Conjuntos difusos intervalo-valorados: estado del arte

Gonzlez del Campo, Ramn, e-mail:rgozale@estad.ucm.es, DSIC, UCM a o Garmendia, Luis, e-mail:lgarmend@fdi.ucm.es, DISIA, UCM

RESUMEN
Los conjuntos difusos intervalo-valorados han sido ampliamente utilizados. En este art culo mostramos su semntica, su estructura matemtica, sus relaciones a a con otras extensiones de los conjuntos difusos y las conectivas. Tambin mostramos e medidas de la entrop y de la especicidad de los conjuntos difusos intervaloa valorados. Para nalizar indicamos las aplicaciones donde los conjuntos intervalovalorados han tenido ms xito. a e

Palabras claves: Conjuntos difusos intervalo-valorados; negacin intervalo-valorada; t-norma o intervalo-valorada, t-conorma intervalo-valorada; medida de entrop intervaloa valorada; especicidad intervalo-valorada.

1. INTRODUCCION
Los conjuntos difusos (fuzzy sets, FSs) que fueron introducidos por Zadeh en 1.965 [24] constituyeron una asombrosa herramienta para representar el conocimiento humano. Sin embargo, pronto, en 1.973, se vieron sus limitaciones en algunos problemas de toma de decisiones [25]. Con el propsito de superar o estas limitaciones surgieron las generalizaciones de los conjuntos difusos. La ecacia de conjuntos difusos depende de lo representativo que sea el valor de Jornadas Internacionales de Didctica de las Matemticas en Ingenier 321 a a a

Conjuntos difusos intervalo-valorados: estado del arte la funcin de pertenencia. En muchas ocasiones la eleccin de este valor es probo o lemtica. En estos casos puede ser apropiado representar el valor de pertenencia a de un elemento a un conjunto mediante un intervalo de valores en lugar de un solo valor. A partir de estas ideas surgen los conjuntos difusos intervalo-valorados (interval-valued fuzzy sets, IVFSs). IVFSs asignan un subintervalo del intervalo [0,1] a cada elemento del universo. IVFSs permiten modelar tanto la vaguedad, carencia de nitidez de los l mites de un conjunto, como la imprecisin o debida a la incertidumbre, carencia de informacin. En muchas aplicaciones o IVFSs ofreciendo resultados menos espec cos pero ms realistas que FSs [16]. a En la dcada de 1.970 aparecieron las primeras publicaciones sobre IVFSs. e Sambuc present el concepto de IVFSs con el nombre de F-fuzzy set [18] y Jahn o empez a estudiarlos [14]. Grattan-Guinness deni la funcin de pertenencia o o o intervalo-valorada [11]. A lo largo de la decada de 1.980 a travs de los trabajos e de Gorzalczany y Turksen [9, 21] la importancia de IVFSs fue denitivamente establecida.

2. DEFINICIONES PREVIAS

Denition 1 [7] LI = (L, L ) es un ret culo que satisface: 1. L = {[x1 , x2 ] [0, 1]2 with x1 x2 }. 2. [x1 , x2 ] L [y1 , y2 ] if and only if x1 y1 and x2 y2 Adems, de forma trivial tenemos: a [x1 , x2 ] <L [y1 , y2 ] x1 < y1 , x2 y2 or x1 y1 , x2 < y2 [x1 , x2 ] =L [y1 , y2 ] x1 = y1 , x2 = y2 . 322 Jornadas Internacionales de Didctica de las Matemticas en Ingenier a a a

Conjuntos difusos intervalo-valorados: estado del arte 0L =L [0, 0] and 1L =L [1, 1] son el menor y el mayor elemento de L respectivamente. LI es un ret culo completo. Denition 2 [6] Sea {[vi , wi ]} un conjunto de intervalos en L. El supremo y el nmo son denidos de la siguiente forma: 1. InfL {[vi , wi ]} [inf imun{vi }, inf imun{wi }] 2. SupL {[vi , wi ]} [supremun{vi }, supremun{wi }] Denition 3 [7] Un conjunto intervalo-valorado difusto A en un universo X es una funcin: o A = {(a, [x1 , x2 ]) | a X, [x1 , x2 ] L} Denition 4 [7] Sea X un universo A y B dos conjuntos intervalo-valorados. La iqualdad entre A y B se dene: A =L B if and only if A(a) =L B(a) a X. Denition 5 [7] Sea X un universo y A y B dos conjuntos intervalo-valorados difusos. La inclusin de A en B se dene: A L B si y solo si A(a) L B(a) o a X.

