Documentos de Académico
Documentos de Profesional
Documentos de Cultura
EL PARADIGMA DIFUSO
En este captulo describiremos brevemente los fundamentos matemticos
de la teora de conjuntos difusos, as como la aplicacin de estos conceptos a
los mecanismos de inferencia, lo que se ha dado en llamar Lgica Difusa. Asimismo estudiaremos las caractersticas generales de los sistemas basados en lgica difusa.
1.1 CONJUNTOS DIFUSOS
La teora de conjuntos difusos fue introducida por Lofti A. Zadeh como un
mecanismo de representacin de la vaguedad e imprecisin de los conceptos
empleados en el lenguaje natural [Zadeh,1965]. Expresiones del tipo ese hombre es alto, hoy hace calor o voy a tardar un rato son habituales en nuestro lenguaje. Sin embargo no es fcil precisar qu entendemos por alto,
calor o un rato. Difcilmente nos pondremos de acuerdo en precisar a partir de qu altura puede considerarse alta a una persona, o a partir de qu temperatura se dice que hace calor, o cunto tiempo supone esperar un rato. Sin
embargo los seres humanos no encontramos dificultades en razonar con estos
conceptos imprecisos.
Los conjuntos difusos fueron definidos como una extensin de los conjuntos clsicos que permitiera modelar la imprecisin de los conceptos humanos.
En la teora clsica de conjuntos, formulada por Georg Cantor a finales del siglo XIX, un cierto elemento puede pertenecer o no a un determinado conjunto,
es decir, la relacin de pertenencia puede tomar nicamente los valores verdadero o falso. La modificacin fundamental propuesta por Zadeh consiste en introducir un grado de pertenencia, esto es, expresar la pertenencia de un
elemento a un conjunto como un nmero real en el intervalo [0,1]. Un grado de
pertenencia 0 indica que un elemento no pertenece a un determinado conjunto, mientras que un grado de pertenencia 1 indica que el elemento pertenece
totalmente al conjunto. Valores intermedios indican una pertenencia parcial de
un elemento al conjunto (Figura 1.1).
La definicin de un conjunto difuso A requiere la especificacin del valor
del grado de pertenencia de cada elemento del universo de discurso U sobre el
que se define el conjunto, esto es, la especificacin de una funcin de pertenencia A(u). La funcin de pertenencia de un conjunto clsico slo puede tomar
los valores 0 y 1, mientras que en un conjunto difuso puede tomar cualquier
valor en el intervalo [0,1].
grado de pertenencia
Temperatura
baja
grado de pertenencia
32
34
Temperatura
alta
36
Temperatura
baja
32
34
38
Temperatura
alta
36
38
(a)
40 Temperatura (C)
(b)
40 Temperatura (C)
Figura 1.1: Representacin grfica de dos conjuntos: (a) Clsico; (b) Difuso.
A(u) : U [0,1]
(1.1)
Aunque las funciones de pertenencia pueden tener cualquier forma, generalmente y por razones prcticas se suelen definir analticamente, de manera
que slo sea necesario especificar el valor de algunos parmetros para determinar la funcin [Ross, 1995]. Algunas de las formas ms utilizadas son funciones triangulares, trapezoidales, campaniformes o sigmoidales, como muestra la
Figura 1.2.
A partir de la definicin de conjunto difuso se suelen introducir una serie
de trminos bsicos, como soporte, altura o corte- de un conjunto difuso, que
se utilizan frecuentemente en la literatura [Cox, 1999]. La Figura 1.3 muestra
grficamente el significado de estos trminos.
Se define soporte de un conjunto difuso como el conjunto (clsico) de elementos cuyo grado de pertenencia es no nulo. Se dice que un conjunto difuso
es una singularidad difusa (fuzzy singleton) si su soporte est formado por un
nico elemento.
soporte ( A ) = { u U A ( u ) > 0}
(1.2)
Se define altura de un conjunto difuso como el valor mximo de su funcin de pertenencia. Se dice que un conjunto difuso es normal si su altura es la
unidad.
