Clase Ta5

Sistemas Difusos
Lgica difusa y sistemas difusos aplicados al anlisis

inteligente de datos
Vela
Juan A. Bota Blaya y Mercedes Valdes
juanbot@um.es, mvaldes@dif.um.es
y las Comunicaciones
Departamento de Ingeniera de la Informacion
Universidad de Murcia
y Aplicaciones. Juan A. Bota p.1/42

Tratamiento Inteligente de la Informacion
Conjuntos difusos
Definicin: los conjuntos difusos sirven para realizar una evaluacin cualitativa de
alguna cantidad fsica [Zad65].
En los conjuntos difusos se establece un grado de pertenencia, de forma que un elemento
pertenece a un conjunto difuso con cierto grado.
Un conjunto difuso A en el dominio X se define mediante un conjunto de pares
ordenados:
A = {(x, A (x)) |x X }
de pertenencia para el conjunto difuso A:
donde A (x) es la funcion
A : X [0, 1]
La funcin de pertenencia asigna a cada elemento x X un valor entre 0 y 1, dicho
valor es el grado de pertenencia de x al conjunto A.
X es el universo de discurso (discreto o continuo)

Definiciones bsicas
El soporte de un conjunto difuso A es el conjunto de todos los puntos x X tales que
su funcin de pertenencia es mayor que 0:
soporte (A) = {x X |A (x) > 0}
El nucleo
de un conjunto difuso A es el conjunto de todos los puntos x X tales que

su funcin de pertenencia es igual a 1:
n
ucleo (A) = {x X |A (x) = 1}
Un conjunto difuso A es normal si su ncleo es no vaco, es decir, si siempre podemos
encontrar un punto x X tal que A (x) = 1.
Se dice que A es un conjunto difuso singleton si su soporte es un solo punto x X con
A (x) = 1.
Un conjunto difuso A es convexo si y solo si para todo x 1 , x2 X y para todo [0, 1]:
A (x1 + (1 ) x2 ) mn {A (x1 ) , A (x2 )}
de forma alternativa, A es convexo si A es convexo, para todo [0, 1].
Operaciones con cjtos. difusos

T -norma/Interseccin difusa: La interseccin entre dos conjuntos A y B es otro
conjunto difuso C = A B cuya funcin de pertenencia se calcula a partir de las
funciones de pertenencia de A y B mediante una funcin T : [0, 1] [0, 1] [0, 1]
que realiza la agregacin de dos grados de pertenencia de la siguiente forma:
C (x) = AB (x) = T (A (x), B (x)) = A (x)
B (x)
donde
es un operador binario para la funcin T .
Satisfacen, al menos, los siguientes axiomas para todo a, b, c [0, 1]:
condicin de lmite:
T (0, 0) = 0, T (a, 1) = T (1, a) = a
montona:
T (a, b) T (c, d) si a c y b d
conmutativa:
T (a, b) = T (b, a)
asociativa:
T (a, T (b, c)) = T (T (a, b) , c)

Operaciones con cjtos. difusos (II)

Algunos de los operadores T -norma ms frecuentes son:
mnimo:
Tmin (a, b) = mn (a, b) = a b
producto algebraico:
Tp (a, b) = ab
producto acotado:
Tpa (a, b) = m
ax (0, a + b 1) = 0 (a + b 1)
Producto drstico:
Tpd (a, b)={a, si b = 1; b si a = 1; 0 si a, b < 1}
(Zadeh)
(Luckasiewicz)
T -conorma/Unin difusa: La unin de dos conjuntos difusos A y B es otro conjunto

difuso C = A B cuya funcin de pertenencia se calcula a partir de las funciones de
pertenencia de A y B mediante una funcin S : [0, 1] [0, 1] [0, 1] que realiza la
agregacin de dos grados de pertenencia de la siguiente forma:
B (x)
C (x) = AB (x) = S (A (x), B (x)) = A (x)+
es un operador binario para la funcin S.
donde +

Operaciones con cjtos. difusos (II)

satisfacen, al menos, los siguientes axiomas para todo a, b, c [0, 1]:
condicin de lmite:
S (1, 1) = 1, S (0, a) = S (a, 0) = a
montona:
S (a, b) S (c, d) si a c y b d
conmutativa:
S (a, b) = S (b, a)
asociativa:
S (a, S (b, c)) = S (S (a, b) , c)
Algunos de los operadores T -conormas ms frecuentes son:

mximo:
Smax (a, b) = m
ax (a, b) = a b
suma algebraica:
Ss (a, b) = a + b ab
suma acotada:
Ssa (a, b) = mn (1, a + b) = 1 (a + b)
suma drstica :
Ssd (a, b) = {a, si b = 0; y si a=0; 1 si a, b > 0}
(Zadeh)
(Luckasiewicz)

