Aplicaciones de la Lgica Difusa 5

Aplicaciones de la Lgica Difusa

Osear G. Duarte V.*
RESUMEN
El propsito de este artculo es el de presentar algunas
de las aplicaciones conocidas de la Lgica Difusa, es por
tanto un artculo de carcter divulgativo para no expertos
en el tema. Los ejemplos seleccionados son un Controlador
Difuso Adaptativo, un Identificador de Imgenes Areas
que emplea un algoritmo de agrupamiento difuso, una Base
deDatos Difusa, y un experimento depsicologa cognocitiva
inspirado en la lgica difusa. Todos estos ejemplos han sido
tomados de la literatura tcnica.
INTRODUCCIN
P
esea la sencillez conceptual y algortmica de la Lgica
Difusa[4,6,9,10,1l] y a que los campos en que se ha
aplicado con xito son mltiples y variados [1,8,12], an en el
medio acadmico colombiano el trmino "Lgica Difusa" tiene
un halo de misterio injustificado que ha dificultado su ingreso
en ciertas reas del conocimiento'.
El propsito de este artculo es el de recoger unas pocas
aplicaciones conocidas en la literatura especializada basadas
en distintas estrategias de lgica difusa. Se han seleccionado
aplicaciones de reas muy diversas, buscando as resaltar que
la Lgica Difusa puede entenderse como una herramienta
matemtica cuya amplia aplicabilidad sebasa enlaconcepcin
de conjuntos con fronteras no exactas [4,7].
Se presentarn en este artculo un Controlador Difuso
Adaptativo, un Identificador de Imgenes Areas que emplea
un algoritmo de agrupamiento difuso, una Base de Datos
Difusa, y un experimento de psicologa cognocitiva inspirado
en lalgica difusa. Todos estos ejemplos han sido tomados de
la literatura tcnica, especficamente de [16,15,12 Y 13]
respectivamente.
l. CONTROLADOR DIFUSO ADAPTATIVO
Quizs laaplicacin en que laLgica Difusa haconseguido
un xito mayor, y por ende un mayor nmero de seguidores,
se encuentra en el Control Industrial. An cuando existen
numerosas versiones de controladores que emplean lgica
difusa, suele asignarse el trmino Controlador Difuso a un
sistema de control cuya estructura interna corresponde alade
la figura 21.
Figura l Estructura interna de un Controlador Difuso
Una de las ventajas que suelen mencionarse de los
Controladores Difusos, frente a otro tipo de controladores, es
que pueden disearse aunque no se tenga un modelo
matemtico exacto delaPlanta acontrolar, gracias aque estn
basados en reglas. Esta situacin, sin embargo, no es del todo
sencilla: el notener un modelo matemtico delaPlanta implica
no poder realizar simulaciones sobre la misma, de tal manera
que los ajustes del controlador deben realizarse en lnea.
Este hecho ha promovido la aparicin de controladores
autoajustables, quecuentan con algn algoritmo quelespermite
evaluar su desempeo, y de acuerdo con cierto criterio ajustar
su diseo. Estos algoritmos de autoajuste (tambin conocidos
como algoritmos de autosintona) son muy tiles tambin en
situaciones en las que laPlanta acontrolar vara en el tiempo,
lo que implica que el controlador deba ajustarse a dichos
cambios.
Cuando un Controlador Difuso cuenta con un algoritmo de
autoajuste, se dice que es un Controlador Difuso Adaptativo.
Sin embargo, existen Controladores con otros algoritmos que
no son exactamente de autoajuste, y que podramos llamar de
entrenamiento, que algunos autores denominan tambin
Controladores Difusos Adaptativos.
'Ingeniero Electricista M.Sc .Departamento deIngeniera Elctrica, Universidad Nacional
de Colombia.
IEl rea en que ha penetrado con ms fuerza es en la Automatizacin Industrial[I,5],
indudablemente debido a la enorme fuerza que tiene a nivel internacional.
2 Para una explicacin sobre el funcionamiento de Sistemas con esta estructura, vase
[4,6,11]
6 Revista Ingeniera e InvestigacinNo. 45 Abril de 2000
Los algoritmos de entrenamiento permiten ajustar el diseo
del Controlador para que tenga un comportamiento deseado,
pero fuera delnea. En general estos algoritmos no permiten la
adaptacin del controlador a cambios de la planta, pero son
muy tiles para disear controladores en los que se combina
informacin numrica con informacin lingustica [16,20].
