Fuzzy ART: An Adaptive Resonance Algorithm for Rapid, Stable Classification of Analog Patterns

The Fuzzy ART system introduced herein incorporates computations from fuzzy set theory into ART 1. For example, the intersection (n) operator used in ART 1 learning is replaced by the MIN operator (A) of fuzzy set theory. Fuzzy ART reduces to ART 1 in response to binary input vectors, but can also learn stable categories in response to analog input vectors. In particular, the MIN operator reduces to the intersection operator in the binary case. Learning is stable because all adaptive weights can only decrease in time. A preprocessing step, called complement coding, uses on-cell and off-cell responses to prevent category proliferation. Complement coding normalizes input vectors while preserving the amplitudes of individual feature activations.

Fuzzy ART: Fast Stable Learning and Categorization of Analog Patterns by an Adaptive Resonance System

A Fuzzy ART model capable of rapid stable learning of recognition categories in response to arbitrary sequences of analog or binary input patterns is described. Fuzzy ART incorporates computations from fuzzy set theory into the ART 1 neural network, which learns to categorize only binary input patterns. The generalization to learning both analog and binary input patterns is achieved by replacing appearances of the intersection operator (n) in AHT 1 by the MIN operator (Λ) of fuzzy set theory. The MIN operator reduces to the intersection operator in the binary case. Category proliferation is prevented by normalizing input vectors at a preprocessing stage. A normalization procedure called complement coding leads to a symmetric theory in which the MIN operator (Λ) and the MAX operator (v) of fuzzy set theory play complementary roles. Complement coding uses on-cells and off-cells to represent the input pattern, and preserves individual feature amplitudes while normalizing the total on-cell/off-cell vector. Learning is stable because all adaptive weights can only decrease in time. Decreasing weights correspond to increasing sizes of category "boxes". Smaller vigilance values lead to larger category boxes. Learning stops when the input space is covered by boxes. With fast learning and a finite input set of arbitrary size and composition, learning stabilizes after just one presentation of each input pattern. A fast-commit slow-recode option combines fast learning with a forgetting rule that buffers system memory against noise. Using this option, rare events can be rapidly learned, yet previously learned memories are not rapidly erased in response to statistically unreliable input fluctuations.

Fuzzy ARTMAP: A Neural Network Architecture for Incremental Supervised Learning of Analog Multidimensional Maps

A new neural network architecture is introduced for incremental supervised learning of recognition categories and multidimensional maps in response to arbitrary sequences of analog or binary input vectors. The architecture, called Fuzzy ARTMAP, achieves a synthesis of fuzzy logic and Adaptive Resonance Theory (ART) neural networks by exploiting a close formal similarity between the computations of fuzzy subsethood and ART category choice, resonance, and learning. Fuzzy ARTMAP also realizes a new Minimax Learning Rule that conjointly minimizes predictive error and maximizes code compression, or generalization. This is achieved by a match tracking process that increases the ART vigilance parameter by the minimum amount needed to correct a predictive error. As a result, the system automatically learns a minimal number of recognition categories, or "hidden units", to met accuracy criteria. Category proliferation is prevented by normalizing input vectors at a preprocessing stage. A normalization procedure called complement coding leads to a symmetric theory in which the MIN operator (Λ) and the MAX operator (v) of fuzzy logic play complementary roles. Complement coding uses on-cells and off-cells to represent the input pattern, and preserves individual feature amplitudes while normalizing the total on-cell/off-cell vector. Learning is stable because all adaptive weights can only decrease in time. Decreasing weights correspond to increasing sizes of category "boxes". Smaller vigilance values lead to larger category boxes. Improved prediction is achieved by training the system several times using different orderings of the input set. This voting strategy can also be used to assign probability estimates to competing predictions given small, noisy, or incomplete training sets. Four classes of simulations illustrate Fuzzy ARTMAP performance as compared to benchmark back propagation and genetic algorithm systems. These simulations include (i) finding points inside vs. outside a circle; (ii) learning to tell two spirals apart; (iii) incremental approximation of a piecewise continuous function; and (iv) a letter recognition database. The Fuzzy ARTMAP system is also compared to Salzberg's NGE system and to Simpson's FMMC system.

