Professional Documents
Culture Documents
Temario
2º Cuatrimestre
Sistemas basados en el conocimiento (Cap. 8-12)
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?
Inteligencia Artificial e Ingenieria del Conocimiento
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
Inteligencia Artificial e Ingenieria del Conocimiento
Septiembre de 2007
Definición Lógica difusa
Septiembre de 2007
Introducción histórica
Aristóteles consideraba que existían ciertos grados de
veracidad y falsedad. Platón había considerado grados
de pertenencia.
Septiembre de 2007
Introducción histórica
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
Inteligencia Artificial e Ingenieria del Conocimiento
Septiembre de 2007
Introducción histórica
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
Inteligencia Artificial e Ingenieria del Conocimiento
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
Inteligencia Artificial e Ingenieria del Conocimiento
Septiembre de 2007
Conjuntos clásicos versus Conjuntos
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
Septiembre de 2007
Conjuntos clásicos versus Conjuntos
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}.
Inteligencia Artificial e Ingenieria del Conocimiento
Septiembre de 2007
Conjuntos clásicos versus Conjuntos
difusos
En los conjuntos difusos la función característica
mapea los elementos al intervalo real [0,1]
Formalmente
definimos mediante
A = { ( x, A (x) ) | x ∈ X }
Donde
A(x): Función de membresía
Septiembre de 2007
Conjuntos clásicos versus Conjuntos
difusos
Ejemplos:
A: Conjunto de los hombres jóvenes
B: Conjunto de los hombres de edad media
C: Conjuntos de los hombres viejos
Inteligencia Artificial e Ingenieria del Conocimiento
Septiembre de 2007
Conjuntos clásicos versus Conjuntos
difusos
Las funciones de pertenencia podrían ser:
Inteligencia Artificial e Ingenieria del Conocimiento
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:
Inteligencia Artificial e Ingenieria del Conocimiento
Septiembre de 2007
Inteligencia Artificial e Ingenieria del Conocimiento
Septiembre de 2007
Sigmoide
Inteligencia Artificial e Ingenieria del Conocimiento
Septiembre de 2007
Diferencia entre 2 sigmoides
Inteligencia Artificial e Ingenieria del Conocimiento
Septiembre de 2007
Función Gaussiana
Inteligencia Artificial e Ingenieria del Conocimiento
Septiembre de 2007
Curvas basadas en Splines
Inteligencia Artificial e Ingenieria del Conocimiento
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
Inteligencia Artificial e Ingenieria del Conocimiento
¿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
Inteligencia Artificial e Ingenieria del Conocimiento
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
Inteligencia Artificial e Ingenieria del Conocimiento
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
Operaciones básicas sobre conjuntos
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}
Inteligencia Artificial e Ingenieria del Conocimiento
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
Operaciones básicas sobre conjuntos
difusos
La extensión natural para las operaciones está
dada por
Unión difusa standard
( A ∪ B ) ( x) = max( A( x), B( x) )
Inteligencia Artificial e Ingenieria del Conocimiento
( A ∩ B ) ( x) = min ( A( x), B( x) )
Complemento difuso standard
Septiembre de 2007
Comp ( A)( x) =1 − A( x )
Operaciones básicas sobre conjuntos
difusos
Inteligencia Artificial e Ingenieria del Conocimiento
Septiembre de 2007
Operaciones básicas sobre conjuntos
difusos
Inteligencia Artificial e Ingenieria del Conocimiento
Septiembre de 2007
Operaciones básicas sobre conjuntos
difusos
Inteligencia Artificial e Ingenieria del Conocimiento
Septiembre de 2007
Operaciones básicas sobre conjuntos
difusos
Inteligencia Artificial e Ingenieria del Conocimiento
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
Inteligencia Artificial e Ingenieria del Conocimiento
Tiene sed
Aquí podemos distinguir tres conjuntos difusos
1) Cerveza barata
2) Local tradicional
3) Cercanía a su hogar
Septiembre de 2007
Aplicación sencilla
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.
Inteligencia Artificial e Ingenieria del Conocimiento
Septiembre de 2007
Aplicación sencilla
Inteligencia Artificial e Ingenieria del Conocimiento
Septiembre de 2007
Aplicación sencilla
Inteligencia Artificial e Ingenieria del Conocimiento
Septiembre de 2007
Aplicación sencilla
Aplicación sencilla
Septiembre de 2007
Aplicación sencilla
La solución clásica impone que
Precio cerveza<=$1000
Años de servicio>=5 años
Cuadras<=10 cuadras
Inteligencia Artificial e Ingenieria del Conocimiento
Septiembre de 2007
Aplicación sencilla
S o lu ció n
P r e c i o C e r v e z a A($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
Inteligencia Artificial e Ingenieria del Conocimiento
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
Aplicación sencilla
Mediante la solución clásica el individuo se
hubiera quedado en su hogar, lo cual no es
“consistente” con la hipótesis “Tiene Sed”.
