IA - Tema 6A - Usa

Datos de la Asignatura
Temario
2º Cuatrimestre
 Sistemas basados en el conocimiento (Cap. 8-12)
– Mediante lógica de predicados.

– Mediante Sistemas de producción.
Inteligencia Artificial e Ingenieria del Conocimiento
 Tratamiento de la incertidumbre (Cap. 13-15)

– Redes Bayesianas.
– Razonamiento aproximado (lógica difusa).
Septiembre de 2007
Universidad de Castilla-La Mancha
Inteligencia Artificial e Ingeniería del Conocimiento
Tema 6: Lógica difusa
Profesores:
Luis Jiménez Linares.
Luis Enrique Sánchez Crespo.
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
Septiembre de 2007
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
Septiembre de 2007
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].
Septiembre de 2007
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
Septiembre de 2007
 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 0 y 1
Septiembre de 2007
 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.
Septiembre de 2007
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)
Septiembre de 2007
difusos
 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}
Septiembre de 2007
difusos
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) = 1entonces x es miembro de A

x
ΨA (x )
a 1
b 0
e 1
u 1
w 0
i 1
Septiembre de 2007
difusos
 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
Septiembre de 2007
difusos
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
Septiembre de 2007
difusos
Las funciones de pertenencia podrían ser:
Septiembre de 2007
Tipos de funciones de membresía
 En general 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:
Septiembre de 2007
Septiembre de 2007
Sigmoide
Septiembre de 2007
Diferencia entre 2 sigmoides
Septiembre de 2007
Función Gaussiana
Septiembre de 2007
Curvas basadas en Splines
Septiembre de 2007
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
Septiembre de 2007
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)
Septiembre de 2007
Operaciones básicas sobre conjuntos
difusos
 Las operaciones básicas en los conjuntos clásicos son 3
 Unión
Ej: A B A U B A U B
1 1 1 m a x (1 , 1 )= 1
A={a,e,i,o,u} 1 0 1 m a x (1 , 0 )= 1
0 1 1 m a x (0 , 1 )= 1
B={b,c,d} 0 0 0 m a x (0 , 0 )= 0
AUB={a,e,i,o,u,b,c,d}
Septiembre de 2007
difusos
 Intersección
Ej A
1
B
1 1
A∩ B
m in(1,1)=1
A∩ B
1 0 0 m in(1,0)=0
A={1,2,3} 0
0
1
0
0
0
m in(0,1)=0
m in(0,0)=0
B={2,3,4,5}
A ∩ B ={2,3}
 Complemento
Ej X = { x | x ∈ N ∧ x < 5} A Comp(A)
1 0
A={1,2,3} 0 1
Comp(A)={4}
Septiembre de 2007
difusos
 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
Septiembre de 2007
Comp ( A)( x) =1 − A( x )
difusos
Septiembre de 2007
difusos
Septiembre de 2007
difusos
Septiembre de 2007
difusos
Septiembre de 2007
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
Septiembre de 2007
 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 manzanas.
 Según las preferencias del individuo se

pueden construir los siguientes conjuntos
Septiembre de 2007
difusos
Septiembre de 2007
Septiembre de 2007
Septiembre de 2007
Precio Cerveza ($) Años 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
Septiembre de 2007
 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 manzanas, tener a
lo menos 5 años de servicio y que la cerveza cueste a lo
más $1000
Septiembre de 2007
S o lu ció n
P r e c i o C e r v e z a A($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 o ca l 1 0 0 1 0
L o ca l 2 1 1 0 0
L o ca l 3 1 0 1 0
L o ca 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 cC i uo a d r a sS o l u c i ó n d i fu 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
Septiembre de 2007
 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
Septiembre de 2007
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
Septiembre de 2007
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
Septiembre de 2007
∈[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
λ ∈ ( − 1, ∞)
ClaseYager C λ (a ) =
1 + λa
( )
1
Cω (a) = 1 − a ω ω
ω ∈ ( 0, ∞)
ψ 2 (1 − a ) ψ >0
Cψ (a) =
a +ψ 2 (1 − a )
Septiembre de 2007
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 )
Septiembre de 2007
T- normas
AxI5: i es una función continua
AxI6: i (a, a) < a
AxI7: a1 < a2 ∧ b1 < b2 ⇒ i (a1 , b1 ) ≤ i (a2 , b2 )
Septiembre de 2007
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
Septiembre de 2007
[ (
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 )
Septiembre de 2007
T- conormas
AxI5: u es una función continua
AxI6: u (a, a) > a
AxI7: a1 < a2 ∧ b1 < b2 ⇒ u (a1 , b1 ) < u (a2 , b2 )
Septiembre de 2007
Tipos de t-conormas
∀a, b ∈ [ 0,1]
T-conorma Expresion Rango parámetros
Suma Algebraico u ( a, b ) = a + b − a ⋅ b
Suma Límite 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 


Schweizer & Sklar
ω >0
[ (
u (a, b) = 1 − max 0, (1 − a ) + (1 − b ) − 1
p p
)] 1
p
p≠0
Septiembre de 2007
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
Septiembre de 2007
Flexibilidad de la matemática difusa
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 ) 
 
g ( −1) ( 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]
Septiembre de 2007
Variables linguísticas
 Una variable linguística es caracterizada por una
quíntupla
( x, T ( x), X , G, M )
 Donde
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: ∈ una
tEs T regla semántica que asigna cada término
con su significado
Septiembre de 2007
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”
Septiembre de 2007
Septiembre de 2007
 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)

p
0 < p <1
Septiembre de 2007
Septiembre de 2007
Implicaciones difusas
 Caso clásico
p → q es interpretado como ¬( p ∧ ¬q )
 La interpretación completa de la implicación
p→q
material______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
Septiembre de 2007
Implicaciones difusas
 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) )
Septiembre de 2007
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
1 Si x ≤ y 
Gödel
 
