Sunteți pe pagina 1din 16

Tehnici de fuziune a informaţiei utilizate în cadrul

sistemelor multisenzor ATR/sisteme C4I

1. Introducere

Integrarea în cadrul sistemelor ATR standard a unor matrici de senzori cu


funcţionare spectrală independentă (sistem multisenzor) atrage după sine
utilizarea obligatorie a unor tehnici eficiente de fuziune a informaţiei disponibile
în cadrul acestor sisteme.
Prin intermediul acestui nou atribut, sistemele ATR tradiţionale devin
mult mai performante, mai eficiente şi nu în ultimul rând, mai robuste la
acţiunea factorilor perturbatori. Prin urmare, pentru o bună înţelegere a
necesităţii prezenţei atributului multispectral în cadrul unui sistem ATR, este
necesară în continuare o trecere în revistă a principalelor aspecte teoretice şi
aplicative legate de conceptul modern al fuziunii informaţiei.
Prin tehnici de fuziune a informaţiei se înţelege combinarea diferitelor
surse de informaţie în scopul îmbunătăţirii performanţelor unui sistem. În
general, diferitele date de intrare pot proveni de la un singur senzor la momente
de timp diferite (fuziunea în timp) sau chiar la un singur moment de timp, dar
utilizând diferiţi experţi în procesul de prelucrare. În acest ultim caz, opinia
diferiţilor experţi poate fuziona.
Fuziunea informaţiei poate fi utilă în diferite scopuri, precum: detecţia,
recunoaşterea şi însoţirea unei ţinte, detecţia schimbărilor, luarea deciziei etc.
Aceste funcţii pot fi întâlnite în multe domenii de aplicaţie, ca: apărare, robotică,
medicină, agricultură etc.
Utilizarea unei scheme eficiente de fuziune a informaţiei poate avea ca
efect obţinerea unor avantaje semnificative, precum:
Ø încrederea sporită în decizie datorită utilizării informaţiilor
complementare (spre exemplu, forma unui obiect provenită dintr-o imagine în
domeniul vizibil, starea activă sau pasivă în IR, viteza sau distanţa optimă
obţinută cu ajutorul unui echipament radar etc.);
Ø performanţe îmbunătăţite în contramăsuri (spre exemplu, este foarte
greu de camuflat un obiect într-un domeniu spectral extins);
Ø performanţe îmbunătăţite în condiţii de mediu nefavorabile (spre
exemplu, ceaţa sau fumul determină contraste în domeniul vizibil scăzute, iar
unele condiţii meteorologice precum ploaia, cauzează un contrast termic scăzut).
Combinarea unuor tipuri de senzori poate duce la îmbunătăţirea globală a
performanţelor unui sistem.