A Neural Network Realization of Fuzzy ART

A neural network realization of the fuzzy Adaptive Resonance Theory (ART) algorithm is described. Fuzzy ART is capable of rapid stable learning of recognition categories in response to arbitrary sequences of analog or binary input patterns. Fuzzy ART incorporates computations from fuzzy set theory into the ART 1 neural network, which learns to categorize only binary input patterns, thus enabling the network to learn both analog and binary input patterns. In the neural network realization of fuzzy ART, signal transduction obeys a path capacity rule. Category choice is determined by a combination of bottom-up signals and learned category biases. Top-down signals impose upper bounds on feature node activations.

Comparative Performance Measures of Fuzzy ARTMAP, Learned Vector Quantization, and Back Propagation for Handwritten Character Recognition

This article compares the performance of Fuzzy ARTMAP with that of Learned Vector Quantization and Back Propagation on a handwritten character recognition task. Training with Fuzzy ARTMAP to a fixed criterion used many fewer epochs. Voting with Fuzzy ARTMAP yielded the highest recognition rates.

Comparison of deterministic, stochastic and fuzzy logic uncertainty modelling for capacity extension projects of DI/WFI pharmaceutical plant utilities with variable/dynamic demand

The last 30 years have seen Fuzzy Logic (FL) emerging as a method either complementing or challenging stochastic methods as the traditional method of modelling uncertainty. But the circumstances under which FL or stochastic methods should be used are shrouded in disagreement, because the areas of application of statistical and FL methods are overlapping with differences in opinion as to when which method should be used. Lacking are practically relevant case studies comparing these two methods. This work compares stochastic and FL methods for the assessment of spare capacity on the example of pharmaceutical high purity water (HPW) utility systems. The goal of this study was to find the most appropriate method modelling uncertainty in industrial scale HPW systems. The results provide evidence which suggests that stochastic methods are superior to the methods of FL in simulating uncertainty in chemical plant utilities including HPW systems in typical cases whereby extreme events, for example peaks in demand, or day-to-day variation rather than average values are of interest. The average production output or other statistical measures may, for instance, be of interest in the assessment of workshops. Furthermore the results indicate that the stochastic model should be used only if found necessary by a deterministic simulation. Consequently, this thesis concludes that either deterministic or stochastic methods should be used to simulate uncertainty in chemical plant utility systems and by extension some process system because extreme events or the modelling of day-to-day variation are important in capacity extension projects. Other reasons supporting the suggestion that stochastic HPW models are preferred to FL HPW models include: 1. The computer code for stochastic models is typically less complex than a FL models, thus reducing code maintenance and validation issues. 2. In many respects FL models are similar to deterministic models. Thus the need for a FL model over a deterministic model is questionable in the case of industrial scale HPW systems as presented here (as well as other similar systems) since the latter requires simpler models. 3. A FL model may be difficult to "sell" to an end-user as its results represent "approximate reasoning" a definition of which is, however, lacking. 4. Stochastic models may be applied with some relatively minor modifications on other systems, whereas FL models may not. For instance, the stochastic HPW system could be used to model municipal drinking water systems, whereas the FL HPW model should or could not be used on such systems. This is because the FL and stochastic model philosophies of a HPW system are fundamentally different. The stochastic model sees schedule and volume uncertainties as random phenomena described by statistical distributions based on either estimated or historical data. The FL model, on the other hand, simulates schedule uncertainties based on estimated operator behaviour e.g. tiredness of the operators and their working schedule. But in a municipal drinking water distribution system the notion of "operator" breaks down. 5. Stochastic methods can account for uncertainties that are difficult to model with FL. The FL HPW system model does not account for dispensed volume uncertainty, as there appears to be no reasonable method to account for it with FL whereas the stochastic model includes volume uncertainty.

