See discussions, stats, and author profiles for this publication at: https://www.researchgate.net/publication/31732448 Redes neuronales y sistemas borrosos / B. Martín del Brío, A. Sanz Molina ; pról. de Lotfi A. Zadeh. Book · January 2006 Source: OAI CITATIONS READS 0 17,829 2 authors: Bonifacio Martín-del-Brío Alfredo Sanz University of Zaragoza University of Zaragoza 74 PUBLICATIONS 636 CITATIONS 51 PUBLICATIONS 251 CITATIONS SEE PROFILE All content following this page was uploaded by Bonifacio Martín-del-Brío on 30 March 2016. The user has requested enhancement of the downloaded file. SEE PROFILE 3ª edición revisada y ampliada Bonifacio Martín del Brío - Alfredo Sanz Molina Universidad de Zaragoza Prólogo de Lotfi A. Zadeh "Uno de los aspectos más gratos del trabajo en redes neuronales es la necesidad de permanecer atento, cuando menos, a resultados de muy diversos campos. No es un área de trabajo para especialistas estrechos de miras" J. A. Anderson y E. Rosenfeld "Cuanto más humano deba ser un sistema, más lógica borrosa contendrá" T. Terano "Mientras los filósofos discuten si es posible o no la inteligencia electrónica, los investigadores la construyen" C. Frabetti vi REDES NEURONALES Y SISTEMAS BORROSOS © RA-MA AUTORES Bonifacio Martín del Brío, Licenciado en Ciencias Físicas y Doctor en Ciencias por la Universidad de Zaragoza (Premio Extraordinario de Doctorado), es profesor del Departamento de Ingeniería Electrónica y Comunicaciones de la citada Universidad. Ha participado en proyectos de investigación financiados por administraciones y empresas, y es autor de dos libros y más de ochenta artículos especializados. Sus principales áreas de trabajo son: teoría y aplicaciones de redes neuronales artificiales, microprocesadores y microcontroladores, adquisición y tratamiento de datos, y sistemas electrónicos industriales. Alfredo Sanz Molina es Ingeniero Industrial y Doctor en Ingeniería por la Universidad de Zaragoza. Actualmente ejerce su actividad como profesor en el Departamento de Ingeniería Electrónica y Comunicaciones de la citada Universidad. Ha participado en proyectos europeos de I+D en las líneas TIDE, ACTS y OMI con algunas de las principales compañías europeas. Sus intereses principales de investigación se centran en los campos de la microelectrónica, los sistemas domóticos, control de sistemas con lógica borrosa, optimización y aprendizaje borroso automático, y combinación de lógica borrosa y algoritmos genéticos. viii REDES NEURONALES Y SISTEMAS BORROSOS © RA-MA ÍNDICE PRÓLOGO ................................................................................................................. xv PREFACIO DE LOTFI A. ZADEH ........................................................................ xix FOREWORD BY LOTFI A. ZADEH..................................................................... xxi INTRODUCCIÓN...................................................................................................xxiii 1 El largo y tortuoso camino hacia las máquinas inteligentes ........................xxiii 2 Microprocesadores, computadores y cerebro .............................................. xxvi 3 Redes neuronales artificiales ........................................................................ xxx 4 Sistemas borrosos ....................................................................................... xxxii 5 Redes neuronales y sistemas borrosos .......................................................xxxiii PARTE I. REDES NEURONALES..............................................1 CAPÍTULO 1. FUNDAMENTOS DE LAS REDES NEURONALES ARTIFICIALES............................................................................... 3 1.1 Breve introducción biológica......................................................................... 3 1.2 Estructura de un sistema neuronal artificial................................................. 10 1.3 Modelo de neurona artificial........................................................................ 13 x REDES NEURONALES Y SISTEMAS BORROSOS © RA-MA 1.3.1 Modelo general de neurona artificial......................................... 13 1.3.2 Modelo estándar de neurona artificial ....................................... 18 1.4 Arquitecturas de redes neuronales. .............................................................. 21 1.5 Modos de operación: recuerdo y aprendizaje ............................................. 26 1.6 Clasificación de los modelos neuronales ..................................................... 30 1.7 Computabilidad neuronal............................................................................. 32 1.8 Un ejercicio de síntesis: sistemas conexionistas ......................................... 33 1.9 Realización y aplicaciones de los ANS. ...................................................... 35 1.A Apéndice: de la neurona biológica a la artificial........................................ 