi care
depinde de rangul su n irul stabilit. Probabilitile depind acum doar de
poziia cromozomului. Cel mai performant cromozom are probabilitatea 1.
o Selecia prin concurs
Selecia prin concurs sau selecia turnir se bazeaz pe compararea direct a
cte doi cromozomi i selectarea celui mai performant.
Operaiile implicate sunt urmtoarele:
- se aleg n mod aleator doi cromozomi;
- se calculeaz performanele cromozomilor selectai;
- cromozomul mai performant este selectat (copiat n populaia intermediar)
C. ncruciarea
Operatorul genetic de ncruciare (crossover) se poate realiza n mai multe
variante:
o ncruciarea cu un punct de tietur
Fie r lungimea cromozomilor. Un punct de tietur este un numr ntreg
k e {1, 2,, r - 1}. Numrul k indic poziia din interiorul cromozomului unde
secvena cromozomial se rupe pentru ca segmentele obinute s se recombine cu
alte segmente provenite de la ali cromozomi.
Considerm doi cromozomi prini :
x = x
1
x
2
x
k
x
k+1
x
r
i y = y
1
y
2
y
k
y
k+1
y
r
.
n urma recombinrii se schimb ntre cei doi cromozomi secvenele aflate
n dreapta i stnga punctului de tietur k.
Cromozomii descendeni vor fi:
x' = x
1
x
2
x
k
y
k+1
y
r
i y' = y
1
y
2
y
k
x
k+1
x
r
.
Se d mai jos o reprezentare mai sugestiv a celor doi cromozomi prini

Descendenii sunt:

o ncruciarea cu mai multe puncte de tietur
n cazul utilizrii mai multor puncte de tietur, ncruciarea se
realizeaz conform schemei de mai jos.
Din cromozomii prini

vor rezulta doi descendeni de mai jos

n cazul a trei puncte de tietur, descendenii vor fi de forma :

D. Mutaia
Mutaia este cel de-al doilea operator genetic, al crui efect este
schimbarea valorii (inversarea) unor gene ale cromozomilor. Operatorul de
mutaie acioneaz asupra genelor indiferent de poziia lor n cromozom. Fiecare
gen (bit) al cromozomului poate suferi o mutaie. ntr-un cromozom pot exista,
aadar, mai multe poziii care sufer o mutaie. Mutaia este un operator
probabilist. Considerm o populaie de n indivizi (cromozomi), fiecare avnd
lungimea r. Fiecare gen are aceeai probabilitate p
m
de a suferi mutaia.
Exist mai multe variante ale operatorului de mutaie. Un exemplu este
acela cnd se procedeaz n felul urmtor:pentru fiecare gen din fiecare
cromozom se genereaz un numr aleator q n intervalul [0,1). Dac q < p
m
,
atunci se execut mutaia poziiei respective schimbnd 0 n 1 sau 1 n 0. n caz
contrar, gena respectiv nu se altereaz.
E. Aplicaii
Algoritmii genetici au aplicaii n bioinformatic, tiina calculatoarelor,
inginerie, economie, chimie, industrie, matematica, fizic, etc.

Z.4. Aplicaii
Mai departe se prezint cteva aplicaii de inteligen computaional n
domeniile biometriei, analizei imaginilor satelitare i roboticii vehiculare, realizate
n cadrul Universitii Politehnica Bucureti, bazate pe sistemul de module
neuronale cu autoorganizare concurente (Concurrent Self Organizing
Maps=CSOM) propus de Neagoe.

Z.4.1. Sistem de autentificare biometric bimodal bazat pe
fuziunea deciziilor
Autentificarea persoanelor n tranzaciile financiare, pentru controlul
accesului n incinte sau autorizarea accesului n reelele informatice, s-a realizat n
principal prin utilizarea ID-urilor numerice, PIN sau parol. Principala problem
care apare n utilizarea ID-urilor o constituie utilizarea acestora de ctre persoane
neautorizate. Sistemele biometrice folosesc n schimb trsturi personale unice ale
fiecrui subiect pentru a verifica identitatea pretins de subiect.
O problem majora a sistemelor biometrice este generat de faptul c
trsturile fizice tind s varieze n timp. n plus, verificarea corect a subiectului nu
poate fi garantat datorit sensibilitii senzorului i limitrilor generate de modulul
de extracie al caracteristicilor i de modulul de verificare a template-ului obinut.
Pentru a compensa aceste limitri se pot combina informaii obinute de pe mai
multe canale biometrice ntr-un sistem de autentificare biometric multimodal. Prin
utilizarea mai multor trsturi biometrice, se obine o acuratee sporit a sistemului.
Chiar dac achiziia unei anumite trsturi este afectat de zgomot, celelalte
trsturi pot conduce la o decizie corect.

