Capítulo Cinco. Sistemas Neuro-Fuzzy

C A P Í T U L O

C I N C O

Sistemas Neuro-Fuzzy

5.1 Introdução

Neste capítulo será apresentada a conceituação básica sobre sistemas híbridos especificamente os sistemas Neuro-Fuzzy. Sabe-se que os sistemas fuzzy são apropriados para modelagens a partir de conhecimentos explícitos fornecidos por especialistas humanos, possibilitando interpretações linguísticas dos conhecimentos associados. Já as redes neurais são adequadas à criação de modelos baseados em conhecimentos implícitos, embutidos nos conjuntos de dados utilizados nas modelagens correspondentes. Várias pesquisas foram realizadas no sentido de integrar essas duas técnicas de IA, cujo objetivo consiste em gerar modelos híbridos que possam aproveitar as vantagens de cada uma delas e minimizar suas limitações individuais. Nos últimos anos diversas estruturas de sistemas híbridos foram desenvolvidas, geralmente pela integração das técnicas como Algoritmos Genéticos (GA), Redes Neurais Artificiais (RNA) e Lógica Fuzzy.

Nas redes neurais o conhecimento é representado pelas interconexões das

unidades estruturais utilizadas. Uma RNA é um modelo não linear cujos parâmetros são determinados a partir de um conjunto de dados de suporte e por meio de algoritmos de auto-organização ou de treinamento. Embora apresente bons resultados numéricos na solução de vários problemas, uma RNA geralmente não permite a incorporação do conhecimento de especialistas numa determinada aplicação, podendo fazer com que o modelo resultante seja

centrado nos dados (Evsukoff e Almeida, 2005).

Por outro lado, em um modelo fuzzy, representações de conhecimentos

podem ser associadas a regras ou tabelas de forma explícita, como em um sistema de apoio a decisões, por exemplo. Em sistemas fuzzy, os dados ou as informações utilizadas podem conter incertezas que são tratadas adequadamente por meio de funções de pertinência.

Assim, levando-se em conta as características da lógica difusa e os modelos

conexionistas, diversos autores (Nauck et al., 1997; Azevedo et al., 2000

Kasabov e Song, 2001) mostraram combinações que procuram aproveitar suas potencialidades e contornar suas limitações, proporcionando abordagens que consequentemente promovem mais robustez nas modelagens resultantes.

Para se referir aos modelos que integram os paradigmas dos sistemas fuzzy e

neurais, cunhou-se o termo Neuro-Fuzzy. Nauck et al. (2007) apresentaram uma taxonomia para as diferentes combinações de redes neurais e sistemas fuzzy:

• Redes neurais fuzzy – nesta combinação métodos fuzzy são usados para

aperfeiçoar as capacidades de aprendizado ou de desempenho de uma RNA. Por exemplo, podem-se usar regras fuzzy para mudar a taxa de aprendizado do procedimento de treinamento da rede em questão.

• Sistemas concorrentemente neural-fuzzy – nesses sistemas uma RNA e um

sistema fuzzy trabalham concorrentemente na mesma tarefa, mas sem a influência de um sobre o outro, ou seja, nenhum dos dois sistemas é usado para determinar os parâmetros do outro. A finalidade é a obtenção de resultados concorrentes relativos a uma determinada aplicação.

• Sistemas Neuro-Fuzzy cooperativos – os parâmetros do sistema fuzzy

(regras, ponderações das regras ou conjuntos nebulosos) são determinados por uma RNA. Os sistemas trabalham independentes e com tarefas distintas.

• Sistemas Neuro-Fuzzy híbridos – uma RNA e um sistema fuzzy são

combinados em uma arquitetura homogênea. O sistema pode ser interpretado como uma RNA especial ou como um sistema fuzzy parametrizado por uma RNA. A maioria dos modelos propostos na literatura pertence a essa categoria.

Wang e Mendel (1992) introduziram um algoritmo que permite a geração de

modelos fuzzy em processos de modelagem genéricas. Na primeira etapa do algoritmo, os dados do processo são divididos em partições para definição dos conjuntos difusos. Na segunda etapa, as regras fuzzy são inicialmente geradas Na terceira etapa define-se um grau de representação para cada regra gerada Na quarta etapa, a base de conhecimento é refinada. Na quinta parte ocorre a inferência do valor do modelo para as entradas correspondentes, definindo-se o modelo em questão. Apesar de simples, o processo de determinação de modelos fuzzy pelo método descrito pode ser bastante tedioso e demorado.

Com a finalidade de diminuir esforços computacionais, gerar modelos mais

eficientes e de forma automática, Jang et al. (1997) apresentaram uma estrutura Neuro-Fuzzy com esse objetivo. A ideia básica consiste em realiza sistemas de inferência fuzzy (denominados FIS) sobre arquiteturas de redes neurais artificiais, caracterizando um sistema híbrido. O conceito consiste em utilizar paradigmas de aprendizado comuns às redes neurais para a geração de modelos difusos. Dessa forma, aproveitam-se os benefícios das redes neurais que são apropriadas para a criação de modelos a partir de conhecimento implícito embutido em um conjunto de dados, e dos sistemas fuzzy, que são adequados para a criação de modelos a partir de um conhecimento explícito.

