IA17 - RESPUESTAS Aplicaciones de RNA (1)

Vista previa del material en texto

FACULTAD DE INGENIERÍA - UNJU - 2017 
CÁTEDRA DE INTELIGENCIA ARTIFICIAL 
RESPUESTAS AL ANÁLISIS DEL PAPER 
 
[Kavka C., Roggero P. y Apolloni J.] APLICACIONES DE REDES NEURONALES A 
PROBLEMAS TEÓRICOS Y DE CONTROL 
 
1. ¿Cuáles son las principales líneas de investigación a que hacen referencia los inves-
tigadores del LIDIC de la UNSL? 
Respuesta: 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
2. ¿Cuál es la principal característica básica de las redes neuronales, que es resaltada 
por los investigadores, para ser utilizada como controladores? 
Respuesta: 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
IA Paper neuronal - # 2 
3. ¿Cómo se describe el algoritmo evolucionario auto-recomenzable aplicado a redes 
neuronales? 
Respuesta: 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
4. ¿Cuáles son algunas de las estrategias mencionadas para la construcción de siste-
mas difusos, basadas en algoritmos evolucionarios? 
Respuesta: 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
5. ¿Cómo definen el aprendizaje on-line de los controladores inteligentes? 
Respuesta: 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
IA Paper neuronal - # 3 
6. ¿La eficiencia de los controladores depende principalmente del modelo matemático 
del proceso a controlar. ¿Cuál es el principal inconveniente en este aspecto? 
Respuesta: 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
7. ¿Kosko et al., propone y demuestra que su modelo SAM (Standar Aditive Model) es un 
aproximador universal. Buscar y escribir una muy breve referencia de este modelo. 
Respuesta: 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
8. Existen varios modelos de redes neuronales que pueden tratar el problema del 
aprendizaje on-line. El paper menciona tres. Indicar cuáles son y qué significan sus 
siglas. 
Respuesta: 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
IA Paper neuronal - # 4 
9. Uno de los problemas teóricos abordados por los investigadores es el problema de 
satisfactibilidad de fórmulas, usando redes neuronales. Buscar y escribir una muy 
breve referencia del proceso. 
Respuesta: 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
10. Herrera et. al. proponen el método MOGUL. Buscar e indicar qué representan es-
tas siglas y dar una muy breve referencia al respecto. 
Respuesta: 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
Respuestas adicionales (si se necesita más espacio para una respuesta anterior, utilizar este lugar). 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
IA Paper neuronal - # 5 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
	Texto1: Las principales lineas de investigación son: Control en ambientes cambiantes, Control neuro difuso y Aplicación de redes neuronales a problemas teóricos
 