Promedio bayesiano de modelos para la predicción del consumo máximo de oxígeno en deportistas con datos de no-ejercicio

Históricamente, los modelos de no-ejercicio para predecir el consumo máximo de oxígeno (VO2max) han sido construidos mediante regresión lineal frecuentista, usando técnicas estándar de selección de modelos. Sin embargo, existe incertidumbre acerca de la estructura estadística en el proceso de selección del modelo. En este estudio se propuso construir un modelo de no-ejercicio para predecir el VO2max en deportistas orientados al rendimiento, considerando la incertidumbre de modelo a través del Promedio Bayesiano de Modelos (BMA). Un objetivo adicional fue comparar la performance predictiva del BMA con las de los modelos derivados de varias técnicas frecuentistas usuales de selección de variables. Con tal fin, se implementó un submuestreo aleatorio estratificado repetido. Los datos incluyeron observaciones de la variable respuesta (en L·min-1), así como registros de Género, Deporte, Edad, Peso, Talla e Índice de masa corporal (BMI) (Edad = 22.1 ± 4.9 años, media ± SD; n = 272). Se propuso una clasificación de deportes con el objetivo de incluirla dentro del proceso de construcción del modelo: Combate, Juego, Resistencia 1 y Resistencia 2. El enfoque BMA se implementó en base a dos métodos: Occam's window y Composición de Modelo mediante el método de Monte Carlo con Cadenas de Markov (MC²). Se observaron discrepancias en la selección de variables entre los procedimientos frecuentistas. Ambos métodos de BMA produjeron resultados muy similares. Los modelos que incluyeron Género y las variables dummies para Resistencia 1 y Resistencia 2 acumularon virtualmente toda la probabilidad de modelo a posteriori. El Peso fue el predictor continuo con la más alta probabilidad de inclusión a posteriori (menor a 0.8). Las combinaciones de variables que involucraron predictores con un alto nivel de multicolinealidad fueron desacreditadas. Los modelos con sustancial contribución para el BMA presentaron un ajuste apreciable (R² ajustado menor a 0.8). Entre los modelos seleccionados por estrategias frecuentistas, el obtenido mediante el método de regresión por pasos (Stepwise regression method) con alfa igual a 0.05 fue el más respaldado por los datos, en términos de probabilidad de modelo a posteriori. En concordancia con la literatura, el BMA tuvo mejor performance predictiva de los datos fuera de la muestra que los modelos seleccionados por técnicas frecuentistas, medida por la cobertura del intervalo de predicción de 90 por ciento. La clasificación de deportes reveló resultados consistentes.

Inferencia bayesiana sobre los parámetros de dispersión genéticos y ambientales en modelos animales con efectos maternos

Los modelos 'modelos animales con efectos maternos' (MAM) son modelos lineales mixtos que se utilizan para ajustar registros de caracteres bajo la influencia de efectos maternos. Uno de los desafíos más importantes en el marco de los MAM es la estimación de los parámetros de dispersión o 'componentes de (co) varianza' (CVC). En esta tesis se introducen desde una perspectiva bayesiana contribuciones teóricas y metodológicas con relación a la estimación de CVC para MAM sujetos a estructuras de covarianza novedosas. En primer lugar, se describe una implementación del análisis bayesiano jerárquico vía el algoritmo del muestreo de Gibbs. Luego, se considera una especificación conjugada diferente para la distribución a priori de la matriz de covarianza genética, basada en la distribución Wishart invertida generalizada, y se presenta una estrategia para determinar los correspondientes hiperparámetros. Esta estrategia fue comparada contra otras especificaciones a priori mediante un estudio de simulación estocástica, y produjo estimaciones precisas de los parámetros genéticos, con menores errores estándares y mejor tasa de convergencia. En segundo lugar, se presenta una formulación alternativa del MAM que incluye un parámetro de correlación ambiental entre pares de observaciones madre-progenie, y se desarrolla un procedimiento de estimación basado en un algoritmo de muestreo por grilla. El procedimiento fue programado y ejecutado exitosamente, y se obtuvo la primera estimación del parámetro de correlación con datos de campo para peso al destete en bovinos de carne. Por último, se considera el problema de la estimación de CVC en una población multirracial, donde en general es necesario especificar una estructura de covarianza heterogénea para los valores de cría. En particular, se demuestra que el modelo basado en la descomposición de la matriz de covarianza genética es equivalente al que deriva de la teoría genética cuantitativa. Además, se extiende el modelo para incluir efectos maternos y se describe la implementación de un análisis bayesiano jerárquico con el objetivo de estimar los CVC. El procedimiento fue implementado con éxito en datos experimentales de peso al destete y se obtuvieron por primera vez estimaciones para el conjunto completo de CVC.

