Lógica Difusa

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

Extensión de la Lógica Multivaluada

que está relacionada y fundamentada en
la teoría de Conjuntos Difusos, según esta
teoría el grado de pertenencia de un
elemento a un conjunto va a estar
determinado por una función de
pertenencia, que puede tomar todos los
valores reales comprendidos en el
intervalo [0,1].
 Introducción histórica
 Aristóteles consideraba que existían ciertos
grados de veracidad y falsedad. Platón había
considerado grados de pertenencia.

 En el siglo XVIII el filósofo y obispo anglicano

Irlandés, George Berkeley y David Hume
describieron que el núcleo de un concepto atrae
conceptos similares. Hume creía en la lógica del
sentido común, éste es el razonamiento basado
en el conocimiento que se adquiere en forma
ordinaria
 El filósofo y matemático británico Bertrand
Russell, a principios del siglo XX. estudió las
vaguedades del lenguaje, concluyendo con
precisión que la vaguedad es un grado
 El filosofo austríaco Ludwing Wittgenstein
estudió las formas en las que una palabra
puede ser empleada para muchas cosas que
tienen algo en común
 La primera lógica de vaguedades fue
desarrollada en 1920 por el filósofo Jan
Lukasiewicz. Visualizó los conjuntos con un
posible grado de pertenencia con valores de
0y1
 El filósofo cuántico Max Black define en 1937 el primer
conjunto difuso mediante una curva que recogía la frecuencia
con la que se pasaba de un estado a su opuesto, su idea
pasó totalmente inadvertida dado que iba en contra del
empirismo lógico que para entonces primaba entre los
filósofos de la ciencia
 En los años sesentas Lofti Zadeh, basado en las ideas de
Black, ¿descubrió o creó? la lógica difusa, que combina los
conceptos de la lógica y de los conjuntos de Lukasiewicz
mediante la definición de grados de pertenencia.
 Conjuntos clásicos
versus
Conjuntos difusos
 Definición de conjuntos clásicos según Cantor
“...Entendemos por conjunto cualquier reunión
en un todo M de determinados objetos bien
distinguidos m de nuestra intuición o
pensamiento...”
 Esto significa que la existencia del conjunto
depende de la determinación precisa de
cuales elementos pertenecen y cuales no a
dicho conjunto (Dedekind)
 En los conjuntos difusos la pertenencia de
un elemento a un conjunto no es tan
drástica. El elemento puede tener un grado
de membresía a dicho conjunto

 Los conjuntos clásicos se pueden

representar de 3 formas

1) Nombrando los elementos del conjunto

Ej: A={a,e,i,o,u}
2) Definiendo una expresión que los miembros
cumplan
Ej: A={x| x es una letra vocal}
3) Definido por una función característica ΨA
1 x ∈ A
ΨA ( x ) =  
0 x ∉ A 
Esta función mapea los elementos del
conjunto universo a los elementos del conjunto
{0,1}.
Para cada Ψ A ( x) = 1 entonces x es miembro de
A
x
ΨA (x)
a 1
b 0
e 1
u 1
w 0
i 1
 En los conjuntos difusos la función
característica mapea los elementos al
intervalo real [0,1]
 Formalmente

Sea X conjunto universo clásico tal que x

sean sus elementos, esto es x ∈ X . Un
conjunto difuso A lo definimos mediante
A = { ( x, A (x) ) | x ∈ X }
Donde
A(x): Función de membresía
Ejemplos:
A: Conjunto de los hombres jóvenes
B: Conjunto de los hombres de edad media
C: Conjuntos de los hombres viejos

 Cada uno de los conjuntos no posee límites

claros y se pueden representar mediante
conjuntos difusos.
 Los conjuntos difusos son una forma de
representar imprecisión e incertidumbre
Las funciones de pertenencia podrían ser:
 Tipos de funciones de
membresía
 Engeneral se puede utilizar cualquier
función continua que mapee los de un
conjunto universo clásico dado a
elementos al intervalo [0,1], las más
comunes son:
Sigmoide
Diferencia entre 2 sigmoides
Función Gaussiana
Curvas basadas en Splines
Función triangular
 ¿Cómo elegir la función de
membresía?
 Hay varias formas, el método a elegir
depende de la aplicación en particular
 El método más sencillo es el Horizontal
 Se basa en las respuestas de N expertos
 La pregunta tiene el siguiente formato
¿Puede ser x considerado compatible con el
concepto A?
 Sólo se acepta un “si” o “no” por respuesta,
Luego
A(x)=(Respuestas afirmativas)/N
 Otros Métodos
 Vertical
 Método de comparación de parejas
(Saaty,1980)
 Métodos basados en la especificación del
problema
 Métodos basados en la optimización de
parámetros
 Métodos basados en la Agrupación difusa
(fuzzy clustering)
 Algoritmo “Fuzzy Isodata” (Bezdek,1981)
 Operaciones básicas sobre
conjuntos difusos
 Las operaciones básicas en los conjuntos clásicos
son 3

