3.4 ARQUITECTURA DE UN SISTEMA DE PRODUCCI\u00d3N (SP) \u00d3 SISTEMAS BASADOS EN REGLAS (SBR) Los primeros S.B.R.

se remontan a los a\u00f1os 70: 10\u2013[Newelly Simon, 1972] Modelan el comportamiento inteligente mediante reglas (las pautas de actuaci\u00f3n de un \u201cagente inteligente\u201dson reglas). 23\u2013[Buchanan y Feigen, 1978] Primer sistema basado en reglas. Generaci\u00f3n de estructuras qu\u00edmicas que expliquen los resultados espectrogr\u00e1ficos. 45\u2013[Buchanan y Shortliffe, 1984] Sistema MYCIN. El primer sistema en el que se usan las reglas tal como se entienden hoy d\u00eda. 3.4.1 Hechos Los Sistemas basados en reglas difusas (SBRD) tienen una serie de aplicaciones diversas, pero fundamentalmente son usados para: \u2022 Modelado de sistemas o Usado para representar escenarios de actuaci\u00f3n con variables complejas, enlos cu\u00e1les no basta con usar realidades absolutas como lo ser\u00eda un cierto ofalso. En aplicaciones de control, ya que suelen estar basadas en el punto descrito anteriormente. \u2022 Pueden ser usadas para la categorizaci\u00f3n de elementos, detectar patrones. \u2022 Como agentes de usuario, los cu\u00e1les van a proporcionar una serie de ayudas a losexpertos en una determinada materia para que tomen las decisiones que ellosconsideren oportunas, en este caso estos sistemas van a ofrecer una ayuda, pero ladecisi\u00f3n final la va a tomar el experto en cuesti\u00f3n. Como ejemplo cabe destacar el\u00e1mbito financiero. \u2022 <<Miner\u00eda de datos y descubrimiento de informaci\u00f3n, consistente en hallar elconocimiento intr\u00ednseco dentro de una base de datos, los cu\u00e1les pueden no estarpresentes a simple vista, pero aplicando sistemas de este tipo pueden llegar aaveriguarse>>, (J.M.Serrano, 20006). Reglas Los sistemas basados en reglas (SBR) se rigen por una serie de reglas que los configuran. Unaregla es definida como un modo de representaci\u00f3n estrat\u00e9gica o t\u00e9cnica, la cu\u00e1l esapropiada cuando el conocimiento con el que deseamos trabajar proviene de la experiencia ode la intuici\u00f3n, y por tanto carece de una demostraci\u00f3n f\u00edsica o matem\u00e1tica.

El formato de las reglas est\u00e1 compuesto por proposiciones similares a la sentencia decondici\u00f3n IF en un lenguaje de programaci\u00f3n cualquiera IFTHEN (SI-ENTONCES),quedando por tanto: IF <antecedente o condici\u00f3n> THEN <consecuente o conclusi\u00f3n> El antecedente y consecuente son proposiciones difusas, las cu\u00e1les est\u00e1n regidas por las operaciones en l\u00f3gica difusa que se pueden realizar, que son:

Partiendo de dos proposiciones con dos grados de verdad \u03c4A y \u03c4B, deducimos que: Un ejemplo b\u00e1sico de c\u00f3mo se podr\u00eda formar una proposici\u00f3n de este estilo, ser\u00eda el siguiente: \u2022 SI el fr\u00edo es elevado ENTONCES abrigar mucho Como en todos los SBR las reglas pueden estarencadenadas, de forma que el consecuentede una regla pasa a ser el antecedente de la siguiente. Las reglas que no son encadenadas,se las denomina reglas paralelas. Tipos de reglas y proposiciones Las proposiciones se pueden clasificar en los siguientes grupos: \u2022 ProposicionesCUALI FICADAS: Introducen un atributo para cualificar la proposici\u00f3n que forma una regla. El atributo corresponde al grado que determina la regla. o Grado de Suceso: Probable, poco probable... \u2022 ProposicionesCUANTI FICADAS: Indican cantidades difusas en las reglas. o SI muchos alumnos suspenden ENTONCES la explicaci\u00f3n fue bastante mala Respecto a esta clasificaci\u00f3n, podremos decir que las proposiciones que no poseen cuantificadores ni cualificadores son proposiciones categ\u00f3ricas, mientras que las proposiciones no categ\u00f3ricas no tienen por que ser verdad siempre. Las reglas pueden tener variantes, entre ellas se encuentran las siguientes Con excepciones: Son el tipo:SI la temperatura es altaENTONCES tendr\u00e9 calor EXCEPTO que tenga aire acondicionado. \u2022 Graduales: Cuantos m\u00e1s partidos ganemos, m\u00e1s facil ser\u00e1 ganar la liga. \u2022 Reglas conflictivas: Son reglas que dentro de un mismo sistema tienen informaci\u00f3ncontradictoria, lo cu\u00e1l puede acarrear muchos problemas, tales como malos resultadoso generar problemas. o Este tipo de reglas son aquellas que para un mismo antecedente, tienen consecuentes distintos, por ejemplo: \ue000 R1:SI tengo hambreENTONCES como. \ue000 R2:SI tengo hambreENTONCES no como.

