Reporte de practicas de Sistemas Neurodifusos 2MM6 Lunes y Martes de 8:30-10:00

Nombre de la prctica: Sistema de inferencia difusa, y redes neuronales. Nombres: Real Trujillo Nora Helena
Introduccin.-

Fecha: 14 de noviembre de 2011 Numero de practica: 2

Sistema de Inferencia Difusa(FIS)

Los Sistemas de Inferencia Difusa son un mtodo que interpreta los valores de un vector de entrada y con base en un conjunto de reglas lgicas difusas, asigna valores a un vector de salida. Un sistema experto es un sistema que incorpora las reglas lgicas de un experto para apoyar decisiones, de forma autnoma, en coherencia con el conocimiento del experto. Los conjuntos difusos y los operadores difusos son como los sujetos y los verbos de la lgica difusa. Las reglas lgicas de decisin del tipo SI/ENTONCES son usadas para formular las sentencias condicionales que componen la lgica difusa. Una regla lgica SI/ENTONCES se asume que tiene la siguiente forma: Donde: A y B son valores lingsticos definidos por los conjuntos difusos en los rangos X y Y respectivamente. SI: Antecedente o premisa Entonces y es B: consecuente o conclusin. Si x es A entonces y es B

Redes Neuronales Artificiales

Las redes de neuronas artificiales (denominadas habitualmente como RNA o en ingls como: "ANN" ) son un paradigma de aprendizaje y procesamiento automtico inspirado en la forma en que funciona el sistema nervioso de los animales. Se trata de un sistema de interconexin de neuronas en una red que colabora para producir un estmulo de salida. En inteligencia artificial es frecuente referirse a ellas como redes de neuronas o redes neuronales. Las redes neuronales consisten en una simulacin de las propiedades observadas en los sistemas neuronales biolgicos a travs de modelos matemticos recreados mediante mecanismos artificiales (como un circuito integrado, un ordenador o un conjunto de vlvulas). El objetivo es conseguir que las mquinas den respuestas similares a las que es capaz de dar el cerebro que se caracterizan por su generalizacin y su robustez.

Reporte de practicas de Sistemas Neurodifusos 2MM6 Lunes y Martes de 8:30-10:00 Una red neuronal se compone de unidades llamadas neuronas. Cada neurona recibe una serie de entradas a travs de interconexiones y emite una salida. Esta salida viene dada por tres funciones: 1. Una funcin de propagacin (tambin conocida como funcin de excitacin), que por lo general consiste en el sumatorio de cada entrada multiplicada por el peso de su interconexin (valor neto). Si el peso es positivo, la conexin se denomina excitatoria; si es negativo, se denomina inhibitoria. 2. Una funcin de activacin, que modifica a la anterior. Puede no existir, siendo en este caso la salida la misma funcin de propagacin. 3. Una funcin de transferencia, que se aplica al valor devuelto por la funcin de activacin. Se utiliza para acotar la salida de la neurona y generalmente viene dada por la interpretacin que queramos darle a dichas salidas. Algunas de las ms utilizadas son la funcin sigmoidea (para obtener valores en el intervalo [0,1]) y la tangente hiperblica (para obtener valores en el intervalo [-1,1]). Planteamiento del problema 1.Se desea orientar la posicin del generador segn el de la veleta. La veleta estar sin mantener una posicin especifica, ya que se orientara sola con respecto al aire. Una vez que la veleta esta posicionada, hay que orientar el generador en la misma posicin de la veleta. Objetivo 1.Que el alumno implemente los sistemas de inferencia difusa para poder resolver problemas que puedan ser solucionados con este mtodo simplificando su control. Desarrollo 1.primero se realiz un programa a partir de FIS, utilizando el toolbox de MATLAB donde se modelo una veleta y el generador, se establecieron los parmetros de las velocidades, posiciones y sentidos bajo los cuales se regir nuestro sistema. Programa 1.fprintf('\Orientacion de Generador con respecto a Veleta\n'); %caracterizacion de universos i=1; for x= 0:360 if x<60 GNorte1(i)=1; VNorte1(i)=1; GEste(i)=0; GSur(i)=0;

