Sunteți pe pagina 1din 32

1

Universidad Nacional Jorge Basadre Grohmann



Facultad de Ciencias












LOGICA DIFUSA






MSc. Roberto Supo Hallasi




Tacna Per
2003





2
INDICE

CAPITULO I
1. INTRODUCCION
2. OBJETIVOS
3. HISTORIA
a. Bivalencia
b. Multivalencia
c. Logica Difusa
4. Conceptos Basicos
a. Conjunto Difuso
b. Conceptos imprecisos
c. Operaciones
d. Las etiquetas lingsticas y operadores
CAPITULO II
1. DIREFENCIA DE CONJUNTOS CRIP Y CONJUNTOS DIFUSOS
a. Conjuntos Crisps
b. Conjuntos Difusos
2. REPRESENTAION DE CONJUNTOS DIFUSOS
3. COMPONENTES DEL CONJUNTO DIFUSO
4. PROPIEDADES
a. Altura
b. Normalizacion
c. Dominio
d. Universo de Discusin
e. Soporte del Conjunto
f. Observacin
g. Conjunto -cut
5. FORMATOS
a. Triangular
b. Funcion
c. Funcion s
d. Funcion Gausiana
e. Funcion Trapezoidal
f. Funcion Trapecio Extendido
CAPITILO III
1. SISTEMA DE INFERENCIA FUZZY
a. Base de reglas
b. Modulo de inferencia
c. Modulo de fuzzificacion
d. Modulo de defuzzificador
2. CUANDO Y COMO UTILIZAR LOGICA DIFUSA
CONCLUSIONES

3

CAPITULO I


1. INTRODUCCION

La lgica borrosa es una ciencia que tiene por objetivo el
estudio de las leyes del raciocino y se preocupa con los
principios formales del raciocino aproximado, busca modelar
los modos imprecisos del raciocino. Es una rama de la
inteligencia artificial que se funda en el concepto todo es
cuestin de grado, lo cual permite manejar informacin vaga
o de difcil especificacin si quisiramos hacer cambiar con
esta informacin el funcionamiento oe el estado de un sistema
especfico. Es entonces posible con la lgica difusa gobernar
un sistema por medio de reglas de sentido comn las cuales
se refieren a cantidades indefinidas.

Las reglas involucradas en un sistema difuso, pueden ser
aprendidas con sistemas adoptivos que aprenden al observar
como operan las personas los dispositivos reales, o estas
reglas pueden tambin ser formuladas por un experto
humano. En general la lgica difusa se aplica tanto a sistemas
de control como para modelar cualquier sistema continuo de
ingeniera, fsica, biologa o economa.

La lgica difusa es entonces definida como un sistema
matemtico que modela funciones no lineales, que convierte
unas entradas en salidas acordes con los planteamientos
lgicos que usan el razonamiento aproximado.

Se fundamenta en los denominados conjuntos borrosos y un
sistema de inferencia borroso basado en reglas de la forma
SI .. ENTONCES, donde los valores lingsticos de la
premisa y el consecuente estn definidos por conjuntos
borrosos, es as como las reglas siempre convierten un
conjunto borroso en otro.

2. OBJETIVO

El objetivo de la lgica difusa es ofrecer los fundamentos para
efectuar el raciocino aproximado, con proposiciones
imprecisas, usando la teora de conjuntos nebulosos como
herramienta principal.
4

3. HISTORIA

A) Bivalencia: Desde Aristteles, a lgica clsica es basada
en bivalencia verdadero (V) y falso (F)

B) Multivalencia: Desenvuelta por Lukasiewicz para lidar con
el principio de inserteza en la mecnica cuntica, V, F, IN

C) Logica Difusa: Los conjuntos difusos fueron introducidos
por primera vez en 1965; la creciente disciplina de la
lgica difusa provee por s misma un medio para acoplar
estas tareas. En cierto nivel, la lgica difusa puede ser
vista como un lenguaje que permite trasladar sentencias
sofisticadas en lenguaje natural a un lenguaje matemtico
formal. Mientras la motivacin original fue ayudar a
manejar aspectos imprecisos del mundo real, la prctica
temprana de la lgica difusa permiti el desarrollo de
aplicaciones prcticas. Aparecieron numerosas
publicaciones que presentaban los fundamentos bsicos
con aplicaciones potenciales. Esta frase marc una fuerte
necesidad de distinguir la lgica difusa de la teora de
probabilidad. Tal como la entendemos ahora, la teora de
conjuntos difusos y la teora de probabilidad tienen
diferentes tipos de incertidumbre.

