Академический Документы
Профессиональный Документы
Культура Документы
Sistemas Difusos
Alumno:
Richard ngel Bentez Garca
Contenido
TAREA: ............................................................................................................................. 3
1.
1.2
1.3
1.4
Mtodos Probabilsticos...................................................................................... 9
1.5
TAREA:
Presentar un resumen de las tcnicas que conforman la Inteligencia Computacional (soft
computing), indicar y justificar cual sera la mejor opcin para su tema de tesis.
Una funcin de desempeo o evaluacin (del ingls fitness function) que determina la
calidad de los individuos en la poblacin en su capacidad de resolver el problema bajo
estudio
La Tabla 1 muestra las analogas entre la evolucin natural y los algoritmos evolutivos, mientras
que a Figura 1 ilustra el esquema general de un algoritmo evolutivo. Una poblacin de M
individuos es inicializada y sujeta a evolucin simulada de una generacin a la siguiente a travs
de la aplicacin sucesiva de los operadores de seleccin de progenitores, recombinacin,
mutacin, evaluacin de la funcin de desempeo y seleccin de sobrevivientes. Este ciclo es
4
Los sistemas clasificadores genticos utilizan un algoritmo evolutivo para explorar el espacio de
reglas de produccin de un sistema de aprendizaje capaz de inducir nuevo conocimiento y
generalizar. Finalmente, la programacin gentica aplica bsqueda evolutiva en el espacio
compuesto por programas de computadora en un lenguaje de programacin que puede
modificarse utilizando operadores de mutacin y recombinacin.
Una funcin de propagacin (tambin conocida como funcin de excitacin), que por lo
general consiste en el sumatorio de cada entrada multiplicada por el peso de su
interconexin (valor neto). Si el peso es positivo, la conexin se denomina excitatoria; si
es negativo, se denomina inhibitoria.
Una funcin de activacin, que modifica a la anterior. Puede no existir, siendo en este
caso la salida la misma funcin de propagacin.
Una funcin de transferencia, que se aplica al valor devuelto por la funcin de activacin.
Se utiliza para acotar la salida de la neurona y generalmente viene dada por la
interpretacin que queramos darle a dichas salidas. Algunas de las ms utilizadas son
la funcin sigmoidea (para obtener valores en el intervalo (0,1)) y la tangente
hiperblica (para obtener valores en el intervalo (-1,1)).
Perceptrn (Figura 3)
Adaline
Perceptrn multicapa
Memorias asociativas
Mquina de Boltzmann
Mquina de Cauchy
Redes de Elman
Redes de Hopfield
Red de contrapropagacin
Figura 3: Red neuronal artificial perceptrn multicapa con n neuronas de entrada, m neuronas en su capa oculta y una
neurona de escape.
para explorarlo por completo con tcnicas exhaustivas. En estos casos tiene sentido aplicar las
tcnicas meta heursticas [5].
De forma breve podemos definir la meta-heurstica como estrategias de alto nivel para explorar
espacios de bsqueda. La estrategia concreta que emplean depende de la filosofa de la tcnica
en s. Algunas de ellas pueden considerarse versiones inteligentes de algoritmos de bsqueda
local (simulated annealing). Otras, sin embargo, intentan aprender la correlacin entre las
variables de decisin para identificar zonas de gran calidad en el espacio de bsqueda
(computacin evolutiva).
Los algoritmos de Swarm intelligence (SI) son tcnicas meta-heursticas de inteligencia artificial
basados en el estudio de comportamientos colectivos presentes en sistemas de la naturaleza,
generalmente de carcter descentralizado y auto-organizativo. Dicho comportamiento social
define los movimientos de las variables de decisin en el espacio de bsqueda y las orienta hacia
soluciones optimas. La expresin de Swarm Intelligence fue introducida por Gerardo Beni,
Suzanne Hackwood y Jing Wang en 1989, en el contexto de sistemas robticos celulares.
Figura 4.1: (a) Radio de influencia de un individuo, (b) colectivo Swarm, (c) colectivo Torus y (d) colectivo Dinamic/Highly
Parallel Group.
Los individuos deben mantener una distancia mnima entre ellos el resto del cmulo durante
todo el proceso. Por otra parte, cada individuo debe evitar una distancia excesiva con el resto del
grupo, de modo que tiende a ser atrado hacia los dems individuos, evitando as ser aislado y
dando lugar a diferentes vecindarios dependiendo de la fuerza de atraccin. Como se puede
observar en la Figura 4.1a, el radio de influencia de cada individuo se compone de una zona
inicial de repulsin (zor - para evitar colisiones), una zona de orientacin (zoo - el individuo dirige
su movimiento) y una zona exterior de atraccin (zoa - el individuo evita ser aislado).
Dependiendo de la configuracin de cada zona del radio individual, se generaran diferentes
comportamientos y formas en los vecindarios globales.
8
En donde:
Level of Exactness of Statistical Model = Nivel de Exactitud del Modelo Estadstico.
Level of improvements on decisin making = Nivel de Mejoramiento en la Toma de Decisiones
La figura anterior (figura 5) representa el hecho que a medida que la exactitud de un modelo
estadstico aumenta, el nivel de mejoramiento en la toma de decisin aumenta. Esta es la razn
del porqu necesitamos la estadstica de negocio. La estadstica se cre por la necesidad de poner
conocimiento en una base sistemtica de la evidencia. Esto requiri un estudio de las leyes de la
probabilidad, del desarrollo de las propiedades de medicin, relacin de datos.