1
Tehnicile de fuziune a informaţiei sunt clasificate în tehnici de fuziune
de nivel scăzut, intermediar sau de nivel înalt.
Fuziunea de nivel scăzut (Low level fusion) cunoscută şi sub denumirea
de fuziune de date (Data fusion), combină un număr de surse de date brute în
scopul obţinerii unui nou set de date cu conţinut informaţional crescut şi sintetic
al datelor iniţiale. Spre exemplu, în domeniul procesării digitale a imaginilor, se
fuzionează imagini ce prezintă o anumită scenă în diferite domenii spectrale în
scopul generării unei noi imagini ce conţine în mod ideal toată informaţia
disponibilă în aceste spectre. Un operator uman poate astfel utiliza doar o
singură imagine în locul setului de imagini iniţiale. Acest lucru este important
mai ales atunci când numărul domeniilor spectrale devine atât de important încât
este aproape imposibil să se analizeze fiecare imagine în parte.
Fuziunea datelor necesită o înregistrare precisă la nivel de pixel a tuturor
imaginilor disponibile. Înregistrarea este intrinsecă atunci când spectele diferite
provin de la un singur senzor (SAR, scanner IR, cameră video etc.). Cum acest
tip de fuziune are ca scop fuziunea informaţiei relevente provenind din diferite
imagini, o problemă majoră constă în definirea termenului generic de informaţie
relevantă. Spre exemplu, oamenii nu clasifică doar pe baza unei informaţii
locale, ci utilizează o multitudine de informaţii colaterale, bazându-se pe
capacităţile lor globale de interpretare.
Fuziunea de nivel intermediar (Intermediate level fusion) cunoscută şi
sub denumirea de fuziune de caracteristici (Feature level fusion), combină
diferitele seturi de caracteristici. Acestea pot proveni din unele surse de date
brute (câţiva senzori, momente de timp diferite etc.) sau direct din unele date
brute. În acest ultim caz, obiectivul este de a determina acele caracteristici
relevante care pot rezulta în urma aplicării unor metode dedicate de extracţie a
caracteristicilor (spre exemplu, analiza componentelor principale etc.). În
general, în procesarea imaginilor, spaţiile de proiecţie sunt determinate ca
rezultat al preprocesărilor efectuate în scopul segmentării sau detecţiei de
obiecte. Caracteristici precum: muchiile, colţurile, liniile, parametrii de textură
etc., sunt calculate şi combinate într-un spaţiul al caracteristicilor fuzionate care
poate fi utilizat ulterior în scopul detecţiei sau segmentării.
Fuziunea de nivel înalt (High level fusion) cunoscută şi sub denumirea
de fuziune decizională (Decision fusion), combină decizii care provin de la un
anumit număr de experţi. Prin extensie, se poate vorbi de fuziune decizională
chiar şi atunci când experţii furnizează un parametru de încredere şi nu o
decizie. Pentru a putea distinge între cele două situaţii, se vorbeşte de fuziune
hard şi respectiv, soft.
Metodele de fuziune decizională includ metodele de votare, statistice,
bazate pe logica fizzy etc.
În literatura de specialitate sunt indicate şi alte modalităţi de clasificare a
tehnicilor de fuziune a informaţiei. Astfel, Dasarathy a propus o generalizare a
clasificării precedente după caracteristicile de intrare/ieşire în cinci categorii
2
generice: data in-data out, data in-feature out, feature in-feature out, feature in-
decision out şi respectiv, decision in-decision out. O a şasea categorie poate fi
reprezentată de tipul data in-decision out, deşi aceasta nu reprezintă o abordare
promiţătoare, fiind preferabilă extragerea unor caracteristici relevante din datele
brute înaintea utilizării unui clasificator.
Fuziunea temporală, fuziunea spaţială sau fuziunea spectrală reprezintă
termeni deseori întâlniţi în literatura de specialitate. Totuşi, aceste tehnici nu
trebuie interpretate ca noi tehnici de fuziune. Astfel, ultimile două tipuri de
fuziune reprezintă doar exemple de fuziune de nivel scăzut sau intermediar.
Fuziunea temporală poate avea loc la orice nivel, iar în acest caz sunt combinate
datele de intrare provenite de la mai mulţi senzori la momente de timp distincte.
Fuziunea poate îmbunătăţi performanţele unui sistem ATR prin
introducerea unui procedeu similar reducerii zgomotului. În cazul dinamic al
deplasării senzorului sau al ţintei, fuziunea poate fi chiar mai relevantă din
moment ce ţinta poate prezenta unele apariţii sau dispariţii ale profilului.

Tabelul 1
Tip Metodă Descriere
Aplicarea operatorilor logici ŞI, SAU în scopul
Booleană
combinării deciziilor independente
Ponderarea senzorilor cu inversa covarianţei şi
Hard Sumă ponderată
însumarea acestora
Confirmarea deciziei pe baza a m senzori din n
m din n
care au acelaşi rezultat
Aplicarea regulii Bayes pentru optimizarea
Bayesiană
probabilităţilor condiţionale independente
Aplicarea regulii Dempster pentru combinarea
Soft Dempster-Shafer
funcţiilor de încredere a senzorilor
Utilizarea logicii fuzzy pentru a combina funcţiile
Fuzzy
de apartenenţă
Alternative de combinare la nivel de decizie

Metodele de fuziune a clasificatorilor pot fi divizate în funcţie de


informaţia produsă de fiecare clasificator individual după cum urmează:
Ø ieşire de tip abstract: fiecare clasificator individual produce o
etichetă unică pentru fiecare formă de intrare (exemple: regula votului majoritar,
regula Dempster-Schafer, BKS etc.);
Ø ieşire de tip rang: fiecare clasificator individual produce o listă
ordonată a claselor posibile pentru fiecare formă de intrare (regula Borda);
Ø ieşire de tip mărime: fiecare clasificator individual produce niveluri
de încredere ale claselor pentru fiecare formă de intrare (exemple: regula min,
max, mediană, sumă etc.).