A continuacin se presenta un Controlador Difuso
Adaptativo desarrollado por Wang & Mendel [20] que cuenta
con un algoritmo de entrenamiento. Se ha seleccionado este
controlador, porque el algoritmo empleado es uno de los ms
sencillos conceptualmente, y demayor simplicidad algortmica,
tal como se presenta en el numeral siguiente.
A. ALGORITMO DE ENTRENAMIENTO DE WANG yMENDEL
Este algoritmo parte deuncuadro que describe cules deben
ser las salidas concretas, cuando se especifican las entradas
concretas, es decir, de cuadros como la siguiente:
Cuadro 1. Parejas de Entrenamiento Entrada-Salida
Entrada 1 Entrada 2 Entrada p Salida 1 Salida 2 Salidaq
XII x21 xpl YII Y21 Yql
xI2 x22 oo. xp2 YI2 Y22 Yg2
xlw x2w x
pw Ylw Y2w Yqw
El cuadro anterior puede interpretarse como sigue:
"Se desea que el Sistema de Lgica Difusa responda con
las salidas concretas Yl1' Y2J' oo. YqI' cuando las entradas
concretas son x
l1
' X
2I
' oo. x
pI
; que responda con las salidas
concretas Y12' Y22' oo. Y
q
2' cuando las entradas concretas son x
I2
'
X
22
' oo. x
p2
; que responda con las salidas concretas Y/
w
Y2w' oo.
Yqw' cuando las entradas concretas son xIw' x
2
w' oo. <:
Los wcasos quesequieren obtener con el Sistema deLgica
Difusa pueden ser insuficientes para determinar completamente
el diseo, o por el contrario, pueden ser inconsistentes entre
s.
El algoritmo deWang & Mendel permite determinar labase
de reglas apartir de la tabla de patrones de entrenamiento; el
diseador debe seleccionar los dems parmetros de Sistema
de Lgica Difusa. El procedimiento es el siguiente para cada
uno de los w casos:
1. Determinar los grados de pertenencia de x
Jk
' x
2k
' oo. Xpk;Y/k'
Y2k' oo' Y
qk
; a cada uno de los Valores Lingsticos de las
respectivas Variables Lingsticas.
2. Seleccionar los Valores Lingsticos Lx
Ik
,Lx
2k
,oo. .Lx k'
. p
LYIk,LY2k'oo, ,LYqk' para los cuales los grados depertenencia
respectivos son mximos.
3. Crear unaregladelaforma IF Entrada 1esLxI k AND Entrada
2es Lx
2k
AND oo. AND Entrada pes Lx
Ik
THEN Salida 1es
LY/k AND Salida 2es LY2k AND oo. AND Salida q es LYqk'
4. Asignar a la regla anterior un factor de certeza, calculado
como el producto delos grados depertenencia acada Valor
Lingstico.
5. Verificar si en la Base de Reglas existe ya una regla con el
mismo antecedente (y quizs distinto consecuente); de ser
as, dejar en la Base aquella que tenga un mayor factor de
certeza. Si an no hay en laBase deReglas una deestas con
el mismo antecedente, adicionar la nueva regla a la Base.
6. Complementar la Base de Reglas con la informacin
lingstica disponible (si existe alguna).
EJ EMPLO 1
Presentamos aqu el ejemplo de un controlador aplicado al
problema de llevar un vehculo con marcha hacia atrs a
velocidad constante para que busque una cierta lnea recta y la
siga. El problema ha sido desarrollado por Wang en [16].
La figura 2muestra grficamente el problema. El vehculo
est inicialmente ubicado a una distancia x de la lnea, y
formando unngulo A con larectanormal alalnea. Senecesita
disear unControlador Difuso para quedecida cul esel ngulo
de giro B que deben tener las ruedas del vehculo.
x
Figura 2. Planteamiento del problema
Wang encuentra unaTabla deParejas Entrada-Salida (como
el cuadro 1) apartir de supropia experiencia como conductor,
y con ella entrena un Controlador Difuso que tiene 5 valores
lingsticos para la distancia x, 7para el ngulo A, y 7 para el
ngulo de salida B. Los resultados los compara con los
obtenidos por Nguyen & Widrow con redes neuronales apartir
de la misma Tabla Entrada-Salida, y las trayectorias seguidas
por el vehculo son semejantes.
