Construcció d’un Sistema Expert per caracteritzar el risc de contaminació del sòl utilitzant l’eina FuzzyTech TITULACIÓ: Enginyeria Tècnica en Informàtica de Gestió AUTORS: Alejandra Godia González DIRECTORS: Dra. Aida Valls, Dra. Marta Schuhmacher DATA: Juny / 2008. Departament d’Enginyeria Informàtica i Matemàtiques
124
Embed
Construcció d’un Sistema Expert per caracteritzar el risc de …deim.urv.cat/~itaka/PFCs/PFC_Sandra_Godia.pdf · 2008-06-05 · utilitzar eines de suport a la presa de decisions
This document is posted to help you gain knowledge. Please leave a comment to let me know what you think about it! Share it to your friends and learn new things together.
Transcript
Construcció d’un Sistema Expert per
caracteritzar el risc de contaminació del sòl
utilitzant l’eina FuzzyTech
TITULACIÓ: Enginyeria Tècnica en Informàtica de Gestió
AUTORS: Alejandra Godia González
DIRECTORS: Dra. Aida Valls, Dra. Marta Schuhmacher
DATA: Juny / 2008.
Departament d’Enginyeria Informàtica i Matemàtiques
2
AGRAÏMENTS Aquest projecte s’ha pogut fer gràcies al suport del projecte espanyol CTM2007-
64490/TECNO (/Desarrollo de un modelo de evaluación de
exposición y riesgo por la aplicación de fangos de depuradoras en suelo
agrícola, basado en un sistema experto neuro-fuzzy integrado en SIG/).
Personalment vull agrair a la meva família que m’ha estat donant suport durant tot el
projecte, a l’Aida Valls per confiar en mi i tirar en davant aquest projecte, i finalment, a
la Marta Schumacher per l’interès que ha mostrat a l’hora d’ajudar-me en tot el
3. SISTEMES EXPERTS DIFUSOS ............................................................................. 20 3.1 INTRODUCCIÓ ALS SISTEMES EXPERTS.................................................... 20 3.2 ADQUISICIÓ DEL CONEIXEMENT ................................................................ 23 3.3 AVANTATGES I INCONVENIENTS DELS SISTEMES EXPERTS .............. 25 3.4 SISTEMES EXPERTS DIFUSOS ....................................................................... 26
3.4.1 GRAU DE SATISFACCIÓ DE L’ANTECEDENT ..................................... 26 3.4.2 APLICACIÓ D’UNA REGLA...................................................................... 28 3.4.3 OBTENCIÓ DE LA CONCLUSIÓ .............................................................. 30
3.5 AVANTATGES I INCONVENIENTS DELS SISTEMS EXPERTS DIFUSOS 32 3.6 SISTEMA EXPERT EN FUZZYTECH .............................................................. 32
3.6.1 DEFINIR LES VARIABLES D’ENTRADA ............................................... 32 3.6.2 DEFINIR LES VARIABLES DE SORTIDA ............................................... 35 3.6.3 DEFINIR LES VARIABLES INTERMITGES ............................................ 36 3.6.4 DEFINIR EL BLOC DE REGLES ............................................................... 37
4. ELS SISTEMES NEURO-FUZZY ............................................................................ 41 4.1 FUNCIONAMENT D’UNA NEURONA............................................................ 41 4.2 LA NEURONA ARTIFICIAL ............................................................................. 42
4.2.1 TOPOLOGIES .............................................................................................. 43 4.2.2 FUNCIONAMENT ....................................................................................... 44 4.2.3 APRENENTATGE........................................................................................ 44 4.2.4 AVANTATGES I INCONVENIENTS DE LES XARXES NEURONALS 48
4.3 NEURO-FUZZY EN GENERAL ........................................................................ 49 4.4 AVANTATGES I INCONVENIENTS DEL SISTEMA NEURO-FUZZY........ 50 4.5 NEURO-FUZZY A FUZZYTECH..................................................................... 50
PART II. APLICACIÓ AL CAS DE LA CATEGORITZACIÓ DEL RISC DE CONTAMINACIÓ D’UN SÒL ..................................................................................... 55 5. ADQUISICIÓ DEL CONEIXEMENT ...................................................................... 55
5.1 SISTEMA EXPERT PREVI ................................................................................ 55 5.1.1 APROFITAMENT ........................................................................................ 56
5.2 DETERMINACIÓ DE LES REGLES ................................................................. 58 6. DISSENY I IMPLEMENTACIÓ EN FUZZYTECH ................................................ 60
6.1 CARACTERITZACIÓ DE LA FONT DE CONTAMINACIÓ .......................... 60 6.1.1 Descripció del projecte .................................................................................. 60 6.1.2 Estructura del sistema.................................................................................... 60 6.1.3 Variables........................................................................................................ 61 6.1.4 Blocs de Regles ............................................................................................. 69
4
6.2 VECTORS DE TRANSFERÈNCIA.................................................................... 76 6.2.1 Descripció del projecte .................................................................................. 76 6.2.2 Estructura del Sistema ................................................................................... 76 6.2.3 Variables........................................................................................................ 77 6.2.4 Blocs de Regles ............................................................................................. 82
6.3 SUBJECTES A PROTEGIR ................................................................................ 88 6.3.1 Descripció del projecte .................................................................................. 88 6.3.2 Estructura del Sistema ................................................................................... 88 6.3.3 Variables........................................................................................................ 89 6.3.4 Bloc de Regles ............................................................................................... 92
6.4 SISTEMA EXPERT JUNT .................................................................................. 96 7. JOC DE PROVES DEL SISTEMA EXPERT ........................................................... 98
7.1 ESTUDI D’UN CAS DETALLADAMENT........................................................ 98 7.2 CARACTERITZACIÓ DE LA FONT DE CONTAMINACIÓ ........................ 101 7.3 VECTORS DE TRANSFERÈNCIA.................................................................. 107 7.4 SUBJECTES A PROTEGIR .............................................................................. 110 7.5 SISTEMA EXPERT JUNT ................................................................................ 112
