You are on page 1of 58

Introducción a la Lógica Difusa

Variables Lingüisticas y Lógica Difusa

Mg. Samuel Oporto Díaz

Lima, 1 Octubre 2005

Tabla de Contenido
• • • • Variables Linguisticas Modificadores Linguisticos Reglas Difusas IF-THEN Interpretación de las reglas difusas IF-THEN

/60 2

Mapa Conceptual del Curso
Introducción a la Lógica Difusa

Conjuntos Difusos

Operaciones Difusas

Lógica Difusa

Inferencia Difusa

Fusificadores y Defusificadores

Conjuntos Difusos y Clásicos Funciones de membresía

Operaciones con Conjuntos Difusos Relaciones en Conjuntos Difusos Principio de Extensión

Variables Lingüísticas

Reglas de Inferencia Difusas Inferencia Difusas

Fusificadores y Defusificadores

Lógica Clásica y Lógica Difusa

/60 3

VARIABLES LINGÜISTICAS

/60 4

Variables Lingüisticas
• Es una variable cuyos posibles valores son palabras y pueden ser representados mediante conjuntos difusos. • Permite describir el estado de un objeto o fenómeno. Para ello usamos una variable cuyo valor hace la descripción. • Una variable lingüística admite que sus valores sean Etiquetas Lingüísticas, que son términos lingüísticos definidos como conjuntos difusos (sobre cierto dominio subyacente).

/60 5

. more or less old. not young. not very young and not very old. not middle aged. • T(age) = {young. very young.. old. middle aged. very old.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 • Todos los valores linguisticos forman un conjunto de términos o etiquetas. not old.} /60 6 . .

/60 7 .Ejemplos • Variable lingüística “edad”: – Valores lingüísticos: Joven. Emax] – Se pueden proyectar los valores lingüísticos sobre el intervalo: [0. Mediana Edad y Viejo – Admite valores numéricos: números reales en [0. Emax] mediante funciones de pertenencia.

/60 8 . Muy Caliente. Frio.Ejemplos • Variable lingüística “temperatura”: – Valores lingüísticos: Muy Frio. Caliente. Tmax] mediante funciones de pertenencia. – Admite valores numéricos: números reales en [Tmin. Tmax] – Se pueden proyectar los valores lingüísticos sobre el intervalo: [Tmin. Templado.

• Existen variables cuya definición es más compleja porque se mueven en dominios subyacentes poco claros y no es natural trasladarlos a valores numéricos.. – Es un punto del conjunto. crisp (25ºC. • Un valor concreto. mientras que una etiqueta lingüística es una colección de puntos (temperaturas posibles). por ejemplo): – Es más específico que una etiqueta lingüística.Dominio Subyacente • El dominio subyacente es el dominio numérico. por ejemplos: Limpieza. /60 9 .. en nuestros dos ejemplos la edad y la temperatura. Verdor. Sabiduría.

Una etiqueta incluye muchos valores posibles. 2. 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). muchas herramientas ya existentes pueden ser extendidas para manejar variables lingüísticas.Utilidad de las VL • Es una forma de comprimir granulación (granulation): información llamada 1. Usando el principio de extensión. obteniendo las ventajas de la lógica difusa en gran cantidad de aplicaciones. 10 /60 . 4. Ayuda a caracterizar fenómenos que o están mal definidos o son complejos de definir o ambas cosas.

T(N). M> N U T(N) G M es el nombre de la variable. 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 . es el conjunto de términos o etiquetas que puede tomar N. es una gramática para generar las etiquetas de T(N): “muy alto”. es el dominio subyacente. U. “no muy bajo”. G. “bajo y normal”….Definición formal Una Variable Lingüística es un conjunto de 5 elementos: <N. “normal”.

b.Funciones de Membresía gbellmf ( x. a. . a. c) = e 1  x −c  −   2 σ  2   x−a c− x  trimf ( x.0  b−a d −c    gaussmf ( x.0  b−a c −b    12 /60 . a. .1. c. d ) = max  min  . a. c) = 1+ 1 x−c b 2b   x−a d −x  trapmf ( x. b. b. c) = max  min  . b.

Granularidad gruesa (coarse): Define un pequeño número de valores. 13 /60 . Granularidad fina (fine): Define un gran número de valores para una variable lingüística.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.

