Obtención de Modelos Borrosos Interpretables de Procesos Dinámicos

Juan Contreras Montes, Roger Misa Llorca, Luis F. Murillo Fernández

Resumen

En este artículo se presenta una novedosa metodología para la construcción de modelos borrosos lingüísticamente interpretables, a partir de datos de entrada y salida, de procesos dinámicos. Se describe una sencilla técnica de agrupamiento para construcción de las reglas borrosas, así como el empleo de mínimos cuadrados para ajuste de consecuentes. Para garantizar la interpretabilidad del modelo borroso la partición de los antecedentes emplea conjuntos triangulares con interpolación de 0.5. El aspecto más promisorio en nuestra propuesta consiste en alcanzar una buena precisión sin sacrificar la interpretabilidad del sistema borroso ni recurrir a otras técnicas de inteligencia artificial. Se presentan aplicaciones a problemas o conjuntos de datos ampliamente conocidos (benchmark classic) como la cámara de gas de Box-Jenkins, la serie caótica de Mackey Glass y la dinámica de cabeceo de un helicóptero a escala, y se comparan los resultados con aquellos obtenidos por otros autores que emplean técnicas diferentes.

Palabras clave

identificación; agrupamiento; mínimos cuadrados; modelo borroso; interpretabilidad

Texto completo:

PDF

Referencias

Bezdek J. C. (1987). Pattern Recognition with Fuzzy Objective Function Algorithms. Ed. Plenum Press. New York, USA.

Box, G., Jenkins, G., (1976) Times Series Analysis: Forescasting and Control, Holden Day Inc., San Francisco, USA.

Chen, W., and Saif, M. (2005). A Novel Fuzzy System with Dynamic Rule Base, IEEE Trans. Fuzzy Systems, vol. 13, (5), pp.569-582.

Contreras, J., Misa, R., Paz, J., (2006). Building Interpretable Fuzzy Systems: a New Approach to Fuzzy Modeling. In proceedings of Electronics, Robotics and Automotive Mechanics Conference CERMA. IEEE Computer Society. pp.: 172-178

Díez J. L., Navarro J. L., Sala A. (2004). Algoritmos de Agrupamiento en la Identificación de Modelos Borrosos. RIAI: Revista Iberoamericana de Automática e Informática Industrial, vol. 1 (2), pp. 32-41.

Espinosa, J., Vandewalle, J. (2000), Constructing Fuzzy Models with Linguistic Integrity from Numerical Data-Afreli Algorithm, IEEE Trans. Fuzzy Systems, vol. 8(5), pp. 591 – 600.

Espinosa, J., Vandewalle, J. (2005), Wertz, V, Fuzzy Logic, Identification and Predictive Control. Springer. USA.

García-Sanz, M., Elso, J., Egaña, I. (2006), Control de Ángulo de Cabeceo de un Helicóptero como Benchmark de Diseño de Controladores, RIAI, vol. 3(2), pp.111-116.

Gaweda, A., Zurada, J. (2003), Data-Driven Lingustic Modeling Using Relational Fuzzy Rules, IEEE Trans. Fuzzy System, vol. 11(1), pp.121-134.

Guillaume, S., Charnomordic, B. (2004), Generating an Interpretable Family of Fuzzy Partitions from Data, IEEE Trans. Fuzzy Systems, vol. 12(3), pp. 324 – 335.

Gustafson E. E., Kessel W. C. (1979). Fuzzy Clustering with a Fuzzy Covariance Matrix. In Proceedings of the IEEE CDC, pp. 503 – 516.

Joo M.G., and Lee, J.S. (2002) Universal Approximation by Hierarchical Fuzzy Systems with Constraints on the Fuzzy Rules, Fuzzy Sets and Systems, vol. 130(2), pp 175-188.

Joo M.G., and Lee, J.S. (2005). A Class of Hierarchical Fuzzy Systems with Constraints on the Fuzzy Rules, IEEE Trans. Fuzzy Systems, vol. 13(2), pp.194-203, 2005.

Kim, E., Park, M, Kim, S. (1998), A Transformed Input-Domain Approach to Fuzzy Modeling, IEEE Trans. Fuzzy Systems, vol. 6(4), pp. 596-604.

Nauck, D., Kruse, R., (1995). Nefclass - a Neuro-Fuzzy Approach for the Classification of Data, In Proceedings of the Symposium on Applied Computing.

Nauck, D., Kruse, R. (1999), Neuro-Fuzzy Systems for Function Approximation. Fuzzy Sets and System, vol. 101(2), pp. 261-271.

Paiva, R. P., Dourado, A. (2004), Interpretability and Learning in Neuro-Fuzzy Systems, Fuzzy Sets and System, vol. 147(1), pp. 17-38. 2004.

Pedrycz, W. (1994) Why Triangular Membership Functions?, IEEE Trans. Fuzzy Sets and System, vol. 6 4(1), pp.21-30, 1994

Sala, A. (1998). Validación y Aproximación Funcional en Sistemas de Control Basados en Lógica Borrosa. Universidad Politécnica de Valencia. Tesis Doctoral, España.

Sala, A., Albertos, P. (2001), Inference Error Minimisation: Fuzzy Modelling of Ambiguous Functions. Fuzzy Sets and Systems, vol. 121(1), pp. 95 – 111.

Sugeno, M., Yasukawa, T. (1993), A Fuzzy Logic Based Approach to Qualitative Modeling. Transactions on Fuzzy Systems, vol. 1(1), pp. 7-31. 1993

Wang, LX, Langari, R. (1995), Building Sugeno- Type Models Using Fuzzy Discretization and Orthogonal Parameter Estimation Techniques, IEEE Transactions on Fuzzy Systems, vol. 3(4), pp. 454-458.

Wang, LX, Mendel, J.M. (1992), Generating Fuzzy Rules by Learning from Examples, IEEE Transactions on Systems Man and Cybernetics, vol. 22(6), pp. 1414-1427.

Abstract Views

519
Metrics Loading ...

Metrics powered by PLOS ALM




Creative Commons License

Esta revista se publica bajo una Licencia Creative Commons Attribution-NonCommercial-CompartirIgual 4.0 International (CC BY-NC-SA 4.0)

Universitat Politècnica de València     https://doi.org/10.4995/riai

e-ISSN: 1697-7920     ISSN: 1697-7912