En 1994, la teora de la lgica difusa se encontraba en la
cumbre, pero esta idea no es nueva, para muchos, estuvo
bajo el nombre de lgica difusa durante 25 aos, pero sus
orgenes se remontan hasta 2,500 aos. An Aristteles
consideraba que existan ciertos grados de veracidad y
falsedad. Platn haba considerado ya grados de
pertenencia.


En el siglo XVIII el filsofo y obispo anglicano Irlands,
George Berkeley David Hume describieron que el ncleo de
un concepto atrae conceptos similares. Hume en particular,
crea en la lgica del sentido comn, el razonamiento
basado en el conocimiento que la gente adquiere en forma
ordinaria mediante vivencias en el mundo. En Alemania,
Immanuel Kant, consideraba que solo los matemticos
podan proveer definiciones claras, y muchos principios
contradictorios no tenan solucin. Por ejemplo la materia
5
poda ser dividida infinitamente y al mismo tiempo no
poda ser dividida infinitamente. Particularmente la escuela
americana de la filosofa llamada pragmatismo fundada a
principios de siglo por Charles Sanders Peirce, cuyas ideas
se fundamentaron en estos conceptos, fue el primero en
considerar ''vaguedades'', ms que falso o verdadero,
como forma de acercamiento al mundo y a la forma en que
la gente funciona.

La idea de que la lgica produce contradicciones fue
popularizada por el filsofo y matemtico britnico
Bertrand Russell, a principios del siglo XX. Estudio las
vaguedades del lenguaje, concluyendo con precisin que la
vaguedad es un grado. El filosofo austriaco Ludwing
Wittgenstein estudi las formas en las que una palabra
puede ser empleada para muchas cosas que tienen algo en
comn. La primera lgica de vaguedades fue desarrollada
en 1920 por el filsofo Jan Lukasiewicz, visualiz los
conjuntos con un posible grado de pertenencia con valores
de 0 y 1, despus los extendi a un nmero infinito de
valores entre 0 y 1. En los aos sesentas, Lofti Zadeh
invent la lgica difusa, que combina los conceptos de la
lgica y de los conjuntos de Lukasiewicz mediante la
definicin de grados de pertenencia.

