Observar el siguiente video: Convolución Discreta Ver el siguiente video: Operaciones de Señales discretas

https://www.youtube.com/watch?v=axeqEn4kL28
https://www.youtube.com/watch?v=3PflHiLSFzM
Saberes previos:
▪ ¿Cuál es la diferencia entre conjuntos y conjuntos crisp?
▪ ¿Cuál es la diferencia entre conjuntos crisp y conjuntos difusos?
▪ ¿Cuál es la diferencia entre la computación numérica y la
computación simbólica?
▪ ¿Cuáles son los tipos de funciones de pertenencia de los
conjuntos difusos?
▪ ¿Cuál es la diferencia entre valor lingüístico y variable lingüística?
▪ ¿Cuál es la diferencia entre el universo del discurso y la variable
lingüística?
REDES NEURONALES Y LOGICA DIFUSA

Semana 14. Sesión 1:

Conjuntos difusos y función de pertenencia

Profesor
Mag. Jose Carlos Benítez Palacios
 LOGRO DE LA SESIÓN
Al finalizar la sesión el estudiante construye
conjuntos crisp y conjuntos difusos para su trabajo
de laboratorio.
 CONTENIDO:
1. Introducción
2. Conjuntos crisp y conjuntos difusos
3. Funciones de pertenencia
4. Definiciones
5. Práctica

Datos/Observaciones
1. Introducción

Conjuntos Difusos y su Lógica Difusa (o borrosa):

• La palabra fuzzy viene del ingles fuzz (tamo,
pelusa, vello) y se traduce por difuso o borroso.
• Lotfi A. Zadeh: Es el padre de toda esta teoría
(Zadeh, 1965).
• Importancia: En la actualidad es un campo de
investigación muy importante, tanto por sus
Lofti Asker Zadeh, matemático, ingeniero e
implicaciones matemáticas o teóricas como por informático nacido en febrero de 1921 fue la persona
sus aplicaciones prácticas. que introdujo en 1965 la idea de conjuntos difusos
sobre la que se construye la lógica difusa.
1. Introducción Revistas Internacionales:
• Fuzzy Sets and Systems,
• IEEE Transactions on Fuzzy Systems...
Congresos:
• ... FUZZ-IEEE,
• IPMU,
• EUSFLAT,
• ESTYLF
https://www.amazon.c
Bibliografía General:
om/s?k=Fuzzy+Syste
ms&i=stripbooks-intl-
• Kruse, 1994,
ship&__mk_es_US=
%C3%85M%C3%85
• McNeill, 1994 https://ieeexplore.ie
ee.org/xpl/RecentIs
%C5%BD%C3%95%
C3%91&ref=nb_sb_n
• Mohammd, 1993 sue.jsp?punumber=
91
oss_2
• Pedrycz, 1998)…
1. Introducción
Problemas básicos subyacentes:
• Conceptos SIN definición clara: Muchos conceptos que
manejamos los humanos a menudo, no tienen una
definición clara:
o ¿Qué es una persona alta?
o ¿A partir de qué edad una persona deja de ser joven?
• La lógica clásica o bivaluada es demasiado restrictiva: Una
afirmación puede no ser ni VERDAD (true) ni FALSA (false).
o “Yo leeré El Quijote”: ¿En qué medida es cierto?
Depende de quien lo diga y...
o “Él es bueno en Física”: ¿Es bueno, muy bueno o un
poco mejor que regular?
1. Introducción
¿Cuándo usar la tecnología fuzzy o difusa?
(Sur, 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 (con errores posibles).
• Cuando el ajuste de una variable puede producir el desajuste de otras.
• En general, cuando se quieran representar y operar con conceptos
que tengan imprecisión o incertidumbre (como en las Bases de
Datos Difusas).
1. Introducción

Aplicaciones (Sur, Omron, 1997; Zimmermann, 1993):

• Control de sistemas: Control de tráfico, control de vehículos
(helicópteros...), control de compuertas en plantas hidroeléctricas, centrales
térmicas, control en máquinas lavadoras, control de metros (mejora de su
conducción, precisión en las paradas y ahorro de energía), ascensores...
• Predicción y optimización: Predicción de terremotos, optimizar horarios...
• Reconocimiento de patrones y Visión por computador: Seguimiento de
objetos con cámara, reconocimiento de escritura manuscrita,
reconocimiento de objetos, compensación de vibraciones en la cámara
• Sistemas de información o conocimiento: Bases de datos, sistemas
expertos...
2. Conjuntos crisp y conjuntos difusos