Wang tambin efecta el entrenamiento con informacin
numrica incompleta, es decir, considerando slo una parte de
laTabla deentrenamiento; enestas condiciones el Controlador
no es capaz de cumplir su objetivo. Sin embargo, al emplear
Aplicaciones de la Lgica Difusa 7
algunas reglas If- Then extraidas de su experiencia como
conductor, Wang obtiene resultados que son iguales a los del
primer caso.
Lo interesante de este ltimo diseo es que all se han
combinado dos tipos de informacin de naturaleza diferente:
por una parte est la informacin numrica proveniente de la
Tabla, y por otraparte estlainformacin lingstica contenida
en las reglas If-Then.
11. IDENTIFICADOR DE IMGENES AREAS
El problema aqu planteado es el siguiente: Se tienen tres
imgenes areas delamisma zona; lasimgenes sehan captado
empleando cmaras ablanco y negro, detal forma quemuestran
en cada pixel un cierto nivel de gris (nivel de luminancia); las
tres fotografas no son iguales, porque cada una de ellas seha
tomado anteponiendo a la cmara un filtro que slo permite
captar una franja de colores (unas ciertas longitudes de onda),
y los filtros para cada fotografa han sido diferentes.
En estas imgenes sehacaptado una rea extensa con zonas
que sepueden clasificar as:
- Zonas de ro.
- Zonas de construcciones humanas.
- Zonas dedicadas ala agricultura.
- Zonas boscosas.
El problema consiste en disear un algoritmo que,
conociendo los niveles de luminancia para un cierto pixel en
las tres fotografas, decida a cul de las zonas anteriores
corresponde ese pixel.
No existe una nica combinacin de luminancias que
identifique acada una de las zonas (no hay un nico verde
en lazona debosques), y por tanto no seconoce el conjunto de
todas las combinaciones de luminancias posibles asociadas a
cada zona.
Ntese que el problema puede replantearse en trminos de
Conjuntos Difusos: Se puede definir como Universo de
Discurso el conjunto de todas las combinaciones posibles de
luminancias, con lo cual la tarea consiste en encontrar cuatro
Conjuntos Difusos definidos sobre dicho universo, cada uno
de los cuales debe representar a una de las zonas de las
imgenes.
Cmo encontrar esos conjuntos? Trivedi [15] propone la
utilizacin de un algoritmo de agrupamiento difuso, cuyos
principios generales se exponen a continuacin.
A. AGRUPAMIENTO "Fuzzv C-MEANS"
Dado un Universo deDiscurso X, sedefine una e-particin
como una coleccin de e Conjuntos Difusos definidos sobre
X, y con funciones de pertenencia
siempre y cuando los Conjuntos Difusos cumplan con las
siguientes caractersticas:
- Para todos los conjuntos debe existir al menos un elemento
deX tal que sufuncin depertenencia al conjunto seadistinta
de cero.
- Para todos los elementos de X, la suma de sus funciones de
pertenencia a los eConjuntos debe ser 1.
Bezdek[3] desarroll un algoritmo para obtener una c-
particin para un Universo deDiscurso finito; dicho algoritmo
seconoce como el agrupamiento ''fuzzy c-means", y es uno de
los ms populares, pese aqueenlaliteratura sereportan muchos
otros algoritmos distintos [2].
Bezdek parte de la existencia de un Universo de Discurso
X compuesto por n elementos:
donde cada uno de los n Xi es una d-upla de elementos
X
1
=[ Xli x
21
". Xd1Y
x
2
=[ x
12
x
22
". x
d2
Y
Para encontrar los eConjuntos delaparticin, Bezdek define
para cada uno deellos un centro Vi ,que identifique al conjunto,
y define aVcomo lacoleccin decentros dedichos Conjuntos:
V
1
= [v
lI
v
21
'" vd1Y
v
2
= [v
12
v
22
". v
d2
Y
Tambin define la matriz U como la matriz de orden e*n
que contiene las funciones depertenencia decada uno delos n
Xi casos a los e Conjuntos difusos identificados por los Vi
centros.
u=
Como los e conjuntos son una e-particin de X, debe
cumplirse que:
8 Revista Ingeniera e InvestigacinNo. 45 Abril de 2000
n
LU
ik
>O;Vi,i=1,2 ...e
k=1
e
LU
ik
=1;Vk,k=1,2 ...n
i=1
Con las definiciones anteriores, el problema del
agrupamiento de X en e grupos puede formularse como la
bsqueda de la pareja (U,V) que clasifique "mejor" los datos
de X. Para medir qu tan bien est hecha una clasificacin,
Bezdek emplea la funcin Jm(U , V)
n e 2
Jm(U, V) =L L (U ik)m . - Vi
k=1 i=1
endonde mesunreal mayor queuno, y 11.11 esunanorma
diferenciable. Bezdek demuestra que la pareja (U*,V*) que
optimiza Jm debe satisfacer:
Con lo anterior puede plantearse un algoritmo iterativo para
la bsqueda de la pareja (U*,V*) as:
1) Fijar e, un entero mayor que 1y menor o igual que n.
