modificacin de sta. N
( ik ) m zk
2.1 Funcin objetivo c-means ci = k =1
, 1 i c
N
(9)
La funcin objetivo base de una gran familia de
(
k =1
ik ) m
yk = f i ( zk ; i ) (15)
0.5
E ik ( i ) = ( y k f i ( z k ; i )) 2 (16)
-1
c N 1
Em (U , { i }) = ( ik ) m Eik ( i ) (17) 0.9
i =1 k =1
0.8
Una posibilidad para minimizar (17) se presenta en
0.7
(Hathaway y Bezdek, 1991).
0.6
A pesar de lo interesante que en un principio parece 0.5
el algoritmo, tan solo Kim (1997) sugiere emplearlo
para el modelado borroso. Adems, los resultados 0.4
problema de optimizacin.
Fig. 2. FCRM en la deteccin de datos sin estructura
Una inicializacin de la matriz de particin U ms lineal con U dada (cruces: datos, lnea continua:
cercana al resultado deseado lleva a resultados como simulacin basada en el modelo, lneas rectas:
los mostrados es la figura 2, pero nunca comparables modelos lineales identificados).
a los que se obtienen con el algoritmo GK (figura 4).
i =1 k =1
(18) min{il }
i = 1 l
, i = 1,2, " c (22)
max{il }
se fuerza a cada clase a tener un centro de gravedad l
cdgi y se mide la distancia como combinacin de las
distancias de FCM (Dik) y FCV (Drik): con il los autovalores de la matriz de covarianzas
definida en (14) para GK. De este modo se conjugan
Deik = Dik + (1 ) Drik (19) en un solo algoritmo ventajas de FCRM, FCM y GK.
El parmetro sirve de balance entre los trminos
con [0,1]. El problema en este algoritmo es la cuando su tamao medio es muy diferente y no hay
eleccin del correcto para cada clase. El algoritmo ningn estudio respecto a su determinacin.
AFCR intenta proporcionar un tratamiento similar a
FCRM del que hace FCE con FCV. En este caso el Los resultados que obtiene AFCR para el mismo
criterio queda: ejemplo planteado en las figuras 1 y 2 se pueden
observar en la figura 3 y se pueden comparar con el
J ( Z ;U , 1 , " , c , c1 " , cc ) = resultado obtenido por GK en la figura 4 y FCRM en
c N la figura 1.
i =1 k =1
( ik ) m Daik (20)
1
1 1t
u -0.5
pt
u
O
0.5
-1
0
-1.5
-0.5
-2
-1 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1
-1 Input
1.5
-1.5
1
-2
-1 -0.5 0 0.5 1
0.5
1
0
0.5
1t
u -0.5
pt
u
0 O
-1
-0.5
-1.5
-1
-2
-1.5
-2.5
-1 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1
-2 Input
-2.5
Fig. 4. GK en la deteccin de datos sin estructura
-1 -0.5 0 0.5 1 lineal (lnea contnua: datos, lnea discontinua:
Fig. 3. AFCR en la deteccin de datos sin estructura simulacin basada en el modelo, lneas rectas:
lineal (cruces: datos, lnea continua: simulacin modelos lineales identificados) para 3 (parte
basada en el modelo, lneas rectas: modelos superior) y 5 (parte inferior) clases.
lineales identificados) para 3 (parte superior) y 5
(parte inferior) clases.
J. L. Dez, J. L. Navarro, A. Sala 37
Los resultados se corresponden con la mejora A continuacin, y dados los buenos resultados
indicada en (Ryoke y Nakamori, 1996) respecto a obtenidos, se analiza el campo en el que GK se
FCRM, igualando resultados de algoritmos como el comporta mejor y que es, por otra parte, el que ms
GK y obteniendo, al tiempo de realizacin del interesa: la identificacin de modelos locales lineales
agrupamiento, una serie de modelos locales lineales de funciones estticas y dinmicas desde datos reales,
que se ajustan perfectamente a la funcin en estudio como se da en las aplicaciones a control. Para ello, se
e incluyendo el error de modelado en la funcin de ha tomado en primer lugar una serie de datos reales
coste. Adems, la capacidad de deteccin de correspondientes al ratio de la cintica de
estructuras lineales no se ha perdido en AFCR, crecimiento de un biorreactor (Carbonell et al.,
obteniendo resultados idnticos a FCRM con 2000), ejemplo que se muestra en la figura 5.
diferentes conjuntos de datos en lo que ste
funcionaba correctamente. Se puede observar como AFCR supera FCRM
6 (figura 5) e iguala GK (figura 6) en este ejemplo.
5
Cabe destacar que en ambos casos de resultado
positivo (AFCR y GK) las funciones de pertenencia
4 borrosas obtenidas pierden parte de su
3
interpretabilidad (convexidad), como se muestra en
la parte inferior de la figura 6.
2
El efecto de la prdida de la interpretabilidad se hace
1
mucho ms claro en sistemas ms "complejos"
0 (orden ms elevado), pero no se puede representar
grficamente de forma adecuada. El anlisis de los
-1
datos en estos casos mediante ndices (Ahvenlampi et
-2 al., 2003) lleva a concluir que las funciones de
0 10 20 30 40 50 60 70
pertenencia pierden su interpretabiblidad a cambio de
3 un bajo error de modelado.