El paradigma difuso
b
a
(a)
(b)
(c)
b
a
(d)
(e)
(f)
Figura 1.2: Funciones utilizadas habitualmente como funciones de pertenencia y sus parmetros:
(a) triangular; (b) trapezoidal; (c) campaniforme; (d) sigmoidal; (e) rectangular; (f) delta.
altura ( A ) = max A ( u )
(1.3)
A(u) }
corte fuerte ( A ) = { u U
A(u) > }
altura
corte-
soporte
(1.4)
(1.5)
(1.6)
(1.7)
T ( x, T ( y, z ) ) = T ( T ( x, y ), z ), x, y, z [ 0, 1 ]
El paradigma difuso
si ( x y ) y ( w z ) T ( x, w ) T ( y, z )
Monotona:
x, y, w, z [ 0, 1 ]
Elemento absorbente: T ( x, 0 ) = 0, x [ 0, 1 ]
Elemento neutro: T ( x, 1 ) = x, x [ 0, 1 ]
Existen muchas funciones que cumplen estas propiedades y que, por tanto,
pueden ser utilizadas para representar la interseccin entre conjuntos difusos
[Wang, 1997]. La Tabla 1.1 presenta algunas de las funciones asociadas frecuentemente a la operacin de interseccin.
Tabla 1.1: T-normas.
Nombre
Definicin
Mnimo
T ( x, y ) = min ( x, y )
Producto
T ( x, y ) = x y
Producto acotado
T ( x, y ) = max ( 0, x + y 1 )
Producto drstico
T ( x, y ) = y
Representacin
si y = 1
si x = 1
eoc
Unin: Dados dos conjuntos difusos A y B, definidos sobre el mismo universo de discurso U, se define la unin de ambos conjuntos como un conjunto
difuso A B cuya funcin de pertenencia viene dada por la expresin:
A B(u) = S ( A, B ), u U
(1.8)
Asociatividad:
S ( x, S ( y, z ) ) = S ( S ( x, y ), z ), x, y, z [ 0, 1 ]
Monotona:
si ( x y ) y ( w z ) S ( x, w ) S ( y, z )
x, y, w, z [ 0, 1 ]
Elemento neutro: S ( x, 0 ) = x, x [ 0, 1 ]
Elemento absorbente: S ( x, 1 ) = 1, x [ 0, 1 ]
Como en el caso de la interseccin, existen muchas funciones que cumplen
estas propiedades y que, por tanto, pueden ser utilizadas para representar la
unin entre conjuntos difusos [Pedrycz, 1998]. La Tabla 1.2 presenta algunas
de las funciones asociadas frecuentemente a la operacin de unin.
Tabla 1.2: S-normas.
Nombre
Definicin
Mximo
S ( x, y ) = max ( x, y )
Suma algebraica
S ( x, y ) = x + y x y
Suma acotada
S ( x, y ) = min ( 1, x + y )
Suma drstica
S ( x, y ) = y
Representacin
si y = 0
si x = 0
eoc
(1.9)
donde la funcin C(x) es una C-norma, es decir, es una funcin que cumple las
El paradigma difuso
siguientes propiedades:
Condiciones de contorno: C ( 0 ) = 1,
C(1) = 0
Definicin
Negacin
C( x) = 1 x
Sugeno
1x
C ( x ) = -------------------1+x
Yager
C( x) = (1 x )
w 1w
Parmetro
( 0, )
w ( 0, )
(1.10)
S ( x, y ) max(x, y) x, y [ 0, 1 ]
(1.11)
Determinadas elecciones de los operadores de unin, interseccin y complemento pueden verificar las leyes de De Morgan generalizadas [Yager,
1994].
C ( T ( x, y ) ) = S ( C ( x ), C ( y ) )
C ( S ( x, y ) ) = T ( C ( x ), C ( y ) )
(1.12)
En general, dada una funcin de complemento, se puede asociar una Tnorma a cada S-norma (y viceversa). Por ejemplo, utilizando la negacin como
complemento, las parejas mnimo-mximo y producto-suma (algebraica, acotada y drstica) verifican las leyes de De Morgan generalizadas.
Los operadores mnimo y mximo tambin verifican la propiedad distributiva:
T ( x, S ( y, z ) ) = S ( T ( x, y ), T ( x, z ) )
S ( x, T ( y, z ) ) = T ( S ( x, y ), S ( x, z ) )
(1.13)
(1.14)
A( x)
= ymax
x( A( y))
(1.15)
menor o igual que: Como el anterior, este modificador se aplica sobre conjuntos definidos en universos de discurso numricos de una dimensin. La
funcin de pertenencia final se obtiene mediante la expresin:
A( x)
= ymax
x( A( y))
(1.16)
El paradigma difuso
(a)
(b)
(c)
(d)
(e)
(f)
Figura 1.4: Modificadores lingsticos: (a) mayor o igual; (b) menor o igual; (c) distinto;
(d) aproximadamente; (e) fuertemente; (f) casi.