8. ESTUDI DE L’ÚS DE LES TÈCNIQUES NEURO-FUZZY EN AQUEST PROBLEMA ................................................................................................................ 116 9. CONCLUSIONS ...................................................................................................... 119 10. VALORACIÓ PERSONAL DEL PROJECTE FINAL DE CARRERA............... 121 11. TREBALL FUTUR ................................................................................................ 122 12. REFERÈNCIES...................................................................................................... 123
# Variable Name Type Unit Min Max Default Term Names 12 Risc Units 0 10 0 low
medium high
Taula 2: Variable de sortida
Defuzzification Methods Center of Maximum (CoM) Mean of Maximum (MoM) Center of Area (CoA) Hyper CoM Fuzzy Output Force Categorical MoM
63
Intermitges
# Variable Name Type Unit Min Max Default Term Names 13 riscCantContam - - - - low
medium high
14 riscLloc - - - - low medium high
15 riscMov - - - - low medium high
16 riscTox - - - - low medium high
Taula 3: Variables Intermitges Variable d’entrada “antiqInstalacio”
Figura 40: MBF de "antiqInstalacio"
Term Name Shape/Par. Definition Points (x, y) low linear (0, 1) (4, 1) (6, 0) (100, 0) medium linear (0, 0) (4, 0) (6, 1) (13, 1) (17, 0) (100, 0) high linear (0, 0) (13, 0) (17, 1) (100, 1)
Taula 4: Definició dels punts de MBF "antiqInstalacio"
64
Variable d’entrada "biodegradacion"
Figura 41: MBF de "biodegradacion"
Term Name Shape/Par. Definition Points (x, y) low linear (0, 1) (1, 1) (2.5, 0) (100, 0) medium linear (0, 0) (1, 0) (2.5, 1) (5, 1) (7, 0) (100, 0) high linear (0, 0) (5, 0) (7, 1) (100, 1)
Taula 5: Definició dels punts de MBF "biodegradacion" Variable d’entrada "cantContamAlta"
Figura 42: MBF de "cantContamAlta"
Term Name Shape/Par. Definition Points (x, y) low linear (0, 1) (0.8, 1) (1.1, 0) (15, 0) medium linear (0, 0) (0.8, 0) (1.1, 1) (9, 1) (11, 0) (15, 0) high linear (0, 0) (9, 0) (11, 1) (15, 1)
Taula 6: Definició dels punts de MBF "cantContamAlta"
65
Variable d’entrada "cantContamBaja"
Figura 43: MBF de "cantContamBaja"
Term Name Shape/Par. Definition Points (x, y) low linear (0, 1) (800, 1) (1100, 0) (15000, 0) medium linear (0, 0) (800, 0) (1100, 1) (9000, 1) (11000, 0) (15000, 0) high linear (0, 0) (9000, 0) (11000, 1) (15000, 1)
Taula 7: Definició dels punts de MBF "cantContamBaja" Variable d’entrada "cantContamMedia"
Figura 44: MBF de "cantContamMedia"
Term Name Shape/Par. Definition Points (x, y) low linear (0, 1) (8, 1) (11, 0) (150, 0) medium linear (0, 0) (8, 0) (11, 1) (90, 1) (110, 0) (150, 0) high linear (0, 0) (90, 0) (110, 1) (150, 1)
Taula 8: Definició dels punts de MBF "cantContamMedia"
66
Variable d’entrada "confinamiento"
Term Name 000 subsuelo 001 soterratIsobrSup 002 sobreTerrenoNatu
Taula 9: Nom dels termes de "confinamiento" Variable d’entrada "dimenSuperficie"
Figura 45: MBF de "dimenSuperficie"
Term Name Shape/Par. Definition Points (x, y) low linear (0, 1) (80, 1) (120, 0) (1500, 0) medium linear (0, 0) (80, 0) (120, 1) (950, 1) (1050, 0) (1500, 0) high linear (0, 0) (950, 0) (1050, 1) (1500, 1)
Taula 10: Definició dels punts de MBF "dimenSuperficie" Variable d’entrada "logKow"
Figura 46: MBF de "logKow"
67
Term Name Shape/Par. Definition Points (x, y) low linear (1, 1) (2, 1) (3, 0) (6, 0) medium linear (1, 0) (2, 0) (3, 1) (4, 1) (5, 0) (6, 0) high linear (1, 0) (4, 0) (5, 1) (6, 1)
Taula 11: Definició dels punts de MBF "logKow" Variable d’entrada "presionVapor"
Figura 47: MBF de "presionVapor"
Term Name Shape/Par. Definition Points (x, y) low linear (0, 1) (7.0000000000001,
1) (12, 0)
(1000, 0) medium linear (0, 0) (7.0000000000001,
0) (12, 1)
(45, 1) (60, 0) (1000, 0) high linear (0, 0) (45, 0) (60, 1) (1000, 1)
Taula 12: Definició dels punts de MBF "presionVapor" Variable d’entrada "solubilidad"
Figura 48: MBF de "solubilidad"
68
Term Name Shape/Par. Definition Points (x, y) low linear (0, 1) (0.05000000000018
2, 0) (1500, 0)
medium linear (0, 0) (0.60000000000014, 0)
(0.60000000000014, 1)
(1.0000000000002, 1)
(5.0000000000002, 0)
(1500, 0)
high linear (0, 0) (1.0000000000002, 0)
(5.0000000000002, 1)
(1500, 1) Taula 13: Definició dels punts de MBF "solubilidad"
Variable d’entrada "toxicidad"
Figura 49: MBF de "toxicidad"
Term Name Shape/Par. Definition Points (x, y) low linear (0, 1) (1, 1) (3, 0) (10, 0) medium linear (0, 0) (1, 0) (3, 1) (4, 1) (7, 0) (10, 0) high linear (0, 0) (4, 0) (7, 1) (10, 1)
Taula 14: Definició dels punts de MBF "toxicidad" Variable de sortida "risc"
Figura 50: MBF de "risc"
69
Term Name Shape/Par. Definition Points (x, y) low linear (0, 1) (2, 1) (4, 0) (10, 0) medium linear (0, 0) (2, 0) (4, 1) (6, 1) (8, 0) (10, 0) high linear (0, 0) (6, 0) (8, 1) (10, 1)
Taula 15: Definició dels punts de MBF "risc"
6.1.4 Blocs de Regles
Un bloc de regles conté el control d’un Sistema Expert difús. On fica ‘IF’ és la part de
la premissa d’una regla, i en la part ‘THEN’ és la conclusió de la regla. I el ‘DoS’
s’utilitza per donar pes a la regla depenent de la importància que li vols donar.
Bloc de Regles "RB1" Aquest Bloc de Regles va ser creat per nosaltres per poder ajuntar la toxicitat amb la
quantitat de contaminant, ja que depenen l’una de l’altra. La quantitat de contaminant es
mesura diferent segons el nivell de toxicitat. Hi ha 3 possibles definicions, que s’han
presentat a la secció 6.1.3, a la figura 42 “cantContamAlta”, a la figura 43
“cantContamBaja” i a la figura 44 “cantContamMedia”. Aquest sistema expert utilitza
una o altra variable segons el valor de la toxicitat. És a dir, la explicació d’aquest bloc
de regles és que quan la toxicitat és baixa (low), només es té en compte la
cantContamBaja. Si la toxicitat és mitjana (medium), es té en compte la
cantContamMedia, i si la toxicitat és alta (high) només es té en compte la
cantContamAlta.
Paràmetres
Aggregation: MINMAX Parameter: 0.00 Result Aggregation: MAX Number of Inputs: 4 Number of Outputs: 1 Number of Rules: 9
IF THEN cantContamAlta cantContamBaja cantContamMedi
a toxicidad DoS riscCantContam
low low 1.00 low medium low 1.00 medium high low 1.00 high low medium 1.00 low medium medium 1.00 medium high medium 1.00 high
70
IF THEN low high 1.00 low medium high 1.00 medium high high 1.00 high
Taula 17: Regles del Bloc de Regles "RB1"
Bloc de Regles "RB2" Aquest bloc de regles el vam crear utilitzant l’aproximació de la mitjana ponderada com
hem explicat a la secció 5.2. En la Taula 19 es poden veure els pesos que li hem donat a
cada variable, i el resultat que observem després en el bloc de regles.
Paràmetres
Aggregation: MINMAX Parameter: 0.00 Result Aggregation: MAX Number of Inputs: 2 Number of Outputs: 1 Number of Rules: 7
IF THEN riscCantContam biodegradacion DoS riscTox low low 1.00 low low medium 1.00 low low high 1.00 low medium low 1.00 medium medium medium 1.00 medium medium high 1.00 high high 1.00 high
Taula 18: Regles del Bloc de Regles "RB2"
Taula 19. Creació de regles amb l’aproximació de la mitjana ponderada
71
Bloc de Regles "RB3" Aquest bloc de regles també l’hem creat amb l’aproximació de la mitjana ponderada ja
que ens ha aportat solucions a la decisió. Es pot veure els pesos utilitzats en la Taula 21.