o Otro ejemplo de reglas contradictorias son aquellas que estando encadenadas en ambos sentidos, niegan un consecuente: \ue000 R1:SI he metido un golEN TON C ES estoy feliz. \ue000 R2:SI estoy felizENTONCES no he metido un gol. Estructura b\u00e1sica de un SBRD Como cualquier SBR, un SBRD est\u00e1 constitu\u00eddo principalmente por dos elementos, la base del conocimiento y el motor de inferencia Adem\u00e1s, en sistemas con entradas y salidas discretas, es decir, n\u00edtidas, se incluye un interfaz de fuzzificaci\u00f3n en la entrada y un interfaz de defuzzificaci\u00f3n en la salida

3.4.2 Base de Conocimiento En el se encuentran los conocimientos del sistema a desarrollar, est formado principalmentepor una base de datos, la cul contiene todos los datos relativos al sistema, como variables yvalores posibles, y una base de reglas, que contiene todas las proposiciones que van a regir el sistema. El diseo de la misma se lleva a cabo mediante una serie de pasos. 1.Inicialmente habra que detectar cules son las variables de estado y de control asociadas (temperatura, estado de nimo...). 2.Establecer los trminos lingsticos que van a ser usados para su representacin (fro, calor, mucho calor, feliz, triste, animado...). 3.Generar las proposiciones estableciendo las relaciones entre los distintos parmetros tenidos en cuenta (SI mucho calor OR mucho fro ENTONCES estado de nimo triste). La base del conocimiento puede ser hallada de varias formas, pero una de las mshabituales es la de hacerse con los servicios de un experto en la materia, y que l sea elencargado de decidir cules son los parmetros de mayor importancia y de establecer lasrelaciones existentes entre ellos. Por ejemplo si tenemos un ventilador y un sensor de temperatura, un SBRD que gestionase el funcionamiento del mismo sera construdo de la siguiente forma: Deteccin de las variables y sus posibles valores:

o Variable de entrada: Temperatura: Mucho calor, Calor, Templada, Fro Variable de control: Velocidad de giro del ventilador: Rpida, Normal, Lenta, Parado. Generacin de reglas relacionando variables: o R1: SI temperatura Mucho calor ENTONCES Velocidad de giro Rpida o R2: SI temperatura Calor ENTONCES Velocidad de giro Normal o R3: SI temperatura Templada ENTONCES Velocidad de giro Lenta o R4: SI temperatura Fro ENTONCES Velocidad de giro Parado Este sistema sera mejorado si recibiese mayor informacin, por ejemplo con una variable de entrada nueva Estado de Ventanas: Abiertas, Cerradas Pudiendo quedar alguna regla del estilo: RX: SI temperatura Templada Y ventanas Abiertas ENTONCES Velocidad de giro Parada Motor de Inferencia El motor de inferencia es el "supervisor", se encarga de extraer las conclusiones partiendo delos datos simblicos que le han llegado, aplicando las reglas que rigen el sistema en el cultrabaja. Una modificacin en las reglas dar como resultado unas conclusiones distintas. El interfaz de fuzzificacin suele emplear un mtodo de "difsusin" bastante simple,consistente en convertir un valor ntido en un conjunto difuso del tipo singleton, en el culpara un valor de entrada concreto le corresponde una difusin caracterstica. Es el mtodo ms usado. El interfaz de defuzzicacin como hemos comentado trata de dar una valor ntido a una salida borrosa, pero esto no es algo obvio, el problema que se plantea es el siguiente: Si partimos de una serie de reglas de entrada A1(k) A2(k) A3(k) An(k) obtendremos como salida B(k) para k = 1, 2, 3..., m. Obtendremos que al introducir una entrada con valores A1*, A2*, ..., An*, obtenemos como salida los conjuntos difusos: B(1), B(2), ..., B(m). Al unir todas las salidas halladas obtendremos como resultado B', y por tanto el objetivo

Formatted: Font: 12 pt

ahora sera averiguar cul es el valor ntido que mejor representa ese conjunto. Este proceso puede realizarse de varias formas, una de ellas es emplear el mtodo de la altura, el cul no requiere el clculo del conjunto difuso de salida, es rpido, y nicamente requiere la definicin del punto umbral:
Formatted: Font: 12 pt

siendo c(k) el valor umbral del conjunto difuso B(k). REFERENCIAS

Formatted: Font: 12 pt

Formatted: Font: (Default) Times New Roman, 12 pt

El interfaz de defuzzicacin como hemos comentado trata de dar una valor ntido a una salida borrosa, pero esto no es algo obvio, el problema que se plantea es el siguiente: Si partimos de una serie de reglas de entrada A1(k) A2(k) A3(k) An(k) obtendremos como salida B(k) para k = 1, 2, 3..., m. Obtendremos que al introducir una entrada con valores A1*, A2*, ..., An*, obtenemos como salida los conjuntos difusos: B(1), B(2), ..., B(m). Al unir todas las salidas halladas obtendremos como resultado B', y por tanto el objetivo ahora sera averiguar cul es el valor ntido que mejor representa ese conjunto. Este proceso puede realizarse de varias formas, una de ellas es emplear el mtodo de la altura, el cul no requiere el clculo del conjunto difuso de salida, es rpido, y nicamente requiere la definicin del punto umbral: siendo c(k) el valor umbral del conjunto difuso B(k). REFERENCIAS

Formatted: Font: 12 pt