Académique Documents
Professionnel Documents
Culture Documents
Sistemas Expertos II
Lgica difusa
Tambin llamada lgica borrosa o lgica heurstica Se basa en lo relativo de lo observado como posicin diferencial. Este tipo de lgica toma dos valores aleatorios, pero contextualizados y referidos entre s. Ejemplo: Una persona que mida 2 metros es claramente una persona alta, si previamente se ha tomado el valor de persona baja y se ha establecido en 1 metro. Ambos valores estn contextualizados a personas y referidos a una medida mtrica lineal.
Lgica difusa
La lgica borrosa (fuzzy logic) trata de acercar la matemtica al lenguaje impreciso del hombre comn. El ser humano se maneja habitualmente con conceptos vagos, los cuales no se pueden representar con la matemtica tradicional. La Lgica Difusa es una lgica de mltiples valores, que permite que sean definidos los valores intermedios entre las evaluaciones convencionales como: verdadero falso, s no, alto bajo, etc.
Se adapta mejor al mundo real en el que vivimos, e incluso puede comprender y funcionar con nuestras expresiones, del tipo "hace mucho calor", "no es muy alto", "el ritmo del corazn est un poco acelerado", etc. La clave de esta adaptacin al lenguaje, se basa en comprender los cuantificadores de cualidad para nuestras inferencias (en los ejemplos de arriba "mucho", "muy" y "un poco").
Soft Computing
Un conjunto de tcnicas dirigidas a resolver problemas reales imitando la forma en que lo hace el ser humano.
El Soft Computing es una rama de la inteligencia artificial centrada en el diseo de sistemas inteligentes capaces de manejar adecuadamente la informacin incierta, imprecisa y/o incompleta. Esta cualidad permite abordar problemas reales obteniendo soluciones ms robustas, manejables y de menor coste que las obtenidas mediante tcnicas convencionales.
Soft Computing
Fundamentos de Soft Computing
La idea detrs de Soft Computing es modelar el comportamiento cognitivo de la mente humana. La actividad de esta Unidad engloba tres reas de estudio. Por una parte, la aplicacin de Lgica Borrosa en la obtencin de mtodos de razonamiento (conjeturas, hiptesis y consecuencias).
Soft Computing
Componentes del Soft Computing
Lgica Difusa (FL ) Computacin Evolutiva (CE ) - basado en el origen de las especies
Sistemas difusos tipo Mamdani (con fuzzificador y defuzzificador ) Sistemas difusos tipo Takagi-Sugeno
Fuzzificador: La entrada de un sistema de lgica difusa tipo Mamdani normalmente es un valor nmerico 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 mecanismos de infererencia pueda procesar. Mecanismo de inferencia difusa: Teniendo los diferentes niveles de pertenencia arrojados por el fuzzificador, los mismos deben ser procesados para general 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 son la manera que tiene el sistema difuso de guardar el conocimiento lingustico que le permiten resolver el problema para el cual ha sido diseado. Estas reglas son del tipo IF-THEN. 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.
Otra alternativo de procesamiento en los sistemas difusos fue la propuesta por Sugeno en los sistemas difusos que llevan su nombre.
Fuzzificador y Mecanismo de inferencia difusa: Realizan la misma funcin que en los sistemas Mamdani explicados anteriormente. Base de Reglas Difusas: El consecuente de estas reglas ya no es una una etiqueta lingustica sino que es una funcin de la entrada que tenga el sistema en un momento dado, esto se ilustra a continuacin:
En los sistema difusos tipo Sugeno, los valores que arrojan los concecuentes de las diferentes reglas que se han activado en un momento determinado ya son valores nmericos por lo que no se necesita una tapa 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:
Variable Lingstica
Cuando una variable toma palabras en lenguaje natural como sus valores, es llamada variable lingstica
Una variable lingstica es una variable cuyos valores pueden expresarse mediante trminos del lenguaje natural. Una variable lingstica es caracterizada por (X, T, U, M) donde:
X es el nombre de la variable lingstica T es el conjunto de valores lingsticos que X puede tomar U es el dominio fsico actual en el cual la variable lingstica X toma sus valores cuantitativos M es una regla semntica que relaciona cada valor lingstico en T con un conjunto difuso en U
Variable Lingstica
Ejemplo:
Variable Lingstica
Si el voltaje es entre 0 y 100.000 voltios, los conjuntos asociados a los trminos se definen dentro del conjunto universo U= [0,100 Kv].
