Sisteme neurofuzzy

Soft Computing

Cuprins:
1. Introducere
2. Sisteme neuronale artificiale
3. Sisteme fuzzy
4. Sisteme neuro-fuzzy
5. Retele neuronale fuzzy stratificate
6. Exemple : NEFPROX / ANFIS
7. Concluzii

1.Introducere
- Sistem neuro-fuzzy = Retea neurala + Sistem fuzzy
- Combinarea a doua tehnologii inteligente , retelele neuronale si sistemele
fuzzy au dat nastere la un sistem hibrid inteligent
- Aceasta combinatie de rationament probabilistic, logica fuzzy, retele
neuronale reprezinta baza soft computingului.

2. Sisteme neuronale artificiale

(ANNs)
- Ramura a inteligentei artificiale
- Reprezinta sisteme de procesare a informatiei, interconectate intre ele,
paralelizate, care se aseamana creierului uman prin faptul ca dobandesc
cunostinte prin invatare
- O retea neuronala este mult mai simpla decat corespondentul uman,
fiind compusa din unitati puternice cu capacitate de calcul
- O retea neuronala este definita de 3 tipuri de elemente:
- interconexiunile dintre diferitele straturi de neuroni
- procesul de ajustare a ponderilor de interconexiuni
- functia de activare care convertesc datele de intrare in date de iesire

2. Sisteme neuronale artificiale

(ANNs)

2. Sisteme neuronale artificiale

(ANNs)
Aplicatii ale sistemenlor neuronale:
a) Aproximari de functii
b)Recunoastere de tipare
c) Recunoastere vocale
d)Scanare retina
e) Previziuni financiare
f) Cercetari de piata
g) Previziuni de marketing, etc.

2. Sisteme neuronale artificiale

(ANNs)
Invatarea in sistemele neuronale:

3. Sistemele fuzzy - Logica

fuzzy
- Fuzzy: vag, neclar, imprecis
- Parintele logicii fuzzy este Lotfi A. Zadeh in urma publicarii articolului
Multimi fuzzy
- Relatiile intrare-iesire sunt descrise prin reguli IF - THEN
- DACA temperatura este mica ATUNCI incalzeste puternic

- Caracteristici: usor de inteles, se bazeaza pe limbajul natural, este

flexibila,poate fi combinata cu tehnici conventionale de control
- Logica fuzyy reprezinta o forma de logica in care variabilele de adevar pot
fi orice numar real cuprins intre 0 si 1

3. Sistemele fuzzy - Sisteme

fuzzy
- Bazate pe logica fuzzy , sisteme fuzzy sunt considerate un caz particular al
sistemelor expert (o aplicatie complexa care exploreaza o multitudine de
cunostinte date pentru a obtine concluzii noi despre activitati dificil de
examinat folosind metode asemanatoare cu expertii umani)

4. Sisteme neuro-fuzzy
- Un sistem neuro-fuzzy reprezinta un sistem fuzzy care foloseste un
algoritm derivat din sau inspirta de retelele neuronale pentru a determina
parametrii - seturi fuzzy sau reguli fuzzy - prin procesarea datelor.
- Sistemele neuro-fuzzy moderne sunt reprezentate in mod obisnuit ca
retele neuronale multilayer de tip feedfoward.
- In mod obisnuit , termenul de sisteme neuro-fuzzy este folosit pentru a
descrie sisteme cu urmatoarele proprietati:
1. Un sistem neuro-fuzzy este bazat pe un sistem care este antrenat de un
algoritm derivat din teoria retelelor neuronale.

4. Sisteme neuro-fuzzy
2. Un sistem neuro-fuzzy poate fi vazut ca o retea neuronala de tip
feedforward cu 3 straturi. Primul strat reprezinta variabilele de intrare, al
doilea strat reprezinta regulile fuzzy iar al treilea variabilele de iesire. Seturile
fuzzy sunt encodate ca conexiuni de ponderi.
- Doua moduri de combinare al sistemelor fuzzy cu cele neuronale: Prin
fuzificarea retelelor neuronale sau prin dotarea sistemelor fuzzy cu
proprietati de invatare neuronala

4. Sisteme neuro-fuzzy Clasificare

- Sistemele neuro-fuzzy se impart in 3 clase principale:
- COOPERATIVE : algoritmi neuronali adapteaza sistemele fuzzy
- CONCURENTE : cea mai slaba combinatie dintre cele doua sisteme
- HIBRIDE : in fond toate sistemele neuro-fuzzy sunt hibride. In acest tip de caracterizare
sistemele neuro-fuzzy sunt reprezentate ca o retea, de unde si denumirea de RETELE
NEURONALE FUZZY.

4. Sisteme neuro-fuzzy Neuronii

fuzzy
NEURONII FUZZY:
- Modelele fuzzy de neuroni artificiali pot fi construite folosind operatii
fuzzy la nivel de neuron
- Un vector x = (x1,x2,...xn) de valori de intrare intra intr-o unitate
neuronala prin n conexiuni dupa ce a fost modificat de conexiunile de
ponderi corespunzatoare w = (w1,w2,...wn)
- Neuronul calculeaza suma intrarilor ponderate si produce un semnal de
iesire: daca functia e un pas simplu neuronul produce un semna de iesire
1, altfel va produce un semnal de iesire 0.

4. Sisteme neuro-fuzzy Neuronii

- O clasa particularafuzzy
de neuroni fuzzy: OR si AND
- Neuronul fuzzy OR selecteaza disjunctia fuzzy a ponderilor valorilor de
intrare : y = OR(x1 AND w1, x2 AND w2,....xn AND wn)
- Neuronul fuzzy AND selecteaza conjunctia ponderilor valorilor de intrare :
y= AND(x1 OR w1, ...xn OR wn)

5. Retele neuronale fuzzy

stratificate
- Acesti neuroni pot fi ansamblati in
retele stratificate.

- Se obtin retele neuronale

neomogene
- Figura alaturata descrie o retea in
doua straturi compusa dintr-un prim
strat cu p neuroni de acelasi tip AND
si al doilea strat care preia toate
semnalele anterioare cu un singur
neuron OR

6. NEFPROX
- NEFPROX = NEuro Fuzzy function apPROXimator
- Un sistem neuro-fuzzy vazut ca o retea pe 3 straturi de tip feedforward
- Nu exista cicluri in retea si nici conexiuni intre stratul n si stratul n+j, j>1
- Problema pe care trebuie sa o rezolve: aproximarea unei functii continue
necunoscute folosind un sistem fuzzy
- Proprietati:
- unitatile de intrare sunt denumite x1,..xn, regulile ascunse R1, ...Rn iar unitatile de iesire
y1,..yn
- fiecarei conexiuni i se aplica un set fuzzy si etichetata cu un termen lingvistic

6. NEFPROX
- Cu alte cuvinte putem interpreta
NEFPROX in termeni de sistem fuzzy fiecare unitate ascunsa reprezinta o
regula fuzzy IF-THEN

6. ANFIS
- ANFIS = Adaptive Network-based Fuzzy Inference System
- Reprezinta un tip de retea neuronala artificiala bazata pe sistemul fuzzy
de inferenta Sugeno (o regula fuzzy obisnuita in modelul Sugeno este : if x
is A and y is B then z = f(x,y) )
- ANFIS foloseste un algoritm de invatare hibrid
- Similar sistemului NEFPROX

7. Concluzii
- Combinarea retelelor neuronale si a logicii fuzzy reprezinta un mod
puternic de a dezvolta sisteme inteligente
- Cunostintele pot fi transferate intr-un sistem neuro-fuzzy sub forma de
variabile lingvistice si reguli fuzzy