Funciones de pertenencia
Funcin de pertenencia triangular:Esta funcin se define mediante tres parmetros
{a, b, c} de la siguiente forma:
a,b,c (x) =
0,
xa ,
ba
cx
,
cb
0,
si x a
si a x b
si b x c
si c x
Una forma de expresin alternativa es la siguiente:

xa cx
a,b,c (x) = m
ax mn
,
,0
ba cb
Los parmetros {a, b, c} determinan las coordenadas de las tres esquinas del
tringulo definido por la funcin.

Funciones de pertenencia (II)

Funcin de pertenencia trapezoidal: se especifica mediante cuatro parmetros
{a, b, c, d} de la forma:
a,b,c,c (x) =
O expresado de forma ms concisa:
0,
xa
ba ,
si x a
si a x b
1,
si b x c
dx
,
dc
si c x d
0,
si d x
a,b,c,d (x) = m
ax mn
dx
xa
, 1,
ba
dc
,0
Los parmetros {a, b, c, d} determinan las coordenadas de las cuatro esquinas del
trapecio definido por la funcin.

Funciones de pertenencia (III)

Funcin de pertenencia bell-shaped: se especifica mediante tres parmetros {a, b, c} de
la forma:
1
a,b,c (x) =
xc 2b

1+
a
donde el parmetro b es normalmente positivo (si fuera negativo, la forma de esta

funcin sera la de una campana invertida)
Funcin de pertenencia sigmoidal: se define mediante dos parmetros {a, c} de la

forma:
1
a,c (x) =
1 + exp [a (x c)]
donde a controla la pendiente en el punto de cruce x = c. Dependiendo del signo del
parmetro a, la funcin sigmoidal es abierta a derecha o izquierda.

Defuzzyficacin
El proceso de defuzzificacin permite asociar a un conjunto difuso un nmero no difuso.
Esto se realiza para calcular el valor de salida de los modelos difusos. La defuzzificacin
puede realizarse de varias formas.
Centro del rea (COA): Asocia el centro del rea formada por el nmero difuso. Este
es uno de los mtodos ms utilizados. Matemticamente se expresa de la siguiente
forma:
R
(y)ydy
y = RY
Y (y)dy
Media del mximo (MOM): Realiza la media de los valores mximos del conjunto
difuso. Matemticamente se define de la siguiente forma:
R
Y0
y= R
Y0
ydy
dy
donde Y 0 = {y Y 0 | (y) = } y es el valor mximo de la funcin de

pertenencia.

Modelado Difuso de Sistemas

El modelado difuso es un enfoque relativamente novedoso para la construccin de
modelos de sistemas utilizando un lenguaje descriptivo basado en la lgica difusa con
predicados difusos [SY93].
Se describe el comportamiento de los sistemas de forma cualitativa, usando el
lenguaje natural.
Un modelo difuso es una descripcin de un sistema con cantidades difusas.
Las cantidades difusas se expresan como nmeros difusos que pueden tener
asociadas variables lingsticas.


Ejemplo: el controlador de la carretilla para la maniobra de atraque
Es una funcin f (et ) que proporciona salidas para el par (v , vl )
Definimos el error de la trayectoria con siete conjuntos difusos triangulares
grado de pertenencia
NLARGE NMEDIUM NSMALL
PSMALL PMEDIUM PLARGE
ZERO
Tambin la velocidad angular

NLARGE NMEDIUM NSMALL
ZERO
PSMALL PMEDIUM PLARGE


Tambin la velocidad lineal con 11 conjuntos triangulares
NFULL
NXLARGE NLARGE NMEDIUM NSMALL
ZERO
PSMALL PMEDIUM PLARGE PXLARGE
PFULL
Y el conjunto de reglas queda

Antecedente
Consecuente
Er. trayectoria (7fs)
V. angular (7fs)
V. lineal (11fs)
NLARGE
PLARGE
NZERO
NMEDIUM
PMEDIUM
NLARGE
NSMALL
PSMALL
NXLARGE
ZERO
ZERO
NFULL
PSMALL
NSMALL
NXLARGE
PMEDIUM
NMEDIUM
NLARGE
PLARGE
NLARGE
NZERO
Representacin genrica de un modelo difuso