3
2. Fuziunea decizională

2.1 Generalităţi

Motivaţia combinării mai multor clasificatori în scopul rezolvării unei


anumite probleme este reprezentată de una din următoarele situaţii:
Ø un utilizator poate avea acces la un număr diferit de clasificatori,
fiecare dintre aceşti clasificatori fiind dezvoltat într-un context diferit şi pentru a
descrie diferit aceeaşi problemă;
Ø uneori sunt disponibile mai multe seturi de antrenare, fiecare din ele
fiind achiziţionate la un moment de timp şi din medii diferite;
Ø diferiţi clasificatori antrenaţi cu aceleeaşi date pot avea rezultate
locale şi globale diferite. Fiecare clasificator poate avea asignată o regiune
proprie din spaţiul caracteristicilor în care să aibă rezultatele cele mai bune;
Ø unii clasificatori (vezi cazul reţelelor neuronale) au rezultate diferite
pentru iniţializări diferite ale procedurii de instruire, datorită caracterului aleator
inerent asignat procesului de învăţare. În locul alegerii celui mai bun clasificator
şi eliminării celorlalţi, este de preferat utilizarea unei combinaţii a acestora etc.
În funcţie de datele de intrare, pot exista sisteme care conţin clasificatori
individuali ai căror vectori de intrare diferă (spre exemplu, provin de la mai
mulţi senzori) sau sunt identici (vezi Fig.1).

a) diferite

b) identice
Fig.1: Sisteme de fuziune cu seturi de caracteristici
4
Arhitectura unei scheme de combinare constă dintr-un set de clasificatori
individuali şi un combinator care analizează rezultatele fiecărui clasificator,
rezultând astfel decizia finală.
Aceste scheme pot fi grupate în trei categorii: paralele, în cascadă şi
respectiv, ierarhice (vezi Fig.2).

a) paralelă

b) în cascadă

c) ierarhice
Fig.2: Arhitecturi de fuziune decizională

În cazul arhitecturilor paralele, fiecare dintre clasificatori este utilizat


independent, rezultatele acestora fiind ulterior fuzionate conform unei anumite
reguli de combinare (spre exemplu, medie, vot ponderat etc.) sau unui
metaclasificator. În cazul arhitecturilor în cascadă se evaluează fiecare
clasificator individual într-o secvenţă liniară. Numărul claselor este redus
progresiv, cu cât sunt utilizaţi mai mulţi clasificatori individuali. Iniţial se
utilizează clasificatori cu precizie redusă, dar rapizi, urmaţi de clasificatori
precişi, dar cu un volum ridicat de calcul. Majoritatea algoritmilor existenţi
aparţin acestei ultime categorii.
Arhitectura în cascadă şi cea ierarhică presupun combinarea
clasificatorilor individuali într-o structură similară unui arbore decizional.
Nodurile acestuia sunt asignate clasificatorilor complexi, cu un număr ridicat de
caracteristici de intrare. Avantajul acestei arhitecturi rezidă în eficienţa ridicată
5
şi flexibilitatea sa în procesul de exploatare a puterii discriminatorii pentru
diferite tipuri de caracteristici.
Pornind de la aceste trei tipuri standard de arhitecturi, ulterior, pot fi
dezvoltate sisteme complexe pentru combinarea clasificatorilor, sisteme care
sunt dedicate problemei de clasificare concrete de rezolvat.

