Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Temario
2º Cuatrimestre
Sistemas basados en el conocimiento (Cap. 8-12)
– Redes Bayesianas.
– Razonamiento aproximado (lógica difusa).
Conocimiento
Septiembre de 2007
Universidad de Castilla-La Mancha
Inteligencia Artificial e Ingeniería del Conocimiento
Tema 6: Lógica difusa
Profesores:
Luis Jiménez Linares.
Luis Enrique Sánchez Crespo.
Temas
Definición
Introducción histórica
Conjuntos clásicos vs conjuntos difusos
Tipos de funciones de membresía
¿Cómo elegir la función de membresía?
Operaciones básicas sobre conjuntos difusos
Inteligencia Artificial e Ingenieria del
Aplicación sencilla
Complementos, t-normas y t-conormas
Flexibilidad de la matemática difusa
Variables Linguísticas
Conocimiento
Implicancias difusas
Septiembre de 2007
Temas
Teoría del Razonamiento aproximado
Operaciones de agregación
Métodos de Defuzificación
Mecanismos de Inferencia
Controladores difusos
Modelación de un controlador de temperatura para procesadores mediante lógica
difusa: Parte 1
¿Cuándo ocupar Lógica Difusa?
Desventajas Lógica difusa
Inteligencia Artificial e Ingenieria del
Aplicaciones históricas
Aplicaciones generales
Trabajos a futuro
Conclusiones
Conocimiento
Septiembre de 2007
Definición Lógica difusa
Septiembre de 2007
Introducción histórica
Aristóteles consideraba que existían ciertos grados de
veracidad y falsedad. Platón había considerado grados
de pertenencia.
Septiembre de 2007
Introducción histórica
El filósofo y matemático británico Bertrand Russell, a
principios del siglo XX. estudió las vaguedades del
lenguaje, concluyendo con precisión que la vaguedad es
un grado
El filosofo austríaco Ludwing Wittgenstein estudió las
formas en las que una palabra puede ser empleada para
muchas cosas que tienen algo en común
Inteligencia Artificial e Ingenieria del
Septiembre de 2007
Introducción histórica
El filósofo cuántico Max Black define en 1937 el primer
conjunto difuso mediante una curva que recogía la
frecuencia con la que se pasaba de un estado a su opuesto,
su idea pasó totalmente inadvertida dado que iba en contra
del empirismo lógico que para entonces primaba entre los
filósofos de la ciencia
En los años sesentas Lofti Zadeh, basado en las ideas de
Black, ¿descubrió o creó? la lógica difusa, que combina los
Inteligencia Artificial e Ingenieria del
Septiembre de 2007
Conjuntos clásicos versus Conjuntos
difusos
Definición de conjuntos clásicos según Cantor
“...Entendemos por conjunto cualquier reunión en un todo
M de determinados objetos bien distinguidos m de nuestra
intuición o pensamiento...”
Esto significa que la existencia del conjunto depende de
la determinación precisa de cuales elementos pertenecen
Inteligencia Artificial e Ingenieria del
Septiembre de 2007
Conjuntos clásicos versus Conjuntos
difusos
En los conjuntos difusos la pertenencia de un elemento a
un conjunto no es tan drástica. El elemento puede tener
un grado de membresía a dicho conjunto
Septiembre de 2007
Conjuntos clásicos versus Conjuntos
difusos
3) Definido por una función característica ΨA
1 x ∈ A
ΨA ( x ) =
0 x ∉ A
Esta función mapea los elementos del conjunto
universo a los elementos del conjunto {0,1}.
