Aplicaciones de la Lgica Difusa

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
de Datos Difusa, y un experimento de psicologa cognocitiva
inspirado en la lgica difusa. Todos estos ejemplos han sido
tomados de la literatura tcnica.
INTRODUCCIN

ese a 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'.

difusa, suele asignarse el trmino Controlador Difuso a un

sistema de control cuya estructura interna corresponde a la de
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 de la Planta a controlar, gracias a que estn
basados en reglas. Esta situacin, sin embargo, no es del todo
sencilla: el no tener un modelo matemtico de la Planta implica
no poder realizar simulaciones sobre la misma, de tal manera
que los ajustes del controlador deben realizarse en lnea.

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 se basa en la concepcin
de conjuntos con fronteras no exactas [4,7].

Este hecho ha promovido la aparicin de controladores

autoajustables, que cuentan con algn algoritmo que les permite
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 la Planta a controlar vara en el tiempo,
lo que implica que el controlador deba ajustarse a dichos
cambios.

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 la lgica difusa. Todos estos ejemplos han sido tomados de
la literatura tcnica, especficamente
de [16,15,12 Y 13]
respectivamente.

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.

l.

CONTROLADOR

DIFUSO ADAPTATIVO

Quizs la aplicacin en que la Lgica Difusa ha conseguido

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

'Ingeniero Electricista M.Sc . Departamento de Ingeniera Elctrica, Universidad Nacional

de Colombia.
I El 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]

Revista Ingeniera e Investigacin No. 45 Abril de 2000

Los algoritmos de entrenamiento permiten ajustar el diseo

del Controlador para que tenga un comportamiento deseado,
pero fuera de lnea. 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 de mayor simplicidad algortmica,
tal como se presenta en el numeral siguiente.

4. Asignar a la regla anterior un factor de certeza, calculado

como el producto de los grados de pertenencia a cada 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 la Base de Reglas una de estas 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).
EJEMPLO

A. ALGORITMO

DE ENTRENAMIENTO

DE

W ANG

Este algoritmo parte de un cuadro 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

Entrada 2

XII

x21

xI2

x22

xlw

x2w

Entrada

oo.

Salida

y MENDEL

Entrada-Salida
Salidaq

Salida 2

xpl

YII

Y21

Yql

xp2

YI2

Y22

Yg2

xpw

Ylw

Y2w

Yqw

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 2 muestra grficamente el problema. El vehculo
est inicialmente ubicado a una distancia x de la lnea, y
formando un ngulo A con la recta normal a la lnea. Se necesita
disear un Controlador Difuso para que decida cul es el ngulo
de giro B que deben tener las ruedas del vehculo.

El cuadro anterior puede interpretarse como sigue:

"Se desea que el Sistema de Lgica Difusa responda con
las salidas concretas Yl1' Y2J'
YqI' cuando las entradas
concretas son xl1' X2I'
xpI; que responda con las salidas
concretas Y12' Y22' Yq2' cuando las entradas concretas son xI2'
X22' oo. xp2; que responda con las salidas concretas Y/w Y2w' oo.
Yqw' cuando las entradas concretas son xIw' x2w'
oo.

oo.

oo.

oo.

<:

Los w casos que se quieren obtener con el Sistema de Lgica

Difusa pueden ser insuficientes para determinar completamente
el diseo, o por el contrario, pueden ser inconsistentes entre
s.
El algoritmo de Wang & Mendel permite determinar la base
de reglas a partir 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 xJk' x2k' oo. Xpk;Y/k'
Yqk; a cada uno de los Valores Lingsticos de las
respectivas Variables Lingsticas.

Y2k'

oo'

los Valores Lingsticos LxIk,Lx2k,oo.

.Lx pk'
para los cuales los grados de pertenencia
respectivos son mximos.

2. Seleccionar

LYIk,LY2k'oo, ,LYqk'

3. Crear una regla de la forma IF Entrada 1 es LxI k AND Entrada

2 es Lx2k AND
AND Entrada pes LxIk THEN Salida 1 es
LY/k AND Salida 2 es LY2k AND oo. AND Salida q es LYqk'
oo.

