Modelización y Predicción con Tecnologías Emergentes - 3.

Reglas, inferencia difusa

Sistemas Difusos Modelo difuso

Conjunto de proposiciones Si p entonces q que modelan el
Son sistemas basados en reglas de la forma IF antedente THEN problema a resolver
consecuente, en las cuales los antecedentes y/o consecuentes son
caracterizados por relaciones difusas. Si u es A entonces v es B
Con A y B conjuntos difusos en el universo U y V (u∈U ∧v∈V)
Las reglas pueden provenir de distintas fuentes:
Expresa un tipo de relación entre los conjuntos A y B,
• De los expertos humanos, quienes describen su conocimiento en representando una implicación lógica que define el grado de
lenguaje natural verdad de la relación.
Si u es A ∧ x es C entonces v es B
• De modelos matemáticos que derivan de leyes físicas
Con A, B y C conjuntos difusos en el universo U, V y X (x∈X)
• De mediciones de sensores o datos experimentales
Expresa un conjunto de elementos simples representados por
Se pueden combinar distintos tipos de información proposiciones, unidos por conectivos u operadores lógicos (∧,
∨, ¬) que representan operaciones sobre esas proposiciones,
formando otras proposiciones de mayor complejidad

Proposiciones lógicas Proposiciones lógicas difusas

Una proposición es una sentencia declarativa que puede ser Si es temprano o p q z w

verdadera o falsa puedo salir antes y tengo el auto 0.5 0.5 0.5 0.5

Siendo p, q y z proposiciones, se pueden realizar distintas entonces voy a tu casa

0.5 0.5 0 0.5
operaciones que dan como resultado de verdad o falsedad: 0.5 0 0 0.5

Ej: p ∧ q, p ∨ q, ¬p, p ⇒ q, p ∧ q ⇒ z 0 0 0 0
p = es temprano = 0.5 0 0 0.5 0
Si((es temprano)o((puedo salir antes )y (tengo el auto ))) entonces q = puedo salir antes = 0.2 0 0.5 0.5 0.5
p q z
(voy a tu casa )
0.5 0 0.5 0.5
p q z w z = tengo el auto = 0.7 0 0.5 0 0
w
1 1 1 1 w = voy a tu casa 1 0.5 1 1
p =es temprano 1 1 0 1 0 0.5 0.5 0.5
q = puedo salir antes 1 0 0 1 23 combinaciones p∨q∧z⇒w 0.3 0.4 0.2 0.3
z = tengo el auto 0 0 0 0 max (0.5 , min (0.2 , 0.7) )= 0.5 0.125 0.46 0.29 0.29
w = voy a tu casa 0 0 1 0 0 0.1 0.3 0.1
0 1 1 1 0.5 0.2 0.7 0.5

p∨q∧z⇒w 1 0 1 1
0 1 0 0 en [0,1] ∞ Combinaciones
Si limitamos a n valores de verdad n3

1
Modelización y Predicción con Tecnologías Emergentes - 3. Reglas, inferencia difusa

Proposiciones lógicas difusas Reglas de control

Si es temprano o Utilización de reglas empíricas, como lo hace un operador
puedo salir antes y tengo el auto entonces voy a tu casa Si condición o premisa entonces conclusión.
Si antecedente entonces consecuente.
Si es temprano o
puedo salir antes y tengo el auto entonces hago las compras • La experiencia del experto y el conocimiento de la ingeniería
y voy a tu casa del control
Cuestionario a los expertos o operadores. Manual de instrucciones.
Si es temprano entonces hago las compras y voy a tu casa • Basado en las acciones del operador del control
o
Si puedo salir antes y tengo el auto entonces hago las compras Observaciones. Relación de entradas-salidas.
y voy a tu casa • Basado en un modelo difuso del proceso
Identificación difusa o control basado en modelos difusos.
p⇒w 0.5 max(0.5, 0.2)=0.5 • Basado en aprendizaje
q∧z⇒w min (0.2 , 0.7)=0.2 Encuentra las reglas por sí mismo. Clustering. Redes neuronales.