R1 : SI x11 es A11 Y x12 es A12 Y . . . Y x1p es A1p ENTONCES y es B1
R2 : SI x21 es A21 Y x22 es A22 Y . . . Y x2p es A2p ENTONCES y es B2
Rr : SI xr1 es Ar1 Y xr2 es Ar2 Y . . . Y xrp es Arp ENTONCES y es Br

p es el nmero de variables de entrada
r es el nmero de reglas
xj con 1 j p, es la j-sima variable de entrada
Aij , con 1 i r, es el conjunto difuso asociado a la variable de entrada j-sima en
la regla i-sima
y es la variable de salida
Bi es el conjunto difuso asociado a la variable de salida en la i-sima regla

Ventajas del modelado difuso

Favorece la incorporacin del conocimiento experto
existente acerca del sistema que se est modelando
Alta interpretabilidad
Cuando existen datos entrada-salida sobre el sistema
se pueden utilizar tcnicas de identificacin de
sistemas clsicas para realizar el proceso de modelado
Modelado Difuso Conducido por Datos

Caractersticas Deseables en un Modelo Difuso
Objetivo A: conseguir capacidad aproximativa

los modelos difusos son aproximadores universales
[Wan92, Kos92, Cas95]
Objetivo B: conseguir transparencia o interpretabilidad
capacidad para incorporar conocimiento experto
explicar el funcionamiento de un sistema mediante
reglas SI-ENTONCES
nos permiten entender la influencia de cada entrada
en la salida

Caractersticas Deseables en un Modelo Difuso (II)
1. Distinguibilidad: trmino lingstico con significado tanto

ms claro cuanto ms se puedan diferenciar las
funciones de pertenencia.
2. Normalidad: para cada funcin de pertenencia debe
existir al menos un elemento en el universo con grado
de pertenecia mximo (1)
3. Numero
de funciones de pertenencia moderado: nmero de

entidades diferentes que pueden ser manejadas de
forma eficiente por la memoria, entre 7 y 9
4. Cubrimiento: se debe cubrir todo el espacio de la
variable representada

Caractersticas Deseables en un Modelo Difuso (III)
1.0
1.0
0.5
0.5
0.0
0.0
1.0
1.0
0.5
0.5
0.0
0.0
1.0
1.0
0.5
0.5
0.0
0.0

Elementos de un Modelo Difuso

Para un sistema con dos reglas
x es A1
(x,y)
y es B1
x es A2
y es B2
w11
w12
w21
w22
REGLA 1
AGREGADOR DE
ANTECEDENTES
w1
z es C1
F1
AGREGADOR DE
REGLAS
REGLA 2
AGREGADOR DE
ANTECEDENTES
w2
z es C2
F2
F
DEFUZZIFICADOR

Interpretacin de las conectivas difusas

La entrada al sistema puede ser difusa o real (crisp)
Para obtener la salida debida a la entrada
1.
determinar el grado de cumplimiento de cada una de las
proposiciones difusas atomicas

de los antecedentes
2.
calcular el grado de cumplimiento del antecedente de cada regla,

agregando las proposiciones atmicas mediante la conectiva Y
3.
realizar las implicaciones SI EN T ON CES
4.
la agregacin de las reglas debida a la conectiva ADEMAS
5.
defusificar
Para inferir una salida a partir de una entrada hay que proporcionar
del
una interpretacin de las conectivas difusas (interpretacion
mecanismo de inferencia)

Clasificacin de modelos difusos

Dependiendo del nmero de variables de entrada y salida
SISO (Single Inputs Single Output)
formados por una variable de entrada y una de
salida
MIMO (Multiple Inputs Multiple Outputs):
mltiples variables de entrada y mltiples
variables de salida
MISO (Multiple Inputs Single Output)
: modelos mltiples entradas y una sola variable
de salida
Variables involucradas:
reglas completas:
en todas las reglas que conforman el modelo difuso, estn

involucradas las mismas variables de entrada
reglas incompletas:
reglas formadas por subconjuntos (no necesariamente iguales)

del conjunto total de variables (aquellas que no aparecen se les asume grado de
pertenencia 1)
segn el Tipo de Consecuente
Modelos con consecuente difuso
Modelos relacionales
Modelos TSK (Takagi-Sugeno-Kang
Interpretacin del mtodo de razonamiento difuso
Modelos con consecuente difuso