Para cada Ψ A ( x) = 1entonces x es miembro de A
Inteligencia Artificial e Ingenieria del
x
ΨA (x )
a 1
b 0
e 1
u 1
w 0
i 1
Conocimiento
Septiembre de 2007
Conjuntos clásicos versus Conjuntos
difusos
En los conjuntos difusos la función característica
mapea los elementos al intervalo real [0,1]
Formalmente
A = { ( x, A (x) ) | x ∈ X }
Donde
A(x): Función de membresía
Conocimiento
Septiembre de 2007
Conjuntos clásicos versus Conjuntos
difusos
Ejemplos:
A: Conjunto de los hombres jóvenes
B: Conjunto de los hombres de edad media
C: Conjuntos de los hombres viejos
Septiembre de 2007
Conjuntos clásicos versus Conjuntos
difusos
Las funciones de pertenencia podrían ser:
Inteligencia Artificial e Ingenieria del
Conocimiento
Septiembre de 2007
Tipos de funciones de membresía
En general se puede utilizar cualquier
función continua que mapee los de un
conjunto universo clásico dado a elementos
al intervalo [0,1], las más comunes son:
Inteligencia Artificial e Ingenieria del
Conocimiento
Septiembre de 2007
Inteligencia Artificial e Ingenieria del
Conocimiento
Septiembre de 2007
Sigmoide
Inteligencia Artificial e Ingenieria del
Conocimiento
Septiembre de 2007
Diferencia entre 2 sigmoides
Inteligencia Artificial e Ingenieria del
Conocimiento
Septiembre de 2007
Función Gaussiana
Inteligencia Artificial e Ingenieria del
Conocimiento
Septiembre de 2007
Curvas basadas en Splines
Inteligencia Artificial e Ingenieria del
Conocimiento
Septiembre de 2007
Función triangular
¿Cómo elegir la función de
membresía?
Hay varias formas, el método a elegir depende de
la aplicación en particular
El método más sencillo es el Horizontal
Se basa en las respuestas de N expertos
La pregunta tiene el siguiente formato
¿Puede ser x considerado compatible con el
Inteligencia Artificial e Ingenieria del
concepto A?
Sólo se acepta un “si” o “no” por respuesta,
Luego
A(x)=(Respuestas afirmativas)/N
Conocimiento
Septiembre de 2007
Otros Métodos
Vertical
Método de comparación de parejas (Saaty,1980)
Métodos basados en la especificación del
problema
Métodos basados en la optimización de
parámetros
Inteligencia Artificial e Ingenieria del
Septiembre de 2007
Operaciones básicas sobre conjuntos
difusos
Las operaciones básicas en los conjuntos clásicos son 3
Unión
Ej: A B A U B A U B
1 1 1 m a x (1 , 1 )= 1
A={a,e,i,o,u} 1 0 1 m a x (1 , 0 )= 1
0 1 1 m a x (0 , 1 )= 1
B={b,c,d}
Inteligencia Artificial e Ingenieria del
0 0 0 m a x (0 , 0 )= 0
AUB={a,e,i,o,u,b,c,d}
Conocimiento
Septiembre de 2007
Operaciones básicas sobre conjuntos
difusos
Intersección
Ej A
1
B
1 1
A∩ B
m in(1,1)=1
A∩ B
1 0 0 m in(1,0)=0
A={1,2,3} 0
0
1
0
0
0
m in(0,1)=0
m in(0,0)=0
B={2,3,4,5}
A ∩ B ={2,3}
Inteligencia Artificial e Ingenieria del
Complemento
Ej X = { x | x ∈ N ∧ x < 5} A Comp(A)
1 0
A={1,2,3}
Conocimiento
0 1
Comp(A)={4}
Septiembre de 2007
Operaciones básicas sobre conjuntos
difusos
La extensión natural para las operaciones está
dada por
Unión difusa standard
( A ∪ B ) ( x) = max( A( x), B( x) )
Inteligencia Artificial e Ingenieria del
( A ∩ B ) ( x) = min ( A( x), B( x) )
Complemento difuso standard
Conocimiento
Septiembre de 2007
Comp ( A)( x) =1 − A( x )
Operaciones básicas sobre conjuntos
difusos
Inteligencia Artificial e Ingenieria del
Conocimiento
Septiembre de 2007
Operaciones básicas sobre conjuntos
difusos
Inteligencia Artificial e Ingenieria del
Conocimiento
Septiembre de 2007
Operaciones básicas sobre conjuntos
difusos
Inteligencia Artificial e Ingenieria del
Conocimiento
Septiembre de 2007
Operaciones básicas sobre conjuntos
difusos
Inteligencia Artificial e Ingenieria del
Conocimiento
Septiembre de 2007
Aplicación sencilla
Supongamos que una persona cualquiera desea ir a
tomar una cerveza a un local tradicional, que la
cerveza sea barata y que el local quede cerca de su
casa
El dispone de 4 lugares conocidos
Tiene sed
Inteligencia Artificial e Ingenieria del
3) Cercanía a su hogar
Septiembre de 2007
Aplicación sencilla
Para él :
Una cerveza barata es una que cueste alrededor
de $1000 o menos
Un local tradicional es un local que al menos
tenga 5 años funcionando.