Paràmetres
Aggregation: MINMAX Parameter: 0.00 Result Aggregation: MAX Number of Inputs: 3 Number of Outputs: 1 Number of Rules: 19
IF THEN logKow presionVapor solubilidad DoS riscMov low low 1.00 low low medium low 1.00 low low medium medium 1.00 low low medium high 1.00 medium low high low 1.00 medium low high medium 1.00 medium low high high 1.00 high medium low low 1.00 low medium low medium 1.00 low medium low high 1.00 medium medium medium low 1.00 medium medium medium medium 1.00 medium medium medium high 1.00 high medium high 1.00 high high low low 1.00 medium high low medium 1.00 medium high low high 1.00 high high medium 1.00 high high high 1.00 high
Taula 20: Regles del Bloc de Regles "RB3"
72
Taula 21. Creació de regles amb l’aproximació de la mitjana ponderada
Bloc de Regles "RB4" Aquest bloc de regles ha estat creat utilitzant el mètode de l’aproximació de la mitjana
ponderada. Es pot veure en la Taula 23.
Paràmetres
Aggregation: MINMAX Parameter: 0.00 Result Aggregation: MAX Number of Inputs: 3 Number of Outputs: 1 Number of Rules: 27
IF THEN antiqInstalacio dimenSuperficie confinamiento DoS riscLloc low low subsuelo 1.00 low low low soterratIsobrSup 1.00 low low low sobreTerrenoNatu 1.00 medium low medium subsuelo 1.00 low
73
IF THEN low medium soterratIsobrSup 1.00 low low medium sobreTerrenoNatu 1.00 high low high subsuelo 1.00 low low high soterratIsobrSup 1.00 medium low high sobreTerrenoNatu 1.00 high medium low subsuelo 1.00 low medium low soterratIsobrSup 1.00 medium medium low sobreTerrenoNatu 1.00 high medium medium subsuelo 1.00 low medium medium soterratIsobrSup 1.00 medium medium medium sobreTerrenoNatu 1.00 high medium high subsuelo 1.00 low medium high soterratIsobrSup 1.00 medium medium high sobreTerrenoNatu 1.00 high high low subsuelo 1.00 low high low soterratIsobrSup 1.00 medium high low sobreTerrenoNatu 1.00 high high medium subsuelo 1.00 low high medium soterratIsobrSup 1.00 high high medium sobreTerrenoNatu 1.00 high high high subsuelo 1.00 medium high high soterratIsobrSup 1.00 high high high sobreTerrenoNatu 1.00 high
Taula 22: Regles del Bloc de Regles "RB4"
74
Taula 23. Creació de regles amb l’aproximació de la mitjana ponderada
Bloc de Regles "RB5" Aquest bloc de regles és el que decideix el risc final que té aquest grup, ajuntant tots els
resultats dels Sistemes Experts anteriors. Per determinar les regles hem utilitzat el
mètode de l’aproximació de la mitjana ponderada. En la Taula 25 podem comprovar la
importància que li donem a la toxicitat ficant-li un pes molt gran.
Paràmetres
Aggregation: MINMAX Parameter: 0.00 Result Aggregation: MAX Number of Inputs: 3 Number of Outputs: 1 Number of Rules: 9
IF THEN riscTox riscMov riscLloc DoS risc low 1.00 low
75
IF THEN medium low low 1.00 low medium low medium 1.00 medium medium low high 1.00 medium medium medium 1.00 medium medium high low 1.00 medium medium high medium 1.00 high medium high high 1.00 high high 1.00 high
Taula 24: Regles del Bloc de Regles "RB5"
Taula 25. Creació de les regles amb l’aproximació de la mitjana ponderada
# Variable Name Type Unit Min Max Default Term Names 9 riscTotal2 Units 0 10 0 low
medium high
Taula 28: Variables de sortida
Defuzzification Methods Center of Maximum (CoM) Mean of Maximum (MoM) Center of Area (CoA) Hyper CoM Fuzzy Output Force Categorical MoM
Intermitges
# Variable Name Type Unit Min Max Default Term Names 10 riscAguasCondu
ct - - - - low
medium high
11 riscPorPotRecarg
- - - - low medium high
12 riscUtilitzacio - - - - low medium high
Taula 29: Variables intermitges
79
Variable d’entrada "aguasSubterran"
Figura 52: MBF de "aguasSubterran"
Term Name Shape/Par. Definition Points (x, y) high linear (0, 1) (40, 1) (60, 0) (1000, 0) medium linear (0, 0) (40, 0) (60, 1) (180, 1) (220, 0) (1000, 0) low linear (0, 0) (180, 0) (220, 1) (1000, 1)
Taula 30: Definició dels punts de MBF "aguasSubterran"
Variable d’entrada "aguasSuperficial"
Figura 53: MBF de "aguasSuperficial"
Term Name Shape/Par. Definition Points (x, y) high linear (0, 1) (20, 1) (60, 0) (1000, 0) medium linear (0, 0) (20, 0) (60, 1) (280, 1) (400, 0) (1000, 0) low linear (0, 0) (280, 0) (400, 1) (1000, 1)
Taula 31: Definició dels punts de MBF "aguasSuperficial"
80
Variable d’entrada "conductivHidraul"
Figura 54: MBF de "conductivHidraul"
Term Name Shape/Par. Definition Points (x, y) low linear (0, 1) (2.0000000000098e-
008, 1) (1.0000000000006e-007, 0)
(0.001, 0) medium linear (0, 0) (2.0000000000098e-
008, 0) (1.0000000000006e-007, 1)
(9.9999999999992e-007, 1)
(1e-005, 0) (0.001, 0)
high linear (0, 0) (9.9999999999992e-007, 0)
(1e-005, 1)
(0.001, 1) Taula 32: Definició dels punts de MBF "conductivHidraul"
Variable d’entrada "porosidad"
Figura 55: MBF de "porosidad"
Term Name Shape/Par. Definition Points (x, y) low linear (0, 1) (0.3, 1) (0.35, 0) (0.6, 0) medium linear (0, 0) (0.3, 0) (0.35, 1) (0.37, 1) (0.4, 0) (0.6, 0) high linear (0, 0) (0.37, 0) (0.4, 1) (0.6, 1)
Taula 33: Definició dels punts de MBF "porosidad"
81
Variable d’entrada "potencia"
Figura 56: MBF de "potencia"
Term Name Shape/Par. Definition Points (x, y) high linear (0, 1) (2, 1) (5, 0) (50, 0) medium linear (0, 0) (2, 0) (5, 1) (12, 1) (15, 0) (50, 0) low linear (0, 0) (12, 0) (15, 1) (50, 1)
Taula 34: Definició dels punts de MBF "potencia" Variable d’entrada "recarga"
Figura 57: MBF de "recarga"
Term Name Shape/Par. Definition Points (x, y) low linear (0, 1) (8, 1) (12, 0) (300, 0) medium linear (0, 0) (8, 0) (12, 1) (75, 1) (125, 0) (300, 0) high linear (0, 0) (75, 0) (125, 1) (300, 1)
Taula 35: Definició dels punts de MBF "recarga"
82
Variable de sortida "riscTotal2"
Figura 58: MBF de "riscTotal2"
Term Name Shape/Par. Definition Points (x, y) low linear (0, 1) (2, 1) (4, 0) (10, 0) medium linear (0, 0) (2, 0) (4, 1) (6, 1) (8, 0) (10, 0) high linear (0, 0) (6, 0) (8, 1) (10, 1)
Taula 36: Definició dels punts de MBF "riscTotal2"
6.2.4 Blocs de Regles
Un bloc de regles conté el control d’un Sistema Expert difús. On fica ‘IF’ és la part de
la premissa d’una regla, i en la part ‘THEN’ és la conclusió de la regla. I el ‘DoS’
s’utilitza per donar pes a la regla depenent de la importància que li vols donar.
