You are on page 1of 8

ISSN: 1697-7912. Vol. 5, Nm. 3, Julio 2008, pp. 70-77 http://riai.isa.upv.

es

Obtencin de Modelos Borrosos Interpretables de Procesos Dinmicos


Juan Contreras Montes* Roger Misa Llorca ** Luis F. Murillo Fernndez ***

* Facultad de Ingeniera Naval, Escuela Naval Almirante Padilla, Isla de


Manzanillo, Cartagena, Colombia,(e-mail: epcontrerasj@ieee.org)
** Departamento de Ingeniera Elctrica, Instituto Superior Politcnico Jos
Antonio Echeverra, Marianao, La Habana, Cuba, (e-
mail:rmisa@electrica.cujae.edu.cu)
*** Facultad de Ingeniera, Corporacin Universitaria Rafael Nez, Centro,
Calle Larga, Cartagena, Colombia, ( lfmurillo@ieee.org)

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

Palabras Clave: identificacin, agrupamiento, mnimos cuadrados, modelo borroso, interpretabilidad.

empleando particin suma 1 con conjuntos triangulares; Diez et


1. INTRODUCCIN
al (2004) proponen variaciones a los algoritmos de agrupamiento
La construccin de modelos borrosos involucra la seleccin y para mejorar la interpretabilidad y descubrir estructuras afines
sintonizacin de varios parmetros como: forma y distribucin locales en los modelos borrosos obtenidos. Paiva y Dourado
de las funciones de pertenencia de las variables de entrada, base (2004) presentan un modelo generado por medio del
de reglas, operadores lgicos empleados, forma y distribucin de entrenamiento de una red neuro-difusa implementado en dos
los consecuentes, etc. El gran nmero de parmetros requeridos fases: en la primera fase, se obtiene la estructura del modelo
para obtener un modelo borroso ha dificultado el desarrollo de empleando un algoritmo clustering substractivo, lo cual permite
una tcnica nica de modelacin, especialmente en el caso de extraer las reglas a partir de datos de entrada y salida; en la
identificacin borrosa a partir de datos experimentales de entrada segunda fase, se realiza la sintonizacin de los parmetros del
y salida. modelo mediante una red neuronal que emplea retropropagacin,
pero imponiendo restricciones en el ajuste de los parmetros y en
Una de las primeras propuestas para diseo automtico de la fusin de las funciones de pertenencia con el fin de garantizar
sistemas borrosos a partir de los datos es la propuesta por Wang la interpretabilidad del modelo resultante. Guillaume y
(1992). Sugeno y Yasukawa (1993) propusieron una Charnomordic (2004) proponen una estrategia para generar
metodologa para identificacin de parmetros de modelos particiones difusas interpretables a partir de los datos mediante
borrosos empleando consecuentes tipo singletons, pero requiere una metodologa, que denominan particin jerrquica difusa
de muchas reglas y presenta una pobre capacidad de descripcin. (HFP), en la que en vez de incorporar datos en cada iteracin
Otros mtodos importantes emplean el gradiente descendente, agrega conjuntos borrosos. Tambin presentan un algoritmo de
tcnicas de agrupamiento o clustering y algoritmos evolutivos. fusin de los conjuntos borrosos basado en mtricas adecuadas
que garanticen la interpretabilidad semntica. Joo y Lee
Los algoritmos de agrupamiento borroso representan la tcnica (2003,2005) proponen un aproximador universal para cualquier
ms adecuada para la obtencin de modelos borrosos, siendo los funcin continua en un conjunto compacto empleando un
mtodos de Fuzzy C-Means (Bezdek, 1987) y el de Gustafson- sistema borroso jerrquico en el que las salidas de las capas
Kessel (1979) los ms empleados. Se han realizado diversas previas no son usadas en las partes IF de la reglas difusas sino en
variaciones a estos algoritmos de agrupamiento. Nauck y Kruse las partes THEN. Chen y Saif (2005) proponen un sistema
(1995,1999) proponen tcnicas de agrupamiento neuro-difusas; borroso novedoso que emplea bases de reglas dinmicas, lo que
Espinosa y Vandewalle (2000) presentan una metodologa para implica que las reglas pueden cambiar con las entradas y facilita
extraer reglas a partir de los datos en un marco de integridad su empleo tanto para modelacin como para control.
lingstica incluyendo algoritmos de fusin para agrupar
conjuntos cuyos valores modales estn a una distancia muy Los mtodos mencionados han demostrado su potencialidad para
cercana. Sala (1998,2001) introduce una novedosa tcnica identificar modelos borrosos a partir de los datos con acertada
basada en el error de inferencia para aproximar funciones precisin numrica. Sin embargo, contina siendo un problema
J. Contreras, R. Misa, L. F. Murillo 71