Fijar m un real mayor que 1.
=Seleccionar 11.11 una mtrica inducida por producto interno
para medir las distancias entre los miembro de X y los
miembros deV.
=lnicializar UO.
p=1
2) Calcular VP empleando (1)
3) Calcular UP empleando (2)
4) Comparar UP con Up-I mediante alguna norma matricial. Si
IIVV-Vv-III es menor que algn valor de tolerancia entonces
terminar, de lo contrario p=p+ 1e ir al paso 2.
El algoritmo anterior es el conocido como agrupamiento
fuzzy c-means. Para ilustrar qu es lo que hace este algoritmo,
sehan desarrollado los ejemplos 2, 3,4 Y 5:
.Ejemplo 2
Se desea agrupar los nmero enteros del 1 al 20 en 3
conjuntos difusos empleando agrupamiento fuzzy c-means.
En este ejemplo X=[l 23 ....19 20}, con lo que
d=1
x
1
=[l]; x
2
=[2}; x
3
=[3}; ...; X
19
=[19}; x
2o
=[20};
c=3
Las figuras 33 a 8 muestran como evolucionan los tres
conjuntos difusos en cada una de las iteraciones. La particin
inicial es aleatoria, y seha escogido m=1,5.
(1)
(2)
Figura 4. 3-particin para p=2
Figura 5. 3-particin para p=3
Figura 6. 3-particin para p=4
3 En las figuras 3 a 18 el eje horizontal corresponde al intervalo real [0.20]. yel eje
vertical a las funciones de pertenencia de los conjuntos definidos por el algoritmo fuzzy
c-means
Aplicaciones de la Lgica Difusa 9
Figura 8. 3-particin para p=27
-EJEMPLO 3
Se desea conocer el efecto de cambiar el parmetro m en la
particin del ejemplo 2.
Las figuras 9 a 14 muestran los resultados finales de las
particiones, cuando seselecciona m1=1,2, m
2
=1,5, m3=2, m,=3,
m
5
=5, m=IO.Ntese quean cuando laforma delos conjuntos
difusos vara fuertemente, el centro de stos no.
Figura 9. 3-particin para m=1,2
Figura 10. 3-particin para m=1,5
Figura 11. 3-particin para m=2
Figura 12. 3-particin para m=3
Figura 13. 3-particin para m=
Figura 14. 3-particin para m=10
-EJEMPLO 4
Se desea conocer el efecto de cambiar el nmero de
conjuntos difusos de agrupamiento, en el ejemplo 2.
Las figuras 15 a 18 muestran los resultados finales de las
particiones, para c
1
=2, c
2
=3, c
3
=5, c
4
=10. En todos los casos
se ha seleccionado m=2
10 Revista Ingeniea e InvestigacinNo. 45 Abril de 2000
Figura 15. 2-particin
Figura 16. 3-particin
Figura 17. S-particin
Figura 18.1O-particin
Ejemplo 5
Dado el problema del Identificador de Imgenes Areas
anteriormente presentado, sedesea saber cmo debe plantearse
el problema para emplear el agrupamiento juu.y c-means, si
cada una de las tres imgenes tiene 32*32=1.024 pixels.
Los tres grupos de 1.024 pixels pueden organizarse en 1.024
3-uplas as:
Xl =[x
u
x
2
,! X
3
,1 J
X
2
=[X
l
,2 X
2
,2 X
3
,3 J
X
J024
=ix, 1024 X
2
1024 X
31024
J
, , ,
X,k= luminancia del pixel k en la imagen i
Una vez determinado X seselecciona c=4 como el nmero
de conjuntos que se desean obtener, debido a que se desean
obtener cuatro zonas distintas en las imgenes, y se emplea el
algoritmo fuzr c-means.
