Fundamentos e Aplicações de Memórias
Associativas Morfológicas Nebulosas
Orientando: Marcos Eduardo R. Valle Mesquita Orientador: Peter Sussner
Departamento de Matemática Aplicada
Instituto de Matemática, Estatística e Computação Científica Universidade Estadual de Campinas
Trabalhos publicados, aceitos ou submetidos
Periódicos Internacionais:
1 Sussner, P.; Valle, M.E.: Gray-Scale Morphological
Associative Memories, IEEE Trans. on Neural Networks, Volume 17, Issue 3, May 2006. Page(s): 559 - 570.
2 P. Sussner and M.E. Valle: Implicative Fuzzy Associative Memories, IEEE Transactions on Fuzzy Systems, Volume 14, Issue 6, Dec. 2006. Page(s): 793 - 807 3 Sussner, P.; Valle, M.E.: Classification of Fuzzy
Mathematical Morphologies Based on Concepts of Inclusion Measure and Duality, Submetido em Pattern
Trabalhos publicados, aceitos ou submetidos
Capítulo de Livro:
1 P.Sussner and M.E. Valle: Fuzzy Associative Memories and Their Relationship to Mathematical Morphology.
Handbook of Granular Computing. Eds. W. Pedrycz, A. Skowron, and V. Kreinovich, John Wiley and Sons, April
2007.
2 P. Sussner and M.E. Valle: Morphological and Certain Fuzzy Morphological Associative Memories for
Classification and Prediction. Computational
Intelligence Based on Lattice Theory. Eds V.G.
Kaburlasos and G.X. Ritter, Springer-Verlag, Heidelberg,
Trabalhos publicados, aceitos ou submetidos
Proceedings de Conferências Nacionais e Internacionais:
1 IEEE International Joint Conference on Fuzzy Systems,
FUZZ-IEEE 2007, London, England, July 2007.
2 IEEE World Congress on Computational Intelligence,
WCCI 2006, Vancouver, Canada, July 2006.
3 Brazilian Symposium on Computer Graphics and Image Processing, SIBGRAPI 2005, Natal, Brazil, October 2005. 4 Congresso Brasileiro de Redes Neurais, CBRN 2005,
Natal, Brazil, October 2005.
5 IEEE International Joint Conference on Neural Networks,
Organização da Apresentação
1 Morfologia Matemática;
2 Teoria dos Conjuntos Nebulosos;
3 Memórias Associativas Morfológicas Nebulosas; 4 Memórias Associativas Nebulosas Implicativas; 5 Aplicações em Problemas de Predição;
Morfologia Matemática
em reticulados completos.
Morfologia Matemática
Uma teoria para processamento e análise de objetos
(imagens) baseada em conceitos topológicos e geométricos. Os reticulados completos representam o contexto mais geral onde a morfologia matemática pode ser conduzida.
Reticulado Completo
Conjunto parcialmente ordenadoLonde todo subconjunto (finito ou infinito) possui supremo e ínfimo emL.
Operadores Elementares da Morfologia Matemática:
Dilatação δ_X = _ x∈X δ(x) . Erosão ε^Y= ^ y∈Y ε(y) Anti-dilatação ¯ δ_X= ^ x∈X ¯ δ(x) . Anti-erosão ¯ ε^Y= _ y∈Y ¯ ε(y) .Resultado de Banon e Barrera:
Qualquer operador entre reticulados completos pode ser decomposto em supremos e ínfimos de operadores elementares da morfologia matemática.
Dualidade com Respeito à Adjunção
Adjunção
(ε, δ)forma umaadjuncãose e somente se δ(x) ≤y ⇔x ≤ ε(y) .
Se(ε, δ)é umaadjunção, entãoδé umadilataçãoeεé umaerosão.
Dado umaerosãoε,existe uma única dilataçãoδ tal que (ε, δ)forma uma adjunção, e vice-versa.
Dualidade com Respeito à Negação
Negação:
Bijeção involutivaνL que reverte a ordem parcial deL. Negação deΨ : L → Mcom respeito àνLeνM:
Ψν(x) = νM(Ψ (νL(x))) .