Grado de conocimiento del profesor en la materia. 14 /60 . indique las etiquetas que puede tomar: • • • • Intensidad de pixel en una imagen de 8 bits. Grado de aprendizaje del alumno en la materia.Ejercicio 1 • Diseñe las funciones de membresia para modelar las siguientes variables lingüisticas. • Indique y especifique las funciones de membresía para cada caso. Grado de avance en el proyecto final del curso KDD.

MODIFICADORES LINGUISTICOS 15 /60 .

.. NO.. OR. 16 /60 .. MAS O MENOS.Modificadores Lenguisticos • Los valores de una variable lingüística pueden ser: – Primarios – Compuestos • Los valores primarios son los valores inicialmente definidos • Un valor compuesto se obtiene anteponiendo a un valor primario modificadores linguisticos como MUY. NOT. o combinando valores primarios mediante conectivos lógicos AND.

NOT 2. 3. Operadores Lógicos: 1. AND 3. Difuminación. Intensificación del contraste.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: Modificadores Linguisticos: 1. OR 17 /60 . 2. Concentración. 4. Dilatación.

dado que p > 1. – MAS μMAS F (u) = (μF (u) )1.1. Concentración • Se elevar la función de membresía primaría a un valor p.5 – MUY μMUY F (u) = (μF (u) )2 18 /60 .

1] – MAS O MENOS μMSOMNOSF (u) = (μF (u) )0. tal que p Є [0.5 A E – MENOS μMNOSF (u) = (μF (u) )0.75 19 /60 .2. Dilatación • Es la raiz n-ésima o elevar p.75 E – POCO μPOCOF (u) = (μF (u) )0.

5 y aumentar los mayores.3. – ESPECIALMENTE μESPECIALMENTE F (u) = – BASTANTE CERCA DE μBASTANTE CERCA DE F (u) = 20 /60 . Intensificación • Disminuir valores menores que 0.

Difuminación • Aumentar valores menoras que 0.4.5 y disminuir los mayores. – CERCA DE μCERCA DE F (u) = – CASI μCASI F (u) = 21 /60 .

Operadores Lógicos Combinar valores mediante conectivos lógicos: AND: t-norma (min) OR : t-conorma (max) NOT: complemento 22 /60 .

Modificadores Linguisticos 23 /60 .

Ejercicio 2 • Sea U = {1.6/3 + 0.4/4 + 0.8/2 + 0.….5} y el conjunto difuso pequeño definido como: • pequeño = {1/1 + 0.2.2/5} Calcular: • Muy pequeño ={ • Muy muy pequeño ={ • Más o menos pequeño ={ /1 + /1 + /1 + /2 + /2 + /2 + /3 + /3 + /3 + /4 + /4 + /4 + /5} /5} /5} 24 /60 .

Ejercicio 3 • Considere la variable lingüística viejo. dado que la variables está definida por: • Determine la función de membresía de los terminos: No muy viejo = Mas o menos viejo = Muy Viejo = 25 /60 .

REGLAS DIFUSAS IF-THEN 26 /60 .

THEN difusas • Una parte del conocimiento humano es representado en terminos de reglas IF – THEN clásicas.THEN difusas. • Una regla IF – THEN difusa es una sentencia condicional expresada como: IF <proposición difusa> THEN <proposición difusa> 27 /60 .Reglas IF . • Este conocimiento también se puede hacer representar mediante reglas IF .

Proposición Difusa • Existen dos tipos de proposiciones difusas: – Proposiciones difusas atomica. x es una variable lingüística y A es una conjunto difuso 28 /60 . – Proposiciones difusas compuesta. • Una proposiciones difusas es una sentencia simple. x es A.

s-normas y complementos. OR y NOT. 29 /60 .Proposición Difusa • Una propisición difusa compuesta es una composición de proposiciones atomicas usando los conectivos AND. • y es L y x es F. las variables linguisticas por lo general no son las mismas. • Las proposiciones difusas compuestas pueden ser entendidas como relaciones difusas y las Funciones de Membresía de las relaciones difusas son calculadas usando t-normas.

30 /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 U B in U x V con funciones de membresía. • Use la unión difusa para el conectivo OR • y es B o x es A. es interpretado como la relación difusa: A ∩ B in U x V con funciones de membresía.

