Logica Difusa

Desarrollos Inteligentes Lógica Difusa
CAPÍTULO 1
LÓGICA DIFUSA
“Debe preguntarse a los niños y a los pájaros cómo saben

las cerezas y las fresas” Goethe.
Objetivo:
El estudiante comprenderá los fundamentos de la lógica

difusa, así como sus aplicaciones.
1
1.1 Introducción a la lógica difusa.
La lógica difusa surge como resultado de la búsqueda del hombre de una

herramienta para representar con precisión la imprecisión de la realidad humana.
¿Cómo generar una herramienta o una máquina que pueda ayudar eficientemente
al hombre, en la que se pueda modelar los procesos mentales del mismo, los
procesos de la toma de decisiones bajo incertidumbre, los procesos de
abstracción y generalización en la solución de problemas, etc.
Un factor prioritario que ha impedido el desarrollo de esta máquina es el hecho

de no poder modelar los procesos de razonamiento en términos “imprecisos”,
no cuantitativos, “borrosos”, del hombre. Es la ausencia de esta característica la
que determina que las más sofisticadas computadoras actuales sean incapaces de
comunicarse con los humanos empleando lenguajes naturales y exijan lenguajes
artificialmente construidos.
En general la lógica del razonamiento humano no se puede modelar con la

lógica binaria, recordando con Einstein: “En cuánto a que las matemáticas se
refieren a una realidad, ellas no son ciertas, en cuanto a que ellas sean
ciertas, ellas no se refieren a una realidad”. La lógica del razonamiento es una
lógica de verdades borrosas, borrosidad no permitida por los modelos
matemáticos, que en la búsqueda por la precisión han ajustado la realidad.
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
Las teorías que definen a la lógica difusa es un avance de la matemática clásica.

Estas teorías se generaron en la búsqueda de modelos matemáticos que
representaran con mayor precisión los procesos mentales del hombre. La teoría
de los conjuntos difusos fue publicada por Zadeh en 1965, esta teoría es un
nuevo cuerpo de conceptos y técnicas en la que lo difuso es aceptado como la
realidad del hombre, esta teoría puede abrir muchas fronteras nuevas en
diferentes disciplinas y servir de base para la creación de sistemas superiores en
inteligencia artificial.
La palabra difuso significa que un elemento es un miembro de un conjunto sólo

de manera incierta, mientras que la matemática clásica nos enseña que sólo hay
dos situaciones especificas para un elemento : falso o verdadero. El mérito de
L.A. Zadeh es definir esta pertenencia incierta usando el concepto de
membresía.
1.2 Antecedentes de los conjuntos difusos.
“El método de L.A. Zadeh ha intentado salir del estancamiento

introduciendo la noción de membresía. Un elemento puede entonces
pertenecer, más o menos a un conjunto y de ahí engendrar un concepto
fundamental: el de conjunto difuso” (Kauffman, 10, 1982).
La teoría de los conjuntos binarios (un elemento pertenece o no pertenece a un

conjunto) es un caso particular de la teoría de los subconjuntos difusos, se
considera el término de subconjuntos difusos porque el conjunto de referencia no
es difuso.
En términos genéricos la función de membresía es el grado de pertenencia de un

elemento a un conjunto, el grado de pertenencia tiene un rango de 0 a 1
inclusive, de tal forma que si la función de membresía toma solamente los
3
valores extremos del rango, se está considerando la teoría clásica de conjuntos:

un elemento no pertenece (0) ó pertenece a un conjunto (1).
1.3 Conceptos de conjuntos difusos.
En la actualidad, los sistemas desarrollados por el hombre no generan un

razonamiento lógico. Esta incapacidad se debe básicamente a la diferencia
fundamental que existe entre la inteligencia humana y los alcances de los
sistemas o máquinas. La teoría de los conjuntos difusos permite estructurar
mejor lo que está separado por fronteras poco precisas, como el pensamiento, el
lenguaje y la percepción del hombre. (Kaufmann: 1982).
La teoría de conjuntos difusos es una agrupación de conceptos y técnicas en la

que lo difuso es aceptado como una realidad universal de la existencia humana.
Esta teoría puede abrir fronteras nuevas en diferentes disciplinas y servir de base
para la creación de sistemas superiores en inteligencia artificial.
Es importante señalar la diferencia entre difuso y probabilístico. La

representación difusa señala objetos con propiedades imprecisas y la
representación probabilística denota información basada en frecuencias relativas.
(Bezdek: 1993).
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:
Si B={x} representa un espacio de objetos, entonces el conjunto difuso A en B

es el conjunto de pares ordenados:
A={x, µ A(x) }, x ∈ B
Donde µ A(x) es el grado de membresía de x en A.
4
A su vez, un número difuso es un conjunto difuso en el dominio de la línea real.