R(u,v)
1
10
(1.17)
es decir, que dos elementos, u y w, estn relacionados si existe un camino u-vw que los une.
Para generalizar esta definicin utilizando relaciones difusas hay que tener
en cuenta que las relaciones P y R expresan ahora el grado de relacin entre u
y v, y entre v y w, respectivamente. El grado de relacin entre u y w por medio
de v (es decir, el grado de relacin del camino u-v-w), se obtiene a partir de los
grados de relacin entre u y v (P(u,v)), y entre v y w (R(v,w)), aplicando una
T-norma. El grado de relacin entre u y w es el mximo obtenido de entre todos
los caminos posibles (Figura 1.6). La funcin de pertenencia de la composicin
entre relaciones difusas se puede expresar, por tanto, de la siguiente forma:
PoR(u,w) = sup{ P(u,v) * R(v,w) }
(1.18)
v1
.
u
v2
.
v3
.
P(u,v)
R(v,w)
Q(u,w)
El paradigma difuso
11
x
(a)
(b)
Figura 1.7: (a) Conjunto difuso definido sobre el universo X. (b) Proyeccin cilndrica sobre el
universo Y.
(1.19)
es decir, la funcin de pertenencia de la proyeccin es independiente de la variable v (Figura 1.7). Puesto que la proyeccin cilndrica es un conjunto difuso
definido sobre un producto cartesiano de (al menos) dos universos, se suele
considerar como una relacin difusa.
Para realizar una operacin binaria entre dos conjuntos A y B, definidos sobre U y V respectivamente, se consideran las proyecciones cilndricas de ambos conjuntos sobre el universo de discurso del contrario. La operacin binaria
se debe realizar, por tanto, sobre A y B , donde ambos se encuentran definidos
UV.
12
KL
10
12
sobre dos nmeros difusos da lugar a un resultado impreciso, es decir, a un nuevo nmero difuso, que estar descrito mediante un conjunto difuso diferente
que debemos calcular.
Consideremos una operacin aritmtica entre dos nmeros reales. Se define la extensin de a conjuntos difusos ( K L ) como
K L(u) = sup s, t { K ( s ) * L ( t ) }
u = st
(1.20)
donde * es una T-norma, que habitualmente se toma como el mnimo. La expresin anterior puede simplificarse enormemente cuando se consideran funciones de pertenencia de una forma determinada (Figura 1.8). Por ejemplo,
para funciones de pertenencia triangulares, definidas mediante tres parmetros
(a,b,c), la suma es de nuevo una funcin de pertenencia triangular que viene
dada por la expresin
( a 1, b 1, c 1 ) ( a 2, b 2, c 2 ) = ( a 1 + a 2, b 1 + b 2, c 1 + c 2 )
(1.21)
La aritmtica difusa permite incorporar la imprecisin como una parte fundamental de los valores de las variables. Esto es de gran utilidad para el desarrollo de tcnicas de razonamiento cualitativo o semicuantitativo [Dubois,
1989].
1.5 LGICA DIFUSA
Se denomina lgica difusa a los mecanismos de inferencia basados en reglas que emplean trminos lingsticos representados por conjuntos difusos.
Dado un conjunto de reglas que relacionan una serie de variables y dado un
conjunto de valores iniciales (en general expresados como conjuntos difusos)
de algunas de estas variables, el objetivo de estos mecanismos de inferencia es
deducir el valor (expresado en forma de un conjunto difuso) del resto de variables.
El paradigma difuso
13
(1.22)
grado de pertenencia
Baja
Normal Alta
Muy alta
0
32
34
36
38
40
42
Temperatura (C)
14
(a)
(b)
Anlogamente, el conjunto difuso correspondiente a la disyuncin de proposiciones difusas se obtiene mediante la unin de ambos conjuntos.
