Lógica Difusa

LÓGICA DIFUSA Y LÓGICA SIMBÓLICA
La diferencia entre las dos lógica es que la lógica difusa permite especificar los problemas del mundo real en términos probabilísticos y la lógica simbólica formal estudia los valores contextualizados y referidos entre sí.

COMPLEMENTO ENTRE LÓGICA DIFUSA Y REDES NEURONALES

El interés actual en la lógica difusa surge también de la necesidad impuesta por nuevas tecnologías como inteligencia artificial y las redes neuronales de disponer de sistemas expertos capaces de procesar información, tomar decisiones y responder a estímulos de forma similar al cerebro humano. Los investigadores están utilizando técnicas fuzzy logic para diseñar redes neuronales y estas, a su vez, para producir reglas de lógica difusa

OPERADORES, OPERACIONES Y REGLAS BÁSICAS DE LA LÓGICA DIFUSA
Los tres operadores básicos de la lógica difusa son el AND, el OR y el NOT. Las operaciones AND, OR y NOT definidas por estos operadores se denominan también, en su orden, conjunción o intersección, disyunción o unión y negación o complemento.

FUNCIONES DE MEMBRESÍA
Para encontrar un grado membresía, que son funciones que nos retornan un valor entre 1 y 0 indicándonos el grado de membresía de un elemento con respecto a un conjunto. la función de membresía más simple es la boolenan. Esta función puede retornar solamente 0 o 1. Posee un valor interno a partir del cual compara la variable. Si es menor retorna 0. En otro caso retornará 1.

CARACTERÍSTICAS DEL CENTROIDE DE UNA FUNCIÓN
El método más usado es el del centroide, en el que la salida final será el centro de gravedad del área total resultante. Es el método más utilizado en aplicaciones de la lógica difusa en la ingeniería ya que obtiene una solución única, aunque a veces es difícil de calcular.

Redes Neuronales

DIFERENCIAS Y SEMEJANZAS
RED NEURONAL	SISTEMA EXPERTO	PROGRAMA DE COMPUTADORA
Recibe, analiza y procesa informacion confusa, distorsionada y ambigua	Un sistema experto sintetiza nuevo conocimiento a partir de su "entendimiento" del mundo que lo rodea.	A partir de los datos y/o información que contiene el programa se puede obtener conocimiento
Responde en paralelo a las entradas	Un sistema experto es capaz de generar nuevas reglas y nuevos hechos.	Opera secuencialmente
Se entrenan, auto-organizan aprenden y olvidan. Tiene varios nodos de procesadores. La falla de uno de ellos no cancela el proceso.	Un sistema experto es un método de representación y procesamiento del conocimiento, mucho mas rico y poderoso que un programa de computadora.	Un programa de computador correcto con diseño y uso de variables adecuadas es muy competente en su mundo limitado.

NEURONA BIOLÓGICA Y NEURONA ARTIFICIAL

Gráficamente no se encuentra ninguna diferencia sin embargo con respecto al funcionamiento los datos entrarán hacia el nodo central, pero tan sólo podrán pasar los datos que tengan las mismas características o muy similares a los datos almacenados anteriormente en el sistema. Para eso se requiere de un proceso de entrenamiento de la red, que consiste en pasar los datos que se quieren almacenar como patrón fijo una serie de veces, hasta que se logre formar el patrón y se establezca una salida.

CONDUCCIÓN ELÉCTRICA A NIVEL NEURONAL

La conducción eléctrica a nivel de neuronas se produce cuando las sustancias químicas hacen contacto con la superficie de la neurona, estas cambian el balance de iones (átomos cargados electrónicamente) entre el interior y el exterior de la membrana celular. Cuando este cambio alcanza un nivel umbral, este efecto se expande a través de la membrana de la célula hasta el axón. Cuando alcanza al axón, se inicia un potencial de acción.

APRENDIZAJE NEURONAL
Se basa en algoritmos basados en formulas matemáticas que usando técnicas como minimización del error o la optimización modifican el valor de los pesos sinápticos en función de las entradas disponibles y con ello optimizan la respuesta de la red a las salidas que deseamos.

ALGORITMOS DE ENTRENAMINETO DE REDES NEURONALES
Corrección de errores: tiene la facultad de alterar los pesos de las conexiones de la red para corregir el error de salida durante la presentación de cada pareja (Entrada-Salida).
Gradiente: Modifica los pesos de las conexiones de la red durante la presentación de cada pareja (Entrada-Salida) minimizando el error cuadrático medio sobre todos los patrones establecidos.