Existen diferentes formas de las funciones de membresía de los números
difusos, siendo las más comunes la triangular, trapezoidal y de Gauss.
Número N no difuso (ver figuras 1.3.1 y 1.3.2).
0
N x
Figura 1.3.1 Número N no difuso
Número N difuso µ (x)

1
0 N x
Figura 1.3.2. Número N difuso
Considere a F como el conjunto de todos los reales cercanos a N. La propiedad

difusa “cercano a N” obliga a tener más de un valor de membresía. En la figura
anterior se pueden notar tres características esenciales:
♦ Normalidad : µ (N)=1
♦ Monotonicidad: entre más cercano a N se encuentra un número x, más
cercano a 1 es µ (x).
♦ Simetría: Números con la misma distancia a la derecha y a la izquierda
de N tendrán el mismo valor de membresía.
1.4 Operaciones con conjuntos difusos.
Kaufmann en el libro “Introducción a la teoría de los subconjuntos difusos”

presenta las siguientes definiciones.
Sean E un conjunto; M su conjunto de membresía asociado [0,1]; A y B dos

conjuntos difusos de E; µ A(x) y µ B(x) son funciones características de
5
membresía que toman sus valores de M. Entonces las definiciones de las

siguientes operaciones son:
Inclusión:
Se dice que A está incluido en B si:
∀ x ∈ E: µ A(x) ≤ µ B(x).
Igualdad:
A y B son iguales si, y solamente si:

∀ x ∈ E: µ A(x) = µ B(x).
Complementación:
A y B son complementarios (B=A’) si:

∀ x ∈ E: µ B(x) = 1 - µ A(x)
Intersección:
Se define la intersección Α ∩ Β , como el subconjunto difuso más

grande contenido, a la vez, en A y en B, es decir:
∀ x ∈ E: µ A∩ B(x) = MIN(µ A(x), µ B(x)).
Unión
Se define la unión AUB por el subconjunto difuso más pequeño

que contiene tanto a A como a B, es decir:
∀x ∈ E: µ AUB(x) = MAX( µ A(x), µ B(x)).
Ejemplos de operaciones compuestas:
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
1.5 Conceptos de lógica difusa.
La lógica difusa se puede definir como el conjunto de principios matemáticos

usados para modelar la información que se basa en grados de membresía.
La lógica difusa comprende a la lógica clásica. La lógica clásica es una lógica

binaria que se basa en los valores verdadero y falso. Un elemento pertenece o no
pertenece a un conjunto. Sin embargo, en la mayoría de los fenómenos reales,
las situaciones que se presentan no son deterministas sólo en dos valores ya que
entre estos valores extremos pueden presentarse varios valores “intermedios”
con un grado de pertenencia y de no pertenencia a un conjunto determinado; este
grado se maneja en la lógica difusa como grado de membresía.
Los conceptos básicos de la lógica difusa se presentan a continuación:

Considere el siguiente modelo presentado en la figura 1.5.1 para una
enfermedad_x:
Grados de
membresía
etiqueta difusa
leve moderada
11
funciones de membresía
100%
0
40 % presencia
Campo de dominio
Universo de discurso
Figura 1.5.1. Ejemplo de un modelo difuso de una enfermedad_x.
7
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].
Campo del dominio.

Ancho de la función de membresía. El rango de conceptos, generalmente
números, sobre el cual una función de membresía es mapeada. Por ejemplo el
ancho de la función de membresía leve para la enfermedad x es de [0,40].
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
1.6 Medida de la entropía difusa.
Para resolver un problema usando lógica difusa se requieren los tres pasos
siguientes:
1. Difusificar los datos de entrada

2. Evaluación de las reglas difusas
3. Desdifusificar los datos difusos para generar los datos de salida.
8
1.7 Subconjuntos difusos.
Difusificar los datos de entrada.

Los datos de entrada son transformados en entradas difusas a través de las
funciones de membresía. Generalmente las funciones de membresía
proporcionan un número mediante un conjunto difuso, esto es: mapean el dato
de entrada desde un dominio específico a un grado de membresía en un rango de
[0 ,1].
1.8 Variables lingüísticas.
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.
El proceso de difusificación consiste en los siguientes pasos:
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
Cianosis perioral: leve, moderado, grave

