SISTEMA DE INFERENCIA DIFUSA DE MAMDANI

MARIBEL JOHANA RODRIGUEZ CASTILLO

CODIGO : 514020

SISTEMAS BASADOS EN EL CONOCIMIENTO II

PROFESOR: PERVYS RENGIFO RENGIFO

FUNDACION UNIVERSITARIA KONRAD LORENZ

Cra 9ª bis No. 62-43 Bogotá- Colombia, http://www.fukl.edu

2005

OBJETIVOS
1. Conocer la estructura básica y funcionamiento de un Sistema
Basado en Reglas Difusas.
2. Clasificar los sistemas basados en reglas difusas en base a su
estructura y a la estructura de regla difusa utilizada.
3. Conocer ventajas e inconvenientes del Sistema de Inferencia
Difusa Mamdani
4. Conocer distintas opciones de diseño para la interfaz de
fuzzificación.
5. Plantear un problema para luego implementarlo con el modelo
de Mamdani.
 ¿QUÉ ES LA LÓGICA DIFUSA?

La lógica difusa es una metodología que proporciona una manera

simple y elegante de obtener una conclusión a partir de información
de entrada vaga, ambigua, imprecisa, con ruido o incompleta. En
general la lógica difusa imita como una persona toma decisiones
basada en información con las características mencionadas. Una de
las ventajas de la lógica difusa es la posibilidad de implementar
sistemas basados en ella tanto en hardware como en software o en
combinación de ambos.

La lógica difusa es una técnica de la inteligencia computacional que

permite trabajar con información con alto grado de imprecisión, en
esto se diferencia de la lógica convencional que trabaja con
información bien definida y precisa. Es una lógica multivaluada que
permite valores intermedios para poder definir evaluaciones entre
si/no, verdadero/falso, negro/blanco, caliente/frío, etc.

El concepto de Lógica Difusa fue concebido por Lofti A. Zaded,

profesor de la Universidad de California en Berkeley, quién
inconforme con los conjuntos clásicos (crisp sets) que sólo permiten
dos opciones, la pertenencia o no de un elemento a dicho conjunto, la
presentó como una forma de procesar información permitiendo
pertenencias parciales a unos conjuntos, que en contraposición a los
clásicos los denominó Conjuntos Difusos (fuzzy sets). El concepto de
conjunto difuso fue expuesto por Zadeh en un paper del año 1965,
hoy clásico en la literatura de la lógica difusa, titulado "Fuzzy Sets" y
que fue publicado en la revista Information and Control. El
mismo Zadeh publica en 1971 el artículo, "Quantitative Fuzzy
Semantics", en donde introduce los elementos formales que
acabarían componiendo el cuerpo de la doctrina de la lógica difusa y
sus aplicaciones tal como se conocen en la actualidad.

Zadeh dice: "La lógica difusa trata de copiar la forma en que los
humanos toman decisiones. Lo curioso es que, aunque baraja
información imprecisa, esta lógica es en cierto modo muy precisa: se
puede aparcar un coche en muy poco espacio sin darle al de atrás.
Suena a paradoja, pero es así."
El profesor Zadeh menciona que la gente no requiere información
numérica precisa del medio que le rodea para desarrollar tareas de
control altamente adaptables, por ejemplo conducir un automóvil o
caminar por una acera sin chocarse con los postes y las otras
personas. Si los controladores convencionales, en esencia
realimentados, se pudieran programar para aceptar entradas con
ruido e imprecisas ellos podrían trabajar de una manera mas eficiente
y quizás se podrían implementar mas fácilmente.

CONJUNTOS DIFUSOS

El concepto clave para entender como trabaja la lógica difusa es el de

conjunto difuso, se puede definir un conjunto difuso de la siguiente
manera.