3. RELACIONES CON OTRAS EXTENSIONES

El concepto de conjunto difuso de tipo 2 (type 2 fuzzy set) fue introducido por Zadeh en 1.975 [26] como una generalizacin de los conjuntos difusos. o Dado un conjunto X, un conjunto difuso de tipo 2 A se dene de la siguiente forma: A = {(a, x, a (x) | a A, x [0, 1])} Jornadas Internacionales de Didctica de las Matemticas en Ingenier 323 a a a

Conjuntos difusos intervalo-valorados: estado del arte La funcin a (x) representa en grado en el que el valor x es el valor de perteo nencia de a a A. Sea a (x) una funcin de pertenencia de un conjunto de tipo 2. Sea (a) una o funcin de pertenencia de un conjunto intervalo-valorado. Un conjunto intervaloo valorado es un caso particular de conjunto difuso de tipo 2 que verica: cte, si x x x ; 1 2 a (x) = 0, en caso contrario. si (a) = [x1 , x2 ] Los conjuntos intuicionistas (Intuitionistic Fuzzy Sets IFSs) son una generalizacin de los conjuntos difusos muy utilizada. Fueron introducidos en 1.983 o por Atanassov [1]. Un conjunto intuicionista A es una funcin que asigna a cada o elemento a de X un grado de pertenencia y un grado de no pertenencia: A = {(a, (a), (a)) | a X, (a), (a) [0, 1]} donde + 1. El valor = 1 se interpreta como una medida de la incertidumbre. Dado un conjunto difuso intervalo-valorado podemos obtener fcilmente un a conjunto intuicionista mediante la funcin: o : IVFSs IFSs (a) = [(a), (a)] [(a), 1 (a)] En [8] se demuestra que es un isomorsmo. Por lo tanto, muchas resultados en IVFSs tienen una expresin equivalente en IFSs, y viceversa, aunque o su semntica sea completamente distinta a

324 Jornadas Internacionales de Didctica de las Matemticas en Ingenier a a a

Conjuntos difusos intervalo-valorados: estado del arte

4. CONECTIVAS

Denition 6 [7] En conjuntos intervalo-valorados una funcin negacin N es o o una funcin decreciente, N : L L, que satisface: o 1. N (0L ) =L 1L 2. N (1L ) =L 0L Si se cumple N (N ([x1 , x2 ])) =L [x1 , x2 ] para todo [x1 , x2 ] en L entonces N se denomina negacin involutiva. o

Denition 7 Una funcin negacin para conjuntos intervalo-valorados N es o o una funcin involutiva, N : L L, que satisface: o 1. N (0L ) =L 1L 2. N (1L ) =L 0L Example 1 Sea N la funcin involutiva denida por la funcin: o o N :LL N ([x1 , x2 ]) =L [1 x2 , 1 x1 ] Entonces N es un operador de negacin para conjuntos intervalo-valorados. Es o trivial probar que se cumple: N (0L ) =L 1L , N (1L ) =L 0L and N (N ([x1 , x2 ])) =L [x1 , x2 ]. De forma similar denimos las T-normas generalizadas en el ret culo LI . Jornadas Internacionales de Didctica de las Matemticas en Ingenier 325 a a a

Conjuntos difusos intervalo-valorados: estado del arte Denition 8 [7] Una t-norma generalizada T es una funcin estrictamente o creciente, simtrica y asociativa, T : L2 L, que verica: T (1L , [x1 , x2 ]) =L e [x1 , x2 ] for all [x1 , x2 ] in L. Es fcil probar: a T (SupL {[vi , wi ]}, [y1 , y2 ]) L SupL {T ([vi , wi ], [y1 , y2 ])} T (InfL {[vi , wi ]}, [y1 , y2 ]) L InfL {T ([vi , wi ], [y1 , y2 ])} Debido a la asociatividad T la conjuncin de tres o mas intervalos puede ser o inductivamente denida como: T (a, T (b, c)) =L T (T (a, b), c) =L a donde a =L [a1 , a2 ], b =L [b1 , b2 ] y c =L [c1 , c2 ]. b c where =L T .

