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 similar al humano de los sistemas difusos con la estructura de aprendizaje y conexión de las redes neuronales. La hibridación neuro-difusa se denomina ampliamente red neuronal difusa (FNN) o sistema neuro-difuso (NFS) en la literatura. El sistema neuro-difuso (el término más popular que se utiliza a partir de ahora) incorpora el estilo de razonamiento similar al humano de los sistemas difusos mediante el uso de conjuntos difusos y un modelo lingüístico que consiste en un conjunto de reglas difusas IF-THEN. La principal fortaleza de los sistemas neuro-difusos es que son aproximadores universales con la capacidad de solicitar reglas IF-THEN interpretables.
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 neurodifuso en el modelado difuso se divide en dos áreas: el modelado difuso lingüístico que se centra en la interpretabilidad, principalmente el modelo Mamdani; y el modelado difuso preciso que se centra en la precisión, 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, entre ellas:
Cabe señalar que la interpretabilidad de los sistemas neurodifusos de tipo Mamdani puede perderse. Para mejorar la interpretabilidad de los sistemas neurodifusos, se deben tomar ciertas medidas, en las que también se analizan aspectos importantes de la interpretabilidad de los sistemas neurodifusos. [2]
Una línea de investigación reciente aborda el caso de la minería de flujo de datos , donde los sistemas neurodifusos se actualizan secuencialmente con nuevas muestras entrantes según demanda y sobre la marcha. De este modo, las actualizaciones del sistema no solo incluyen una adaptación recursiva de los parámetros del modelo, sino también una evolución dinámica y la poda de los componentes del modelo (neuronas, reglas), con el fin de manejar adecuadamente la deriva de conceptos y el comportamiento del sistema que cambia dinámicamente y mantener los sistemas/modelos "actualizados" en todo momento. Se pueden encontrar estudios exhaustivos de varios enfoques de sistemas neurodifusos 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 difuso lingüístico. [5]
Existen tres miembros de POPFNN en la literatura:
La arquitectura "POPFNN" es una red neuronal de cinco capas , donde las capas 1 a 5 se denominan: capa lingüística de entrada, capa de condición, capa de regla, capa de consecuencia, capa lingüística de salida. La fuzzificación de las entradas y la defuzzificación de las salidas se realizan respectivamente por las capas lingüísticas de entrada y de salida, mientras que la inferencia difusa se realiza colectivamente por 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 : Learning Vector Quantization (LVQ), Fuzzy Kohonen Partitioning (FKP) o Discrete Incremental Clustering (DIC). Generalmente, se utilizan el algoritmo POP y su variante LazyPOP para identificar las reglas difusas.