Trivedi [15] emplea los centros de los conjuntos obtenidos
con esteprocedimiento para caracterizar cada una delas cuatro
zonas. Posteriormente, para decidir aque zona pertenece cada
pixel, observa a cual de los cuatro conjuntos difusos hallados
pertenece en mayor medida, con lo que secompleta el proceso
de identificacin de la imagen.
m. BASE DE DATOS DIFUSA
La Lgica Difusa busca desarrollar un conjunto de
procedimientos para manejar lainformacin precisa y/o vaga.
Ahora bien, los Sistemas de Bases de Datos tienen por
propsito, hablando entrminos muy generales, laorganizacin
delainformacin; por tanto no es de sorprendente que sehaya
intentado incorporar las tcnicas deLgica Difusa enel diseo
de Bases de Datos.
Miyamoto &Umano [12] distinguen dos tipos de tcnicas
difusas en las Bases de Datos:
Bases de Datos Difusas.
Tcnicas Difusas para la recuperacin de la informacin.
En la primera de estas tcnicas el concepto de Conjunto
Difuso seincorpora enlaestructura misma delaBase deDatos,
mientras que en la segunda se emplea en las estrategias de
recuperacin de la informacin.
A continuacin se presenta una de las tcnicas del primer
tipo, reseadas en [12]; como en los anteriores ejemplos de
este artculo, se ha seleccionado buscando un ejemplo
conceptualmente sencillo. La tcnica en cuestin sedenomina
Bsqueda Difusa, y fuepropuesta inicialmente por Tahani [14].
En esta tcnica la Base de Datos tiene dos componentes":
por una parte se tiene una Base de Datos tradicional, como la
representada en el cuadro 2, y por otra parte se tiene una
definicin Difusa de las variables cuantificables de dicha
cuadro, como laque se muestra en lafigura 19.
Cuadro 2. Base de Datos tradicional del Ejemplo
Nombre Edad Salario Ao de Ingreso
Anderson 30 20.000 1995
Brown 30 15.000 1995
Long 25 40.000 1993
Nelson 55 20.000 1980
Smith 25 23.000 1996
4 El ejemplo presentado es extrado de [12], con algunas adiciones
Aplicaciones de la Lgica Difusa 11
EDAD
: r: x x :
25 35 45
SALARIO INGRESO
~rsx : "
5. 15. 20. x 1000 1986 1992 1998
Figura 19. Variables lingsticas para el ejemplo
Ante una consulta a laBase de Datos de laforma:
"Cules son los nombres de las personas jvenes o
recientemente empleadas pero con sueldo alto"
Tahani propone evaluar la funcin de pertenencia de cada
registro acada uno de los valores lingsticos involucrados en
la consulta, y entregar como resultado de la bsqueda un
conjunto difuso con funciones de pertenencia obtenidas
mediante lautilizacin deoperadores AND, OR YNOT difusos
[6]; los operadores empleados por Tahani son el mnimo para
el AND, el mximo para el OR y el complemento para el NOT.
Con esta metodologa la consulta anterior podra
representarse por la operacin
U hsqueda (x, y, z) ={ujoven (x) OR urecienle (y)} AND u
a
/
lo
(z)
En donde x es la edad, y el ao de ingreso, z el salario,
uoven(x)eslafuncin depertenencia al conjunto Joven definido
sobre la variable edad, urecientiy) es la funcin de pertenencia
al conjunto Reciente definido sobre lavariable Ao deIngreso,
ua1tJz) es la funcin de pertenencia al conjunto Alto definido
sobre la variable salario, y U bsqueda(x,y,z)es la funcin de
pertenencia al conjunto resultante de labsqueda.
Empleando la informacin de el cuadro 2 y de la figura 19
sepuede construir el cuadro 3que muestra los resultados dela
bsqueda para cada registro.
Cuadro 3. Resultados de la bsqueda del ejemplo en cada registro
Nombre Ujoven(x) Ureciente(Y) Ualto(z) Ub~ueda(X,y,z)
Anderson 0.5 0.6 0,5 0.5
Brown 0,5 0,6 0,0 0,0
Long 1,0 0.2 1,0 1,0
Nelson 0.0 0.0 0,5 0,0
Smith 1,0 0,8 0,8 0,8
El resultado final del ejemplo sera el conjunto:
Bsqueda ={O,5/Anderson, I,O/Long, O,8/Smith}
IV. PSICOLOGA COGNOCITIVA: RECONOCIMIENTO DE PALABRAS
El ejemplo que se presenta a continuacin difiere de los
anteriores sensiblemente. Este caso no emplea los algoritmos
asociados a la Lgica Difusa, sino el concepto mismo de los
Conjuntos Difusos, y ha sido seleccionado para resaltar que la
importancia de la Lgica Difusa radica en la nocin de
Conjuntos con fronteras no exactas, loqueimplica gradualidad
en los cambios.