T ([x1 , x2 ], [y1 , y2 ]) y T ([x1 , x2 ], [y1 , y2 ]) representan el menor y mayor valor respectivamente de T ([x1 , x2 ], [y1 , y2 ]). Denition 9 [2] Sea {xi } in [0, 1]. Una t-norma generalizada T en ([0, 1], ) es continua por la izquierda si satisface: T (Sup xi , y) = Sup T (xi , y) La continuidad por la derecha puede ser denida de forma similar. Esta propiedad tambin es conocida como sup-preservancia. e 326 Jornadas Internacionales de Didctica de las Matemticas en Ingenier a a a

Conjuntos difusos intervalo-valorados: estado del arte Denition 10 [7] Una t-norma generalizada T es t-representable en LI si existen dos t-normas: T1 y T2 (T1 , T2 , en ([0,1],)) que verica: T ([x1 , x2 ], [y1 , y2 ]) =L [T1 (x1 , y1 ), T2 (x2 , y2 )] donde T1 (v, w) T2 (v, w) v, w [0, 1]. Sea x =L [x1 , x2 ] y y =L [y1 , y2 ] dos intervalos en L: Example 2 T =L [min(x1 , y1 ), min(x2 , y2 )] es t-representable en ([0,1],). Hay que resaltar que min es la mayor t-norm. Example 3 La siguiente t-norma generalizada T es t-representable: T ([x1 , x2 ], [y1 , y2 ]) =L [x1 y1 , x2 y2 ] Example 4 Existen dos generalizaciones de la t-norma de Lukasiewicz [6]: Tw ([x1 , x2 ], [y1 , y2 ]) =L [max(0, x1 + y1 1), max(0, x2 + y2 1)] TW ([x1 , x2 ], [y1 , y2 ]) =L [max(0, x1 + y1 1), max(0, x1 + y2 1, x2 + y1 1)] Tw es t-representable pero TW no. Denition 11 [7] Una t-conorm generalizada S es un operador creciente, commutativo y asociativo S : L2 L, que satisface: S(0L , [x1 , x2 ]) =L [x1 , x2 ] y S(1L , [x1 , x2 ]) =L 1L . Debido a la asociatividad de S es posible escribir: S(a, S(b, c)) =L S(S(a, b), c) =L a b c donde =L S.

Jornadas Internacionales de Didctica de las Matemticas en Ingenier 327 a a a

Conjuntos difusos intervalo-valorados: estado del arte Por ejemplo, S = SupL es una t-conorma generalizada. Consideremos las siguientes deniciones. Denition 12 Sea {[vi , wi ]} en L. Una t-norma generalizada T es continua por la izquierda si y solo si: T (SupL {[vi , wi ]}, [y1 , y2 ]) =L SupL {T ([vi , wi ], [y1 , y2 ])} La continuidad por la derecha puede ser denida de forma similar. Denition 13 Dada una t-norma generalizada T y una negacin generalizada o N , el operador:
TN =L N (T (N ([x1 , x2 ]), N ([y1 , y2 ]))

es una t-conorma geralizada llamada t-conorma dual de T con respecto a N . Una t-norma, una negacion y la t-conorma dual de T con respecto a N es llamada tripleta de Morgan.

5. ALGUNAS APLICACIONES

El razonamiento aproximado consiste en obtener una conclusin difusa a o partir de un cojunto de premisas difusas. La generalizacin de la regla de inferencia del modus ponens mediante IVFSs o ha sido ampliamente estudiada, ver [9, 7, 4]. En el procesamiento de imgenes IVFSs han tenido un xito considerable. a e Uno de los principales retos del procesamiento de imgenes consiste en detectar a las siluetas de los objetos. En [3] podemos ver cmo se utilizan IVFSs para o afrontar este problema. 328 Jornadas Internacionales de Didctica de las Matemticas en Ingenier a a a

Conjuntos difusos intervalo-valorados: estado del arte IVFSs han sido utilizado en programacin lineal difusa [5, 12]; en econom o a [20, 23]; en medicina [18, 17]; en robtica [15, 13, 22]; en teor de la posibilidad o a [7] y en control [10, 19].