2.2 Strategii de combinare a clasificatorilor

Din punct de vedere al dependenţei de vectorul de caracteristici,


strategiile de combinare a clasificatorilor pot fi divizate astfel:
Ø strategii de combinare statice
Regula de decizie în cazul combinării statice este independentă de
vectorul de caracteristici. La rândul lor, strategiile statice pot fi: antrenabile şi
respectiv, neantrenabile.
În cazul metodelor neantrenabile, votul este efectuat independent de
performanţele individuale ale fiecărui clasificator individual. Pot fi utilizate
diferite modalităţi de combinare funcţie de tipul datelor de ieşire generate de
clasificatori, precum:
q regula votului
Această metodă este utilizată atunci când fiecare clasificator produce o
singură etichetă a clasei. În acest caz, fiecare clasificator utilizat votează pentru
o anumită clasă, iar clasa care primeşte cel mai mare număr de voturi este
declarată câştigătoare.
q regula mediei
Această metodă este utilizată atunci când fiecare clasificator generează o
estimare a încrederii. În acest caz, clasa declarată câştigătoare este cea care are
cea mai mare probabilitatea a posteriori din cadrul ansamblului.
q regula Borda
Regula Borda este utilizată în situaţia în care fiecare clasificator produce
un rang. Această metodă ordonează ipotezele sub formă de ranguri ca o funcţie
de probabilităţile a posteriori ale ansamblului.
Fiind una dintre metodele de fuziune decizională preferate în aplicaţiile
curente, este utilă prezentarea unui exemplu de utilizare a acestei reguli. În
consecinţă, fie un sistem de trei clasificatori individuali (N=3) şi patru clase
posibile Ω={A,B,C,D}. Pentru un anumit vector din mulţimea de antrenare x, au
fost obţinute următoarele rezultate:

Rangul Clasificator 1 Clasificator 2 Clasificator 3


4 C A B
3 B B A
2 D D C
1 A C D

6
Rangurile globale (overall rank) corespunzătoare celor patru ipoteze sunt
următoarele:

rA = rA1 + rA2 + rA3 = 1 + 4 + 3 = 8



rB = rB1 + rB2 + rB3 = 3 + 3 + 4 = 10
 ,
rC = rC + rC + rC = 4 + 1 + 2 = 7
1 2 3


rD = rD + rD + rD = 2 + 2 + 1 = 5
1 2 3

deci clasa declarată câştigătoare este B deoarece corespunde valorii maxime a


rangului global, rB = 10.
În cadrul clasei metodelor antrenabile, combinatorul parcurge o fază
separată de antrenare în scopul îmbunătăţirii performanţelor ansamblului. Mai
importante sunt următoarele două metode:
q regula mediei ponderate
În acest caz, ieşirea fiecărui clasificator este ponderată de o măsură a
propriilor performanţe (spre exemplu, acurateţea predicţiei determinată pe seturi
de validare separate).
q regula generalizării cu stivă
În cadrul acestei metode, ieşirea ansamblului serveşte ca vector de
caracteristici pentru un metaclasificator.
De asemenea, în cadrul acestei metode, forma de ieşire a unui ansamblu
de experţi antrenaţi serveşte ca vector de intrare al unui clasificator expert de
nivel superior.

Fig.3: Principiul generalizării cu stivă

Ø strategii de combinare adaptive


Regula de decizie în cazul combinării adaptive este dependentă de
vectorul de caracteristici. Astfel, ansamblul implementează o funcţie locală
fiecărei regiuni din spaţiul caracteristicilor. De exemplu, metoda divide-et-
impera conduce la ansambluri modulare în cadrul cărora clasificatori relativ
simpli sunt specializaţi în diferite regiuni ale spaţiului intrare-ieşire. De remarcat

7
faptul că, spre deosebire de ansamblurile de combinare statice, experţii
individuali nu necesită performanţe bune pentru toate tipurile de date de intrare,
ci doar pentru regiunile în care acestea expertizează.

Fig.4: Principiul strategiei de combinare adaptive

Conform literaturii de specialitate, în cadrul acestor strategii de combinare


reprezentative sunt: mixturile de experţi şi respectiv, mixturile ierarhice de
experţi.
q mixturile de experţi
Mixturile de experţi reprezintă o metodă clasică a ansamblurilor adaptive.
În cadrul acesteia, se utilizează o reţea de acces (gating network) în scopul
generării unei partiţii a spaţiului caracteristicilor în diferite regiuni. În fiecare
dintre regiuni există un singur expert ce este responsabil cu generarea unei ieşiri
corecte în acea regiune. Experţii împreună cu reţeaua de acces sunt antrenaţi
simultan, prin intermediul metodelor de tip EM.