la interpretabilidad del modelo borroso obtenido, compuesto por


particiones con solapamientos mayores a uno, solapamiento de u A ( u ) = u B ( y) (3)
ms de dos conjuntos, elevado nmero de reglas y, en algunos
casos, conjuntos no convexos.
Si el sistema tiene p entradas se debe representar por reglas del
tipo Si u1 es A1 , u2 es A2 , , up es Ap, entonces y es B, la
Hay tres criterios bsicos que definen la interpretabilidad
regla j deber cumplir con la condicin
(Espinosa y Vandewalle, 2000, Paiva y Dourado, 2004 ) de un
modelo borroso:
((uAj (x1(i) ) (uAj (x2(i) ) ...(uAj (x(pi) )) = uB (y(i) ) (4)
1 2 p
1) Distinguible: cada etiqueta lingstica debe tener
significado semntico y cada conjunto borroso debe tener
un rango definido en el universo de discurso. Las funciones donde representa un operador de combinacin de la lgica
de pertenencia deben ser claramente diferentes.
2) El nmero de funciones de pertenencia: no debe exceder de
borrosa de la clase promedio ponderado, xk(i ) ,con k=1,,p;
9 trminos distintos i=1,,N, es el vector entrada p-dimensional, con N datos por
3) Nmero de reglas: debe ser limitado, aunque en este punto variable de entrada, y yi es el vector unidimensional de salida.
no existe consenso sobre un nmero mximo.
Si se emplean consecuentes tipo singleton, solo se consideran los
La novedad del mtodo propuesto en este documento radica en valores modales de las funciones de pertenencia del antecedente,
la consecucin de modelos borrosos interpretables con alta considerando que la ubicacin del valor modal de la funcin de
precisin y bajo nmero de parmetros, y a que no es un mtodo pertenencia triangular en el consecuente se puede asimilar a un
hbrido ya que no requiere de otras tcnicas de inteligencia singleton.
artificial para su entrenamiento.

La metodologa empleada en este trabajo es presentada en tres


fases: en la primera, se emplea el error de inferencia para generar 3. IDENTIFICACIN BORROSA
un sistema borroso interpretable y, adems, detectar clases o
agrupamientos posibles en los datos; en la segunda, mediante el 3.1 Estructura del Modelo Borroso
empleo de mnimos cuadrados, para ajuste de consecuentes; en
la tercera, se emplea el mtodo para la identificacin de procesos Buscando un equilibrio entre la aproximacin numrica y la
dinmicos. interpretabilidad del sistema borroso resultante se consideran los
siguientes criterios para la seleccin de los parmetros
(Contreras et al. 2006)

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

donde Figura 1. Organizacin del conjunto de datos.