Figura 2. Planteamiento

del problema

Wang encuentra una Tabla de Parejas Entrada-Salida (como

el cuadro 1) a partir de su propia experiencia como conductor,
y con ella entrena un Controlador Difuso que tiene 5 valores
lingsticos para la distancia x, 7 para el ngulo A, y 7 para el
ngulo de salida B. Los resultados los compara con los
obtenidos por Nguyen & Widrow con redes neuronales a partir
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
la Tabla de entrenamiento; en estas condiciones el Controlador
no es capaz de cumplir su objetivo. Sin embargo, al emplear

Aplicaciones de la Lgica Difusa

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 otra parte est la informacin lingstica contenida
en las reglas If-Then.

11. IDENTIFICADOR

DE IMGENES AREAS

El problema aqu planteado es el siguiente: Se tienen tres

imgenes areas de la misma zona; las imgenes se han captado
empleando cmaras a blanco y negro, de tal forma que muestran
en cada pixel un cierto nivel de gris (nivel de luminancia); las
tres fotografas no son iguales, porque cada una de ellas se ha
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.

siempre y cuando los Conjuntos Difusos cumplan con las

siguientes caractersticas:
- Para todos los conjuntos debe existir al menos un elemento
de X tal que su funcin de pertenencia al conjunto sea distinta
de cero.
- Para todos los elementos de X, la suma de sus funciones de
pertenencia a los e Conjuntos debe ser 1.
Bezdek[3] desarroll un algoritmo para obtener una cparticin para un Universo de Discurso finito; dicho algoritmo
se conoce como el agrupamiento ''fuzzy c-means", y es uno de
los ms populares, pese a que en la literatura se reportan muchos
otros algoritmos distintos [2].
Bezdek parte de la existencia de un Universo de Discurso
X compuesto por n elementos:

En estas imgenes se ha captado una rea extensa con zonas

que se pueden clasificar as:
-

Zonas
Zonas
Zonas
Zonas

de ro.
de construcciones humanas.
dedicadas a la agricultura.
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 a cada una de las zonas (no hay un nico verde
en la zona de bosques), y por tanto no se conoce 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

donde cada uno de los n

= [ Xli x21
x2 = [ x12 x22
X1

Xi

es una d-upla de elementos

". Xd1Y
".

xd2Y

Para encontrar los e Conjuntos de la particin, Bezdek define

para cada uno de ellos un centro Vi ,que identifique al conjunto,
y define a V como la coleccin de centros de dichos Conjuntos:

V1

[vlI

v2

[v12 v22

v21'"

vd1Y
".

vd2Y

Tambin define la matriz U como la matriz de orden e*n

que contiene las funciones de pertenencia de cada uno de los n
Xi casos a los e Conjuntos difusos identificados
por los Vi
centros.

u=

C-MEANS"

Dado un Universo de Discurso X, se define una e-particin

como una coleccin de e Conjuntos Difusos definidos sobre
X, y con funciones de pertenencia

Como los e conjuntos

cumplirse que:

son una e-particin

de X, debe

Revista Ingeniera e Investigacin No. 45 Abril de 2000

.Ejemplo 2

LU

ik

>O;Vi,i=1,2 ...e

ik

=1;Vk,k=1,2

Se desea agrupar los nmero enteros del 1 al 20 en 3

conjuntos difusos empleando agrupamiento fuzzy c-means.

k=1
e

LU

...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

J m (U, V)

=L L

En este ejemplo X=[l 23 .... 19 20}, con lo que

d=1
x1=[l]; x2=[2}; x3=[3}; ...; X19=[19}; x2o=[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 se ha escogido m=1,5.

2
(Uik)m

. -

Vi

k=1 i=1

en donde m es un real mayor que uno, y 11.11 es una norma

diferenciable. Bezdek demuestra que la pareja (U*,V*) que
optimiza Jm debe satisfacer:

(1)

(2)

Figura 4. 3-particin para p=2

Con lo anterior puede plantearse un algoritmo iterativo para

la bsqueda de la pareja (U*,V*) as:
1) Fijar e, un entero mayor que 1 y 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 de V.
=lnicializar UO.