Conceptos sobre Conjuntos Difusos:

• Surgieron como una nueva forma de representar la imprecisión y la
incertidumbre.
• Herramientas que usa: Matemáticas, Probabilidad, Estadística, Filosofía,
Psicología...
• Es un puente entre dos tipos de computaciones:
o Computación Numérica: Es la rama de las matemáticas encargada de
diseñar algoritmos para simular aproximaciones de solución a problemas
en análisis matemático.
o Computación Simbólica: Usada en todos los campos de la Inteligencia
Artificial. Es el estudio y desarrollo de algoritmos y software para la
manipulación de expresiones matemáticas y otros objetos matemáticos.
2. Conjuntos crisp y conjuntos difusos

Conjuntos Clásicos (crisp):

• Surgen de forma natural, por la necesidad del ser humano de
clasificar objetos y conceptos.
• Conjunto de Frutas: Manzana  Frutas, Lechuga  Frutas…

Función de pertenencia:
A(x), xX:
• X es el Universo de Discurso.
• Restricción de la Función A: X → { 0, 1 }
• Conjunto Vacío  (x)=0, " xX
• Conjunto Universo  U(x)=1, "xX
2. Conjuntos crisp y conjuntos difusos

Conjuntos Difusos (fuzzy):

Relajan la restricción, A: X→ [0,1]
Hay conceptos que no tienen límites claros:
• ¿La temperatura 25ºC es “alta”?
Definimos, por ejemplo:
Alta(30)=1,
Alta(10)=0,
¿Cual es el valor de Alta(25)?,
=> Alta(25)=0.75 ?
=> Alta(20)=0.75 ?
...
2. Conjuntos crisp y conjuntos difusos

Conjuntos Difusos (fuzzy):

Un conjunto difuso A se define como una Función de
Pertenencia que enlaza o empareja los elementos de un dominio
o Universo de discurso X con elementos del intervalo [0,1]:
A: X→ [0,1]
• Cuanto más cerca esté A(x) del valor 1, mayor será la
pertenencia del objeto x al conjunto A.
• Los valores de pertenencia varían entre 0 (no pertenece en
absoluto) y 1 (pertenencia total).
...
2. Conjuntos crisp y conjuntos difusos

Conjuntos Difusos (fuzzy): Representación

Un conjunto difuso A puede representarse como un conjunto de pares de
valores: Cada elemento xX con su grado de pertenencia a A. También
puede ponerse como una “suma” de pares:
▪ A = { A(x)/x, xX}
▪ –

(Los pares en los que A(xi)=0, no se incluyen)

Ejemplo:
Conjunto de alturas del concepto difuso “Alto” en Personas:
A = 0.25/1.75 + 0.2/1.8 + 0.15/1.85 + 0.1/1.9 (su universo es discreto). ...
2. Conjuntos crisp y conjuntos difusos

Conjuntos Difusos (fuzzy): Representación

Si el Universo es Continuo:

La suma y la integral no deben considerarse como operaciones

algebraicas.
Contexto:
Es fundamental en la definición de conjuntos difusos.
Ejemplo:
No es lo mismo el concepto “Alto” aplicado a personas que a
edificios.
3. Funciones de pertenencia

Función de Pertenencia:
Un conjunto difuso puede representarse también
gráficamente como una función, especialmente
cuando el universo de discurso X (o dominio
subyacente) es continuo (no discreto). A(x)
▪ Abscisas (eje X): Universo de discurso X.
▪ Ordenadas (eje Y): Grados de pertenencia en
el intervalo [0,1].
Ejemplo: Concepto de Temperatura “Alta”.
3. Funciones de pertenencia

Tipos de Funciones de Pertenencia:

1. Triangular
2. Función Gamma
3. Función S
4. Función Gaussiana
5. Función Trapezoidal
6. Función Pseudo-Exponencial
7. Función Trapecio Extendido
3. Funciones de pertenencia

Triangular:
1. Definido por sus límites inferior a y superior b, y el valor
modal m, tal que a < m < b.
2. También puede representarse así:
A(x;a,m,b) = máx { mín{ (x-a)/(m-a), (b-x)/(b-m) }, 0 }
3. Funciones de pertenencia

Función G (gamma):
Definida por su límite inferior a y el valor k>0}

• Esta función se caracteriza por un rápido crecimiento a partir de a.