(6) b. Determinacin de los rangos de los universos de cada


m j ( x ( i ) ) = u A j ( x1(i ) ).u A j ( x2( i ) ).K.u A j ( xn(i ) ) variable de acuerdo a los valores mximos y mnimos de los
1 2 n

es el el grado de la salida de la j-sima regla de un sistema


datos asociados [x
k , xk+ ] , [y
, y+ ].
borroso tipo Mamdani, f x
(i )
( )
es la funcin que aproxima a la c. Distribucin de las funciones de pertenencia triangulares
j sobre cada universo. Se tiene como condicin general que el
funcin real de salida, y es el valor del singleton vrtice con valor de pertenencia uno (valor modal) cae en el
correspondiente a la regla j , A j
son los conjuntos borrosos del centro de la regin cubierta por la funcin de pertenencia
n
mientras que los otros dos vrtices, con valor de pertenencia
antecedente de la regla j activada, y L corresponde al nmero iguales a cero, caen en los centros de las dos regiones
de reglas activadas. vecinas. Para poder aproximar eficientemente los extremos
inferior y superior de una funcin representada por los datos
es necesario que en la particin triangular las funciones de
pertenencia que cubren el inicio y final del universo
3.2 Algoritmo De Identificacin Borrosa coincidan sus vrtices con valor de pertenencia uno con sus
El algoritmo para generacin de sistemas borrosos interpretables vrtices izquierdo y derecho respectivamente, como se
a partir de los datos se basa en la minimizacin del error de aprecia en la figura 2. Se inicia con n = 2 conjuntos
inferencia. El usuario solo debe introducir los datos de las triangulares.
variables de entrada y salida. El algoritmo determina los rangos
de cada variable, distribuye las funciones de pertenencia en los
universos de cada variable de entrada, ubica los consecuentes
tipo singleton en el espacio de salida, determina las reglas y
ajusta la ubicacin de los consecuentes, empleando mnimos
cuadrados, para minimizar el error de aproximacin. El
algoritmo se detiene cuando se ha alcanzado una mtrica de error
menor a la requerida por el usuario o cuando el nmero de
conjuntos borrosos por variable de entrada es mayor a 9. La
distribucin de las funciones de pertenencia en cada universo de
entrada se hace de manera uniforme para garantizar que la
particin resultante sea suma 1; es decir, la suma de los grados
de pertenencia de un dato en una variable de entrada ser
siempre igual a 1.

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

a. Organizacin del conjunto de p variables de entrada y una Si u A( n ) ( xk(i ) ) = 1


k
variable de salida, cada una con N datos.
Entonces, ysk( n ) = y[i ] (7)

donde ysk(n ) corresponde a la proyeccin sobre el espacio de


(i )
salida de la evaluacin del dato x de la k-sima variable
de entrada en el n-simo conjunto de la particin
correspondiente. El valor de la salida correspondiente a
dicha proyeccin est dado por el valor de la i-sima
posicin del vector de salida y , el cual se constituye en el
J. Contreras, R. Misa, L. F. Murillo 73

singleton asociado a ese conjunto. De esta manera se Y TW


aplica el criterio de error de inferencia nulo empleando = = (W T W ) 1 Y T W (13)
consecuentes tipo singleton. W TW