Negação e Adjunção
O par(ε, δ)formaadjunçãose e somente se(δν, εν)é uma adjunção. Relações de Dualidade: Dilataçãoδ oo Adjunção // OO Negação ErosãoOO ε Negação
Relação entre os Operadores Elementares
Decomposição de Anti-dilatações e Anti-erosões
¯
δ : L → Mé umaanti-dilataçãose e somente se
¯
δ = νM◦ δ e δ = ε ◦ ν¯ L,
ondeδ = νM◦ ¯δé umadilataçãoeε = ¯δ ◦ νL é umaerosão. Resultadoanálogoparaanti-erosões!
Conjunção Nebulosa e t-norma
Conjunção NebulosaAplicação crescente C: [0,1] × [0,1] → [0,1]que satisfaz C(0,0) =C(0,1) =C(1,0) =0 e C(1,1) =1.
t-norma
Conjunção nebulosa T : [0,1] × [0,1] → [0,1]comutativa e associativaque satisfazT(x,1) =x.
Exemplos de t-normas
Mínimo: CM(x,y) =x∧y,
Produto: CP(x,y) =xy,
Disjunção Nebulosa e s-norma
Disjunção NebulosaAplicação crescente D: [0,1] × [0,1] → [0,1]que satisfaz D(0,0) =0 e D(0,1) =D(1,0) =D(1,1) =1.
s-norma
Disjunção nebulosa S: [0,1] × [0,1] → [0,1]comutativa e associativaque satisfazS(0,x) =x.
Exemplos de S-normas
Máximo: DM(x,y) =x∨y,
Soma Probabilistica: DP(x,y) =x +y −xy,
Implicação Nebulosa
Implicação NebulosaOperador I: [0,1] × [0,1] → [0,1]: Decrescente no primeiro argumento, Crescente no segundo argumento, Estende a implicação clássica. Exemplos de Implicação Nebulosa:
Implicação de Gödel:IM(x,y) = 1, x ≤y y, x >y , Implicação de Goguen: IP(x,y) = 1, x ≤y y/x, x >y , Implicação de Lukasiewicz:IL(x,y) =1∧ (y −x +1).
Relações entre Conjunção, Disjunção e Implicação
Conjunção x Disjunção:
Conjunções e disjunções nebulosaspodem estar associadas por meio da relação de dualidade com respeito ànegação. Negação Nebulosa
É uma negação em[0,1].
C e D são duais com respeito a negação N
D(x,y) =N(C(N(x),N(y))). Exemplos de pares duais com respeito à NS: (CM,DM),(CP,DP)e(CL,DL).
Relações entre Conjunção, Disjunção, Implicação
Disjunção x Implicação e Implicação x Conjunção:
Disjunções e implicaçõespodem estar associadas por meio da seguinte equação:
I(x,y) =D(y,N(x)) .
Conjunções e implicações nebulosaspodem estar associadas por meio da relação de dualidade com respeito àadjunção. Os operadores I e C formam uma adjunção se
I(x, ·)eC(x, ·)formam umaadjunção. Exemplos de pares adjuntos:
Relações entre Conjunção, Disjunção e Implicação
Conjunção + Disjunção + Implicação:
R-implicação
DadoT contínua,(IT,T)forma umaadjunçãose e somente se IT(x,y) = _ {z ∈ [0,1] :T(x,z) ≤y} . Conjunção nebulosa C oo Adjunção // OO Negação N Implicação nebulosa IOO Negação N
Disjunção nebulosa Dvv oo Adjunção//
I(x,y)=m D(y,N(x)) m m m m m m 66m m m m m m m
Implicação Nebulosa Dual
Implicação Nebulosa Dual JJ é tal que(D,J)forma uma adjunção:
J(x,y) =^{z∈ [0,1] :D(x,y) ≥y}. J e I são duais com respeito a negação N:
J(x,y) =N(I(N(x),N(y))). Exemplos de Implicação Nebulosa Dual:
Implicação dual de Gödel: JM(x,y) =
0, x ≥y y, x <y ,
Memórias Associativas (AMs)
Memória Associativa
Armazenar associações;
Recordar um padrão mesmo quando a entrada é incompleta ou ruidosa;
Formulação Matemática
Memórias Fundamentais: xξ,yξ : ξ =1, . . . ,k , Determinar G tal que G(xξ) =yξ para todoξ =1, . . . ,k . Tolerância a ruído
Memórias Associativas Morfológicas Nebulosas
Memória Associativa Neural G é descrito por uma rede neural!