Fig.5: Principiul mixturii de experţi

Mixtura de experţi poate fi extinsă la o structură ierarhică multinivel în


cadrul căreia fiecare componentă este ea însăşi o mixtură de experţi. În acest caz
se utilizează o reţea liniară cu funcţie de clasificator terminal, fără a compromite
capacităţile modelului.

8
2.3 Reguli de decizie fixe

Se consideră problema recunoaşterii formei unui vector de caracteristici Z


prin asocierea acestuia la una din clasele (ω1,ω2,…,ωm). Presupunem că
dispunem de un număr de R clasificatori, fiecare reprezentând vectorul Z printr-
un vector de măsură disctinct, xi. În spaţiul de măsură, fiecare clasă ωk este
modelată printr-o funcţie densitate de probabilitate p ( xi ωk ) şi printr-o
probabilitate a priori P ( ωk ) . Conform teoriei lui Bayes, vectorul Z va fi asociat
clasei de intrare ωj cu condiţia ca:

( )
P ω j x1, x2 ,..., xR = max  P (ωk x1 , x2 ,..., xR )  . (1)
k

Conform literaturii de specialitate, cele mai uzuale reguli de decizie fixe


sunt următoarele:
Ø regula produs
Dacă p ( x1, x2 ,..., xR ωk ) reprezintă distribuţia de probabilitate a măsurilor
furnizate de către clasificatori şi cum aceste măsurători sunt independente
statistic, ecuaţia anterioară se poate rescrie sub forma următoarei reguli de
decizie de produs:

asociază Z → ω j dacă

( )∏ ( )
R m R (2)
P ωj p xi ω j = max P (ωk )
k =1
∏ P ( xi ωk ).
i =1 i =1

Regula de decizie (2) cuantizează verosimilitatea ipotezei prin combinarea


probabilităţilor a posteriori generate de clasificatorii individuali cu ajutorul unei
reguli de decizie exprimate sub forma unui produs. Aceasta reprezintă o regulă
strictă de fuziune a ieşirilor clasificatorilor, deoarece un singur clasificator este
suficient în a inhiba o anumită interpretare prin generarea unei probabilităţi
foarte apropiate de zero.
Ø regula sumă
Se consideră regula de decizie (2). În unele aplicaţii este util a presupune
faptul că probabilităţile a posteriori pot fi calculate de către clasificatorii
respectivi fără a modifica semnificativ probabilităţile a priori. În această situaţie
putem considera că probabilităţile a posteriori pot fi exprimate sub forma:

(3)

9
unde δ ki satisface condiţia δ ki ≈ 1. Înlocuind ecuaţia (3) în ecuaţia (2) se obţine
că:

(4)

Dacă explicităm produsul şi neglijăm termenii mai mari de ordinul 2,


putem aproxima termenul drept din relaţia anteriaoră de forma:

(5)

Şi în final, înlocuind ecuaţiile (5) şi (3) în ecuaţia (2), se obţine regula de


decizie sumă:

(6)

Regulile de decizie (6) şi (2) sunt de fapt schemele de bază ale combinării
clasificatorilor. Se poate dezvolta o multitudine de strategii de combinare a
clasificatorilor pornind de la aceste reguli, observând faptul că:

(7)

Aceste inegalităţi sugerează faptul că regulile de combinare produs şi


sumă pot fi aproximate prin limitele lor superioare sau inferioare. Mai mult,
întărirea probabilităţii a posteriori P ( ωk xi ) pentru a produce funcţii ∆ki cu
valori binare sub forma:

(8)

10
determină obţinerea unor performanţe superioare în decizie faţă de combinarea
probabilităţilor a posteriori. Aceste aproximări conduc la reguli de tipul max,
min, median sau votului majoritar.
Ca o interpretare a celor două variante este de reţinut faptul că, regula
produsului se utilizează atunci când avem de a face cu spaţii independente de
caracteristici, fiecare dispunând de propriul său clasificator. Regula sumei se
utilizează în cazul unor clasificatori dependenţi, fiecare dintre aceştia estimând
aceeaşi probabilitate a posteriori.

