Clasificación de patrones usando AMNFIS

Abstract

El presente trabajo introduce un enfoque novedoso para resolver problemas de clasificación no lineales usando un sistema de inferencia neuro-difuso adaptativo multidimensional (AMNFIS por sus siglas en inglés) desarrollado inicialmente el contexto de control de procesos, y posteriormente para el pronóstico de series de tiempo no lineales. En relación a otros sistemas neuro difusos y las versiones previas de AMNFIS, el modelo presentado en este trabajo ha sido modificado para resolver problemas de clasificación binaria. El objetivo de este trabajo es determinar si el modelo AMNFIS puede ser superior a otros tipos de redes neuronales para resolver problemas de clasificación. Para ello, se evaluaron tres problemas no lineales comúnmente usados para comparación de modelos. Los resultados obtenidos para AMNFIS son comparados contra los resultados obtenidos usando diferentes tipos de redes neuronales artificiales. La evidencia empírica indica que AMNFIS es el segundo mejor modelo considerado para el primer problema mientras que para los otros dos problemas restantes, es el modelo más preciso.

Abstract: This work introduces a novel approach to solve nonlinear classification problems using an adaptive multidimensional neuro-fuzzy inference system (AMNFIS), developed originally for processes control, and later for forecasting time series. In relation to other neuro-fuzzy systems and previous versions of AMNFIS, the model presented in this work has been modified for solving binary classification problems. The aim of this work is to determine if AMNFIS is better than other types of neural networks for solving classification problems. To do that, AMNFIS is used to solve three well-known nonlinear classification problems and the results are compared against the results obtained using different types of artificial neural networks. Empirical evidences indicate that AMNFIS is the second-best model considered for first benchmark set, while is the more accurate model in the other two benchmark sets.