 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

 Según las preferencias del individuo se pueden

construir los siguientes conjuntos difusos
Características de los locales
Precio Cerveza ($) A ños de servicio (años) Cuadras
Local 1 1400 3 3
Local 2 800 7 12
Local 3 1000 4 9
Local 4 1250 5 10

 Debido al planteamiento debemos intersectar

los conjuntos
 La solución clásica impone que
 Precio cerveza<=$1000
 Años de servicio>=5 años
 Cuadras<=10 cuadras
 Como se deben intersectar los conjuntos,
según la solución clásica el local debe estar
a lo mas a 10 cuadras, tener a lo menos 5
años de servicio y que la cerveza cueste a
lo más $1000
 SOLUCIÓN
S o lu c ió n
P r e c i o C e r v e z a A($ñ) o s d e se r v i c i oC u a d r a s c l á si c a
L oca l 1 0 0 1 0
L oca l 2 1 1 0 0
L oca l 3 1 0 1 0
L oca l 4 0 1 1 0

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”.

 Mediante la solución difusa deducimos

que el individuo posiblemente hubiera
ido al Local 3 a disfrutar su cerveza
 Complementos, t-normas
y t-conormas
 Las operaciones básicas no son únicas
 Existe una diversos tipos de
complementos difusos, de uniones
difusas,llamadas t-conormas, y de
intersecciones difusas, llamadas t-
normas
 Complementos difusos
 Dado un conjunto difuso A definido en X,tal
que x ∈ X, por definición el complemento de
A se puede interpretar como el grado en que
x no pertenece a A
 Comp= C : [0,1] —> [0,1]
 Los complementos deben satisfacer los
siguientes axiomas
 AxC1: C(0)=1 y C(1)=0
 AxC2: ∀a, b ∈ [ 0,1] si a ≤ b Entonces C ( a ) ≥ C (b)
 AxC3: C es una función continua
 AxC4: C es involutiva C [ C ( a) ) ] = a Para cada
a ∈[0,1]
 Tipos de complementos
Complemento Expresion Rango parámetros

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

Intersección i (a, b) = max( 0, a + b − 1)

drástica

a cuando b = 1
Yager  
i ( a, b) = b cuando a = 1
Schweizer & Sklar 0 otro caso 
 


[
i (a, b) = 1 − m in1, (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 



S chweizer & Sklar

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

T(velocidad)={lento, moderado, rápido, muy lento, mas

o menos rápido, ...}
 Cada término es caracterizado por un número difuso
definido sobre un conjunto universal X=[0,100]
 Podemos interpretar las etiquetas

Lento como “una velocidad menor a 40 Km/h”

Moderado como “una velocidad cercana a 55 Km/h”
Rápido como “una velocidad alrededor de 70 Km/h”
 Podemos encontrar el número difuso
“muy lento” o “mas o menos lento” a
partir de “lento”
( muy Lento ) ( x) = ( Lento ) p
( x) p >1
(mas o menos Lento)( x) = ( Lento ) (x) 0 < p < 1
p
 Implicaciones difusas
 Caso clásico
p → q es interpretado como ¬( p ∧ ¬q )
 La interpretación completa de la implicación
material p → q cuantifica el grado de verdad en
que la proposición q es por lo menos tan verdad
como p
1 Si τ ( p ) ≤ τ (q)
τ ( p → q) =  
0 Otro caso 
τ ( p)
1 1
τ (q ) 1 τ ( p → q)
0 1 1
0 0 1
1 0 0
 Usando la interpretación de la implicación
podemos definir la implicación difusa
p → q = ¬( p ∧ ¬q ) = ¬p ∨ q
Puede ser extendida por el operador de
Kleene-Dienes
A( x) → B( x) = max(1 − A( x), B( x) )
 Existen varios operadores de implicación
difusa, uno de los más utilizados en la
práctica es el de Mandani
A( x) → B ( x) = min( A( x), B( x) )
Otros operadores de implicación difusa
Nombre Definción
x→ y=
Early Zadeh
Lukasiewicz max (1 − x, min( x, y ) )
min (1,1 − x + y )
Larsen

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

Que puede ser interpretado como

Si p es verdadero y p → qes verdadero entonces q
es verdadero
 La inferencia difusa de la implicación está
basada en la regla composicional de
inferencia
Regla composicional de inferencia
Premisa Si x está en A entonces y está en B
Hecho x está en A'
Consecuencia y está en B'

