Inteligencia Artificial I

Abr18 – Ago18

Sonia E. Cárdenas Delgado

secardenas@espe.edu.ec
Lógica Difusa
Inteligencia Artificial I
Fundamentos de Lógica Difusa (Fuzzy Logic)

3
Datos históricos
• Aristóteles, propone la existencia de grados de verdad o
falsedad (En el 380 A.C.).
• El filósofo David Hume, habla de la lógica del sentido
común (siglo XVIII, Inglaterra).
• El filósofo norteamericano Charles Sander Pierce, fue el
primero en considerar la vaguedad en vez de la dicotomía
cierto-falso (siglo XVIII, EE.UU).
• El matemático alemán Georg Kantor inventa la teoría
original de conjuntos clásicos de unos y ceros (siglo XVIII,
Alemania).
• El filósofo polaco Jan Lukasiewicz propone la primera lógica
de vaguedad (1920, Polonia) .
Aplicaciones-Datos históricos
• En 1987 Hitachi usa un controlador fuzzy para el control del
tren de Sendai, el cual usa uno de los sistemas más
novedosos creados por el hombre.
• En 1993, Fuji aplica la Lógica Borrosa para el control de
inyección química en plantas depuradoras de agua por
primera vez en Japón (mayor apogeo de la Lógica Difusa).
• De forma paralela al desarrollo de las aplicaciones de la lógica
difusa, Takagi y Sugeno desarrollan la primera aproximación
para construir reglas difusas a partir de datos de
entrenamiento (observación).
Introducción a la Lógica Difusa
• Una de las disciplinas matemáticas (con mayor
número de seguidores).
• Actualmente es llamada lógica difusa o borrosa.
• Utiliza expresiones que no son ni totalmente
ciertas ni completamente falsas, es decir, es la
lógica aplicada a conceptos que pueden tomar un
valor cualquiera de veracidad dentro de un
conjunto de valores que oscilan entre dos
extremos, la verdad absoluta y la falsedad total.
Introducción a la Lógica Difusa
• La lógica difusa fue investigada a mediados de los 60s por
Zadeh, pensó que la teoría de control clásico puso
demasiado énfasis en la precisión, y por tanto no podía
manejar los sistemas complejos. Entonces creó el principio
de la incompatibilidad.
• Basado en su principio, Zadeh introdujo el concepto de
conjunto difuso:
“Conforme la complejidad de un sistema aumenta,
nuestra capacidad para ser precisos y construir
instrucciones sobre su comportamiento disminuye hasta
el umbral más allá del cual, la precisión y el significado
son características excluyentes”.
Introducción a la Lógica Difusa
• La lógica difusa es una extensión de la lógica tradicional
(Booleana) que utiliza conceptos de pertenencia de sets,
mas parecidos a la manera de pensar humana.
• Por ejemplo se considera a una persona como alta si mide
mas de 1.80mts, pero de igual forma se considera a una
persona como alta si mide 1.7999mts.
Esta consideración no existe en la lógica tradicional que utiliza
demarcaciones estrictas para determinar pertenencia en sets:
Ejemplo: A es el set clásico de personas altas
A = { x | x > 1.8}
• Una persona que mide 1.799999mts es baja?
Conjuntos difusos
• El ejemplo fue utilizado por Zadeh, para ilustrar el concepto
difuso, llamado el conjunto de “hombres altos”.
• La lógica clásica el conjunto “hombre altos” es un conjunto al
que pertenecerían los hombres con una estatura mayor a un
cierto valor.
• El enfoque de la lógica difusa considera que el conjunto
“hombres altos” es un conjunto sin una frontera clara para
pertenecer o no.
Conjuntos difusos
Mediante la función que define la transición de “alto” a “no
alto” se asigna a cada valor de altura un grado de pertenencia al
conjunto, entre 0 y 1.
1.79 grado de pertenencia 0.8
1.81 grado de pertenencia 0.85
1.50 grado de pertenencia 0.1
Visto desde esta perspectiva se puede considerar que la lógica
clásica es un caso límite de la lógica difusa en el que se asigna
un grado de pertenencia 1 a los hombre con una altura mayor o
igual a 1.80 y un grado de pertenencia 0 a los tiene una altura
menor.
Conjuntos difusos
Conjuntos difusos-Set Difuso

• Asumiendo que X es un set, un set difuso A en X es

asociado con una función característica: μA (x)

μA(x): X -> [0, 1]

• La función característica es típicamente denominada

función de pertenencia (membership function).
Conjuntos difusos-Set Difuso

• Si X es una colección de objetos en el cual x X, un set

difuso es un mapa μF(x) : X -> [0, α], en el cual a cada valor
x la función μF (x) le asigna un número entre los valores 0 a
α.

• El set difuso es el set de pares ordenados:

A = {(x, μA(x)) | x X}
 Conjuntos difusos-Set Difuso

Ejemplo:
X = {0, 1, 2, 3, 4, 5, 6, 7} es el set de hijos que puede tener una familia,
entonces el set difuso D es “el número razonable de hijos que puede
tener una familia”

D = { (0, 0.1), (1, 0.3), (2, 0.7), (3, 1), (4, 0.7), (5, 0.3), (6, 0.2), (7, 0.1) }
 Función de pertenencia
• El valor asignado por μF(x) corresponde al grado en el cual el valor
x tiene el atributo F.
• Visto de otra manera la función μF (x) nos indica cual es el grado de
pertenencia de x al atributo F.
• La función μF (x) se llama la función de pertenencia del atributo F.
• La función tiene que ver con un grado de ambigüedad sobre la
característica de la variable que se esta midiendo pero no es una
probabilidad
Función de pertenencia
Ejemplo: Set exacto
Ejemplo: Set difuso
Ejemplo: Set difuso
Inferencia usando lógica difusa
• Usar inferencia basada en lógica difusa es un método de
computo popular.

• Hay muchas aplicaciones en áreas como control,

clasificación, sistemas expertos, robótica y
reconocimiento de patrones.

• El sistema de inferencia difuso se conoce por muchos

nombres como: sistema difuso de reglas, sistema experto
difuso, modelo difuso, lógica asociativa difusa,
controlador difuso.
Inferencia usando lógica difusa

El sistema de inferencia difuso incluye tres componentes

conceptuales:

• reglas difusas,
• diccionario (con funciones de pertenencia),
• mecanismo de raciocinio
Inferencia usando lógica difusa
Inferencia usando lógica difusa
Controlador de lógica difusa
Sistemas de inferencia usando lógica
difusa (cont):
Modelamiento difuso: reglas generales
• Típicamente un sistema difuso tiene que replicar (o mejorar) el
accionamiento de un sistema de control existente:
• Un operador a cargo de un proceso en una planta química
• Un operador a cargo de un tren del metro
• Un operador a cargo de monitorear una línea del metro
• Un médico especialista en cierto diagnóstico, etc.

• El sistema difuso se convierte en un sistema experto en el cual

las reglas que utiliza son dictadas por la lógica que utiliza el
experto original (reglas ↔ conocimiento del dominio del
problema).
• Cuando solo se tienen pares de datos de input → output
entonces se pueden usar métodos para identificar el sistema y
modelarlo (datos numéricos ↔ conocimiento del dominio del
problema)
Modelamiento difuso: pasos
Pasos iniciales:
• Seleccionar variables relevantes de input y output.
• Elegir un tipo especifico de sistema de inferencia.
• Determinar el numero de términos lingüísticos (basados en
variables).
• Diseñar una colección de reglas if-then difusas.
Después de estos pasos iniciales típicamente se desea mejorar el
modelo:
• Elegir funciones de pertenencia correctamente
parametrizadas
• Mejorar las reglas y los parámetros de la funciones de
pertenencia
• Refinar los parámetros de las funciones de pertenencia
usando métodos de optimización.
¿Para que sirve la Lógica Difusa?
• La lógica difusa se utiliza para representar la información
imprecisa, ambigua, o vaga.
• Se utiliza para realizar operaciones con los conceptos que
están fuera de las definiciones de la lógica booleana. Un tipo
de lógica que reconoce valores verdaderos y falsos más que
simples.
• Con lógica difusa, los subconjuntos se pueden representar
con grados de la verdad y de la falsedad.
Por ejemplo, la declaración, es hoy soleado, pudo ser el
100% verdad si no hay nubes, 80% verdad si hay algunas
nubes, 50% verdad si esta nublado y 0% verdad si llueve
todo el día.
Equipos
• Lavadoras
• Hornos de microondas
• Procesadores de arroz
• Limpiadores al vacío
• Cámaras de video
• Televisores
• Sistemas térmicos
Sistemas
• Elevadores
• Trenes
• Automóviles (máquinas, transmisiones, frenos)
• Controles de tráfico
Software
• Diagnóstico Médico
• Seguridad
• Compresión de datos
• Traductores.
Práctica