Page 43 - Sistemas de aprendizaje e-learning: técnicas de inteligencia artificial para las inteligencias múltiples

42 Sistemas de aprendizaje e-learning: técnicas de
inteligencia artificial para las inteligencias múltiples

Figura 2.4. Equivalente ANFIS (ANFIS type-3).

LAYER 1 LAYER 2 LAYER 3 LAYER 4 LAYER 5

x y
A
1 w w
x π 1 N 1 w f
1 1
A
2
∑ f
B
1
y π w N w w f
2 2 1 2
B
2 x y
ALGORITMO HÍBRIDO DE APRENDIZAJE
En la arquitectura ANFIS tipo-3 propuesta (ver figura 2.3) se observa que, dados los valores
de los parámetros de las premisas, todas las salidas pueden ser expresadas como una com-
binación lineal de los parámetros de los consecuentes. Más precisamente, la salida de f en la
figura 2.3 y figura 2.4 pueden ser escritas como:

w w
f = 1 f + 2 f
w + w 1 w + w 2
1 2 1 2
= w f + w f
1 1 2 2
= (w x) p + (w y) q + (w ) r
1 1 1 1 1 1

= (w x) p + (w y) q + (w ) r Eq.1
2 2 2 2 2 2
Que es lineal con los parámetros del consecuente (p , q , r , p , q y r ). Como un resultado tenemos:
1 1 1 2 2 2
S = conjunto de parámetros totales

S = conjunto de parámetros de las premisas
1
S = conjunto de parámetros de los consecuentes (Jang, 1993)
2
CONSIDERACIONES PRÁCTICAS
Jang (1993): “En un sistema de inferencia difuso convencional, el número de reglas es decidido
por un experto el cual está familiarizado con el sistema que ha de ser modelado. En nuestra
simulación de cualquier forma no está disponible el experto y el número de las funciones de
membresía asignadas a cada variable de entrada es elegida empíricamente, porque se exami-
nan los datos de entrada-salida deseada y/o por prueba y error”.