Donde B’ está determinado por la siguiente

composición
B ' = A'( A → B )
Que está dada por
B ' (v) = sup min[ A' (u ), ( A → B ) (u , v)], v ∈ V
u∈U
 En casos prácticos se utiliza la composición
sup-T, donde T es una t-norma
B ' (v) = sup ( T [ A' (u ), ( A → B ) (u , v)] ) , v ∈ V
u∈U
 Propiedades
Propiedad Básica
Si x está en A entonces y está en B Si la presión es grande entonces el volumen es pequeño
x está en A presion es grande
y está en B volumen es pequeño

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

Una operación OWA es la función

hw ( A1 + A2 + ... + An ) = w1b1 + w2b2 + ....wnbn = W , B
Donde B es una permutación del vector A en el
cual los elementos son ordenados tal que
bi ≥ b j si i < j para algún par i, j ∈ N
Ej: Para x=x0
W=(0.5,0.2,0.3) A=(0.2,0.7,0.9)
B=(0.9,0.7,0.2)
H=0.5*0.9+0.2*0.7+0.3*0.2=0.65
 Métodos de Defuzificación
 La salida de un proceso de inferencia es un conjunto difuso,
en procesos en línea se requieren usualmente valores crisp
 Algunos operadores de defuzificación
 Operador centro de gravedad (Centroide):

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

 Ultimo máximo(Lom): Se calcula el mayor

valor de los que maximizan A
 Bisector: Retorna el bisector del área de
defuzificación de A
 Mecanismos de inferencia
 Asumamos por simplicidad que un sistema
posee 2 reglas de la forma
R1: Si x está en A1 e y está en B1
Entonces z está en C1
también
R2: Si x está en A2 e y está en B2
Entonces z está en C2
Hecho: x es x 0 e y es y 0
Consecuencia: z es C
 Mecanismo de Mandani
 La implicación difusa es modelada por el operador de
Mandani y la sentencia conectiva “también” por el
operador max.
 Procedimiento
Primero los niveles de cada regla
α 1 = A1 ( x 0 ) ∧ B1 ( y 0 )
α 2 = A2 ( x 0 ) ∧ B 2 ( y 0 )
Luego la salida del sistema mediante
C ( w) = (α 1 ∧ C1 ( w) ) ∨ (α 2 ∧ C 2 ( w) )

Para luego obtener una salida crisp mediante algún

método de defuzificación
 Mecanismo de Tsukamoto
 Todos lo términos linguísticas deben tener funciones
de membresía monótonas
 Procedimiento

Primero los niveles de cada regla

α 1 = A1 ( x 0 ) ∧ B1 ( y 0 )
α 2 = A2 ( x 0 ) ∧ B 2 ( y 0 )

Los mecanismos de control crisp z1 y z 2 son

computados mediante las ecuaciones
α 1 = C ( z1 ) α 2 = C ( z2 )

Luego se encuentra el valor crisp de salida del sistema

mediante α 1 z1 + α 2 z 2
z0 =
α1 +α 2
 Mecanismo de Sugeno y Takagi (1985)
R1: Si x está en A1 e y está en B1 Entonces z1 = p1 ⋅ x + q1 ⋅ y
también
R2: Si x está en A2 e y está en B2 Entonces z 2 = p 2 ⋅ x + q 2 ⋅ y
Hecho: x es x 0 e y es y 0
Consecuencia: z0
 Procedimiento

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) )