37 CAPÍTULO 2. REDES NEURONALES SUPERVISADAS ................................ 41 2.1 Redes unidireccionales ................................................................................ 41 2.2 El asociador lineal: aprendizaje hebbiano................................................... 42 2.3 El perceptrón simple (Rosenblatz, 1959)..................................................... 47 2.3.1 Algoritmo de aprendizaje del perceptrón .................................. 51 2.4 La adalina (Widrow, 1961).......................................................................... 55 2.4.1 Regla LMS. ............................................................................... 56 2.5 El perceptrón multicapa (grupo PDP, 1986)................................................ 63 2.5.1 El MLP como aproximador universal de funciones .................. 64 2.5.2 Aprendizaje por retropropagación de errores (BP) ................... 66 2.5.3 Aceleración del aprendizaje BP. Otros algoritmos................... 69 2.6 Capacidad de generalización de la red......................................................... 71 2.7 Pinceladas sobre la relación del MLP con los métodos estadísticos............ 76 2.8 Ejemplos de aplicación del MLP-BP........................................................... 79 CAPÍTULO 3. REDES AUTOORGANIZADAS.................................................. 85 3.1 Modelos neuronales no supervisados. ......................................................... 85 3.2 Modelo de mapas autoorganizados (Kohonen, 1982).................................. 88 3.2.1 Introducción a los mapas autoorganizados................................ 88 3.2.2 Algoritmo de aprendizaje. ......................................................... 92 3.2.3 Algunas variantes de los SOFM ................................................ 98 3.3 Ejemplos de aplicaciones........................................................................... 100 3.4 SOFM: cuantificación óptima de vectores................................................ 106 3.5 Análisis formal del proceso de autoorganización ...................................... 108 3.6 Modelos de neurona de Kohonen. Medidas de similitud.......................... 112 3.7 Modelos de aprendizaje en mapas autoorganizados .................................. 113 © RA-MA ÍNDICE xi CAPÍTULO 4. OTROS MODELOS DE REDES NEURONALES................... 121 4.1 Redes neuronales realimentadas ................................................................ 121 4.2 Modelo de Hopfield ................................................................................... 123 4.2.1 Modelo de neurona y arquitectura. Dinámicas........................ 123 4.2.2 Memoria asociativa. ................................................................ 127 4.2.3 Función energía de la red. ....................................................... 129 4.3 Aprendizaje en la red de Hopfield ............................................................. 132 4.3.1 Regla de Hebb. ........................................................................ 133 4.3.2 Reglas óptimas. ....................................................................... 137 4.4 Ejemplo: reconocimiento de caracteres .................................................... 140 4.5 Neuronas estocásticas. Máquina de Boltzmann......................................... 142 4.6 Modelo de Hopfield analógico (continuo)................................................. 145 4.6.1 Modelo de Hopfield de neuronas continuas. ........................... 145 4.6.2 Aplicaciones del modelo de Hopfield analógico..................... 148 4.7 Funciones de base radial (RBF)................................................................. 152 4.8 LVQ ........................................................................................................... 158 4.9 Otros modelos de redes neuronales............................................................ 160 CAPÍTULO 5 IMPLEMENTACIÓN DE REDES NEURONALES................ 161 5.1 Introducción............................................................................................... 162 5.2 Simulación (software) de ANS .................................................................. 163 5.3 Emulación (hardware) de ANS.................................................................. 166 5.4 Realización hardware de ANS ................................................................... 168 5.5 Neurocomputadores y chips neuronales .................................................... 169 5.5.1 Especificaciones de un neuroprocesador................................. 171 5.5.2 Aspectos generales de la realización VLSI ............................. 174 5.6 Bloques básicos en la realización de neuroprocesadores digitales ............ 176 5.6.1 Sistema de control. .................................................................. 