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

4.1 Horno de Gas de Box-Jenkins


La ecuacin (8) puede expresarse en forma matricial como
Y = W + E , donde Y representa los valores de salida Uno de los problemas clsicos en la modelacin e identificacin
de sistemas es el horno de gas planteado por Box y Jenkins. El
reales, W representa la salida del modelo borroso, siendo conjunto de datos est compuesto de 296 pares de datos de
W es la matriz de grados de pertenencia obtenida de (9) y entrada-salida. Los datos de entrada corresponden al flujo de gas
el vector de consecuentes, y E es el error de que va a ser quemado u(k) y los datos de salida a la
aproximacin que debe ser minimizado. Es decir: concentracin de dixido de carbono y(k). El objetivo es
predecir la salida usando valores pasados de la entrada y la
salida.
w1L y e1
1
y1 w11 w12 M
2 2 2 Varios autores han trabajado este problema con diferente nmero
y = w1 w22 K wL2 y e2
+ de valores pasados de entrada y salida. Gaweda y Zurada (2003)
(10)
M M M O M M M emplean, en la ecuacin de regresin, las variables u(k-1), u(k-
L n L 2), u(k-3), y(k-1), y(k-2) y y(k-3), mientras que Pavia y Dourado
y w1 w2n K wLn y en (2004) emplean en la ecuacin de regresin solo las variables
Y W E
y(k-1) y u(k-4), logrando un error RMS de 0.390 en la
identificacin.
Empleando la norma del error cuadrtico se tiene
Con las variables propuestas por Pavia y Dourado se aplic el
E 2 = (Y W ) 2 = (Y 2 2YW + (W ) 2 ) (11) mtodo propuesto. El proceso inicia con una particin de 2
conjuntos triangulares por variable de entrada, Bajo B y Alto A,
La solucin a este problema de mnimos cuadrados est dada como se muestra en la figura 3. La figura 4 muestra la ubicacin
por de los consecuentes tipo singleton generados por el algoritmo, a
partir de la cual se determina la base de reglas. La ubicacin de
estos consecuentes se realiza de la siguiente manera: los valores
E 2
= 0 = 2YW + 2W T W (12) mnimo (-2.7160) y mximo (2.8340) de la variable u(k-4)
coinciden con los valores modales de sus 2 conjuntos
triangulares y se encuentran ubicados en las posiciones 115 y 44
de donde se obtiene respectivamente de ese vector. Buscando en el vector y(k),
encontramos que en esas posiciones se encuentran los valores, o
consecuentes, 60,2 y 45.8 respectivamente. Por otro lado, los
74 Obtencin de Modelos Borrosos Interpretables de Procesos Dinmicos

valores mnimo (45.6) y mximo (60.5) de la variable y(k-1)


coinciden con los valores modales de sus 2 conjuntos
triangulares y se encuentran ubicados en las posiciones 46 y 203
respectivamente de ese vector. Buscando en el vector y(k),
encontramos que en esas posiciones se encuentran los valores, o
consecuentes, 46.0 y 60.2 respectivamente.
Al fusionar las reglas con consecuentes iguales, la base de reglas
queda de la forma

Para mejorar an mas la precisin del modelo borroso obtenido


se hizo un ajuste de los valores modales de los conjuntos
borrosos de cada variable de entrada empleando gradiente
descendiente, lo cual movi los valores modales fuera de los
rangos de cada variable, pero manteniendo la condicin de
particin suma 1.

La figura 5 muestra las particiones resultantes de las variables de


entrada luego del ajuste de los valores modales y la tabla 1
presenta la base de reglas del modelo borroso luego del ajuste de
los consecuentes.

Figura 3. Funciones de pertenencia para el ejemplo de


modelacin del horno Box-Jenkins

Figura 4. Proyeccin de los valores modales de las variables de


entrada u(k-4) (*), y(k-1) (o) en la identificacin del horno
de Box-Jenkins Figura 5. Funciones de pertenencia para el ejemplo de
modelacin del horno Box-Jenkins luego del ajuste por
Se aprecia que los valores modales de los conjuntos A (Alto), de gradiente descendiente
la variable u(k-4) y B (Bajo) de la variable y(k-1) generan
consecuentes de valores 45.8 y 46.0 respectivamente; mientras
que valores modales de los conjuntos A (Alto), de la variable Tabla 1. Descripcin lingstica del sistema borroso
u(k-4) y B (Bajo) de la variable y(k-1) generan consecuentes k
iguales de valor 60.2. Buscando una mayor precisin se ajustan Regla u(k-4) y(k-1) y
los consecuentes, empleando mnimos cuadrados, lo que 1 A B 44.78
modifica ligeramente la ubicacin de estos como se indica en la 2 B A 65.30
base de reglas generada, as:
El modelo borroso obtenido presenta un error cuadrtico medio
de 0.066, con solo 4 parmetros de ajuste y 2 reglas con claro
significado para un operador humano. Los conjuntos borrosos de
las particiones son triangulares, suma 1 y claramente diferentes.
Es decir, el modelo borroso obtenido cumple con el compromiso
J. Contreras, R. Misa, L. F. Murillo 75

de interpretabilidad y precisin. La figura 6 muestra una de 0.0223 en el entrenamiento y 0.0229 en la validacin


comparacin entre la salida del modelo y la salida real del
proceso.