Este ejemplo consiste en la definicin de un experimento
cuyo autor es Rueckl [13] para el reconocimiento depalabras,
que es uno de los temas abordados por la Psicologa
Cognocitiva.
La pregunta que se desea contestar es :
Qu efectos tiene el contexto de una frase en el
reconocimiento de palabras?
A estapregunta existen dos respuestas opuestas, sustentadas
cada una por dos teoras diferentes [13]:
La teora del modelo Interactivo sostiene que el contexto si
influye en el reconocimiento de palabras.
La teora del modelo Autnomo sostiene que el contexto no
influye.
Ambos modelos se apoyan en experimentos cuyos
resultados son consistentes y robustos, con explicaciones
consistentes con las respectivas teoras. Los experimentos son
de la siguiente forma:
Se selecciona una palabra objetivo, por ejemplo desk
5

Seplantean frases con lapalabra objetivo, unas en las que el
contexto es congruente, y otras en las que el contexto es
incongruente, por ejemplo:
Contexto congruente:Mary's book were pilled up on her _
Contexto incongruente: Last night Mary read a good _
Semide que tan fcilmente reconoce un individuo (un grupo
de individuos) la palabra objetivo en los dos tipos de frases,
para sacar conclusiones.
Hasta este punto las dos teoras coinciden, pero cuando las
frases de contexto incongruente se remplazan por frases de
contexto neutral, los experimentos dan resultados distintos,
cada uno reforzando una teora, dependiendo de lo que se
entienda por "contexto neutral". Se han utilizado frases como
las siguientes:
They said it was the _
The the the
It was the
Secuencias aleatorias de palabras.
La propuesta deRueckl consiste en responder alapregunta
Qu es un contexto neutral? diciendo que hay congruencias
difusas, es decir, diciendo que entre los contextos congruentes
eincongruentes no hay un nico tipo de contexto neutral, sino
que lacongruencia puede manejarse gradualmente.
5 En la explicacin de este ejemplo se han mantenido las palabras originales en ingls,
sin su traduccin, para no desvirtuar la naturaleza del experimento.
12 Revista Ingeniera e InvestigacinNo. 45 Abril de 2000
El experimento deRuecld utiliz dos palabras objetivo: pair
pain . Estas palabras se insertaron en las siguientes frases:
The cardplayer had a in his hand
The shoemaker had a in his hand
The piano player had a in his hand
The arthritic had a in his hand
Claramente, el contexto vara para ambas palabras objetivo.
Adicionalmente, en el experimento semanipulo laforma dela
letra r - n que diferencia las dos palabras objetivo, en laforma
quemuestra lafigura 20. Ante este experimento, lasdos teoras
predicen resultados distintos. Los resultados obtenidos
concuerdan ms con la teora Interactiva.
r r r f1 n
Figura 20. Variaciones de la letra r - n
CONCLUSIONES yCOMENTARIOS
Se han presentado cuatro aplicaciones diferentes de la
Lgica Difusa; las tres primeras recogen ejemplos sencillos
de algunas de las ms comunes aplicaciones en ingeniera,
excluyendo otras igualmente comunes, como las relativas ala
Investigacin de Operaciones y toma de Decisiones, Filtraje
de Seales, Diagnstico de fallas, etc. La cuarta aplicacin
presentada cae en el rea de la psicologa, y se ha incluido
aqu con el propsito de resaltar laimportancia conceptual de
los Conjuntos Difusos, ya que la existencia de fronteras no
exactas puede emplearse en otros campos distintos alos de la
ingeniera.
En el mbito colombiano pueden sugerirse varias posibles
aplicaciones de la lgica difusa; de hecho, sta ya se ha
empleado para desarrollar sistemas expertos que ayudan a la
planificacin del sector energtico, as como ala negociacin
en la Bolsa de Energa. Tambin se conocen algunas
aplicaciones en el control industrial. Sin embargo, existe un
gran potencial an no explorado en aplicaciones socio-
econmicas, de dos tipos diferentes: por una parte estn las
aplicaciones directas en sistemas econmicos (instituciones
financieras, bolsa de valores, anlisis macroeconmico) y por
otra parte estn los enfoques tericos de las ciencias sociales,
que pueden beneficiarse de la nocin de "conjunto difuso"
(definicin del concepto de "Identidad Cultural", o el de "Paz
Imperfecta").
