Académique Documents
Professionnel Documents
Culture Documents
/60
2
Mapa Conceptual del Curso
Introducción a la
Lógica Difusa
Relaciones en
Funciones de Lógica Clásica y Inferencia
Conjuntos
membresía Lógica Difusa Difusas
Difusos
Principio de
Extensión
/60
3
VARIABLES LINGÜISTICAS
/60
4
Variables Lingüisticas
• Es una variable cuyos posibles valores son palabras y
pueden ser representados mediante conjuntos difusos.
/60
5
Variables Lingüisticas
• Una variable numérica toma valores numéricos
Edad = 65
• Una variable lingüística toma valores linguisticos:
Edad es viejo
• Un valor linguistico es un conjunto difuso
/60
7
Ejemplos
• Variable lingüística “temperatura”:
– Valores lingüísticos: Muy Frio, Frio, Templado, Caliente, Muy
Caliente.
– Admite valores numéricos: números reales en [Tmin, Tmax]
– Se pueden proyectar los valores lingüísticos sobre el intervalo:
[Tmin, Tmax] mediante funciones de pertenencia.
/60
8
Dominio Subyacente
• El dominio subyacente es el dominio numérico, en nuestros
dos ejemplos la edad y la temperatura.
• Un valor concreto, crisp (25ºC, por ejemplo):
– Es más específico que una etiqueta lingüística.
– Es un punto del conjunto, mientras que una etiqueta lingüística
es una colección de puntos (temperaturas posibles).
/60
9
Utilidad de las VL
• Es una forma de comprimir información llamada
granulación (granulation):
1. Una etiqueta incluye muchos valores posibles.
2. Ayuda a caracterizar fenómenos que o están mal definidos o son
complejos de definir o ambas cosas.
3. Es un medio de trasladar conceptos o descripciones lingüísticas a
descripciones numéricas que pueden ser tratadas automáticamente
(Relaciona o traduce el proceso simbólico a proceso numérico).
4. Usando el principio de extensión, muchas herramientas ya
existentes pueden ser extendidas para manejar variables
lingüísticas, obteniendo las ventajas de la lógica difusa en gran
cantidad de aplicaciones.
10
/60
Definición formal
Una Variable Lingüística es un conjunto de 5 elementos:
N es el nombre de la variable.
U es el dominio subyacente.
T(N) es el conjunto de términos o etiquetas que puede tomar N.
G es una gramática para generar las etiquetas de T(N):
“muy alto”, “no muy bajo”, “normal”, “bajo y normal”….
M es una regla semántica que asocia cada elemento de T(N) con un
conjunto difuso en U de entre todos los posibles:
M: T(N) F (U)
11
/60
Funciones de Membresía
1 x−a d −x
gbellmf ( x; a, b, c) = 2b trapmf ( x; a, b, c, d ) = max min ,1, ,0
x−c b−a d −c
1+
b
x−a c− x
2
1 x −c
−
gaussmf ( x; a, b, c) = e 2 σ
trimf ( x; a, b, c) = max min , ,0
b − a c − b
12
/60
Granularidad
• Es el número de valores que se definen para una variable
linguistica
• Normalmente se usa un conjunto pequeño de valores para
una variable lingüística.
13
/60
Ejercicio 1
• Diseñe las funciones de membresia para modelar las
siguientes variables lingüisticas, indique las etiquetas que
puede tomar:
14
/60
MODIFICADORES
LINGUISTICOS
15
/60
Modificadores Lenguisticos
• Los valores de una variable lingüística pueden ser:
– Primarios
– Compuestos
16
/60
Modificadores Linguisticos
• Cada modificador (hedge) es un operador H que transforma
el conjunto difuso del término primario L al que afecta en
otro conjunto difuso:
17
/60
1. Concentración
• Se elevar la función de membresía primaría a un valor p,
dado que p > 1.
– MAS
μMAS F (u) = (μF (u) )1.5
– MUY
μMUY F (u) = (μF (u) )2
18
/60
2. Dilatación
• Es la raiz n-ésima o elevar p, tal que p Є [0, 1]
– MAS O MENOS
μMASOMENOSF (u) = (μF (u) )0.5
– MENOS
μMENOSF (u) = (μF (u) )0.75
– POCO
μPOCOF (u) = (μF (u) )0.75
19
/60
3. Intensificación
• Disminuir valores menores que 0.5 y aumentar los
mayores.
– ESPECIALMENTE
μESPECIALMENTE F (u) =
– BASTANTE CERCA DE
μBASTANTE CERCA DE F (u) =
20
/60
4. Difuminación
• Aumentar valores menoras que 0.5 y disminuir los mayores.
