Professional Documents
Culture Documents
es
Resumen: En este artculo se presenta una novedosa metodologa para la construccin de modelos
borrosos lingsticamente interpretables, a partir de datos de entrada y salida, de procesos dinmicos.
Se describe una sencilla tcnica de agrupamiento para construccin de las reglas borrosas, as como el
empleo de mnimos cuadrados para ajuste de consecuentes. Para garantizar la interpretabilidad del
modelo borroso la particin de los antecedentes emplea conjuntos triangulares con interpolacin de 0.5.
El aspecto ms promisorio en nuestra propuesta consiste en alcanzar una buena precisin sin sacrificar
la interpretabilidad del sistema borroso ni recurrir a otras tcnicas de inteligencia artificial. Se presentan
aplicaciones a problemas o conjuntos de datos ampliamente conocidos (benchmark classic) como la
cmara de gas de Box-Jenkins, la serie catica de Mackey Glass y la dinmica de cabeceo de un
helicptero a escala, y se comparan los resultados con aquellos obtenidos por otros autores que emplean
tcnicas diferentes. Copyright 2008 CEA
2. ERROR DE INFERENCIA
Funciones de Pertenencia
En lgica borrosa es comn tratar con reglas del tipo Si
u es A , entonces y es B , donde u e y representan dos La particin de los universos de las variables de entrada en el
proceso de aprendizaje se hace con conjuntos triangulares
variables numricas, AU y BY, son dos conjuntos borrosos
normalizados con solapamiento especfico de 0.5. Las funciones
de entrada y salida respectivamente, definidos en los universos U
de pertenencia triangulares permiten la reconstruccin del valor
e Y. La regla mencionada es equivalente a la inecuacin
lingstico en el mismo valor numrico, luego de aplicar un
mtodo de concrecin (Pedrycz, 1994); adems, el solapamiento
u A ( u ) u B ( y) (1)
en 0.5 asegura que los soportes de los conjuntos borrosos sean
diferentes.
donde u A ( u ) y u B ( y ) se refieren a las funciones de
pertenencia de los valores lingsticos que pueden tomar las Los conjuntos borrosos generados para la variable de salida son
variables u e y respectivamente. El error de inferencia , tipo singleton.
concebido como la distancia conceptual al conjunto conclusin
de la regla, est definido por Sala (1998) como Distribucin de las Funciones de Pertenencia
Los conjuntos borrosos triangulares de las variables de entrada
0 u A (u ) u B ( y ) se distribuyen uniformemente en cada universo respectivo de
(2)
manera tal que cada uno de los elementos de los universos de
u A (u ) u B ( y ) u A (u ) > u B ( y )
discurso de cada variable debe pertenecer, al menos, a un
conjunto borroso.
En el mtodo propuesto, el primer paso es construir la particin
de la(s) variable(s) de entrada empleando conjuntos triangulares
con solapamiento en 0.5. Posteriormente se procede a generar la Operadores
ubicacin de los consecuentes de cada regla buscando que el
error de inferencia sea nulo, segn la ecuacin (2), lo cual Para la combinacin de los antecedentes se emplea un operador
conllevara a un infinito nmero de soluciones posibles. En la de combinacin de la clase OWA, cuya denominacin obedece a
sus siglas en ingls (Ordered Weighted Averaging operators)
bsqueda de una nica solucin se restringe la condicin de error
de inferencia nulo a la presentada en la ecuacin (3)
72 Obtencin de Modelos Borrosos Interpretables de Procesos Dinmicos
Mtodo de Inferencia
El mtodo de inferencia empleado est dado por
L
j
m (x ( ) ) y
j =1
j
i
(5)
f ( x (i ) ) = L
m (x ( ) )
j =1
j
i
Dado una coleccin de datos experimentales de entrada y salida Figura 2. Particin triangular suma 1. a) particin inicial, n =2;
(i ) b) particin con n = 5
{x (i )
k }
, y ( i ) , con i = 1...N ; k = 1,..., p , donde xk es el
vector de entrada p-dimensional x1(i ) , x 2( i ) , K , x (pi ) e y (i )
es el d. Clculo de la posicin de los valores modales de la(s)
variable(s) de entrada, de acuerdo a
vector unidimensional de salida
e. Determinacin de las reglas. El nmero mximo de reglas Esta solucin es vlida si (W T W ) es no singular, lo que
est determinado por el nmero de conjuntos de cada quiere decir que todas las reglas deben recibir suficiente
variable de entrada multiplicado por el nmero de variables; excitacin durante el entrenamiento. En la prctica esto no
es decir igual a n k , que es igual al nmero de singletons es siempre posible, por lo que es recomendable recurrir a la
generados en el paso anterior. Cuando existen singletons aplicacin de mnimos cuadrados recursivos, buscando
ubicados en la misma posicin, se combinan los garantizar que la adaptacin solo afecte las reglas excitadas
antecedentes de acuerdo a (4) en una sola regla, lo que
permite reducir el nmero de reglas. h. Terminar si la medida del error cuadrtico medio MSE es
menor a una medida previamente establecida si el nmero
f. Validacin del modelo empleando el mtodo de inferencia de conjuntos por variable de entrada es mayor a 9. De otra
j manera, incrementar en 1 el nmero n de conjuntos de la
descrito por (5), donde y es el valor del singleton
variable de entrada y volver al paso c).
correspondiente a la regla j.
