CONTROL BORROSO

Manuel Mazo Quintas y Marta Marrón

Departamento de Electrónica. Universidad de Alcalá.
Email: mazo@depeca.uah.es, marta@depeca.uah.es

Estas transparencias se han realizado contando con los apuntes confeccionados sobre el
tema por los profesores Felipe Espinosa y Luis M. Bergasa

Manuel Mazo y Marta Marrón. Departamento de Electrónica 1

 Contenido

1. Control borroso frente a control convencional.

2. Fundamentos de lógica borrosa.

3. Fundamentos de control borroso.

4. Aspectos formales de lógica borrosa.

5. Ajuste de controladores borrosos.

6. Fuzzy toolbox de Matlab (introducción).

Manuel Mazo y Marta Marrón. Departamento de Electrónica 2

 Controlborrosofrenteacontrol

convencional

Manuel Mazo y Marta Marrón. Departamento de Electrónica 3

 Introducciónal control borroso

 So far as the laws of mathematics refer to reality,

they are not certain. And so far as they are
certain, they do not refer to reality.
Albert Einstein

 As complexity rises, precise statements lose

meaning and meaningful statements lose precision
Lotfi A. Zadeh

Manuel Mazo y Marta Marrón. Departamento de Electrónica 4

 Introducciónal control borroso

 ¿Por qué?: Dar solución al control de plantas de difícil modelado

matemático.
 ¿Cómo?: Mediante el uso de la lógica borrosa.

 ¿Qué permite la lógica borrosa?: Proporciona una metodología formal

para aplicar el conocimiento heurístico humano al control de procesos.
 Algunos ejemplos cotidianos: Conducir una bicicleta, mantener una
escoba en posición vertical sobre un dedo, conducir un coche.

Controlador borroso
Reference Outputs
Inputs
Input y(t)
u(t) Proceso
r(t)

Manuel Mazo y Marta Marrón. Departamento de Electrónica 5

 Introducciónal control borroso

 Algunas razones que justifican el control borroso

 Es conceptualmente fácil de entender.
 Es flexible y tolerante a la imprecisión de datos.
 Permite modelar funciones no lineales, aunque su complejidad sea
elevada.
 Se describe a partir del conocimiento e intuición de expertos.
 Los controladores borrosos no son incompatibles con los convencionales.
 ¿Qué se va a abordar en lo que sigue?
 El estudio del control borroso como alternativa al control realimentado
sincronizado, continuo o periódicamente actualizado.
 Control borroso y control convencional
 Control convencional: está basado en el modelo del proceso a controlar:
lineal y no lineal, continuo y discreto, en el dominio del tiempo o
transformado. El lenguaje propio son ecuaciones diferenciales/diferencias.
 Control borroso: parte del comportamiento del proceso a controlar, donde
la intuición pesa tanto como la razón. El lenguaje propio son las reglas
Manuel Mazo heurísticas.
y Marta Marrón. Departamento de Electrónica 6
 Diseñodesistemasdecontrolconvencional

Reference
Inputs Outputs
Input Controlador Proceso (Process) y(t)
r(t) u(t)

PID, polo-cero, etc Modelo Matemático

Modelado matemático del proceso

Diseño del controlador

Evaluación diseño
Manuel Mazo y Marta Marrón. Departamento de Electrónica 7
 Diseñodesistemasdecontrolconvencional