A B ( x, y ) = S ( A ( x ), B ( y ) )
(1.23)
(1.24)
(1.25)
(1.26)
Sustituyendo los operadores de conjuncin, disyuncin y negacin clsicos por sus correspondientes operadores difusos de interseccin, unin y complemento, se obtienen expresiones que permiten definir funciones de
implicacin [Lee, 1990]:
El paradigma difuso
15
A B ( x , y ) = S ( C ( A ( x ) ), B ( y ) )
(1.27)
A B ( x, y ) = S ( T ( A ( x ), B ( y ) ), C ( A ( x ) ) )
(1.28)
Definicin
Dienes-Resher
o Booleana
A B ( x, y ) = max ( 1 A ( x ), B ( y ) )
Mizumoto
A B ( x, y ) = 1 A ( x ) + A ( x ) B ( y )
Lukasiewicz
A B ( x, y ) = min ( 1, 1 A ( x ) + B ( y ) )
Zadeh
o Max-min
A B ( x, y ) = max ( min ( A ( x ), B ( y ) ), 1 A ( x ) )
Dubois-Prade
1 A ( x ) si B ( y ) = 0
A B ( x, y ) = ( y ) si ( x ) = 0
B
A
1
eoc
Goguen
1
si A ( x ) B ( y )
A B ( x, y ) =
eoc
B ( y ) A ( x )
Gdel
1 si A ( x ) B ( y )
A B ( x, y ) =
eoc
B ( y )
Sharp o
secuencia
estndar
1 si A ( x ) B ( y )
A B ( x, y ) =
0
eoc
16
El paradigma difuso
17
B = A R
(1.29)
(1.30)
(1.31)
(1.32)
Otro caso importante se produce cuando la T-norma * y el operador de implicacin cumplen la propiedad distributiva. En este caso, la conclusin de
la inferencia se calcula mediante la expresin
B ( y ) = sup { A ( x )* A ( x ) }, B ( y ) = ( , B ( y ) )
x
(1.33)
= sup { A ( x )* A ( x ) }
x
(1.34)
18
reglas, definidas sobre un conjunto de variables de entrada y salida. La generalizacin de la regla de inferencia composicional para su aplicacin en sistemas
expertos plantea nuevos problemas. El primero de ellos es cmo representar el
conjunto difuso de una observacin en un problema de mltiples entradas. Un
segundo problema es cmo realizar el proceso de inferencia simultneamente
en todas las reglas.
Respecto a la primera cuestin, dadas N observaciones sobre variables lingsticas, x1 es A1 ... xN es AN, el conjunto difuso que define la observacin global que incluye a todas las variables es la conjuncin de todas las
observaciones, es decir, (x1 es A1) (x2 es A2) ... (xN es AN), cuya funcin de pertenencia es:
A ( x 1, x 2, , x N ) = T [ A ( x 1 ), A ( x 2 ), , A ( x N ) ]
1
(1.35)
sup { T ( ( x ), ( x ) ) * T ( ( x ), ( x ) ) }
A 1' 1
A 2' 2
A1 1
A2 2
x 1, x 2
sup { T ( ( x ) * ( x ), ( x ) * ( x ) ) }
A 1' 1
A1 1
A 2' 2
A2 2
x 1, x 2
(1.36)
2
= T (A
1'
A 1,
2'
A2 )
El paradigma difuso
19
RG = R1 R2 R N
(1.37)
La segunda opcin, llamada inferencia basada en reglas, consiste en calcular en primer lugar las conclusiones parciales de cada regla, aplicando la regla de inferencia composicional a cada regla. La conclusin global se obtiene
mediante la agregacin de las conclusiones parciales:
B = B 1 B 2 B N
B i = A R i
(1.38)
La eleccin entre estas dos interpretaciones de la agregacin de reglas depende tanto del significado intuitivo de una base de reglas (que se inclina por
la primera interpretacin) como de la simplicidad del mecanismo (que se inclina por la segunda). Para determinadas elecciones de los distintos operadores
puede demostrarse que ambas interpretaciones son equivalentes [Lee,1990].
En general, los sistemas expertos basados en lgica difusa suelen utilizar el segundo mecanismo.