176 5.6.2 Unidad de proceso. .................................................................. 177 5.6.3 Unidad de almacenamiento. .................................................... 179 5.6.4 Unidad de comunicación ......................................................... 180 5.6.5 Arquitecturas reconfigurables ................................................. 184 5.6.6 Realizaciones especiales: lógica de frecuencia de pulsos....... 185 5.7 Bloques básicos en la realización de neuroprocesadores analógicos......... 186 5.7.1 Unidad de proceso ................................................................... 187 5.7.2 Unidad de almacenamiento ..................................................... 190 5.8 ¿Realización analógica o digital? .............................................................. 193 5.9 Realizaciones analógicas de ANS.............................................................. 198 xii REDES NEURONALES Y SISTEMAS BORROSOS © RA-MA 5.10 Realizaciones digitales de ANS ............................................................... 200 5.11 Ejemplo: neuroemulador basado en FPGA............................................. 203 5.12 Resumen. Situación comercial y tendencias ............................................ 206 CAPÍTULO 6 APLICACIONES DE LAS REDES NEURONALES ARTIFICIALES........................................................................... 209 6.1 Motivación e interés del empleo de ANS. ................................................. 209 6.2 Desarrollo de una aplicación con ANS...................................................... 212 6.3 Programas de simulación de ANS ............................................................. 220 6.3.1 Programas comerciales............................................................ 220 6.3.2 Programas de libre distribución............................................... 222 6.4 Comparación con otras técnicas................................................................. 223 6.4.1 Redes neuronales e inteligencia artificial ................................ 223 6.4.2 Redes neuronales y estadística ................................................ 225 6.4.3 Inconvenientes de las redes neuronales................................... 227 6.5 Aplicaciones reales de los ANS................................................................. 228 6.5.1 Informes sobre el estado de la aplicación de ANS .................. 228 6.5.2 Listado de aplicaciones ........................................................... 229 6.6 Ejemplo de aplicación de ANS: previsión de demanda eléctrica ............. 235 6.7 Conclusiones.............................................................................................. 239 PARTE II. SISTEMAS BORROSOS.......................................241 CAPÍTULO 7. LÓGICA BORROSA................................................................... 243 7.1 Introducción............................................................................................... 244 7.2 Conjuntos borrosos. ................................................................................... 248 7.3 Funciones de inclusión de conjuntos borrosos. ......................................... 249 7.4 Variable lingüística. ................................................................................... 253 7.5 Particiones borrosas. .................................................................................. 254 7.6 Medidas borrosas. ...................................................................................... 254 7.7 Operaciones borrosas................................................................................. 255 7.8 Inferencia borrosa. ..................................................................................... 257 7.8.1 Principio de extensión. ............................................................ 258 7.8.2 Relación borrosa...................................................................... 258 7.8.3 Modus Ponens Generalizado y Modus Tolens Generalizado. . 259 7.8.4 Implicación borrosa................................................................. 260 © RA-MA ÍNDICE xiii 7.9 Reglas borrosas .......................................................................................... 261 7.10 Dispositivos de inferencia borrosa........................................................... 262 7.11 Borrosificador (fuzzifier).......................................................................... 264 7.12 Desborrosificador (defuzzifier). ............................................................... 265 7.13 Desarrollo de sistemas borrosos............................................................... 266 7.14 Borrosidad y probabilidad ....................................................................... 268 CAPÍTULO 8. SISTEMAS DE CONTROL BORROSO................................... 269 8.1 Introducción al control borroso ................................................................. 