Memória Associativa (Neural) Nebulosa (FAM)
G é uma rede neural nebulosa e xξe yξsão conjuntos nebulosos!
Memória Associativa (Neural) Morfológica Nebulosa (FMAM) G é descrito por uma rede neural morfológica nebulosa e xξe
Rede Neural Artificial (RNA)
Modelo inspirado no cérebro humano. Rede Neural Nebulosa (RNN) Híbridas
Entrada, saída e/ou pesos sinápticos nebulosos. Combina entradas e conexões sinápticas nebulosas usando operações da lógica nebulosa.
As redes híbridas podem representar sistemas de regras nebulosas Se-Então.
Redes Neurais Morfológicas (RNM)
Neurônios realizam operações elementares da MM. Redes Neurais Morfológicas Nebulosas
Neurônios Max-C e o Produto Max-C
Neurônios Max-CModelos mais usados em FAMs:
y = n _ j=1 C wj,xj ∨ θ = (wT ◦x) ∨ θ . Produto Max-C: C=A◦B é definido como: cij = p _ k=1 C(aik,bkj) .
Max-C FMAMs e Exemplos
C(w, ·)dilatação⇔o neurônio Max-C é uma dilatação. Neste caso, uma FAM com neurônios Max-C é uma FMAM!
Exemplos:
FAMs de Kosko - max-CM ou max-CP (FMAMs);
FAM de Junbo e FAM de Liu - max-CM (FMAMs);
FAM Generalizada de Chung e Lee - max-T (FMAMs se T é contínua);
Neurônios Min-D e o Produto Min-D
Neurônio Min-D: y = n ^ j=1 D mj,xj ∧ ϑ = (m T •x) ∧ ϑ . D=A•B é definido como: dij = p ^ k=1 D(aik,bkj) .D(m, ·)erosão⇔o neurônio Min-D é uma erosão. Neurônios min-D aprecem nas IFAMs duais.
Neurônios Min-I e o Produto Min-I
Produto Min-I: E =A~B=A•N(B)é dado por: dij = p ^ k=1 I(bkj,aik) = p ^ k=1 D(aik,N(bkj)) .Neurônio Min-I pela Esquerda:
y = n ^ j=1 I wj,xj ∧ ϑ = (xT ~w) ∧ ϑ = (xT •N(w)) ∧ ϑ .
Representa uma erosão se e somente se I(w, ·)for uma erosão. Empregados nas IFAMs adjuntas.
Neurônio Min-I pela Direita: y = n ^ j=1 I xj,mj ∧ ϑ = (mT ~x) ∧ ϑ = (mT •N(x)) ∧ ϑ .
Representa uma anti-dilatação se e somente se I(·,m)for uma anti-dilatação.
Teorema:
Se(IT,T)for uma adjunção, então IT(·,m)é uma
anti-dilatação.
Memórias Associativas Nebulosas Implicativas
IFAMs - Memórias Associativas Nebulosas ImplicativasRede neural nebulosa híbrida de camada única com neurônios max-T , onde T é uma t-norma contínua.
y= (W ◦T x) ∨ θ .
t-norma contínua⇒neurônios das IFAMs realizam dilatações. Aprendizado R-implicativo W =Y ~T XT, θ = k ^ ξ=1 yξ.
onde(IT,T)forma uma adjunção,
Teorema do Aprendizado Nebuloso R-implicativo
Teorema Principal do Aprendizado R-implicativo W eθ do aprendizado nebuloso R-implicativo satisfaz:
[W, θ] =_{[A, β] : (A◦T xξ) ∨ β ≤yξ, ∀ξ =1, . . . ,k}.
Corolário
Se A eβsão tais que yξ= (A◦
T xξ) ∨ β, ∀ ξ =1, . . . ,k , então A≤W =Y ~T XT e β ≤ θ = k ^ ξ=1 yξ yξ= (W ◦T xξ) ∨ θ ∀ξ =1, . . . ,k.
Memórias Nebulosas Implicativas Autoassociativas
Memórias Nebulosas Implicativas Autoassociativas (AFIMs) Caso autoassociativo{(xξ,xξ) : ξ =1, . . . ,k}: W =X ~T XT e θ = k ^ ξ=1 xξ. Ponto Fixo x é um ponto fixo de W se x=W ◦T x.