Bloc de Regles "RB1" Aquest bloc de regles, hem tingut que utilitzar l’aproximació de la mitjana ponderada
per crear les regles ja que és d’una dificultat molt gran. Podem veure en la Taula 38 els
pesos que li hem donat a cada variable.
Paràmetres
Aggregation: MINMAX Parameter: 0.00 Result Aggregation: MAX Number of Inputs: 4 Number of Outputs: 1 Number of Rules: 73
83
IF THEN conductivHidraul porosidad potencia recarga DoS riscPorPotRecarglow low 1.00 low low medium low 1.00 low low medium medium low 1.00 low low medium medium medium 1.00 low low medium medium high 1.00 medium low medium high low 1.00 low low medium high medium 1.00 medium low medium high high 1.00 medium low high low low 1.00 low low high low medium 1.00 medium low high low high 1.00 medium low high medium 1.00 medium low high high low 1.00 medium low high high medium 1.00 high low high high high 1.00 high medium low low 1.00 low medium low medium low 1.00 low medium low medium medium 1.00 low medium low medium high 1.00 medium medium low high low 1.00 low medium low high medium 1.00 medium medium low high high 1.00 medium medium medium low low 1.00 low medium medium low medium 1.00 medium medium medium low high 1.00 medium medium medium medium 1.00 medium medium medium high low 1.00 medium medium medium high medium 1.00 high medium medium high high 1.00 high medium high low low 1.00 medium medium high low medium 1.00 medium medium high low high 1.00 high medium high medium low 1.00 medium medium high medium medium 1.00 high medium high medium high 1.00 high medium high high 1.00 high high low low low 1.00 low high low low medium 1.00 medium high low low high 1.00 medium high low medium 1.00 medium high low high low 1.00 medium high low high medium 1.00 high high low high high 1.00 high high medium low low 1.00 medium high medium low medium 1.00 medium high medium low high 1.00 high high medium medium low 1.00 medium high medium medium medium 1.00 high high medium medium high 1.00 high high medium high 1.00 high high high 1.00 high
Taula 37: Regles del Bloc de Regles "RB1"
84
85
Taula 38. Creació de les regles utilitzant l’aproximació de la mitjana ponderada
86
Bloc de Regles "RB2" Aquest bloc de regles ens el va dir l’expert, és a dir, la Dra. Marta Schumacher.
Paràmetres
Aggregation: MINMAX Parameter: 0.00 Result Aggregation: MAX Number of Inputs: 2 Number of Outputs: 1 Number of Rules: 9
IF THEN aguasSubterran aguasSuperficial DoS riscAguasConduct High high 1.00 high Medium high 1.00 high Low high 1.00 high High medium 1.00 high Medium medium 1.00 medium Low medium 1.00 medium High low 1.00 high Medium low 1.00 medium Low low 1.00 low
Taula 39: Regles del Bloc de Regles "RB2" Bloc de Regles "RB3" Aquest bloc de regles ens el va dir l’expert, és a dir, la Dra. Marta Schumacher.
Paràmetres
Aggregation: MINMAX Parameter: 0.00 Result Aggregation: MAX Number of Inputs: 2 Number of Outputs: 1 Number of Rules: 9
IF THEN usoAgua usoSuelo DoS riscUtilitzacio industrial industrial 1.00 low agricolaIpastora industrial 1.00 high recreatiuIdomest industrial 1.00 high industrial construcIcomerci 1.00 low agricolaIpastora construcIcomerci 1.00 high recreatiuIdomest construcIcomerci 1.00 high industrial agricolaIresidnc 1.00 high agricolaIpastora agricolaIresidnc 1.00 high recreatiuIdomest agricolaIresidnc 1.00 high
Taula 40: Regles del Bloc de Regles "RB3"
87
Bloc de Regles "RB4" Aquest bloc de regles ens el va dir l’expert.
Paràmetres
Aggregation: MINMAX Parameter: 0.00 Result Aggregation: MAX Number of Inputs: 3 Number of Outputs: 1 Number of Rules: 27
IF THEN riscAguasConduct riscPorPotRecarg riscUtilitzacio DoS risc2 low low 1.00 low low medium low 1.00 low low medium medium 1.00 medium low medium high 1.00 medium low high low 1.00 medium low high medium 1.00 high low high high 1.00 high medium low low 1.00 low medium low medium 1.00 low medium low high 1.00 medium medium medium low 1.00 low medium medium medium 1.00 medium medium medium high 1.00 high medium high low 1.00 medium medium high medium 1.00 high medium high high 1.00 high high low low 1.00 low high low medium 1.00 low high low high 1.00 medium high medium low 1.00 medium high medium medium 1.00 high high medium high 1.00 high high high 1.00 high
# Variable Name Type Unit Min Max Default Term Names 9 riscTotal Units 0 10 0 low
medium high
Taula 44: Variables de sortida
90
Defuzzification Methods Center of Maximum (CoM) Mean of Maximum (MoM) Center of Area (CoA) Hyper CoM Fuzzy Output Force Categorical MoM
Intermitges
# Variable Name Type Unit Min Max Default Term Names 10 riscEcosistema - - - - low
medium high
11 riscPoblacio - - - - low medium high
Taula 175: Variables intermitges Input Variable "accesibilidad"
Term Name 000 CerradoSiVigil 001 cerradoNoVigilad 002 NoCerradoNoVigil
Taula 186: Nom dels termes de “accesibilidad” Input Variable "actividSensibls"
Term Name 000 no 001 si
Taula 197: Nom dels termes de "actividSensibls" Input Variable "cantidadPoblacio"
Figura 60: MBF de "cantidadPoblacio"
91
Term Name Shape/Par. Definition Points (x, y) low linear (0, 1) (5, 1) (10, 0) (200, 0) medium linear (0, 0) (5, 0) (10, 1) (20, 1) (40, 0) (200, 0) high linear (0, 0) (20, 0) (40, 1) (200, 1)
Taula 208: Definició dels punts de MBF "cantidadPoblacio" Input Variable "distancia"
Figura 61: MBF de "distancia"
Term Name Shape/Par. Definition Points (x, y) high linear (0, 1) (10, 1) (60, 0) (10000, 0) medium linear (0, 0) (10, 0) (60, 1) (400, 1) (500, 0) (10000, 0) low linear (0, 0) (400, 0) (500, 1) (10000, 1)
Taula 219: Definició dels punts de MBF "distancia" Input Variable "ecosistSensible"
Term Name 000 no 001 si
Taula 50: Nom dels termes de "ecosistSensible" Input Variable "especiesPeligro"
Term Name 000 no 001 si
Taula 51: Nom dels termes de "especiesPeligro"
92
Input Variable "impactoVisual"
Term Name 000 no 001 si
Taula 52: Nom dels termes de "impactoVisual"
Input Variable "tipoPoblacion"
Term Name 000 adulta 001 sensible
Taula 53: Nom dels termes de "tipoPoblacion"
Output Variable "riscTotal"
Figura 62: MBF de "riscTotal"
Term Name Shape/Par. Definition Points (x, y) low linear (0, 1) (2, 1) (4, 0) (10, 0) medium linear (0, 0) (2, 0) (4, 1) (6, 1) (8, 0) (10, 0) high linear (0, 0) (6, 0) (8, 1) (10, 1)
Taula 54: Definició dels punts de MBF "riscTotal"
6.3.4 Bloc de Regles
Un bloc de regles conté el control d’un Sistema Expert difús. On fica ‘IF’ és la part de
la premissa d’una regla, i en la part ‘THEN’ és la conclusió de la regla. I el ‘DoS’
s’utilitza per donar pes a la regla depenent de la importància que li vols donar.