Espiración prolongada: normal, prolongada.
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.
Ahora bien, dependiendo de la función de membresía, se determinan los

métodos específicos para representarla; entre estos métodos se encuentran: la
representación punto/pendiente y las tablas de búsqueda:
1. La representación punto/pendiente se utiliza para representar las
funciones trapezoidal y triangular como se muestra en la figura 1.8.1.
pendiente1 pendiente 2
punto 1 punto 2
Figura 1.8.1 Representación Punto/ Pendiente
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
Por ejemplo en la figura 1.8.2:
TEMPE GRADO
RATUR DE
A MEMB
RESIA
30 0
35 .05
40 .18
45 1.0
50 .17
55 .14
Figura 1.8.2 Ejemplo de una tabla de búsqueda
En el proyecto que se presenta; se está usando la representación

punto/pendiente, debido a que las funciones de membresía de los síntomas y del
asma son funciones triangulares.
1.9 Relaciones difusas.
Las reglas de evaluación son también referidas como inferencia difusa. La

técnica generalmente usada es la inferencia MIN-MAX. A través de esta técnica
se calcula un valor numérico que representa el verdadero para un consecuente de
una acción basada en un conjunto de reglas relacionadas.
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:
Si antecedente 1 Y antecedente 2, entonces consecuente.
11
Esta definición se puede reflejar en una matriz según se ve en la figura 1.9.1:
antecedente 1
antecedente 2 consecuente
Figura 1.9.1 Representación de una regla en forma matricial
La técnica MIN-MAX consiste en los siguientes pasos:

1. Si los antecedentes son conectados por el operador y, el peso de la regla
se asume como el más pequeño de los pesos de los antecedentes de la regla.
2. La salida difusa se determina para cada función de membresía de la
variable de salida como el máximo peso de los pesos de todas las reglas
relacionadas con esa función.
V.Gr.: Considere que existe una enfermedad_x determinada por la presencia de
los síntomas: síntoma_1 y síntoma_2. El objetivo es determinar para una
combinación de síntomas presentada por el paciente, el porcentaje de presencia
de la enfermedad. Suponga que las funciones de membresía para los síntomas y
la enfermedad_x son las siguientes (ver figuras 1.9.2, 1.9.3 y 1.9.4):
Grado de
membresía SÍNTOMA_1
1 templada caliente
0.7
0 20 23 25 27 30 35 grados centígrados
entrada
Figura 1.9.2 Modelo difuso del síntoma_1.
12
SÍNTOMA_2.
grados de 1.0 normal alta
membresía 0.9
0 10 18 20 22 30 intensidad de color
Entrada
Figura 1.9.3 Modelo difuso del síntoma_2.
ENFERMEDAD_X.
grados de 1.0 moderada alta
membresía
0 30 55 60 100 porcentaje de presencia
Figura 1.9.4 Modelo difuso de la enfermedad_x.
Sean las siguientes reglas a evaluar:

• Regla 1: Si síntoma_1 es templada y síntoma_2 es normal entonces la
enfermedad_x es moderada.
• Regla 2: Si síntoma_1 es templada y síntoma_2 es alta entonces la
enfermedad_x es alta.
• Regla 3: Si síntoma_1 es caliente y síntoma_2 es normal entonces la
enfermedad _x es alta.
• Regla 4: Si síntoma_1 es caliente y síntoma_2 es alta entonces la
13
Los resultados que se obtienen de difusificar las variables de entrada, en este

caso los síntomas respecto a la entradas señaladas en las figuras 1.9.5. y 1.9.6,
son los siguientes:
Síntoma_1
Función de grado de
membresía membresía
templada 0.7
caliente 0
Figura 1.9.5 Resultados de la difusificación del síntoma_1 con una entrada de

23 grados centígrados.
Síntoma_2
Función de grado de
membresía membresía
normal 0
alta 0.9
Figura 1.9.6 Resultados de la difusificación del síntoma_2 con una entrada de

22 de intensidad de color.
Tomando en cuenta los resultados de la difusificación, el peso de cada regla se

define de la siguiente manera (figura 1.9.7):
• Regla 1: Si síntoma_1 es templada (0.7) y síntoma_2 es normal (0)

entonces la enfermedad_x es moderada.
• Regla 2: Si síntoma_1 es templada (0.7) y síntoma_2 es alta (0.9)
entonces la enfermedad_x es alta.
• Regla 3: Si síntoma_1 es caliente (0) y síntoma_2 es normal (0) entonces
la enfermedad_x es alta.
• Regla 4: Si síntoma_1 es caliente (0) y síntoma_2 es alta (0.9) entonces
la enfermedad_x es alta.
14
R PESO DE LA
E REGLA
G
L
A
1 0
2 0.7
3 0
4 0
Figura 1.9.7 Pesos de las reglas
La salida difusa se calcula para cada función de membresía de la enfermedad_x