Figura 5. 3-particin para p=3

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+ 1 e ir al paso 2.
El algoritmo anterior es el conocido como agrupamiento
fuzzy c-means. Para ilustrar qu es lo que hace este algoritmo,
se han desarrollado los ejemplos 2, 3,4 Y 5:

Figura 6. 3-particin para p=4

3 En las figuras 3 a 18 el eje horizontal corresponde al intervalo real [0.20]. y el eje
vertical a las funciones de pertenencia de los conjuntos definidos por el algoritmo fuzzy
c-means

Aplicaciones de la Lgica Difusa

Figura 11. 3-particin para m=2

Figura 8. 3-particin para p=27

Figura 12. 3-particin para m=3
-EJEMPLO

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 se selecciona m 1= 1,2, m2= 1,5, m 3=2, m,=3,
m5=5, m=IO.Ntese que an cuando la forma de los conjuntos
difusos vara fuertemente, el centro de stos no.

Figura 13. 3-particin para m=

Figura 9. 3-particin para m=1,2

Figura 14. 3-particin para m=10

-EJEMPLO

Se desea conocer el efecto de cambiar el nmero

conjuntos difusos de agrupamiento, en el ejemplo 2.

Figura 10. 3-particin para m=1,5

de

Las figuras 15 a 18 muestran los resultados finales de las

particiones, para c1=2, c2=3, c3=5, c4=10. En todos los casos
se ha seleccionado m=2

10

Revista Ingeniea e Investigacin No. 45 Abril de 2000

Xl

=[xu x2,!

X2 =[Xl,2

= ix,,1024

XJ024

X,k=

Figura 15. 2-particin

X3,1

X2,2 X3,3

J
J

X2 , 1024 X31024
,

luminancia del pixel k en la imagen i

Una vez determinado X se selecciona 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 este procedimiento para caracterizar cada una de las cuatro
zonas. Posteriormente, para decidir a que zona pertenece cada
pixel, observa a cual de los cuatro conjuntos difusos hallados
pertenece en mayor medida, con lo que se completa el proceso
de identificacin de la imagen.

m. BASE
Figura 16. 3-particin

DE DATOS DIFUSA

La Lgica Difusa busca desarrollar

un conjunto de
procedimientos para manejar la informacin precisa y/o vaga.
Ahora bien, los Sistemas de Bases de Datos tienen por
propsito, hablando en trminos muy generales, la organizacin
de la informacin; por tanto no es de sorprendente que se haya
intentado incorporar las tcnicas de Lgica Difusa en el diseo
de Bases de Datos.
Miyamoto & Umano [12] distinguen dos tipos de tcnicas
difusas en las Bases de Datos:
Bases de Datos Difusas.

Figura 17. S-particin

Tcnicas Difusas para la recuperacin de la informacin.

En la primera de estas tcnicas el concepto de Conjunto
Difuso se incorpora en la estructura misma de la Base de Datos,
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 se denomina
Bsqueda Difusa, y fue propuesta inicialmente por Tahani [14].

Figura 18.1O-particin

Ejemplo

Dado el problema del Identificador de Imgenes Areas

anteriormente presentado, se desea 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:

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 la que se muestra en la figura 19.
Cuadro 2. Base de Datos tradicional del Ejemplo
Nombre
Anderson
Brown
Long
Nelson
Smith

4 El ejemplo presentado

Edad
30
30
25
55
25

Salario
20.000
15.000
40.000
20.000
23.000

es extrado de [12], con algunas adiciones

Ao de Ingreso
1995
1995
1993
1980
1996

11

Aplicaciones de la Lgica Difusa

Este ejemplo consiste en la definicin de un experimento

cuyo autor es Rueckl [13] para el reconocimiento de palabras,
que es uno de los temas abordados por la Psicologa
Cognocitiva.

:r:xx: ~rsx:"
EDAD

25

35

SALARIO

45

5.

15.

INGRESO

20.

x1000

1986 1992 1998

La pregunta que se desea contestar es :

Figura 19. Variables lingsticas para el ejemplo

Qu efectos tiene el contexto

reconocimiento de palabras?