Teorema dos Pontos Fixos
Teorema dos Pontos Fixos das AFIMs
Dado{x1, . . . ,xk}. SeW =X~T XT eθ =Vkξ=1xξ (aprendizado R-implicativo) então:
Para todo x∈ [0,1]n, a saída(W ◦T x) ∨ θda AFIM é o
supremo de xno conjunto depontos fixos de W maiores queθ.
Em outras palavras,(W ◦T x) ∨ θé omenor ponto fixoy
deW tal quey≥x e y≥ θ. Se y é um vetor constante ou y= k _ l=1 ^ ξ∈Ll xξ.
Propriedades da AFIMs
Consequências do Teorema dos Pontos Fixos:
AFIMs possuem um grande número de pontos fixos que incluem os padrões originais;
AFIMs possuem capacidade de armazenamento ilimitada; AFIMs possuem muitos padrões espúrios;
A bacia de atração de um padrão xξconsiste apenas de
padrões x tais que x≤xξ.
Modelo Dinâmico
Podemos converter uma AFIM num modelo dinâmico introduzindo a saída(W ◦T x) ∨ θnovamente na memória. Convergência com uma única iteração!
Exemplo
Exemplo
Padrões de Entrada
Exemplo
Padrões de Entrada
Exemplo
Padrões de Entrada
Exemplo
Padrões de Entrada
IFAM Dual
com Respeito a Negação Usual
IFAM (Dilatação)
W(x) = (W ◦T x) ∨ θ.
IFAM DualM
Negação deW com respeito a negação usual (erosão). Teorema
IFAM dual é descrita por
y= M(x) = (M•Sx) ∧ ϑ.
IFAM Adjunta
IFAM (Dilatação)
W : [0,1]n→ {y∈ [0,1]m: θ ≤y}.
IFAM AdjuntaA
Erosão adjunta deW: (A, W)forma uma adjunção! Teorema
IFAM Adjunta é descrita por:
xT = A(y) =yT ~T W =yT •N(W),
Previsão da Mão-de-obra em Indústrias Metalúrgicas
Definimos:
Cinco variáveis linguísticas representado conceitos como: “a mão-de-obra requerida é grande”.
Regras como:“Se a mão-de-obra do ano n é grande, então a do ano n+1 é muito grande”.
As regras são obtidas dos valores passados.
Convertemos estas regras num conjunto deentrada-saída (xξ,yξ)que éarmazenado numa FMAM.
A estimativa da mão-de-obra requerida é obtida “defuzzificando” a resposta da FMAM.
Previsão de mão-de-obra estimada
1984 1986 1988 1990 1992 1994 1996 1300 1350 1400 1450 1500 1550 1600 1650 1700IFAM dual adjunta de Lukasiewicz IFAM adjunta de Lukasiewicz IFAM de Godel, FAM de Junbo e Max−min FAM com limiar IFAM dual de Lukasiewicz e
FLBAMs de Lukasiewicz, Godel e Goguen FAMs max−min e max−prod e GFAM de Lukasiewicz IFAM de Lukasiewicz Valor Real
Erro médio na previsão de mão-de-obra
Método EPMN Método EPMN
FAM max-min 2.67 FLBAM de Lukasiewicz 2.56 FAM max-prod 2.67 FLBAM de Godel 2.56 GFAM de Lukasiewicz 2.67 FLBAM de Goguen 2.56
FAM de Junbo 2.73 Max-min FAM com limiar 2.73
IFAM Lukasiewicz 2.29 IFAM dual de Lukasiewicz 2.56 IFAM de Godel 2.73 IFAM dual de Godel 8.08 IFAM de Goguen 2.99 IFAM dual de Goguen 8.08
IFAM adjunta de Lukasiewicz 4.74 IFAM dual adjunta de Lukasiewicz 5.64 IFAM adjunta de Godel 6.89 IFAM dual adjunta de Godel 7.26 IFAM adjunta de Goguen 6.89 IFAM dual adjunta de Goguen 7.26
Previsão da Vazão de uma Usina Hidroelétrica
Objetivo e Material:Prever a vazão mensal média da usina hidroelétrica de Furnas. São fornecidos dados históricos de 1931 a 1998.