(variable de salida) como el máximo peso de los pesos de las reglas relacionadas
con esa función, para este ejemplo se tiene (figura 1.9.8):
FUNCIÓN DE S
MEMBRESÍA DE LA A
ENFERMEDAD_X L
I
D
A
D
I
F
U
S
A
moderada 0
alta 0.
7
Figura 1.9.8. Salidas difusas.
Desdifusificar los datos difusos para definir los datos de salida.
Es el proceso de combinación de todas las salidas difusas en una específica que

representa la salida del sistema. Una de las técnicas más comunes usadas en la
desdifusificación es la llamada Center Of Gravity (Método del centroide). En
este método en cada función de membresía de salida se define un truncamiento
determinado por el valor de su respectiva salida difusa. Los resultados del corte
15
de las funciones de membresía se combinan y se calcula el centro de gravedad,

tal truncamiento se llama corte lambda.
El proceso consiste en:
1. Corte de las funciones de membresía de salida considerando la salida difusa,

por ejemplo en la figura 1.3.2.11:
etiquetas difusas
salida difusa corto medio largo
1.0
0.40
0.20
0
30 75 90 unidades de la variable de salida
Figura 1.9.9 Ilustración del corte de las funciones de membresía.
2. La salida real se determina al encontrar el punto de balance del centro de

gravedad en el área delimitada.
b
COG = Σ µ ( x).x = salida real
x=a
b Σ x=a µ (x)
Donde:
µ : salida difusa
x: valor de la variable de salida que corresponde a µ .
Aproximadamente considerando el ejemplo anterior:
Para el modelo presentado en la figura 1.3.2.11., el cálculo se realiza de la

siguiente manera:
COG = (0x0)+(15x0)+(30x.40)+(45x.40)+(60x.40)+(75x.20)+(90x.20)
0+0+.40+.40+.40+.20+.20
COG= 87/1.60= 54.375 unidades de la variable de salida
En resumen, gráficamente el proceso de lógica difusa se muestra en las figuras

1.9.10 y 1.9.11:
16
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
Figura 1.9.10 Ilustración del proceso de la lógica difusa.
EVALUACIÓN
DE LAS REGLAS
DETERMINAR EL VALOR ENCONTRAR LOS DETERMINAR LA SALIDA

DE VERDAD DE CADA PESOS DE CADA DIFUSIFICADA PARA CADA
ANTECEDENTE REGLA. FUNCIÓN DE MEMBRESÍA DEL
CONSECUENTE.
Figura 1.9.11 Ilustración del proceso para evaluar las reglas.
17
1.10 Sistemas de control difusos.

El desarrollo de sistemas expertos difusos para esquemas de control, de
reconocimiento de patrones, de toma de decisión en el área de medicina, entre
otros, han ido sustituyendo a los sistemas convencionales, debido
fundamentalmente a la facilidad de “implementación” y a los resultados
obtenidos; prueba del éxito de estos resultados es el controlador experto difuso
que permanece sobre una línea de trenes en Japón (Reyes: 1994).
Precisamente, Japón es el país que se ha interesado en la aplicación de los

modelos difusos desarrollando dispositivos difusos para lavadoras, televisores,
aire acondicionado, computadoras, antivirus y también para áreas más
sofisticadas como: sistemas de navegación, controladores de trenes subterráneos
y transmisiones de automóviles. (Kandel:1991).
La función de membresía define la base de todo sistema difuso; esta función es

capaz de manejar incertidumbre en diversas áreas como lo son: el diseño de
sistemas inteligentes, el procesamiento de imágenes y visión por computadora,
el reconocimiento de patrones, etc. (Bezdek: 1993).
En los sistemas expertos se utilizaban esquemas probabilísticos para manejar la

incertidumbre antes de que surgiera la lógica difusa. Es importante señalar que
los sistemas expertos difusos no se basan en valores probabilísticos sino en
términos lingüísticos como lo son: bueno, regular, malo, etc., términos que
implican determinados valores difusos. (Kandel:1991).
En un esquema general, de acuerdo a Kandel, un sistema experto difuso se

puede definir como un sistema experto que incorpora la teoría de lógica difusa
en el desarrollo de la base de conocimientos y del motor de inferencia.
Un sistema experto difuso es un sistema experto como tal, en el que se definen

de manera particular los siguientes componentes: Base de conocimientos,
Mecanismo de Inferencia y Conjunto de Reglas.
18
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:
• Regla 1: Si síntoma_1 es templada y síntoma_2 es normal entonces la

enfermedad_x es moderada.
• Regla 2: Si síntoma_1 es templada y síntoma_2 es alta entonces la
• Regla 3: Si síntoma_1 es caliente y síntoma_2 es normal entonces la
enfermedad _x es alta.
19
• Regla 4: Si síntoma_1 es caliente y síntoma_2 es alta entonces la