93
Bloc de Regles "RB1" Aquest bloc de regles ens el va dir l’expert, és a dir, la Dra. Marta Schumacher. Paràmetres
Aggregation: MINMAX Parameter: 0.00 Result Aggregation: MAX Number of Inputs: 5 Number of Outputs: 1 Number of Rules: 32
IF THEN accesibilidad actividSensibl
s cantidadPoblacio
distancia tipoPoblacion DoS riscPoblacio
si 1.00 high no high low sensible 1.00 medium no high low adulta 1.00 medium NoCerradoNoVigil
no high medium sensible 1.00 high
cerradoNoVigilad
no high medium sensible 1.00 medium
CerradoSiVigil no high medium sensible 1.00 medium no high medium adulta 1.00 medium NoCerradoNoVigil
no high high sensible 1.00 high
cerradoNoVigilad
no high high sensible 1.00 high
CerradoSiVigil no high high sensible 1.00 medium NoCerradoNoVigil
no high high adulta 1.00 high
cerradoNoVigilad
no high high adulta 1.00 medium
CerradoSiVigil no high high adulta 1.00 medium NoCerradoNoVigil
no medium low sensible 1.00 medium
cerradoNoVigilad
no medium low sensible 1.00 low
CerradoSiVigil no medium low sensible 1.00 low no medium low adulta 1.00 low NoCerradoNoVigil
no medium medium sensible 1.00 medium
cerradoNoVigilad
no medium medium sensible 1.00 medium
CerradoSiVigil no medium medium sensible 1.00 medium no medium medium adulta 1.00 medium NoCerradoNoVigil
no medium high sensible 1.00 high
cerradoNoVigilad
no medium high sensible 1.00 medium
CerradoSiVigil no medium high sensible 1.00 medium no medium high adulta 1.00 medium no low low 1.00 low NoCerradoNoVigil
no low medium sensible 1.00 low
cerradoNoVigilad
no low medium sensible 1.00 medium
94
IF THEN CerradoSiVigil no low medium sensible 1.00 low no low medium adulta 1.00 low no low high sensible 1.00 medium no low high adulta 1.00 low
Taula 55: Regles del Bloc de Regles "RB1"
Bloc de Regles "RB2" Aquest bloc de regles ens el va dir l’expert.
Paràmetres
Aggregation: MINMAX Parameter: 0.00 Result Aggregation: MAX Number of Inputs: 3 Number of Outputs: 1 Number of Rules: 8
IF THEN ecosistSensible especiesPeligro impactoVisual DoS riscEcosistema no no no 1.00 low si no no 1.00 medium no si no 1.00 medium si si no 1.00 high no no si 1.00 medium si no si 1.00 medium no si si 1.00 high si si si 1.00 high
Taula 56: Regles del Bloc de Regles "RB2"
Bloc de Regles "RB31" Aquest bloc de regles ens el va dir l’expert. Paràmetres
Aggregation: MINMAX Parameter: 0.00 Result Aggregation: MAX Number of Inputs: 2 Number of Outputs: 1 Number of Rules: 9
IF THEN riscEcosistema riscPoblacio DoS riscTotal low low 1.00 low low medium 1.00 medium low high 1.00 high medium low 1.00 medium
95
IF THEN medium medium 1.00 medium medium high 1.00 high high low 1.00 high high medium 1.00 high high high 1.00 high
Taula 57: Regles del Bloc de Regles "RB31"
96
6.4 SISTEMA EXPERT JUNT
Hem explicat cada grup per separat, i la unió de tots els grups és el Sistema Expert
mostrat en la Figura 63.
En aquest SE estan definides totes les variables explicades anteriorment, l’únic que hem
afegit és un bloc de regles que té com variables d’entrada els resultats del risc de cada
grup, i com variable de sortida el riscTotal. El bloc de regles l’hem creat utilitzant el
mètode de l’aproximació de la mitjana ponderada com es pot comprovar en la Taula 59.
Figura 63. Esquema de tot el Sistema Expert junt
IF THEN
risc1 risc2 risc3 DoS riscTotal low low 1.00 low low medium 1.00 low low high low 1.00 low low high medium 1.00 low low high high 1.00 medium medium low low 1.00 low medium low medium 1.00 low medium low high 1.00 medium
97
IF THEN medium medium low 1.00 low medium medium medium 1.00 medium medium medium high 1.00 high medium high low 1.00 medium medium high medium 1.00 high medium high high 1.00 high high low low 1.00 medium high low medium 1.00 high high low high 1.00 high high medium 1.00 high high high 1.00 high
Taula 58. Regles del bloc de regles
Taula 59. Elaboració de les regles utilitzant l’aproximació de la mitjana ponderada
98
7. JOC DE PROVES DEL SISTEMA EXPERT El joc de proves el dividirem en tres parts, una per cada grup, i després mostrarem el
resultat del risc final quan ajuntem els tres grups. En cada grup mostrarem el cas de
l’execució interactiva, i el cas d’execució en batch d’un conjunt de casos els quals són
uns casos estudiats amb el Sistema Expert que estava creat d’abans [López, 2008]. Com
és un Sistema Expert nou i més precís, si comparem els resultats que obtenim de
l’article amb els que ens donen fent el joc de proves són una mica diferents. En el
primer grup, caracterització de la font de contaminació, ens dona un resultat molt
aproximat al de l’article, però en el joc de proves del grup vectors de transferència els
resultats són molt diferents als de l’article. Per finalitzar, els resultats del grup subjectes
a protegir són aproximats als de l’article.
7.1 ESTUDI D’UN CAS DETALLADAMENT
En aquest apartat explicarem com s’ha de fer el joc de proves pas per pas. Per fer-ho
agafarem un exemple del tercer grup, subjectes a protegir, i aplicarem el mètode
interactive per debugar.
Agafarem com exemple el tercer cas, és a dir, que les variables d’entrada accesibilidad,
impactoVisual i tipoPoblacion tenen els valors cerradoNoVigilad, si, 10, 200, si, si, si, i
adulta, respectivament.
Totes aquestes dades les entrem al mètode interactive, el qual ens queda de la següent
forma:
Figura 64. Mètode interactiu
99
Després d’introduir totes les dades mirem quina o quines de les regles s’han activat:
En el primer SE petit s’ha activat la regla 1 com podem veure a la figura 65.
Figura 65. Activació de la regla
En el segon SE petit s’ha activat la regla 8 com podem observar en la figura 66.
Figura 66. Activació de la regla
Per saber el risc final d’aquest exemple tenim que ajuntar els dos riscs dels Sistemes
Experts anteriors. Com podem comprovar, el resultat dels dos ens ha donat un risc alt
(high) per aquest motiu s’ha activat la regla 9 del Sistema Expert final, i el resultat
d’aquest exemple introduït és un risc alt.
Figura 67. Activació de la regla
Per entendre les regles que s’han activat, mirarem la funció de pertinença de cada
variable per saber en quin terme es troba.