Y el valor crisp se obtiene por defuzificación

Controladores Difusos
 Modelación de un controlador de
temperatura para procesadores
mediante lógica difusa: parte 1
 Entradas al sistema
 Temperatura: Medida con un termómetro en grados
 Flujo de Información:Medida en porcentaje
 Salida del sistema
 Velocidad en RPM
 La modelación se realizó para un procesador que
poseía un ventilador de velocidad máxima 5000 Rpm
Conjuntos difusos empleados
 Reglas
 R1: IF Temperatura es Alta y Procesamiento Alto
THEN Velocidad Alta
 R2: IF Temperatura es Alta y Procesamiento Normal
THEN Velocidad Alta
 R3: IF Temperatura es Media y Procesamiento Alto
THEN Velocidad Media
 R4: IF Temperatura es Media y Procesamiento
Normal THEN Velocidad Media
 R5: IF Temperatura es Baja y Procesamiento Alto
THEN Velocidad Baja
 R6: IF Temperatura es Baja y Procesamiento
Normal THEN Velocidad Baja
 Como mecanismo de inferencia se
utilizó el mecanismo de Mandani
 Como método de defuzificación se
probaron varios disponibles en el
software Matlab
Centroid
Bisector
Mom
Som
Lom
 Resultados
V el c entroide V el B is ec tor V el M om V el S om V el Lom
x 0 (º) y 0 (% )
(k RP M ) (k RP M ) (k R P M ) (k R P M ) (k RP M )
5 5 1,117 1,100 1,100 0,000 2,000
120 100 3,883 3,900 4,000 3,000 5,000
70 70 2,500 2,500 2,500 2,000 3,000
90 70 3,883 3,900 4,000 3,000 5,000
85 70 3,566 3,650 4,000 3,000 5,000
70 95 2,500 2,500 2,500 2,000 3,000
40 95 1,117 1,100 1,000 0,000 2,000
80 85 3,384 3,400 3,500 2,000 5,000
 Conclusiones de la modelación
 Hay que combinar los métodos de
defuzificación para obtener mejores
resultados
 Probar otros mecanismos de inferencia
 Realizar mediciones para optimizar el
proceso y las funciones de membresía,
interiorizarse más en el problema
¿Cuándo ocupar lógica difusa?
 Según Sur y Omron (1997)
 En procesos complejos, si no existe un modelo de
solución sencillo
 En procesos no lineales
 Cuando haya que introducir la experiencia de un operador
“experto” que se base en conceptos imprecisos obtenidos
de su experiencia
 Cuando ciertas partes del sistema a controlar son
desconocidas y no pueden medirse de forma fiable
 Cuando el ajuste de una variable puede producir el
desajuste de otras
 En general cuando se desea representar y operar con
conceptos que tengan imprecisión o incertidumbre
Desventajas de la lógica difusa
 Estabilidad
No hay garantía teórica que un sistema difuso no tenga un
comportamiento caótico y no siga siendo estable, aunque
tal posibilidad parece ser baja debido a los resultados
obtenidos hasta ahora
 Capacidad de aprender
Son sistemas sin memoria, no poseen la capacidad de
aprender
 La determinación de las funciones de membresía
y las reglas no siempre son sencillas
 Existe la mala concepción de que la lógica
difusa es algo “mágico” sin fundamento
matemático
 Verificación de los modelos y sistemas
difusos expertos requiere de gran cantidad
de pruebas
 Aplicaciones históricas
 En 1974 Mandani diseñó el primer sistema de control
difuso experimental para un motor de vapor
 En 1980 una compañía danesa (F.L.Smidth & Co.
A/S) usa teoría difusa para control de un horno de
cemento
 En 1980 Fuji Electric Co. Ltda (Japón) implementa un
sistema de inyección química para plantas
purificadoras de agua
 En 1987 empieza a funcionar el Regulador
Automático De las Operaciones De Trenes Del Metro
De Sendai (Japón) diseñado por el equipo Hitachi,
ésta hace el viaje más cómoda al controlar las
aceleraciones y frenadas en función de los pasajeros
 En 1990 empiezan en Japón las aplicaciones
domésticas, tales como:
Lavadoras fuzzy
Ollas cocineras de Arroz (Cocedora de arroz de
la marca Zojirushi)
Cámaras de video y fotográficas,etc...
 Aplicaciones Generales
 Control de sistemas: Control de tráfico de vehículos,
Control de compuertas en plantas hidroeléctricas y
térmicas,ascensores, etc...
 Predicción y optimización: Predicción de terremotos,
optimización de horarios, etc....
 Reconocimiento de patrones y Visión por ordenador:
Seguimiento de objetos con cámara, reconocimiento de
letra manuscrita, de objetos, compensación de
vibraciones,etc..
 Sistemas de información y conocimiento: Bases de datos,
sistemas expertos, etc...
 Trabajos a futuro
 Aplicar Inteligencia computacional a
acústica, vibraciones y procesamiento
de señales
 Aplicar específicamente lógica difusa
en evaluación de recintos
 Ahondar más en el aspecto teórico de
la lógica difusa
 Conclusiones
 Se desarrollaron algunos de los
aspectos fundamentales de la lógica
difusa
 Se presentaron aplicaciones sencillas
para ejemplificar las potencialidades
 Fuentes de información
 G.Klir y B. Yuan, Fuzzy sets and fuzzy logic: theory
and applications ,Prentice Hall PTR, 1995
 R.R. Yager ed., Fuzzy sets and applications.
Selected papers by L.A. Zadeh, John Wiley & Sons,
New York, 1987)
 R. Fuller, Neural Fuzzy Sistems, Abo Akademi
University, 1995
 Tutorial Lógica Difusa, Dpto. de Lenguajes y Ciencias
de la Computación, Universidad de Málaga
 Y. Pao, Adaptive pattern Recognition & Neural
Networks, Addison-Wesley, 1989
 Fin de la presentación
Gracias por asistir al seminario