0
0 10 20 30
x
40 50 60 70
6. ALGORITMOS QUE FAVORECEN LA
Fig. 6. GK detectando estructuras lineales en datos CONVEXIDAD
reales (crculos: datos, lneas continuas: modelos
lineales, cruces: prototipos). En la parte inferior Aprovechando la metodologa de minimizacin de
se observan las funciones de pertenencia. ndices de coste por agrupamiento comentada
brevemente en el apartado 2.2 y propuesta en
38 Algoritmos de Agrupamiento en la Identificacin de Modelos Borrosos
2
c N 0.8
0.2
se incluir en DC ik un trmino para penalizar la alta
pertenencia de los puntos lejanos a un prototipo 0
0 10 20 30 40 50 60 70
(Dlejos ik) y otro para penalizar la baja pertenencia de
Function approximation
puntos cercanos al prototipo (Dcerca ik), manteniendo
2
tambin las distancias de FCRM (Eik) y FCM (Dik).
1.5
1
La nueva distancia global que se emplear ser: y
0.5
i i 0
DC ik = Eik ( i ) + 1 Dlejos ik
3 3 0 10 20 30 40 50 60
i (24) x
Membership functions
+ 2 Dcerca ik + (1 i )Dik 1
3 0.8
pi
0.6
con [0,1] siguiendo para su determinacin el h
sr
e
b 0.4
criterio (22). El parmetro se mantiene para el m
e
M 0.2
balance entre los trminos cuando su tamao medio
es muy diferente y se incluyen 1 y 2 con el mismo 0
0 10 20 30 40 50 60 70
fin. x
Fig. 7. Deteccin de 3 clases y funciones de
Para determinar los valores de Dlejos ik y Dcerca ik se pertenencia con AFCRC (parte superior) y GK
identifica en (25) y (26), respectivamente, el criterio (parte inferior).
2
de distancia que es necesario incluir en un ndice
para expresar la penalizacin por alta pertenencia de 1.5
0.6
D2
J lejos ik = 1 exp( ik2 )
m
ik
0.4
2 1 0.2
D2 (25) 0
0 10 20 30 40 50 60 70
Dlejos ik = 1 exp( ik2 )
2 1 Function approximation
2
D2 1.5
J cerca ik = (1 ik ) m exp( ik2 ) (26)
2 2 y
1
0.5
(1 ik ) m
Dik2 0
Dcerca ik = exp( )
ikm 2 22 0 10 20 30 40 50 60
x
Membership functions
Este nuevo algoritmo que se propone, denominado 1
0.4
6.1 Identificacin de funciones unidimensionales 0.2
0
Con unos valores adecuados de los parmetros del -1 -0.5 0 0.5 1
0.8
En combinaciones de datos ms sencillas, como el 0.6
caso de la parbola empleada en las figuras 1 a 4,
0.4
AFCRC no pierde sus capacidades. Esto queda
0.2
claramente mostrado en la figura 10 para 2, 3, 4 y 8
clases. 0
-1 -0.5 0 0.5 1
2
1.5 1
1
0.5
0.5
0 0
-0.5
0 10 20 30 40 50 60 70
-0.5
-1 -0.5 0 0.5 1
1
0.8 1
0.6 0.8
0.4 0.6
0.2 0.4
0 0.2
0 10 20 30 40 50 60 70
0
-1 -0.5 0 0.5 1
Function approximation
2
1
1.5
1 0.5
y
0.5
0 0
0 10 20 30 40 50 60 -0.5
x -1 -0.5 0 0.5 1
Membership functions
1
1
0.8
pi 0.8
h 0.6
sr
e 0.6
b 0.4
m 0.4
e
M 0.2
0.2
0
0 10 20 30 40 50 60 70 0
x -1 -0.5 0 0.5 1
Fig. 9. Deteccin de 5 clases y funciones de Fig. 10. Deteccin de diferentes nmeros de clases
pertenencia con AFCRC (parte superior) y GK (cuatro casos) y sus funciones de pertenencia con
(parte inferior). AFCRC.
40 Algoritmos de Agrupamiento en la Identificacin de Modelos Borrosos
6.2 Identificacin de funciones de varias variables modelos dinmicos suelen ser tratados como
funciones estticas multidimensionales en la
El sistema no lineal con dos variables de entrada (x1, identificacin borrosa (Sugeno y Yasukawa, 1993),
x2) y una de salida (y) descrito por la ecuacin (27), AFCRC se muestra aplicable en la identificacin
ha sido empleado por diferentes autores para borrosa de sistemas dinmicos.
comprobar el funcionamiento de diferentes tcnicas
de identificacin borrosa (Sugeno y Yasukawa, El algoritmo AFCRC puede ser empleado en
1993), (Emami et al., 1998). conjuntos de datos de dimensiones ms elevadas
(ms de dos entradas) pero, en ese caso, los
y = (1 + x12 + x 21.5 ) 2 con 1 x1 , x 2 5 (27) resultados no pueden ser visualizados (Sala et al.,
2002).
En el ejemplo de este apartado, se ha modificado el
conjunto original de 50 pares de datos originales
empleados en (Sugeno y Yasukawa, 1993) mediante
la adicin de ruido aleatorio. La superficie no lineal a
identificar se muestra en la figura 11.