Borrosidad en las redes neuronales
La red neuronal artificial (ANN) es una red de sistemas informáticos eficientes cuyo tema central se toma prestado de la analogía de las redes neuronales biológicas. Las RNA también se denominan "sistemas neuronales artificiales", sistemas de procesamiento distribuido en paralelo "," sistemas conexionistas ". ANN adquiere una gran colección de unidades que están interconectadas en algún patrón para permitir las comunicaciones entre unidades. Estas unidades, también denominadas nodos o neuronas, son procesadores simples que operan en paralelo.
Cada neurona está conectada con otra neurona a través de un enlace de conexión. Cada enlace de conexión está asociado con un peso que tiene la información sobre la señal de entrada. Esta es la información más útil para que las neuronas resuelvan un problema particular porque el peso generalmente inhibe la señal que se está comunicando. Cada neurona tiene su estado interno que se llama señal de activación. Las señales de salida, que se producen después de combinar las señales de entrada y la regla de activación, pueden enviarse a otras unidades. También consta de un sesgo 'b' cuyo peso es siempre 1.
Por qué utilizar Fuzzy Logic en Neural Network
Como hemos comentado anteriormente, cada neurona en ANN está conectada con otra neurona a través de un enlace de conexión y ese enlace está asociado con un peso que tiene la información sobre la señal de entrada. Por tanto, podemos decir que las ponderaciones tienen la información útil sobre la entrada para resolver los problemas.
A continuación se presentan algunas razones para utilizar lógica difusa en redes neuronales:
La lógica difusa se utiliza en gran medida para definir los pesos, a partir de conjuntos difusos, en redes neuronales.
Cuando no es posible aplicar valores nítidos, se utilizan valores difusos.
Ya hemos estudiado que el entrenamiento y el aprendizaje ayudan a que las redes neuronales funcionen mejor en situaciones inesperadas. En ese momento, los valores difusos serían más aplicables que los valores nítidos.
Cuando utilizamos lógica difusa en redes neuronales, los valores no deben ser nítidos y el procesamiento se puede realizar en paralelo.
Mapa cognitivo difuso
Es una forma de confusión en las redes neuronales. Básicamente, FCM es como una máquina de estado dinámico con estados difusos (no solo 1 o 0).
Dificultad para usar la lógica difusa en redes neuronales
A pesar de tener numerosas ventajas, también existen algunas dificultades al utilizar la lógica difusa en redes neuronales. La dificultad está relacionada con las reglas de pertenencia, la necesidad de construir un sistema difuso, porque a veces es complicado deducirlo con el conjunto dado de datos complejos.
Lógica difusa entrenada por los nervios
La relación inversa entre la red neuronal y la lógica difusa, es decir, la red neuronal utilizada para entrenar la lógica difusa, también es una buena área de estudio. A continuación se presentan dos razones principales para construir lógica difusa con entrenamiento neuronal:
Los nuevos patrones de datos se pueden aprender fácilmente con la ayuda de redes neuronales, por lo tanto, se pueden utilizar para preprocesar datos en sistemas difusos.
La red neuronal, debido a su capacidad para aprender nuevas relaciones con nuevos datos de entrada, se puede utilizar para refinar reglas difusas para crear un sistema adaptativo difuso.
Ejemplos de sistema difuso con entrenamiento neuronal
Los sistemas Fuzzy entrenados neuralmente se están utilizando en muchas aplicaciones comerciales. Veamos ahora algunos ejemplos en los que se aplica el sistema difuso entrenado neuronal:
El Laboratorio de Investigación Internacional de Ingeniería Fuzzy (LIFE) en Yokohama, Japón, tiene una red neuronal de retropropagación que deriva reglas difusas. Este sistema se ha aplicado con éxito al sistema de comercio de divisas con aproximadamente 5000 reglas difusas.
Ford Motor Company ha desarrollado sistemas difusos entrenables para el control del ralentí de los automóviles.
NeuFuz, producto de software de National Semiconductor Corporation, admite la generación de reglas difusas con una red neuronal para aplicaciones de control.
AEG Corporation de Alemania utiliza un sistema de control difuso con entrenamiento neuronal para su máquina de conservación de agua y energía. Tiene un total de 157 reglas difusas.