INTELIGENCIA EN REDES DE COMUNICACIONES

TRABAJO OPTATIVO

Autor: Snchez Gmez, Ral

QU ES LA LGICA DIFUSA?
La lgica difusa es una metodologa que proporciona una manera simple y elegante de obtener una conclusin a partir de informacin de entrada vaga, ambigua, imprecisa, con ruido o incompleta. En general la lgica difusa imita como una persona toma decisiones basada en informacin con las caractersticas mencionadas. Una de las ventajas de la lgica difusa es la posibilidad de implementar sistemas basados en ella tanto en hardware como en software o en combinacin de ambos. La lgica difusa es una tcnica de la inteligencia computacional que permite trabajar con informacin con alto grado de imprecisin, en esto se diferencia de la lgica convencional que trabaja con informacin bien definida y precisa. Es una lgica multivaluada que permite valores intermedios para poder definir evaluaciones entre si/no, verdadero/falso, negro/blanco, caliente/fro, etc. El concepto de Lgica Difusa fue concebido por Lofti A. Zaded, profesor de la Universidad de California en Berkeley, quin inconforme con los conjuntos clsicos (crisp sets) que slo permiten dos opciones, la pertenencia o no de un elemento a dicho conjunto, la present como una forma de procesar informacin permitiendo pertenencias parciales a unos conjuntos, que en contraposicin a los clsicos los denomin Conjuntos Difusos (fuzzy sets). El concepto de conjunto difuso fue expuesto por Zadeh en un paper del ao 1965, hoy clsico en la literatura de la lgica difusa, titulado "Fuzzy Sets" y que fue publicado en la revista Information and Control. El mismo Zadeh publica en 1971 el artculo, "Quantitative Fuzzy Semantics", en donde introduce los elementos formales que acabaran componiendo el cuerpo de la doctrina de la lgica difusa y sus aplicaciones tal como se conocen en la actualidad. Zadeh dice: "La lgica difusa trata de copiar la forma en que los humanos toman decisiones. Lo curioso es que, aunque baraja informacin imprecisa, esta lgica es en cierto modo muy precisa: se puede aparcar un coche en muy poco espacio sin darle al de atrs. Suena a paradoja, pero es as." El profesor Zadeh menciona que la gente no requiere informacin numrica precisa del medio que le rodea para desarrollar tareas de control altamente adaptables, por ejemplo conducir un automvil o caminar por una acera sin chocarse con los postes y las otras personas. Si los controladores convencionales, en esencia realimentados, se pudieran programar para aceptar entradas con ruido e imprecisas ellos podran trabajar de una manera mas eficiente y quizs se podran implementar mas fcilmente.

RESISTENCIA A LA LGICA DIFUSA

El hombre, en la bsqueda de la precisin, intent ajustar el mundo real a modelos matemticos rgidos y estticos, como la lgica clsica binaria. Cuando Aristteles y sus precursores idearon sus teoras de la lgica y de las matemticas, propusieron la Ley del Centro Excluido que indica que cada asunto debe ser verdad o falso. La hierba es verde o no verde; claramente no puede ser verde y no verde. Lo que se busca, mediante el empleo de la teora de los conjuntos difusos es describir y formalizar la realidad, empleando modelos flexibles que interpreten las leyes que rigen el comportamiento humano y las relaciones entre los hombres. Para describir esa realidad incierta, tanto en el orden de lo social como en el de lo natural, es necesario valerse de predicados, que pueden ser ntidos o difusos. El nuevo punto de vista propuesto por Zadeh choca con siglos de tradicin cultural la lgica binaria de Aristteles, ser no ser-, por lo cual hubo resistencia por parte de los cientficos, quienes se negaban a aceptar que se trataba de un intento por estudiar cientficamente el campo de la vaguedad, permitiendo manipular conceptos del lenguaje cotidiano, lo cual era imposible anteriormente. Segn comenta Zadeh: "En Occidente la acogida fue menos positiva. En Asia aceptan que el mundo no es blanco o negro, verdad o mentira. En Occidente todo es A o B." Por este motivo es en Asia (Japn sobretodo) donde ms aplicaciones tecnolgicas se realizan a partir de la lgica difusa. Aunque el concepto de lgica difusa fue introducido en los EEUU, los cientficos e investigadores americanos y europeos no hicieron caso en gran parte de ella por aos, principalmente por razones culturales. Algunos matemticos discutieron que la lgica confusa fuera simplemente una probabilidad disimulada. Esta resistencia, sin embargo, contrastaba con los resultados exitosos de la aplicacin tecnolgica de la teora. En 1974, el Britnico Ebrahim H. Mamdani, demuestra la aplicabilidad de la lgica difusa en el campo del control. Desarrolla el primer sistema de control difuso prctico, la regulacin de un motor de vapor. Las aplicaciones de la lgica difusa en el control no pudieron ser implementadas con anterioridad a estos aos debido a la poca capacidad de cmputo de los procesadores de esa poca. Pero la lgica confusa fue aceptada fcilmente en Japn, China y otros pases asiticos, que han estado desde la dcada de los 80 construyendo aplicaciones reales y productos que funcionan basados en esta lgica. Por ejemplo en 1986 Yamakawa publica el articulo, "Fuzzy Controller hardward system" y desarrolla controladores difusos en circuitos integrados. En 1987, se inaugura en Japn el metro de Sendai, uno de los ms espectaculares sistemas de control difuso creados por el hombre. Desde entonces el controlador inteligente ha mantenido los trenes rodando eficientemente. En 1987, surge el "FUZZY BOOM", se comercializan multitud de productos basados en la lgica difusa. En este sentido, en Japn desde 1988 se viene dando un auge de la lgica borrosa, en especial por los trabajos de Michio Sugeno, que renen complejos desarrollos matemticos con aplicaciones tecnolgicas de gran importancia, lo cual permite hablar de una "ingeniera difusa", adems de la lgica y la tecnologa difusa. A partir de los trabajos de Sugeno, se puede advertir que la convergencia de tcnicas