Dentre os vários sistemas Neuro-Fuzzy propostos, pode-se destacar o Anfis

(Adaptive Network Based Fuzzy Inference System), o FSOM (Fuzzy Self Organization Map), o NEFClass (Neuro Fuzzy Classification), o Nefcon (Neuro Fuzzy Control ), o Nefprox (Neuro Fuzzy Function Approximation) e o Denfis (Dynamic Evolving Neural-Fuzzy Inference System). O FSOM

proposto por Mitra e Pal (1994), é um sistema Neuro-Fuzzy baseado no modelo de mapas auto-organizáveis de Kohonen, capaz de realizar classificações por meio da aplicação de técnicas de lógica nebulosa. A arquitetura de uma FSOM é composta por um conjunto de cinco camadas cujo

funcionamento é semelhante à de um Anfis (que foi descrito no Capítulo 2

deste livro). O NEFClass, proposto por Nauck e Kruse (1995), é um sistema Neuro-Fuzzy cuja aplicação básica é em sistemas de classificação. A diferença principal entre o NEFClass e o FSOM é que o primeiro apresenta valores crisp na camada de saída que generaliza o formato das regras fuzzy que compõem os modelos gerados pelo NEFClass. Nefcon é dedicado a aplicações em

sistemas de controle utilizando regras tipo Mandami. Kasabov e Song (2001) propuseram o Denfis, que consiste em um sistema Neuro-Fuzzy com a capacidade de adaptação dinâmica, adicionando novas regras ao FIS antes ou durante o processo de treinamento, e removendo regras desnecessárias durante ou após o processo de treinamento.

As referências citadas a seguir mostram algumas das aplicações realizadas

com sucesso, via sistemas Neuro-Fuzzy. Fahimifard et al. (2009) realizaram um estudo de desempenho entre métodos lineares e não lineares quando aplicados em processos de previsão. O modelo estatístico considerado foi o Arima, e o não linear, o Anfis, em que uma série temporal associada à produção agrícola foi considerada. O processo levou em conta a previsão em três horizontes distintos com uma, duas e quatro semanas, respectivamente. A análise dos resultados permitiu concluir que o Anfis obteve um desempenho consideravelmente maior em todos os experimentos realizados em relação ao modelo estatístico convencional.

Liao e Tsao (2007) propuseram um sistema híbrido baseado em lógica

nebulosa e algoritmos genéticos para a previsão de demanda de carga elétrica de curto prazo. A finalidade da aplicação do GA foi de estimar os parâmetros do modelo fuzzy de previsão. Como forma de avaliação do modelo obtido uma comparação foi realizada com modelos obtidos via aplicação de redes neurais. Os modelos baseados em lógica nebulosa obtiveram resultados mais

precisos. De forma similar, Syed-Ahmad et al. (2007) e Ying e Pan (2008) utilizaram-se de modelos fuzzy para prever demanda de carga elétrica. O

primeiro a curto prazo e o segundo para longo prazo. Syed-Ahmad et al

(2007) consideraram observações horárias de consumo de energia elétrica para compor o conjunto de treinamento usado para treinamento do Anfis. O modelo fuzzy obtido foi aplicado na previsão de demanda vinte e quatro horas à frente

Ying e Pan (2008) utilizaram observações anuais de 1981 até 1996 para previsão de carga de 1997 até 2000, em diferentes regiões de Taiwan. Em ambos os casos os modelos obtidos via Anfis obtiveram resultados

compatíveis com os modelos neurais usados para fins de comparação. Chen

Ying e Pan (2010), a partir do uso do Anfis, estimaram um modelo fuzzy capaz de prever a quantidade de turistas que chegavam a Taiwan via Estados Unidos Japão e Hong Kong. Para construção do modelo, um conjunto de treinamento que levava em consideração observações mensais, que iam de 1989 a 2000, fo construído. O objetivo consistia em estimar o número de turistas para os anos de 2001 a 2003, os resultados obtidos apresentaram uma boa consistência com os dados reais.

En-Anfis foi o nome dado ao sistema híbrido proposto por Chen e Zhang

(2005) para previsão de séries temporais. Este modelo utiliza o paradigma de composição Ensemble, que consiste em treinar vários componentes para a realização da mesma tarefa. O treinamento de cada componente pode ser realizado por meio de conjuntos construídos de forma aleatória ou por meio do método bootstrap sampling, com ou sem repetições. O valor de previsão é resultado da combinação do resultado de previsão de cada componente isolado, sendo que essa combinação pode ser baseada em ponderações ou não Caso a opção por pesos seja a considerada, atribuem-se valores maiores a resultados de previsão de componentes que apresentaram menores erros durante o processo de treinamento.