1

CAPITOLUL 7
SISTEME INTELIGENTE IN ECOLOGIE , FOLOSIND TEHNICI
NEUROFUZZY

7.1. ARHITECTURI DE CONDUCERE NEURO-FUZZY. MODELE NEURO-FUZZY
Combinarea reelelor neurale i a regulatoarelor fuzzy are eficien atunci cnd ntr-o aplicaie
se pot colecta cunotine pariale privind mulimile fuzzy i regulile fuzzy de deducie a comenzii
regulatorului. Un regulator fuzzy se proiecteaz pe baza cunotinelor oferite de un expert uman , fr
s fie necesar cunoaterea modelului matematic al procesului,dar regulile de deducie se bazeaz pe
cunotinele expertului i pot apare incertitudini n alegerea formei funciei de apartenen, a
numrului acestora i a regulilor de deducie. Modelele neuro - fuzzy pot mbunti performanele
prin folosirea algoritmilor de instruire. Exist dou metode pentru a proiecta modele neuro fuzzy:

7.1.1.Folosire separat de modele neurale i fuzzy, structuri n care o reea neurala instruiete
sau optimizeaz unii parametri ai regulatorului fuzzy. Exist urmtoarele tipuri de variante de a
combina aceste 2 modele:
a) Reeaua neural transmite funciile de apartenen.Pe baza datelor de intrare se instruiesc
reele neuronale care aproximeaz direct funciile de apartenen sau se instruiesc s genereze unii
parametri ai funciilor de apartenen, fig.7.1:











b) Reeaua neural ofer reguli lingvistice de conducere pe baza datelor de intrare.n acest
scop se folosesc algoritmi de grupare clustering , ca de exemplu reele Kohonen. Instruierea reelei
neurale se face off line, iar mulimile fuzzy se definesc printr-o alt metod, fig.7.2:












Regulator fuzzy
Comenzi
Mulimi
fuzzy
Date
intrare
Regul
fuzzy
Fig.7.1.
Date
intrare
RLF
Mulimi
fuzzy
Reguli
fuzzy
Fig.7.2.
u
2
c) Reeaua neural adapteaz, fig.7.3. on-line parametrii mulimilor fuzzy,adic n timpul
funcionrii acestuia. n acest caz este necesar cunoaterea regulilor fuzzy i a mulimilor fuzzy
iniiale i este necesar definirea unei erori de instruire pentru supervizarea nvrii. Metoda poate fi
aplicat i off line dac problema instruirii este fix. Se pot folosi i reele ca memorii fuzzy
asociative.












d) Reeaua neural nva pentru calculul ponderilor n regulile de deductie, fig.7.4. .Aceste
ponderi pot fi interpretate ca important care se d unei reguli i deci se poate modifica ieirea unei
reguli. n acest caz regulile de deducie i mulimile fuzzy trebuiesc cunoscute. Dar semnatica acestor
ponderi nu este cunoscut.













n afar de aceste metode de utilizare separat a modelelor fuzzy i neurale ntr-un sistem de
conducere, mai pot exista metode cnd reelele neurale se folosesc pentru preprocesarea sau
postprocesarea intrrilor respectiv ieirile regulatorului fuzzy. ns aceste variante nu afecteaz
optimizarea RLF, ci a sistemului pe ansamblu i deci nu avem un regulator neuro-fuzzy.

7.1.2 Modele hibride neuro-fuzzy

Prin aceast metod se proiecteaz o arhitectur omogen ce este de obicei orientat pe reele
neurale. Prin aceast metod de fapt regulatorul fuzzy se implanteaz cu reele neurale, fig.7.5.


