Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Pueden incorporar la experiencia de un operador humano. Emplean reglas del tipo: si entonces Pueden manejar i f P d j informacin vaga o i i imprecisa. i Utilizan etiquetas lingsticas del lenguaje comn. Elementos que los constituyen: Etapa fusificadora. Base de conocimiento. Unidad de toma de decisiones decisiones. Etapa defusificadora.
Sistemas Difusos
Caractersticas
2
Conjunto Certero A
1.0 1.0 10 .9 .5
Conjunto Difuso A
Funcin de Membresa
1.80 1.90
1.80
Alturas [m]
Alturas [m]
Fusificacin
3
MFs .8 .5 .1 1.8 0
Un poco alto
Si x es A, entonces y es B
Si la presin es alta, entonces el volumen es bajo. Si el servicio es excelente y la comida deliciosa entonces deliciosa, la propina es generosa.
Aprenden a partir de ejemplos ejemplos. Emplean mtodos sistemticos de minimizacin de errores. Su funcionamiento es d ti S f i i t de tipo j negra. caja Elementos que las constituyen: Una capa de entrada, capas ocultas y capa de salida, segn la arquitectura utilizada. Funciones de activacin de los nodos nodos. Matriz de pesos de interconexin entre capas.
Neuronas biolgicas
Neurona artificial
Construccin bsica
7
x1 x2
. . .
Perceptron
...
xn
Perceptron multicapa
Mapa auto-organizativo
Arquitecturas
8
Entrelazado
A A B
General
2 capas: Convexo
A B
B A A B
3 capas: Arbitrario
A B
B A A B
Permiten incorporar conocimiento previo. Son sistemas difusos que se entrenan mediante un algoritmo, normalmente derivado de la teora de redes neuronales. Pueden ser vistos como redes neuronales con capas ocultas. Presentan las ventajas de los dos sistemas anteriores. Elementos que las constituyen: Una capa de entrada, capas ocultas y capa de salida, segn la arquitectura utilizada. Funciones de activacin de los nodos de las capas, correspondientes a funciones difusas. Matriz de interconexiones entre capas.
Sistemas neurodifusos
Caractersticas
10
Parmetros de Premisa
A1 A2
N N N N N N N N N
1 2 3 4 5 6 7 8 9
x y
A3 B1 B2 B3
Arquitectura ANFIS
ANFIS: Adaptive Network Based Fuzzy Inference Systems p y y
11
O1,i = Ai(x), para i=1, 2 O1,i = Bi-2(y), para i=3, 4 O2 i = wi = T(Ai(x), Bi(y)), i=1,2 ( ( ), , 2,i
O 3, i = w i =
wi , i = 1,2 w1 + w 2
O 4, i = w i zi = w i (p i x + q i y + ri )
O 5 i = f = w i zi 5,
i
w z = w
i i i
i i
A ( x) =
1+
1 x ci ai
2 bi
Aplicaciones
13
14
Varianza de la seal
Co a a a Covarianza de la seal a se a
Varianza de la seal
Co a a a Covarianza de la seal a se a
Entropa de Shannon
18
Red Competitiva
Red de Clasificacin
19
Muestras de cedimentos
21
Diversos proyectos
22
23
24
25