Teniendo un posible rango de valores al cual llamaremos U, por

ejemplo U=Rn, donde Rn es un espacio de n dimensiones, a U se le
denominara Universo de Discurso. En U se tendrá un conjunto difuso
de valores llamado F el cual es caracterizado por una función de
pertenencia uf tal que uf:U->[0, 1], donde uf(u) representa el grado
de pertenencia de un u que pertenece a U en el conjunto difuso F.

ESTRUCTURA BÁSICA DE UN SISTEMA BASADO EN REGLAS

DIFUSAS

Un Sistema Basado en Reglas Difusas (SBRD) está formado por:

 Base de conocimiento
Base de Reglas.
Base de Datos.

 Motor de inferencia

Además en sistemas con entradas y/o salidas nítidas, se incluye un

interfaz de fuzzificación y un interfaz de defuzzificación
En explicación a las gráficas anteriores tenemos:

ARQUITECTURA DETALLADA.
El interfaz de fuzzificación

Para cada una de las entradas del sistema:

1. Adquirir los valores nítidos de las variables de entrada.

2. Trasladar los valores de las variables a los universos de discurso

correspondientes.

3. En función del tipo de sistema difuso:

• Convertir cada valor nítido en un conjunto difuso con grado de

pertenencia igual a 1 para ese
valor y 0 para el resto (fuzzy singleton) o
• hacer corresponder a cada valor nítido el término lingüístico más
adecuado, o
• calcular el grado de pertenencia a cada uno de los conjuntos difusos
utilizados para dicha
variable lingüística.

El interfaz de fuzzificación

Algunas posibilidades:

• El valor nítido se convierte en un conjunto difuso tipo singleton.

 Es la opción más sencilla y la más utilizada.

 Adecuado cuando la medición de las variables de estado es
fiable.

• Se genera un conjunto difuso con centro el valor nítido y un soporte

acorde con la incertidumbre de la medición.
La Base de Conocimiento

Está formada por la Base de Reglas y la Base de Datos.

Parámetros de diseño implicados:

• Elección de las variables de estado del proceso y de control del

mismo.
• Elección del conjunto de términos lingüísticos para las variables de
estado y de control.
• Elección de la estructura del antecedente y consecuente de las
reglas.
• Derivación del conjunto de reglas.

Formas de obtención de la base de conocimiento:

1. A través de experiencia experta, conocimiento de ingeniería de

control o acciones de un operador de control experimentado.

• Experto capaz de describir de forma lingüística sus reglas de

decisión (factores de escala, semántica de los conjuntos difusos,
operadores implicados, etc.).
• A partir de un cuestionario realizado al experto.
• Información extraída a partir de la observación de las acciones
de control de un operador.

2. Obtención basada en un modelo difuso.

3. Obtención basada en aprendizaje automático (métodos ad hoc,

computación evolutiva, redes
neuronales , clustering, etc. ).
Base de Datos

• Proporciona la información necesaria para el funcionamiento del

módulo de fuzzificación, de defuzzificación y de la Base de Reglas.

TIPOS DE SISTEMAS BASADOS EN REGLAS DIFUSAS

En función del tipo de regla difusa que utilicen se puede distinguir:

 SBRDs tipo Mamdani

SI X1 es Alto y X2 es Bajo ENTONCES Y es Alto

 SBRDs tipo TSK (Takagi, Sugeno y Kang)

SI X1 es Alto y X2 es Bajo ENTONCES Y=f(X1,X2)

No necesitan interfaz de defuzzificación
El motor de inferencia funciona de distinta forma

VENTAJAS Y DESVENTAJAS SBRD TIPO MADANI

Ventajas:

 Facilidad para la derivación de reglas

 Interpretabilidad de las reglas difusas
 Fueron propuestos antes y se han utilizado con más frecuencia

Desventajas:

 .No garantizan la continuidad de la superficie de salida

 .Menor eficiencia computacional
 PRACTICA 1 MAMDANI APLICADA A LA ALTURA DE LAS
PERSONAS

Supongamos que se desea representar con conjuntos difusos la

variable altura de una persona, en este caso el universo de discurso
será el rango de posibles valores de la altura que tenga un persona
adulta, se escogerá un rango entre 140cm y 200cm, valores por
fuera de este rango son posibles pero son muy escasos.
El universo de discurso U = [140, 200], para denominar los conjuntos
difusos se suelen trabajar con etiquetas lingüísticas similares a las
que se usan de manera coloquial, por ejemplo en la vida diaria
decimos que una persona es Muy Baja (MB), Baja (B), Mediana (M),
Alta (Alta) y Muy Alta (MA).