La inferencia estadstica intenta determinar si alguna significancia estadstica puede ser
adjunta luego que se permita una variacin aleatoria como fuente de error. Una inteligente y
crtica inferencia no puede ser hecha por aquellos que no entiendan el propsito, las condiciones,
y la aplicabilidad de las de diversas tcnicas para juzgar el significado.
Considerando el ambiente de la incertidumbre, la posibilidad de que las buenas decisiones sean
tomadas incrementa con la disponibilidad de la buena informacin. La oportunidad de la
disponibilidad de la buena informacin incrementa con el nivel de estructuracin del proceso
de Direccin de Conocimiento. La figura anterior tambin ilustra el hecho que mientras la
exactitud de un modelo estadstico aumenta, el nivel de mejora en la toma de decisiones aumenta.
El conocimiento es ms que simplemente saber algo tcnico. El conocimiento necesita la
sabidura. La sabidura es el poder de poner nuestro tiempo y nuestro conocimiento en el uso
apropiado. La sabidura viene con edad y experiencia. La sabidura es la aplicacin exacta del
conocimiento exacto.
La sabidura es sobre saber cmo algo tcnico puede ser mejor utilizado para cubrir las
necesidades de los encargados de tomar decisiones. La sabidura, por ejemplo, crea el software
estadstico que es til, ms bien que tcnicamente brillante. Por ejemplo, desde que la Web entr
en el conocimiento popular, los observadores han notado que esto pone la informacin en nuestras
manos, pero guardar la sabidura fuera de nuestro alcance.
Proceso de Toma de Decisiones Estadsticas
A diferencia de los procesos de toma de decisiones determinsticas tal como, optimizacin
lineal resuelto mediante sistema de ecuaciones, sistemas paramtricos de ecuaciones y en la
toma de decisin bajo pura incertidumbre, las variables son normalmente ms numerosas y por
lo tanto ms difciles de medir y controlar. Sin embargo, los pasos para resolverlos son los mismos
[7]. Estos son:
Simplificar
Probar el modelo
10
Este es entendido con mayor facilidad que un suceso emprico (observado), por lo tanto
permite que el problema sea resuelto con mayor facilidad y con un mnimo de esfuerzo y
prdida de tiempo.
El modelo puede ser usado repetidas veces para problemas similares, y adems puede
ser ajustado y modificado.
Aprendizaje supervisado
Aprendizaje no supervisado
11
Aprendizaje semi-supervisado
Transduccin
Aprendizaje multi-tarea
Ejemplo de un mtodo:
Mquinas de Soporte vectorial
Las MVS son una serie de mtodos de aprendizaje supervisado usados para clasificacin y
regresin. Los algoritmos de MVS usan un conjunto de ejemplos de entrenamiento clasificado en
dos categoras para construir un modelo que prediga si un nuevo ejemplo pertenece a una u otra
de dichas categoras (figura 6).
12
Conjuntos clsicos
Se escoge un criterio en base a un promedio, para tener 2 clases: altos y bajos (figura 8).
Conjuntos difusos
En los conjuntos difusos todos los elementos pueden estar en ambas clases (figura 9).
13
14
Variables Lingsticas
Se usan variables lingsticas para analizar y modelar sistemas (figura 13):
Ej: Supongamos que X = edad, se pueden definir conjuntos difusos: joven, adulto, anciano
Aplicaciones
15
Sistemas de escritura
Tecnologa informtica
Bases de datos difusas: Almacenar y consultar informacin imprecisa. Para este punto,
por ejemplo, existe el lenguaje FSQL (Fuzzy Structured Query Language) [12].
16
Nos permite trabajar con incertidumbre, las emociones no son de valores fijos. Adems
que es un mtodo predictivo efectivo.
Tenemos varios valores de entrada que se obtiene de las emociones, la lgica difusa no
permite varios valores de entrada.
La salidas pueden ser N salidas para las emociones (nivel bajo, medio, alto), la lgica
difusa nos permite tener varios valores de salida.
17
3. Referencias
[1] Inteligencia Computacional,
fuente de la
https://es.wikipedia.org/wiki/Inteligencia_computacional.
definicin:
Wikipedia,
URL:
[2] Amit Konar, Computational Intelligence: Principles, Techniques and Applications, Ed.
Springer, 2005.
[3] Redes neuronales, url https://es.wikipedia.org/wiki/Red_neuronal_artificial
[4] Gabriela Ochoa, Introduccin a la Computacin Evolutiva y la Morfognesis Artificial,
Automated Scheduling, Optimisation and Planning Group, School of Computer Science,
University of Nottingham, Nottingham, UK.
[5] Swarm Intelligence Inteligencia de Enjambre Colonias Inteligentes Inteligencia
Colectiva, URL: https://nopiedra.wordpress.com/2007/08/09/swarm-intelligence-tres-claves-quedebemos-aprender-de-los-enjambres/
[6] Jos Manuel Garca, Enrique Alba Torres, Universidad de Mlaga, Septiembre de 2007,
Algoritmos Basados en Inteligencia Colectiva para la Resolucin de Problemas de Bioinformtica
y Telecomunicaciones, Trabajo de Investigacin.
[7] Hossein Arsham, Probabilistic Modeling Process: Decision
http://home.ubalt.edu/ntsbarsh/opre640s/spanishp.htm#rFromDaKno
Analysis,
URL:
18