 Modelado matemático:
 Fundamental para obtener un buen comportamiento del sistema realimentado.
 Es importante conjugar, para obtener el modelo, tanto el estudio físico como la
identificación utilizando datos experimentales.
 Por muy bueno que sea el modelo nunca será un fiel reflejo de la planta (pero en
muchos casos un modelo aproximado es suficiente).
 Diseño del controlador:
 A nivel de algoritmo: estabilidad, rechazo a perturbaciones externas, insensibilidad a
variaciones de parámetros de la planta, régimen transitorio, régimen permanente.
 A nivel de implementación: simplificación hardware, disponibilidad de sistemas
electrónicos, mantenimiento, fiabilidad, costes de desarrollo, etc.
 A nivel de soluciones: si se trata de sistemas lineales con modelo de función de
transferencia: PID´s, red cero-polo; si VVEE: realimentación del vector de estado
con o sin observadores. Se pueden usar técnicas óptimo, robusto y adaptativo.
 Evaluación del diseño:
 Estudio matemático basado en el modelo de la planta.
 Simulación del sistema en lazo cerrado.
 Ensayo experimental.
Manuel Mazo y Marta Marrón. Departamento de Electrónica 8
 Diseñodesistemasdecontrolborroso

 Elementos básicos de un controlador borroso:

 Base de conocimiento (“rule-base”).
 Mecanismo de inferencia (“inference mechanism”).
 Interfaz de borrosificación (“fuzzification”).
 Interfaz de desborrosificación (“defuzzification”).
Controlador Borroso (Fuzzy Controller)
Entradas Conclusiones
borrosificadas borrosas

Reference Mecanismo inferencia

Desborrosificación
Inputs
Borrosificación

(Defuzzification)
(Fuzzification)

Input Inputs Outputs

(Inference mechanism) u(t) Proceso
comparador

r(t) e(t) y(t)

(Process)
Base conocimientio
(Rule-base)

Manuel Mazo y Marta Marrón. Departamento de Electrónica 9

 Fundamentosdela

lógicaborrosa

Manuel Mazo y Marta Marrón. Departamento de Electrónica 10

 Fundamentosdelalógicaborrosa

 La lógica borrosa es una extensión de la lógica booleana.

 Se basa en la experiencia humana, y la pertenencia a un grupo u otro
es una cuestión de grado de precisión.
 En lógica borrosa cada afirmación es un problema “de grado de
verdad”.
 Un conjunto borroso es un conjunto sin límites abruptos ni claramente
definidos. Pueden existir elementos con un cierto grado de pertenencia.
 El conjunto borroso está asociado a un valor lingüístico, definido por
una palabra, adjetivo o etiqueta lingüística
(muy joven, joven, adulto, mayor, muy mayor, etc).
 La certeza o certidumbre con que una variable x se le puede asignar el
valor lingüístico (conjunto borroso) “i” se indica por una función de
pertenencia μ i (x).

Manuel Mazo y Marta Marrón. Departamento de Electrónica 11

 Fundamentos delalógicaborrosa

La lógica borrosa es un procedimiento de análisis del razonamiento

aproximado, que utiliza las imprecisiones del mismo.

Incluye (a grandes
rasgos):
Entradas borrosas Salidas borrosas
Variables Conjuntos Borrosos Conjuntos Borrosos Variables
de entrada Funciones de pertenencia Funciones de pertenencia de salida

Borrosificador (1) Inferencia Desborrosificador

(Fuzzification) (reglas) (Defuzzification)

(1) Se puede considerar que es el acto de obtener un valor de entrada y

encontrar el valor numérico de la función de pertenencia que esta
definida para ese valor. Es otra forma de representación los valores
numéricos de las variables de entrada.
Manuel Mazo y Marta Marrón. Departamento de Electrónica 12
 Borrosificación

1.-Definir las variables de entrada y salida:

temperatura, edad, estatura, velocidad, fuerza,
Definir el margen de variación (universo de discurso) de cada variable
Temperatura: - 40 a 70 ºC, Edad: 0 a 100 años, Estatura: 0 a 200 cm.

2.- Definir todos los conjuntos borrosos y el valor lingüístico, asociado a cada uno:
Variable: Temperatura
Valores lingüísticos: negativa_alta, negativa_baja, cero, positiva_baja, positiva_alta
Variable: Edad
Valores lingüísticos: muy_joven, joven, maduro, viejo

3.- Para cada conjunto (valor lingüístico) definir una función de pertenencia
o inclusión (membership function) que indique el grado en que una variable “x”
está incluida en los conceptos representados por las variables lingüísticas.
μi (x) indica el grado en que “x” está incluida en el conjunto “i”.
A μi (x) se le conoce como función de pertenencia de “x” en “i”.
El valor de pertenencia tiene que variar entre 0 y 1.
Manuel Mazo y Marta Marrón. Departamento de Electrónica 13
 Borrosificación: Casode“Lógicaclásica”
Ejemplo:Edaddelaspersonas

1. Variable: x= edad. Universo de discurso: 0 ≤ x ≤ 100 años.

2. Valores lingüísticos (conjuntos): MJ = muy_joven, JO= joven,
MA=maduro, VI=viejo.
3. Definición de las funciones de pertenencia, μi (x).

MJ JO MA VI
μMJ (x) μJO (x) μMA (x) μ VI (x)
1

0
0 10 30 60 100 x =
edad
 Con conjuntos booleanos μi(x) sólo puede tomar dos valores: 0 ó 1.
 μi(x) = 0 indica negación, μi(x) = 1 indica afirmación.
x = edad = 27 años: μMJ(x) = 0, μJO(x) = 1, μMA(x) = 0, μVI(x) = 0

Manuel Mazo y Marta Marrón. Departamento de Electrónica 14

 Borrosificación:Casode“Lógicaborrosa”
Ejemplo:Edaddelaspersonas
1. Variable: x= edad. Universo de discurso: 0 ≤ x ≤ 100 años.
2. Valores lingüísticos (conjuntos): MJ = muy_joven, JO= joven,
MA=maduro, VI=viejo.
3. Definición de las funciones de pertenencia, μi (x).

MJ JO MA
VI
μMJ (x) μJO (x) μMA (x)
1 μ VI (x)
0.6
0.4
0
0 10 27 30 60 100 x = edad

 Al tratarse de conjuntos borrosos μi(x) puede tomar cualquier valor

entre 0 y 1.
x = edad = 27 años: μMJ(x) = 0.4, μJO(x) = 0.6, μMA(x) = 0, μVI(x) = 0

Manuel Mazo y Marta Marrón. Departamento de Electrónica 15

 Funcionesdepertenencia

 La función de pertenencia puede ser una curva arbitraria.

 Dependiendo de la aplicación y del diseñador se pueden elegir diferentes tipos de
funciones de pertenencia (“membership function”). Las más frecuentes son:
triangular, trapezoidal, gausiana.
m f1 mf1
1 1

0 .8 0.8

0 .6 0.6

0 .4 0.4

0 .2 0.2

0
0
0 2 4 6 8 10
0 2 4 6 8 10

mf1 mf1 mf1

1 1 1

0.8 0.8 0.8

0.6 0.6 0.6

0.4 0.4 0.4

0.2 0.2 0.2

0 0 0
Manuel
0 Mazo
2 y Marta
4 Marrón.
6 Departamento
8 10 de0 Electrónica
2 4 6 8 10 0 2 4 6 16
8 10
 Inferencia:Reglasborrosas

 Los conjuntos y operadores borrosos se pueden considerar como los sujetos

y los verbos de la lógica borrosa.

 Los conjuntos borrosos se combinan en reglas para definir acciones como

por ejemplo, si la temperatura es alta entonces enfría mucho.

 Para poder expresar algo útil es necesario hacer frases completas. Las
afirmaciones condicionales, reglas if-then, son las que lo hacen posible.

 La estructura general de una regla borrosa es:

If CONDICIONES then ACTUACIONES

If x1 es F1 and x2 es F2 and x3 es F3 then u1 es G1 and u2 es G2

“condiciones”= “antecedentes” = “premisas”: es un escalar comprendido entre 0 y 1

“actuaciones” = “consecuencia” = “conclusión”: es un conjunto borroso

Manuel Mazo y Marta Marrón. Departamento de Electrónica 17

 Inferencia:Reglasborrosas

 Las reglas pueden ser tipo SISO, SIMO, MISO, MIMO:

SISO: If x es A1 then u es B1.

SIMO: If x es A1 then u1 es B1 and u2 es B2
MISO: If x es A1 and y es A2 then u es B1
MIMO: If x es A1 and y es A2 then u1 es B1 and u2 es B2

 Las reglas SIMO y MIMO se pueden convertir en SISO y MISO,

respectivamente.
Ejemplo:
If x es A1 and y es A2 then u1 es B1 and u2 es B2
Es equivalente a:
If x es A1 and y es A2 then u1 es B1
If x es A1 and y es A2 then u2 es B2

Manuel Mazo y Marta Marrón. Departamento de Electrónica 18

 Inferencia: Operadoresborrosos

Casode“Lógicaclásica”
 Sean dos conjuntos A y B, asociados a la variable x.
 Se definen tres funciones básicas:

Intersección (AND): min(A,B): μA∩B(x) =min[μA(x), μB(x) ]

Unión (OR): máx(A,B): μAB(x) = max[μA(x), μB(x)]

Complemento (NOT): μA(x) = 1- μA(x)

AND OR NOT(A)
A B mín(A,B) máx(A,B)
μA(x) μB(x) μA∩B (x) = μA B(x) = μA(x) = 1- μA(x)
min[μA(x), μB(x) ] máx[μA(x), μB(x) ]

0 0 0 0 1
0 1 0 1 1
1 0 0 1 0
1 1 1 1 0

Manuel Mazo y Marta Marrón. Departamento de Electrónica 19

 Inferencia:Operadoresborrosos

Casode“Lógicaborrosa”
 Sean dos conjuntos A y B, asociados a la variable x.
 Se definen tres funciones básicas: intersección (AND), unión (OR) y
complemento
1. Intersección (AND) borrosa (norma triangular): B A
 Alternativa 1:
mín (A,B): μA∩B (x) = min[μA(x), μB(x)] min(A,B)
 Alternativa 2:
prod(A,B): μA∩B (x) = [μA(x).μB(x)] B A
prod(A,B)
1. Unión (OR) borrosa (co-norma triangular):
 Alternativa 1:
máx(A,B): μAB(x) =max[μA(x), μB(x) ] B A
 Alternativa 2 (suma algebraica):
probor(A,B): μAB(x) =[μA(x)+μB(x) - μA(x).μB(x)] max(A, B)
B A

1. Función NOT: μA(x) = 1- μA(x)

probor(A, B)

Manuel Mazo y Marta Marrón. Departamento de Electrónica 20

 Inferencia

 Se entiende por inferencia borrosa la interpretación de las reglas if-then,

con el objetivo de obtener las conclusiones de las variables lingüísticas
de salida a partir de los valores actuales de las variables lingüísticas de
entrada.
 Conlleva dos fases:
1.- Matching o correspondencia: Evalúa el grado de certeza de la premisa para los
valores actuales de las variables de entrada, determina la función de pertenencia de la
premisa.
Si regla que se evalúa es la “n”: el grado de certeza se representa por μPremisa(n)

2.- Conclusiones (Inferencia): Establece las conclusiones en función de las

entradas actuales. Asigna a cada variable de salida del consecuente el conjunto
borroso correspondiente modificado en el grado especificado por μPremisa(n) .
La función de pertenencia del conjunto modificado se representa por μ(n) (u).
Aquí “n” es la regla evaluada y “u” es la variable de salida .
Manuel Mazo y Marta Marrón. Departamento de Electrónica 21
 Inferencia

 ¿Cómo se obtiene el grado de certeza de una premisa, μpremisa (n)?

Supongamos la regla (n):

If x1 es F1 and x2 es F2 and x3 es F3 then u1 es G1

1. Evaluar para cada entra (x1, x2, …), en función de su valor actual, la
función de pertenencia: μF1(x1), μF2(x2), μF3(x3)… certeza con que la
variable de entrada “xi“ pertenece al conjunto borroso Fi

2. Evaluar la función “and”, para obtener μpremisa (n). Existen dos alternativas:

Mínimo: µ p = m
r e m( n ) i s a iµ nF 1 ( {x 1 ) µ, F 2 ( x 2 ) µ, F 3 (x3) }

Producto: µ p = µ F 1 ( x 1 ) ⋅µ F 2 ( x 2 ) ⋅ µ F 3 ( x 3 )
r e m( n ) i s a

Manuel Mazo y Marta Marrón. Departamento de Electrónica 22

 Inferencia Ejemplodeinferencia

Regla 1: If x es A and y es B then u es D

“x es A and y es B”

Cuantificado con Cuantificado con

A B
μA(x)=0.6 μA(x)
μB(y)=0.4 μB(y)

x y

Valor de x actual Valor de y actual

μpremisa(1) = min{μA(x) , μB(x)} = 0.4: “tenemos una certeza de 0.4 de que esta
regla (regla 1) es aplicable a la situación actual (valores actuales)”

Manuel Mazo y Marta Marrón. Departamento de Electrónica 23

 Inferencia

 ¿Cómo se modifica el conjunto borroso de salida, en el grado especificado

por μPremisa(n) ?.

 Principio general: “La acción no puede tener un nivel de certeza superior al

que tiene la premisa” .

 Llamando μaccion(n) (u1) el conjunto borroso de salida de la acción “u1”, y

μregla_n (u1) al conjunto borroso de salida de la acción “u1” modificado por
μPremisa(n) , las dos alternativas más frecuentes son:

Truncamiento (chop off the top): μregla_n (u) = mín{μPremisa(n) , μacción (n) (u)}

Escalado (product): μregla_n (u) = μPremisa(n) .μacción (n) (u)

Manuel Mazo y Marta Marrón. Departamento de Electrónica 24

 Inferencia

 Truncamiento (chop off the top):

Conjunto borroso de salida:
μacción(n) (u)
μPremisa(n)
μregla_n (u) = min{μPremisa(n) , μacción (n) (u)}

Las áreas dan idea de

u certidumbre de la conclusión
 Escalado (product):
Conjunto borroso de salida:
μacción(n) (u)
μPremisa(n)
μregla_n (u) = μPremisa(n) .μacción (n) (u)

u
Manuel Mazo y Marta Marrón. Departamento de Electrónica 25
 Inferencia
Ejemplo:Controldefrenado

 Control de frenado de un vehículo en función de su velocidad y distancia al

que le precede.
 Variables de entrada: x= velocidad, y= distancia
 Valores entradas de velocidad (conjuntos borrosos):

A x = { A x1 , A x2 , A x3 } = { b a , mj a e , ad li } ta a
 Valores entradas de distancia
A y = { A 1y , A y2 , A y3 } = { m _u p y e q , up e ñq , agu re añ } na d
 Variable de salida: u= fuerza_sobre_ freno

 Valores de salida:
B u = { B u1 , A u2 , A u3 } = { m _u f y u e , fr u t ee , d r et e} b i l
Manuel Mazo y Marta Marrón. Departamento de Electrónica 26
 Inferencia
Ejemplo:Controldefrenado

Baja Media Alta

μBaja (x) μmedia (x) μalta (x)

0 40 80 120 x=Velocidad (Km/h)

muy_pequeña pequeña grande

μmuy_pequeña (y) μpequeña (y) μgrande (y)

0 25 50 75 y= distancia (m)
Salidas nunca Débil fuerte muy_fuerte
saturadas μdebil (u) μfuerte (u) μmuy_fuerte (u)

0 1 2 3 4 u=Fuerza (N)
Manuel Mazo y Marta Marrón. Departamento de Electrónica 27
 Inferencia
Ejemplo:Controldefrenado

