Introducción a ANN (Redes Neuronales Artificiales) | Conjunto 3 (Sistemas Híbridos)

Prerrequisitos: algoritmos genéticos , redes neuronales artificiales , lógica difusa 

Sistemas híbridos : un sistema híbrido es un sistema inteligente que se enmarca en la combinación de al menos dos tecnologías inteligentes como la lógica difusa, las redes neuronales, los algoritmos genéticos, el aprendizaje por refuerzo, etc. La combinación de diferentes técnicas en un modelo computacional hace que estos sistemas posean un amplio gama de capacidades. Estos sistemas son capaces de razonar y aprender en un entorno incierto e impreciso. Estos sistemas pueden proporcionar experiencia similar a la humana, como conocimiento del dominio, adaptación en entornos ruidosos, etc. 

Tipos de Sistemas Híbridos: 

• Sistemas Híbridos Neuro-Fuzzy
• Sistemas híbridos neurogenéticos
• Sistemas Fuzzy Genetic Hybrid

(A) Sistemas híbridos neurodifusos: 

El sistema Neuro-difuso se basa en un sistema difuso que se entrena sobre la base del funcionamiento de la teoría de redes neuronales. El proceso de aprendizaje opera solo en la información local y provoca solo cambios locales en el sistema difuso subyacente. Un sistema neurodifuso puede verse como una red neuronal de avance de tres capas. La primera capa representa variables de entrada, la capa intermedia (oculta) representa reglas difusas y la tercera capa representa variables de salida. Los conjuntos borrosos se codifican como pesos de conexión dentro de las capas de la red, lo que proporciona funcionalidad en el procesamiento y entrenamiento del modelo. 

Flujo de trabajo : 

• En la capa de entrada, cada neurona transmite señales nítidas externas directamente a la siguiente capa.
• Cada neurona de fuzzificación recibe una entrada nítida y determina el grado en que la entrada pertenece al conjunto difuso de entrada.
• La capa de reglas difusas recibe neuronas que representan conjuntos difusos.
• Una neurona de salida combina todas las entradas usando la operación fuzzy UNION.
• Cada neurona de desfuzzificación representa la única salida del sistema neuro-borroso.

ventajas: 

• Puede manejar información de tipo numérico, lingüístico, lógico, etc.
• Puede manejar información imprecisa, parcial, vaga o imperfecta.
• Puede resolver conflictos por colaboración y agregación.
• Tiene capacidades de autoaprendizaje, autoorganización y autoajuste.
• Puede imitar el proceso humano de toma de decisiones.

Desventajas: 

• Difícil desarrollar un modelo a partir de un sistema difuso
• Problemas de encontrar valores de membresía adecuados para sistemas difusos
• Las redes neuronales no se pueden usar si los datos de entrenamiento no están disponibles.

Aplicaciones: 

• Estudiante de modelado
• Sistemas médicos
• Sistemas de control de tráfico
• Pronósticos y predicciones

(B) Sistemas híbridos neurogenéticos: 
un sistema híbrido neurogenético es un sistema que combina redes neuronales : que son capaces de aprender varias tareas a partir de ejemplos, clasificar objetos y establecer relaciones entre ellos, y un algoritmo genético : que sirve importante búsqueda y optimización tecnicas Los algoritmos genéticos se pueden usar para mejorar el rendimiento de las redes neuronales y se pueden usar para decidir los pesos de conexión de las entradas. Estos algoritmos también se pueden utilizar para la selección de topología y redes de entrenamiento. 

Flujo de trabajo: 

• GA modifica repetidamente una población de soluciones individuales. GA utiliza tres tipos principales de reglas en cada paso para crear la próxima generación a partir de la población actual:
  1. Selección para seleccionar a los individuos, llamados padres, que contribuyen a la población en la siguiente generación.
  2. Crossover para combinar dos padres para formar hijos para la próxima generación
  3. Mutación para aplicar cambios aleatorios a padres individuales para formar hijos
• Luego, GA envía la nueva generación de niños al modelo ANN como un nuevo parámetro de entrada.
• Finalmente, se realiza el cálculo de la aptitud mediante el modelo ANN desarrollado.

ventajas: 

• GA se utiliza para la optimización de la topología, es decir, para seleccionar el número de capas ocultas, el número de Nodes ocultos y el patrón de interconexión para ANN.
• En los AG, el aprendizaje de ANN se formula como un problema de optimización de peso, generalmente utilizando el error cuadrático medio inverso como medida de aptitud.
• Los parámetros de control, como la tasa de aprendizaje, la tasa de impulso, el nivel de tolerancia, etc., también se optimizan con GA.
• Puede imitar el proceso humano de toma de decisiones.

Desventajas: 

• Sistema de alta complejidad.
• La precisión del sistema depende de la población inicial.
• Los costos de mantenimiento son muy altos.

Aplicaciones: 

• Reconocimiento facial
• coincidencia de ADN
• Investigación en animales y humanos
• sistema de comportamiento

(C) Sistemas híbridos genéticos difusos: 
se desarrolla un sistema híbrido genético difuso para utilizar técnicas basadas en lógica difusa para mejorar y modelar algoritmos genéticos y viceversa. El algoritmo genético ha demostrado ser una herramienta robusta y eficiente para realizar tareas como la generación de la base de reglas difusas, la generación de la función de pertenencia, etc. 
Tres enfoques que se pueden utilizar para desarrollar un sistema de este tipo son: 

• Enfoque de Michigan
• Enfoque de Pittsburgh
• Enfoque de la vida real

Flujo de trabajo: 

• Comience con una población inicial de soluciones que representen la primera generación.
• Introduzca cada cromosoma de la población en el controlador de lógica difusa y calcule el índice de rendimiento.
• Cree una nueva generación utilizando operadores de evolución hasta que se cumpla alguna condición.

ventajas: 

• Los GA se utilizan para desarrollar el mejor conjunto de reglas que utilizará un motor de inferencia difusa
• Los GA se utilizan para optimizar la elección de las funciones de pertenencia.
• Un GA difuso es una búsqueda aleatoria dirigida sobre todos los subconjuntos difusos discretos.
• Puede imitar el proceso humano de toma de decisiones.

Desventajas: 

• La interpretación de los resultados es difícil.
• Dificultad para construir valores y reglas de membresía.
• Toma mucho tiempo para converger.

Aplicaciones: 

• Ingeniería Mecánica
• motor electrico
• Inteligencia artificial
• Ciencias económicas

Fuentes: 
(1) https://en.wikipedia.org/wiki/Hybrid_intelligent_system 
(2) Principios de computación blanda