269 8.2 Un primer ejemplo. .................................................................................... 271 8.3 Tipos de controladores borrosos. ............................................................... 276 8.3.1 Controladores borrosos directos sin optimización .................. 276 8.3.2 Controladores borrosos directos con optimización. ................ 278 8.3.3 Controladores borrosos híbridos ............................................. 281 CAPÍTULO 9. APRENDIZAJE EN SISTEMAS BORROSOS ....................... 283 9.1 Introducción............................................................................................... 283 9.2 Retropropagación (BP). ............................................................................. 284 9.3 Algoritmos genéticos. ................................................................................ 287 9.3.1 ¿Qué optimizar?. ..................................................................... 290 9.3.2 Codificación. ........................................................................... 293 9.3.3 Operadores cruzamiento y mutación. ...................................... 295 9.3.4 Diseño de la función de idoneidad. ......................................... 297 9.4 Algoritmos genéticos desordenados. ......................................................... 299 9.4.1 Codificación. ........................................................................... 300 9.4.2 Operadores corta y empalma. ................................................. 303 CAPÍTULO 10. IMPLEMENTACIÓN DE SISTEMAS BORROSOS ............. 305 10.1 Introducción............................................................................................. 305 10.2 Entornos de desarrollo ............................................................................. 307 10.2.1 Entornos de tipo matemático ................................................. 311 10.2.2 Entornos de lógica borrosa. ................................................... 316 10.3 Codificación en C .................................................................................... 324 10.4 Codificación en C++................................................................................ 326 10.4.1 El modelo ARS (Sistemas de Respuesta Autónoma). ........... 326 10.4.2 Objeto Vinculo....................................................................... 330 10.4.3 Objeto World. ........................................................................ 332 10.4.4 Objeto FEN (red borrosa equivalente). ................................. 332 xiv REDES NEURONALES Y SISTEMAS BORROSOS © RA-MA 10.4.5 Objeto ANN. .......................................................................... 334 10.5 Realización hardware de sistemas borrosos. Aceleradores..................... 334 CAPÍTULO 11. APLICACIONES DE LOS SISTEMAS BORROSOS ............ 341 11.1 Introducción. Soft computing, o imitando a la naturaleza....................... 341 11.2 Interés del empleo de la lógica borrosa. Fusión de tecnologías.............. 342 11.3 Algunas aplicaciones de los sistemas borrosos........................................ 344 11.4 Robots móviles y navegación autónoma ................................................. 345 11.5 Conclusión final....................................................................................... 348 APÉNDICES A. COMPLEMENTOS A LOS MODELOS DE REDES NEURONALES...... 351 A.1 Mejoras al algoritmo BP ........................................................................... 351 A.2 Máquinas de Vectores Soporte (SVM) ..................................................... 353 A.3 Redes neuronales para procesamiento temporal ....................................... 355 B. RECURSOS EN INTERNET.......................................................................... 357 BIBLIOGRAFÍA...................................................................................................... 359 ÍNDICE ALFABÉTICO.......................................................................................... 393 PRÓLOGO El paradigma de procesamiento de la información desarrollado a finales del siglo XIX y principios del XX que conforman el binomio lógica booleana-máquina de Turing es la base de los actuales sistemas de procesamiento digitales. Sin embargo, y pese a sus indiscutibles logros, este esquema presenta problemas a la hora de abordar tareas como las denominadas del mundo real, donde la información se presenta masiva, imprecisa y distorsionada. Para abordar este tipo de tareas se han propuesto modelos alternativos, de los cuales las redes neuronales artificiales (artificial neural networks) y los sistemas basados en lógica borrosa (fuzzy logic) son los que cuentan con mayor popularidad y utilización. Estos nuevos modelos de procesamiento y control, junto con algunos otros (como los algoritmos genéticos), se engloban con los términos inteligencia computacional (por oposición a la