Lgica Difusa y su aplicacin por medio de Redes Neuronales Artificiales

Introduccin Antes de exponer una aplicacin de la lgica difusa hay que entender bien su concepto, y para esto, se la va a diferencia de la lgica tradicional la cual utiliza enunciados estrictamente demarcados, es decir que realiza afirmaciones que son de carcter univoco, de esta forma se los puede ubicar dentro de conjuntos bien definidos y separados. En cambio la lgica difusa permite que los predicados (de ahora en ms elementos) se puedan ubicar en ms de un conjunto a distinto nivel de membresa. Para conformar estos conjuntos, los elementos ya no toman un valor de verdadero o falso, sino que se podra hablar de grados de verdad o falsedad que surgen de una funcin de pertenencia propia de cada conjunto que indican en qu medida los elementos formas parte en cada uno. Las reglas de inferencia son basadas en reglas heursticas de la forma SI (antecedente) ENTONCES (consecuente) donde antecedente y el consecuente son tambin conjuntos difusos. Con esto, el resultado de la aplicacin de mtodos de inferencia es un rea final fruto de un conjunto de reas solapadas entre s y para escoger una salida concreta se utilizan varios mtodos, siendo el centroide el ms usado. Al trabajar sobre conjuntos, todas las operaciones sobre estos son validas para obtener subconjuntos y usarlos como antecedente o consecuente dentro de una regla. Los Elementos propios de esta lgica tienen un lenguaje que se adapta mejor al mundo real en el que vivimos, dado que funciona con cuantificadores de nuestro leguaje. Ejemplos de conjuntos de elementos: Hace mucho frio Hace muchsimo calor Hace un poco de calor. Ejemplos de reglas heursticas: Hace mucho frio ENTONCES Aumento mucho la temperatura Hace un poco calor ENTONCES Disminuyo levemente la temperatura Lo que da a esta lgica funcionalidad til para su aplicacin prctica son las reglas de inferencias dado que de estas derivan las acciones de decisin, por tal motivo su generacin toma un papel importante que debe ser analizado. Un motor de reglas de inferencia puede ser formulado por expertos o aprendidas por el propio sistema. Ambas formulaciones poseen ventajas y desventajas, por lo que su eleccin al momento de resolver un problema con la lgica difusa esta dado por varios aspectos que se deben tener en cuenta, como por ejemplo la complejidad del problema y la flexibilidad del sistema. Si bien hay muchos modelos matemticos formulados para distintos problemas que pueden ser usados por los expertos, aun quedan muchos ms de complejidad muy superior que no tienen una solucin definida o su solucin alcanza tiempos exponenciales, para estos

problemas se destaca el potencial de los sistema de aprendizaje para las reglas de inferencias, y entre estos el uso de las redes neuronales, por tal motivo el tema central de esta monografa es la de explorar ese potencial en el uso aplicado de la lgica difusa. Concepto de las Redes Neuronales Artificiales: El eje central de este sistema es la de imitar el comportamiento del sistema nervioso de los animales. Esto es, un grupo de neuronas que interaccionan entre si y colaboran para producir una estimulo de salida. Esta salida surge de tres funciones que procesan las entradas recibidas a travs de las interconexiones, estas son la funcin de propagacin o de excitacin, la de activacin que modifica la anterior y la funcin de transferencia que trabaja a partir del valor dado por la de activacin. Una funcin de propagacin calcula el peso resultante de todas las seales excitatorias e inhibitorias de las entradas luego una funcin de activacin establece el nivel o grado de activacin de la neurona en funcin al peso total de entrada, esto es el valor de la salida que adems puede pasar por una funcin de transferencia si se quiere una interpretacin distinta para la misma.