SOFT COMPUTING
DANIELA MARINO
Genomica funzionale & bioinformatica
E-mail: [email protected]
Introduzione
Velocità e precisione nell’esecuzione di calcoli
Il programmatore deve schematizzare la realtà che
è invece vaga e imprecisa
donare ai computer la
capacità di ragionare …
… utilizzando una conoscenza espressa
in termini sfumati, vaghi, sfocati,
nebulosi, imprecisi...(in inglese: fuzzy).
Logica fuzzy
L'idea di base nel 1965 (Lofti Zadeh )
teoria degli insiemi in cui non vi sono confini netti, ma graduali
non si parla più di appartenenza o non di un elemento ad un insieme, ma di
grado di appartenenza.
Questa logica estende il suo interesse anche a ciò che non è completamente vero,
al verosimile, all'incerto, cioè, in una parola, a tutto ciò che è fuzzy.
LOGICA BINARIA
Il MONDO FUZZY
Metodologia fuzzy
logica a più valori
Uso di variabili linguistiche per descrivere le variabili del problema
Rappresentare la conoscenza del problema in termini di regole fuzzy
Elaborazione delle regole tramite
INFERENZA FUZZY
FUZZIFICAZIONE
RAGIONAMENTO
DEFUZZIFICAZIONE
Fuzzificazione
Raccolta dati
Definizione insieme
funzioni di appartenenza
vale 0, quando l'elemento non appartiene del tutto all'insieme
vale 1, quando vi appartiene del tutto
assume un valore reale intermedio, quando vi appartiene parzialmente.
Ragionamento
Uso di variabili linguistiche:
variabili che utilizzano parole
( aggettivi descritti da insiemi fuzzy)
al posto dei numeri
arrivare ad una conclusione espressa come evidenza
Defuzzificazione
trasformare le uscite
del sistema di controllo fuzzy
in valori numerici
necessari a controllare i sistemi esterni.
entra in gioco il concetto di:
Inferenza di tipo fuzzy : metodo di ragionamento che modella la conoscenza umana
tramite regole linguistiche del tipo
Esempio:
<< se A è uguale a B, allora C è uguale a D >>
dove C e D rappresentano delle variabili.
La conoscenza : se l'acqua è molto calda, aggiungi molta acqua fredda.
Il fatto : l'acqua è abbastanza calda.
La conclusione : aggiungi un pò d'acqua fredda.
Schematizzando …
Esempio dell’acqua
“Se l'acqua è molto calda allora aggiungi molta acqua fredda”
l'elemento che lega questi due concetti è :
<<SE ... ALLORA>>;
<<IF(premessa)...THEN(conseguenza)>>
premessa può avere anche una struttura molto più articolata rispetto a quella semplice riportata nell'esempio e
coinvolgere gli operatori AND, OR e NOT
Conseguenza: assegnare un valore fuzzy ad uno o più elementi della variabile di uscita.
Operatori logici fuzzy: esempio
l'operatore (mA)(x) [0,1] significa che il grado di appartenenza dell'elemento x
nell'insieme fuzzy "A" varia tra zero e uno;
(m) viene definito "valore vero"e rappresenta il grado di verità di una certa
asserzione.
(m)(A and B) = min((m)A,(m)B) cioè l'operazione di AND delle due variabili
fuzzy A e B è il minimo valore vero
(m)(A or B) = max((m)A,(m)B) cioè l'operazione di OR delle due variabili fuzzy
A e B è il massimo valore vero
(m)(not A) = 1 – (m)A rappresenta l'operazione di NOT della variabile fuzzy A
Tutti gli operatori sopra definiti sono equivalenti alle loro controparti logiche per
(m) limitato tra zero e uno.
Soft computing
sola logica di controllo fuzzy
non sufficiente per realizzare sistemi
di controllo realmente intelligenti
soft computing (smart logic)
reti neurali + logica fuzzy + algoritmi genetici + microelettronica
Reti neurali
-- Neuroni
– Sinapsi
-- Apprendimento:
apprendimento con supervisore : sono noti l'ingresso e l'uscita corrispondente ed i
pesi e le connessioni vengono modificati per produrre l'uscita migliore;
apprendimento rinforzato : non é data l'uscita corretta, ma viene solamente detto
se l'uscita prodotta é valida o meno;
apprendimento senza supervisore : la rete sviluppa le proprie regole di
classificazione mediante l'estrazione degli esempi presentati in ingresso
Algoritmi genetici
strategie di ricerca e ottimizzazione basate sul principio dell'evoluzione naturale
tipica dei processi biologici
generazione di nuovi individui da individui di generazioni precedenti e sopravvivenza
degli individui migliori.
affrontare in maniera agevole problematiche di spropositata difficoltà o addirittura non
affrontabili utilizzando le metodologie tradizionali
(es. metodi classici di ottimizzazione)
Perché il soft computing?