Un ltimo problema es definir el operador de agregacin. Teniendo en
cuenta la definicin del operador de implicacin (ec. 1.27)(ec. 1.28), cuando la
premisa no se cumple (es decir, el grado de similaridad es cero), la conclusin es un conjunto difuso que cubre todo el universo ( B ( y ) = 1, y ). La
conclusin de una regla que no se cumple no debera influir en el resultado global de la inferencia, es decir, la agregacin de este conjunto a la conclusin global no debe tener ninguna influencia. Dicho de otro modo, para el operador de
agregacin el valor 1 debe ser un elemento neutro. Por tanto, las funciones adecuadas para representar la agregacin son T-normas [Wang, 1997].
La formulacin de la lgica difusa que hemos desarrollado hasta ahora es
la forma natural de generalizar la lgica proposicional clsica. Como acabamos
de ver, las conclusiones de la inferencia obtenidas con esta formulacin tienden
a ocupar todo el universo de discurso (las conclusiones suelen tener un grado
de pertenencia no nulo en todo el universo). Sin embargo, en muchas ocasiones
es recomendable, o incluso necesario, que estas conclusiones se encuentren
ms limitadas en el universo. Para esto es necesario modificar la formulacin
en el sentido de que las conclusiones tengan valores no nulos slo para aquellas
reglas que estn activas. Esta modificacin consiste en utilizar T-normas como
funciones de implicacin, con lo que la conclusin de una regla no activa sera
siempre nula. Es habitual, por tanto, utilizar T-normas como funciones de implicacin, especialmente el mnimo (implicacin de Mamdani) y el producto
(implicacin de Larsen). Una ventaja adicional del uso de T-normas como funciones de implicacin es que se garantiza la distributividad entre la implicacin
y la composicin lo que, como hemos visto, simplifica el proceso de inferencia
(ec. 1.33). Cuando se utiliza una T-norma como implicacin, la conclusin global no debe modificarse al agregar un conjunto vaco. Esto implica que para el
20
yi B ( yi )
i
y = ----------------------------- B ( yi )
(1.39)
Entre las propiedades positivas de este mtodo hay que destacar que es
continuo (un pequeo cambio en las entradas no implica un cambio brusco en
las salidas) y no es ambiguo (obtiene un valor nico como resultado del proceso). Sin embargo el mtodo presenta algunos inconvenientes. En primer lugar,
no es plausible (ya que la salida puede corresponder a un punto del soporte del
conjunto con bajo grado de activacin). Otra caracterstica, a veces indeseable,
es que no se trata de un mtodo lineal. Por otra parte, la principal limitacin de
este mtodo es la necesidad de recorrer todo el universo de discurso para evaluar el centroide. Esto hace que el clculo del valor representativo sea muy costoso en nmero de operaciones.
Centro del rea Mayor: Este mtodo pretende resolver el problema de
falta de plausibilidad del mtodo anterior. Consiste en dividir el conjunto
difuso en zonas convexas y calcular el centro de rea de la zona de rea mayor.
Presenta el inconveniente de la ambigedad en el caso de que haya dos zonas
con el mismo rea.
Mximo: Consiste en generar como valor representativo el punto del uni-
El paradigma difuso
21
verso de discurso cuyo grado de pertenencia sea mximo. Este mtodo asegura la plausibilidad, pero resulta ambiguo cuando existen muchos puntos con
este grado de pertenencia, de manera que normalmente se utilizan los mtodos
de Primer Mximo, ltimo Mximo o Media de los Mximos. En cualquier
caso, estos mtodos son discontinuos (ya que una pequea variacin en el
grado de activacin de las reglas puede modificar significativamente la posicin del mximo) y pueden reducir el carcter difuso de la inferencia, ya que
los valores que pueden generar corresponden a los mximos de los consecuentes de las reglas.
Estos mtodos bsicos, tambin conocidos como mtodos convencionales,
pueden ser empleados sobre cualquier conjunto difuso. Los conjuntos difusos
que deseamos representar por valores discretos provienen de un proceso de inferencia. Esto quiere decir que su funcin de pertenencia se obtiene a partir de
los consecuentes de las reglas por medio de los operadores de implicacin y
agregacin. Muchos mtodos de concrecin utilizan esta propiedad para calcular el valor representativo en funcin de las caractersticas de los consecuentes,
cuyas funciones de pertenencia se conocen de antemano. Esto permite evitar
los recorridos sobre el universo de discurso que suponen el mayor obstculo en
la utilizacin de los mtodos convencionales. Los mtodos de concrecin que
utilizan parmetros precalculados de los consecuentes y no necesitan recorridos sobre el universo de discurso se denominan mtodos simplificados.
