Documente Academic
Documente Profesional
Documente Cultură
U
F
X X / ) (
-
U
F
X X / ) (
-
j j
i
G y F Conjuntos nebulosos en U
i
y V
Las variables lingsticas son:
V v
xU x U u u col u
p p
... ) ,..., (
1 1
Las reglas pueden ser formuladas por:
Por el conocimiento del especialista: Ejemplo
estacionamiento de un camin, como se muestra en la
Figura Nro. 10, las reglas que dio el especialista y la
matriz de de reglas que se genero a partir de las reglas.
Figura Nro. 10
Por el conocimiento extrado de datos histricos:
24
Ejemplo: Previsin de series temporales como se
muestra en la Figura Nro. 11,
Sea : x(k), k = 1,2,.. una serie temporal
Objetivo: dada una ventana de n medidas de x(k)
x(k- n+1), x(k- n+2), ..., x(k)
Determine x(k+l)
el valor de x I puntos al frente donde n e I
son
enteros positivos
Figura Nro. 11
Existen dos mtodos para extraer las reglas fuzzy
para las series temporales.
Los datos histricos establecen los conjuntos
nebulosos del antecedente y del consecuente.
Se especifica previamente los conjuntos
nebulosos y despus se asocia los datos con los
conjuntos definidos.
Hay que tener en cuenta que como el valor a ser
previsto depende de n valores pasados de x, cada
regla posee n antecedentes.
1.2 Modulo de inferencia. Es un sistema que mapea
conjuntos nebulosos de entrada en un conjunto nebuloso
25
de salida a travs de , ,
y x
B A
tal como se muestra en
la Figura Nro. 12.
En otras palabras es el encargado de calcular el valor
global de la variable de salida, basado en las
contribuciones individuales de cada regla en la base de
reglas.
Ejemplo, Asumiendo que, para un sistema especfico, un
conjunto de entradas X y uno de salidas Y son
identificadas apropiadamente, una regla-base es derivada
desde fuentes disponibles que contienen un conjunto de
reglas relacionando X a Y usando niveles lingsticos
predefinidos.
Figura Nro. 12
Los mecanismos del sistema para derivar una accin
razonable u con respecto a una situacin especfica X0
puede ser interpretada simplemente como ejecucin de
un proceso racional de dos estados. Observando la regla-
base como un prototipo, el modulo de inferencia primero
lleva a cabo un procedimiento de formar parejas entre la
situacin x,y, y las partes IF de las reglas. Para deducir
la accin correspondiente, un procedimiento de
interpolacin tiene lugar entre la operacin de las parejas
resultantes con las partes THEN de las reglas usando una
estrategia de inferencia fuzzy.
1.3. Modulo de Fuzzificacion: Este modulo normaliza la
entrada, es decir, traduce los valores fsicos de las variables
26
de estado a un universo de discurso normalizado, adems,
convierte el valor en curso de una variable de estado en un
conjunto fuzzy. Existen varias estrategias de fuzzificacin,
dos de estas son:
Inferencia basada en una composicin, e
Inferencia basada en la activacin individual de las
reglas.
1.4. Modulo de Defuzzificador.- Este elemento produce una
salida precisa para el sistema nebuloso de salida obtenido
por el sistema de inferencia.
Usamos las siguientes medidas, donde A A, y donde E es
el dato de entrada que codificamos:
Tres casos posibles:
1. + = 1 No hay incertidumbre.
2. + > 1 Conflicto: Es posible que E sea A y A.
3. + < 1 Ignorancia:E puede ser o no A (falta
informacin).
Cuanto mayor sea la distancia de ( + ) con 1, mayor
incertidumbre (conflicto o ignorancia). Cuanto mayor es el
valor ( + ), menor es la especificidad de E.
Representacin Grafica de +
27
Requisito IDEAL de la Defuzzificadificacion: Que el
resultado de la defuzzificacion sea igual al valor original
fuzzificado.
Si F es la funcin de codificacin y F1 la de
defuzzificacion, el objetivo es que: F1 (F(E)) = E.
Ese requisito es muy difcil de conseguir.
Existen multitud de sistemas de defuzzificacion:
El sistema a elegir depende del cdigo A empleado.
En general se emplean slo las medidas de posibilidad,
pues simplifica los clculos y los hacen ms intuitivos.
DEFUZZIFICACION para Datos crisp o Puntuales
(Pointwise Data):
Slo conocemos los valores de posibilidad (o necesidad) de
cierto dato y queremos reconstruir dicho dato de forma que
sea coherente con ellos.
Dos familias bsicas de sistemas para
Defuzzificacion:
Que usan los valores modales de los conjuntos
difusos del cdigo: Valores con la altura de cada
conjunto difuso (los ncleos).
Que usan el rea de pertenencia de los elementos
del cdigo.
