Introducción

Las redes neuronales son sistemas que se basan en la estructura de las redes de neuronas del cerebro humano, donde hay entradas llamadas dendritas (Input) y una salida denominada axón(Output), la transmisión de información se lleva a cabo a través del axón y las dendritas por medio de la sinapsis. Las señales que son enviadas a través de las dendritas, son modificadas de acuerdo a la fuerza de la conexión sináptica, denominado peso sináptico. Lo anteriormente descrito permite a medida que más señales atraviesen el sistema, se creen conexiones sinápticas más definidas que otras o que se creen patrones de conexión, que puedan variar o definirse dependiendo de la cantidad de señales que se procesan. Las redes neuronales tienen características como: adaptabilidad, paralelismo, reconocimiento de patrones, tolerancia a ruido.

La lógica difusa es mecanismo de inferencia que por medio de funciones de membresía permite tomar información inexacta y presentar un resultado exacto, la clave está en saber comprender los cuantificadores del lenguaje natural. A diferencia de los conjuntos tradicionales, donde hay una relación de pertenencia o no, la lógica difusa, nos permite expresar pertenencia completa, parcial o baja; basándose en las funciones de membresía que son asignadas por expertos, y que en base a los valores de entrada y evaluados en dicha función se obtiene la pertenencia del elemento, un ejemplo es la distancia de un objeto, se fija una función de membresía la cual ya no únicamente determina si está cerca o lejos, puede determinar si esta: cerca, medianamente cerca, muy cerca, lejos, medianamente lejos; permitiendo que los controladores no solamente trabajen con opciones on/off, sino con las que sean necesarias para tomar acciones más específicas y que el sistema parezca que responde de manera natural

Redes Neurodifusas

Las redes Neurodifusas son sistemas que aprovechan características de las redes neuronales como la capacidad de aprender o auto ajustarse y generalizar, sumadas a las características de la lógica difusa, que trabaja con razonamiento lógico basado en funciones de membresía, que permiten trabajar con variables lingüísticas, muy naturales para los seres humanos. Los sistemas de inferencia difusos pueden representar el conocimiento basándose en reglas if-then, no tiene la capacidad de adaptarse cuando las condiciones externas cambien, es por este problema, que incluyen los conceptos de reconocimiento de las redes neuronales.

La base de los sistemas Neurodifusos, se encuentran en las neuronas difusas, basadas en emular la morfología biológica de la neurona, seguida por un sistema de aprendizaje más la característica difusa. Podemos calificar a las neuronas difusas dentro de dos tipos: la primera en la que característica difusa se encuentra en la descripción de los pesos sinápticos, y la segunda en que las señales que se transmiten, son difusas junto con los pesos sinápticos.

Hay que tener en consideración acciones muy importantes para el desarrollo de sistemas Neurodifusos:

· Definición de los valores de entrada y salida

· Definición de los conjuntos difusos que se requieran utilizar

· Definición de las reglas difusas

· Estructuración de la red neuronal

· Modelar conexiones sinápticas que permitan incorporar interpretación difusa.

Arquitectura de los sistemas Neurodifusos

Podemos indicar dos modelos de redes Neurodifusas. El primer modelo responde a características lingüísticas que el bloque de interfaz difusa proporciona, un vector de entrada para la red neuronal, la cual se puede adoptar para producir decisiones bien estructuradas. (Figura 1)

figura1

Una red neuronal de múltiples capas acciona un mecanismo de inferencia difuso, donde las redes neuronales se utilizan para ajustar las funciones de membresía de la parte difusa, la que es utilizada como un sistema de toma de decisión. (Figura 2)

figura2

Entre algunos ejemplos tenemos, ANFIS, Adaptive Neuro Fuzzy Inference Sistem, es un método que permite crear la base de reglas de un sistema difuso, utilizando el algoritmo de retro propagación a partir de datos de un proceso. FSOM, Fuzzy Self-organizing Maps, consiste en un sistema difuso mejorado a partir de la técnica de mapas de auto-organización de Kohonen. El algoritmo NEFCLASS, está basado en la estructura del perceptrón multicapa cuyos pesos sinápticos son modelados por funciones de membresía.