Documente Academic
Documente Profesional
Documente Cultură
CAPÍTULO 1
LÓGICA DIFUSA
Objetivo:
1
Desarrollos Inteligentes Lógica Difusa
El pensamiento y los procesos del hombre son borrosos, por ende se requiere
establecer modelos borrosos, utilizando una matemática borrosa. Se requiere de
un nuevo punto de vista, un nuevo cuerpo de conceptos, una serie de técnicas, en
los que lo “borroso” se acepte como una realidad del hombre.
Un proceso trascendente y prioritario del hombre es la toma de decisiones en
cualquier área: medicina, agricultura, economía, administración, investigación,
etc., de ahí la importancia de establecer modelos difusos.
2
Desarrollos Inteligentes Lógica Difusa
3
Desarrollos Inteligentes Lógica Difusa
Se puede definir un conjunto difuso como aquél formado por elementos con un
grado de pertenencia o membresía. Este grado se define regularmente en el
intervalo [0,1] Una definición formal es:
4
Desarrollos Inteligentes Lógica Difusa
0
N x
0 N x
5
Desarrollos Inteligentes Lógica Difusa
Inclusión:
Se dice que A está incluido en B si:
∀ x ∈ E: µ A(x) ≤ µ B(x).
Igualdad:
Complementación:
Intersección:
Unión
Suma disyuntiva.
La suma disyuntiva de dos subconjuntos difusos se define
en términos de la unión y de la intersección de la manera
siguiente:
AΘ B = (A∩ B’)U(A’∩ B)
∀ x ∈ E: µ AΘ Β (x) = MAX( µ (A∩ B’)(x), µ (A’∩ B)(x)) =
= MAX( MIN(µ A(x), µ B’ (x)), MIN(µ A’ (x),
µ B(x)) )
Diferencia.
La diferencia se define por la relación:
A - B = A ∩ B’
∀ x ∈ E: µ A−B(x) = MIN(µ A(x), µ B’ (x)).
6
Desarrollos Inteligentes Lógica Difusa
Grados de
membresía
etiqueta difusa
leve moderada
11
funciones de membresía
100%
0
40 % presencia
Campo de dominio
Universo de discurso
7
Desarrollos Inteligentes Lógica Difusa
Universo de discurso
Rango de todos los posibles valores aplicables a una variable del sistema. Por
ejemplo: El porcentaje de presencia de la variable_x tiene un universo de
discurso de [0,100].
Función de membresía.
Define un conjunto difuso para mapear los datos de entrada desde un dominio a
grados de membresía. En el modelo anterior se definen dos funciones de forma
triangular.
Etiqueta difusa
Describe el nombre usado para identificar una función de membresía. En el
modelo anterior leve y moderada
Para resolver un problema usando lógica difusa se requieren los tres pasos
siguientes:
8
Desarrollos Inteligentes Lógica Difusa
Las variables difusas asumen valores que son términos del lenguaje natural,
por ejemplo: tibio, templado, caliente; estos valores se conocen como etiquetas
difusas en un conjunto borroso.
Paso I)
Asignar etiquetas difusas en el universo de discurso para cada uno de los datos
de entrada. El número de etiquetas para cada variable en un sistema difuso
generalmente puede ser entre 3 y 9; entre menos etiquetas, los resultados
obtenidos pueden no representar la respuesta correcta para una posible decisión;
más etiquetas definidas podrían generar un sistema difuso inestable, más tiempo
adicional de computación y la resolución del sistema definido sería quizá
inoperante.
Por ejemplo para la enfermedad del asma se definen tres etiquetas difusas: leve,
moderado y grave y para los síntomas del asma se tienen las siguientes etiquetas
difusas:
Disnea: leve, moderado y grave.
Sibilancias: leve, moderado, grave y muy grave.
Estertores: existe, no existe.