ETIQUETA RANGO(MIN, MAX)

MB 140 - 160
B 160 - 170
M 170 - 180
MA 180 - 190
A 190 - 200

Si en el ejemplo anterior se desea trabajar con conjuntos clásicos

(crisp) se tienen tres opciones: alguien Alto (A), Medio (A) Bajo (B). Se
supondrá que alguien Alto si mide mas de 170cm en caso contrario es
bajo

Regla 1: Si X es bajo entonces

Y es alto
Regla 2: Si X es medio
entonces Y es medio

Entra Salida
da Difus
Difus a
Mecanism
a En V
Fuzzifica o de Defuzzifica
Inferencia
X En Y En
Sistema Difuso Mamdani, Procesamiento General

En un sistema difuso tipo Mamdani se distinguen las siguientes

partes:

* Fuzzificador

La entrada de un sistema de lógica difusa tipo Mamdani normalmente

es un valor numérico proveniente, por ejemplo, de un sensor; para
que este valor pueda ser procesado por el sistema difuso se hace
necesario convertirlo a un "lenguaje" que el mecanismo de inferencia
pueda procesar. Esta es la función del fuzzificador, que toma los
valores numéricos provenientes del exterior y los convierte en valores
"difusos" que pueden ser procesados por el mecanismo de inferencia.
Estos valores difusos son los niveles de pertenencia de los valores de
entrada a los diferentes conjuntos difusos en los cuales se ha dividido
el universo de discurso de las diferentes variables de entrada al
sistema.

* Mecanismo de inferencia difusa

Teniendo los diferentes niveles de pertenencia arrojados por el

fuzzificador, los mismos deben ser procesados para generar una
salida difusa. La tarea del sistema de inferencia es tomar los niveles
de pertenencia y apoyado en la base de reglas generar la salida del
sistema difuso.

* Base de Reglas Difusas

La base de reglas es la manera que tiene el sistema difuso de guardar

el conocimiento lingüístico que le permiten resolver el problema para
el cual ha sido diseñado. Estas reglas son del tipo IF-THEN.

Una regla de la base de reglas o base de conocimiento tiene dos

partes, el antecedente y
la conclusión como se observa en la siguiente figura:
Al transcribirlo en Matlab obtenemos:

COMPILACION EN MATLAB

Inicialmente ingresamos al modelo difuso en matlab mediante la

función fuzzy :

Fuzzy Modeling: Procedimiento, o conjunto de pasos a seguir para

modelar un sistema difuso que modele el comportamiento de un
sistema real. Mediante el modelado difuso, haciendo uso de las reglas
difusas podemos incorporar conocimiento experto al sistema de
manera sencilla, y podemos usar técnicas convencionales para el
aprendizaje de las reglas.
Ingresamos al modelo de MAMDANI

Fusificamos la variable ALTURA:

Así mismo fusificamos la salida:

Ingresamos las reglas del modelo

REGLAS DEL MODELO

SI X ENTONCE Y
S
X MUY_BAJO Entonces ALTO
X BAJO Entonces ALTO
X MEDIO Entonces MEDIO
X ALTO Entonces BAJO
X MUY_ALTO Entonces BAJO
Podemos ver el comportamiento de las reglas (5 entradas y 3
salidas):

Hace la suma de todas

y calcula el centro
geometrico en este
caso 170

Sucede exactamente lo que detallamos mediante las reglas.