Conectivo NOT • Use el complemento difuso para el conectivo NOT • Sea la proposición difusa: FP = (x es S y x es not F) o x es M • Entonces se puede diseñar una relación difusa con la siguiente función de membresía: 31 /60 .

INTERPRETACION DE LA REGLA DIFUSA IF-THEN 32 /60 .

33 /60 . • A(x) = Falso (Ai (x)) = 1–Ai (x). excepto para el valor 0.1]. A(x) = Más o menos (Ai (x)) =A0.Cuantificación de la Verdad • Obtener un conjunto difuso A tal que: “X es Ai” es equivalente a τi = “X es A”. • Si ti = Falso. se está afirmando el hecho contrario. • El ti actúa como una restricción elástica: A(x) = ti (Ai (x)) ∀x ∈ X • A(x) = Verdad (Ai (x)) = Ai (x). Por eso.5i (x). A(x) = Muy_Verdad (Ai (x)) = A2i (x). que toma grado 1. podemos definir ti= Totalmente_Falso que toma el grado 0 en todo su universo [0.

Interpretación de la regla difusa IF-THEN Formato General: IF x es A entonces y es B If x es A then y es B. antecedente o premisa consecuente o conclusión 34 /60 .

then it es ripe. then driving es dangerous.Ejemplos • Si la presión es alta. if the road es slippery. entonces es maduro. then apply the brake a little. then volume es small. • Si el camino es deslizadizo. entonces el conducir es peligroso. 35 /60 . • Si la velocidad es alta. entonces aplique un pequeño freno. • Si un tomate es rojo. • • • • if pressure es high. entonces el volumen es pequeño. if the speed es high. if a tomato es red.

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). p V V F F q V F V F pq V F V V A → B ≡ If x es A then y es B 37 /60 . la expresión IF p THEN q es escrito como p  q donde la implicación  es definida mediante la siguiente tabla.

• Debido al número de operadores t-norma. 38 /60 .IF p THEN q • Aquí pq es equivalent a (¬p V q) y a (pΛq)V¬p. donde los simbolos representan operaciones logicas clásicas. • Las reglas difusas IF-THEN son formadas reemplazando los operadores clasicos por sus correspondientes operadores difusos. s-norma y complemento existen varias interpretaciones de reglas difusas IF-THEN.

y ) = µ A →B ( x . µ R ( x.Reglas Difusas como Relaciones A → B ≡ If x is A then y is B. y ) Depende de como se interprete A → B 39 /60 . R Una regla difusa puede ser definida como una relación binaria con la siguiente función de membresía.

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 .

s-norma y complemento? • ¿Son (¬p V q) y (pΛq)V¬p aún equivalentes a pq cuando p y q son proposiciones difusas? • Cuando p y q son proposiciones CRISP. • En terminos lógicos la regla se convierte en pq Ξ p Λ q 45 /60 .Interpretación de reglas difusas IF-THEN • ¿Qué criterio escogemos para combinar los operadores difusos t-norma. • Cuando p y q son proposiciones DIFUSAS. pq es una implicación local en el sentido que pq tiene un valor de verdad grande unicamente cuando p y q tienen valores de verdad grandes. pq es una implicación global.

Implicación Mandani • 46 /60 .

Interpretación de reglas difusas IF-THEN • Existen dos vías para interpretar “if x es A then y es B” A V V F F B V F V F AB V F V V y A acoplado con B -B A vinculado con B y B B -B x x A A x x 47 /60 .

Implicación difusa 48 /60 .

Implificación difusa 49 /60 .

x2 la aceleración e y la fuerza aplicada al acelerador.Ejemplo • Sea x1 la velocidad de un carro. encuentre la función de membresía de la siguiente regla difusa: IF x1 es slow y x2 es small THEN y es large 50 /60 . • Usando el producto algebraico para la t-norma en la primera proposición y la implicación Dienes-Rescher.

Ejemplo • Las funciones de membresía de los conjuntos difusos son: 51 /60 .

x2 e y son U1 = [0. 3]. • Usando el producto algebraico para la t-norma de: FP1 = x1 es slow y x2 es small 52 /60 .Ejemplo • Los dominios de x1. 30] y V = [0. 100]. U2 = [0.

53 /60 .Ejemplo • Para la implicación Dianes-Reschr la regla es interpretada como una regla difusa con función de membresía.

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 .