Hiperventilación pulmonar: leve, moderado, grave
9
Desarrollos Inteligentes Lógica Difusa
Paso II)
Seleccionar una función de membresía. Las funciones de membresía pueden
tomar diferentes formas, las más frecuentes usadas son la trapezoidal y la
triangular, pero puede suceder que sea más representativa del fenómeno que
ocurre otra forma especial,
Implicando en este caso más ecuaciones y generando tablas más grandes para
representar la ocurrencia.
Por ejemplo, las funciones de membresía para cada uno de los síntomas y para la
enfermedad del asma se determinaron de forma triangular debido a que el
experto médico por cada etiqueta difusa definió sólo un valor crítico, esto es, un
valor de la variable con grado de membresía igual a uno.
pendiente1 pendiente 2
punto 1 punto 2
2. Las tablas de búsqueda son una representación común para una función
de forma arbitraria, en este caso la difusificación requerirá una representación
más compleja que consumiría más memoria y consecuentemente, la
desdifusificación requerirá más tiempo.
10
Desarrollos Inteligentes Lógica Difusa
TEMPE GRADO
RATUR DE
A MEMB
RESIA
30 0
35 .05
40 .18
45 1.0
50 .17
55 .14
Las reglas de evaluación se aplican a los datos de entrada difusos que fueron
generados en la difusificación. Estas variables de entrada se asocian a través de
las reglas con variables de salida. Las reglas difusas son usualmente estatutos si-
entonces que describen la acción que va a ser tomada en respuesta a varias
entradas difusas.
Las reglas son muy fáciles de definir en términos lingüísticos y bajo una
estricta sintaxis:
11
Desarrollos Inteligentes Lógica Difusa
antecedente 1
antecedente 2 consecuente
Grado de
membresía SÍNTOMA_1
1 templada caliente
0.7
0 20 23 25 27 30 35 grados centígrados
entrada
12
Desarrollos Inteligentes Lógica Difusa
SÍNTOMA_2.
grados de 1.0 normal alta
membresía 0.9
0 10 18 20 22 30 intensidad de color
Entrada
ENFERMEDAD_X.
grados de 1.0 moderada alta
membresía
13
Desarrollos Inteligentes Lógica Difusa
Síntoma_1
Función de grado de
membresía membresía
templada 0.7
caliente 0
Síntoma_2
Función de grado de
membresía membresía
normal 0
alta 0.9
14
Desarrollos Inteligentes Lógica Difusa
R PESO DE LA
E REGLA
G
L
A
1 0
2 0.7
3 0
4 0
FUNCIÓN DE S
MEMBRESÍA DE LA A
ENFERMEDAD_X L
I
D
A
D
I
F
U
S
A
moderada 0
alta 0.
7
15
Desarrollos Inteligentes Lógica Difusa
etiquetas difusas
salida difusa corto medio largo
1.0
0.40
0.20
0
30 75 90 unidades de la variable de salida
COG = (0x0)+(15x0)+(30x.40)+(45x.40)+(60x.40)+(75x.20)+(90x.20)
0+0+.40+.40+.40+.20+.20
16
Desarrollos Inteligentes Lógica Difusa
ENTRADA DE
DATOS
FUNCIONES DE
FUSIFICACIÓN MEMBRESÍA DE
ENTRADA
ENTRADA DE
DATOS
DIFUSIFICADOS
EVALUACIÓN
REGLAS DE LAS REGLAS
SALIDA
IFUSIFICADA
FUNCIONES DE DESDIFUSIFICACIÓN
MBRESÍA DE
SALIDA
SALIDA DE
RESULTADOS
EVALUACIÓN
DE LAS REGLAS
17
Desarrollos Inteligentes Lógica Difusa
18
Desarrollos Inteligentes Lógica Difusa
Base de Conocimientos:
Se caracteriza porque puede manejarse con técnicas de resolución difusas, esto
implica que para cada variable determinada en el sistema se definen una ó varias
funciones de membresía. Por ejemplo en este proyecto, cada síntoma tiene
definidas en la base de conocimientos sus funciones de membresía, también para
la variable de salida para este caso la enfermedad del asma se definieron las
funciones de membresía en la base de conocimientos.