En el primer cas, ens fixem amb la variable actividSensibls, ja que si el valor introduït
és ‘sí’ és independent el valor de les altres variables del Sistema Expert petit. Com en
aquest exemple hem introduït ‘si’ el resultat del riscPoblacio és alt.
100
En el cas que haguéssim introduït un ‘no’ a la variable actividSensibls, hauríem de
mirar les altres variables per saber quina regla s’activaria.
La variable accesibilidad té tres paràmetres, però com es categòrica, només es fa cas al
valor introduït, en aquest cas ‘cerradoNoVigilad’. En la variable tipoPoblacion ens
passa el mateix, com és una variable categòrica únicament és el valor introduït. A la
variable cantidadPoblacio hem introduït un 10, i aquest valor es troba a medium (Figura
68). Per finalitzar, miraríem la distancia, que hem introduït el valor 200, el qual es troba
a medium (Figura 69).
En aquest cas, s’activaria la regla on la actividSensibls tingui el terme ‘no’, accesibildad
sigui ‘cerradoNoVigilad’, la variable tipoPoblacion sigui ‘adulta’. La cantidadPoblacio
tingui medium i la distancia també tingui medium. En aquest cas seria la regla 21. La
variable accesibilidad no té paràmetre perquè amb els valors de les altres variables és
independent el valor que fiquem perquè ens donarà com a risc medium (Figura 70).
Figura 68. Activació de la variable Figura 69. Activació de la variable
Figura 70. Activació de la regla
En el segon Sistema Expert petit, com les variables són categòriques ens hem de fixar
amb el terme que hem introduït. I com tots els valors són ‘si’ s’ha activat la regla 8
(Figura 66).
El valor del riscTotal és high, però s’ha de defuzzyficar. Com el mètode seleccionat per
defuzzyficar és el CoA, explicat a la secció 2.3, ens dona el valor 8,4444.
101
7.2 CARACTERITZACIÓ DE LA FONT DE CONTAMINACIÓ
Introduirem les mostres a aquest grup de forma interactiva, és a dir, tenint el Sistema
Expert s’ha de clicar al menú del FuzzyTech on fica Debug i després Interactive
d’aquesta forma ja podem introduir els exemples. Per executar-ho, s’agafa un dels
exemples que volem introduir i tenim que ficar els valors de l’exemple a les
determinades variables i d’aquesta forma ens donarà un resultat final del risc.
El primer exemple és el que veiem en la Figura 71. El resultat que obtenim és de Risc
Low amb nivell 0.7, que defuzzificat dóna 1.5554, tal com es mostra a la finestra
inferior.
Figura 71. Joc de proves interactiu
Aquest mètode per debugar és molt pràctic quan estàs treballant amb el Sistema Expert i
vols mirar si una mostra et dóna un resultat correcte i fàcil de veure per casos concrets.
Per poder fer tot el joc de proves és millor debugar amb el mètode batch. Per poder
executar-lo primer s’ha de crear un fitxer batch on estiguin totes les mostres que es
volen introduir. En la següent figura veiem el joc de proves que introduirem al sistema.
102
Figura 72. Fitxer .batch amb els valors de les mostres del joc de proves
Després amb el FuzzyTech tenim que clicar en el menú l’opció Debug i seguidament
Batch on s’obre una finestra per buscar el fitxer que has creat. Quan s’accepta, es
comença l’execució del joc de proves, que es pot fer pas a pas, o tot junt, i el resultat
queda guardat al fitxer, al final de cada línia. (Figura 85)
Els resultats de cada mostra executada una per una són els següents:
Figura 73. Resultat de la primera mostra.
Podem comprovar amb la Figura 71, que ens dóna el mateix resultat fent-ho amb el
mètode batch o amb interactive.
103
Figura 74. Resultat de la segona mostra.
Veiem que el risc és el mateix, però si ens fixem amb l’activació de low, la primera
mostra és de 0.70 i la segona de 0.75, encara que no es tanta diferència com per afectar
al resultat final.
Figura 75. Resultat de la tercera mostra
Figura 76. Resultat de la quarta mostra
La mostra número 5 i 6 ens donen absolutament el mateix resultat que la quarta mostra,
l’activació del low igual també. Per aquest motiu no les afegim.
104
Figura 77. Resultat de la setena mostra
Figura 78. Resultat de la vuitena mostra
Figura 79. Resultat de la novena mostra
La mostra número 10, és igual que la mostra de la Figura 79.
105
Figura 80. Resultat de la onzena mostra
Figura 81. Resultat de la dotzena mostra
Figura 82. Resultat de la tretzena mostra
106
Figura 83. Resultat de la mostra 14
La mostra 15 és la mateixa que la de la Figura 83.
Figura 84. Resultat de la mostra 16
Figura 85. Fitxer amb els resultats de totes les mostres
107
7.3 VECTORS DE TRANSFERÈNCIA
Primer introduirem una de les mostres utilitzant el mètode Interactive. Per poder fer-ho
s’ha de clicar al menú del FuzzyTech on fica Debug i després Interactive d’aquesta
forma ja podem introduir els exemples. Per executar-ho, s’agafa un dels exemples que
volem introduir i tenim que ficar els valors de l’exemple a les determinades variables i
d’aquesta forma ens donarà un resultat final del risc.
En la Figura 86 podem veure el resultat del primer exemple:
Figura 86. Joc de proves interactiu
El segon mètode que podem utilitzar per debugar és utilitzar un fitxer .batch, en aquest
fitxer és on es posen totes les mostres que volem introduir al Sistema (Figura 87). Per
executar aquest mètode en el FuzzyTech s’ha de clicar en el menú l’opció Debug i
seguidament Batch on s’obre una finestra per buscar el fitxer que has creat. Quan
s’accepta, es comença l’execució del joc de proves, i el resultat del risc d’una mostra es
veu en el determinat pas on es troba.
108
Figura 87. Fitxer .batch amb els valors de les mostres del joc de proves
Com podem comprovar, només hi ha 4 mostres perquè estan totes repetides per poder
executar 16 mostres com a l’anterior joc de proves. Per aquest motiu solament
ensenyarem els 4 resultats de les mostres número 1, 3, 7 i 13:
Figura 88. Resultat de la mostra 1
Figura 89. Resultat de la mostra 3
109
Figura 90. Resultat de la mostra 7
Figura 91. Resultat de la mostra 13
110
7.4 SUBJECTES A PROTEGIR
Utilitzarem primerament el mètode Interactive per poder debugar el Sistema Expert. Per
poder fer-ho s’ha de clicar al menú del FuzzyTech on fica Debug i després Interactive
d’aquesta forma ja podem introduir els exemples. Per executar-ho, s’agafa un dels
exemples que volem introduir i tenim que ficar els valors de l’exemple a les
determinades variables i d’aquesta forma ens donarà un resultat final del risc.
En la Figura 92 podem veure el resultat del primer exemple:
Figura 92. Joc de proves interactiu
Ara utilitzarem per debugar un fitxer .batch, en aquest fitxer és on es posen totes les
mostres que volem introduir al Sistema (Figura 93). Per executar aquest mètode en el
FuzzyTech s’ha de clicar en el menú l’opció Debug i seguidament Batch on s’obre una
finestra per buscar el fitxer que has creat. Quan s’accepta, es comença l’execució del joc
de proves, i el resultat del risc d’una mostra es veu en el determinat pas on es troba.
Figura 93. Fitxer .batch amb els valors de les mostres del joc de proves
111
Però si ens fixem amb la Figura anterior, són 4 mostres diferents, per tant únicament
mostrarem els resultats dels quatre casos diferents:
Figura 94. Resultat de la mostra 1
Els resultats de les mostres 3 i 7 són exactament iguals que el de la Figura 94.