4. CONCEPTOS BASICOS:
A) Conjuntos difusos.
La mayora de los fenmenos que encontramos cada da
son imprecisos, es decir, tienen implcito un cierto grado
de difusidad en la descripcin de su naturaleza. Esta
imprecisin puede estar asociada con su forma, posicin,
momento, color, textura, o incluso en la semntica que
describe lo que son. En muchos casos el mismo concepto
puede tener diferentes grados de imprecisin en diferentes
contextos o tiempo. Un da calido en invierno no es
exactamente lo mismo que un da calido en primavera. La
definicin exacta de cuando la temperatura va de templada
a caliente es imprecisa -no podemos identificar un punto
simple de templado, as que emigramos a un simple grado,
la temperatura es ahora considerada caliente. Este tipo de
imprecisin o difusidad asociado continuamente a los
fenmenos es comn en todos los campos de estudio:
sociologa, fsica, biologa, finanzas, ingeniera,
oceanografa, psicologa, etc.
6
B) Conceptos imprecisos.
Aceptamos la imprecisin como una consecuencia natural
de ''la forma de las cosas en el mundo''. La dicotoma entre
el rigor y la precisin del modelado matemtico en todo los
campos y la intrnseca incertidumbre de ''el mundo real''
no es generalmente aceptada por los cientficos, filsofos y
analistas de negocios. Nosotros simplemente aproximamos
estos eventos a funciones numricas y escogemos un
resultado en lugar de hacer un anlisis del conocimiento
emprico. Sin embargo procesamos y entendemos de
manera implcita la imprecisin de la informacin
fcilmente. Estamos capacitados para formular planes,
tomar decisiones y reconocer conceptos compatibles con
altos niveles de vaguedad y ambigedad. considere las
siguientes sentencias:
La temperatura est caliente
La inflacin actual aumenta rpidamente
Los grandes proyectos generalmente tardan mucho
Nuestro precios estn por abajo de los precios de la
competencia
IBM es una compaa grande y agresiva
Alejandro es alto pero Ana no es bajita
Estas proposiciones forman el ncleo de nuestras
relaciones con ''la forma de las cosas en el mundo''. Sin
embargo, son incompatibles con el modelado tradicional y
el diseo de sistemas de informacin. Si podemos
incorporar estos conceptos logramos que los sistemas sean
potentes y se aproximen ms a la realidad.
Pero, es la imprecisin o fusificacin un concepto artificial
utilizado para aumentar o disminuir en uno o ms las
propiedades de los fenmenos? o es una parte ntrisica del
fenmeno en s mismo?.
Esta es una pregunta importante ya que es la parte
fundamental de las medidas de la teora difusa. Como
veremos la fusificacin es independiente de cualquier
capacidad para medir, ya que un conjunto difuso es un
conjunto que no tiene lmites bien definidos.
Un conjunto difuso tiene muchas propiedades intrnsecas
que afectan la forma del conjunto, su uso y como participa
en un modelo. Las propiedades ms importantes de un
conjunto difuso son las concernientes a las dimensiones
verticales del conjunto difuso (altura y normalizacin) y las
dimensiones horizontales ( conjunto soporte y cortes
"alpha").
7
La altura de un conjunto difuso es como mximo un grado
de pertenencia y es una cota cercana al concepto de
normalizacin. La superficie de la regin de un conjunto
difuso es el universo de valores. Todos estos conceptos se
tratarn ms adelante.
Def. Sea U un universo de discusin con su elemento
genrico denotado por u. Luego un subconjunto difuso A
de U est caracterizado por una funcin de pertenencia
:U [0,1] que asocia a cada elemento u de U un nmero
(u) que representa el grado de pertenencia de u en A. A
se denota como el conjunto de pares ordenados .
Es decir un conjunto difuso A se considera como un
conjunto de pares ordenados, en los que el primer
componente es un nmero en el rango [0,1] que denota el
grado de pertenencia de un elemento u de U en A, y el
segundo componente especifica precisamente quin es se
elemento de u. En general los grados de pertenencia son
subjetivos en el sentido de que su especificacin es una
cuestin objetiva. Se debe aclarar que aunque (u) puede
interpretarse como el grado de verdad de que la expresin
''u A'' sea cierta, es ms natural considerarlo simplemente
como un grado de pertenencia.
Puede notarse adems que:
a)
Mientras ms prximo est (u) a el valor 1, se dice
que u pertenece ms a A (de modo que 0 y 1 denotan
la no pertenencia y la pertenencia completa,
respectivamente).
b)
Un conjunto en el sentido usual es tambin difuso pues
su funcin caracterstica u ,es
tambin una funcin :u [0,1]; o sea que los
conjuntos difusos son una generalizacin de los
conjuntos usuales.
Ejemplo: Sea U = , entonces los
conjuntos definidos a continuacin son difusos:
POCOS = (.4/1, .8/2, 1/3, .4/4)
VARIOS = (.5/3, .8/4, 1/5, 1/6, .8/7, .5,8)
MUCHOS=(.4/6, .6/7, .8/8, .9/9,1/10)
Note que el elemento 4 pertenece en grado .4 al conjunto
POCOS, en grado .8 al conjunto VARIOS y en grado .0 a
MUCHOS. Zadeh ha hecho algunas extensiones a los
conceptos de conjuntos difusos ordinarios que se han
8
explicado; por ejemplo los conjuntos difusos de nivel-m y
los conjuntos difusos tipo-n. Para un conjunto difuso de
nivel-m se considera como su universo de discusin al
conjunto de conjuntos difusos de nivel-(m-1),
sobreentendiendo que los conjuntos difusos de nivel-1 son
conjuntos difusos ordinarios. Para los conjuntos difusos
tipo-n, los valores de las funciones de pertenencia son
conjuntos difusos de tipo-(n-1) del intervalo [0,1] (en
lugar de ser puntos de [0,1]). Tambin los conjuntos
difusos tipo-1 son equivalentes a los conjuntos difusos
ordinarios.
C) Operaciones.
En la lgica Booleana tradicional, los conjuntos son
considerados como sistemas bivalentes con sus estados
alternando entre inclusin y exclusin. La caracterstica de
la funcin discriminante refleja este espacio bivaluado:


Esto indica que la funcin de pertenencia para el conjunto
A es cero si x no es un elemento en A y la funcin de
pertenencia es si x es un elemento en A. Dado que
existen solamente dos estados, la transicin entre estos
dos estados es siempre inmediata. La pertenencia de estos
conjuntos est siempre totalmente categorizada y no
existe ambigedad o dicotomia acerca de la pertenencia.
Existen 4 operaciones bsicas de conjuntos en esta lgica:
unin, interseccin, complemento y unin exclusiva.
Al igual que en los conjuntos convencionales, existen
definiciones especficas para combinar y especificar nuevos
conjuntos difusos. Este conjunto de funciones tericas
provee las herramientas fundamentales de la lgica.
En el caso usual, con las operaciones comunes de
interseccin, unin y complemento, el conjunto de
conjuntos de U forman un lgebra booleana, es decir se
cumplen las condiciones de asociatividad, conmutatividad,
elementos neutros, idempotencia, absorcin,
distributividad, complemento y las leyes de Morgan.
Las tres operaciones mencionadas se pueden extender de
varias formas a conjuntos difusos, de modo que al
restringirlas a los conjuntos usuales, coincidan con las
comunes. Estas extensiones resultantes satisfacen en
forma general slo a algunas de las condiciones listadas
anteriormente, y para mantener la vigencia de alguna,
9
ser obligatorio sacrificar a otras. En el sistema se opt por
extender las operaciones en el sentido clsico, es decir,
dados dos conjuntos difusos A y B, se definen las
operaciones extendidas de la siguiente forma:
Interseccin:
(u)=min( (u), (u)) u
Unin:
(u)=max( (u), (u)) u
Complemento:
(u)=1- (u), (u)) u
Dado que los conjuntos difusos no se particionan en el
mismo sentido que los conjuntos Booleanos, estas
operaciones son aplicadas al nivel de pertenencia, como
una consecuencia de los conjuntos difusos. Decidir si un
valor es o no es miembro de cualquier conjunto difuso en
particular, requiere algunas nociones de cmo esta
construido el conjunto, del universo y de los lmites de
ste. Podemos definir adems operaciones ms
especializadas.
Producto:
(u)= (u) (u) u
Normalizacin:
Si denota al supremo de la funcin de pertenencia
en el universo de discusin, es decir: = Sup (u), u
.Un conjunto difuso A se dice ser normal si =1, y en
otro caso es subnormal. Dado que un conjunto difuso
subnormal A puede normalizarse dividiendo por ,
entonces:
(u)= u y 0
Concentracin.
El resultado de aplicar un concentrador a un conjunto
difuso A, es un conjunto difuso tal que la reduccin en
la magnitud del grado de pertenencia de u en A es
relativamente pequeo para aquellas u que tienen un
alto grado de pertenencia en A, y relativamente grande
para las u con baja pertenencia. Especficamente se
asumir que sta operacin tiene el efecto de elevar al
cuadrado la funcin de pertenencia de A, o
sea: Al elevar al cuadrado los
valores de las funciones de pertenencia se cumple el
efecto de la concentracin, pues los valores de
pertenencia grandes disminuyen relativamente poco en
comparacin con los pequeos. La concentracin
10
desenfatiza los miembros centrales de un conjunto
difuso.
Dilatacin.
Tiene el efecto opuesto a la concentracin; es decir, el
aumento en el grado de pertenencia para los elementos
que tienen un grado alto es relativamente menor que
aquellos que tienen valores
pequeos.
Intensificacin contrastante.
Se emplea para intensificar el contraste existente entre
los elementos que tienen un valor de pertenencia
pequeo y los que tienen un valor de pertenencia
grande; especficamente incrementa los valores de
que estn sobre 0.5 y disminuye los que estn
debajo de este umbral. para 0.5
y para 0.5
Combinacin convexa.
Es una operacin n-aria que combina un conjunto de n
conjuntos difusos A,...,A en uno solo, A. Este conjunto
difuso A es una combinacin ponderada de A,...,A en el
sentido de que la funcin de pertenencia de A est
relacionada con las de A,...,A por la expresin:

donde: 0 i=1,...,n, y u
D) Las etiquetas lingsticas y operadores.
El centro de las tcnicas de modelado difuso es la idea de
variable lingstica. Desde su raz, una variable lingstica
es el nombre de un conjunto difuso. Si tenemos un
conjunto difuso llamado ''largo'' ste es una simple
variable lingstica y puede ser empleada como una regla-
base en un sistema basado en la longitud de un proyecto
en particular:
Si duracin-proyecto es largo
entonces la-terminacin-de-tareas es
DECRECIENTE;
Una variable lingstica encapsula las propiedades de
aproximacin o conceptos de imprecisin en un sistema y
da una forma de computar adecuada. Esto reduce la
aparente complejidad de describir un sistema que debe
concordar con su semntica. Una variable lingstica
siempre representa un espacio difuso.
Lo importante del concepto de variable lingstica es su
estimacin de variable de alto orden ms que una variable
11
difusa. En el sentido de que una variable lingstica toma
variables difusas como sus valores.
En el campo de la semntica difusa cuantitativa al
significado de un trmino "x" se le representa como un
conjunto difuso M(x) del universo de discusin. Desde este
punto de vista, uno de los problemas bsicos en semntica
es que se desea calcular el significado de un trmino
compuesto x=x, x ,...,x partiendo del conocimiento del
significado de sus componentes atmicos x .
La idea bsica sugerida por Zadeh es que una etiqueta
lingstica tal como ''muy'', ''ms o menos'', ''ligeramente'',
etc... puede considerarse como un operador que acta
sobre un conjunto difuso asociado al significado de su
operando. Por ejemplo en el caso de un trmino
compuesto ''muy alto'', el operador ''muy'' acta en el
conjunto difuso asociado al significado del operando ''alto''.
Una representacin aproximada para una etiqueta
lingstica se puede lograr en trminos de combinaciones o
composiciones de las operaciones bsicas explicadas en la
seccin anterior. Es importante aclarar que se har mayor
nfasis en que estas representaciones se proponen
principalmente para ilustrar el enfoque, ms que para
proporcionar una definicin exacta de las etiquetas
lingsticas. Zadeh tambin considera que las etiquetas
lingsticas pueden clasificarse en dos categoras que
informalmente se definen como sigue:
Tipo I: las que pueden representarse como operadores
que actan en un conjunto difuso: ''muy'', ''ms o
menos'', ''mucho'', ''ligeramente'', ''altamente'',
''bastante'', etc. y,
Tipo II: las que requieren una descripcin de cmo
actan en los componentes del conjunto difuso
(operando): ''esencialmente'', ''tcnicamente'',
''estrictamente'', ''prcticamente'', ''virtualmente'', etc...
En otras palabras, las etiquetas lingsticas pueden ser
caracterizadas cmo operadores ms que construcciones
complicadas sobre las operaciones primitivas de conjuntos
difusos.

Ejemplos de etiquetas tipo I.
Considrese A, un conjunto difuso en U, que representa
el significado de un trmino como x=viejo. Ahora, sea
, x =muy viejo, y el conjunto difuso que
representa el significado de . La idea es considerar a
12
la etiqueta lingstica ''muy'', como un operador que
transforma al conjunto difuso A (significado de x) en
otro conjunto difuso A* (significado de x*).
De acuerdo a ste punto de vista y sabiendo que el
lenguaje natural es muy rico y complejo, tomamos el
operador ''muy'' que podemos caracterizar con un
significado de que an cuando no tenga validez
universal sea slo una aproximacin. Asumimos que si
el significado de un trmino x es un conjunto difuso A,
entonces el significado de muy X es:

ms y menos
Se pueden definir etiquetas lingsticas artificiales,
por ejemplo: ms, menos, que son instancias de lo
que puede llamarse acentuador y desacentuador
respectivamente, cuya funcin es proporcionar
ligeras variantes de la concentracin y la dilatacin.
As:

los exponentes se eligen de modo que se de la
igualdad aproximada: mas mas x = menos muy x,
y que, adems, se pueden utilizar para definir
etiquetas lingsticas cuyo significado difiere
ligeramente de otras.
mas o menos
Otra etiqueta lingstica interesante es ''ms o
menos'' que en sus usos ms comunes como ''ms
o menos inteligente'', ''ms o menos rectangular''
etc, juega el papel de difusificador.
ligeramente
Su efecto es dependiente de la definicin de
proximidad u ordenamientos en el dominio del
operando. Existen casos, sin embargo, en los que
su significado puede definirse en trminos de
etiquetas lingsticas tipo I, bajo la suposicin de
que el dominio del operando es un conjunto
ordenado linealmente.
clase de
Es una etiqueta lingstica que tiene el efecto de
reducir el grado de pertenencia de los elementos
que estn en el ''centro'' (grados de pertenencia
grandes) de una clase x e incrementa el de aquellos
que estn en su periferia (grados de pertenencia
pequeos).
13

regular
Es una etiqueta que tiene el efecto de reducir el
grado de pertenencia de aquellos elementos que
tienen tanto un alto grado de pertenencia al
conjunto como de aquellos que lo tienen pequeo,
y slo aumenta el grado de pertenencia de aquellos
elementos que tienen un grado de pertenencia
cercano al .
Etiquetas tipo II.
Su caracterizacin envuelve una descripcin de forma
que afectan a los componentes del operando, y por lo
tanto es ms compleja que las del tipo I. En general, la
definicin de una etiqueta de este tipo debe formularse
como un algoritmo difuso que envuelve etiquetas tipo I.
Su efecto puede describirse aproximadamente como
una modificacin de los coeficientes de ponderacin de
una combinacin convexa. Como la magnitud de las
ponderaciones es una medida del atributo asociado,
intuitivamente una etiqueta de este tipo tiene el efecto
de aumentar las ponderaciones de los atributos
importantes y disminuir los que relativamente no lo son.
14
CAPITULO II


1. DIFERENCIA DE CONJUNTOS CRISP Y CONJUNTOS
DIFUSOS

A) Conjuntos Crisp.- conjunto donde los elementos de un
universo dado son divididos en 2 grupos distintos:

- Miembros: Aquellos que realmente pertenecen al
conjunto
- No miembros: Aquellos que realmente no pertenecen
al conjunto
Ejemplo: Numero Naturales

Por lo tanto existen conjuntos cuyo lmite entre miembro y
no miembro es vago, con transicin gradual entre esos dos
grupos.

Ejemplo: Conjunto de persona altas
Conjunto de carros caros

B) Conjuntos Difusos.- Se atribuye a cada elemento del
universo un valor que representa el Grado de Pertenencia
de ese elemento al conjunto difuso.

Es el puente que une el concepto de imprecisin a su
modelo numrico.

Ejemplo: Personas Altas (Figura Nro. 1)


Figura Nro. 1
Ejemplo: Carros caros (Figura Nro. 2)
15

Figura Nro. 2

2. REPRESENTACION DE CONJUNTOS DIFUSOS

Un conjunto difuso F en U puede ser representado como un
conjunto de pares ordenados de un elemento genrico x y su
grado de pertenencia.

( ) { } U x x x F
F
= / ) ( ,
Generalmente solo son representados los valores de x con
0 ) ( > x

U continuo :

U
F
X X / ) (
-

denota coleccin de todos los puntos x U con


funcin de pertenencia ) (x
U discreto:

U
F
X X / ) (
-

denota coleccin de todos los puntos x U con


funcin de pertenencia ) (x

3. COMPONENTES DEL CONJUNTO DIFUSO

- 1 Eje x (Nro. Reales crecientes) que constituyen el Dominio
del conjunto difuso
- 2 Eje y con valores entre 0 y 1 que significa grado de
pertenencia al conjunto.
- 3 Funcin de Pertenencia (superficie) del conjunto, que
conecta un elemento del dominio con su grado de
pertenencia.