Entre los mtodos simplificados cabe destacar los siguientes:
Centro de Sumas: Este mtodo emplea la suma como operador de agregacin y el producto como operador de implicacin.
B ( yi ) =
r r ( yi )
(1.40)
yi r r ( yi )
i
r yi r ( yi )
r Sr cr
r
y = ----------------------------------------------- = ----------------------------------------------- = -----------------------------
(
y
)
(
y
)
r r i
r r i
r Sr
i
(1.41)
22
r cr
r
y = -------------------- r
(1.42)
Media difusa ponderada: Se obtiene a partir del centro de sumas considerando que el rea de los consecuentes es proporcional a su base. El valor
representativo que genera es una media de los centros de las funciones de pertenencia de los consecuentes, ponderados por su grado de activacin y su
base.
r d r cr
r
y = ------------------------------ r d r
(1.43)
r cr d r
r
y = -----------------------------
d
r r
(1.44)
Mtodo del Nivel Gradual (Level Grading): Siguiendo en la lnea anterior, el nivel de precisin de una conclusin debe ser mayor cuanto ms activa
sea la regla, de manera que en lugar de utilizar la base total del consecuente,
algunos autores proponen utilizar la base del corte- [Jung, 1994]. Cuando los
consecuentes son funciones triangulares esta base es ( ) = d ( 1 ) . Si
todos los tringulos tienen la misma base, el valor obtenido es
r cr ( 1 r )
r
y = -------------------------------------------- r ( 1 r )
(1.45)
El paradigma difuso
23
zado es el mnimo y los consecuentes son funciones de pertenencia triangulares con la misma base, el valor del centro de sumas viene dado por la siguiente
expresin [Pammu, 1995]:
r cr ( 2 )
r
y = ------------------------------------------ r ( 2 )
(1.46)
r ( pr + pr r )
1
r
-;
y = ------------------------------------------------- r
ar + cr
1
p r = ---------------- ;
2
pr = br pr ;
(1.47)
donde ar, br y cr son los puntos inicial, medio y final que describen la funcin
de pertenencia triangular de la regla r.
1.7 ESTRUCTURA BSICA DE UN SISTEMA DE INFERENCIA
BASADO EN LGICA DIFUSA
A lo largo de este captulo hemos presentado los fundamentos de la teora
de conjuntos difusos y de los mecanismos de inferencia basados en ellos. Hemos visto que es posible utilizar estos conjuntos como representacin de la ambigedad de valores numricos y en qu medida es necesario modificar la
aritmtica para incluir conjuntos difusos. Hemos visto asimismo cmo representar reglas lgicas con la metodologa difusa y cmo desarrollar los procesos
de inferencia con estas reglas.
En general, un sistema experto basado en lgica difusa no impone diferencias entre las distintas variables lingsticas. Las conclusiones se obtienen para
cualquier variable a partir de observaciones y procesos de inferencia basados
tanto en modus ponens como en modus tollens. Sin embargo, queda lejos de
los objetivos de este trabajo el desarrollar herramientas que utilicen esta metodologa en toda su amplitud.
A lo largo de este trabajo nos vamos a centrar en sistemas que utilizan una
inferencia hacia adelante. Esto significa que se van a distinguir entre dos tipos
de variables: las variables de entrada, sobre las que se realizan las observaciones que permiten la inferencia, y las variables de salida, sobre las que se obtienen las conclusiones. El mecanismo de inferencia que vamos a utilizar es la
inferencia basada en reglas, es decir, que se obtendrn en primer lugar las con-
24
clusiones parciales de cada regla y posteriormente se agregarn estas conclusiones parciales para formar la conclusin final. Se conocen como sistemas de
inferencia de tipo Mamdani los sistemas de este tipo que describen las conclusiones parciales de las reglas por medio de funciones de pertenencia. En ellos
se pueden distinguir tres fases: difuminado, inferencia y concrecin [Mamdani, 1975].
