Lógica Difusa

Pregunta 1. – ¿En qué casos se usa la lógica difusa? – Example:

La lógica difusa se usa en casos donde se quiere usar información imprecisa, incompletas o vagas o para ser mas concretos se usa en conceptos relativos de la realidad. Por ejemplo Alexander tiene una estatura media.

Pregunta 2.- ¿Como se relacionan las funciones de pertenencia con los conjuntos difusos? – Ejemplo de una función trapezoidal y su significado con el conjunto difuso.

Se relacionan con el grado de membresía es decir se relacionan mediante un conjunto de pares ordenados que incluya su función de pertenencia.

[pic 1]

[pic 2][pic 3]

Pregunta 3 .-

[pic 4]

[pic 5]

Pregunta 4.- Suponiendo que tenemos que modelar la época de lluvias con lógica difusa. Tomamos dos variables lingüísticas: lluvia y daños. Defina sus letreros de cada variable.

Pregunta 5.- Para que es necesario Fuzzificar y defuzzificar en un sistema difuso?

Es necesario fuzzificar para transformar las entradas en conjuntos difusos y asi poder usarlos en el sistema difuso y es necesario defuzzificar para obtener una salida con relación a los conjuntos difusos.

Pregunta 6.- La función de activación de una neurona artificial a que proceso representa de la neurona biológica? Explique la razón de su respuesta.

Representa a los impulsos nerviosos o sinapsis, en una neurona artificial la suma de las entradas multiplicadas por sus pesos unidos da un “impulso nervioso” que recibe la neurona y el valor recibido se procesa con la función de activación devuelve otro valor que se envía como salida.

Pregunta 7.- ¿Qué tipo de problemas resuelve una red perceptrón simple? ¿Cuáles son sus limitaciones?

Una red de perceptrón simple puede resolver problemas de clasificación e implementación de funciones lógicas lineales separables como AND y OR pero no puede implementar a XOR que vendría a ser sus limitaciones ya que este tipo de red perceptrón es linealmente no separable.

Pregunta 8.- Se dice que una de las propiedades de las redes neuronales es que aprende. ¿Como aprenden?

Las redes neuronales y su propagación de entradas, sesgos hacia adelante, pero aprenden mediante procesos iterativos en los cuales el margen de error es cada vez más cercano a 0.

Dentro de las formas de aprendizaje pueden ser los supervisados, autoorganizados, híbridos y reforzados.

Pregunta 9.- ¿Por qué las redes neuronales multicapa pueden resolver problemas no lineales?

Por que al poseer mas capas ocultas este puede hacer uso del recurso retropropagación, también por que usará funciones de transferencia no lineales y asi la red pueda aprender relaciones lineales y no lineales.

Pregunta 10.- ¿Cuál es la razón por la que el error tiene que tender a cero en entrenamiento de la red neuronal?

...