Eroare
instruire
RLF
Fig.7.3.
Eroare
instruire
RLF
AW de la
regul
Fig.7.4
3










Aceast metod are avantajul c utilizeaz un singur model pentru regulator i nu mai apar
probleme de comunicaie ntre modelele fuzzy i cele neurale. Ideea acestei metode se bazeaz pe
interpretarea bazei de reguli fuzzy a regulatorului , folosind reele neurale. Instruirea reelei neurale
se face prin supervizare, ceea ce necesit comenzile exterioare. Dac exist o problem de instruire
fix i procesul tehnologic suport unele experimentri, atunci instruirea se poate face i on line.
Pentru instruire este necesar cunoaterea funciilor sistemului i a unor criterii de apreciere a strii
sistemului ca bun sau proast . Pentru a instrui o reea neural este necesar un set de date de
instruire sau o funcie de evaluare a strilor sistemului.
n concluzie, folosirea uneia dintre metodele prezentate, de proiectare a regulatoarelor sau
modelelor fuzzy, se face pe baza analizei urmtoarelor criterii:
- dac funciile de apartenen i regulile de deducie sunt cunoscute parial sau n ntregime
- dac modelul fuzzy al regulatorului este cunoscut i acesta trebuie implementat
n definirea acestor criterii trebuie avut n vedere dac problema instruirii reelei neurale este
definit i dac trebuie alese funciile de apartenen i dac parametrii acestora sunt iniializai.

7.2.OPTIMIZAREA SISTEMELOR DE CONDUCERE CU LOGICA FUZZY FOLOSIND
REELE NEURALE

Regulatorul cu logica fuzzy este definit prin trei elemente:
- fuzificare: convertirea valorilor crisp de intrar n valori fuzzy, adic mulimi de valori descrise
lingvistic
- baza de reguli de deducie: convertirea valorilor lingvistice de intrare i valorilor lingvistice de
ieire
- defuzificare: convertirea valorilor lingvistice de ieire n valori crisp de ieire
Pentru optimizarea unui RLF este necesar cunoaterea acestor trei elemente n raport cu
intrrile i ieirile sistemului. Prin optimizarea RLF se urmrete ajustarea funciilor de apartenen i
a setului de reguli de deducie. O metod de proiectare este trial and error care are dezavantajul c
dureaz mult i este definit pentru RLF cu sute de reguli. O alt metod const n transpunerea RLF
ntr-o reea neural i n optimizarea acesteia printr-o metod de instruire, dup care se poate reveni la
structura RLF.

a) Convertirea fuzificrii. Se consider c funciile de apartenen sunt triunghiulare, pentru c n
acest mod se pot reprezenta mai uor valorile crisp de intrare. Astfel se poate defini un neuron
fuzzy, fig.12.6. unde ponderea se definete prin relaia:

THEN
IF
Eroare
instruire
Proces
X,Y variabile stare
sistem
Comenzi
exterioare
Fig.7.5
4
i i i
x x z + = 1 , unde
I
>0 i x
I
o valoare arbitrar





b) Convertirea regulilor de baz. Dac se folosete regula IF A THEN B , cu funciile de
apartenen
A
(x) i
B
(x), atunci mulimea fuzzy rezultat pe universul AB, definit prin

( ) ( ) { } B y A x xy y x R
R
e e = , , , ,
are o funcie de apartenen, care de exemplu prin metoda MIN este

( ) ( ) ( ) ( ) y x xy
B A R
, min =
dac ns avem mai multe reguli, atunci prin operaia OR. Pentru ieirea RLF se obine:

( ) ( ) ( ) | | { } y x y
A G B
, min min max =

Operaia de generare a regulilor include operaia de max, min care pot fi implementate de
neuroni. De exemplu operaia de complement ,sau de negare fuzzy, este definit prin:


1
A~
= 1 -
A

Aceast operaie de negare fuzzy poate fi implementat prin schema din fig.7.7. Schemele
pentru implementarea cu neuroni a operaiilor fuzzy MIN i MAX au la baz folosirea mai multor
neuroni, care se reprezint prin simbolurile din fig.7.8.









Deci reprezentarea conversiei regulilor de deducie, fig.7.9 include operaii logice fuzzy de
MIN pentru fiecare regul i nsumarea efectelor acestor reguli prin operaia MAX.










x
i
z
i
y

Pondere

E
Fig.7.6.
1
-1 x
y
E
Fig.7.7
MAX MIN
Fig.7.8
MIN
MIN
MAX
Regula 1
Regula K
Fig.7.9
5


c) Conversia operaiei fuzzy logice de defuzificare
Se consider c pntru defuzificare, fig.7.10. se adopt metoda centrului de arie, adic valoarea
crisp a ieirii este dat de relaia:

y = (
i
y
i

i
(y
i
))/(
I
y
i

i
)











Pentru implementarea relaiei fuzzy pentru defuzificare se utilizeaz scheme cu neuroni, din
fig.7.11, unde neuronul care realizeaz operaia de nsumare reprezint numitorul iar cel de ieire
execut operaia de mprire.