Mximo Defuzzicador : Examina el conjunto nebuloso B de
salida y escoge como valor preciso, el valor y (variable de
salida) para el cual
B
(y) es mximo. Ejemplo en la Figura
Nro. 13
28
Figura Nro. 13
Media de los Mximos: Examina el conjunto nebuloso B y
primero se determina los valores de y para los cuales
B
(y)
es mximo. En seguida se calcula la media de esos
valores. Ejemplo en la Figura Nro. 14
Figura Nro. 14
Centroide Consiste en crear para la salida del sistema una
funcin de pertenencia a un nuevo conjunto obtenido como
unin de aquellos a los que pertenece parcialmente el valor
de salida. Esta nueva funcin puede calcularse mediante la
suma de las funciones de pertenencia de estos conjuntos,
pero multiplicadas aritmticamente por el grado de
pertenencia de la salida al subconjunto de las reglas de
control. Esto quiere decir que determina el centro de la
29
gravedad y del conjunto nebuloso B y es utilizado como la
salida del sistema nebuloso.
=
s
B
s
B
dy y
dy y y
y
) (
) (
Donde S es el soporte de B y como frecuentemente S es
discreto, la formula se transforma a:
=
i
B
i
B i
dy y
dy y y
y
) (
) (
El problema de este mtodo es la dificultad del calculo
Altura
Sea
1
y y el centro de gravedad del conjunto nebuloso
1
B
(asociado a la activacin de la regla)
- Primero se evala ( )
y
b
- En seguida se evala la suma:
=
) (
) (
y
y y
y
B
B
h
Este mtodo es simple por el centro de gravedad de las
funciones de pertenencia mas comunes es conocido a
priori:
o Triangular (simtrica): vrtice superior del
triangulo
o Gausiana: valor central de la funcin
o Trapezoidal(simtrica) punto medio del soporte
El problema es que solo utiliza el centro del soporte y
i
de la
funcin de pertenencia del consecuente y tambin
cualquiera que sea la amplitud de la funcin de
pertenencia, el mtodo ofrece el mismo resultado.
Altura Modificada: Sea
1
y el centro de la gravedad del
conjunto nebuloso
1
B (asociado a la activacin de la regla
R
I
)
30
Primero se evala ( )
y
b
En seguida se evala
=
2
2
) /( ) (
) /( ) (
y
y y
y
B
B
MH
Donde
I
es la medida de la extensin del soporte del
consecuente de la regla R
1
Para funciones de pertinencias triangulares y trapezoidales
I
es el soporte del conjunto.
Para funciones gausianas
I
es la desviacin estndar.
Resumiendo, el Proceso General es el siguiente:
1. Emparejar Antecedentes y Entradas:
Para cada REGLA se calcula el grado de
emparejamiento entre cada proposicin atmica de su
antecedente y el valor correspondiente de la entrada.
2. Grado de Activacin o Agregacin de los
Antecedentes:
Para cada REGLA se calcula el Grado de Activacin
aplicando una conjuncin (t) o disyuncin (s) segn
corresponda a los valores anteriores del Paso 1.
3. Resultado de cada Regla:
Para cada REGLA se calcula su valor resultante segn
su Grado de Activacin y la semntica elegida para la
Regla.
Este es el paso ms largo y complejo: Para cada
valor en las Salidas se debe calcular el mayor valor
de la operacin, para todos los posibles valores de
las Entradas (operacin supx).
4. Regla de Combinacin:
Agregacin de todos los resultados individuales
obtenidos de cada una de las reglas aplicadas.
2.- Cuando y como utilizar lgica difusa
31
La lgica difusa se utiliza en sistemas donde las tcnicas
difusas son necesarias, o benficas entre ellas tenemos:
o Sistemas complejos, donde es muy difcil o
imposible crear un modelo.
o Sistemas controlados por expertos humanos.
o Sistemas con complejas y continuas entradas y
salidas.
o Sistemas que usan observaciones humanas
como entradas o como reglas bsicas.
o Sistemas que son naturalmente vagos como las
ciencias sociales o relativos al comportamiento,
la conducta y el proceder.
32
CONCLUSIONES:
- La lgica difusa, admite verdades y falsedades parciales.
Aceptar esta premisa exige una nueva forma de ver los
problemas, la realidad.
- La logica difusa junto con otras herramientas han abierto
las puertas al tratamiento de una gran variedad de
fenmenos y sistemas que resultaban, hasta antes de la
aparicin de aqullas, difciles de definir -y, en ciertos
casos, la tarea era casi imposible mediante los modelos
matemticos convencionales, que suelen pensarse como
infalibles y exactos.
- A travs de estos conceptos dados en este proyecto,
podremos entender mas sobre lo que es lgica difusa y sus
reas de aplicacin.