inteligencia artificial clásica) o soft computing (por oposición a la hard computing convencional, basada en computadores von Neumann). El denominador común de estas nuevas técnicas radica en su inspiración en las soluciones que la naturaleza ha encontrado a lo largo de millones de años de evolución para el tratamiento del tipo de información masiva y distorsionada procedente del entorno natural, soluciones que copiadas en sistemas artificiales se espera que contribuyan a resolver importantes problemas tecnológicos (visión, habla, control de sistemas complejos, inteligencia artificial, etc.). El trabajo en este tipo de materias constituye hoy en día algunos de los esfuerzos más dinámicos dentro del I+D. En este texto nos centraremos especialmente en las dos que están causando un mayor impacto por su aplicabilidad práctica: redes neuronales y sistemas borrosos. Las redes neuronales artificiales (artificial neural networks), mediante un estilo de computación paralelo, distribuido y adaptativo, son capaces de aprender a partir de ejemplos. Estos sistemas imitan (esquemáticamente) la estructura hardware (neuronal) del cerebro para tratar de reproducir algunas de sus capacidades. En la práctica, una red neuronal artificial puede simularse mediante un programa de ordenador, o bien realizarse en circuitos electrónicos específicos. xvi REDES NEURONALES Y SISTEMAS BORROSOS © RA-MA Por su parte, los sistemas borrosos (fuzzy systems) se introducen para manejar eficazmente conceptos vagos e imprecisos como los empleados en la vida cotidiana, y que nuestro cerebro está acostumbrado a tratar. Por ejemplo, en la realidad el agua no se presenta en tan sólo dos estados, caliente o fría, como diría la lógica booleana, sino más bien puede presentarse gélida, fría, templada, caliente o quemando. A partir de estos conceptos, y como generalización de las reglas de la lógica booleana, base de nuestros sistemas digitales, los sistemas borrosos llevan a cabo un tipo de razonamiento aproximado semejante al desarrollado por el cerebro. Ambas tecnologías, neuronales y borrosas, pese a su relativa juventud, son ya ampliamente utilizadas en la resolución de tareas relacionadas con el procesamiento de señal, reconocimiento de patrones y control. Por ejemplo, en la actualidad, se emplean redes neuronales en la cancelación de ecos en las señales telefónicas de larga distancia, reconocimiento óptico de caracteres, lectores de cheques, ayuda al pilotaje de aviones o predicción de crisis bancarias. Por otra parte, los sistemas borrosos gobiernan trenes metropolitanos, estabilizan la imagen en cámaras de vídeo, controlan las lavadoras automáticas más modernas, o aconsejan si conceder un crédito o no. En equipos de reciente comercialización se utiliza incluso como reclamo comercial el empleo de inteligencia artificial borrosa (fuzzy) o neuronal (por ejemplo, en cámaras de vídeo, lavadoras o sistemas de aire acondicionado). Por lo tanto, estas nuevas tecnologías permiten incorporar un cierto tipo de inteligencia en un sistema de procesamiento y control. Cada día está más extendida la opinión de que sistemas como los neuronales y los borrosos van a desempeñar un papel importante en la construcción de máquinas que emulen la capacidad humana de toma de decisiones en entornos imprecisos y con ruido; las múltiples aplicaciones desarrolladas en los últimos años así lo avalan. ¿A quién se dirige Redes Neuronales y Sistemas Borrosos? Este libro se dirige a todo aquel interesado en iniciarse en ambos campos, especialmente estudiantes, docentes y personal de la empresa. El texto podrá ser seguido por quien cuente con una mínima base matemática (cálculo con matrices, derivadas, etc.), como la manejada en estudios de ciencias, ingenierías o económicas. ¿Qué aporta la tercera edición de Redes Neuronales y Sistemas Borrosos? La primera edición del libro (1997) surgió a partir de las notas realizadas para el curso de verano Introducción a las Redes Neuronales y Lógica Borrosa, impartido por los autores durante varios años en la Universidad de Verano de Teruel (www.unizar.es). El interés que despiertan estas nuevas tecnologías, por un lado, y la carencia de textos en castellano que traten ambos temas a la par, por otro, hicieron que la primera edición se agotara con rapidez. En la segunda edición actualizamos parte del texto y la bibliografía, e incluimos el prólogo de Lotfi A. Zadeh (el “padre” de la lógica borrosa) escrito especialmente para nuestro libro a raíz de su visita a nuestro © RA-MA PRÓLOGO xvii Departamento. En esta tercera edición hemos añadido alguno de los modelos más recientes y actualizado las direcciones de Internet. Pensamos que Redes Neuronales y Sistemas Borrosos es una digna introducción a estos temas; en la actualidad está siendo utilizado como libro de texto en la universidad española en diversas asignaturas correspondientes a los planes de estudios oficiales (ingeniería, físicas