	Texto2: La principal característica de las redes neuronales es su capacidad adaptativa es decir estas redes pueden aprender cualquier clase de mapeo no lineal lo que nos brinda una facilidad enorme a la hora de utilizarla como controladores ya que generalmente la construcción de estos modelos no es posible debido a su complejidad y no linealidad .
	Texto3: El algoritmo evolucionaro auto-recomenzable o AREA (en ingles) utiliza neurocontroladores que son adecuados para el control en ambientes cambiantes.
El algoritmo es aplicado a una población aleatoria inicial de neurocontroladores, una vez que el proceso evolutivo a terminado, el mejor neurocontrolador es seleccionado y aplicado al sistema deseado.
El sistema AREA guarda poblaciones de neurocontrlodaores intermedias que se usaran en la posterioridad para reiniciar el proceso evolutivo si es que necesario una adaptación.
El sistema AREA también incluye un componente de control de calidad que es usado para evaluar el rendimiento del controlador en el sistema objetivo mientra este se esta ejecutando.
El componente de control de calidad avisa el reinicio del modulo de evolución cuando una anomalía es detectada en el funcionamiento del sistema objetivo, es decir cuando no esta funcionando como debe ser.
Lo que ocurre a continuación es que al reiniciar el modulo de evolución se selecciona una población intermedia particular para comenzar un proceso evolutivo y así obtener el controlador adecuado para el sistema objetivo es que decir obtiene un controlador adaptado a las nuevas condiciones ambientales.
	Texto4: Muchos investigadores han propuesto estrategias de construcción de sistemas difusos basados en algoritmos evolucionarios. Algunas de estas estrategias son:
 Ł	Utilizar algoritmos genéticos para la adecuación de las funciones de pertenencia en una base 
 de datos predefinida. (Propuesto por C. Karr).
 Ł	Usar algoritmos genéticos para optimizar las reglas y las funciones de pertenencia al mismo 
 tiempo. (Propuesto por Takagi y Lee).
 Ł	Utilizar el método MOGUL, el cual permite construir el controlador difuso combinando un 
 conjunto de reglas definidas por un experto con un conjunto de reglas generadas por un 
 algoritmo evolucionario. (Propuesto por Herrera et. al.)
 Ł	Usar un método general para la construcción de controladores difusos usando redes 
 neuronales y algoritmos evolucionarios, del cual lamentablemente no ofrecen información 
 sobre la clase de operadores genéticos involucrados. (Propuesto por Abraham et. al.).
	Texto5: Los controladores inteligentes definen el aprendizaje on-line como el aprendizaje de datos cuando el sistema está operando, usualmente en tiempo real, y con datos que pueden estar disponibles solamente por poco tiempo.
	Texto6: El principal inconveniente en este aspecto es que la construcción de modelos apropiados a menudo no es posible debido a la complejidad y no linearidad propia de los procesos.
	Texto7: Modelo Aditivos Estándar, SAM (Standar Aditive Model) es un caso particular de los modelos borrosos aditivos. La principal ventaja de los modelos aditivos es su eficiencia, ya que las reglas pueden precomponerse en un formato menos costoso computacionalmente.
El esquema de inferencia de un sistema SAM es similar al de los modelos TSK (Takagi-Sugeno-Kang), ya que ambos generan su salida en base a la suma ponderada de las consecuencias de cada una de las reglas de la base de conocimiento. Sin embargo, la estructura de las reglas de un sistema SAM es idéntica a las de los modelos Mamdani, por lo que podrían considerarse como una variación de éstos. No obstante, existen cuatro diferencias fundamentales entre los esquemas de inferencia de los sistemas SAM y Mamdani: 
 1.	En los sistemas SAM la entrada (x) se considera como un punto borroso.
 2.	Para la inferencia se utiliza el operador producto, frente al operador mínimo que suele emplearse en los modelos Mamdani.
...Continua.. 
	Texto8: 
Los modelos para tratar el problema del aprendizaje on-line que menciona el paper son:
 Ł ANFIS (Adaptive Neuro-Based Fuzzy Inference System - Sistema de inferencia adaptativo 
 basado en Neuro-difusa).
 Ł NETFAN (Adaptive fuzzy nodes Network - Red de nodos difusos adaptativos).
 Ł EFUNN (Evolving Fuzzy Neural Network - Red neuronal difusa evolucionada).
	Texto9: El problema de satisfacibilidad (SAT), el primero en demostrarse que es NP-completo, es fundamental en muchos campos de las ciencias de la computación, la ingeniería eléctrica y matemática. Para abordar este problema se integran todas las componentes del sistema DPLL con Redes Neuronales (DPLL RN), para crear un ambiente de ejecución amigable al usuario. Una de las componentes fundamentales del sistema DPLL RN consta de un algoritmo que permite resolver algunas instancias del problema 3SAT, un conocido problema NP-completo derivado de SAT. El sistema DPLL RN combina las reglas de Davis-Putnam con redes neuronales (DPRN), las cuales tienen una gran capacidad para aprender problemas complejos. El ambiente propuesto permite al usuario determinar la satisfacibilidad o no de una fórmula en lógica proposicional, permitiéndole ingresar una fórmula cualquiera o generar una aleatoriamente y luego se refleja en un árbol el camino seguido para obtener las asignaciones que hacen verdadera a dicha fórmulasi tales asignaciones existen.
	Texto10: Método MOGUL 
 MOGUL (Methodology to Obtain Genetic fuzzy rule Πbased Under the iterative rule Learning 
 approach), una metodología evolutiva de aprendizaje de Bases de Reglas Difusas.
 Ł	Permite diseñar distintos Sistemas Basados en Reglas de Lógica Difusas (SBRDs): de tipo 
 Mamdani (descriptivos, aproximados restringidos y aproximados no retringidos) y de tipo TSK.
 Ł	Hace uso de la mayor cantidad posible del conocimiento disponible para generar la Base de 
 Reglas Difusas (BRD). Este conocimiento, sea experto o numérico, puede ser incorporado 
 directamente en el proceso de aprendizaje trabajando de varias formas distintas.
 Ł	MOGUL se basa en el enfoque de Aprendizaje Iterativo de Reglas (AIR). Este enfoque que 
 trata de dos etapas: generación y postprocesamiento, la primera de ellas dedicada a fomentar 
 la competición entre las reglas individuales y la segunda a fomentar una buena cooperación 
 entre las reglas generadas para obtener una BRD con buen comportamiento global. 
 
	Texto11: 4) Continuación de las estrategias mencionadas para la construcción de sistemas difusos:
 Ł Usar un método para la actualización final de las funciones de escala, de las funciones de pertenencia y 
 para la generación de la base de reglas. Propuesto por Hoffmann 
 Ł Utilizar el modelo SAM, el cual se ha demostrado que es un aproximador universal. Propuesto por Kosko 
 et al.
7) Continuación de las diferencias fundamentales entre los esquemas de inferencia de los sistemas SAM y Mamdani:
 3.	Frente al operador máximo que emplean los de Mamdani, en los modelos SAM la combinación final (D) de las conclusiones parciales de cada regla borrosa (D™r), se realiza mediante una suma ponderada según los pesos w.
 4.	La salida (y) de un modelo aditivo estándar se calcula mediante la adición de las salidas parciales ponderadas, mientras que en Mamdani se debe especificar un deffuzyficador. 
	Texto12: