Académique Documents
Professionnel Documents
Culture Documents
e
e
= +
A x
A x
x
A
0
1
) (
x
a 1
b 0
e 1
u 1
w 0
i 1
) (x
A
+
1 ) ( = + x
A
En los conjuntos difusos la funcin
caracterstica mapea los elementos al
intervalo real [0,1]
Formalmente
Sea X conjunto universo clsico tal que x
sean sus elementos, esto es . Un
conjunto difuso A lo definimos mediante
A = { ( x, A (x) ) | x e X }
Donde
A(x): Funcin de membresa
X xe
Ejemplos:
A: Conjunto de los hombres jvenes
B: Conjunto de los hombres de edad
media
C: Conjuntos de los hombres viejos
Cada uno de los conjuntos no posee
lmites claros y se pueden representar
mediante conjuntos difusos.
Los conjuntos difusos son una forma de
representar imprecisin e incertidumbre
Las funciones de pertenencia podran ser:
Tipos de funciones de
membresa
En general se puede utilizar cualquier
funcin continua que mapee los de un
conjunto universo clsico dado a
elementos al intervalo [0,1], las ms
comunes son:
Sigmoide
Diferencia entre 2 sigmoides
Funcin Gaussiana
Curvas basadas en Splines
Funcin triangular
Cmo elegir la funcin de
membresa?
Hay varias formas, el mtodo a elegir
depende de la aplicacin en particular
El mtodo ms sencillo es el Horizontal
Se basa en las respuestas de N expertos
La pregunta tiene el siguiente formato
Puede ser x considerado compatible con
el concepto A?
Slo se acepta un si o no por respuesta,
Luego
A(x)=(Respuestas afirmativas)/N
Otros Mtodos
Vertical
Mtodo de comparacin de parejas
(Saaty,1980)
Mtodos basados en la especificacin del
problema
Mtodos basados en la optimizacin de
parmetros
Mtodos basados en la Agrupacin difusa
(fuzzy clustering)
Algoritmo Fuzzy Isodata (Bezdek,1981)
Operaciones bsicas sobre
conjuntos difusos
Las operaciones bsicas en los conjuntos
clsicos son 3
Unin
Ej:
A={a,e,i,o,u}
B={b,c,d}
AUB={a,e,i,o,u,b,c,d}
A B A U B A U B
1 1 1 max(1,1)=1
1 0 1 max(1,0)=1
0 1 1 max(0,1)=1
0 0 0 max(0,0)=0
Interseccin
Ej
A={1,2,3}
B={2,3,4,5}
={2,3}
Complemento
Ej
A={1,2,3}
Comp(A)={4}
B A
A B
1 1 1 min(1,1)=1
1 0 0 min(1,0)=0
0 1 0 min(0,1)=0
0 0 0 min(0,0)=0
B A B A
{ } 5 | < . e = x N x x X
A Comp(A)
1 0
0 1
La extensin natural para las operaciones
est dada por
Unin difusa standard
Interseccin difusa standard
Complemento difuso standard
( ) ( ) ) ( ), ( max ) ( x B x A x B A =
( ) ( ) ) ( ), ( min ) ( x B x A x B A =
( ) ) ( 1 ) ( x A x A Comp =
Aplicacin sencilla
Supongamos que una persona cualquiera
desea ir a tomar una cerveza a un local
tradicional, que la cerveza sea barata y que
el local quede cerca de su casa
El dispone de 4 lugares conocidos
Tiene sed
Aqu podemos distinguir tres conjuntos
difusos
1) Cerveza barata
2) Local tradicional
3) Cercana a su hogar
Para l :
Una cerveza barata es una que cueste
alrededor de $1000 o menos
Un local tradicional es un local que al
menos tenga 5 aos funcionando.
Que quede cerca de su casa es que no
quede a ms de 10 cuadras
Segn las preferencias del individuo se
pueden construir los siguientes
conjuntos difusos
Caractersticas de los locales
Debido al planteamiento debemos intersectar
los conjuntos
Precio Cerveza ($) Aos de servicio (aos) Cuadras
Local 1 1400 3 3
Local 2 800 7 12
Local 3 1000 4 9
Local 4 1250 5 10
La solucin clsica impone que
Precio cerveza<=$1000
Aos de servicio>=5 aos
Cuadras<=10 cuadras
Como se deben intersectar los
conjuntos, segn la solucin clsica el
local debe estar a lo mas a 10 cuadras,
tener a lo menos 5 aos de servicio y
que la cerveza cueste a lo ms $1000
Precio Cerveza ($) Aos de servicio Cuadras
Solucin
clsica
Local 1 0 0 1 0
Local 2 1 1 0 0
Local 3 1 0 1 0
Local 4 0 1 1 0
SOLUCIN
Precio Cerveza ($) Aos de servicio Cuadras Solucin difusa
Local 1 0,2 0,5 1 0,2
Local 2 1 1 0,6667 0,6667
Local 3 1 0,875 1 0,875
Local 4 0,5 1 1 0,5
Mediante la solucin clsica el individuo
se hubiera quedado en su hogar, lo cual
no es consistente con la hiptesis
Tiene Sed.
Mediante la solucin difusa deducimos
que el individuo posiblemente hubiera
ido al Local 3 a disfrutar su cerveza
Complementos, t-normas
y t-conormas
Las operaciones bsicas no son nicas
Existe una diversos tipos de
complementos difusos, de uniones
difusas,llamadas t-conormas, y de
intersecciones difusas, llamadas t-
normas
Complementos difusos
Dado un conjunto difuso A definido en X,tal
que x e X, por definicin el complemento de
A se puede interpretar como el grado en que
x no pertenece a A
Comp= C : [0,1] > [0,1]
Los complementos deben satisfacer los
siguientes axiomas
AxC1: C(0)=1 y C(1)=0
AxC2: si Entonces
AxC3: C es una funcin continua
AxC4: C es involutiva Para cada
a e[0,1]
| | 1 , 0 , e b a b a s
( ) ) (b C a C >
( ) | | a a C C = )
Tipos de complementos
Complemento Expresion Rango parmetros
Tipo umbral
Clase Sugeno
ClaseYager
)
`
>
s
=
t a
t a
a C
0
1
) (
a
a C
=
1
1
) (
( )
e
e
e
1
1 ) ( a a C =
( )
( ) a a
a
a C
+
=
1
1
) (
2
2
v
v
v
1 0 < < t
( ) e , 1
( ) e , 0 e
0 > v
T- normas
La interseccin de 2 conjuntos A y B es una
operacin binaria sobre el intervalo unitario
Una t-norma satisface los siguientes axiomas
AxI1:
AxI2:
AxI3:
AxI4:
| | | | | | 1 , 0 1 , 0 1 , 0 : i
( ) ( ) ) ( ), ( ) ( x B x A i x B A =
a a i = ) 1 , (
) , ( ) , ( d a i b a i d b s s
) , ( ) , ( a b i b a i =
( ) ( ) ) , , ( ) , , ( d b a i i d b i a i =
AxI5: es una funcin continua
AxI6:
AxI7:
i
a a a i < ) , (
) , ( ) , (
2 2 1 1 2 1 2 1
b a i b a i b b a a s < . <
Tipos de t-normas
T-norma Expresion Rango parmetros
Producto Algebraico
Diferencia Lmite
Interseccin
drstica
Yager
Schweizer & Sklar
b a b a i = ) , (
) 1 , 0 max( ) , ( + = b a b a i
=
=
=
caso otro 0
1 cuando
1 cuando
) , ( a b
b a
b a i
( ) ( ) | |
|
.
|
\
|
+ =
e
e e
1
1 1 , 1 min 1 ) , ( b a b a i
( ) | |
p
p p
b a b a i
1
1 , 0 max ) , ( + =
0 > e
0 = p
| | 1 , 0 , e b a
T- conormas
La unin de 2 conjuntos A y B es una
operacin binaria sobre el intervalo unitario
Una t-conorma satisface los siguientes
axiomas
AxI1:
AxI2:
AxI3:
AxI4:
| | | | | | 1 , 0 1 , 0 1 , 0 : u
( ) ( ) ) ( ), ( ) ( x B x A u x B A =
a a u = ) 0 , (
) , ( ) , ( d a u b a u d b s s
) , ( ) , ( a b u b a u =
( ) ( ) ) , , ( ) , , ( d b a u u d b u a u =
AxI5: es una funcin continua
AxI6:
AxI7:
u
a a a u > ) , (
) , ( ) , (
2 2 1 1 2 1 2 1
b a u b a u b b a a < < . <
Tipos de t-conormas
| | 1 , 0 , e b a
T-conorma Expresion Rango parmetros
Suma Algebraico
Suma Lmite
Unin drstica
Yager
Schweizer & Sklar
b a b a b a u + = ) , (
) , 1 min( ) , ( b a b a u + =
=
=
=
c a s o o tr o 1
0 c ua nd o
0 c ua nd o
) , ( a b
b a
b a u
( ) ( ) | |
|
.
|
\
|
+ =
e
e e
1
, 1 min ) , ( b a b a u
0 > e
0 = p ( ) ( ) ( ) | |
p
p p
b a b a u
1
1 1 1 , 0 max 1 ) , ( + =
Flexibilidad de la matemtica
difusa
Mediante el siguiente teorema se pueden
construir nuevas t-conormas a partir de una
dada
Teorema
Sea u una t-conorma y una funcin
tal que sea estrictamente creciente y continua
en (0,1) y que g(0)=0 y g(1)=1. Entonces la
funcin U definido por
Es una t-conorma
| | | | 1 , 0 1 , 0 : g
( )
( ) ( ) | | 1 , 0 , ) ( ), ( ) , (
1
e =
b a b g a g u g b a U
Donde
Consideremos
( )
( )
| |
( )
e
e
e
=
), 1 ( z 1
) 1 ( , 0 ) (
0 , 0
) (
1 1
g
g z z g
z
z g
( )
( )
| |
( )
| | 1 , 0 , ) , (
) , (
) g( ) (
) , (
, 1 z 1
1 , 0 z
0 , 0
) (
) (
2 2 2 2
2 2 2 2 2 2
2 2
1
2
e + =
+ =
= =
+ =
e
e
e
=
=
b a b a b a b a U
b a b a b a u
b b a a g
ab b a b a u
z
z
z g
a a g
Variables lingusticas
Una variable lingustica es caracterizada por una
quntupla
Donde
x: Variable base (nombre de la variable)
T(x): Conjunto de trminos lingusticos de x que
refieren a la variable base
X: Conjunto universo
G: Es una regla sintctica (gramtica) para generar
trminos lingusticos
M: Es una regla semntica que asigna cada trmino
con su significado
( ) M G X x T x , , ), ( ,
T t e
Ejemplo de variable lingustica
La velocidad puede ser interpretada como una
variable lingstica
T(velocidad) podra ser
T(velocidad)={lento, moderado, rpido, muy lento, mas
o menos rpido, ...}
Cada trmino es caracterizado por un nmero difuso
definido sobre un conjunto universal X=[0,100]
Podemos interpretar las etiquetas
Lento como una velocidad menor a 40 Km/h
Moderado como una velocidad cercana a 55 Km/h
Rpido como una velocidad alrededor de 70 Km/h
Podemos encontrar el nmero difuso
muy lento o mas o menos lento a
partir de lento
( ) ( )
( ) 1 0 (x) ) )( o (
1 ) ( ) (
< < =
> =
p Lento x Lento menos mas
p x Lento x Lento muy
p
p
Implicaciones difusas
Caso clsico
es interpretado como
La interpretacin completa de la implicacin
material cuantifica el grado de verdad en
que la proposicin q es por lo menos tan verdad
como p
q p
( ) q p .
q p
( )
)
`
s
=
caso Otro 0
) ( ) ( Si 1 q p
q p
t t
t
1 1 1
0 1 1
0 0 1
1 0 0
) ( p t ) (q t ( ) q p t
Usando la interpretacin de la implicacin
podemos definir la implicacin difusa
Puede ser extendida por el operador de
Kleene-Dienes
Existen varios operadores de implicacin
difusa, uno de los ms utilizados en la
prctica es el de Mandani
( ) q p q p q p v = . =
( ) ) ( ), ( 1 max ) ( ) ( x B x A x B x A =
( ) ) ( ), ( min ) ( ) ( x B x A x B x A =
Otros operadores de implicacin difusa
Nombre Defincin
Early Zadeh
Lukasiewicz
Larsen
Estndar estricta
Gdel
Gaines
Yager
= y x
( ) ) , min( , 1 max y x x
( ) y x + 1 , 1 min
y x
)
`
s
caso Otro 0
Si 1 y x
)
`
s
caso Otro
Si 1
y
y x
<
caso Otro
x
Si 1
y
y x
x
y
Teora del Razonamiento
aproximado
Fue introducida por Zadeh. Provee un potente
mecanismo para razonar con informacin
imprecisa o incierta
La ms importante regla de inferencia es el
Modus Ponens Generalizado (GMP)
Modus Ponens clsico dice
Que puede ser interpretado como
Si p es verdadero y es verdadero entonces q
es verdadero
Premisa Si p entonces q
Hecho p
Consecuencia q
q p
La inferencia difusa de la implicacin est
basada en la regla composicional de
inferencia
Regla composicional de inferencia
Donde B est determinado por la siguiente
composicin
Que est dada por
Premisa Si x est en A entonces y est en B
Hecho x est en A'
Consecuencia y est en B'
( ) B A A B = ' '
( ) | | V v v u B A u A v B
U u
e =
e
, ) , ( ), ( ' min ) ( '
sup
En casos prcticos se utiliza la composicin
sup-T, donde T es una t-norma
( ) | | ( ) V v v u B A u A T v B
U u
e =
e
, ) , ( ), ( ' ) ( '
sup
Propiedades
Propiedad Bsica
Si x est en A entonces y est en B Si la presin es grande entonces el volumen es pequeo
x est en A presion es grande
y est en B volumen es pequeo
Total indeterminacin
Si x est en A entonces y est en B Si la presin es grande entonces el volumen es pequeo
x no est en A presin no es grande
y est indeterminado volumen indeterminado
Subconjunto
Si x est en A entonces y est en B Si la presin es muy grande entonces el volumen es pequeo
x est en presin es grande
y est en B volumen es pequeo
Superconjunto
Si x est en A entonces y est en B Si la presin es muy grande entonces el volumen es muy pequeo
x est en A' presin es grande
y est en volumen es pequeo
A A c '
B B '
Operaciones de Agregacin
Son operaciones mediante las cuales
se puede llevar varios conjuntos difusos
a uno slo
Una clase de operaciones de
agregacin es la media generalizada
o
o o o
o
1
2 1
2 1
....
) ,..., , (
|
|
.
|
\
| + +
=
n
A A A
A A A h
n
n
Operadores OWA (Ordered weighted
averaging operation)
Sea vector de pesos tal que
y
Una operacin OWA es la funcin
Donde B es una permutacin del vector A en el
cual los elementos son ordenados tal que
si para algn par
Ej: Para x=x0
W=(0.5,0.2,0.3) A=(0.2,0.7,0.9)
B=(0.9,0.7,0.2)
H=0.5*0.9+0.2*0.7+0.3*0.2=0.65
( )
n
w w w W ,..., ,
2 1
=
| | N i w
i
e e 1 , 0
1
1
=
=
n
i
i
w
( ) B W b w b w b w A A A h
n n n w
, .... ...
2 2 1 1 2 1
= + + = + + +
j i
b b >
j i <
N j i e ,
Mtodos de Defuzificacin
La salida de un proceso de inferencia es un
conjunto difuso, en procesos en lnea se
requieren usualmente valores crisp
Algunos operadores de defuzificacin
Operador centro de gravedad (Centroide):
Primer mximo(Som):
( )
( )
=
j
j j
z A
z A z
z
0
( ) ) ( max ) ( | min
0
w A z A z z
w
= =
Criterio del mximo
Media de mximos (Mom): Se calcula la
media de los valores que maximizan a un
conjunto difuso A
Centro de Area: Se calcula el valor que
iguala el rea de A que queda a la derecha y
a la izquierda
Ultimo mximo(Lom): Se calcula el mayor
valor de los que maximizan A
Bisector: Retorna el bisector del rea de
defuzificacin de A
=
0
0
) ( ) (
z
z
dx x A dx x A
{ } ) ( max ) ( |
0
w A z A z z
w
= e
Mecanismos de inferencia
Asumamos por simplicidad que un sistema
posee 2 reglas de la forma
R1: Si x est en A1 e y est en B1
Entonces z est en C1
tambin
R2: Si x est en A2 e y est en B2
Entonces z est en C2
Hecho: x es e y es
Consecuencia: z es C
0
x
0
y
Mecanismo de Mandani
La implicacin difusa es modelada por el operador de
Mandani y la sentencia conectiva tambin por el
operador max.
Procedimiento
Primero los niveles de cada regla
Luego la salida del sistema mediante
Para luego obtener una salida crisp mediante algn
mtodo de defuzificacin
) ( ) (
) ( ) (
0 2 0 2 2
0 1 0 1 1
y B x A
y B x A
. =
. =
o
o
( ) ( ) ) ( ) ( ) (
2 2 1 1
w C w C w C . v . = o o
Mecanismo de Tsukamoto
Todos lo trminos lingusticas deben tener funciones
de membresa montonas
Procedimiento
Primero los niveles de cada regla
Los mecanismos de control crisp son
computados mediante las ecuaciones
Luego se encuentra el valor crisp de salida del sistema
mediante
) ( ) (
) ( ) (
0 2 0 2 2
0 1 0 1 1
y B x A
y B x A
. =
. =
o
o
2 1
y z z
) (
1 1
z C = o ) (
2 2
z C = o
2 1
2 2 1 1
0
o o
o o
+
+
=
z z
z
Mecanismo de Sugeno y Takagi (1985)
R1: Si x est en A1 e y est en B1 Entonces
tambin
R2: Si x est en A2 e y est en B2 Entonces
Hecho: x es e y es
Consecuencia:
Procedimiento
Primero
Luego se computa
Y la salida crisp
0
x 0
y
0
z
y q x p z + =
1 1 1
y q x p z + =
2 2 2
) ( ) (
) ( ) (
0 2 0 2 2
0 1 0 1 1
y B x A
y B x A
. =
. =
o
o
0 1 0 1 1
y q x p z + =
-
0 2 0 2 2
y q x p z + =
-
2 1
2 2 1 1
0
o o
o o
+
+
=
- -
z z
z
Mecanismo de Larsen
La implicacin difusa es modelada por el
operador de Larsen (producto usual) y las
sentencias tambin por el operador max
Procedimiento
Calcular
La funcin de salida
Y el valor crisp se obtiene por defuzificacin
) ( ) (
) ( ) (
0 2 0 2 2
0 1 0 1 1
y B x A
y B x A
. =
. =
o
o
( ) ( ) ) ( ) ( ) (
2 2 1 1
w C w C w C v = o o
Controladores Difusos
Modelacin de un controlador de
temperatura para procesadores
mediante lgica difusa: parte 1
Entradas al sistema
Temperatura: Medida con un termmetro en
grados
Flujo de Informacin:Medida en porcentaje
Salida del sistema
Velocidad en RPM
La modelacin se realiz para un procesador
que posea un ventilador de velocidad
mxima 5000 Rpm
Conjuntos difusos empleados
Reglas
R1: IF Temperatura es Alta y Procesamiento Alto
THEN Velocidad Alta
R2: IF Temperatura es Alta y Procesamiento
Normal THEN Velocidad Alta
R3: IF Temperatura es Media y Procesamiento
Alto THEN Velocidad Media
R4: IF Temperatura es Media y Procesamiento
Normal THEN Velocidad Media
R5: IF Temperatura es Baja y Procesamiento
Alto THEN Velocidad Baja
R6: IF Temperatura es Baja y Procesamiento
Normal THEN Velocidad Baja
Como mecanismo de inferencia se
utiliz el mecanismo de Mandani
Como mtodo de defuzificacin se
probaron varios disponibles en el
software Matlab
Centroid
Bisector
Mom
Som
Lom
Resultados
x0 () y0 (%)
Vel centroide
(kRPM)
Vel Bisector
(kRPM)
Vel Mom
(kRPM)
Vel Som
(kRPM)
Vel Lom
(kRPM)
5 5 1,117 1,100 1,100 0,000 2,000
120 100 3,883 3,900 4,000 3,000 5,000
70 70 2,500 2,500 2,500 2,000 3,000
90 70 3,883 3,900 4,000 3,000 5,000
85 70 3,566 3,650 4,000 3,000 5,000
70 95 2,500 2,500 2,500 2,000 3,000
40 95 1,117 1,100 1,000 0,000 2,000
80 85 3,384 3,400 3,500 2,000 5,000
Conclusiones de la modelacin
Hay que combinar los mtodos de
defuzificacin para obtener mejores
resultados
Probar otros mecanismos de inferencia
Realizar mediciones para optimizar el
proceso y las funciones de membresa,
interiorizarse ms en el problema
Cundo ocupar lgica difusa?
Segn Sur y Omron (1997)
En procesos complejos, si no existe un modelo de
solucin sencillo
En procesos no lineales
Cuando haya que introducir la experiencia de un operador
experto que se base en conceptos imprecisos obtenidos
de su experiencia
Cuando ciertas partes del sistema a controlar son
desconocidas y no pueden medirse de forma fiable
Cuando el ajuste de una variable puede producir el
desajuste de otras
En general cuando se desea representar y operar con
conceptos que tengan imprecisin o incertidumbre
Desventajas de la lgica difusa
Estabilidad
No hay garanta terica que un sistema difuso no
tenga un comportamiento catico y no siga siendo
estable, aunque tal posibilidad parece ser baja
debido a los resultados obtenidos hasta ahora
Capacidad de aprender
Son sistemas sin memoria, no poseen la
capacidad de aprender
La determinacin de las funciones de
membresa y las reglas no siempre son
sencillas
Existe la mala concepcin de que la lgica
difusa es algo mgico sin fundamento
matemtico
Verificacin de los modelos y sistemas
difusos expertos requiere de gran cantidad
de pruebas
Aplicaciones histricas
En 1974 Mandani dise el primer sistema de control
difuso experimental para un motor de vapor
En 1980 una compaa danesa (F.L.Smidth & Co.
A/S) usa teora difusa para control de un horno de
cemento
En 1980 Fuji Electric Co. Ltda (Japn) implementa un
sistema de inyeccin qumica para plantas
purificadoras de agua
En 1987 empieza a funcionar el Regulador
Automtico De las Operaciones De Trenes Del Metro
De Sendai (Japn) diseado por el equipo Hitachi,
sta hace el viaje ms cmoda al controlar las
aceleraciones y frenadas en funcin de los pasajeros
En 1990 empiezan en Japn las aplicaciones
domsticas, tales como:
Lavadoras fuzzy
Ollas cocineras de Arroz (Cocedora de arroz de
la marca Zojirushi)
Cmaras de video y fotogrficas,etc...
Aplicaciones Generales
Control de sistemas: Control de trfico de vehculos,
Control de compuertas en plantas hidroelctricas y
trmicas,ascensores, etc...
Prediccin y optimizacin: Prediccin de terremotos,
optimizacin de horarios, etc....
Reconocimiento de patrones y Visin por ordenador:
Seguimiento de objetos con cmara, reconocimiento
de letra manuscrita, de objetos, compensacin de
vibraciones,etc..
Sistemas de informacin y conocimiento: Bases de
datos, sistemas expertos, etc...
Trabajos a futuro
Aplicar Inteligencia computacional a
acstica, vibraciones y procesamiento
de seales
Aplicar especficamente lgica difusa en
evaluacin de recintos
Ahondar ms en el aspecto terico de
la lgica difusa
Conclusiones
Se desarrollaron algunos de los
aspectos fundamentales de la lgica
difusa
Se presentaron aplicaciones sencillas
para ejemplificar las potencialidades
Fuentes de informacin
G.Klir y B. Yuan, Fuzzy sets and fuzzy logic: theory
and applications ,Prentice Hall PTR, 1995
R.R. Yager ed., Fuzzy sets and applications.
Selected papers by L.A. Zadeh, John Wiley & Sons,
New York, 1987)
R. Fuller, Neural Fuzzy Sistems, Abo Akademi
University, 1995
Tutorial Lgica Difusa, Dpto. de Lenguajes y
Ciencias de la Computacin, Universidad de Mlaga
Y. Pao, Adaptive pattern Recognition & Neural
Networks, Addison-Wesley, 1989
Fin de la presentacin
Gracias por asistir a la Clase