PRACTICA 2 MAMDANI PARA EL CONTROLADOR DIFUSO DE

UNA ASPIRADORA

Objetivo: Regular la fuerza de aspiración

Variables de entrada CANTIDAD DE SUCIEDAD

Cantidad de suciedad 1-100:

 muy sucio
 sucio µ
Algo Sucio
Casi Muy
Limpio Limpio Sucio
Sucio

0 15 30 45 60 75 100
  algo sucio
 casi limpio
 limpio

TIPO DE SUPERFICIE

Tipo de superficie 1-100:

 madera
 caucho
 alfombra µ
Caucho
Madera Alfombra

0 25 50 75 100

Variable de control
VARIABLE DE CONTROL FUERZA
Fuerza:
 muy fuerte
 fuerte
 normal µ Muy Normal S
Fuerte
 débil Debil
Debil Muy
Fuerte
 muy débil

0 15 30 45 60 75 100

REGLAS DEL MODELO

 SI CATIDAD Y TIPO DE ENTONCES TIEMPO DE
DE SUPERFICI LAVADO
SUCIEDAD E
SI LIMPIO Y MADERA ENTONCES MUY DEBIL
SI LIMPIO Y CAUCHO ENTONCES MUY DEBIL
SI LIMPIO Y ALFOMBRA ENTONCES DEBIL
SI CASI LIMPIO Y MADERA ENTONCES MUY DEBIL
SI CASI LIMPIO Y CAUCHO ENTONCES DEBIL
SI CASI LIMPIO Y ALFOMBRA ENTONCES NORMAL
SI ALGO SUCIO Y MADERA ENTONCES DEBIL
SI ALGO SUCIO Y CAUCHO ENTONCES NORMAL
SI ALGO SUCIO Y ALFOMBRA ENTONCES NORMAL
SI SUCIO Y MADERA ENTONCES NORMAL
SI SUCIO Y CAUCHO ENTONCES FUERTE
SI SUCIO Y ALFOMBRA ENTONCES FUERTE
SI MUY SUCIO Y MADERA ENTONCES FUERTE
SI MUY SUCIO Y CAUCHO ENTONCES MUY FUERTE
SI MUY SUCIO Y ALFOMBRA ENTONCES MUY FUERTE

Fusificamos las variables:

Insertamos las reglas a Matlab:
Esta la vista de reglas insertadas:

Hace la suma de todas

y calcula el centro
geométrico en este
caso 50

Ingresamos 30 entradas y obtenemos 15 respuestas.

Así mismo si yo le cambiase como en este caso las entradas

[70(cantidad suciedad) 25(tipo de superficie)] las gráficas me
muestran los nuevos resultados.
Superfice de interpolación del sistema.
 CONCLUSIONES

El documento presenta de manera muy detallada el proceso de

modelado difuso Mamdani en Matlab, se mencionan en el orden
correcto las tareas a realizar para modelar un sistema difuso.

Con la elaboración de este trabajo se logró el objetivo de entender

con más precisión el funcionamiento del Modelo Difuso Mamdani.

Los sistemas borrosos son estables y fácilmente ajustables y pueden

ser validados. Es más rápido y más fácil crear sistemas borrosos y
construir un sistema borroso que él debe crear sistemas basados en
el conocimiento convencionales, puesto que la lógica confusa maneja
todos los grados de libertad que intervienen.

Los sistemas borrosos no son Redes Neuronales. Un sistema borroso

procura encontrar la intersección, la unión o el complemento de las
variables borrosas del control. Mientras que esto es algo análogo a las
redes neuronales y a la programación lineal, los sistemas borrosos se
acercan a estos problemas de forma diferente.
 BIBLIOGRAFÍA

Este trabajo esta basado en información de las siguientes pàginas.

www.it.uc3m.es/jvillena/irc/estudios/Logica_Difusa.pdf -

http://www.cienciasmisticas.com.ar/electronica/teoria/fuzzy/index.php

http://wwwdi.ujaen.es/asignaturas/cl/tema3_cl.pdf