Treinamento: Dados de 1931 a 1990 (60 anos); Teste:Dados de 1991 a 1998 (8 anos);
Idéia
Criar associações(xξ,yξ)- Informação de 1931 a 1990. Dado xq - “Vazão” dos últimos meses.
Padrão recordado yq e valor estimado:
sq =defuzz(yq).
Previsão da Vazão de uma Usina Hidroelétrica
Armazenamento Implícito e Fase de Recordação Se xq = [1,0,0, . . . ,0]T, então yq = [yq 1, . . . ,y q m]T: yiq =1∧ k ^ ξ=1 (1−x1ξ+yiξ) .
Padrões que Serão Fuzzificados Definir pγ = [s
γ−h, . . . ,sγ−1]T;
h = número de termos p/ estimar sγ(h=3).
Fuzzificar pξe s
ξusando função de pertinência
Definido as Memórias Fundamentais
Aplicação do Subtractive Clustering Method[C,d] =subclust(S,r).
S = dados de 1931 a 1990 onde S(i, :) = [pγ,sγ].
r = 0.5 é a influência de um centro de grupo. Tome[cξx,cyξ] =C(ξ, :). x1ξ =exp 1 2 h X l=1 (pq) l− (cξx)l σl !2 e y ξ i =exp 1 2 vi−cyξ σh+1 !2 .
onde v1, . . . ,vmsão pontos igualmente espaçados (m=100) e
σl2= 1 2dl
Previsão usando a IFAM de Lukasiewicz
19910 1992 1993 1994 1995 1996 1997 1998 1999 500 1000 1500 2000 2500 3000 3500 4000 Valor Real Valor EstimadoErro Produzidos pelos Modelos de Predição
Erro Produzidos por Diferentes Modelos de Predição
Método EQM (×105) EAM (m3/s) EPM (%)
Lukasiewicz IFAM 1.42 226 22
PARMA 1.85 280 28
MLP 1.82 271 30
NFN 1.73 234 20
FPM-PRP 1.20 200 18
EQM - Erro Quadrático Médio; EAM - Erro Absoluto Médio; EPM - Erro Percentual Médio;
O que foi feito na tese...
MNNs e FMAMs:
Discutidos os neurônios morfológicos max-C, min-D e min-I.
Observou-se que os neurônios min-I podem ser descritos em termos de neurônios min-D;
Observado que os principais modelos de FAMs estão baseados em neurônios morfológicos max-T ;
Observado também que as FLBAMs estão baseadas em neurônios min-I ou min-D, onde D é uma disjunção nebulosa (não necessariamente uma t-norma).
O que foi feito na tese...
Memórias Associativas Nebulosas Implicativas:
Introduzidas as IFAMs, o aprendizado R-implicativo nebuloso (Teorema Principal);
Para o caso autoassociativo:
1 Convergência numa única iteração;
2 Capacidade absoluta de armazenamento ilimitada; 3 Tolerância com respeito a padrões x≤xξ;
4 O padrão recordado por uma AFIM é o supremo no
conjunto dos pontos fixos do modelo;
5 O conjunto dos pontos fixos inclue os polinômios
reticulados do conjunto de memórias fundamentais;
Introduzidas as IFAMs duais. Introduzidas as IFAMs adjuntas.
Discutida a relação das IFAMs com outros modelos de AMs.
O que foi feito na tese:
Aplicações
As FMAMs foram aplicadas no problema da previsão da mão-de-obra em industrias metalúrgicas;
IFAM de Lukasiewicz produziu os melhores resultados; A IFAM de Lukasiewicz foi aplicada com sucesso no problema de previsão da vazão média mensal da usina hidrelétrica de Furnas.
Trabalhos Futuros...
Resultados Teóricos:Caracterizar completamente o conjunto dos pontos fixos das FMAMs autoassociativas tendo como base os
resultados desenvolvidos para as MAMs e para as IFAMs; Estender o resultado do item anterior para o caso
heteroassociativo. Em particular, caracterizadar a fase de recordação das IFAMs heteroassociativas.
Aplicações:
Aperfeiçoar as estratégias de “fuzzificação” e
“defuzzificação” empregadas nos problemas de previsão; Analisar o desempenho das FMAMs em problemas de classificação, controle e previsão.