y economía), así como en cursos de doctorado y especialización. Asimismo, este texto cuenta con una buena difusión en Sudamérica. Orientación de Redes Neuronales y Sistemas Borrosos En el libro hemos incorporado los conocimientos adquiridos en nuestro trabajo de investigación, docencia y aplicación de estas nuevas tecnologías a problemas reales (predicción de demanda, economía, robótica, etc.), en colaboración con departamentos universitarios y empresas. De la abundante literatura que hemos manejado hemos extraído los aspectos más relevantes, dejando en todo momento claro la procedencia de las distintas fuentes, por lo que aparecen numerosas referencias bibliográficas. Nuestra intención es facilitar los primeros pasos dentro de este apasionante campo, especialmente a los interesados en su vertiente práctica, tratando de huir de triunfalismos gratuitos e intentando ofrecer una visión realista. Por ello, queremos dejar claro desde el principio que las redes neuronales y los sistemas borrosos no son una panacea, sino dos potentes herramientas a añadir a las ya existentes (sistemas digitales, inteligencia artificial, reconocimiento de patrones, estadística, procesamiento de señal, etc.). Contenido y estructura de Redes Neuronales y Sistemas Borrosos En la Introducción exponemos una breve perspectiva histórica del intento de construir máquinas y sistemas inteligentes, para presentar lo que aportan en este sentido los dos tópicos que centran nuestra atención en este libro. Tras esta perspectiva, comenzaremos la Primera Parte, dedicada a las Redes Neuronales Artificiales, en la que en sucesivos capítulos expondremos sus fundamentos, modelos más significativos, forma de implementarlos y su aplicación en la práctica. Aunque se citan muchos modelos neuronales, los que se estudian con mayor profundidad son los siguientes: adaline, perceptrón simple y multicapa, mapas autoorganizados, LVQ, RBF y Hopfield. En la Segunda Parte nos centraremos en los Sistemas Borrosos, describiendo sus bases conceptuales, desarrollo de sistemas de control borroso, cómo implementar aprendizaje en estos sistemas (presentamos aquí las bases de los Algoritmos Genéticos), las maneras de realizar en la práctica un sistema borroso y, finalmente, sus aplicaciones. Concluye el libro con dos apéndices (el primero sobre los fundamentos de algunos modelos recientes, el segundo con direcciones de Internet útiles) y con una amplia bibliografía. xviii REDES NEURONALES Y SISTEMAS BORROSOS © RA-MA Agradecimientos A Nicolás Medrano, Carlos Serrano, José Barquillas, David Buldáin, Tomás Pollán, Armando Roy, Javier Blasco y Rafael del Hoyo, compañeros de la Universidad de Zaragoza que han colaborado con nosotros en estos temas. A nuestras familias y amigos por su constante apoyo y comprensión. Agradecemos enormemente el interés que Lotfi A. Zadeh, "padre" de la lógica fuzzy, ha mostrado hacia nuestro trabajo y su visita a nuestro Departamento, así como su aportación al texto materializada en el prefacio que sigue a continuación. Queremos también expresar nuestro agradecimiento a Simon Haykin, por su noción de inteligencia, por su amabilidad, por la dedicatoria de su libro y por su interés hacia el nuestro. Comienza nuestro viaje Finalmente, y antes de empezar en materia, justo es recordar que si alguien merece el título de "padre" de las redes neuronales este es sin duda Santiago Ramón y Cajal, uno de los genios (como Miguel Servet, Francisco de Goya o Luis Buñuel) que de cuando en cuando surgen en ese espacio existente entre los Pirineos y las sierras de Teruel que ya desde la Edad Media se denomina Aragón. En buena medida se trata de una región subdesértica, partida en dos por el río Ebro, y cuya dureza de clima marca el carácter de sus habitantes. [Invitamos desde aquí a aquellos que se empeñan en incluirla en la "España húmeda" a visitar los bellos desiertos de Monegros, Belchite o el mismo entorno de Zaragoza ciudad, los más septentrionales de Europa; la próxima Exposición Internacional de Zaragoza del año 2008 será una excelente oportunidad]. Hace poco más de un siglo Ramón y Cajal demostró (y se empeñó en convencer de ello al mundo) que, a diferencia de lo que se pensaba entonces, el sistema nervioso estaba compuesto por células individuales, las neuronas, pequeños procesadores de la información. Este será el punto de partida de nuestro viaje ... Bonifacio Martín del Brío Alfredo Sanz Molina Departamento de Ingeniería Electrónica y Comunicaciones. Universidad de Zaragoza Zaragoza, España. Octubre de 2006 PREFACIO DE LOTFI A. ZADEH 1 Estamos siendo testigos de un profundo cambio en la orientación de la Ciencia, un cambio desde las ciencias de lo natural a las ciencias de lo artificial, de la observación y análisis a la manipulación y la síntesis, y de la búsqueda de la precisión al tratamiento de la omnipresente imprecisión del mundo real. Conforme más avanzamos hacia una era de máquinas