!! Difficoltà !! delle aziende che avevano puntato tutto
sull'affermazione tecnologica delle reti neurali e della
logica fuzzy separatamente.
Logica fuzzy
la capacità di modellizzazione, di controllo di sistemi incerti e complessi e di
rappresentazione sintetica della conoscenza
Reti neurali
la capacità di apprendimento di relazioni funzionali molto complesse
Algoritmi genetici
la capacità di ottimizzazione, basata sulle leggi di mutazione e di selezione
NEURO-FUZZY : L’IBRIDO PIU’ USATO IN BIOLOGIA
-- Capire il modello appreso e integrarlo con conoscenze provenienti da un esperto
-- Funzioni di appartenenza ed operatori fuzzy realizzati dalle funzioni di attivazione
dei nodi
-- Applicazione di tecniche neurali per apprendere e migliorare i parametri e la
struttura del sistema fuzzy
-- Creazione di neuroni fuzzy
-- Controllo fuzzy dei parametri di apprendimento
CLASSIFICAZIONE DI PROTEINE CON SISTEMI NEURO-FUZZY
PER MIGLIORARE
LA PREDIZIONE DI STRUTTURE SECONDARIE
SPETTROSCOPIA AD INFRAROSSI
SISTEMA DI RETI NEURALI (BACKPROPAGATION)
combinato con
SISTEMA NEURO FUZZY
esempio
PROTEINE TUTTE ALFA
PROTEINE TUTTE BETA
In base alla posizione dell’amide I nello spettro
Approccio neuro-fuzzy per la classificazione di segnali ecg
per la diagnosi di ischemie cardiache
Fuzzy-Gaussian Neural Network (FGNN)
Riconosce i segnali ECG che caratterizzano una ischemia cardiaca in soli due passi:
-- Estrazione di caratteristiche QRST dal tracciato digitale
-- Classificazione dei pattern
Hanno usato ECG DB di 40 soggetti, di cui 20 erano malati e 20 sani.
Il miglior risultato ottenuto è stato riconoscere il 100% dei soggetti malati
con soli 5 tracciati per ognuno!!
Con le tecniche standard il numero minimo di tracciati è in media 12!!!
L’utilizzo dell’intelligenza artificiale per la predizione di tumori
Sono stati studiati biomarker molecolari come p53 e proteine del mismatch repair,
e dati clinicopatologici convenzionali appartenenti ad un gruppo di 109 pazienti malati
di cancro
Sono stati prodotti tre modelli per verificare la presenza e il rilascio nel tempo
del tumore:
-- analisi statistiche (accuratezza 71 - 77%)
-- reti neurali (accuratezza 88 - 95%)
-- neuro fuzzy (accuratezza 88 - 95%)
Si preferisce allora usare il neurofuzzy perché anche se l’accuratezza è simile
alle reti neurali, al posto dei cosiddetti black blox impenetrabili caratteristici
delle reti neurali le sue regole sono trasparenti e gli input più manipolabili
Estrazione di motivi proteici con ottimizzazione neuro-fuzzy
Migliorare la velocità e la flessibilità nell’identificazione di motivi proteici
L’algoritmo creato è in grado di identificare sia motivi rigidi che flessibili
algoritmo
Analisi statistiche
Reti neurali
Trovare piccoli pattern
con alta frequenza
Ottimizzare con
precisione
la classificazione
finale
Logica fuzzy
Incrementare
la flessibilità
dei motivi
Il test di validazione è stato effettuato con EGF
Bibliografia
1) http://members.xoom.virgilio.it/ailab/biblio/cap7.htm
2) http://www.ce.unipr.it/people/cagnoni/didattica/intart/lucidi/
3) http://www.intellisystem.it/download/fuzzylogic.pdf
4) Neuro-fuzzy structural classification of proteins for improved protein
secondary structure prediction.
Hering JA, Innocent PR, Haris PI.
School of Molecular Sciences, De Montfort University, The Gateway, Leicester
LE1 9BH, UK.
5)A Neuro-fuzzy Approach to Classification of ECG Signals for Ischemic
Heart Disease Diagnosis.
Neagoe VE, Iatan IF, Grunwald S.
6)Artificial intelligence in predicting bladder cancer outcome: a comparison of
neuro-fuzzy modeling and artificial neural networks.
Catto JW, Linkens DA, Abbod MF, Chen M, Burton JL, Feeley KM, Hamdy FC.
The Academic Urology Unit, Department of Automatic Control and Systems Engineering, University of Sheffield,
Sheffield S10 2JF, United Kingdom
7)Protein motif extraction with neuro-fuzzy optimization.
Chang BC, Halgamuge SK.
Mechatronics Research Group, Mechanical and Manufacturing Engineering, University of Melbourne,
VIC 3010, Australia. [email protected]