SISTEMAS INTELIGENTES

Semestre 2018-2

Facultad de Ingeniería de Sistemas e Informática

Universidad Nacional Mayor de San Marcos

Rolando A. Maguiña Pérez

 Agenda

 Mecanismos de inferencia borrosa

 Sistemas Mamdani
 Sistemas Sugeno
 Desborrosificación
 Definición
 Familia de métodos basados en el
máximo
 Familia de métodos basados en las
áreas

Ing. Mg. Rolando A. Maguiña Pérez

 Sistemas de inferencia borrosa

Borrosificador Desborrosificador

X Base de reglas Y

Dispositivo de
inferencia borrosa

Rolando A. Maguiña Pérez

 Reglas difusas

 Uno de los componentes más importantes de

un sistema fuzzy: Reglas
Estructura general:
SI condiciones ENTONCES actuaciones
SI condiciones ENTONCES decisiones

Representación genérica:
SI u es A ENTONCES v es B, u  U, v V
SI (proposición difusa) ENTONCES (proposición difusa)

Ing. Mg. Rolando A. Maguiña Pérez

 Reglas borrosas

Formato de reglas: tipo Mamdani

R(l): SI u1 es F1l Y u2 es F2l Y....Y un es Fnl ENTONCES vl es Gl

Fil , Gl : CBs en Ui   y V  , respectivamente.

u= (u1....un)  U1x...xUn , vV: variables lingüísticas
xU, yV: valores numéricos de las variables lingüísticas

Formato de reglas: tipo Sugeno

R(l): SI u1 es F1l Y u2 es F2 Y....Y un es Fn ENTONCES vl = f l (u)
v = f (u1 , u2 ,... un)
MISO: Sistemas borrosos con n entradas, una sola salida
MIMO: Múltiples entradas y Múltiples salidas
 Reglas difusas

Reglas de tipo SI-ENTONCES con múltiples

antecedentes y múltiples consecuentes


Se consideran como un grupo de reglas de
múltiples antecedentes y salida única (forma
canónica)

(p  (q1  q2  q3))  ( (p  q1)  (p  q2)  (p  q3))

Ing. Mg. Rolando A. Maguiña Pérez

 Reglas difusas

 Las reglas de tipo SI-ENTONCES pueden ser

tipo SISO, SIMO, MISO, MIMO:

SISO: If u es A1 then v es B1.

SIMO: If u es A1 then v1 es B1 and v2 es B2
MISO: If u1 es A1 and u2 es A2 then v es B1
MIMO: If u1 es A1 and u2 es A2 then v1 es B1 and v2 es B2

Reglas SIMO  SISO, MIMO  MISO

Ing. Mg. Rolando A. Maguiña Pérez

 Reglas difusas

Reglas SIMO  SISO, MIMO  MISO

EJM.

If u1 es A1 and u2 es A2 then v1 es B1 and v2 es B2

<>

If u1 es A1 and u2 es A2 then v1 es B1
If u1 es A1 and u2 es A2 then v2 es B2

Ing. Mg. Rolando A. Maguiña Pérez

 Lógica borrosa

Problema a resolver
SI u es A uU
ENTONCES v es B vV

u: variable lingüística de entrada

v: variable lingüística de salida

AB(x,y)  0,1
mide el grado de veracidad
de la implicación entre x y y

Rolando A. Maguiña Pérez

 Inferencia clásica

Modus Ponens
SI x es A ENTONCES y es B Si plato tiene carne de rez servir vino tinto
x es A Plato tiene carne de rez
--------------------------------- -----------------------------------------------------
y es B Servir vino tinto

Modus Tollens
SI x es A ENTONCES y es B Si selección gana aumenta la chance de clasificar
not y es B No aumenta la chance de clasificar
--------------------------------- -----------------------------------------------
not x es A La selección no gana

Las reglas de inferencia borrosa son extensiones de las

reglas de inferencia de la lógica tradicional.

Rolando A. Maguiña Pérez

 Inferencia borrosa

Modus Ponens Generalizado (MPG)

Conocimiento: SI u es A ENTONCES v es B
Hecho: u es A’
Consecuencia: v es B’
A’ y B’ no son necesariamente iguales a
A y B respectivamente, son similares
A B
SI u es A ENTONCES v es B Si jugador es bajo, entonces no será un buen
profesional de baloncesto
u es A’ Jugador está abajo de 1.60 m = A’
--------------------------------------------------------------------------------------
v es B’ Jugador será pésimo profesional = B’
A  A’ pero es similar
B  B’ pero es similar
Rolando A. Maguiña Pérez
 Módulo de Inferencia Borrosa

Definición
Sistemas que interpretan las reglas de una BRB, con el fin
de obtener los valores de salida a partir de los actuales
valores de las variables lingüísticas de entrada al sistema

Cada regla es interpretada como una implicación borrosa

 Regla composicional
Para la entrada A’ del dispositivo de inferencia borrosa,
cada regla l define un CB B’ en V usando la
composición Sup-Star
Bl(y) = supxU[F1x....xFnG(x,y)  A’(x)]
Ing. Mg. Rolando A. Maguiña Pérez
 Módulo de Inferencia Borrosa

 Requisito básico: disponibilidad de una solución

articulada en forma de reglas SI..... ENTONCES .....