Generación de un sistema difuso
• Obtener las reglas
• Identificar las variables difusas
• Definir el conjunto de términos y la base para cada
variable.
• Definir las funciones de pertenencia para cada
término
• Combinar las reglas para obtener un resultado
Generación de
un sistema difuso
• Obtener las reglas
Si el nivel es bajo, entonces abrir la válvula V
Si el nivel es alto, entonces cerrar la válvula V
• Identificar las variables lingüísticas
nivel, válvula
• Definir el conjunto de términos y la base para cada variable.
nivel: bajo, alto definido en [0,100]
válvula: abrir, cerrar en [0,1]
• Definir las funciones de pertenencia para cada término.
Funciones triangulares
•Combinar las reglas para obtener un resultado

2
Modelización y Predicción con Tecnologías Emergentes - 3. Reglas, inferencia difusa

Si el nivel es bajo, entonces abrir V Si el nivel es alto, entonces cerrar V

°. min 0 0.5 1 abrir
1 0 0.5 1 °. min 1 0.5 0 cerrar
0.75 0 0.5 0.75 Si tomamos la relación 0 0 0 0 Si tomamos la relación
0.5 0 0.5 0.5 R = bajo °. min abrir, 0.25 0.25 0.25 0 R = alto °. min cerrar,
0.25 0 0.25 0.25 0.5 0.5 0.5 0
y un vector de entrada y un vector de entrada
0 0 0 0 0.75 0.75 0.5 0
bajo nivel = (0.75, 1, 0.75 , 0.5, 0.25) nivel = (0.75, 1, 0.75 , 0.5, 0.25)
1 1 0.5 0
entonces v = nivel ∨. ∧ R alto entonces v = nivel ∨. ∧ R
Matriz de inferencia Matriz de inferencia

nivel v nivel v

R R

Si el nivel es bajo, entonces abrir válvula Si nivel = (0.75, 1, 0.75 , 0.5, 0.25)

Si el nivel es alto, entonces cerrar válvula

Si el nivel es entonces

bajo abrir

alto cerrar Entonces válvula

3
Modelización y Predicción con Tecnologías Emergentes - 3. Reglas, inferencia difusa

Mecanismo de inferencia Mecanismo de inferencia

• Agrupamiento
Si hay más de una variable de entrada, calcula el grado de
Decide que reglas son “disparadas” desempeño o potencia de disparo αk de la condición de una regla k.
Independiente de la base de reglas αk = µk1 and µk2 (min o prod)
Puede ser implementado en cualquier lenguaje de programación αk = µk1 or µk2 (max, suma o probor µk1 + µk2 - µk1 * µk2 )
Mecanismos tradicionales:
• Encadenamiento hacia adelante (forward chaining)
• Activación
Grado de confidencia de la regla k, ωk ∈ [0,1].
Datos (entrada) Respuesta (salida)
αk = ωk * αk
• Encadenamiento hacia atrás (backward chaining). αk = min ( ωk , αk )
Datos (entrada) Respuesta (salida)
• Acumulación
En control se parte de un conjunto de datos de entrada para obtener una Las conclusiones si activadas son acumuladas utilizando el operador
salida (forward chaining). Se disparan todas las reglas involucradas max o +, para producir la salida final S
obteniéndose varias salidas. Necesidad de agrupar las distintas salidas S = α1 * s1 + α2* s2 + ... +αn * sn

4
Modelización y Predicción con Tecnologías Emergentes - 3. Reglas, inferencia difusa

Estructura de un
Defuzificación sistema difuso
Centro de gravedad (centroide)

Base de
Bisección del área (bisector) reglas
Pre- Fuzzi- Defuzzi- Post-
procesamiento ficación ficación procesamiento
Mecanismo
de inferencia
som mom lom

Media de los máximos (mom)

Mayor de los máximos (lom)
Menor de los máximos (som)

Definición del sistema

GUI fuzzy de Matlab Funciones de pertenencia
>> fuzzy

bajo alto cerrar abrir

Variable de entrada: nivel Variable de salida: válvula

Términos: {bajo,alto} Términos: {cerrada,abierta}
Base de variables: [0,100] Base de variables: [0,1]
Tipo función de pert: triangular Tipo función de pert: triangular

5
Modelización y Predicción con Tecnologías Emergentes - 3. Reglas, inferencia difusa

Definición de
funciones de pertenencia Funciones de pertenencia

Inferencia Comportamiento del sistema

6
Modelización y Predicción con Tecnologías Emergentes - 3. Reglas, inferencia difusa

Multiples variables Sistema con

de entrada multiples entradas
Si el nivel es bajo y
la temperatura es alta
entonces abrir válvula

Si el nivel es alto y la
temperatura es baja
entonces cerrar válvula

Inferencia
con múltiples entradas Resultado