Que quede cerca de su casa es que no quede a
Inteligencia Artificial e Ingenieria del
más de 10 manzanas.
Septiembre de 2007
Aplicación sencilla
Inteligencia Artificial e Ingenieria del
Conocimiento
Septiembre de 2007
Aplicación sencilla
Inteligencia Artificial e Ingenieria del
Conocimiento
Septiembre de 2007
Aplicación sencilla
Aplicación sencilla
Septiembre de 2007
Aplicación sencilla
La solución clásica impone que
Precio cerveza<=$1000
Años de servicio>=5 años
Cuadras<=10 cuadras
Septiembre de 2007
Aplicación sencilla
S o lu ció n
P r e c i o C e r v e z a A($ñ) o s d e se r v i c i oC u a d r a s c l á si c a
L o ca l 1 0 0 1 0
L o ca l 2 1 1 0 0
L o ca l 3 1 0 1 0
L o ca l 4 0 1 1 0
Inteligencia Artificial e Ingenieria del
P r e c i o C e r v e z Aa ñ (o$ s) d e s e r v i cC i uo a d r a sS o l u c i ó n d i fu s a
Loca l 1 0 ,2 0 ,5 1 0 ,2
Loca l 2 1 1 0 ,6 6 6 7 0 ,6 6 6 7
Loca l 3 1 0 ,8 7 5 1 0 ,8 7 5
Loca l 4 0 ,5 1 1 0 ,5
Conocimiento
Septiembre de 2007
Aplicación sencilla
Mediante la solución clásica el individuo se
hubiera quedado en su hogar, lo cual no es
“consistente” con la hipótesis “Tiene Sed”.
disfrutar su cerveza
Conocimiento
Septiembre de 2007
Complementos, t-normas
y t-conormas
Las operaciones básicas no son únicas
Existe una diversos tipos de complementos
difusos, de uniones difusas,llamadas t-
conormas, y de intersecciones difusas,
llamadas t-normas
Inteligencia Artificial e Ingenieria del
Conocimiento
Septiembre de 2007
Complementos difusos
Dado un conjunto difuso A definido en X,tal que x
∈ X, por definición el complemento de A se puede
interpretar como el grado en que x no pertenece a
A
Comp= C : [0,1] —> [0,1]
Los complementos deben satisfacer los siguientes
Inteligencia Artificial e Ingenieria del
axiomas
AxC1: C(0)=1 y C(1)=0
AxC2: ∀a, b ∈ [ 0,1]si a ≤ b Entonces C ( a ) ≥ C (b)
AxC3: C es una función continua
Conocimiento
Tipo umbral
1 a ≤ t 0 < t <1
C (a) =
Clase Sugeno
0 a > t
1− λ
ClaseYager C λ (a ) = λ ∈ ( − 1, ∞)
1 + λa
Inteligencia Artificial e Ingenieria del
( )
1
Cω (a) = 1 − a ω ω
ω ∈ ( 0, ∞)
ψ 2 (1 − a ) ψ >0
Cψ (a) =
a +ψ 2 (1 − a )
Conocimiento
Septiembre de 2007
T- normas
La intersección de 2 conjuntos A y B es una
operación binaria sobre el intervalo unitario
i : [ 0,1] × [ 0,1] → [ 0,1]
( A ∩ B ) ( x) = i( A( x), B( x) )