inteligentes y automatización del razonamiento, más evidente resulta la necesidad de una coalición de metodologías que reflejen la notable capacidad del ser humano de tomar decisiones sensatas en un entorno de imprecisión, incertidumbre y verdades a medias, cuyo fin último es concebir, diseñar y construir máquinas con un coeficiente de inteligencia elevado. Durante la década pasada comenzó la cristalización de una coalición en este sentido, la cual fue bautizada como soft computing o inteligencia computacional, y cuyos principales miembros son los siguientes: lógica borrosa (fuzzy logic), redes neuronales (neural networks o neurocomputing), computación evolutiva, computación probabilística, caos y aprendizaje en máquinas (machine learning). Una característica esencial de dicha coalición es que sus miembros son, en su mayor parte, complementarios más que competitivos. Además son sinérgicos en el sentido de que, en general, se alcanzan mejores resultados haciendo uso de una combinación de algunas de las metodologías indicadas que empleando una sola. El libro Redes Neuronales y Sistemas Borrosos, de los profesores Martín del Brío y Sanz Molina, se centra en las metodologías de la computación neuronal y la lógica borrosa. Su característica diferencial (e importante) es un gran énfasis en aplicaciones prácticas y en sistemas comercialmente disponibles. Impresiona sumamente la competencia en la materia y visión incisiva de los autores, así como el tratamiento actualizado, técnica expositiva y abundancia de ejemplos. Redes Neuronales y Sistemas Borrosos proporciona al lector una clara comprensión de los 1 Traducimos aquí el prólogo amablemente redactado por el profesor Zadeh para la 2ª edición del libro. A los lectores que entienden la lengua inglesa les recomendamos la lectura del texto original, que hemos incluido a continuación. xx REDES NEURONALES Y SISTEMAS BORROSOS © RA-MA conceptos básicos que constituyen la base de las redes neuronales y la lógica borrosa, centrándose en las principales herramientas que proporcionan estas metodologías. En el caso de la lógica borrosa, la herramienta que destaca por su importancia es el cálculo de reglas si-entonces (if-then). Dicha herramienta, basada en el concepto de variable lingüística, se emplea en casi todas las aplicaciones de la lógica borrosa, incluyendo los sistemas neuroborrosos. Dos razones explican que el cálculo de reglas si-entonces tenga una posición central en las aplicaciones de la lógica borrosa. La primera es que el uso de variables lingüísticas permite modelar el comportamiento de sistemas que no se prestan a su análisis mediante ecuaciones diferenciales. La segunda razón (y más significativa) es que el uso de reglas si-entonces permite explotar la tolerancia a la imprecisión y verdades parciales del mundo real, con el fin de facilitar el tratamiento de aplicaciones reales, obtener soluciones más robustas y, lo que es más importante, con menores costes. Ésta es la razón principal por la que la lógica borrosa se encuentra tan extendida en una amplia variedad de productos, especialmente en electrónica de consumo, electrodomésticos, vídeo y en el automóvil. La concisa exposición de los aspectos básicos de estas técnicas en Redes Neuronales y Sistemas Borrosos sienta las bases para el desarrollo de la metodología de la denominada computación con palabras (computing with words), la cual se centra en el concepto de lenguaje natural preciso (Precisiated Natural Language, PNL). Uno de los aspectos importantes de la computación con palabras es que sirve para añadir a las teorías existentes una capacidad que no poseen, a saber, la facultad de operar con información basada en percepciones más que en medidas precisas. Es ésta la capacidad que permite a los seres humanos llevar a cabo una amplia variedad de tareas físicas y mentales sin tener que realizar medidas ni cálculos. En los próximos años, la computación con palabras proporcionará las bases para un trascendental avance del papel de los lenguajes naturales en las teorías científicas, especialmente en el procesamiento de la información, toma de decisiones y control. Retrospectivamente los conceptos de variable lingüística y reglas borrosas serán considerados un primer paso (aunque muy importante) hacia el desarrollo de la computación con palabras y del concepto subyacente de lenguaje natural preciso. Redes Neuronales y Sistemas Borrosos es una valiosa contribución a la literatura de la soft computing y de los sistemas neuroborrosos. Su estilo de fácil lectura, amplio tratamiento de ejemplos reales, y la gran competencia en la materia y técnica expositiva de los autores, hacen de este texto una importante fuente de información para todo aquel interesado en comprender y familiarizarse con las herramientas básicas que proporcionan las metodologías neuronales y borrosas. Los autores y la editorial merecen nuestro agradecimiento y aplauso. Lotfi A. Zadeh