Inteligencia Artificial e Ingenieria del Conocimiento
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,
Inteligencia Artificial e Ingenieria del Conocimiento
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]
Inteligencia Artificial e Ingenieria del Conocimiento
Tipo umbral
1 a ≤ t 0 < t <1
C (a) =
Clase Sugeno
0 a > t
1− λ
λ ∈ ( − 1, ∞)
Inteligencia Artificial e Ingenieria del Conocimiento
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) )
Inteligencia Artificial e Ingenieria del Conocimiento
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
Inteligencia Artificial e Ingenieria del Conocimiento
a cuando b = 1
Yager
i ( a, b) = b cuando a = 1
Schweizer & Sklar 0 otro caso
[
i(a, b) = 1 − m in1, (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) )
Inteligencia Artificial e Ingenieria del Conocimiento
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)
Inteligencia Artificial e Ingenieria del Conocimiento
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
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
Inteligencia Artificial e Ingenieria del Conocimiento
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
Inteligencia Artificial e Ingenieria del Conocimiento
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)
Inteligencia Artificial e Ingenieria del Conocimiento
Septiembre de 2007
Inteligencia Artificial e Ingenieria del Conocimiento
Septiembre de 2007
Ejemplo de variable linguística
Ejemplo de variable linguística
Podemos encontrar el número difuso “muy
lento” o “mas o menos lento” a partir de
“lento”
( muy Lento ) ( x) = ( Lento ) p ( x) p >1
Inteligencia Artificial e Ingenieria del Conocimiento
Septiembre de 2007
Inteligencia Artificial e Ingenieria del Conocimiento
Septiembre de 2007
Ejemplo de variable linguística
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
Inteligencia Artificial e Ingenieria del Conocimiento
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-
Inteligencia Artificial e Ingenieria del Conocimiento
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
Inteligencia Artificial e Ingenieria del Conocimiento
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)
Inteligencia Artificial e Ingenieria del Conocimiento
Septiembre de 2007
Teoría del Razonamiento aproximado
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'
Inteligencia Artificial e Ingenieria del Conocimiento
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
Inteligencia Artificial e Ingenieria del Conocimiento
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
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
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
Inteligencia Artificial e Ingenieria del Conocimiento
∫ A( x)dx = ∫ A( x)dx
−∞ z0
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 )
Inteligencia Artificial e Ingenieria del Conocimiento
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) )
Septiembre de 2007
Mecanismo de Tsukamoto
Todos lo términos linguísticas deben tener funciones de
membresía monótonas
Procedimiento
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 )
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
Inteligencia Artificial e Ingenieria del Conocimiento
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) )
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
Inteligencia Artificial e Ingenieria del Conocimiento
Septiembre de 2007
Inteligencia Artificial e Ingenieria del Conocimiento
Septiembre de 2007
Conjuntos difusos empleados
Inteligencia Artificial e Ingenieria del Conocimiento
Septiembre de 2007
Conjuntos difusos empleados
Inteligencia Artificial e Ingenieria del Conocimiento
Septiembre de 2007
Conjuntos difusos empleados
Conjuntos difusos empleados
Reglas
R1: IF Temperatura es Alta y Procesamiento Alto THEN
Velocidad Alta
R2: IF Temperatura es Alta y Procesamiento Normal THEN
Velocidad Alta
Inteligencia Artificial e Ingenieria del Conocimiento
Septiembre de 2007
Conjuntos difusos empleados
Como mecanismo de inferencia se utilizó
el mecanismo de Mandani
Como método de defuzificación se
probaron varios disponibles en el software
Inteligencia Artificial e Ingenieria del Conocimiento
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
Inteligencia Artificial e Ingenieria del Conocimiento
Septiembre de 2007
Conclusiones de la modelación
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
Inteligencia Artificial e Ingenieria del Conocimiento
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
Inteligencia Artificial e Ingenieria del Conocimiento
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
Inteligencia Artificial e Ingenieria del Conocimiento
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)
Inteligencia Artificial e Ingenieria del Conocimiento
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....
Inteligencia Artificial e Ingenieria del Conocimiento
Septiembre de 2007
Trabajos a futuro
Aplicar Inteligencia computacional a
acústica, vibraciones y procesamiento de
señales
Aplicar específicamente lógica difusa en
Inteligencia Artificial e Ingenieria del Conocimiento
evaluación de recintos
Ahondar más en el aspecto teórico de la
lógica difusa
Septiembre de 2007
Conclusiones
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)
Inteligencia Artificial e Ingenieria del Conocimiento