Figura 95. Resultat de la mostra 13
112
7.5 SISTEMA EXPERT JUNT
Introduirem les mostres de l’article a tot el conjunt de forma interactiva. Com hem
explicat, s’ha de clicar al menú del FuzzyTech on fica Debug i després Interactive
d’aquesta forma ja podem introduir els exemples. Per executar-ho, s’agafa un dels
exemples que volem introduir i tenim que ficar els valors de l’exemple a les
determinades variables i d’aquesta forma ens donarà un resultat final del risc.
El primer exemple és el que veiem en la Figura 96. El resultat que obtenim és de Risc
Low amb nivell 0.7, que defuzzificat dóna 1.5554, tal com es mostra a la finestra
inferior.
Figura 96. Joc de proves interactiu
Per utilitzar el mètode batch en tot el Sistema Expert, creem un fitxer (Figura 97) on
posem tots els valors a les variables. Després veurem el resultat del riscTotal executant
una per una cada mostra introduïda.
113
Figura 97. Fitxer batch amb les mostres per tot el Sistema Expert
El resultat de la primera mostra és el següent:
Figura 98. Resultat de la primera mostra
La segona mostra ens dona el mateix resultat, la diferència és que s’activa el terme Low
amb un nivell de 0.75.
Figura 99. Resultat de la tercera mostra
114
Figura 100. Resultat de la mostra número 4
El resultat de la mostra 5 i 6 és el mateix que el vist en la Figura 100.
Figura 101. Resultat de la mostra número 7
Figura 102. Resultat de la mostra número 8
El resultat de la mostra número 9 i 10 és el mateix que la Figura 101, és a dir, 4.9996.
Figura 103. Resultat de la mostra número 11
El resultat de la mostra número 12 és el mateix que la Figura 102, és a dir, 5.6888.
115
Figura 104. Resultat de la mostra número 13
El resultat de la mostra número 14 és el mateix que la Figura 104, la diferència és que el
nivell de Low s’ha activat amb 0.80, igual que el resultat de la mostra 15. I el resultat de
la mostra 16 també és el mateix que la Figura 104, però el Low s’ha activat a 0.85.
116
8. ESTUDI DE L’ÚS DE LES TÈCNIQUES NEURO-FUZZY EN AQUEST PROBLEMA Les tècniques de Neuro-Fuzzy, com hem explicat en l’apartat 4, ens ajuda a millorar un
Sistema Expert.
El nostre objectiu era aplicar les tècniques del Neuro-Fuzzy per tot el Sistema Expert,
però no ha set possible per la falta d’exemples resolts del risc de contaminació del sòl i
per un problema del producte Fuzzy-Tech.
Per aquest motiu hem agafat un Sistema Expert petit amb dues variables d’entrada i una
de sortida explicada anteriorment en la secció 6.2
Figura 105. Sistema Expert
El procediment que hem seguit per comprovar la millora del Sistema Expert és agafar
dues regles de les que teníem definides i canviar el resultat de risc:
Figura 106. Regles del Sistema Expert
La regla número 3 és la que teníem definida, i la regla 4 és la que hem definit nosaltres.
La regla número 6 és la que teníem definida, i la regla 7 és la que hem definit nosaltres.
117
Per a que el Neuro-Fuzzy es pugui aplicar i seleccioni la millor regla hem construït un
fitxer que conté les dades de les variables i el resultat del risc final perquè pugui
aprendre. Com podem veure en la Figura 107 les dades estan definides per a que
s’activin les regles noves que hem afegit, per comprovar si ho fa bé. En aquest exemple,
només hem posat 2 casos de mostra per cada regla a aprendre.
Figura 107. Fitcher .batch
Apliquem al Sistema Expert l’aprenentatge i els resultats són els següents:
Figura 108. Resultat de l’aprenentatge del Sistema Expert
Com podem comprovar en la Figura 108, la regla 3 li ha deixat un pes d’un 0,22 i a la
regla 4 un pes de 0,94 és a dir la diferència és suficient com per poder eliminar la regla
3. I l’altra regla que hem seleccionat per comprovar que es podia aplicar l’aprenentatge
al nostre sistema també ens ha donat els resultats esperats. En la regla 6 ens ha deixat el
pes a 0, en canvi, la regla 7 a 0,84 amb la qual cosa hi ha una gran diferència per poder
elegir la regla adequada.
Hem decidit fer més jocs de proves, i en un altre fitxer hem ficat més dades per a que
s’adoni de quina de les regles és la bona i el resultat amb 4 mostres per cada regla és el
següent
118
Figura 109. Resultat de l’aprenentatge del Sistema Expert amb 8 mostres
La diferència que trobem amb l’anterior joc de proves, és que el pes de la regla 3 l’ha
deixat a 0,07, que és un valor menor que abans. I la que nosaltres volem, és a dir, la
regla 4, l’ha deixat a 1. La regla 6 la continua deixant a 0 i la regla 7 a 0,84. També
podem comprovar que hem baixat la mitjana de la desviació.
Hem fet un altre fitxer, el qual conté 6 mostres per a cada regla, amb el qual continua
adonant-se quina és la regla bona, i disminuint la mitjana de desviació, lo qual indica
que discrimina una mica millor que el cas anterior.
Figura 110. Resultat de l’aprenentatge del Sistema Expert amb 12 mostres
La conclusió d’aquestes proves és que com més casos resolts introdueixes al fitxer per a
que el Sistema Expert pugui aprendre, més eficaç acaba sent.
Encara que, com hem observat en la Figura 108, sol ficant-hi dos mostres per cada regla
que volem que aprengui, ens ha triat la regla correcta. És a dir, les tècniques del Neuro-
Fuzzy són molt potents, ja que per decidir quina de les dues regles és la bona amb un
exemple n’hi ha suficient. Però per fer el millor Sistema Expert es necessiten molts
casos resolts.
119
9. CONCLUSIONS Saber el risc d’un sòl contaminat per poder actuar i remeiar-ho, a dia d’avui, és molt
necessari. I la eina que hem creat es pot utilitzar adequadament, ja que la utilització de
la lògica fuzzy ens permet utilitzar dades imprecises, és a dir, que no siguin magnituds
exactes, i utilitzar les característiques més representatives per saber si un sòl està
contaminat.
En aquet PFC hem millorat el Sistema Expert que estava creat [García, 2005] per
decidir quin és el risc d’un sòl determinat.
Aquest nou SE és fàcil d’entendre i fàcil de ser modificat. Per tant, si passat un temps
els experts químics troben noves característiques per analitzar el risc d’un sòl
contaminat, o diferents valors, poden modificar ells mateixos el Sistema Expert,
d’aquesta forma no tenen que estar pendents de que un expert en informàtica els hi
solucioni un petit problema.
El Sistema Expert és una ajuda per la presa de decisions, amb el qual guanyem amb la
dependència de personal expert, ja que no has de tenir molts experts per decidir si un sòl
està contaminat, el coneixement es quedarà per sempre, acceptant canvis i
modificacions i millorarem la eficiència en la presa de decisions amb la qual cosa es pot
actuar més ràpidament per remeiar un sòl contaminat.
L’inconvenient més gran ha estat la falta de mostres per determinar quin és el risc d’un
sòl contaminat. Aquest problema ens ha afectat a la millora del Sistema Expert, ja que
volíem utilitzar les tècniques del Neuro-Fuzzy per tot el sistema. Cosa que no es pot fer
si no es tenen suficients mostres representatives.