• Cuanto mayor es el valor de k, el crecimiento es más rápido aún.
• La primera definición tiene un crecimiento más rápido.
• Nunca toman el valor 1, aunque tienen una asíntota horizontal en 1
3. Funciones de pertenencia

Función G (gamma):
Se aproximan linealmente por:

• La función opuesta se llama Función L.

3. Funciones de pertenencia

Función S:
• Definida por sus límites inferior a y superior b, y el valor m, o
punto de inflexión tal que a<m<b.
• Un valor típico es: m=(a+b) / 2.
• El crecimiento es más lento cuanto mayor sea la distancia a-b
3. Funciones de pertenencia

Función Gaussiana:
• Definida por su valor medio m y el valor k>0.
• Es la típica campana de Gauss.
• Cuanto mayor es k, más estrecha es la campana.
3. Funciones de pertenencia

Función Trapezoidal:
Definida por sus límites inferior a y superior d, y los límites de su
soporte, b y c, inferior y superior respectivamente

En general, la función Trapezoidal se adapta bastante bien a la

definición de cualquier concepto, con la ventaja de su fácil definición,
representación y simplicidad de cálculos.
3. Funciones de pertenencia

Función Pseudo-Exponencial:
• Definida por su valor medio m y el valor k>1.
• Cuanto mayor es el valor de k, el crecimiento es más rápido
aún y la “campana” es más estrecha.
3. Funciones de pertenencia

Función Trapecio Extendido:

• Definida por los cuatro valores de un trapecio [a, b, c, d], y una
lista de puntos entre a y b, o entre c y d, con su valor de
pertenencia asociado a cada uno de esos puntos.
3. Funciones de pertenencia

Función Trapecio Extendido:

• En casos particulares, el Trapecio Extendido puede ser de gran utilidad.
• Éste permite gran expresividad aumentando su complejidad.
• En general, usar una función más compleja no añade mayor
precisión, pues debemos recordar que se está definiendo un concepto
difuso.
4. Definiciones

• Valor lingüístico, las diferentes clasificaciones que efectuamos en la

variable lingüística: Ejemplo: en el caso de la altura, podríamos dividir el
universo de discurso en los diferentes valores lingüísticos: por ejemplo
bajo, mediano y alto.
• Variable lingüística, aquella noción o concepto que vamos a calificar de
forma difusa. Le aplicamos el adjetivo "lingüística" porque definiremos
sus características mediante el lenguaje hablado. Ejemplo: la altura
normal, la edad adulta, el error mayor, la variación del error mediano...
• Universo de discurso, rango de valores que pueden tomar los
elementos que poseen la propiedad expresada por la variable lingüística.
Ejemplo: variable lingüística: 'altura de una persona normal’. Universo:
Conjunto de valores comprendido entre 1.4 y 2.3 m.
4. Definiciones

Conjunto difuso
• Es un valor lingüístico junto a una función de pertenencia.
• El valor lingüístico es el “nombre” del conjunto, y la función de
pertenencia se define como aquella aplicación que asocia a cada
elemento del universo de discurso el grado con que pertenece al
conjunto difuso.
• Decimos que un conjunto es nítido si su función de pertenencia toma
valores en {0,1}, y difuso si toma valores en [0,1].
• Un conjunto difuso en general, es la unión de varios conjuntos difusos
5. Práctica
(en equipo con presentación individual)

Graficar mediante scripts de Matlab cada una de las funciones de

pertenencia.
Graficar mediante funciones “propias” de Matlab cada una de las
funciones de pertenencia.
Desarrollar los ejercicios planteados en clase
El Coordinador del equipo debe responder al Foro respectivo.
 CIERRE
▪ ¿Cuál es la diferencia entre conjuntos y conjuntos crisp?
▪ ¿Cuál es la diferencia entre conjuntos crisp y conjuntos difusos?
▪ ¿Cuál es la diferencia entre la computación numérica y la
computación simbólica?
▪ ¿Cuáles son los tipos de funciones de pertenencia de los
conjuntos difusos?
▪ ¿Cuál es la diferencia entre valor lingüístico y variable lingüística?
▪ ¿Cuál es la diferencia entre el universo del discurso y la variable
lingüística?