Fig.6: Clasificator bazat pe utilizarea regulii mediei

Pentru clasificări de tip hard, se pot utiliza metode de tipul regulii votului
majoritar, în timp ce pentru clasificări bazate pe probabilitatea a posteriori se
folosesc metode de tip rang, mediere, produs sau antrenare.
Ø regula votului majoritar
Pornind de la regula de decizie (6) sub ipoteza unor probabilităţi a priori
egale şi a întăririi probabilităţilor, se obţine următoarea regulă de decizie:

(9)

De remarcat faptul că, pentru fiecare clasă ωk, suma termenului din
dreapta al ecuaţiei (9) contabilizează numărul de voturi primite în această
ipoteză de la clasificatorii individuali. Clasa cu cele mai multe voturi este
selectată conform regulii votului majoritar.

3.2.4 Reguli de decizie antrenabile

În conformitate cu literatura de specialitate, cele mai reprezentative ca


nivel de performanţă metode de fuziune decizională antrenabile sunt
următoarele:
Ø metoda BKS
11
Metoda BKS (Behaviour-Knowledge Space) are la bază generarea unui
hiperspaţiu k-dimensional (k fiind numărul de experţi) în care fiecare
dimensiune corespunde deciziei unui singur expert. Fiecare expert are un număr
de c + 1 valori de decizie posibile (unde c este numărul total de clase).
Intersecţia dintre deciziile clasificatorilor individuali (sau experţi) ocupă o
unitate a BKS, în fiecare dintre aceste unităţi acumulându-se numărul de
eşantioane aparţinând fiecărei clase. Unitatea care se află la intersectţia dintre
deciziile clasificatorilor în raport cu intrarea curentă se numeşte unitate focală.
Fiecare unitate conţine trei tipuri de informaţii: (1) numărul total de
exemple de intrare, (2) clasa cea mai reprezentativă şi (3) numărul total de
exemple de intrare pentru fiecare clasă.
Metoda este sensibilă la supraânvăţare, deoarece necesită un volum mare
de date pentru a fi antrenată corespunzător. În general, metoda BKS se comportă
bine cu datele de antrenare, dând rezultate slabe cu datele de testare.
Principiul de funcţionare internă asignat metodei respective este ilustrat în
figura de mai jos.

Fig.7: Principiul metodei BKS

Ø integrala fuzzy standard


Pe baza conceptului de măsură fuzzy, Sugeno şi Takagi (1985) au
introdus noţiunea de integrală fuzzy care este o funcţională neliniară definită în
raport cu o măsură fuzzy.
Fie mulţimea Q şi h : Q → [ 0,1] o submulţime fuzzy a acesteia. Integrala
fuzzy a funcţiei h pe Q, în raport cu măsura fuzzy g, este dată de relaţia:

12
  
( h ( q ) , g ( A) )  = α∈max  min ( α, g ( hα ) )  ,
∫ h ( q ) o g (⋅) = max  min  min
A⊆ Q   q∈ A  [ 0,1]   (10)
Q

În esenţă, pornind de la un vector de intrare x, se calculează un număr de c


vectori de lungime k. Fiecare dintre acesşti vectori corespunde unei clase şi
conţine k valori ale mărimii fuzzy. Coloana i a profilului de decizie ce conţine
cele k valori de suport ale clasei ωi este sortată şi fuzificată prin intermediul
mărimii fuzzy a clasei respective, în scopul obţinerii deciziei. Astfel, integrarea
fuzzy este interpretată ca fiind căutarea acordului maxim dintre evidenţa
obiectivă (produsă de ieşirea sortată a clasificatorilor pentru clasa ωi) şi aşteptare
(cele k valori ale mărimii fuzzy). Problema este cea a găsirii vectorului de
măsură fuzzy. Majoritatea autorilor ce utilizează integrala fuzzy sugerează
calcularea unei mărimi λ-fuzzy, gλ.
Mecanismul de funcţionare asignat integralei fuzzy (standard) este ilustrat
sugestiv în figura de mai jos.