borrosas con tcnicas neuronales, probabilsticas y otras como los algoritmos genticos, van generando un nuevo campo en las ciencias de la computacin: computacin flexible, que parece muy prometedora para manejar razonamientos de sentido comn y lograr que las computadoras "razonen" de un modo similar al humano. Tambin se utilizan elementos de la teora de los conjuntos difusos para describir y resolver problemas de gestin, economa, medicina, biologa, ciencias polticas y lingstica. Lo que se busca en estos casos es, en definitiva, describir la realidad a travs de metodologas flexibles que interpreten ms apropiadamente las leyes del comportamiento individual y social. El nmero ms grande de investigadores se encuentra hoy en China, con unos 10.000 cientficos. Japn, aunque considerado el abanderado en los estudios borrosos, tiene pocas personas contratadas a este tipo de investigaciones.

CONJUNTOS DIFUSOS
El concepto clave para entender como trabaja la lgica difusa es el de conjunto difuso, se puede definir un conjunto difuso de la siguiente manera. Teniendo un posible rango de valores al cual llamaremos U, por ejemplo U=Rn, donde Rn es un espacio de n dimensiones, a U se le denominara Universo de Discurso. En U se tendr un conjunto difuso de valores llamado F el cual es caracterizado por una funcin de pertenencia uf tal que uf:U->[0, 1], donde uf(u) representa el grado de pertenencia de un u que pertenece a U en el conjunto difuso F. Por ejemplo, supongamos que se desea representar con conjuntos difusos la variable altura de una persona, en este caso el universo de discurso ser el rango de posibles valores de la altura que tenga un persona adulta, se escoger un rango entre 140cm y 200cm, valores por fuera de este rango son posibles pero son muy escasos. El universo de discurso U = [140, 200], para denominar los conjuntos difusos se suelen trabajar con etiquetas lingsticas similares a las que se usan de manera coloquial, por ejemplo en la vida diaria decimos que una persona es Muy Baja (MB), Baja (B), Mediana (M), Alta (Alta) y Muy Alta (MA) Etiqueta MB B M A MA Rango [min, max] [140,160] [160,170] [170,180] [180,190] [190,200]

Figura No. 1 Conjuntos difusos para la altura de una persona Si en el ejemplo anterior se desea trabajar con conjuntos clsicos (crisp) se tienen dos opciones: alguien Alto (A) o Bajo (B). Se supondr que alguien Alto si mide mas de 170cm es caso contrario es bajo

Figura No. 2 Conjuntos crips para la altura de una persona

TIPOS DE SISTEMAS DE LOGICA DIFUSA

Los sistemas de lgica difusa tienen una estrecha relacin con los conceptos difusos tales como conjuntos difusos, variables lingsticas y dems. Los mas populares sistemas de lgica difusa que se encuentran en la literatura se encuentran en unos de los siguientes tipos: sistemas difusos tipo Mamdani (con fuzzificador y defuzzificador ) o sistemas difusos tipo Takagi-Sugeno. Sistemas Tipo Mamdani En la figura se muestra la configuracin bsica de un sistema tipo Mamdani