Reporte de practicas de Sistemas Neurodifusos 2MM6 Lunes y Martes de 8:30-10:00

GOeste(i)=0; GNorte2(i)=0; VEste(i)=0; VSur(i)=0; VOeste(i)=0; VNorte2(i)=0; elseif x>=60 && x<120 GNorte1(i)=(120-x)./(120-60); VNorte1(i)=(120-x)/(120-60); GEste(i)=(x-60)./(120-60); GSur(i)=0; GOeste(i)=0; GNorte2(i)=0; VEste(i)=(x-60)./(120-60); VSur(i)=0; VOeste(i)=0; VNorte2(i)=0; elseif x>=120 && x<180 GNorte1(i)=0; VNorte1(i)=0; GEste(i)=(180-x)./(60); GSur(i)=(x-120)./60; GOeste(i)=0; GNorte2(i)=0; VEste(i)=(180-x)./(60); VSur(i)=(x-120)./60; VOeste(i)=0; VNorte2(i)=0; elseif x>=180 && x<240 GNorte1(i)=0; VNorte1(i)=0; GEste(i)=0; GSur(i)=(240-x)./60; GOeste(i)=(x-180)./60; GNorte2(i)=0; VEste(i)=0; VSur(i)=(240-x)./60; VOeste(i)=(x-180)./60; VNorte2(i)=0; elseif x>=240 && x<300 GNorte1(i)=0; VNorte1(i)=0; GEste(i)=0; GSur(i)=0; GOeste(i)=(300-x)./60; GNorte2(i)=(x-240)./60; VEste(i)=0; VSur(i)=0; VOeste(i)=(300-x)./60; VNorte2(i)=(x-240)./60; elseif x>=300 && x<=360 GNorte1(i)=0; VNorte1(i)=0; GEste(i)=0; GSur(i)=0; GOeste(i)=0;

Reporte de practicas de Sistemas Neurodifusos 2MM6 Lunes y Martes de 8:30-10:00

GNorte2(i)=1; VEste(i)=0; VSur(i)=0; VOeste(i)=1; VNorte2(i)=1; end i=i+1; end i=1; for x=0:100 if x<25 Baja(i)=1; Media(i)=0; Alta(i)=0; elseif x>=25 && x<50 Baja(i)=(50-x)./25; Media(i)=(x-25)./25; Alta(i)=0; elseif x>=50 && x<75 Baja(i)=0; Media(i)=(75-x)./25; Alta(i)=(50-x)./25; elseif x>=75 && x<=100 Baja(i)=0; Media(i)=0; Alta(i)=1; end i=i+1; end i=1; for x=0:30 if x<10 Horario(i)=1; Nomover(i)=0; Antihorario(i)=0; elseif x>=10 && x<20 Horario(i)=(x-10)./10; Nomover(i)=(20-x)./10; Antihorario(i)=0; elseif x>=20 && x<=30 Horario(i)=0; Nomover(i)=(75-x)./25; Antihorario(i)=(50-x)./25; elseif x>=15 && x<20 Nomover(i)=(x-15)/5; elseif x>=20 && x<25 Nomover(i)=(25-x)/5; end i=i+1; end %Fuzzyficacion Vvel=input('\nIngrese valor certero para la posicion de la veleta:\n'); Vgen=input('Ingrese valor certero para la posicion del generador:\n');

Reporte de practicas de Sistemas Neurodifusos 2MM6 Lunes y Martes de 8:30-10:00

UN1=VNorte1(Vvel+1); UE=VEste(Vvel+1); US=VSur(Vvel+1); UO=VOeste(Vvel+1); UN2=VNorte2(Vvel+1); % UGN1=GNorte1(Vgen+1); UGE=GEste(Vgen+1); UGS=GSur(Vgen+1); UGO=GOeste(Vgen+1); UGN2=GNorte2(Vgen+1); %Evaluacion de reglas R1=min(UN1,UGN1); R2=min(UE,UGN1); R3=min(US,UGN1); R4=min(UO,UGN1); R5=min(UN2,UN1); R6=min(UN1,UGE); R7=min(UE,UGE); R8=min(US,UGE); R9=min(UO,UGE); R10=min(UN2,UGE); R11=min(UN1,UGS); R12=min(UE,UGS); R13=min(US,UGS); R14=min(UO,UGS); R15=min(UN2,UGS); R16=min(UN1,UGO); R17=min(UE,UGO); R18=min(US,UGO); R19=min(UO,UGO); R20=min(UN2,UGO); R21=min(UN1,UGN2); R22=min(UE,UGN2); R23=min(US,UGN2); R24=min(UO,UGN2); R25=min(UN2,UGN2); CorteBaja=max([R1,R2,R5,R7,R8,R13,R14,R18,R19,R20,R21,R24,R25]'); CorteMedia=max([R3,R4,R6,R9,R12,R15,R16,R22]'); CorteAlta=max([R10,R11,R17,R23]'); % CorteNoMover=([R1,R5,R7,R13,R19,R21,R25]'); CorteHorario=([R2,R3,R8,R9,R10,R11,R14,R15,R16,R17,R20,R22]'); CorteAntihorario=([R4,R6,R12,R18,R24]'); %Recorte de conjuntos de salida %Velocidad for x=0:100 if Baja(x+1) < CorteBaja BajaRec(x+1)=Baja(x+1); else BajaRec(x+1)=CorteBaja; end if Media(x+1)<CorteMedia MediaRec(x+1)=Media(x+1); else