 Supongamos: x=70Km/h, y=10m

 Y dos reglas:
1. If x es baja and y muy_pequeña then u es fuerte
2. If x es media and y muy_pequeña then u es muy_fuerte

μBaja (x) μmedia (x) μalta (x)

0.8

0.2
0 40 70 80 120 x=Velocidad (Km/h)

μmuy_pequeña (y) μpequeña (y) μgrande (y)

0.4

0 10 25 50 75 y= distancia (m)
Manuel Mazo y Marta Marrón. Departamento de Electrónica 28
 Inferencia
Ejemplo:Controldefrenado

μpremisa(1) =min{μBaja (x) , μmuy_pequeña (y)} = 0.2

“x es baja and y muy_pequeña”

Cuantificado con Cuantificado con

μBaja (x) μmuy_pequeña (y)

0.4
0.2
0 40 70 80 x 0 10 25 50 y
μpremisa(1) =min{μmedia (x) , μmuy_pequeña (y)} = 0.4

“x es media and y muy_pequeña ”

0.8 μmuy_pequeña (y)

μmedia (x)
0.4

0 40 70 80 120 x 0 10 25 50 y

Manuel Mazo y Marta Marrón. Departamento de Electrónica 29

 Inferencia
Ejemplo:Controldefrenado

1. If x es baja and y muy_pequeña then u es fuerte

μBaja (x) μmuy_pequeña (y) μfuerte (u)

0.4 μregla_1 (u)
0.2
0 40 70 80 1 2 3
0 10 25 50 y u
x

2. If x es media and y muy_pequeña then u es muy_fuerte

μmuy_pequeña (y) μmuy_fuerte (u)

0.8 μmedia (x)
0.4 μregla_2 (u)

0 40 70 80 120 0 10 25 50 y 2 3 4 u
x

Manuel Mazo y Marta Marrón. Departamento de Electrónica 30

 Inferencia
Ejemplo:Controldefrenado

μPremisa(1) =min [μbaja (x), μmuy_pequeña (y)] =0.2

If x es baja and y muy_pequeña then u es fuerte

μfuerte (u)
Implicación
μregla_1 (u)
0.2

0 1 2 3 u 0 1 2 3 u
μPremisa(1) =min [μmedia (x), μmuy_pequeña (y)] =0.4

If x es media and y muy_pequeña then u es muy_fuerte

μmuy_fuerte (u)
Implicación 0.4 μregla_2 (u)

u
0 1 2 3 4 u 0 1 2 3 4

Manuel Mazo y Marta Marrón. Departamento de Electrónica 31

 Inferencia:Agregacióndesalidadereglas

 En general se requieren dos o más reglas de forma que compitan

unas con otras.
 La salida de cada regla es un conjunto borroso (modificado por la
correspondiente premisa μpremisa(n)).
 La salida para un conjunto de reglas debe ser un único número.
 ¿Cómo se agregan (mezclan) los conjuntos borrosos, μregla(n)(u),
que resultan de cada regla para que la variable de salida sea un
único número?: se agregan en un solo conjunto borroso y a partir
de este último se obtiene el valor de la salida.

μrgla_1 (u)
ucrisp
μregla_2 (u) Agregación Desborrosificador
..
.
μregla_n (u)

Manuel Mazo y Marta Marrón. Departamento de Electrónica 32

 Inferencia:Agregacióndesalidadereglas

Conclusión Truncamiento
μPremisa(1) =mín [μA(x), μB(y)]
μC(u) Implicación
Premisa (1) Concl.
μregla_1 (u)
If x es A and y es B then u es C
u1 u u1 u
μregla_1 (u)=mín [μPremisa(1) , μC (u)]
Salida
ucrisp
Agregación de reglas
u1 u2 u
μregla_2 (u)=mín [μPremisa(2) , μF (u)]
Conclusión Truncamiento
μPremisa(2) =mín [μD(x), μE(y)]
μF(u) Implicación μregla_2 (u)
Premisa (2) Concl.