La matriz FAM se establece de la siguiente manera:
SÍNTOMA_1
TEMPLADA CALIENTE
SÍNTOMA_2
ENFERMEDAD_X ENFERMEDAD_X
NORMAL MODERADA ALTA
ENFERMEDAD_X ENFERMEDAD_X
ALTA ALTA ALTA
Figura 1.10.1 Matriz FAM para la enfermedad_x.
1.11 Memorias Asociativas Difusas.
Cuando se trata de relacionar dos cosas mediante un proceso de prueba y error,

estaremos estableciendo una asociación que es gradualmente modificada,
algunas variables difusas podrían estar presentes en este ejercicio y parecería
que realizamos un proceso en paralelo. Considere dos conjuntos difusos por
ejemplo uno referido a la popularidad de un cierto evento y el otro al precio de
admisión, la popularidad podría ser muy alta, alta, buena, baja o muy baja. El
precio de admisión podría ser caro, justo o bajo. Un sistema de memoria
asociativa difusa tendría entonces la asociación (popularidad, precio) y el
conjunto difuso de los pares codificaría esta asociación.
(Valluru B. Rao, Hayagriva V. Rao, 1997)
En general un sistema difuso S mapea familias de conjuntos difusos a familias

de conjuntos difusos.
20
S: In1x ...xInr  Ip1x...xIpr

En donde: In es un hipercubo unitario de orden n In = [0,1]n
n,n1,nr,p,p1,pr son números enteros
Los sistemas difusos S: In  Ip que mapean bolas de conjuntos difusos en In a

bolas de conjuntos difusos en Ip, se comportan como memorias asociativas, y por
ello se denominan memorias asociativas difusas o FAMs (Fuzzy Associative
Memories). (Kosko ,1992 pp 300)
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.
Un sistema FAM codifica y procesa en paralelo un banco FAM de m reglas

FAM (A1, B1), (A2,B2),...,(Am,Bm). Cada entrada A al sistema FAM activa
una regla FAM almacenada en un grado diferente, la FAM (Ai,Bi) mapea la
entrada A a Bi’ una versión parcialmente activada de Bi, las demás Ai
reensamblan a A, las demás Bi’ reensamblan a Bi. El correspondiente conjunto
difuso de salida B, combina esos conjuntos parcialmente activados Bi’ de la
siguiente forma:
B = w1B1’ + W2B2’ + ... + WmBm’
En donde: Wi refleja la credibilidad, frecuencia o relación en (Ai,Bi)
En la práctica usualmente se desfusifica la forma de onda de salida del conjunto

B en un solo valor numérico Yi en Y, calculando el centroide difuso de B con
respecto al universo de discurso de salida Y.
21
1.12 Mapas cognitivos difusos.

Los mapas cognitivos difusos FCMs (Fuzzy Cognitive Maps) Son grafos
dirigidos difusos con signo y con retroalimentación (Kosko, 1992 pp 152). Los
nodos representan conceptos Ci, y los arcos Eij representan relaciones causales
entre el concepto Ci y el concepto Cj, indica qué tanto Ci causa Cj, esto se
expresa mediante la ecuación siguiente:
FCM := (C, E)
En donde C es la matriz de conceptos y E es el conjunto de
enlaces.
Los conceptos representan entidades del caso de estudio y se expresan por

medio de términos cualitativos sin precisar valor alguno, p. ej., estado de ánimo,
interés en la lectura, gusto por las matemáticas. Las relaciones son juicios en
que se afirma que un concepto, llamado origen, afecta casualmente a otro,
denominado destino. En tanto que a las relaciones se les asocia un valor que
identifica la influencia causal entre los conceptos que la conforman. Los valores
para relaciones causales se definen en el conjunto δ ={a,+,-,0,ф,Θ, ±,? } cuyos
elementos identifican respectivamente: conflicto, estimula, inhibe, indiferencia,
estimula o indiferencia, inhibe o indiferencia, estimula o inhibe, estimula o
indiferencia o inhibe. Por ello, una relación Ca + Cz significa que el concepto
origen a estimula al concepto destino z, p. ej., interés en la lectura estimula
positivamente el gusto por las matemáticas. En la figura 1.12.1 se ilustra un
ejemplo de mapa cognitivo.
22
Figura 1.12.1 Mapa cognitivo Difuso.
La función del concepto i variante en el tiempo Ci(t) mide la ocurrencia no

negativa de algún evento difuso. Los FCM se pueden ver como sistemas
dinámicos y sus estados de equilibrio como una inferencia evolutiva hacia
delante. Las FCMs síncronas se comportan como memorias asociativas
temporales TAMs (Temporal Associative Memories).
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
patrón compuesto de varios ciclos cuyos valores se repiten. En cambio, una