Conectiva Y (x es A Y y es B)
min(A (c), B (y))
Q
(A (c), B (y))
Implicacin (Si x es A ENTONCES y es B)

min(A (c), B (y))
Q
(A (c), B (y))
Agregacin de reglas (agregacin equivale a disyuncin)

R1 : SI x es A1 ENTONCES z es C1
ADEMAS
R1 : SI x es
A2 ENTONCES z es C2
Rr : SI x es Ar ENTONCES z es Cr
Rset (x, z) = max(Rc1 (x, z), . . . , Rcr (x, z))
P
Rset (x, z) = algebraica (Rc1 (x, z), . . . , Rcr (x, z))
Ejemplo
Para el par de reglas
B1
A1
C1
A2
x1
B2
x2
C2
SALIDA
sin defuzzificar

Interpretacin del mtodo de razonamiento difuso
Modelos TSK: los consecuentes de las reglas son

funciones polinomiales de las variables de entrada
SI x1 es A11 Y . . . Y xp es A1p ENTONCES y1 = a11 (x1 , ..., xp ) Y . . . Y yh = a1h (x1 , ..., xp )
SI x1 es A21 Y . . . Y xp es A2p ENTONCES y1 = a21 (x1 , ..., xp ) Y . . . Y yh = a2h (x1 , ..., xp )
...
SI x1 es Ar1 Y . . . Y xp es Arp ENTONCES y1 = ar1 (x1 , ..., xp ) Y . . . Y yh = arh (x1 , ..., xp )
Geomtricamente, las reglas del modelo TSK corresponden a una aproximacin de la funcin original mediante una combinacin de
funciones lineales.
Las funciones lineales pueden remplazarse por otras no lineales
Interpretacin
1.
Supongamos una nica variable a la salida
2.
hay que calcular el grado de disparo de cada regla, i , con i = 1, . . . , r

i = T (Ai1 (x1 ), . . . , Aip (xp )),
3.
La salida y se obtiene de la siguiente forma:

r
P
i=1
y =
r
P
i y i
i=1
siendo yi el consecuente de la regla i-sima

Ejemplo

Modelado difuso guiado por datos

En anlisis de datos, buscamos una funcin objetivo f , que
aproximamos mediante f, obtenida apartir de datos de aprendizaje
En el modelado difuso tramaos de encontrar un sistema de
inferencia difusa para representar f y aproximar f
Debemos entonces determinar
El tipo de sistema de inferencia (TSK, etc)
Interpretacin de las conectivas
El nmero de conjuntos difusos para cada variable de entrada y
salida
El nmero de reglas
Los cjtos. difusos de cada regla
Otros

Modelado Neuro-Difuso
los sistemas de inferencia difusos proporcionan un mecanismo
intuitivo y de alto nivel para representar el conocimiento
las redes neuronales [Cyb88, Bis95], poseen un alto grado de
adaptabilidad y capacidad de aprendizaje y generalizacin
las herramientas que se nutren de estas dos reas son un
mecanismo eficiente a la hora de modelar sistemas reales: las redes
adaptativas neuro-difusas [CW96, Jan93, JSM97]
El enfoque ms extendido es el de usar backpropagation en
sistemas difusos
1.
el controlador difuso se transforma en una red reuronal
2.
la red se entrena mediante backpropagation
3.
han de utilizarse operadores diferenciables en el FRM y

funciones de pertenencia diferenciables para los conjuntos
difusos
odelado Neuro-Difuso con Redes Neuronales con Funciones de Base Radial (RBFN
Arquitectura
capa oculta formada funciones de base radial R i , tpicamente Ri es gaussiana:

kx ci k2
Ri (x) = exp
2i2
La capa de salida tiene un solo nodo
suma ponderada de las salidas de cada neuronal de la capa oculta:
y=
c
X
wi Ri (x)
i=1
media ponderada de los valores de salida asociados con cada neurona:

Pc
i=1 wi Ri (x)
y= P
c
i=1 Ri (x)

Modelado Neuro-Difuso con Redes de Funciones de Base Radial (RBFN)
R1
x1
c1
R2
c2
\sum
c3
R3
c4
x2
R4