Reporte de practicas de Sistemas Neurodifusos 2MM6 Lunes y Martes de 8:30-10:00

MediaRec(x+1)=CorteMedia; end if Alta(x+1)<CorteAlta AltaRec(x+1)=Alta(x+1); else AltaRec(x+1)=CorteAlta; end end %sentido de giro %i=1 %for y=0:0.1:5 % if Horario(i)<CorteHorario % HorarioRec(i)=Horario(i); % else % HorarioRec(i)=CorteHorario; % end %if Nomover(i)<CorteNomover % NomoverRec(i)=Nomover(i); %else % NomoverRec(i)=CorteNomover; % end %if Antihorario(i)<CorteAntihorario % AntihorarioRec(i)=Antihorario(i); %else % AntihorarioRec(i)=CorteAntihorario; end i=i+1;

% % %end for x=0:30 if Horario(x+1)<CorteHorario HorarioRec(x+1)=Horario(x+1); else HorarioRec(x+1)=CorteHorario; end if Nomover(x+1)<CorteNomover NomoverRec(x+1)=Nomover(x+1); else NomoverRec(x+1)=CorteNomover; end

if Antihorario(x+1)<CorteAntihorario AntihorarioRec(x+1)=Antihorario(x+1); else AntihorarioRec(x+1)=CorteAntihorario; end end %union de conjuntos recortador para poder defuzzyficar CurvaVel=max([BajaRec;MediaRec;AltaRec]); CurvaSen=max([HorarioRec;NoMoverRec;AntihorarioRec]); %Defuzzyficacion

Reporte de practicas de Sistemas Neurodifusos 2MM6 Lunes y Martes de 8:30-10:00

Velocidad=0:100; Sentido=0:30; SalidaVel=defuzz(Velocidad,CurvaVel,'centroid') SalidaSen=defuzz(Sentido,CurvaSen,'centroid')

Planteamiento del problema 2.Modelar el comportamiento de una compuerta NOR bipolar. Objetivo 2.Que el alumno implemente los sistemas de inferencia difusa para poder resolver problemas que puedan ser solucionados con este mtodo simplificando su control. Desarrollo 2.Se planteo la tabla de verdad de la compuerta y lo necesario para poder separarla en sus puntos. De ah establecer como se entrenara la neurona. Programa 2.close; clear all; clc; %w=[0,0]; w=rand(1,2); p1=[0;0]; p2=[0;1]; p3=[1;0]; p4=[1;1]; b=rand; f=input('Introduzca el nmero de interacciones: for x=0:f a=hardlim(w*p1+b); e= 1-a; w=w+e*p1'; b=b+e; a=hardlim(w*p2+b); e= 0-a; w=w+e*p2'; b=b+e; a=hardlim(w*p3+b); e= 0-a; w=w+e*p3'; b=b+e; a=hardlim(w*p4+b); e= -a; w=w+e*p4'; b=b+e;

');

Reporte de practicas de Sistemas Neurodifusos 2MM6 Lunes y Martes de 8:30-10:00

end w b pe=-w(2)/w(1); x=-3:0.1:3; x2=-1:0.1:0; y=pe.*x; plot(x,y); axis([-3 3 -3 3]) grid on hold on y2=-1./pe.*x2; plot(p1(1),p1(2),'*b'); hold on; plot(p2(1),p2(2),'*b'); hold on; plot(p3(1),p3(2),'*b'); hold on; plot(p4(1),p4(2),'*b'); hold on; plot(x2,y2); pf(1)=input('primer valor de p: '); pf(2)=input('segundo valor de p: '); hold on; plot(pf(1),pf(2),'*r'); a=hardlim(w*pf'+b)