Modelos animales para caracteres con efectos maternos, madres no identificadas e información incompleta

La evaluación genética para caracteres de crecimiento pre - destete requiere ajustar modelos animales con efectos maternos (MAM). Tanto la estimación paramétrica de la variabilidad como la evaluación genética mediante MAM son realizadas empleando datos de campo, muchos de los cuales no poseen información completa para todas las variables explicativas maternas. Es común no contar con la identificación de madres (biológicas y/o receptoras), de abuelas maternas y, consecuentemente, de la edad de la madre (EM). Este problema es bien marcado en razas compuestas como Brangus y Braford que tienen políticas para registrar animales de pedigrí "abierto". Además, no existe un consenso sobre cuál es el mejor modelo de predicción, y existen interrogantes sobre la magnitud de los componentes de (co) varianza genético-aditivos y ambientales del modelo de evaluación. La primera investigación de esta tesis consistió en la estimación, mediante métodos bayesianos de los parámetros de dispersión en MAMs con distintas estructuras de (co) varianza, para datos de peso al destete de animales Angus de pedigrí. El análisis se caracterizó por la originalidad en los muestreos de las distribuciones marginales posteriores de las covarianzas genéticas aditivas y de la correlación entre los efectos ambientales maternos permanentes de una vaca y sus hijas también madres. Con el objeto de especificar correctamente la fracción aditiva de las (co) varianzas cuando se desconocen las madres y/o abuelas maternas de los animales con datos, en otro capítulo se desarrollaron MAMs equivalentes que no requieren alargar los vectores de los valores de cría con madres o abuelas fantasmas. Finalmente, se desarrolló un modelo mixto que atenúa el sesgo por error de medición clásico en el efecto EM, e introduce splines penalizadas y una estructura de (co) variación autoregresiva de orden 1 para suavizar las covarianzas residuales Este modelo es apropiado para ajustar datos de animales nacidos por transplante embrionario con madres receptoras desconocidas

Sistemas de evaluación de tierras y elaboración de modelos de aptitud de uso agrícola, para distintos escenarios climáticos, en un sector de la subregión pampa arenosa (Provincia de Buenos Aires, Argentina)

La Pampa Arenosa ha sido escenario de cambios en el uso del territorio que respondieron principalmente al aumento de las precipitaciones a partir de la década del 70. La evaluación de las tierras es una etapa crítica en la planificación del uso sustentable. Por este motivo, se analizaron distintos sistemas de evaluación de tierras y se desarrollaron modelos expertos que consideren los factores ambientales heredados y las variaciones climáticas, para el sector de dunas longitudinales de la Pampa Arenosa en la Provincia de Buenos Aires, a escala 1: 50.000, considerando a los partidos de Nueve de Julio, Carlos Casares, Pehuajó y Trenque Lauquen. Las tierras fueron clasificadas por Capacidad de Uso, Indice de Productividad (IP) y se generaron sistemas expertos, utilizando el programa ALES, para los tipos de utilización de las tierras (TUTs) : maíz, soja y trigo. La homogeneidad de las series climáticas de precipitaciones se determinó mediante el test de Rachas. La aplicación del test de Pettitt permitió identificar la existencia de un cambio abrupto en las precipitaciones y el este de Mann Kendall mostró una tendencia creciente en relación a la precipitación anual. Las tierras con severas (clase III) y muy severas limitaciones (clase IV), fueron las más frecuentes ocupando el 42,6 por ciento y 29,8 por ciento respectivamente del área. Se comprobó que el IP de las tierras se incrementó con el aumento de las precipitaciones, alcanzando su máxima expresión climática en el período posterior al cambio abrupto. Las tierras de moderada capacidad productiva con valores de IP entre 65-51 ocuparon la mayor superficie de área de estudio. Los modelos expertos según los TUTs presentaron una aptitud de uso de las tierras variable, condicionada por la capacidad de retención hídrica de los suelos. Los modelos expertos fueron sensibles a las variaciones climáticas y el cambio abrupto en las precipitaciones.