Equivalencia con TSK

Si asignamos una funcin lineal a la salida de cada neurona:
T
wi = fi (x) = ai x + bi
donde ai y bi son los parmetros asociados a la salida de la neurona i-sima
la salida obtenida por la red RBFN es:
y=
Pc
i=1 Ri (x)fi (x)

PM
i=1 Ri (x)
siendo idntica a la producida por un sistema de inferencia difuso TSK de primer orden si
El nmero de neuronas es igual al nmero de reglas
RBFN y FIS tienen el mismo mtodo de agregacin (suma ponderada o media ponderada)
para calcular la salida total.
Las funciones de base radial son de pertenencia multidimensional para el antecedente de cada
regla del sistema
La salida de cada regla del FIS y de la red RBFN debe tener la misma funcin de respuesta:
en el caso de una funcin lineal de primer orden, fi (x) = aT
i x + bi , resulta equivalente
a un sistema de inferencia TSK de primer orden,
en el caso de una constante, fi (x) = bi , entonces resulta equivalente a un sistema de
inferencia TSK de orden cero.
Ajuste de parmetros para una red RBF-TSK

El algoritmo de entrenamiento actualiza de forma incremental los parmetros (tanto de
los antecedentes como de los consecuentes) en base a los datos entrada-salida que
se le presentan
La funcin objetivo en este caso es el error cuadrtico medio.
El grado de disparo de una regla dada equivale al grado de disparo de una neurona y
viene dado mediante la composicin suma-producto de la forma:
Ri (~
x) = exp
p
X
j=1
|xj cij
2
2ij
|2
p
Y
"
|xj cij
=
exp
2
2ij
j=1
|2
p
Y
Aij
j=1
donde: ci = [ci1 , . . . , cip ]T es el vector de centros de la regla i-sima

i = [i1 , . . . , ip ]T es el vector de varianzas de la regla i-sima A ij , j = 1, . . . , p
son los conjuntos difusos del antecedente de la regla i-sima, definido cada uno por
una funcin de pertenencia gaussiana con parmetros (c ij , ij ).

Ajuste de parmetros para una red RBF-TSK (II)
La salida total del modelo se calcula sumando las contribuciones individuales de cada
regla utilizando la media ponderada
En el caso de una funcin lineal de primer orden:
fi (x) = i1 x1 + . . . + ip xn + i(p+1)
T
donde i = [i1 , . . . , i(p+1) ]T = [aT
i ; bi ] es el vector de parmetros del
consecuente
Para el patrn de entrenamiento k-simo, el error E k es:

Ek =
1
(yk tk )2
2
donde yk es la salida real del modelo, y tk es la salida deseada para el vector de

entrada k-simo.

Ajuste de parmetros para una red RBF-TSK (III)
La regla para realizar la actualizacin es la siguiente:

inew = iold + i = iold
Ek
i
T
T T
donde: i = 1, . . . , r, i = [cT
i ; i ; i ] son los parmetros asociados a la regla
i-sima y es el ratio de aprendizaje.
Los gradientes negativos de Ek con respecto a cada parmetro se calculan de la

siguiente forma:
cji =
ji
xj cji
Ek
fi (x) yk
= (tk yk )
Ri (x)
2
cji
z
ji
(xj cji )2
Ek
fi (x) yk
Ri (x)
=
= (tk yk )
3
ji
z
ji
ij =
Ek
1
= (tk yk ) Ri (x)xj
ij
z
donde i = 1, . . . , r, j = 1, . . . , p, y z =
c
P
i=1
Ri (x).
Modelado Neuro-Difuso con ANFIS
La arquitectura ANFIS(Adaptive Neuro-based Fuzzy Inference

System) [Jan93, JSM97] es funcionalmente equivalente
a un sistema TSK.
La desarrollada a continuacin se corresponde con el
modelo TSK de consecuente lineal.
Los nodos situados en la misma capa realizan
funciones similares.
Los nodos representados con rectngulos son
adaptativos, mientras que los nodos representados por
crculos no lo son