Sistema Difuso Mamdani, Procesamiento General En un sistema difuso tipo Mamdani se distinguen las siguientes partes: * Fuzzificador La entrada de un sistema de lgica difusa tipo Mamdani normalmente es un valor numrico proveniente, por ejemplo, de un sensor; para que este valor pueda ser procesado por el sistema difuso se hace necesario convertirlo a un "lenguaje" que el

mecanismo de inferencia pueda procesar. Esta es la funcin del fuzzificador, que toma los valores numricos provenientes del exterior y los convierte en valores "difusos" que pueden ser procesados por el mecanismo de inferencia. Estos valores difusos son los niveles de pertenencia de los valores de entrada a los diferentes conjuntos difusos en los cuales se ha dividido el universo de discurso de las diferentes variables de entrada al sistema. * Mecanismo de inferencia difusa Teniendo los diferentes niveles de pertenencia arrojados por el fuzzificador, los mismos deben ser procesados para generar una salida difusa. La tarea del sistema de inferencia es tomar los niveles de pertenencia y apoyado en la base de reglas generar la salida del sistema difuso. * Base de Reglas Difusas La base de reglas es la manera que tiene el sistema difuso de guardar el conocimiento lingstico que le permiten resolver el problema para el cual ha sido diseado. Estas reglas son del tipo IF-THEN. Una regla de la base de reglas o base de conocimiento tiene dos partes, el antecedente y la conclusin como se observa en la siguiente figura:

En un sistema difuso tipo Mamdani tanto el antecedente como el consecuente de las reglas estn dados por expresiones lingsticas. * Defuzzificador La salida que genera el mecanismo de inferencia es una salida difusa, lo cual significa que no puede ser interpretada por un elemento externo (por ejemplo un controlador) que solo manipule informacin numrica. Para lograr que la salida del sistema difuso pueda ser interpretada por elementos que solo procesen informacin numrica, hay que convertir la salida difusa del mecanismos de inferencia; este proceso lo realiza el defuzzificador. La salida del mecanismo de inferencia es un conjunto difuso, para generar la salida numrica a partir de este conjunto existen varias opciones como el Centro de Gravedad y los Centros Promediados entre otros.

Centro de Gravedad

Centros Promediados En el siguiente grfico se muestra de manera mas detallada como es el funcionamiento de un sistema difuso Mamdani

Sistema Difuso Mamdani, Procesamiento Detallado

Sistemas Tipo Sugeno Otra alternativo de procesamiento en los sistemas difusos fue la propuesta por Sugeno en los sistemas difusos que llevan su nombre.

Sistema Difuso Sugeno, Procesamiento General En los sistemas difusos Sugeno se distinguen las siguientes partes: * Fuzzificador Realiza la misma funcin que en los sistemas Mamdani explicados anteriormente * Mecanismo de inferencia difusa Realiza la misma funcin que en los sistemas Mamdani explicados anteriormente * Base de Reglas Difusas Las reglas de la base de conocimiento de un sistema Sugeno es diferente a las de los sistemas Mamdani pues el consecuente de estas reglas ya no es una etiqueta lingstica sino que es una funcin de la entrada que tenga el sistema en un momento dado, esto se ilustra a continuacin:

En los sistemas difusos tipo Sugeno, los valores que arrojan los consecuentes de las diferentes reglas que se han activado en un momento determinado ya son valores numricos, por lo que no se necesita una etapa de deffuzificacin.

Para calcular la salida del sistema difuso se ponderan los diferentes consecuentes teniendo en cuenta el valor que se activ el antecedente de cada una de las reglas, para un sistema con dos reglas la salida del sistema difuso sera:

Clculo de la Salida de un Sistema Difuso Sugeno En este caso:

Seran las funciones que permiten calcular el consecuente de cada una de las dos reglas implicadas. En el siguiente grfico se muestra de manera mas detallada como es el funcionamiento de un sistema difuso Sugeno.