If x es D and y es E then u es F
u2 u u2 u

Manuel Mazo y Marta Marrón. Departamento de Electrónica 33

 Inferencia:Agregacióndesalidadereglas

Conclusión Escalado
μPremisa(1) =min [μA(x), μB(y)] Implicación
μC(u)
Premisa (1) Concl. μregla_1 (u)
If x es A and y es B then u es C
u1 u u1 u
μregla_1 (u)=μPremisa(1). μC (u)
Salida
ucrisp
Agregación de reglas
u1 u2 u
μregla_2 (u)=μPremisa(2). μF (u)
Conclusión Escalado
μPremisa(2) =min [μD(x), μE(y)]
μF(u) Implicación μregla_2 (u)
Premisa (2) Concl.
If x es D and y es E then u es F
u2 u u2 u

Manuel Mazo y Marta Marrón. Departamento de Electrónica 34

 Desborrosificación

 La entrada para la desborrosificación es un conjunto

borroso, el que resulta de la agregación, y la salida es un
número (ucrisp).

 Se puede entender como el proceso de decodificación de la

información borrosa producida por los procesos de inferencia
y agregación.

 De entre las diferentes alternativas de desborrosificación, las

dos más conocidas son:
 Centro de gravedad (COG) del área definida por el conjunto
borroso resultante de la agregación.
 Centros ponderados (center-average).

 Existen otras alternativas de desborrosificación, pero no

existen argumentos para decidir cuál es la mejor.
Manuel Mazo y Marta Marrón. Departamento de Electrónica 35
 Desborrosificación:COG

Se suele utilizar para el caso de truncamiento.

μregla_1 μregla_2 μregla_3 μregla_i μregla_N

….
b1 b2 b3 bi bN u

u =
c r i s p
∑ ∫ b µr
i i e g_ i l a
bi = centro de las funciones de pertenencia
del conjunto para la regla “i”, μregla_i

∑ ∫µi r e g_ i l a ∫µ r e g _ li a = área bajo la función

de pertenencia μ regla_i

Hay que asegurar que el denominador sea distinto de cero h 2

Recordad: Para un trapecio de base “w” y altura “h”, su área es: w (h − )

2
Manuel Mazo y Marta Marrón. Departamento de Electrónica 36
 Desborrosificación:Centrosponderados

Se suele utilizar para el caso de escalado

μpremisa(1)
μpremisa(N)
….
b1 b2 b3 bi bN u

∑ i
biµ p r e m( i ) i s a
u c r i s p
=
∑ i
µ p r e m( i ) i s a

Para el cálculo de la función de pertenencia de la premisa μpremisa(i ) se puede

utilizar el mínimo o el producto
Manuel Mazo y Marta Marrón. Departamento de Electrónica 37
 Desborrosificación Ejemplos

COG
NP CE ∑b ∫ µ i regla _ i
μ(i) 0.75 u crisp =
i
=

0.25
∑ ∫µ i regla _ i

-20 -10 0 10 u(t), (N)

( 0.25)2 0.752
0⋅ [ 20⋅ ( 0.25 − ] + ( −10)⋅ [ 20⋅ ( 0.75 − )
u=-6.81 2 2 =
-681
.
0.252 0.752
Centros ponderados 20⋅ ( 0.25 − ) + 20⋅ ( 0.75 − )
2 2
NP CE
0.75
∑ i
biµ p r e ( mi ) i s a
0.25 u =
c r i s p
=
∑ i
µ p r e ( mi ) i s a
-20 -10 10 u(t), (N)

-7.5 0 ⋅ ( 0 . 2 ) 5+ ( − 1 ) 0⋅ 0 . 7 5
= − 7 .5
0 . 2 +5 0 . 7 5
Manuel Mazo y Marta Marrón. Departamento de Electrónica 38