Referencias
[1] K.T. Atanassov. Intuitionistic Fuzzy Sets. Physica-Verlag, Heidelberg, New York,, 1999. [2] B. De Baets and H. De Meyer. On the existence and construction of ttransitive closures. Inf. Sci., 152(1):167179, 2003. [3] E. Barrenechea. Image Processing with Interval-Valued Fuzzy Sets. Edge Detection. PhD thesis, Universidad Publica de Navarra, 2005. [4] H. Bustince and P. Burillo. Mathematical analysis of interval-valued fuzzy relations: Application to approximate reasoning. Fuzzy Sets Syst, 113:205 219, 2000. [5] J. Chiang. Fuzzy linear programming based on statistical condence interval and interval-valued fuzzy set. Eur. J. Oper. Res, 129:6586, 2001. [6] C. Cornelis, G. Deschrijver, and E. Kerre. Advances and challenges in interval-valued fuzzy logic. Fuzzy Sets and Systems, 157(5):622627, 2006. [7] C. Cornelis, G.Deschrijver, and E. Kerre. Implication in intuitionistic fuzzy and interval-valued fuzzy set theory: construction, classication, application. Int. J. Approx. Reasoning, 35(1):5595, 2004. [8] Glad Deschrijver and Etienne E. Kerre. On the relationship between some extensions of fuzzy set theory. Fuzzy Sets Syst., 133(2):227235, 2003.

[9] M.B. Gorzalczany. A method of inference in approximate reasoning based on interval-valued fuzzy sets. Fuzzy Sets Syst, 21:117, 1987. [10] M.B. Gorzalczany. Interval-valued fuzzy controller based on verbal model of object. Fuzzy Sets Syst, 28(1):4553, 1988. [11] I. Grattan-Guinness. Fuzzy membership mapped onto interval and manyvalued quantities. Z. Math. Log. Grundl. Math, 22:149160, 1976. [12] H.-F.Wang and M.-L.Wang. A fuzzy multiobjective linear programming. Fuzzy Sets Syst, 86(1):6172, 1997. [13] H. Hagras. A hierarchical type-2 fuzzy logic control architecture for autonomous mobile robots. IEEE Trans. Fuzzy Syst, 12(4):524539, 2004. [14] K.U. Jahn. Intervall-wertige mengen. Math. Nach., 68:115132, 1975. [15] B.W. Pilsworth J.F. Baldwin. Axiomatic approach to implication for approximate reasoning with fuzzy logic. Fuzzy Sets Syst, 3:193219, 1980. [16] G. Klir and B. Yuan. Fuzzy Sets and Fuzzy Logic: Theory and Applications. Prentice Hall, Upper Saddle River, NJ, 1975. [17] M.K. Roy and R. Biswas. I-v fuzzy relations and sanchezs approach for medical diagnosis. Fuzzy Sets Syst, 47:3538, 1992. [18] R. Sambuc. Function Phi-Flous, Application a laide au Diagnostic en Pathologie Thyroidienne. PhD thesis, University of Marseille, 1975. [19] R. Sepulveda, O. Castillo, P. Melin, A. Rodriguez-Diaz, and O. Montiel. Experimental study of intelligent controllers under uncertainty using type-1 and type-2 fuzzy logic. Inf. Sci, 177:20232048, 2007. [20] A. Serguieva and J. Hunter. Fuzzy interval methods in investment risk appraisal. Fuzzy Sets Syst, 142(3):443466, 2004. [21] I.B. Turksen. Interval valued fuzzy sets based on normal forms. Fuzzy Sets Syst, 20(2):191210, 1986.

[22] K.C. Wu. Fuzzy interval control of mobile robots. Comput. Electr. Eng, 22(3):211229, 1996. [23] J.S. Yao and T.S. Shih. Fuzzy revenue for fuzzy demand quantity based on interval-valued fuzzy sets. Comput. Fuzzy Syst, 29:14951535, 2002. [24] L.A. Zadeh. Fuzzy sets. Information And Control, 8:338353, 1965. [25] L.A. Zadeh. Outline of a new approach to analysis of complex systems and decision processes. IEEE Trans. Syst. Man Cybern, 3:2244, 1973. [26] L.A. Zadeh. The concept of a linguistic variable and its application to approximate reasoning i. Information Sciences, 8:199249, 1975.