Sistema Difuso Sugeno, Procesamiento Detallado

SIETE VERDADES DE LA LGICA DIFUSA

1) Lgica confusa no es confusa. La lgica confusa no es intrnsecamente imprecisa, no viola el sentido comn ni produce resultados inequvocos. La lgica clsica (booleana), en verdad, es simplemente un caso especial de la lgica confusa. 2) La lgica confusa es diferente de probabilidad. Con probabilidad, nosotros intentamos determinar algo sobre el resultado potencial de los acontecimientos claramente definidos que pueden ocurrir al azar. Con lgica confusa, nosotros intentamos determinar algo sobre la naturaleza del acontecimiento en s mismo. La borrosidad se expresa a menudo como ambigedad, no como imprecisin o incertidumbre, es una caracterstica de la opinin as como del concepto. 3) Disear sistemas borrosos es fcil. Los sistemas borrosos reflejan, de una manera general, lo que la gente piensa realmente de un problema. Generalmente es rpido y fcil perfilar la forma aproximada de un sistema borroso. Ms adelante en, despus de cierta prueba o experiencia, podemos ajustar sus caractersticas exactas. 4) Los sistemas borrosos son estables y fcilmente ajustables y pueden ser validados. Es ms rpido y ms fcil crear sistemas borrosos y construir un sistema borroso que l debe crear sistemas basados en el conocimiento convencionales, puesto que la lgica confusa maneja todos los grados de libertad que intervienen. Estos sistemas se validan como sistemas convencionales, pero ajustarlos son generalmente mucho ms simples. 5) Los sistemas borrosos no son Redes Neuronales. Un sistema borroso procura encontrar la interseccin, la unin o el complemento de las variables borrosas del control. Mientras que esto es algo anlogo a las redes neuronales y a la programacin lineal, los sistemas borrosos se acercan a estos problemas de forma diferente. 6) La lgica confusa es ms que control de proceso. Aunque alguna gente opina que la lgica confusa sirve principalmente como herramienta para el anlisis del control de proceso y de la seal, esa interpretacin es demasiado limitada. La lgica confusa es una manera de representar y de analizar la informacin, independientemente de usos especficos. 7) La lgica confusa es un proceso de representacin y razonamiento. La lgica confusa es una herramienta de gran alcance y verstil para la informacin imprecisa, ambigua y vaga de la representacin. No puede solucionar todos los problemas, pero nos ayuda a modelar problemas difciles, incluso intratables.

BIOGRAFA Lofti A. Zadeh

Lofti A. Zadeh naci el 4 de Febrero de 1921 en Baku (Azerbaijan). Fue alumno de la universidad de Tehern (Irn), donde termin la carrera de Ingeniera Elctrica en 1942. En 1944 viaj a EEUU para completar sus estudios. En 1946 obtuvo el ttulo de ingeniero elctrico del MIT (Massachusetts Institute of Technology). Ms tarde se apunt en la universidad de Columbia como instructor de ingeniera elctrica y en 1949 finaliz el doctorado. En 1950 trabaj como profesor asistente en esta Universidad hasta que en 1957 fue ascedido a profesor titular. Se incorpor al Departamento de Ingeniera Elctrica de la universidad de California, Berkeley, en 1959, donde fue nombrado presidente en 1963, hasta 1968. Actualmente es director del BISC (Berkeley Initiative in Soft Computing) y en 1991 fue nombrado profesor honorario por su carrera como profesor e investigador. Hasta 1965, el trabajo de Zadeh se centraba en teora de sistemas y anlisis de decisin. Desde entonces sus intereses de investigacin han cambiado a la teora de conjuntos difusos (fuzzy sets) y sus aplicaciones a inteligencia artificial, lingstica, lgica, anlisis de decisin, teora de control, sistemas expertos y redes neuronales. Actualmente su investigacin se enfoca en lgica difusa, computacin blanda (soft computing), computacin con palabras y en la reciente teora computacional de percepcin. Su ensayo (seminal paper) sobre los Conjuntos Difusos en 1965 proporcionaba una base para el acercamiento cualitativo a los anlisis de sistemas complejos en los que las variables lingsticas se emplean para describir la conducta del sistema y su actuacin ms que las variables numricas. De esta forma, se entiende mucho mejor cmo el trato incertidumbre puede ser alcanzado, y modelos mejores del razonamiento humano pueden ser construidos. El concepto de computacin blanda (soft computing), el cual fue introducido por Lotfi Zadeh en 1991, sirve para destacar la aparicin de las metodologas de computacin en las cuales el objetivo est en explotar la tolerancia para que la imprecisin de la incertidumbre alcancen maleabilidad, robustez y coste bajo de la solucin. En esta tesitura, los componentes principales de la computacin suave son la lgica difusa, la neurocomputacin, la computacin evolutiva y probabilstica. Juntos conducen al concepto de sistemas inteligentes hbridos. Tales sistemas estn creciendo rpidamente en importancia y visibilidad. En su paper From Computing with Numbers to Computing with Words -- From Manipulation of Measurements to Manipulation of Perceptions en 1999, inici la teora computacional de percepciones basada en la computacin con palabras. Esta nueva teora puede llegar a convertirse en una de sus contribuciones ms importantes, con amplios usos en muchos campos de la ciencia y de la ingeniera.