Mecanismo de inferencia.
Se define por los procesos de difusificación, evaluación de las reglas y
desdifusificación en el esquema de la lógica difusa. El objetivo del mecanismo
de inferencia es manipular las variables de entrada con lógica difusa y generar
salidas al usuario. En el proyecto actual, la definición del mecanismo de
inferencia implica las tareas de difusificar los síntomas que presente el paciente,
evaluar las reglas que relacionan los síntomas con la enfermedad del asma, y
desdifusificar la salida difusa para obtener la salida real del sistema que
representa el porcentaje de presencia de la enfermedad del asma, dados los
síntomas del paciente.
Conjunto de reglas.
Las reglas se definen en términos de difusividad y determinan la forma en la
que el mecanismo de inferencia deduce la posible solución. Una manera de
plantear las reglas es a través del uso de las matrices Fuzzy Associative
Memories (FAM) (Memorias asociativas difusas).
Por ejemplo para las siguientes reglas definidas para la enfermedad_x según se
muestra en la figura 1.10.1:
19
Desarrollos Inteligentes Lógica Difusa
SÍNTOMA_1
TEMPLADA CALIENTE
SÍNTOMA_2
ENFERMEDAD_X ENFERMEDAD_X
NORMAL MODERADA ALTA
ENFERMEDAD_X ENFERMEDAD_X
ALTA ALTA ALTA
20
Desarrollos Inteligentes Lógica Difusa
La más simple FAM codifica la regla o asociación (Ai, Bi) la cual asocia al
conjunto difuso p dimensional Bi con el conjunto difuso Ai n dimensional,
comparable con una red neuronal, pero sin necesidad de entrenarla, ya que aquí
se representa como una regla que codifica conocimiento estructurado de la
forma: “Si el tráfico está pesado en esta dirección, entonces mantener más
tiempo la luz verde” en forma de una matriz de correlación FAM. En la práctica
se maneja esta gran matriz numérica con un esquema de representación
codificada por medio de una asociación lingüística (Pesado, Tiempo), y se
establece como una entrada a una matriz banco - FAM lingüística.
21
Desarrollos Inteligentes Lógica Difusa
22
Desarrollos Inteligentes Lógica Difusa
Los mapas cognitivos difusos representan la versión propuesta por Kosko (1986)
para dar un tratamiento cuantitativo a un fenómeno causal que originalmente se
expresa en términos cualitativos. Al formular el modelo, se establecen valores
cualitativos a los estados de los conceptos y a las relaciones causales, p. ej., al
concepto interés en la lectura se asocia el valor “alto”, mientras que a la
relación estimula se etiqueta con el término lingüístico “muchísimo”.
Una vez que los conceptos tienen valores iniciales y las relaciones también
cuentan con los propios, se realiza una conversión lingüístico-numérica a valores
normalizados en un conjunto o intervalo. Generalmente, se usan los conjuntos:
{0, 1} o {–1, 0, 1}; y los intervalos [0, 1] o [–1, 1], por lo que valores como bajo
y mucho, que están asociados al estado de un concepto, pudiera corresponderles
en forma respectiva para los conjuntos e intervalos presentados: 0 y 1, –1 y 1,
0.2 y 0.76, –0.75 y 0.82. De igual forma ocurre para las relaciones, pues una vez
asignado el valor lingüístico, éste se transforma a un número del conjunto o
intervalo elegido.