Figura 7. Desempeo del modelo borroso de la serie de Mackey-


Figura 6. Desempeo del modelo borroso del horno de gas de Glass
Box-Jenkins
La tabla 3 muestra. la base de reglas. La ubicacin de los
La tabla 2 muestra una comparacin con los resultados obtenidos consecuentes singletons generados por la proyeccin de los
con otros mtodos valores modales de los conjuntos borrosos de cada variable de
entrada ha sido modificada por el empleo del algoritmo de
Tabla 2. Comparacin de resultados de varios mtodos al mnimos cuadrados recursivos con el fin de minimizar el error de
problema del horno de gas de Box-Jenkins aproximacin. Si no se colocan restricciones, el algoritmo de
mnimos cuadrados recursivos puede ubicar los consecuentes
Modelo MSE Reglas Parmetros fuera del espacio de salida, sin que esto afecte la
Modelo SI de Kim et 0.048 2 110 interpretabilidad del modelo. La tabla 4 muestra una
al (1998) comparacin de los resultados alcanzados mediante el algoritmo
Modelo de Gaweda y 0.055 2 38 de identificacin borrosa propuesto con respecto a aquellos
Zurada (2003) obtenidos con otros mtodos.
Nuestro modelo 0.066 2 6
Modelo de Wang y 0.066 2 N/A
Langari (1995) Tabla 3. Descripcin lingstica del sistema borroso
Regla x(k-18) x(k-12) x(k-6) x(k) y
k
Modelo ARMA. 0.202 N/A N/A
Box-Jenkins (1976) 1 A A 0.1680
2 M 0.0273
3 M 0.6373
4.2 Serie Catica de Mackey-Glass 4 A B 0.2039
La serie de tiempo de Mackey_Glass es una de las ms 5 M 1.6417
empleadas para probar mtodos de identificacin, y est descrita 6 B 1.1118
por la ecuacin 7 B -0.0597
8 B A 1.0408
(14) 9 M 1.3301
0 .2 x (t )
x (t ) = 0 .1 x (t )
1 + x 10 ( t )
Tabla 4. Comparacin de resultados de varios mtodos al
Se asume que x(t ) = 0 para t < 0 ; un intervalo de tiempo de problema de la serie de Mackey-Glass
0.1; x(0) = 1.2 y = 17 . Se emplean Modelo RMSE Reglas Parmetros
Modelo ANFIS 0.0070 16 104
x(t 18), x(t 12), x(t 6) y x(t ) para predecir x(t + 6) .
Modelo propuesto 0.0221 9 21
Se utilizaron 500 datos para el entrenamiento y 500 datos para
validacin. El modelo borroso obtenido finalmente tiene 3 Modelo de Paiva y 0.0239 9 92
conjuntos triangulares por variable (Bajo B, Medio M y Alto A) Dourado (2004)
y 9 reglas. El nmero de parmetros de ajuste es de 21, el cual es Gaweda y Zurada 0.0310 3 39
muy inferior a los requeridos por otros mtodos. La figura 7 (2003)
muestra la comparacin entre los datos de la serie y la salida del Nexfprox (Nauck 0.0671 26 38
modelo borroso. El error cuadrtico medio RMSE alcanzado fue y Kruse, 1999)
76 Obtencin de Modelos Borrosos Interpretables de Procesos Dinmicos