situación de caos es aquella en que después de un proceso razonable, de acuerdo
con el criterio del analista, la simulación no ha arribado aún a una situación de
estabilidad.
La versión difusa de mapas cognitivos se define formalmente en la siguiente

ecuación:
Cn+1 = S(Cn,E)
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
El valor obtenido Xi es alimentado a la función umbral del nodo para normalizar

el resultado y registrar el valor final Yi del concepto Ci.
La clase de función de umbral S que se emplea depende del tipo de conjunto o

intervalo usado para normalizar los valores asociados a los conceptos. Por lo
tanto, las ecuaciones sguientes:
S i Xi <= 0  Yi = 0; Si Xi>0  Yi = 1
Si Xi <= -0.5  Yi = -1; Si Xi >-0.5 ۸ Xi <= 0.5  Yi =0; Si Xi>0.5 Yi =1
Si(Xi) = 1/(1+e-cXi) Para c = 5
Si(Xi) = 2/(1+ e-cXi) Para c<> 5
corresponden respectivamente a: {0, 1}, {–1, 0, 1}, [0, 1] y [–1, 1].
24
1.13 Aplicaciones diversas.
Con el propósito de ilustrar algunas aplicaciones de la lógica difusa y más

específicamente de los sistemas expertos difusos, se presentan en un marco
general las siguientes investigaciones realizadas por diferentes autores:
1. “La validación de sistemas difusos basados en conocimiento”.(Chang y

Hall:1993).
En este artículo se hace referencia a la importancia de la validación de un
sistema experto, el costo que implica la validación y a la necesidad de la
validación metodológica. Los autores presentan una metodología de desarrollo
iterativo para validar un sistema, la que consiste en los siguientes pasos:
• Desarrollar un prototipo inicial, para un caso especifico del problema.
• Las tareas del prototipo se van incrementado e iterativamente
examinando hasta generar el sistema completo.
• Diseñar en términos de paradigmas formales.
• Se determinan uno o varios mecanismos de inferencia usados por el
sistema y se checan por separado para ver los resultados de cada uno de acuerdo
a la representación del conocimiento usado.
• Certificar la máquina de inferencia.
Se hace, usando los mecanismos de inferencia del paso anterior.
• Diseñar para verificar.
Se refiere al diseño para corregir el sistema conforme a los requerimientos, de
acuerdo al paso 1.
• Verificar la base de conocimientos.
Se verifica la corrección del conocimiento (reglas, hechos, objetivos, etc.) y se
confirma de acuerdo a los paradigmas de inferencia.
• Ejecutar la validación formal completamente documentada.
En la que se consideran criterios de validación, especificaciones sobre el sistema
trabajado, desarrollo de una biblioteca de casos de exámenes (checando cuando
el conocimiento es modificado), desarrollo de manejadores automáticos de
exámenes, comparación con otros sistemas expertos existentes, etc.
25
La metodología presentada por Chang y Hall se consideró como un esquema de

partida para el desarrollo del proyecto actual, ya que este desarrollo se inició
también con un prototipo inicial, se diseño en términos del paradigma de la
lógica difusa, se probó la máquina de inferencia para diferentes entradas con el
objeto de certificarla, conforme a los requerimientos del experto en el área se
rediseño el prototipo, se verificaron resultados con el experto en el área para
validar no sólo la base de conocimientos, sino en general todo el sistema y por
último se realizó la documentación del sistema.
2. “Manejo de incertidumbre en sistemas médicos basados en

conocimiento”. (Cohen y Hudson: 1992).
Se muestran en este artículo algunos enfoques de manejo de incertidumbre en
sistemas basados en conocimiento, enfatizando los problemas encontrados en la
adaptación de estas técnicas a la toma de decisiones médicas. En el artículo se
consideran tres casos: Los sistemas expertos basados en reglas, los sistemas
expertos desarrollados usando redes neuronales y los sistemas como resultado de
la combinación reglas-redes neuronales.
Respecto a los sistemas expertos basados en reglas, los autores señalan entre
otras fuentes de incertidumbre, la incertidumbre en la base de conocimiento,
incertidumbre que implica la certeza con la que la regla dada se presume es
aplicable, el grado con el que cada antecedente de la regla es justificado y el
grado con el que cada antecedente contribuye a la justificación de la regla. El
ejemplo que se ilustra es el siguiente:
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
Cohen y Hudson enfatizan la problemática de determinar los pesos relativos de

las reglas y de los antecedentes, situaciones que en el desarrollo del proyecto
actual se resolvieron a través de la lógica difusa. En el proyecto actual los
valores para los antecedentes se definieron a través de los grados de membresía
correspondientes a cada variable de entrada y dado que las reglas se
establecieron con el operador y, el peso de cada regla se obtuvo considerando el
mínimo grado de membresía de las variables definidas en el antecedente.
3. “Uso de las relaciones difusas en la representación del conocimiento, su