A continuacin el segundo programa q

close; clear all; clc; f=input('nmero de iteraciones: w1=rand(1,2); w2=rand(1,2); p1=[-2;2]; p2=[-3;3]; p3=[0;0]; p4=[1;2]; p5=[2;-1]; p6=[3;-2]; p7=[-3;-2]; p8=[-2;-3]; b1=rand; b2=rand; for x=1:f a1=hardlim(w1*p1+b1); e=1-a1; w1=w1+e*p1'; b1=b1+e; a2=hardlim(w2*p1+b2); e=0-a2; w2=w2+e*p1'; b2=b2+e; ');

Reporte de practicas de Sistemas Neurodifusos 2MM6 Lunes y Martes de 8:30-10:00

a1=hardlim(w1*p2+b1); e=1-a1; w1=w1+e*p2'; b1=b1+e; a2=hardlim(w2*p2+b2); e=0-a2; w2=w2+e*p1'; b2=b2+e;

a1=hardlim(w1*p3+b1); e=1-a1; w1=w1+e*p3'; b1=b1+e; a2=hardlim(w2*p3+b2); e=1-a2; w2=w2+e*p3'; b2=b2+e;

a1=hardlim(w1*p4+b1); e=1-a1; w1=w1+e*p4'; b1=b1+e; a2=hardlim(w2*p4+b2); e=1-a2; w2=w2+e*p4'; b2=b2+e;

a1=hardlim(w1*p5+b1); e=0-a1; w1=w1+e*p5'; b1=b1+e; a2=hardlim(w2*p5+b2); e=1-a2; w2=w2+e*p5'; b2=b2+e;

a1=hardlim(w1*p6+b1); e=0-a1; w1=w1+e*p6'; b1=b1+e; a2=hardlim(w2*p6+b2); e=1-a2; w2=w2+e*p6'; b2=b2+e;

Reporte de practicas de Sistemas Neurodifusos 2MM6 Lunes y Martes de 8:30-10:00

a1=hardlim(w1*p7+b1); e=0-a1; w1=w1+e*p7'; b1=b1+e; a2=hardlim(w2*p7+b2); e=0-a2; w2=w2+e*p7'; b2=b2+e;

a1=hardlim(w1*p8+b1); e=0-a1; w1=w1+e*p8'; b1=b1+e; a2=hardlim(w2*p8+b2); e=0-a2; w2=w2+e*p8'; b2=b2+e; end w1 w2 b1 b2 pe1=-w1(2)/w1(1); pe2=-w2(2)/w2(1); x=-3:0.1:3; x2=-1:0.1:0; x3=0:0.01:0.3; y1=pe1.*x; y2=pe2.*x; plot(x,y1); axis([-3 3 -3 3]) grid on hold on plot(x,y2,'r'); hold on; y3=-1./pe1.*x2; y4=-1./pe2.*x3; plot(p1(1),p1(2),'<b'); hold on; plot(p2(1),p2(2),'<b'); hold on; plot(p3(1),p3(2),'ob'); hold on; plot(p4(1),p4(2),'ob'); hold on; plot(p5(1),p5(2),'*b'); hold on;

Reporte de practicas de Sistemas Neurodifusos 2MM6 Lunes y Martes de 8:30-10:00

plot(p6(1),p6(2),'*b'); hold on; plot(p7(1),p7(2),'sb'); hold on; plot(p8(1),p8(2),'sb'); hold on; plot(x2,y3,'b'); hold on; plot(x3,y4,'r'); hold on; p(1)=input('Introduzca el primer valor de p: '); p(2)=input('Introduzca el segundo valor de p: '); n(1)=hardlim(w1*p'+b1); n(2)=hardlim(w2*p'+b2); n plot(p(1),p(2),'*r');

Graficas.Los siguientes conjuntos son los mismos para la veleta y el generador, los mismos valores en las mismas fronteras, solo que con diferentes nombres, ya que uno se posiciona sola y solo se establece bajo que parmetros esta, y el otro tiene que llegar a los parmetros.

Representacin de los 5 conjuntos de Representacin los conjuntos difusos orientacin utilizados. de la velocidad.

Representacin de los sentidos utilizados.

Comparacin de la superficie de control.

Reporte de practicas de Sistemas Neurodifusos 2MM6 Lunes y Martes de 8:30-10:00

Obtenida con Fuzzy Logic del Superficie de control obtenida toolbox MATLAB. por el programa realizado.

Cibergrafia. http://ants.dif.um.es/staff/juanbot/ml/files/20022003/fuzzy.pdf http://www.gc.ssr.upm.es/inves/neural/ann2/concepts/taxonomy.htm http://es.wikipedia.org/wiki/Red_neuronal_artificial