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