0 Otro caso 
Gaines
1 Si x ≤ y 
Yager  
 y Otro caso 
1 Si x < y 
y 
 x Otro caso 
yx
Septiembre de 2007
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 → q es verdadero entonces q es
verdadero
Septiembre de 2007
 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

Que está dada por
B ' = A'( A → B )
B ' (v) = sup min[ A' (u ), ( A → B ) (u , v)], v ∈ V
u∈U
Septiembre de 2007
 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
Septiembre de 2007
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
Septiembre de 2007
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 
Septiembre de 2007
Operaciones de Agregación
 Operadores OWA (Ordered weighted averaging operation)
Sea W = ( w1 , w2 ,..., wn ) vector de pesos tal que
wi ∈ [ 0,1]∀i ∈ N y
n
∑w
i =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 para 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)
Septiembre de 2007H=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 )
j j
z0 =
∑ A( z )j
 Primer máximo(Som):
(
z 0 = min z | A( z ) = max A( w)
w
)
Septiembre de 2007
Métodos de Defuzificación
 {
Criterio del máximo z0 ∈ z | A( z ) = max
w
}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
Septiembre de 2007 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
Septiembre de 2007
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
Septiembre de 2007
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
Septiembre de 2007
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 z1∗ = p1 x 0 + q1 y 0 z 2∗ = p2 x0 + q2 y0
α1 z1∗ + α 2 z 2∗
Y la salida crisp z0 =
α1 + α 2
Septiembre de 2007
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 = A ( x ) ∧ B ( y )
1 1 0 1 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

Septiembre de 2007
Septiembre de 2007
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
Septiembre de 2007
Septiembre de 2007
Conjuntos difusos empleados
Septiembre de 2007
Septiembre de 2007
 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
Septiembre de 2007
 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
Septiembre de 2007
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 R P 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
Septiembre de 2007
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
Septiembre de 2007
¿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
Septiembre de 2007
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
Septiembre de 2007
Desventajas de la lógica difusa
 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
Septiembre de 2007
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
Septiembre de 2007
Aplicaciones históricas
 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...
Septiembre de 2007
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...
Septiembre de 2007
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
Septiembre de 2007
Conclusiones
 Se desarrollaron algunos de los aspectos

fundamentales de la lógica difusa
 Se presentaron aplicaciones sencillas para
ejemplificar las potencialidades
Septiembre de 2007
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
Septiembre de 2007

IA - Tema 6A - Usa

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

IA - Tema 6A - Usa

Uploaded by

Copyright:

Available Formats

Datos de la Asignatura

– Mediante lógica de predicados.

 Tratamiento de la incertidumbre (Cap. 13-15)

 ¿Cuándo ocupar Lógica Difusa?

Extensión de la Lógica Multivaluada que está

estar determinado por una función de

 En el siglo XVIII el filósofo y obispo anglicano

Irlandés, George Berkeley y David Hume describieron

formas en las que una palabra puede ser empleada para

 En los años sesentas Lofti Zadeh, basado en las ideas de

la determinación precisa de cuales elementos pertenecen

 Los conjuntos clásicos se pueden representar de 3

1) Nombrando los elementos del conjunto

Para cada Ψ A ( x) = 1entonces x es miembro de A

Sea X conjunto universo clásico tal que x sean sus

 Cada uno de los conjuntos no posee límites claros y se pueden

 Métodos basados en la optimización de

 Intersección difusa standard

Que quede cerca de su casa es que no quede a

 Según las preferencias del individuo se

Precio Cerveza ($) Años de servicio (años) Cuadras

 Debido al planteamiento debemos intersectar los

 Como se deben intersectar los conjuntos, según la solución

 Mediante la solución difusa deducimos que el

 Los complementos deben satisfacer los siguientes

 Una t-norma satisface los siguientes

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

Una t-conorma satisface los siguientes axiomas

Schweizer & Sklar

sea estrictamente creciente y continua en (0,1) y

T(x): Conjunto de términos linguísticos de x que refieren

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

 Cada término es caracterizado por un número difuso

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

(mas o menos Lento)( x) = ( Lento ) (x)

 Modus Ponens clásico dice

Que puede ser interpretado como

Donde B’ está determinado por la siguiente composición

 Son operaciones mediante las cuales se

Una operación OWA es la función

Donde B es una permutación del vector A en el cual

 Operador centro de gravedad (Centroide):

área de A que queda a la derecha y a la izquierda

 Ultimo máximo(Lom): Se calcula el mayor valor

Para luego obtener una salida crisp mediante algún método de

Primero los niveles de cada regla

Luego se encuentra el valor crisp de salida del sistema

Y el valor crisp se obtiene por defuzificación

 Salida del sistema

 R3: IF Temperatura es Media y Procesamiento Alto

40 95 1,117 1,100 1,000 0,000 2,000

 Hay que combinar los métodos de

 Probar otros mecanismos de inferencia

“experto” que se base en conceptos imprecisos obtenidos de su

Cámaras de video y fotográficas,etc...

 Reconocimiento de patrones y Visión por ordenador:

 Se desarrollaron algunos de los aspectos

ejemplificar las potencialidades

 R. Fuller, Neural Fuzzy Sistems, Abo Akademi

You might also like