 La inferencia se basa en el paradigma MPG:

transformación de los grados de cumplimiento de los LI
de las reglas a grados de posibilidad de los LDs.

 Las reglas consideradas tienen un solo consecuente y

son normalizadas. Las reglas compuestas han de
traducirse previamente a forma canónica.
 Módulo de Inferencia Borrosa

 Salida de un dispositivo de inferencia difusa:

a) M CDs B' con l =1,2,...,M,
c/u de los cuales resulta de aplicar la entrada A’ a c/u de las M reglas de la
BRB

b) Un único CD B' que es la unión de los M CDs B'

Se obtiene con:

B’(u,v) = B1 (y) .....  BM(y)

c) M escalares y' con l =1,2,...,M
Para reglas del tipo Sugeno, c/u es el resultado de aplicar la entrada A’ a c/
u de las M reglas de la BR

Ing. Mg. Rolando A. Maguiña Pérez

 Módulo de Inferencia Borrosa

Definición
Sistemas que interpretan las reglas de una BRB,
con el fin de obtener los valores de salida a partir
de los actuales valores de las variables lingüísticas
de entrada al sistema
Cada regla es interpretada como una implicación borrosa

 Regla composicional
Para la entrada A’ del dispositivo de inferencia borrosa,
cada regla l define un CB B’ en V usando la
composición Sup-Star
Bl(y) = supxU[F1x....xFnG(x,y)  A’(x)] *
Ing. Mg. Rolando A. Maguiña Pérez
 Mecanismo de inferencia borroso

Inferencia en Sistemas Mamdani

Regla 1: If x es A and y es B then u es D

μpremisa(1)= min{μA(x), μB(x)} = 0.4 mínimo

producto
 Mecanismo de inferencia borroso

Inferencia en Sistemas Mamdani

 ¿Cómo se modifica el conjunto borroso de salida, en
el grado especificado por μLI ?
Principio general: “La acción no puede tener un
nivel de certeza superior al que tiene la premisa” .

El CB de salida μLD(x) (acción o afirmación) es modificado

por el μLI(x) correspondiente a cada regla.
Truncamiento μRegla n = minμLI (x), μLD(v)

Escalado μRegla n = μLI (x)  μLD(v)

 Mecanismo de inferencia borroso

Inferencia en Sistemas Mamdani

 Truncamiento

μRegla n = minμLI(x), μLD(v)

 Mecanismo de inferencia borroso

Inferencia en Sistemas Mamdani

 Escalado

μRegla n = μLI(x)  μLD(v)

 Módulo de Inferencia Borrosa

 Salida de un dispositivo de inferencia borroso:

R1: SI u1 es A1 Y u2 es A2 Y....Y un es An ENTONCES v1 es B1

R2: SI u1 es A1 Y u2 es A2 Y....Y un es An ENTONCES v2 es B2
..…
RM:SI u1 es A1 Y u2 es A2 Y....Y un es An ENTONCES vM es BM

Subíndices j en consecuentes Bj se refieren al número de la regla

Subíndices i en los antecedentes Ai , se refieren a los términos
lingüísticos asociados a las variables ui.

 c/regla se establece en forma canónica

Rolando A. Maguiña Pérez

 Procesamiento borroso

 En c/u de las sentencias del LI se examina una variable

lingüística de entrada y su grado de pertenencia a un CB.

Evaluación de la entrada produce un grado de

cumplimiento para cada regla

 Estos grados de cumplimiento producen salidas a través

del proceso de implicación () B1 , B2, .... BM.

Salida de c/ regla: mediante operador de implicación

elegido
 Se obtienen M CBs como resultado de las M reglas borrosas.

Rolando A. Maguiña Pérez

 Procesamiento borroso

 La agregación de dos o más conjuntos borrosos da un

nuevo CB en el algoritmo básico de inferencia borrosa

B = B1 B2.....  BM

 En la mayoría de los casos, un resultado en forma de

un CB se convierte a un resultado nítido (métodos de
desborrosificación)

Rolando A. Maguiña Pérez

Representación gráfica del procesamiento borroso

mínimo producto

Rolando A. Maguiña Pérez

 Desborrosificacción

 Se requieren únicamente para sistemas tipo Mamdani

 Produce una salida “crisp” para el sistema borroso a

partir del CB resultante del módulo de inferencia.