BrnUOGRAF.A
1. LVAREZ, Hernn D. "Control Difuso y Sistemas de Control Inteligentes" En:
Memorias del Segundo Congreso de la Asociacion Colombiana de Automtica,
Bucaramanga. Colombia, marzo de 1997, pp 331-340
2. BEZDEK, J . "Partition Structures: a tutorial" En "Analysis of fuzzy information",
Bezdek, J . CRC Press, 1987, pp 81-108
3. "Pattem recognition with fuzzy objective algorithms" Plenum Press,
New York, 1981
4. DRIANKOV, Dimiter el al. "An lntroduction lo Fuzzy Control" Springer Verlag,
Berlin, 1993
5. DUARTE, Osear G. "UNFUZZY - Software para el anlisis, diseo, simulacin e
implementacin de Sistemas de Lgica Difusa" Tesis para optar el Titulo de Magster
en Automatizacion Industrial. Universidad Nacional de Colombia, Facultad de
Ingeniera, 1997.
6. , "Sistemas de Lgica Difusa. Fundamentos" En Ingenieria e
Investigacin No. 42 Marzo de 1999,
7. KLIR, George and YUAN, Bo. "Fuzzy Seis and Fuzzy Logic" Prentice Hall, New
J ersey, 1995
8. LAYNE, J . and PASSINO, K. "Fuzzy model reference leaming control for cargo
ship steering" en IEEE Control Systems Magazine, Vol 13, No. 6, die 93, pp 23-24
9. LEE, Chuen Chien. "Fuzzy Logic in Control Systems: Fuzzy Logic Controller-Part
I" En IEEE Transactions on Syslems, Man, and Cibemetics, V 20, No. 3 Marzo/
Abril 1990, pp 404-418
lO. . "Fuzzy Logic in Control Systems: Fuzzy Logic Controller-Part 11"En
IEEE Transactions on Systems, Man, and Cibemetics, V 20, No. 3 Marzo/Abril
1990, pp 419-435
11. MENDEL, J erry. "Fuzzy Logic Systems for Engineering: A Tutorial" En Proceeding
of the IEEE, V 83, No. 3 Marzo 1995, pp 345-377
12. MlYAMOTO, S. and UMANO, M. "Recent developments in fuzzy databases and
applications", En "Fuzzy logic and its applications to engineering information
scienees and intelligent systems", Editado por Bien, Z. &Min, K. C. Klumer
Academic Publishers, pp. 367-378
13. Rueckl, J . "A fuzzy propositional account of contextual effects on word recognition"
En "Fuzzy Seis in psyehology", Ztneyi, T. North-Holland Editors, 1988, pp 127-
154.
14. TAHANI, V. "A conceptual framework for fuzzy quering processing - a step toward
very intelligent database system" En lnformation Proeessing Management 13, 1977,
289 - 303
15. TRIVEDI, M.M. "Analysis of Aerial Images using fuzzy clustering" En "Analysis
offuzzy information", Bezdek, J . CRC Press, 1987, pp 133-152.
16. WANG, Li-Xin nAdaptotive Fuzzy Systems and Control Design and Stability
Analysis" Prentice Hall, New J ersey, 1994
17. "Fuzzy Systems are Universal Approxximators" En Proeeedings of the
IEEE International Conferenee on Fuzzy Systems, San Diego, California 1992, pp
1163-1170
18. WANG, Li-Xin and MENDEL, J erry. "Back Propagation Fuzzy System as Nonlinear
Dynamic Systems Identifiers" En Proceedings of Ihe IEEE International
Conference on Fuzzy Systems, San Diego, California, 1992 pp 1409-1418
19. . "Fuzzy Basis Functions, Universal Approximation, and Orthogonal
Least-Squares Leaming" En IEEE Transactions on Neural Networks, Vol 3, No S,
Septiembre 1992, pp 807-814
20. . "Generating Fuzzy Rules by Learning from Examples" En
Proeeedings of the IEEE 1991 Intemational Symposium on Intelligenl Control
13-15 August, Arlington, Virginia, U.S.A. pp 263-268