adquisición y su proceso”. (Kohout y Bandler: 1993).
Los autores presentan un análisis epistemológico de la teoría del conocimiento
en el que se enfatiza la diferencia entre extraer el conocimiento y adquirirlo, a
saber: extraer: es hacer salir lo que es latente y adquirir: venir en posesión, en
este análisis los autores resaltan la importancia del trabajo del ingeniero en
conocimientos al extraer el conocimiento del experto. Precisamente en el
desarrollo de este trabajo una de las tareas que implicó más tiempo fue extraer el
conocimiento del experto en el área, conocimiento que representa una parte
fundamental del sistema.
4. “Expertos Basados en Reglas Difusas. Sistema II”. (Vadiee: 1993).

En este artículo se presenta una descripción y clasificación de los sistemas
expertos basados en reglas difusas (Fuzzy rule-based expert systems: FRBES),
esta última de acuerdo a las entradas y salidas del sistema. También se muestran
algunos casos especiales de este tipo de sistemas así como los procesos
fundamentales de difusificación, definición de matrices FAM, desdifusificación
(métodos: Max, Centroide, Altura), entre otros. Procesos que fueron utilizados
en el desarrollo del presente proyecto, en la desdifusificación específicamente el
método del centroide
27
PREGUNTAS
1. ¿Por quién fue publicada la teoría de los conjuntos difusos y en qué año?.
2. ¿Qué significa la palabra difuso en relación con los conjuntos difusos?.
3. ¿En términos genéricos qué es la función de membresía?.
4. ¿Cuál es la diferencia entre los conceptos difuso y probabilística?.
5. ¿Cómo se puede definir un conjunto difuso?.
6. ¿Cómo se puede definir un conjunto difuso de una manera formal?.
7. Sean E un conjunto; M su conjunto de membresía asociado [0,1]; A y B dos

conjuntos difusos de E; µ A(x) y µ B(x) son funciones características de
membresía que toman sus valores de M. Escriba las definiciones de las
siguientes operaciones:
a) Inclusión b) Igualdad c) Complementación d) Intersección e) Unión
8. Proporcione una definición de Lógica Difusa.
9. ¿En qué consiste el proceso de difusificación?
10. ¿Qué es el proceso de desdifusificación?
28
RETROALIMENTACIÓN SOBRE LAS PREGUNTAS
1. La teoría de los conjuntos difusos fue publicada por Zadeh en 1965.

2. La palabra difuso significa que un elemento es un miembro de un conjunto
sólo de manera incierta.
3. En términos genéricos la función de membresía es el grado de pertenencia de
un elemento a un conjunto.
4. la diferencia entre difuso y probabilístico. La representación difusa señala
objetos con propiedades imprecisas y la representación probabilística denota
información basada en frecuencias relativas.
5. 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].
6. Una definición formal es:
Si B={x} representa un espacio de objetos, entonces el conjunto difuso A en B

es el conjunto de pares ordenados:
A={x, µ A(x) }, x ∈ B
Donde µ A(x) es el grado de membresía de x en A.
7. las definiciones de las siguientes operaciones son:
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
c) Complementación:
A y B son complementarios (B=A’) si:

∀ x ∈ E: µ B(x) = 1 -
µ A(x)
d) Intersección:
Se define la intersección Α ∩ Β , como el subconjunto difuso más grande

contenido, a la vez, en A y en B, es decir:
∀ x∈ E: µ (x) = MIN(µ
A∩ B A (x), µ B(x)).
e) Unión
Se define la unión AUB por el subconjunto difuso más pequeño que

contiene tanto a A como a B, es decir:
∀x ∈ E : µ AUB (x) = MAX( µ A(x), µ B(x)).
8. La lógica difusa se puede definir como el conjunto de principios matemáticos

usados para modelar la información que se basa en grados de membresía.
9. El proceso de difusificación consiste en los siguientes pasos:
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
10. Es el proceso de combinación de todas las salidas difusas en una específica

que representa la salida del sistema.
31
EJERCICIOS
1. Desarrolle las siguientes operaciones:

a) (A-B)’=
b) A’- B =
c) (AΘ B)’ =
2. Considere el conjunto de referencia E = {0,a} С Ŗ.