Ante una consulta a la Base de Datos de la forma:

"Cules son los nombres de las personas
recientemente empleadas pero con sueldo alto"

jvenes

Tahani propone evaluar la funcin de pertenencia de cada

registro a cada 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 la utilizacin de operadores 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
representarse por la operacin
Uhsqueda

(x, y, z)

= {ujoven (x)

OR

urecienle

anterior

(y)} AND

podra

ua/lo

de una frase

en el

A esta pregunta 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:

(z)

Se selecciona una palabra objetivo, por ejemplo desk5

En donde x es la edad, y el ao de ingreso, z el salario,

uoven(x)es la funcin de pertenencia al conjunto Joven definido
sobre la variable edad, urecientiy) es la funcin de pertenencia
al conjunto Reciente definido sobre la variable Ao de Ingreso,
ua1tJz) es la funcin de pertenencia al conjunto Alto definido
sobre la variable salario, y Ubsqueda(x,y,z)es la funcin de
pertenencia al conjunto resultante de la bsqueda.

Contexto congruente:Mary's book were pilled up on her

Contexto incongruente: Last night Mary read a good

Empleando la informacin de el cuadro 2 y de la figura 19

se puede construir el cuadro 3 que muestra los resultados de la
bsqueda para cada registro.

Se mide que tan fcilmente reconoce un individuo (un grupo

de individuos) la palabra objetivo en los dos tipos de frases,
para sacar conclusiones.

Cuadro 3. Resultados de la bsqueda del ejemplo en cada registro

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:

Nombre
Anderson
Brown
Long
Nelson
Smith

Ujoven(x)

0.5
0,5
1,0
0.0
1,0

Ureciente(Y)

0.6
0,6
0.2
0.0
0,8

Ualto(z)

Ub~ueda(X,y,z)

0,5
0,0
1,0
0,5
0,8

0.5
0,0
1,0
0,0
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, lo que implica gradualidad
en los cambios.

Se plantean frases con la palabra objetivo, unas en las que el

contexto es congruente, y otras en las que el contexto es
incongruente, por ejemplo:
_
_

They said it was the

_
The the the
It was the
Secuencias aleatorias de palabras.
La propuesta de Rueckl consiste en responder a la pregunta
Qu es un contexto neutral? diciendo que hay congruencias
difusas, es decir, diciendo que entre los contextos congruentes
e incongruentes no hay un nico tipo de contexto neutral, sino
que la congruencia 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 Investigacin No. 45 Abril de 2000

El experimento de Ruecld utiliz dos palabras objetivo: pair

pain . Estas palabras se insertaron en las siguientes frases:
The
The
The
The

cardplayer had a
shoemaker had a
piano player had a
arthritic had a

in his hand
in his hand
in his hand
in his hand

Claramente, el contexto vara para ambas palabras objetivo.

Adicionalmente, en el experimento se manipulo la forma de la
letra r - n que diferencia las dos palabras objetivo, en la forma
que muestra la figura 20. Ante este experimento, las dos teoras
predicen resultados distintos. Los resultados obtenidos
concuerdan ms con la teora Interactiva.

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

Bezdek, J. CRC Press, 1987, pp 81-108

3.

"Pattem
New York, 1981

4.

DRIANKOV, Dimiter el al. "An lntroduction

Berlin, 1993

f1

Figura 20. Variaciones de la letra r - n

CONCLUSIONES

y COMENTARIOS

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 a la
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 la importancia conceptual de
los Conjuntos Difusos, ya que la existencia de fronteras no
exactas puede emplearse en otros campos distintos a los 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 a la 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 socioeconmicas, 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").

with fuzzy objective

lo

algorithms"

Fuzzy Control"

information",

Plenum

Press,

Springer Verlag,

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.

r r r

recognition

of fuzzy

Investigacin

, "Sistemas
de Lgica Difusa.
No. 42 Marzo de 1999,

En Ingenieria e

Fundamentos"

7.

KLIR, George and YUAN, Bo. "Fuzzy Seis and Fuzzy Logic"
Jersey, 1995

8.

LA YNE, 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, Jerry. "Fuzzy Logic Systems for Engineering:

of the IEEE, V 83, No. 3 Marzo 1995, pp 345-377

Prentice Hall, New

A Tutorial" En Proceeding

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 con textual effects on word recognition"
En "Fuzzy Seis in psyehology", Ztneyi, T. North-Holland Editors, 1988, pp 127154.
14. T AHANI, 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"
offuzzy information", Bezdek, J. CRC Press, 1987, pp 133-152.
16. W ANG, Li-Xin n Adaptotive Fuzzy Systems
Analysis" Prentice Hall, New Jersey, 1994
17.

and Control

Design

En "Analysis

and Stability

"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, Jerry. "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