d) Implementarea cu reele neurale ale operaiilor de fuzificare-deducie i defuzificare ale
unui regulator fuzzy, fig.7.12. ( pentru cazul unei intrri E, trei funcii de apartenen ABC i o ieire
cu 2 f.a. ). Reprezentarea printr-o reea neural a unui regulator fuzzy necesit patru straturi. Un strat
pentru generarea funciilor de apartenen A, B, C; al doilea strat pentru implementarea funciei IF; al
treilea strat pentru funcia MAX (de exemplu pentru dou reguli) i stratul de ieire pentru operaia de
defuzificare.





y

Fig.7.10
Y
1
Y
m
E f
y
E
Fig.7.11.
6














e) Operaia de instruire a reelei neurale prin metoda propagrii inverse.
Pentru operaia de instruire prin metoda propagrii inverse este necesar ca funciile de activare
s fie derivabile, n acest scop alegndu-se forma sigmoidal:
( )
( )
2
i
x x b
e a x y

=
Pentru operaia de instruire, se calculeaz ponderile Wij(k) la fiecare pas n funcie de valorile
ponderilor la punctul precedent:

( ) ( ) ( ) ( ) ( ) ( ) ( ) 1 1 1 1 1 A + + = A + = k W k k k W k W k W k W
ij j ij ij ij ij ij
| u oo
unde o i | sunt constante pentru a controla procesul de instruire, i au valori ntre 0 i 1.
Procedura de proiectare a unei reele neurale pentru un RLF, necesit iniial alegerea grosier a
unei structuri de regulator, care s defineasc intrrile i ieirile. n procesul de instruire al reelei
neurale se poate folosi experiena expertului de proces tehnologic. Scopul final al instruirii este
simularea realitii conducerii procesului de ctre operatorul uman.

7.3. REFACEREA SEMNALELOR INTERMITENTE SAU SATURATE PRIN METODE
NEURO-FUZZY

n unele aplicatii semnalele sint saturate, fig7.13, adic limitate fie datorit caracteristicii
statice a traductorului, fie datorit unor neliniariti pe liniile de transmisie a semnalelor. n aplicaii
speciale, de exemplu recunoaterea semnalului vocal, saturarea poate surveni de la microfon sau de la
proasta alegere a caracteristicii convertorului analog-numeric. n cazul n care semnalul este i
intermitent se pune problema refacerii, restaurrii formei semnalului, a prediciei semnalului saturat
sau intermitent. n acest scop se pot folosi modele autoregresive, dar pentru semnale neliniare nu sunt
utilizabile. Reelele neurale pot fi folosite pentru restaurarea semnalelor saturate sau intermitente, dar
acestea necesit mult timp pentru instruire. Pentru reducerea timpului de instruire se pot folosi
neuroni neo-fuzzy, o combinaie ntre logica fuzzy i reele neurale. Un neo-fuzzy neuron, fig.7.14.
are ieirea definit printr-o sum algebric a unor funcii neliniare f
I
(x
I
) adic:

y = f
1
(x
1
) + ...................+f
n
(x
n
)

E f
A
B
C
MIN
MIN
MAX
MAX
E
E
W
1
W
2
W
3
y
Fig.7.12
7
Funcia neliniar f
i
(x
i
) este obinut prin deducii fuzzy de forma
ij ij i
W is y THEN A is x IF
unde Aij este o mulime fuyyz a cror funcii de apartenen
ij
se alege de form triunghiular iar Wij
este singleton , adic cu o valoare mic.
Ca funcii de apartenen se aleg funcii triunghiulare complementare , adic pentru orice
semnal de intrare x
i
se activeaz numai doua reguli simultan, iar suma acestora este unu. Folosind
metoda de defuyificare a centrului eriei, ieirea unei funcii neliniare este:

( )
( ) ( )
( ) ( )
( ) ( )
1 , 1 ,
1 ,
1 , 1 ,
+ +
+
+ +
+ =
+
+
=
j i i j i ij i ij
i j i i ij
j i i j i ij i ij
i i
W x W x
x x
W x W x
x f





















Procesul de detecie prin metoda conturului de arie este prezentat n fig.7.15, pentru cazul cnd
funciile de apartenen acoper ntreg domeniul de variaie al semnalului de intrare:














X
i

11

12

1n



W
11
W
12
W
1n
f
2
f
n
X
2
X
n
X
1
Y

Fig.7.14.


f(x
i
)
A
i1

A
i2
A
i3

A
i4

X
I
, min
intrare Ieire
f
I
(x
I
)
C
0
A
W
13
W
14

Fig.7.15
8
Dac se noteaza prin y~ ieirea test si prin y ieirea curent a neuronului , atunci pentru
instruire se poate alege funcia de eroare:

E = 1/2
k
(y
k
-y
k
~)
2


i se utilizeaz metoda gradientului prezentat n cap.6.. Un neuron neo-fuzzy are caracteristic faptul
c este definit prin reguli lingvistice fuzzy IF-THEN i c are o vitez mai mare de instruire dect
reelele neurale convenionaloe.
Pentru restaurarea unui semnal saturat sau a unui semnal intermitent datorit unor defecte de
transmisie, semnalele de intrare aplicate neuronului neo-fuzzy, sunt valori ale acestui semnal de la
tactele precedente, memorate prin linii de ntrziere.

7.4. SISTEM HIBRID FUZZY NEURAL DE CONDUCERE A UNUI PROCES DE
FERMENTAIE

Procesul de fermentaie dintr-un bioreactor este definit printr-o funcie de cost de forma:
C(F
in
) = a|
max
- (t+1)| + b|s
p
-s(t+1)| + c|DO
sp
- DO(t+1)|
unde:
-C(F
in
) este funcia de cost care trebuie minimizat prin gsirea acelei valori a argumentului
pentru care are valoare minim
-F
in
viteza de estimare a substratului
-S concentraia substratului ( g/cm
3
)
- viteza de cretere specific ( s
1
)
-DO oxigen dizolvat ( % )
-a,b,c parametrii fuzzy ai funciei cost

Pentru calculul valorii funciei cost se utilizeaz o reea neural care sa predicteze valorile
parametrilor: (t+1),s(t+1),DO(t+1) la tactul urmtor.n acest scop se utilizeaz o reea neural cu 15
noduri de intrare la care se aplic semnalele de intrare DO(t), RQ(t), Eg(t), Fin(t) la momentul actual
de timp i cele de la momentele (t-1) i (t-2) prin dou elemente de ntrziere. Stratul ascuns are 30 de
noduri , iar stratul de ieire 3 noduri.De asemenea este necesar proiectarea unui modul fuzzy care s
determine valorile parametrilor a,b,c ai funciei de cost. n acest scop se folosesc trei tabele de adevr
pentru fiecare coeficient a, b, c de forma:


DO
a FMIC MIC MED MARE FMARE
MIC - FMARE MIC MARE FMARE
MED
MARE

Unde variabilele lingvistice reprezint: FM foarte mic, MIC, MED mediu, FMARE foarte mare.
Cele trei tabele de adevr pentru coeficienii a, b, c sunt completate distinct, n tabel dndu-se cteva
exemple pentru unul dintre coeficieni. Pentru variabilele DO i RQ s-au ales funciile de apartenen
din fig.7.16.
RQ
9










Calculul coeficienilor a,b,c se face prin modelare fuzzy. Pentru aceasta fiecrui coeficient i se
asocieaz conform tabelului su specific o regul de forma :

IF rq ESTE mic AND do ESTE mediu THEN a este mic.

Pentru valorile curente ale parametrilor DO si RQ , conform tabelului de reguli se gsete
funcia de apartenen a parametrului respectiv, de exemplu, i prin operaia de defuzificare, folosind
metoda centrului de arie se calculeaz valoarea actual a coeficientului a.. Operaiile se repet pentru
ceilali coeficieni b i c gsindu-se valorile acestora. Pentru valorile determinate prin sistemul fuzzy
ale coeficienilor a, b, c i pentru valorile predictate de reeaua neural se calculeaza valoarea funciei
de cost. Calculele se repet pentru mai multe valori ale funciei cost ,determinndu-se astfel referina
optim, pentru care funcia cost re valoarea minim. Prin aceast procedur s-a optimizat procesul
dup o funcie de cost.


0
1
50 100
%
FMIC MIC MED MARE FMARE
DO
MARE MIC MED
0,7 0,9 1,1 1,3
RQ