16

Figura Nro. 3: Componentes del Conjunto difuso

4. PROPIEDADES

- Altura: Es el mayor grado de pertenencia permitido por la
funcin membership

- Normalizacin: Un cierto conjunto difuso es normal si su
altura fuera igual a 1.
o Forma normal mnima si por lo menos un elemento
tiene 1 ) ( = x
o Forma normal mxima si por lo menos un elemento
tiene 1 ) ( = x y otro elemento tiene 0 ) ( = x

Para un buen desempeo, los conjuntos difusos deben ser
normalizados.

- Dominio del Conjunto difuso:
o Es el universo total de valores posibles para los
elementos del conjunto entonces depende del
contexto.
o Existen dos tipos de dominio se representa en el
Figura Nro. 4.

17

Figura Nro. 4: Tipos de Dominio

- Universo de Discusin
o Es el espacio difuso completo de variaciones de una
variable o modelo.
Ejemplo. Universo de discusin para la variable de
temperatura de 100 a 360 Figura Nro. 5


Figura Nro. 5.
- Soporte del Conjunto
o Es el rea efectiva del dominio de un conjunto difuso
que presenta valores de 0 ) ( > x . Figura Nro. 9



18

Figura Nro. 6
- Observacin:
o El conjunto difuso cuyo soporte es un unico punto en
U, como valor de 1 ) ( = x , es llamado de conjunto
singleton.

Figura Nro. 7
- Conjunto -cut
o Es una restriccin (limite) impuesta al dominio,
basado en el valor de .
o Contiene todos loe elementos del dominio que
posean ) (x arriba de un cierto valor
fuerte cut x
debil cut x




) (
) (

o Es til para las funciones con largas colas, que
tienden a poseer valores muy bajos de ) (x por un
dominio extenso entonces ayuda a reducir el ruido.
Figura Nro. 8.
19

Figura Nro. 8: Conjunto -cut
5. FORMATOS




20







21


- En general, la funcin Trapezoidal se adapta bastante
bien a la definicin de cualquier concepto, con la ventaja
de su fcil definicin, representacin y simplicidad de
clculos.
- En casos particulares, el Trapecio Extendido puede ser de
granutilidad. ste permite gran expresividad aumentando
su complejidad.
- En general, usar una funcin ms compleja no aade
mayor precisin, pues debemos recordar que se est
definiendo un concepto difuso.



22
CAPITULO III

1.- SISTEMA DE INFERENCIA FUZZY

Con base en las informaciones presentadas, es posible construir
el Sistema de inferencia Fuzzy mostrado en la Figura Nro. 9,
donde estn identificadas las funciones de cada recuadro.



Figura Nro. 9

Como generalmente los datos de entrada son valores
precisos, resultados de las mediciones u observaciones
(conjuntos de datos, por ejemplo), es necesario efectuarse un
mapeamiento de estos datos precisos para los conjuntos fuzzy
de entrada relevantes, o que es realizado en el proceso de
fuzzificacion. En este proceso ocurre tambin la activacin de
las reglas relevantes para una situacin dada. Una vez
obtenido el conjunto fuzzy de salida a travs del proceso de
inferencia en el proceso de defuzzificacion es efectuada una
interpretacin de esa informacin. En el proceso de inferencia
ocurren las operaciones con conjuntos fuzzy propiamente
dichos: combinacin de los antecedentes de las reglas,
implicacin y regla de inferencia composicional. Los conjuntos
fuzzy de entrada relativos a los antecedentes de las reglas, y
el de salida, referentes al consecuente, pueden ser definidos
23
previamente o, alternativamente, generados
automticamente a partir de los datos.

1.1.- Base de reglas.- consiste en una coleccin de reglas
del tipo Si-entonces, expresadas de la siguiente forma:

J
j
p p
j j j
G es v Entonces
F es u E E F es u E F es u Si R K
2 2 1 1
:

donde:
j= 1,2,3,, M (M = numero de reglas)

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.

S-ar putea să vă placă și