inferencia para la identificacin de sistemas a partir de los datos,


mediante modelos borrosos interpretables con ajuste de
4.3 ngulo de cabeceo de un helicptero parmetros consecuentes, tipo singleton, mediante mnimos
Se aplic el mtodo propuesto a la identificacin de un modelo a cuadrados. El mtodo no requiere del empleo de otras tcnicas
escala de helicptero (ngulo de cabeceo) en el benchmark de inteligencia artificial.
propuesto por Garca-Sanz et al (2006). Se emplearon como
variables de entrada la seal de voltaje x(k) y el ngulo de La aplicacin del mtodo en la identificacin de procesos
cabeceo y(k) para predecir el ngulo de cabeceo en y(k+1). Se dinmicos clsicos permiti obtener modelos borrosos con alta
consider un rango de la seal de voltaje de -10 a +10. La seal precisin sin sacrificar la interpretabilidad, como ocurre con la
de salida se encuentra en el rango de -0.0520 a 0.2348 mayora de los mtodos existentes. Lo anterior se evidencia en el
radianes. cumplimiento de los tres criterios bsicos que definen la
interpretabilidad de un modelo borroso.
El modelo borroso obtenido tiene 2 conjuntos triangulares por
cada variable (Bajo y Alto) distribuidos uniformemente, 4 reglas El empleo de consecuentes tipo singleton no afecta la
y solo requiere de 8 parmetros de ajuste. La base de reglas interpretabilidad del modelo borroso ya que stos pueden ser
obtenida inicialmente a partir de la ubicacin de los etiquetados de acuerdo a su ubicacin en el espacio de salida y
consecuentes generados por cada conjunto de cada una de las con asignaciones de clara comprensin para un operador
variables de entrada qued de la forma humano. Por ser un procedimiento matemtico, sin restricciones,
el ajuste por mnimos cuadrados puede ubicar los consecuentes
por fuera del espacio de salida sin que esto afecte la
interpretabilidad.

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

Gustafson E. E., Kessel W. C. (1979). Fuzzy Clustering with a


Fuzzy Covariance Matrix. In Proceedings of the IEEE CDC,
pp. 503 516.
Joo M.G., and Lee, J.S. (2002) Universal Approximation by
Hierarchical Fuzzy Systems with Constraints on the Fuzzy
Rules, Fuzzy Sets and Systems, vol. 130(2), pp 175-188.
Joo M.G., and Lee, J.S. (2005). A Class of Hierarchical Fuzzy
Systems with Constraints on the Fuzzy Rules, IEEE Trans.
Fuzzy Systems, vol. 13(2), pp.194-203, 2005.
Kim, E., Park, M, Kim, S. (1998), A Transformed Input-Domain
Approach to Fuzzy Modeling, IEEE Trans. Fuzzy Systems,
vol. 6(4), pp. 596-604.
Nauck, D., Kruse, R., (1995). Nefclass - a Neuro-Fuzzy
Approach for the Classification of Data, In Proceedings of
the Symposium on Applied Computing.
Nauck, D., Kruse, R. (1999), Neuro-Fuzzy Systems for Function
Approximation. Fuzzy Sets and System, vol. 101(2), pp.
261-271.
Paiva, R. P., Dourado, A. (2004), Interpretability and Learning
in Neuro-Fuzzy Systems, Fuzzy Sets and System, vol.
147(1), pp. 17-38. 2004.
Pedrycz, W. (1994) Why Triangular Membership Functions?,
IEEE Trans. Fuzzy Sets and System, vol. 64(1), pp.21-30,
1994
Sala, A. (1998). Validacin y Aproximacin Funcional en
Sistemas de Control Basados en Lgica Borrosa.
Universidad Politcnica de Valencia. Tesis Doctoral,
Espaa.
Sala, A., Albertos, P. (2001), Inference Error Minimisation:
Fuzzy Modelling of Ambiguous Functions. Fuzzy Sets and
Systems, vol. 121(1), pp. 95 111.
Sugeno, M., Yasukawa, T. (1993), A Fuzzy Logic Based
Approach to Qualitative Modeling. Transactions on Fuzzy
Systems, vol. 1(1), pp. 7-31. 1993
Wang, L-X, Langari, R.(1995), Building Sugeno- Type Models
Using Fuzzy Discretization and Orthogonal Parameter
Estimation Techniques, IEEE Transactions on Fuzzy
Systems, vol. 3(4), pp. 454-458.
Wang, L-X, Mendel, J.M.(1992), Generating Fuzzy Rules by
Learning from Examples, IEEE Transactions on Systems
Man and Cybernetics, vol. 22(6), pp. 1414-1427.

You might also like