Un sistema de inferencia neurodifusa adaptativo o sistema de inferencia difusa basado en red adaptativa ( ANFIS ) es un tipo de red neuronal artificial que se basa en el sistema de inferencia difusa de Takagi-Sugeno . La técnica se desarrolló a principios de la década de 1990. [1] [2] Dado que integra tanto redes neuronales como principios de lógica difusa , tiene el potencial de capturar los beneficios de ambos en un solo marco.
Su sistema de inferencia corresponde a un conjunto de reglas IF-THEN difusas que tienen capacidad de aprendizaje para aproximar funciones no lineales . [3] Por lo tanto, ANFIS se considera un estimador universal . [4] Para utilizar ANFIS de una manera más eficiente y óptima, se pueden utilizar los mejores parámetros obtenidos por algoritmo genético . [5] [6] Tiene usos en sistemas inteligentes de gestión de energía conscientes de la situación . [7]
Es posible identificar dos partes en la estructura de la red, a saber, las partes premisa y consecuencia. En más detalle, la arquitectura está compuesta por cinco capas. La primera capa toma los valores de entrada y determina las funciones de pertenencia que pertenecen a ellos. Se denomina comúnmente capa de fuzzificación. Los grados de pertenencia de cada función se calculan utilizando el conjunto de parámetros de premisa, es decir {a, b, c}. La segunda capa es responsable de generar las intensidades de disparo para las reglas. Debido a su tarea, la segunda capa se denomina "capa de reglas". El papel de la tercera capa es normalizar las intensidades de disparo calculadas, dividiendo cada valor por la intensidad de disparo total. La cuarta capa toma como entrada los valores normalizados y el conjunto de parámetros de consecuencia {p, q, r}. Los valores devueltos por esta capa son los defuzzificados y esos valores se pasan a la última capa para devolver el resultado final. [8]
La primera capa de una red ANFIS describe la diferencia con una red neuronal convencional. Las redes neuronales en general funcionan con un paso de preprocesamiento de datos , en el que las características se convierten en valores normalizados entre 0 y 1. Una red neuronal ANFIS no necesita una función sigmoidea , pero realiza el paso de preprocesamiento convirtiendo valores numéricos en valores difusos. [9]
Aquí hay un ejemplo: supongamos que la red obtiene como entrada la distancia entre dos puntos en el espacio 2d. La distancia se mide en píxeles y puede tener valores desde 0 hasta 500 píxeles. La conversión de los valores numéricos en números difusos se realiza con la función de pertenencia que consiste en descripciones semánticas como cerca, medio y lejos. [10] Cada valor lingüístico posible es dado por una neurona individual . La neurona "cerca" se activa con un valor de 0 a 1, si la distancia se encuentra dentro de la categoría "cerca". Mientras que la neurona "medio" se activa, si la distancia en esa categoría. El valor de entrada "distancia en píxeles" se divide en tres neuronas diferentes para cerca, medio y lejos.