Académique Documents
Professionnel Documents
Culture Documents
R. Venegas C.
Profesor guía: R.Correa
Seminario:
Nuevos paradigmas en inteligencia
Santiago / Chile
16-19 Diciembre 2003
rolo_venegas@yahoo.es
Temas
Definición
Introducción histórica
Conjuntos clásicos vs conjuntos difusos
Tipos de funciones de membresía
¿Cómo elegir la función de membresía?
Operaciones básicas sobre conjuntos difusos
Aplicación sencilla
Complementos, t-normas y t-conormas
Flexibilidad de la matemática difusa
Variables Linguísticas
Implicancias difusas
Temas
Teoría del Razonamiento aproximado
Operaciones de agregación
Métodos de Defuzificación
Mecanismos de Inferencia
Controladores difusos
Modelación de un controlador de temperatura para procesadores mediante lógica
difusa: Parte 1
¿Cuándo ocupar Lógica Difusa?
Desventajas Lógica difusa
Aplicaciones históricas
Aplicaciones generales
Trabajos a futuro
Conclusiones
Definición Lógica difusa
Unión A B A U B A U B
1 1 1 m a x (1 , 1 )= 1
Ej: 1 0 1 m a x (1 , 0 )= 1
0 1 1 m a x (0 , 1 )= 1
A={a,e,i,o,u} 0 0 0 m a x (0 , 0 )= 0
B={b,c,d}
AUB={a,e,i,o,u,b,c,d}
Intersección
Ej A B
A∩ B A∩ B
1 1 1 m in(1,1)=1
A={1,2,3} 1 0 0 m in(1,0)=0
0 1 0 m in(0,1)=0
B={2,3,4,5} 0 0 0 m in(0,0)=0
A ∩ B={2,3}
Complemento
Ej A Comp(A)
1 0
X = { x | x ∈ N ∧ x < 5}
A={1,2,3}
0 1
Comp(A)={4}
La extensión natural para las operaciones
está dada por
Unión difusa standard
( A ∪ B ) ( x) = max( A( x), B( x) )
Intersección difusa standard
( A ∩ B ) ( x) = min ( A( x), B( x) )
Complemento difuso standard
Comp ( A)( x ) =1 − A( x )
Aplicación 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
Aquí podemos distinguir tres conjuntos difusos
1) Cerveza barata
2) Local tradicional
3) Cercanía a su hogar
Para él :
Una cerveza barata es una que cueste alrededor
de $1000 o menos
Un local tradicional es un local que al menos tenga
5 años funcionando.
Que quede cerca de su casa es que no quede a
más de 10 cuadras
P r e c i o C e r v e z Aa ñ(o$ s) d e s e r v i cCi uo a d r a sS o l u c i ó n d i f u s a
Loca l 1 0 ,2 0 ,5 1 0 ,2
Loca l 2 1 1 0 ,6 6 6 7 0 ,6 6 6 7
Loca l 3 1 0 ,8 7 5 1 0 ,8 7 5
Loca l 4 0 ,5 1 1 0 ,5
Mediante la solución clásica el individuo
se hubiera quedado en su hogar, lo
cual no es “consistente” con la hipótesis
“Tiene Sed”.
Tipo umbral
1 a ≤ t 0 < t <1
C (a) =
Clase Sugeno
0 a > t
1− λ
ClaseYager C λ (a ) = λ ∈ ( − 1, ∞)
1 + λa
( )
1
Cω (a) = 1 − a ω ω
ω ∈ ( 0, ∞)
ψ 2 (1 − a ) ψ >0
Cψ (a) =
a +ψ 2 (1 − a )
T- normas
La intersección de 2 conjuntos A y B es una
operación binaria sobre el intervalo unitario
i : [ 0,1] × [ 0,1] → [ 0,1]
( A ∩ B ) ( x) = i( A( x), B( x) )
Una t-norma satisface los siguientes axiomas
AxI1: i (a,1) = a
AxI2: b ≤ d ⇒ i (a, b) ≤ i (a, d )
AxI3: i (a, b) = i (b, a )
AxI4:
i (a, i ( b, d ) ) = i (i ( a, b ) , d )
AxI5: i es una función continua
AxI6: i (a, a) < a
AxI7: a1 < a2 ∧ b1 < b2 ⇒ i (a1 , b1 ) ≤ i (a2 , b2 )
Tipos de t-normas
∀a, b ∈ [ 0,1]
T-norma Expresion Rango parámetros
Producto Algebraico
i ( a, b) = a ⋅ b
Diferencia Límite
a cuando b = 1
Yager
i ( a, b) = b cuando a = 1
Schweizer & Sklar 0 otro caso
[
i (a, b) = 1 − m in1, (1 − a ) + (1 − b )
ω ω
] 1
ω
ω >0
[ (
i (a, b) = max 0, a + b − 1 p p
)] 1
p p≠0
T- conormas
La unión de 2 conjuntos A y B es una operación
binaria sobre el intervalo unitario
u : [ 0,1] × [ 0,1] → [ 0,1]
( A ∪ B ) ( x) = u ( A( x), B( x) )
Una t-conorma satisface los siguientes axiomas
AxI1:
AxI2: u (a,0) = a
AxI3: b ≤ d ⇒ u (a, b) ≤ u (a, d )
AxI4: u (a, b) = u (b, a)
u (a, u ( b, d ) ) = u (u ( a, b ) , d )
AxI5: u es una función continua
AxI6: u (a, a) > a
AxI7: a1 < a2 ∧ b1 < b2 ⇒ u (a1 , b1 ) < u (a2 , b2 )