Después de haber inicializado el mapa cognitivo difuso, se activa un mecanismo
encargado de estimar los efectos causales que ocurren entre los conceptos. El
cálculo se realiza mediante la alteración iterativa de los valores asociados a los
estados de los conceptos. Es decir, que como resultado de la próxima iteración
n+1 el nuevo valor Cn+1 reemplaza al que el estado del concepto C ostenta
actualmente Cn. Durante la simulación permanecen estáticos los valores
asociados a las relaciones. En cambio, los valores asignados a los conceptos son
transformados hasta converger hacia una situación de estabilidad o de caos. Para
identificar una situación de estabilidad basta que los valores de los estados de los
conceptos no cambien entre un ciclo y el siguiente, o bien que se presente un
23
Desarrollos Inteligentes Lógica Difusa
En donde C representa un vector con los valores de los conceptos en el ciclo n+1,
cuyo valor se genera al aplicar la función de umbral S al producto entre el vector
de conceptos actual Cn y la matriz de adyacencias que representa los valores
numéricos de las relaciones E. El valor del concepto Ci del vector de conceptos
C se obtiene de la sumatoria del producto de todos los arcos Eij que arriban a Ci,
conforme a la siguiente expresión:
n
Ci = ∑ Ci*Eij .
j =1
24
Desarrollos Inteligentes Lógica Difusa
25
Desarrollos Inteligentes Lógica Difusa
Regla (0.75)
IF
la capacidad de la fuerza vital es alta 0.7
los resultados de la broncoscopia son positivos 0.2
los síntomas locales son presentados 0.1
THEN
la cirugía es probablemente apropiada
UNLESS (0.4)
metástasis presente 0.5
existan contradicciones para cirugía 0.5
26
Desarrollos Inteligentes Lógica Difusa
27
Desarrollos Inteligentes Lógica Difusa
PREGUNTAS
1. ¿Por quién fue publicada la teoría de los conjuntos difusos y en qué año?.
28
Desarrollos Inteligentes Lógica Difusa
a) Inclusión:
se dice que A está incluido en B si:
∀ x ∈ E: µ A(x) ≤ µ B (x) .
b) Igualdad:
A y B son iguales si, y solamente si:
∀ x ∈ E: µ A(x) = µ B(x).
29
Desarrollos Inteligentes Lógica Difusa
c) Complementación:
d) Intersección:
e) Unión
Paso I)
Asignar etiquetas difusas en el universo de discurso para cada uno de los datos
de entrada. El número de etiquetas para cada variable en un sistema difuso
generalmente puede ser entre 3 y 9; entre menos etiquetas, los resultados
obtenidos pueden no representar la respuesta correcta para una posible decisión;
más etiquetas definidas podrían generar un sistema difuso inestable, más tiempo
adicional de computación y la resolución del sistema definido sería quizá
inoperante.
Paso II)
Seleccionar una función de membresía.
30
Desarrollos Inteligentes Lógica Difusa
31
Desarrollos Inteligentes Lógica Difusa
EJERCICIOS
32
Desarrollos Inteligentes Lógica Difusa
BIBLIOGRAFÍA.
Anderson, J.; Bandler, W.; Kohout, L.J.; and Trayner, C. (1982). “The design of a fuzzy
medical expert system”. In M.M.Gupta, A. Kandel, W Bandler, and J.B. Kiszha (eds):
Approximate Reasoning in expert system. Amsterdam: North- Holland, pp 689-793.
Bezdek, Jim (1993).- “Fuzzy Models -What are The, and why?”. IEEE trans.on Fuzzy
Systems, vol 1, No. 1, feb. 1993, pp1-5.
Chang Ana M.; Hall Lawrence O.(1993). “The validation of fuzzy knowledge - based
systems”. Fuzzy logic for the management of uncertainty. Honeywell Inc., Mav D;
11601 Roosevelt Blvd. St. Petersburg. FL 33716 - 2202, USA. Department of Computer.
Science and Engineering. University of South Florida. Tampa, FL 33620.
Kandel, Abraham (1991).- Fuzzy Expert Systems. CRC Press, Tampa, Florida.
Kosko Bart(1992).- Neural Networks and Fuzzy Sistems. Prentice-Hall, New Jersey,
USA.
Reyes, García Carlos Alberto. (1994). Lógica difusa. Primer Congreso Internacional
de Investigación en Ciencias Computacionales. Sept. 1994. Instituto Tecnológico de
Toluca.
Valluru B. Rao, Hayagriva V. Rao,( 1995).- C++ Neural Networks and Fuzzy Logic.
MIS:PRESS, USA.
33