En el campo de la inteligencia artificial , la denominación neuro-difusa se refiere a combinaciones de redes neuronales artificiales y lógica difusa .
La hibridación neuro-difusa da como resultado un sistema inteligente híbrido que combina el estilo de razonamiento humano de los sistemas difusos con la estructura conexionista y de aprendizaje de las redes neuronales. La hibridación neurodifusa se denomina ampliamente en la literatura red neuronal difusa (FNN) o sistema neurodifuso (NFS). El sistema neurodifuso (el término más popular que se utilizará de ahora en adelante) incorpora el estilo de razonamiento humano de los sistemas difusos mediante el uso de conjuntos difusos y un modelo lingüístico que consiste en un conjunto de reglas difusas SI-ENTONCES. La principal fortaleza de los sistemas neurodifusos es que son aproximadores universales con la capacidad de solicitar reglas interpretables SI-ENTONCES.
La fortaleza de los sistemas neurodifusos implica dos requisitos contradictorios en el modelado difuso: interpretabilidad versus precisión. En la práctica prevalece una de las dos propiedades. El campo de investigación del neuro-difuso en el modelado difuso se divide en dos áreas: el modelado lingüístico difuso que se centra en la interpretabilidad, principalmente el modelo Mamdani; y modelado difuso preciso que se centra en la exactitud, principalmente el modelo Takagi-Sugeno-Kang (TSK).
Aunque generalmente se supone que es la realización de un sistema difuso a través de redes conexionistas , este término también se utiliza para describir algunas otras configuraciones que incluyen:
Cabe señalar que se puede perder la interpretabilidad de los sistemas neurodifusos de tipo Mamdani. Para mejorar la interpretabilidad de los sistemas neurodifusos, se deben tomar ciertas medidas, en las que también se discuten aspectos importantes de la interpretabilidad de los sistemas neurodifusos. [2]
Una línea de investigación reciente aborda el caso de la minería de flujos de datos , donde los sistemas neurodifusos se actualizan secuencialmente con nuevas muestras entrantes bajo demanda y sobre la marcha. De este modo, las actualizaciones del sistema no sólo incluyen una adaptación recursiva de los parámetros del modelo, sino también una evolución dinámica y una poda de los componentes del modelo (neuronas, reglas), para manejar adecuadamente la deriva de conceptos y el comportamiento cambiante dinámicamente del sistema y mantener los sistemas/modelos " actualizado" en cualquier momento. Se pueden encontrar estudios completos de varios enfoques de sistemas neuro-difusos en evolución en [3] y. [4]
Las redes neuronales difusas basadas en productos pseudoexternos ( POPFNN ) son una familia de sistemas neurodifusos que se basan en el modelo lingüístico difuso. [5]
Existen tres miembros de POPFNN en la literatura:
La arquitectura "POPFNN" es una red neuronal de cinco capas donde las capas del 1 al 5 se denominan: capa lingüística de entrada, capa de condición, capa de reglas, capa consecuente, capa lingüística de salida. La difusificación de las entradas y la defusificación de las salidas se realizan respectivamente mediante las capas lingüísticas de entrada y lingüística de salida, mientras que la inferencia difusa se realiza colectivamente mediante las capas de regla, condición y consecuencia.
El proceso de aprendizaje de POPFNN consta de tres fases:
Se pueden utilizar varios algoritmos de generación de membresía difusa : cuantificación de vectores de aprendizaje (LVQ), partición de Kohonen difusa (FKP) o agrupación incremental discreta (DIC). Generalmente, se utiliza el algoritmo POP y su variante LazyPOP para identificar las reglas difusas.