Variable Lingstica
Conjuntos Difusos
En la teora estndar de conjuntos, un objeto es miembro del conjunto o no lo es. No existen posibilidades intermedias. En la lgica difusa, se generaliza este concepto, permitiendo que las funciones caractersticas de confianza asuman valores reales, dentro del intervalo 0 .. 1. (Totalmente FALSO = 0; totalmente VERDADERO = 1). La teora de los conjuntos difusos permite que un elemento sea parcialmente miembro de un determinado conjunto
Conjuntos Difusos
U = { Rojo, Verde, Azul, Amarillo, Blanco, Negro }
Un subconjunto difuso R de U, puede ser descrito como: R = { 1,0/Rojo, 0,9/Verde, 1,0/Azul, 0,2/Amarillo, 0,4/Blanco, 0,0/Negro }
Donde los valores indicados representan el grado de pertenencia de cada color al subconjunto difuso R. Como el color negro tiene un grado de pertenencia igual a cero, bien podra ser eliminado del subconjunto: R = { 1,0/Rojo, 0,9/Verde, 1,0/Azul, 0,2/Amarillo, 0,4/Blanco }
Unin: sean A y B dos funciones de pertenencia que representan los conjuntos borrosos A y B respectivamente en el universo X, podemos definir la unin mediante la siguiente funcin de pertenencia:
AUB(x) = Max(A(x),B(x))
La figura siguiente muestra la operacin AND (Y) del conjunto borroso A y el nmero borroso B (el resultado es la lnea azul)
Interseccin: sean A y B dos funciones de pertenencia que representan los conjuntos borrosos A y B respectivamente en el universo X, podemos definir la interseccin mediante la siguiente funcin de pertenencia:
AB(x) = Min(A(x),B(x))
La operacin OR (O) del conjunto borroso A con el nmero borroso B se muestra en la prxima figura (nuevamente, es la lnea azul).
Complementario: sea A una funcin de pertenencia que representa el conjunto borroso A en el universo X, podemos definir el complementario mediante la siguiente funcin de pertenencia:
Ac(x) = 1 A(x)
Esta figura da un ejemplo para una negacin. La lnea azul es la NEGACION del conjunto borroso A.
t-norma: es una operacin binaria T: [0,1] x [0,1] [0,1] que cumple las siguientes propiedades:
Estos operadores representan la interseccin de dos conjuntos borrosos. Ejemplos de t-normas son la funcin del mnimo min(a,b), la del producto prod(a,b) = ab y la de Lukasiewicz W(a,b)=max(0,a+b-1).
t-conorma: es una operacin binaria S: [0,1] x [0,1] [0,1] que cumple las siguientes propiedades:
Conmutativa: S(a,b) = S(b,a) Asociativa: S(a, S(b,c)) = S(S(a,b), c) Elemento neutro: S(a,0) = S(0,a) = a Monotona: si a c y b d entonces S(a,b) S(c,d)
Estos operadores representan la unin de dos conjuntos borrosos. Ejemplos de tconormas son la funcin del mximo max(a,b), la de la suma-producto u OR probabilstico. --sum-prod (a,b) = a+b - ab -- y la de Lukasiewicz W*(a,b)=min(1,a+b).
Regla Difusa
SI <proposicin difusa>
ENTONCES <proposicin difusa> Tipos de proposiciones difusas:
Atmicas: x es A, donde x es una variable lingstica y A es un valor lingstico. Compuestas: Composicin de proposiciones difusatmicas con las conectivas y, o o no, representando interseccin, unin y complemento difuso, respectivamente.
Regla Difusa
Ejemplos: El error es Negativo-Grande
La interpretacin o significado de una proposicin difusa atmica se define mediante la funcin de pertenencia del conjunto difuso Negativo-Grande. El grado de pertenencia de un error concreto al conjunto difuso Negativo-Grande determinar el grado con que se verifica la proposicin difusa.
El siguiente diagrama muestra max-min inferencia y defuzzificacin centroide para un sistema con variables de entrada "x", "y", y "z" y una variable de salida "n". Tenga en cuenta que "mu" es la nomenclatura de lgica difusa estndar de "valor de verdad":
Conmutatividad:
Asociatividad
AB=BA AB=BA
A (B C) = (A B) C = A B C A (B C) = (A B) C = A B C
dempotencia:
AA=A BB=B
Distribucin
A (B C) = (A B) (A C) A (B C) = (A B) (A C) Nulo
AX=X
AX=A
A=A
A=