La fase de difuminado consiste en calcular el grado de similaridad entre los
valores de las variables de entrada y las etiquetas lingsticas de los antecedentes de las reglas. Cuando los valores de las entradas son valores concretos, estos
grados de similaridad se corresponden con los grados de pertenencia asociados
a los valores de entrada y para calcularlos basta con evaluar las funciones de
pertenencia de las etiquetas lingsticas. En general los valores de las entradas
pueden ser datos ms ambiguos y ser representados por conjuntos difusos. En
este caso el grado de similaridad se calcula mediante la composicin sup-min
entre el valor difuso y el conjunto difuso que representa cada etiqueta.
La etapa de inferencia consiste en calcular el grado de activacin de las reglas a partir de los grados de activacin (similaridad) de las etiquetas lingsticas y de la interpretacin de las diferentes conectivas y modificadores
lingsticos que aparecen en el antecedente. A partir de este grado de activacin se obtiene la conclusin parcial de la regla por medio del operador de implicacin. El resultado final de la etapa de inferencia es la conclusin global
asociada a cada variable de salida, que se obtiene a partir de las conclusiones
parciales por medio del operador de agregacin.
La etapa de concrecin se utiliza en aquellos sistemas que necesitan generar unos valores de salida concretos, para los que el resultado de la etapa de inferencia resulta inadecuado. Para obtener estos valores concretos se utilizan los
mtodos de concrecin que presentamos en el apartado anterior. Cuando el mtodo utilizado es un mtodo simplificado, los procesos de implicacin, agregacin y concrecin se combinan en una expresin simple cuyo clculo resulta
muy eficiente.
La estructura descrita permite definir sistemas con entradas y salidas difusas, que pueden encadenarse formando estructuras jerrquicas. Estas estructuras permiten describir bases de conocimiento capaces de expresar relaciones
muy complejas entre las variables de entrada y salida.
Adems de la arquitectura de Mamdani se han realizado otras propuestas
de sistemas difusos basados en inferencia hacia adelante, como los sistemas difusos de tipo Tsukamoto o los de tipo Takagi-Sugeno.
Los sistemas de tipo Tsukamoto utilizan funciones de pertenencia montonas tanto en el antecedente como en el consecuente [Tsukamoto, 1979]. El
valor de las variables de salida se obtiene mediante el mtodo de la media difusa, utilizando como valor representativo de la conclusin de cada regla el
punto en el que el grado de pertenencia es igual al grado de activacin de la regla.
El paradigma difuso
25
r cr
r ( cr ) = r
r
;
y = -------------------- r
(1.48)
Por su parte los sistemas de tipo Takagi-Sugeno utilizan como consecuentes funciones de las variables de entrada y calculan el valor de las salidas como
media difusa de estas funciones [Takagi, 1983].
r F r ( x1, x2, , x N )
r
y = ----------------------------------------------------------- r
r
(1.49)
F r ( x 1, x 2, , x N ) = a 0 + a k x k
r
26
difusas en instrumentos muy tiles en campos de aplicacin muy diversos, tanto desde el punto de vista de la ingeniera como de las ciencias sociales
[Schwartz, 1994][Terano, 1994]. En el prximo captulo veremos un lenguaje
de especificacin formal, desarrollado en el marco de esta Tesis, que permite
describir sistemas difusos complejos basados en la estructura de razonamiento
que hemos presentado aqu.
REFERENCIAS
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
16.
17.
18.
19.
Baturone, I., Barriga, A., Snchez Solano, S., Jimnez Fernndez, C.J., Lpez, D.., Microelectronic design of fuzzy logic-based systems, CRC Press, 2000.
Cox, E., The Fuzzy Systems Handbook, 2nd edition, AP Professional, 1999.
Driankov, D., Hellendoorn, H., Reinfrank, M., An Introduction to Fuzzy Control, Springer-Verlag, 1993.
Dubois, D., Prade, H., Fuzzy numbers: an overview, in Analysis of Fuzzy Information Vol1: Mathematics and Logic, CRC Press, 1987.
Dubois, D., Prade, H., Order-of-magnitude reasoning with fuzzy relations, Revue dintelligence artificielle, Vol. 3, n. 4, pp. 69-94, 1989.
Hellendoorn, H., Thomas, C., Defuzzification in fuzzy controllers, Journal of Intelligent
and Fuzzy Systems, Vol. 1, pp. 109-123, 1993a.
Hellendoorn, H., Thomas, C., The -quality defuzzification method, in Proc. 5th IFSA
World Congress, pp. 1159-1162, Seoul, 1993b.