– CERCA DE
μCERCA DE F (u) =
– CASI
μCASI F (u) =
21
/60
Operadores Lógicos
Combinar valores
mediante conectivos
lógicos:
22
/60
Modificadores Linguisticos
23
/60
Ejercicio 2
• Sea U = {1,2,…,5} y el conjunto difuso pequeño definido
como:
Calcular:
• Muy pequeño ={ /1 + /2 + /3 + /4 + /5}
• Muy muy pequeño ={ /1 + /2 + /3 + /4 + /5}
• Más o menos pequeño ={ /1 + /2 + /3 + /4 + /5}
24
/60
Ejercicio 3
• Considere la variable lingüística viejo, dado que la
variables está definida por:
No muy viejo =
Mas o menos viejo =
Muy Viejo =
25
/60
REGLAS DIFUSAS IF-THEN
26
/60
Reglas IF - THEN difusas
• Una parte del conocimiento humano es representado en
terminos de reglas IF – THEN clásicas.
27
/60
Proposición Difusa
• Existen dos tipos de proposiciones difusas:
28
/60
Proposición Difusa
• Una propisición difusa compuesta es una composición de
proposiciones atomicas usando los conectivos AND, OR y
NOT.
29
/60
Conectivos AND y OR
• Use la intercepción difusa para el conectivo AND
• y es B y x es A, es interpretado como la relación difusa:
A ∩ B in U x V con funciones de membresía.
30
/60
Conectivo NOT
• Use el complemento difuso para el conectivo NOT
31
/60
INTERPRETACION DE LA
REGLA DIFUSA IF-THEN
32
/60
Cuantificación de la Verdad
• Obtener un conjunto difuso A tal que:
“X es Ai” es equivalente a τi = “X es A”.
• El ti actúa como una restricción elástica: A(x) = ti (Ai (x)) ∀x ∈ X
• A(x) = Verdad (Ai (x)) = Ai (x); A(x) = Muy_Verdad (Ai (x)) = A2i (x);
• A(x) = Falso (Ai (x)) = 1–Ai (x); A(x) = Más o menos (Ai (x)) =A0.5i (x);
IF x es A entonces y es B
If x es A then y es B.
antecedente consecuente
o o
premisa conclusión
34
/60
Ejemplos
• Si la presión es alta, entonces el volumen es pequeño.
• Si el camino es deslizadizo, entonces el conducir es
peligroso.
• Si un tomate es rojo, entonces es maduro.
• Si la velocidad es alta, entonces aplique un pequeño freno.
35
/60
Ejercicio 4
• Diseñe 5 nuevas reglas difusas en los que los dominios
subyacentes sean diferentes.
36
/60
IF p THEN q
• En el cálculo proposicional clásico (lógica clásica), la
expresión IF p THEN q es escrito como p q donde la
implicación es definida mediante la siguiente tabla.
p q pq
V V V
V F F
F V V
F F V
A → B ≡ If x es A then y es B
37
/60
IF p THEN q
• Aquí pq es equivalent a (¬p V q) y a (pΛq)V¬p,
donde los simbolos representan operaciones logicas
clásicas.
38
/60
Reglas Difusas como Relaciones
A → B ≡ If x is A then y is B.
R
Una regla difusa puede ser
definida como una relación
µ R ( x, y ) = µ A →B ( x , y )
binaria con la siguiente
función de membresía.
Depende de como se
interprete A → B
39
/60
Implicaciones Conocidas
• Implicación Dienes-Rescher
• Implicación Lakasiewics
• Implicación Zadeh
• Implicación Godel
• Implicación Mandani
40
/60
Implicación Dienes-Rescher
•
41
/60
Implicación Lakasiewics
•
42
/60
Implicación Zadeh
•
43
/60
Implicación Godel
•
44
/60
Interpretación de reglas difusas IF-THEN
• ¿Qué criterio escogemos para combinar los operadores
difusos t-norma, s-norma y complemento?
• ¿Son (¬p V q) y (pΛq)V¬p aún equivalentes a pq
cuando p y q son proposiciones difusas?
45
/60
Implicación Mandani
•
46
/60
Interpretación de reglas difusas IF-THEN
A B AB
• Existen dos vías para interpretar
V V V
“if x es A then y es B”
V F F
F V V
F F V
B B
-B
xx xx
A A
47
/60
Implicación difusa
48
/60
Implificación difusa
49
/60
Ejemplo
• Sea x1 la velocidad de un carro, x2 la aceleración e y la
fuerza aplicada al acelerador.
• Usando el producto algebraico para la t-norma en la
primera proposición y la implicación Dienes-Rescher,
encuentre la función de membresía de la siguiente regla
difusa:
50
/60
Ejemplo
• Las funciones de membresía de los conjuntos difusos son:
51
/60
Ejemplo
• Los dominios de x1, x2 e y son U1 = [0, 100], U2 = [0, 30] y
V = [0, 3].
52
/60
Ejemplo
• Para la implicación Dianes-Reschr la regla es interpretada
como una regla difusa con función de membresía.
53
/60
Ejemplo
• El ultimo paso es convinar los resultados previo con
54
/60
Ejemplo
• La función de membresia es:
55
/60
Ejercicio 5
56
/60
Ejercicio 6
57
/60
PREGUNTAS
58
/60