Mecanismo de adaptación híbrido

La forma en que se adapta un sistema de conocimiento puede ser híbrido, ello significa que se adaptan los parámetros de las capas que lo constituyen con diferente mecanismo de adaptación parámétrica. Lo anterior se representa en la interfaz gráfica de usuario (ident) para implementar un modelo dedicado utilizando el System Identification Toolbox

Un ejemplo de combinación de diferentes mecanismos de adaptación son los sistemas borrosos. Si se ejecuta el ANFIS,  en Train FIS --> Optim. Method existe la opción hybrid, como se muestra a continuación

La estructura no lineal que representa a un sistema de inferencia borrosa puede contener una componente paramétrica lineal (consecuentes del tipo TSK) y otra no lineal (funciones de pertenencia de la parte precedente). Es por ello que pueden existir diferentes combinaciones para realizar el aprendizaje del sistema, cuya selección depende fundamentalmente de la plataforma destino en que será implementada la aplicación, velocidad requerida en obtener el modelo, etc.

La adaptación de los parámetros puede realizarse a través de un aprendizaje híbrido formado por el método de mínimos cuadrados para la componente lineal y gradiente descendente u otro método alternativo para la componente no lineal. Los mínimos cuadrados posee un tiempo de cálculo y complejidad algorítmica superior al gradiente descendente, pero la convergencia en el modelo estimado es más rápida.

Las posibles combinaciones basadas en los métodos de aprendizaje pueden resumirse en:
(a).- Adaptación de todos los parámetros por gradiente descendente: Todos los parámetros que se adaptan para la obtención del modelo borroso utilizan el aprendizaje por gradiente. Es la más simple de las estructuras, pero posee un tiempo de convergencia más elevado.
(b).- Adaptación sólo por mínimos cuadrados: Se adaptan sólo los parámetros que tienen una estructura lineal dentro del modelo, los parámetros no lineales se mantienen con los valores establecidos en las condiciones iniciales. Esta estructura es útil cuando se desea mantener la opinión de un experto sobre la distribución de las funciones de pertenencia en la parte precedente de reglas.
(c).- Combinación de gradiente descendente y mínimos cuadrados: En este caso se ejecuta, en una misma época, el gradiente descendente para adaptar los parámetros no lineales y posteriormente se aplican los mínimos cuadrados para adaptar los parámetros lineales.

Considerando lo anterior, se pueden redefinir los pasos para la obtención de un modelo como se describe a continuación:
[Paso 1] Establecer la estructura del modelo y datos significativos, ello incluye:
(a).- Tipo de función de pertenencia a usar en la parte precedente.
(b).- Definir el tipo de consecuente.
(c).- Establecer el mecanismo de adaptación (se realiza tanto para la parte precedente como consecuente de las reglas, determinando el método de aprendizaje híbrido).
(d).- Definir los parámetros dependientes del mecanismo de adaptación empleado (factor de aprendizaje, etc).
(e).- Establecer si existirá algún método corrector sobre los parámetros que se adaptan.
(f).- Seleccionar datos significativos del sistema que se pretende modelar.
(g).- Establecer las condiciones iniciales para los parámetros que serán ajustados.
(h).- Definir el criterio de validación del modelo.

[Paso 2] Obtener los datos de entrada-salida (x1, x2, . . .,xn; y ).

[Paso 3] Aplicar el estimador del modelo borroso.

[Paso 4] Ajustar los parámetros de la componente no lineal (parte precedente).

[Paso 5] Repetir a partir del [Paso 2] hasta que se cumpla una condición de finalización en la adaptación de parámetros no lineales.

[Paso 6] Ajustar los parámetros de la componente lineal (parte consecuente).

[Paso 7] Determinar la condición de finalización en la obtención del modelo en su conjunto, si este no se cumple, repetir a partir del [Paso 2].

[Paso 8] Aplicar el criterio para validación del modelo. Si no da los resultados deseados, se debe repetir el modelo del sistema.

Los pasos 3 y 7 necesitan obtener el valor estimado considerando el valor de los parámetros en el momento en que se realiza la estimación, es por ello que puede plantearse que existen dos estimaciones (una estimación se considera aquí la aplicación de la función no lineal equivalente a un sistema borroso) que pueden clasificarse en pre-estimación y post-estimación de acuerdo la momento en que se ejecutan tomando como referencia los pasos (4-6) en los que se realiza la estimación de parámetros.

En caso de que se aplique algún mecanismo corrector sobre los valores que adquieren los parámetros (por ejemplo, aplicar los índices de Marsh), debe realizarse después que se aplica el mecanismo de adaptación (pasos 4 y 6).