Catedrático Emérito de la Universidad de California en Berkeley FOREWORD BY LOTFI A. ZADEH We are witnessing a profound shift in orientation of Science, a shift from sciences of the natural to sciences of the artificial; from observation and analysis to manipulation and synthesis; and from a quest for precision to a quest for an accommodation with the pervasive imprecision of the real world. As we move further into the age of machine intelligence and automation of reasoning, it is becoming increasingly apparent that to be able to conceive, design and construct systems with high MIQ (Machine IQ ) it is necessary to form a coalition of methodologies which in one way or another reflect the remarkable capability of the human mind to make rational decisions in an environment of imprecision, uncertainty and partial truth. A coalition in this spirit began to crystallize during the past decade and has been christened soft computing and, somewhat synonymously, computational intelligence. At this juncture, the principal members of the coalition are: fuzzy logic, neurocomputing, evolutionary computing, probabilistic computing, chaotic computing and machine learning. An essential characteristic of this coalition is that its members are, for the most part, complementary rather than competitive. Furthermore, they are synergistic in the sense that, in general, better results can be achieved by employing the constituent methodologies in combination rather than in a stand-alone mode. Professors Martin-del-Brio's and Sanz Molina's book Neural Networks and Fuzzy Systems, is focused on the methodologies of neurocomputing and fuzzy logic. Its distinctive (and important) feature is the strong emphasis on applications and commercially available systems. One cannot but be highly impressed by the authors' authoritative and up-to-date coverage, incisive insight, wealth of examples and expository skill. Neural Networks and Fuzzy Systems provides the reader with a clear understanding of the basic concepts which underlie neurocomputing and fuzzy logic, and focuses on the principal tools which these methodologies provide. In the case of fuzzy logic, the tool that stands out in importance is the calculus of fuzzy if-then rules. This tool, which is based on the concept of a linguistic variable, xxii REDES NEURONALES Y SISTEMAS BORROSOS © RA-MA is used in almost all applications of fuzzy logic, including applications to so-called neurofuzzy systems. There are two distinct reasons why the calculus of fuzzy if-then rules has a position of centrality in applications of fuzzy logic. The first is that the use of linguistic variables makes it possible to model the behaviour of systems which do not lend themselves to analysis through the use of differential equations. And the second, and more prevalent reason, is that the use of fuzzy if-then rules makes it possible to exploit the tolerance for imprecision and partial truth to achieve robustness, tractability and, most importantly, lower cost. This is the main reason why fuzzy logic is used so extensively in a wide variety of consumer products and, especially, in consumer electronics, video products, appliances and automotive systems. The succinct exposition of the basics of fuzzy systems in NNFS lays the groundwork for the development of the methodology of computing with words, a methodology which is centered on the concept of Precisiated Natural Language (PNL). One of the important aspects of computing with words is that it serves to add to existing theories a capability which they do not have, namely, the capability to operate on information which is perception, rather than measurement-based. It is this capability that makes it possible for humans to perform a wide variety of physical and mental tasks without any measurements and any computations. In coming years, computing with words is likely to provide a basis for a farreaching enlargement of the role of natural languages in scientific theories and, especially in information processing, decision and control. In retrospect, what will be seen more clearly is that the concepts of a linguistic variable and fuzzy if-then rules were the first (and yet important steps) toward the development of the methodology of computing with words and the underlying concept of precisiated natural language. Neural Networks and Fuzzy Systems is a valuable addition to the literature of soft computing and neurofuzzy systems. Its reader-friendly style, extensive coverage of real-world systems and high level of authority and expository skill make it an important source of information for anyone who is interested in understanding of and familiarization with the basic tools which are provided by neural networks and fuzzy systems methodologies. The authors and the publisher deserve our thanks and plaudits. Lotfi A. Zadeh Professor Emeritus at the University of California in Berkeley View publication stats