Con el algoritmo descrito se consigue un modelo borroso
g. Ajuste de los parmetros, reubicando los singletons de interpretable con una buena precisin y solo se requiere del
salida mediante el empleo del mtodo de mnimos ajuste de los parmetros del consecuente, que son tipo singleton,
cuadrados. La ecuacin (5) puede expresarse de la forma lo que disminuye el tiempo de entrenamiento. Es posible lograr
una mayor aproximacin (ajuste fino) si al finalizar el proceso
L
mencionado se aplica el mtodo del gradiente descendiente para
( )
f x (i ) = w j ( x (i ) ) y
j
(8) ajustar la ubicacin de los valores modales de los conjuntos
j =1
triangulares del antecedente, conservando la particin suma 1 y,
donde por lo tanto la interpretabilidad del sistema, como explica
Espinosa et al (2005).
wj x ( )=
(i ) ( ) =w
m j x (i ) i
L j
(9)
m (x ( ) )
j =1
j
i
4. RESULTADOS
AGRADECIMIENTOS
Los autores agradecen a los revisores por sus valiosos
comentarios y constructivas sugerencias
Con esta base de reglas se obtuvo un error cuadrtico medio de
0.0174. Luego del ajuste de los consecuentes, empleando
mnimos cuadrados, se obtuvo la base de reglas mostrada en la
tabla 5. El error cuadrtico medio alcanzado es de 2.487 x 10-6. REFERENCIAS
La figura 8 muestra la comparacin entre el proceso real y el Bezdek J. C. (1987). Pattern Recognition with Fuzzy Objective
modelo borroso. Function Algorithms. Ed. Plenum Press. New York, USA.
Box, G., Jenkins, G., (1976) Times Series Analysis: Forescasting
Tabla 5. Descripcin Lingstica Del Sistema Borroso and Control, Holden Day Inc., San Francisco, USA.
Chen, W., and Saif, M. (2005). A Novel Fuzzy System with
(k )
Regla x(k) y(k) y Dynamic Rule Base, IEEE Trans. Fuzzy Systems, vol.
13,(5), pp.569-582.
1 Bajo -0.1563 Contreras, J., Misa, R., Paz, J.,(2006). Building Interpretable
2 Alto 0.1016 Fuzzy Systems: a New Approach to Fuzzy Modeling. In
3 Bajo 0.1055 proceedings of Electronics, Robotics and Automotive
4 Alto 0.1328 Mechanics Conference CERMA. IEEE Computer Society.
pp.: 172-178
Dez J. L., Navarro J. L., Sala A. (2004). Algoritmos de
Agrupamiento en la Identificacin de Modelos Borrosos.
RIAI: Revista Iberoamericana de Automtica e Informtica
Industrial, vol. 1 (2), pp. 32-41.
Espinosa, J., Vandewalle, J. (2000), Constructing Fuzzy Models
with Linguistic Integrity from Numerical Data-Afreli
Algorithm, IEEE Trans. Fuzzy Systems, vol. 8(5), pp. 591
600.
Espinosa, J., Vandewalle, J. (2005), Wertz, V, Fuzzy Logic,
Identification and Predictive Control. Springer. USA.
Garca-Sanz, M., Elso, J., Egaa, I. (2006), Control de ngulo
de Cabeceo de un Helicptero como Benchmark de Diseo
de Controladores, RIAI, vol. 3(2), pp.111-116.
Gaweda, A., Zurada, J. (2003), Data-Driven Lingustic Modeling
Figura 8. Desempeo del modelo borroso para ngulo de Using Relational Fuzzy Rules, IEEE Trans. Fuzzy System,
cabeceo de helicptero vol. 11(1), pp.121-134.
Guillaume, S., Charnomordic, B. (2004), Generating an
Interpretable Family of Fuzzy Partitions from Data, IEEE
Trans. Fuzzy Systems, vol. 12(3), pp. 324 335.
5. CONCLUSIONES
Se presenta un mtodo basado en la minimizacin del error de
J. Contreras, R. Misa, L. F. Murillo 77