ANFIS, Arquitectura
x1 , . . . , x p
.
.
.
A11
...
...
A1p
PP11
PP
P

1p
...
Arp
PPr1
PP
P

a11 , . . . , a1p , b1
.
.
.
.
.
.
.
.
.
Ar1
\
\ y1
\
\P

yr

ar1 , . . . , arp , br
rp
.
.
.
capa 0
capa1
capa2
capa3
capa4
capa5

Funcionalidad en las capas

Capa 0: corresponde a las entradas x1 , . . . , xp .
Capa 1: los nodos de esta capa son adaptativos, y cada uno calcula el grado de
pertenencia ij de la entrada j-sima al conjunto difuso Aij . Su funcin de
pertenencia puede definirse de varias maneras, teniendo en cuenta que ha de ser
diferenciable. Por ejemplo, podra ser una funcin bell-shaped:
Aij =
1
x ci 2bi
j
j
1 + ai j
i = 1, . . . , c, j = 1, . . . , p,
donde xi es la entrada y {aij , bij , cij } es el conjunto de parmetros. O por ejemplo, una
gaussiana:
x ci 2
Aij = e
ai
j
i = 1, . . . , c, j = 1, . . . , p,
donde xi es la entrada y {aij , cij } es el conjunto de parmetros.

Funcionalidad en las capas (II)

Capa 2: los nodos de esta capa son no adaptativos y se define la salida del nodo
i-simo como el producto de sus entradas:
i =
p
Y
i = 1, . . . , r,
ij
j=1
donde cada salida i corresponde al grado de disparo de la i-sima regla (usando la

T -norma del producto).
Capa 3: los nodos de esta capa son no adaptativos. El nodo i-simo obtiene el grado
de disparo normalizado de la regla i-sima
i = P r
k=1

Funcionalidad en las capas (III)

Capa 4: cada nodo de esta capa es adaptativo y los parmetros del nodo i-simo son
ai1 , . . . , aip , bi . Su salida se corresponde con la salida parcial de la i-sima regla,

yi = i ai1 x1 . . . + aip xp + bi
Capa 5: el nodo de esta capa es no adaptativo y su salida se define como la suma de

las salidas parciales yi :
r
X
y=
yi
i=1

Ajuste de parmetros en ANFIS

Basado en una combinacin de mnimos cuadrados y
backpropagation
Los nodos de la capa 1 y cuatro se corresponden,
respectivamente, con
los parmetros de los conjuntos difusos de los
antecedentes de un sistema TSK
los coeficientes de las funciones lineales de sus
consecuentes

Mnimos cuadrados para los parmetros en los consecuentes
Si los parmetros de los antecedentes quedan fijos, la salida y puede ser reescrita
entonces de la siguiente manera
y
1 (a11 x1 + . . . + a1p xp + b1 )
+...+
(1)
r (ar1 x1 + . . . + arp xp + br )
y esta ecuacin puede reescribirse como:
f =
(2)
1 x1 a11 + . . . + 1 xp a1p + 1 b1
+...+
r x1 ar1 + . . . + r xp arp + r br
lineal en los parmetros de los consecuentes a i1 , . . . , aip , bi con i = 1, . . . , p.

Se puede aplicar mnimos cuadrados

Mtodo global
combinar el mtodo de backpropagation con el mtodo de cuadrados
mnimos para modificar los parmetros de la red
cada poca est compuesta por una pasada hacia adelante y una
pasada hacia atrs.
Hacia adelante para cada vector de entrada, se evala la red
hasta la capa 4, y los parmetros de los consecuentes son
identificados mediante el mtodo de cuadrados mnimos
se calculan los errores para cada par del conjunto de
entrenamiento y, en la pasada hacia atrs se propagan las
seales del error y los parmetros de las premisas son
modificados por el mecanismo clsico de backpropagation

Referencias
[Bis95]
Christopher M. Bishop, Neural networks for pattern recognition, Clarendon Press, Oxford, 1995.
[Cas95]
J. L. Castro, Fuzzy logic controllers are universal approximators, IEEE Transactions on System, Man and
Cybernetics 25 (1995), no. 4, 629635.
[CW96]
K. B. Cho and B. H. Wang, Radial basis function based adaptive fuzzy systems and their application to system
identification and prediction, Fuzzy Sets and Systems 83 (1996), 325339.
[Cyb88]
G. Cybenko, Approximation by superpositions of a sigmoidal function, Mathematics of Control, Signals, and