Si A es el subconjunto borroso definido por µ A(x), dar el índice de
Borrosidad de A.
a) µ A(x) = x2/ a2, x є E.
b) µ A(x) = (x-a) 2/ a2, x є E.
4x2/a2, 0<=x < a/2
c) µ A(x) =
4(x-a) 2/a2, (a/2) <=x <= a.
3. Demostrar las propiedades siguientes:

a) A ∩ (A U B) = A
b) A U (A ∩ B) = A
32
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.
Kaufmann, A. (1982).- Introducción a la Teoría de los Subconjuntos borrosos para el

uso de Ingenieros. cia. Editorial Continental, México, D.F.
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.
Rolston David W. (1993).- Principios de Inteligencía Artificial y Sistemas Expertos. Mc

Graw Hill, México, D.F.
Sánchez J.P. y Beltrán. (1990).- Los Sistemas Expertos: Una metodología de

Programación. Macrobit Corporation, México., D.F.
Swartout ,William R. (1991).- “Explaining and justitying expert consulting programs”.

Laboratory for computer science. Massachusetts Institute of Technology. Boston.
Valluru B. Rao, Hayagriva V. Rao,( 1995).- C++ Neural Networks and Fuzzy Logic.
MIS:PRESS, USA.
33

Logica Difusa

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Logica Difusa

Încărcat de

Drepturi de autor:

Formate disponibile

Desarrollos Inteligentes Lógica Difusa

“Debe preguntarse a los niños y a los pájaros cómo saben

El estudiante comprenderá los fundamentos de la lógica

1.1 Introducción a la lógica difusa.

La lógica difusa surge como resultado de la búsqueda del hombre de una

Un factor prioritario que ha impedido el desarrollo de esta máquina es el hecho

En general la lógica del razonamiento humano no se puede modelar con la

Las teorías que definen a la lógica difusa es un avance de la matemática clásica.

La palabra difuso significa que un elemento es un miembro de un conjunto sólo

1.2 Antecedentes de los conjuntos difusos.

“El método de L.A. Zadeh ha intentado salir del estancamiento

La teoría de los conjuntos binarios (un elemento pertenece o no pertenece a un

En términos genéricos la función de membresía es el grado de pertenencia de un

valores extremos del rango, se está considerando la teoría clásica de conjuntos:

1.3 Conceptos de conjuntos difusos.

En la actualidad, los sistemas desarrollados por el hombre no generan un

La teoría de conjuntos difusos es una agrupación de conceptos y técnicas en la

Es importante señalar la diferencia entre difuso y probabilístico. La

Si B={x} representa un espacio de objetos, entonces el conjunto difuso A en B

A su vez, un número difuso es un conjunto difuso en el dominio de la línea real.

Figura 1.3.1 Número N no difuso

Número N difuso µ (x)

Figura 1.3.2. Número N difuso

Considere a F como el conjunto de todos los reales cercanos a N. La propiedad

1.4 Operaciones con conjuntos difusos.

Kaufmann en el libro “Introducción a la teoría de los subconjuntos difusos”

Sean E un conjunto; M su conjunto de membresía asociado [0,1]; A y B dos

membresía que toman sus valores de M. Entonces las definiciones de las

A y B son iguales si, y solamente si:

A y B son complementarios (B=A’) si:

Se define la intersección Α ∩ Β , como el subconjunto difuso más

Se define la unión AUB por el subconjunto difuso más pequeño

Ejemplos de operaciones compuestas:

1.5 Conceptos de lógica difusa.

La lógica difusa se puede definir como el conjunto de principios matemáticos

La lógica difusa comprende a la lógica clásica. La lógica clásica es una lógica

Los conceptos básicos de la lógica difusa se presentan a continuación:

Figura 1.5.1. Ejemplo de un modelo difuso de una enfermedad_x.

Campo del dominio.

1.6 Medida de la entropía difusa.

1. Difusificar los datos de entrada

1.7 Subconjuntos difusos.

Difusificar los datos de entrada.

1.8 Variables lingüísticas.

El proceso de difusificación consiste en los siguientes pasos:

Cianosis perioral: leve, moderado, grave

Ahora bien, dependiendo de la función de membresía, se determinan los

Figura 1.8.1 Representación Punto/ Pendiente

Por ejemplo en la figura 1.8.2:

Figura 1.8.2 Ejemplo de una tabla de búsqueda

En el proyecto que se presenta; se está usando la representación

1.9 Relaciones difusas.

Las reglas de evaluación son también referidas como inferencia difusa. La

Si antecedente 1 Y antecedente 2, entonces consecuente.

Esta definición se puede reflejar en una matriz según se ve en la figura 1.9.1:

Figura 1.9.1 Representación de una regla en forma matricial

La técnica MIN-MAX consiste en los siguientes pasos:

Figura 1.9.2 Modelo difuso del síntoma_1.

Figura 1.9.3 Modelo difuso del síntoma_2.

0 30 55 60 100 porcentaje de presencia

Figura 1.9.4 Modelo difuso de la enfermedad_x.

Sean las siguientes reglas a evaluar:

Los resultados que se obtienen de difusificar las variables de entrada, en este