Finalment, analitzaré si he complert els objectius proposats al principi del projecte:
• He adquirit el coneixement relacionat amb els sistemes experts i les xarxes
neuronals, gràcies a la informació que hi ha als llibres. Aquest va ser el principal
objectiu al començament del PFC per poder fer-lo.
• L’objectiu d’obtenir i modelar el coneixement del domini amb el PFC que
teníem [García, 2005], ens ha resultat complicat, tal com hem explicat en la
secció 5 hem aprofitat bàsicament l’estructura del Sistema Expert i totes les
variables definides. Gràcies a la Dra. Marta Schumacher hem completat totes les
regles.
120
• He aprés a utilitzar l’entorn de desenvolupament FuzzyTech per crear tot el
Sistema Expert, i la part de Neruo-Fuzzy per comprovar que realment millora un
Sistema Expert. Aquest procés ha estat bàsicament llegir el manual que ens
proporcionava el producte FuzzyTech.
• L’últim objectiu, com he dit abans, l’hem assolit ja que he construït el Sistema
Expert amb l’eina FuzzyTech. Com hem estructurat el Sistema Expert en tres
grups, teníem tres Sistemes Experts amb fitxers diferents. I per poder ajuntar els
tres Sistemes Experts he tingut que fer-ho tot de nou, definint totes les variables,
totes les regles i els paràmetres elegits.
121
10. VALORACIÓ PERSONAL DEL PROJECTE FINAL DE CARRERA Aquest projecte per a mi ha significat molt ja que m’ha demostrat que sent informàtica
també pots ajudar a la societat, com aquest projecte, que servirà per ajudar a saber el
risc d’un sòl contaminat i d’aquesta forma poder remeiar-ho.
També me n’he adonat, que l’Intel·ligència Artificial és una rama de la informàtica molt
interessant i que m’ha agradat molt. He pogut comprovar que les diferents àrees de
treball, en veritat, han d’estar juntes per solucionar els problemes. En aquest cas l’àrea
de la química i la informàtica.
La dificultat més gran que he trobat ha estat la determinació de les regles. Va ser molt
difícil intentar treure-les d’un Sistema Expert que no s’entenia res perquè no estava ben
estructurat, i li faltava la documentació necessària per poder entendre on estaven les
regles. Després també va ser difícil fer el paper d’enginyer del coneixement per ajudar a
l’expert (la Dra. Marta Schumacher) a formalitzar el coneixement d’un domini que jo no
coneixia. Finalment el procés que ens va anar millor va ser que jo li proposava un
conjunt de regles (que obtenia amb l’aproximació de la mitjana dels valors) i ella les
revisava i em deia noves regles. Crec que a vegades és millor començar-ho tot de nou.
En aquest tema també he comprovat que és molt important una bona comunicació entre
els experts per poder crear les regles perfectament.
Aquest projecte m’ha servit per aprendre tot el tema de la lògica fuzzy ja que no sabia
res d’aquest tema, i també sobre les xarxes neuronals. També he aprés a utilitzar l’eina
FuzzyTech que crec que és un producte molt eficaç per tractar tota la lògica fuzzy.
La millor sensació havent realitzat aquest projecte és que m’he sentit útil i que el
resultat m’ha agradat.
Aquest projecte m’ha suposat un grau d’esforç alt en quan a l’adquisició del
coneixement, és a dir, al començament del PFC quan has de llegir tota la informació per
poder fer-lo, i també a l’hora de tenir un coneixement químic per entendre els criteris
que m’explicava l’expert per poder construir les regles. Però després, m’ha resultat tot
més fàcil ja que al agradar-me el projecte no hem suposava un gran esforç dedicar-li el
temps necessari.
122
11. TREBALL FUTUR Aquest projecte es pot millorar ja que amb més exemples de casos resolts i més temps
es poden definir millor les regles o alguna variable del Sistema Expert.
Una millora seria canviar el mètode que hem utilitzat per crear algunes regles,
l’aproximació de la mitjana, per un mètode que utilitzés tècniques de generació
automàtica de regles, com per exemple els arbres de decisió, que ens permetrien regir el
nombre de regles, i les variables que hi ha a cadascuna.
Una de les nostres idees era aplicar les tècniques del Neuro-Fuzzy a tot el Sistema
Expert, aquest punt crec que seria interessant dur-lo a terme ja que és una millora del
Sistema Expert creat. D’aquesta forma ens permetria veure si hi ha alguna regla que no
fa falta, o si hi ha alguna regla mal definida.
123
12. REFERÈNCIES
12.1 Bibliografia [Mishkoff, 1988] Henry C. Mishkoff, A fondo: Inteligencia Artificial. Anaya Multimedia, cop. 1988 [Haton, 1992] J. P. Haton, M. Ch. Haton, La inteligencia artificial. Tibidabo, 1992 [García, 2005] M.García, Sistema experto para la priorización de suelos contaminados. Projecte Final de Carrera d’una estudiant de Enginyeria Tècnica en Informàtica de Sistemes de la Universitat Rovira i Virgili, 2005. [Valls, 2008] A. Valls, M. Batet, E. M. López, Using expert’s rules as background knowledge in the ClusDM methodology. European Journal of Operational Research, to be published, 2008 [López, 2008] E. M. López, M. García, M. Schuhmacher, J. L. Domingo, A fuzzy expert system for soil characterization, Environmental International Journal, to be published, 2008. [CEC, 2002] Comunicació de la comissió de consell, el parlament Europeu, el comité econòmic, social i el comité de les regions “Towards a Thematic Strategy for Soil Protection”. Brussel·les, 2002. [Torra, 2006] Vicenç Torra, Sistemes Difusos, Incertesa i Raonament Aproximat, Universitat Oberta de Catalunya, 2006 [Ferrari, 2007] P. Ferrari, A. Valls, M. Batet, Estudi i avaluació de Sistemes de presa de decisions multicriteri. Report de Recerca de la Universitat Rovira i Virgili, DEIM-RR-07-002. 2007 [Zadeh, 1994] Lofti Zadeh, The Fuzzy Systems Handbook. Earl Cox, 1994. [Zadeh, 1965] Lofti Zadeh, Information and Control, Fuzzy Sets, pp.338-353, 1965. [Isasi, 2004] P. Isasi, I. M. Galván, Redes de Neuronas Artificiales Un Enfoque Práctico. Prentice Hall, 2003. [Sangüesa, ] R. Sangüesa, Classificació: Xarxes Neuronals, Universitat Oberta de Catalunya. [Asante-Duah, 1998] K. Asante-Duah, Risk assessment in Environmental Managment. Chichester, Engalnd. John Wiley & Son Ltd, 1998.
124
[Kendal, 2007] Kendal, Simon & Creen, An Introduction to Knowledge Engineering. Springer, ISBN 978-1-84628-475-5, 2007 [Kumar,2006] V. Kumar, M. García, E. López, A. Valls, A Multicriteria Fuzzy Decision System to Sort Contaminated Soils, V. Torra et al. (Eds): MDAI 2006, LNAI 3885, pp. 105-116. Springer-Verlag Berlin Heidelberg, 2006. [Moreno, 1993] A. Moreno, J. Béjar, U. Cortés, Inteligencia Artificial. Politext col·lecció, Edicions UPC, àrea de computació i control. [Newell, 1990] A. Newell, Unified theories of cognition. Harvard, University Press, 1990. [www.fuzzytech.com] Inform GmbH, http://www.fuzzytech.com/