 Existen varios métodos de desfuzzyficación tales como:

Métodos del Centroide Métodos del Máximo
Centro de Gravedad o de Área Centro de máximos
Centro del área más grande Media de máximos
Centro ponderado Máximos izquierda-derecha

Rolando A. Maguiña Pérez

 Desborrosificacción

Centro de Máximos (CoM)

Determina el valor «típico» (máximo) de cada término y
lo pondera por sus activaciones

 (Yj * j )
j
yCoM=  j
j

j = Resultante,j
Y2 Y3
yCoM
Variable de salida
Rolando A. Maguiña Pérez
 Desborrosificacción

Método del Máximo (Altura)

Conclusión
con > 

 = sup

ymax = Y3
Variable de salida
No considera las áreas de las superficies elementales
Valor desborrosificado: i-ésima conclusión con el > valor de pertenencia
Rolando A. Maguiña Pérez
 Desborrosificacción

Método del Máximo izquierda-derecho

No considera las áreas de las superficies elementales

Valor desborrosificado: posición del mayor valor de pertenencia
izquierda (derecho)

Rolando A. Maguiña Pérez

 Desborrosificacción

Centro de áreas
Determina el centro de gravedad de B y lo usa como salida del
sistema
 B(u) u du
s
yCoA =
 B(u) du
s
s: soporte de B

Rolando A. Maguiña Pérez

 Desborrosificacción

Centro de áreas
Caso universo de discurso sea discreto

 B(u) u du
s
yCoA =  B(u) du

Rolando A. Maguiña Pérez

 Desborrosificacción

Centro de áreas

 B(u) u du 1
s
yCoA =
 B(u) du 2
s
s: soporte de B u1 u2

 (Aj *uj )
j
yFastCoA =  Aj
j
Aj : : áreas de las superficies elementales
uj : posición del centroide

Rolando A. Maguiña Pérez

 Cálculo de la parte ENTONCES

Tres reglas activadas: I

J
I .... ENTONCES Y es medio K
J .... ENTONCES Y es Alto
K .... ENTONCES Y es Bajo
con grados de cumplimiento
I , J y K respectivamente

Rolando A. Maguiña Pérez

 Unión de las salidas

Agregación de CBs
obtenidos se hace,
normalmente, a través I
de la operación de unión J
K

Centro de Área (CoA)

Para el ejemplo anterior,
se obtiene un nuevo CB

Rolando A. Maguiña Pérez

 Unión de las salidas

Para el ejm anterior

yCoA

Rolando A. Maguiña Pérez

 Caso de estudio

Se ha diseñado un controlador borroso de dos entradas

(x1, x2) y una salida (y) cuyas funciones de pertenencia
se muestran en la figuras sgtes:

Inicialmente se conocen sólo dos reglas:

SI x1 es N Y x2 es Z ENTONCES y es NB

SI x1 es NB Y x2 es N ENTONCES y es N

Rolando A. Maguiña Pérez

 Caso de estudio

variable x1 variable x2

variable de salidaRolando
y A. Maguiña Pérez
 Caso de estudio

Se pide la salida numérica del controlador si se han

medido las magnitudes de entrada al mismo
presentando los valores de x1=-0.35 y x2=-0.1 y se
emplean los sgtes operadores:

Conectiva and (y): mínimo

Implicación: Mamdani
Agregación de reglas: máximo
Desborrosificación: CoA

Rolando A. Maguiña Pérez

 Caso de estudio

variable x1

variable x2
Rolando A. Maguiña Pérez
 Caso de estudio

Borrosificación
μN(x)=0.25 μN(x)=0.5
x1= -0.35 x2= -0.1
μNB(x)=0.75 μZ(x)=0.5

Reglas activadas
Cálculo de parte SI
0.25 0.5
SI x1 es N Y x2 es Z ENTONCES y es NB

0.75 0.5
SI x1 es NB Y x2 es N ENTONCES y es N

R1: min(0.25,0.5)=0.25
R2: min(0.5,0.75)=0.5
Rolando A. Maguiña Pérez
 Caso de estudio

Cálculo de parte ENTONCES

μNB(x)=0.25 μN(x)=0.5

variable de salida y

Truncamiento en los términos por grado de cumplimiento

Rolando A. Maguiña Pérez
 Caso de estudio

Desborrosificación μNB(x)=0.25 μN(x)=0.5

variable de salida y
xb xd
xc
xa Rolando A. Maguiña Pérez
 Caso de estudio

Desborrosificación
Ec de la recta y – y1 =m (x-x1)
P(x,y)=(-0.5,1)
  =

y – 0 = 5 (x + 0.7) y = 5x + 3.5
P(x,y)=(-0.7,0)
Para y=0.25: x=-0.65
P(x,y)=(-0.5,1)
  =

y – 1 = –2 (x – (–0.5)) y = -2x
P(x,y)=(0,0) Para y=0.5: x=-0.25
Rolando A. Maguiña Pérez
 Caso de estudio

Desborrosificación μNB(x)=0.25 μN(x)=0.5

variable de salida y
xb=-0.6 xa=0
xc=-0.25
xa =-0.65
 Caso de estudio

Desborrosificación
Intervalos de integración y sus expresiones
 
−1 ≤ 𝑢≤ − 0.65
   

   

   

Rolando A. Maguiña Pérez

 Caso de estudio

Desborrosificación
Integrando:
 
 Caso de estudio

Desborrosificación μNB(x)=0.25 μN(x)=0.5

variable de salida y
xb=-0.6 xa=0
xc=-0.25
xa =-0.65
 Caso de estudio

Desborrosificación

Areas de cada intervalo

   

   

   

   

Suma de las áreas: 0.34375

Rolando A. Maguiña Pérez

 Caso de estudio

Desborrosificación

Calculando:

CoA = -0.4206