Systems 2 (19988), no. 4, 303314.
[Jan93]
J.S. Jang, Anfis: Adaptive-network-based fuzzy inference systems, IEEE Trans. on Systems, Man, and
Cybernetics 23 (1993), no. 03, 665685.
[JSM97]
J.-S. R. Jang, C.-T. Sun, and E. Mizutani, Neuro-fuzzy and soft computing, Matlab Curriculum, Prentice Hall,
1997.
[Kos92]
B. Kosko, Fuzzy systems as universal approximators, Proceedings of the IEEE International Conference on
Fuzzy Systems, 1992, pp. 11531161.
[SY93]
M. Sugeno and T. Yasukawa, A fuzzy logic based approach to qualitative modeling, IEEE Transactions on Fuzzy
Systems 1 (1993), no. 1, 731.
[Wan92] L. X. Wang, Fuzzy systems are universal approximators, Proceedings of the International Conference on Fuzzy
Systems (San Diego. USA), 1992, pp. 11631170.
[Zad65]
Lofti A. Zadeh, Fuzzy sets, Information and Control 8 (1965), 338353.


Clase Ta5

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Clase Ta5

Cargado por

Copyright:

Formatos disponibles

Sistemas Difusos

Lgica difusa y sistemas difusos aplicados al anlisis

y Aplicaciones. Juan A. Bota p.1/42

y Aplicaciones. Juan A. Bota p.2/42

de un conjunto difuso A es el conjunto de todos los puntos x X tales que

Operaciones con cjtos. difusos

T (0, 0) = 0, T (a, 1) = T (1, a) = a

T (a, T (b, c)) = T (T (a, b) , c)

y Aplicaciones. Juan A. Bota p.4/42

Operaciones con cjtos. difusos (II)

Tmin (a, b) = mn (a, b) = a b

Tpd (a, b)={a, si b = 1; b si a = 1; 0 si a, b < 1}

T -conorma/Unin difusa: La unin de dos conjuntos difusos A y B es otro conjunto

y Aplicaciones. Juan A. Bota p.5/42

Operaciones con cjtos. difusos (II)

S (1, 1) = 1, S (0, a) = S (a, 0) = a

S (a, S (b, c)) = S (S (a, b) , c)

Algunos de los operadores T -conormas ms frecuentes son:

Ssa (a, b) = mn (1, a + b) = 1 (a + b)

Ssd (a, b) = {a, si b = 0; y si a=0; 1 si a, b > 0}

y Aplicaciones. Juan A. Bota p.6/42

Una forma de expresin alternativa es la siguiente:

y Aplicaciones. Juan A. Bota p.7/42

Funciones de pertenencia (II)

O expresado de forma ms concisa:

y Aplicaciones. Juan A. Bota p.8/42

Funciones de pertenencia (III)

donde el parmetro b es normalmente positivo (si fuera negativo, la forma de esta

Funcin de pertenencia sigmoidal: se define mediante dos parmetros {a, c} de la

y Aplicaciones. Juan A. Bota p.9/42

donde Y 0 = {y Y 0 | (y) = } y es el valor mximo de la funcin de

y Aplicaciones. Juan A. Bota p.10/42

Modelado Difuso de Sistemas

y Aplicaciones. Juan A. Bota p.11/42

Modelado Difuso de Sistemas

NLARGE NMEDIUM NSMALL

PSMALL PMEDIUM PLARGE

Tambin la velocidad angular

NLARGE NMEDIUM NSMALL

PSMALL PMEDIUM PLARGE

y Aplicaciones. Juan A. Bota p.12/42

Modelado Difuso de Sistemas

NXLARGE NLARGE NMEDIUM NSMALL

PSMALL PMEDIUM PLARGE PXLARGE

Y el conjunto de reglas queda

Er. trayectoria (7fs)

Representacin genrica de un modelo difuso

Rr : SI xr1 es Ar1 Y xr2 es Ar2 Y . . . Y xrp es Arp ENTONCES y es Br

y Aplicaciones. Juan A. Bota p.14/42

Ventajas del modelado difuso

y Aplicaciones. Juan A. Bota p.15/42

Caractersticas Deseables en un Modelo Difuso

Objetivo A: conseguir capacidad aproximativa

y Aplicaciones. Juan A. Bota p.16/42

Caractersticas Deseables en un Modelo Difuso (II)

1. Distinguibilidad: trmino lingstico con significado tanto

de funciones de pertenencia moderado: nmero de

y Aplicaciones. Juan A. Bota p.17/42

Caractersticas Deseables en un Modelo Difuso (III)

y Aplicaciones. Juan A. Bota p.18/42

Elementos de un Modelo Difuso

y Aplicaciones. Juan A. Bota p.19/42

Interpretacin de las conectivas difusas