Modelos explicativos y predictivos de la productividad, disponibilidad y calidad de forraje basados en sensores remotos

La productividad primaria neta aérea (PPNA) y la biomasa y la calidad forrajeras son clave en los sistemas pastoriles. Dada su variación espacial y temporal, contar con descripciones de dicha variación y con herramientas de monitorización facilita y perfecciona su manejo. Los sensores remotos permiten estimar frecuente y detalladamente la PPNA pero no la biomasa y la calidad. El objetivo de esta tesis es mejorar el conocimiento sobre la PPNA y las posibilidades de monitorización de los recursos forrajeros en general y los de la Pampa Deprimida en particular. Primero, se presentan patrones de variación de la PPNA de los principales recursos forrajeros y modelos de prospección de la PPNA primaveral para distintas unidades de vegetación. Segundo, se presentan modelos de estimación de la biomasa y calidad forrajera basados en sensores remotos y generados mediante ensayos en condiciones controladas y a campo. La variación espacial de la PPNA fue explicada por la precipitación a escala regional, los suelos a escala subregional y los suelos y el pastoreo a escala local. Entre recursos, las pasturas de loma tuvieron mayor PPNA que los pastizales de bajo; dicha diferencia aumentó con la precipitación media. Entre escalas, la variación espacial fue mayor a escala regional y la temporal fue mayor a escala local. La PPNA primaveral se relacionó con variables ambientales de meses previos diferentes según los pastizales estuvieran dominados por especies invernales o estivales, y según las pasturas fueran de suelos profundos o someros. Las estimaciones de la biomasa y calidad forrajera fueron satisfactorias en general, aunque imprecisas bajo ciertas condiciones experimentales como sequía, fertilización, y presencia de biomasa senescente, que requirieron modelos específicos. La estimación de la biomasa total a campo mediante un modelo basado en estimaciones independientes de la biomasa fotosintética y la no fotosintética resultó precisa a lo largo de un año. Los resultados aportan información acerca de los controles ambientales de la PPNA en pastizales subhúmedos y representan un avance en la estimación de la biomasa y calidad forrajera mediante sensores remotos

Sistema de observaciones fenológicas y fenométricas para la calibración de modelos fisiológicos de rendimiento

p.99-108

Sistemas de evaluación de tierras y elaboración de modelos de aptitud de uso agrícola, para distintos escenarios climáticos, en un sector de la subregión pampa arenosa (Provincia de Buenos Aires, Argentina)

La Pampa Arenosa ha sido escenario de cambios en el uso del territorio que respondieron principalmente al aumento de las precipitaciones a partir de la década del 70. La evaluación de las tierras es una etapa crítica en la planificación del uso sustentable. Por este motivo, se analizaron distintos sistemas de evaluación de tierras y se desarrollaron modelos expertos que consideren los factores ambientales heredados y las variaciones climáticas, para el sector de dunas longitudinales de la Pampa Arenosa en la Provincia de Buenos Aires, a escala 1: 50.000, considerando a los partidos de Nueve de Julio, Carlos Casares, Pehuajó y Trenque Lauquen. Las tierras fueron clasificadas por Capacidad de Uso, Indice de Productividad (IP)y se generaron sistemas expertos, utilizando el programa ALES, para los tipos de utilización de las tierras (TUTs): maíz, soja y trigo. La homogeneidad de las series climáticas de precipitaciones se determinó mediante el test de Rachas. La aplicación del test de Pettitt permitió identificar la existencia de un cambio abrupto en las precipitaciones y el este de Mann Kendall mostró una tendencia creciente en relación a la precipitación anual. Las tierras con severas (clase III)y muy severas limitaciones (clase IV), fueron las más frecuentes ocupando el 42,6 por ciento y 29,8 por ciento respectivamente del área. Se comprobó que el IP de las tierras se incrementó con el aumento de las precipitaciones, alcanzando su máxima expresión climática en el período posterior al cambio abrupto. Las tierras de moderada capacidad productiva con valores de IP entre 65-51 ocuparon la mayor superficie de área de estudio. Los modelos expertos según los TUTs presentaron una aptitud de uso de las tierras variable, condicionada por la capacidad de retención hídrica de los suelos. Los modelos expertos fueron sensibles a las variaciones climáticas y el cambio abrupto en las precipitaciones.

Eficiencia in vitro de antagonistas de Rhizoctonia solani y Sclerotium rolfsii y análisis camparativo de distintos modelos de crecimiento

p.59-65

Estudios preliminares para la elaboración de modelos de respuesta a la aplicación de fósforo en el sud este bonaerense, bajo condiciones de invernáculo

p.47-55