Tipos de t-conormas
∀a, b ∈ [ 0,1]
T-conorma Expresion Rango parám etros
Suma Algebraico u ( a, b) = a + b − a ⋅ b
Sum a Lím ite u (a, b) = min(1, a + b)
a cuando b = 0
Unión drástica u ( a , b ) = b cuando a = 0
1 otro caso
Yager
[
u (a, b) = min 1, ( a ) + ( b )
ω ω
] 1
ω
ω >0
[ (
u (a, b) = 1 − max 0, (1 − a ) + (1 − b ) − 1
p p
)] 1
p
p≠0
Flexibilidad de la matemática
difusa
Mediante el siguiente teorema se pueden
construir nuevas t-conormas a partir de una
dada
Teorema
Sea u una t-conorma y g : [ 0,1] → [ 0,1] una función
tal que sea estrictamente creciente y continua
en (0,1) y que g(0)=0 y g(1)=1. Entonces la
función U definido por
U (a, b) = g ( −1) ( u ( g ( a), g (b) ) ) ∀a, b ∈ [ 0,1]
Es una t-conorma
Donde
0 z ∈ ( − ∞,0)
g ( −1) ( z ) = g −1 ( z ) z ∈ [ 0, g (1)]
1 z ∈ ( g (1), ∞ )
Consideremos
g (a) = a 2
0 z ∈ ( − ∞,0 )
( −1)
g ( z) = z [
z ∈ 0,1]
1 z ∈ (1, ∞)
u (a, b) = a + b − ab
g (a) = a 2 g( b) = b 2
u (a 2 , b 2 ) = a 2 + b 2 − a 2b 2
U ( a, b) = a 2 + b 2 − a 2b 2 ∀a, b ∈ [ 0,1]
Variables linguísticas
Una variable linguística es caracterizada por una quíntupla
Donde ( x, T ( x), X , G, M)
x: Variable base (nombre de la variable)
T(x): Conjunto de términos linguísticos de x que refieren
a la variable base
X: Conjunto universo
G: Es una regla sintáctica (gramática) para generar
términos linguísticos
M: Es una regla semántica que asigna cada término
con su significado
t ∈T
Ejemplo de variable linguística
La velocidad puede ser interpretada como una
variable lingüística
T(velocidad) podría ser
Estándar estricta
x⋅ y
Gödel 1 Si x ≤ y
0 Otro caso
Gaines
1 Si x ≤ y
Yager
y Otro caso
1 Si x < y
y
x Otro caso
yx
Teoría del Razonamiento
aproximado
Fue introducida por Zadeh. Provee un potente
mecanismo para razonar con información
imprecisa o incierta
La más importante regla de inferencia es el
Modus Ponens Generalizado (GMP)
Modus Ponens clásico dice
Premisa Si p entonces q
Hecho p
Consecuencia q
Total indeterminación
Si x está en A entonces y está en B Si la presión es grande entonces el volumen es pequeño
x no está en A presión no es grande
y está indeterminado volumen indeterminado
Subconjunto
Si x está en A entonces y está en B Si la presión es muy grande entonces el volumen es pequeño
x está en presión es grande
y está en B volumen es pequeño
Superconjunto
Si x está en A entonces y está en B Si la presión es muy grande entonces el volumen es muy pequeño
x está en A' presión es grande
y está en volumen es pequeño
A' ⊂ A
B' ⊃ B
Operaciones de Agregación
Son operaciones mediante las cuales
se puede llevar varios conjuntos difusos
a uno sólo
Una clase de operaciones de
agregación es la media generalizada
1
α
A + A + .... A
α α
α
hα ( A1 , A2 ,..., An ) =
1 2 n
n
Operadores OWA (Ordered weighted
averaging operation)
Sea W = ( w1 , w2 ,..., wn ) n vector de pesos tal que
wi ∈ [ 0,1]∀i ∈ N y ∑ wi = 1
i =1
z A( z )
Primer máximo(Som):
∑
j j
z0 =
∑ A( z )j
(
z 0 = min z | A( z ) = max A( w)
w
)
{ w
}
Criterio del máximo z0 ∈ z | A( z ) = max A( w)
Media de máximos (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 área de A que queda a la derecha y a la
izquierda
z0 ∞
∫ A( x)dx = ∫ A( x)dx
−∞ z0
Primero α 1 = A1 ( x 0 ) ∧ B1 ( y 0 )
α 2 = A2 ( x 0 ) ∧ B 2 ( y 0 )
∗
Luego se computa 1 = p1 x 0 + q1 y 0
z z 2∗ = p2 x0 + q2 y0
α1 z1∗ + α 2 z 2∗
Y la salida crisp z0 =
α1 + α 2
Mecanismo de Larsen
La implicación difusa es modelada por el
operador de Larsen (producto usual) y las
sentencias “también” por el operador max
Procedimiento
Calcular α 1 = A1 ( x 0 ) ∧ B1 ( y 0 )
α 2 = A2 ( x 0 ) ∧ B 2 ( y 0 )
La función de salida
C ( w) = (α 1 ⋅ C1 ( w) ) ∨ (α 2 ⋅ C 2 ( w) )