Jager, R., Verbruggen, H. B., Bruhx, P. M., The role of defuzzification methods in the application of fuzzy logic, in Proc. Symposium on Intelligent Components and Instruments for
Control Applications, pp. 111-116, Mlaga, 1992.
Jung, S. H., Cho, K. H., Kim, T. G., Park, K. H., Defuzzification method for multishaped
output fuzzy sets, Electronics Letters, Vol. 30, pp. 740-742, 1994.
Kandel, A., Fuzzy Expert Systems, CRC Press Inc., 1991.
Kiszka, J. B., Kochanska, M. E., Sliwinska, D. S., The influence of some fuzzy implication
operators on the accuracy of a fuzzy model, Parts I & II, Fuzzy Sets and Systems, Vol. 15,
pp. 111-128, 223-240, 1985.
Lee, C. C., Fuzzy logic in control systems: fuzzy logic controller, Parts I & II, IEEE Transactions on Systems, Man, and Cybernetics, Vol. 20, N. 2, pp. 404-432, 1990.
Mamdani, E. H., Assilan, S., An experiment in linguistic synthesis with a fuzzy logic controller, Int. Journal of Man-Machine Studies, Vol. 7, N. 1, pp. 1-13, 1975.
Mendel, J. M., Fuzzy logic systems for engineering: a tutorial, Proceedings of the IEEE,
Vol. 83, N. 3, pp. 345-377, 1995.
Mizumoto, M., Zimmermann, H., Comparison of fuzzy reasoning methods, Fuzzy Sets and
Systems, Vol. 8, pp. 253-283, 1982.
Mizumoto, M., Min-max-gravity method versus product-sum-gravity method for fuzzy
controls, in Proc. 4th IFSA World Congress, pp. 127-130, Brussels, 1991.
Pammu, S., Quigley, S. F., Novel analogue CMOS defuzzification circuit, IEE Proc. Circuits Devices and Systems, Vol. 142, N. 3, pp. 495-498, 1995.
Patyra, M. J., Mlynek, D. M., Eds., Fuzzy Logic. Implementation and Application, Wiley
& Teubner, 1996.
Pedrycz, W., Gomide, F., An Introduction to Fuzzy Sets. Analysis and Design, MIT Press,
1998.
El paradigma difuso
20.
21.
22.
23.
24.
25.
26.
27.
28.
29.
30.
31.
27
Ross, T. J., Fuzzy Logic with Engineering Applications, McGraw-Hill Inc., 1995.
Ruspini, E. H., Bonissone, P. P., Pedrycz, W., Eds., Handbook of Fuzzy Computation, Institute of Physics Pub., 1998.
Schwartz, D. G., Klir, G. J., Lewis, H. W., Ezawa, Y., Applications of fuzzy sets and approximate reasoning, Proceedings of the IEEE, Vol. 82, N. 4, pp. 482-498, 1994.
Takagi, T., Sugeno, M., Derivation of fuzzy control rules for human operators control actions, in Proc. IFAC Symposium on Fuzzy Information, Knowledge Representation and Decision Analysis, pp. 55-60, Marseille, 1983.
Terano, T., Asai, K., Sugeno, M., Eds., Applied Fuzzy Systems, Academic Press, 1994.
Tsukamoto, Y., An approach to fuzzy reasoning method, in Advances in Fuzzy Set Theory
and Applications, North-Holland, 1979.
Wang, L. X., A Course in Fuzzy Systems and Control, Prentice-Hall Int., 1997.
Weber, S., A general concept of fuzzy connectives, negations and implications based on tnorms, Fuzzy Sets and Systems, Vol. 11, pp. 115-134, 1983.
Yager, R. R., An alternative procedure for the calculation of fuzzy logic controller values,
Journal of Japanese Society of Fuzzy Technology, Vol. 3, N. 4, pp. 736-746, 1991.
Yager, R. R., Filev, D. P., Essentials of Fuzzy Modelling and Control, John Wiley & Sons,
1994.
Zadeh, L. A., Fuzzy sets, Information and Control, Vol. 8, pp. 338-358, 1965.
Zadeh, L. A., Outline of a new approach to the analysis of complex systems and decision
processes, IEEE Transactions on Systems, Man, and Cybernetics, Vol. 3, N. 1, pp. 28-44,
1973.
28