Fig.8: Fuziunea decizională cu ajutorul integralei fuzzy

{
unde hα = q h ( q ) > α . }
Fuziunea decizională a N q clasificatoare ilustrată în Fig. 8 conduce la
forma finală a algoritmului propus pentru implementarea sa, şi anume:

13
Algoritmul integralei fuzzy standard

Ø integrala fuzzy-evolutivă
Algoritmii genetici (Holland, 1975) sunt o componentă importantă a
calculului evolutiv şi fac parte din clasa metodelor moderne de căutare, cu
aplicaţii şi performanţe deosebite în rezolvarea problemelor complexe de
optimizare. Formularea principiilor de bază ale algoritmilor genetici este
fundamentată pe paradigma biologică a evoluţiei vieţii, pe mecanica selecţiei
naturale şi a geneticii, având ca rezultat obţinerea unor algoritmi în care este
implicat şi flerul inovator al căutării umane.
În general, mecanismele care conectează structura algoritmului genetic la
problema concretă de rezolvat sunt, în principal, două:
14
1) codificarea problemei de interes în termeni cromozomiali;
2) funcţia de evaluare care furnizează o măsură a calităţii fiecărui
cromozom în contextul problemei de rezolvat.
Pentru detalii privind principiile calculului evolutiv, structura unui
algoritm genetic, mecanismul de funcţionare al acestuia etc., poate fi consultată
referinţa bibliografică [11].
Metoda hibridă fuzzy-evolutivă (sau pe scurt, integrala fuzzy-evolutivă)
este destinată optimizării modului de combinare a ieşirilor mai multor
clasificatori (neuronali). În acest sens, metoda respectivă utilizează integrala
fuzzy pentru a realiza combinarea ieşirilor unor arhitecturi de clasificare
distincte funcţie de importanţa asignată acestora de către un algoritm genetic.
În consecinţă, cromozomii vor codifica real densităţile fuzzy gij sub
(
forma unui vector C j = g1j , g 2j ,...; λ j ) iar funcţia de evaluare pentru
cromozomul C j este de forma:

1  
( )
E Cj = ∑ g λ ( A) −
!
λ


∏( )
1 + λ j gi − 1 ,
j

(11)
A∈B ( X ) j  xi ∈ A

unde notaţiile care intervin sunt cele consacrate, iar g! λ ( A ) sunt valorile măsurii
fuzzy asignate iniţial, respectiv gλ ( A ) sunt valorile calculate pe baza gij şi λ j .

Fig.9: Schema de principiu a metodei hibride propuse

Operatorii genetici utilizaţi au fost încrucişarea şi mutaţia (cu o anumită


probabilitate), iar selecţia părinţilor generaţiei următoare s-a efectuat pe baza
principiului ruletei.
Criteriul de oprire este dat de atingerea numărului maxim de generaţii.
De asemenea, foarte important, deoarece nimic nu ne garantează că
soluţia cea mai bună pentru problema de rezolvat este codificată sub forma
cromozomului cel mai performant din ultima generaţie, s-a optat pentru
15
utilizarea unui algoritm similar cu cel propus de Gallant în cadrul instruirii
perceptronului multistrat şi anume, principiul buzunarului. În consecinţă, la
fiecare generaţie cromozomială, cel mai performant individ este reţinut în
buzunar (pocket). La sfârşitul algoritmului genetic, toţi cromozomii din buzunar
sunt ordonaţi descrescător în funcţie de valoarea asignată acestora (valoarea
funcţiei fitness), iar cromozomul de pe prima poziţie este declarat câştigător şi
decodificarea sa conduce într-adevăr la soluţia căutată.
Ø metoda tiparelor decizionale
Metoda respectivă (similară metodei BKS) generează un tipar al
combinărilor decizilor clasificatorilor. Se utilizează o măsură a similarităţii în
scopul comparării tiparelor decizionale corespunzătoare unei anumite intrări cu
tiparele decizionale generate anterior, asociind ponderi wj fiecărei clase.
Metoda prezintă o sensibilitate mai mică la supraantrenare faţă de metoda
BKS, bazându-se totuşi pe un set mare de date de antrenare.
Tiparul decizional al clasei ωI reprezintă media profilurilor de decizie ale
elementelor setului de date de antrenare corespunzătoare clasei i. Atunci când se
doreşte clasificarea unui nou vector de intrare x, schema de combinare va
produce deciziile:

(12)

unde ℑ reprezintă o măsură a similarităţii.


Principiul metodei respective este ilustrat sugestiv în figura de mai jos.

Fig.10: Metoda tiparelor decizionale

16