Fig. Z.19. Schema bloc a unui sistem de autentificare biometric bimodal.
n Fig. Z.19 este prezentat schema bloc a unui sistem de autentificare
biometric bimodal iar n Fig. Z.20 i este exemplificat funcionarea sistemului.
Canalele de recunoatere facial i recunoatere a irisului se bazeaz pe tehnici de
inteligen computaional (modelul CSOM).

Fig. Z.20. Sistem biometric multimodal cu fuziunea deciziilor (imagine facial+iris).
Z.4.2. Recunoaterea formelor n imaginile satelitare
multispectrale
Recunoaterea formelor (n particular a pixelilor multispectrali) n
imaginile satelitare are aplicabilitate n generarea diferitelor tipuri de hri: hri ale
resurselor minerale, hri ale vegetaiei, hri ale utilizrii terenurilor (suprafee
construite (urbane), terenuri agricole, pduri, lacuri, ruri, osele etc.). Abordrile
clasice ale clasificrii imaginilor satelitare folosesc metode statistice (parametrice),
care prezint dezavantajul unei complexiti mari i necesit un volum mare de
date. Abordrile moderne de recunoaterea formelor n imaginile satelitare cu
tehnici ale inteligenei computaionale (n special, reele neuronale, sisteme fuzzy i
neuro-fuzzy) prezint avantajul important c nu sunt necesare ipoteze a priori
asupra distribuiei datelor; sistemul inteligent are capacitatea de a nva distribuii
neliniare complexe ale datelor multispectrale.
Mai departe se prezint o aplicaie de clasificare a pixelilor multispectrali
pentru o imagine satelitar de tip Landsat Thematic Mapper (TM), care const din
368 125 pixeli 7-dimensionali, din care 6 331 pixeli au fost clasificai de un expert
n apte categorii tematice, care definesc urmtoarele clase: A zon urban, B
cmp necultivat, C tufiuri, D teren agricol, E mlatini, F pduri, G ap.
In Fig. Z.21 se prezint imaginea coninnd pixelii multispectrali clasificai,
utiliznd un sistem neuronal care conine 7 module neuronale toroidale cu autoorganizare,
fiecare cu 24 x 24 neuroni. Fiecare din cele 7 clase este reprezentat printr-o culoare
convenional. Sistemul a condus la un scor de recunoatere corect de 99,11 %.

Fig. Z.21. Imagine satelitar multispectral LANDSAT clasificat neuronal n 7 categorii
(arie urban, cmp necultivat, tufi, cultur agricol, pune, pdure, ap).
Z.4.3. Navigaia autonom a roboilor mobili
Scopul navigaiei autonome a vehiculelor este de a combina vederea
artificial i robotica ntr-o tehnic accesibil consumatorului obinuit, prin crearea
unor sisteme care transform sarcina de a conduce un autoturism ntr-o activitate
mai simpl i mai sigur. O problem cheie este ca sistemul de navigaie autonom
s se poat adapta la schimbrile dramatice ale condiiilor mediului nconjurtor i
ale tipului de drum pe care circul autovehiculul. Detecia automat a direciei de
mers a unui vehicul autonom s-a dovedit o sarcin foarte dificil.
Se prezint mai departe un exemplu de identificare vizual automat a direciei
de mers a unui vehicul autonom utiliznd clasificatorul neuronal CSOM. Direcia de
mers a fost cuantizat n cinci direcii. A fost proiectat, antrenat si testat un model
experimental (autoturism-jucrie) care funcioneaz n timp real (Fig. Z.22).

Fig. Z.22. Sistem inteligent pentru navigaia roboilor mobili.
Referine
-
and Concurrent Self-Organizing Maps for Color Pattern Recognition, Proc. of
the 2008 World Congress in Computer Science, Computer Engineering, and
Applied Computing (WORLDCOMP'08), The 2008 International Conference
on Image Processing, Computer Vision & Pattern Recognition (ICPV'08),
July 14-17, 2008, Las Vegas, Nevada, USA, pp. 28-34, CSREA Press Number
07EX 1573C, ISBN: 1-60132-076-0, 1-60132-077-9 (1-60132-078-7).
-
Using Decision Fusion of Neural Classifiers in the Visible and Thermal
Infrared Spectrum, Proc. of the 2007 IEEE International Conference on
Advanced Video and Signal based Surveillance (AVSS 2007), London (United
Kingdom), 5-7 September 2007, ISBN: 978-1-4244-1696-7.
- V. Neagoe and G. Strugaru, "Concurrent neural classifiers for pattern
recognition in multispectral satellite imagery", 12th WSEAS CSCC
Multiconference. Heraklion, Crete Island, Greece, July 22-25, 2008, pp. 893-
898, ISBN: 978-960-6766-85-5.
-
navigation using a concurrent neural classifier", Proc. of the World Automation
Congress, 2008 (WAC 2008), International Symposium on Soft Computing in
Industry (ISSCI'08), Sept. 28Oct. 2, 2008, Hawaii, USA, ISBN:978-1-
889335-38-4, IEEE Catalog No. 08EX2476.