Una t-norma satisface los siguientes
Inteligencia Artificial e Ingenieria del
axiomas
AxI1: i (a,1) = a
AxI2: b ≤ d ⇒ i(a, b) ≤ i(a, d )
AxI3: i (a, b) = i (b, a)
Conocimiento
Septiembre de 2007
Tipos de t-normas
∀a, b ∈ [ 0,1]
T-norma Expresion Rango parámetros
Producto Algebraico
i ( a, b) = a ⋅ b
Diferencia Límite
a cuando b = 1
Yager
i ( a, b) = b cuando a = 1
Schweizer & Sklar 0 otro caso
[
i(a, b) = 1 − m in1, (1 − a ) + (1 − b )
ω ω
] 1
ω
ω >0
Conocimiento
Septiembre de 2007
[ (
i (a, b) = max 0, a + b − 1 p p
)] 1
p p≠0
T- conormas
La unión de 2 conjuntos A y B es una operación
binaria sobre el intervalo unitario
u : [ 0,1] × [ 0,1] → [ 0,1]
( A ∪ B ) ( x) = u ( A( x), B( x) )
Una t-conorma satisface los siguientes axiomas
AxI1:
Inteligencia Artificial e Ingenieria del
AxI2: u (a,0) = a
AxI3:
b ≤ d ⇒ u ( a, b) ≤ u ( a, d )
AxI4:
u (a, b) = u (b, a)
Conocimiento
u (a, u ( b, d ) ) = u (u ( a, b ) , d )
Septiembre de 2007
T- conormas
AxI5: u es una función continua
AxI6: u (a, a) > a
AxI7: a1 < a2 ∧ b1 < b2 ⇒ u (a1 , b1 ) < u (a2 , b2 )
Inteligencia Artificial e Ingenieria del
Conocimiento
Septiembre de 2007
Tipos de t-conormas
∀a, b ∈ [ 0,1]
T-conorma Expresion Rango parámetros
Suma Algebraico u ( a, b ) = a + b − a ⋅ b
Suma Límite u (a, b) = min(1, a + b)
a cuando b = 0
Unión drástica u ( a , b) = b cuando a = 0
1
Inteligencia Artificial e Ingenieria del
otro caso
Yager
[
u (a, b) = min 1, ( a ) + ( b )
ω ω
] 1
ω
ω >0
Conocimiento
[ (
u (a, b) = 1 − max 0, (1 − a ) + (1 − b ) − 1
p p
)] 1
p
p≠0
Septiembre de 2007
Flexibilidad de la matemática difusa
Mediante el siguiente teorema se pueden construir
nuevas t-conormas a partir de una dada
Teorema
Sea u una t-conorma y g : [ 0,1] → [ 0,1] una función tal que
sea estrictamente creciente y continua en (0,1) y
que g(0)=0 y g(1)=1. Entonces la función U definido
Inteligencia Artificial e Ingenieria del
Es una t-conorma
Conocimiento
Septiembre de 2007
Flexibilidad de la matemática difusa
Donde 0 z ∈ ( − ∞,0)
g ( −1) ( z ) = g −1 ( z ) z ∈ [ 0, g (1)]
1 z ∈ ( g (1), ∞ )
Consideremos
g (a) = a 2
0 z ∈ ( − ∞,0 )
Inteligencia Artificial e Ingenieria del
g ( −1) ( z ) = z z ∈[ 0,1]
1 z ∈ (1, ∞)
u (a, b) = a + b − ab
g (a) = a 2 g( b) = b 2
Conocimiento
u ( a 2 , b 2 ) = a 2 + b 2 − a 2b 2
U ( a, b) = a 2 + b 2 − a 2b 2 ∀a, b ∈ [ 0,1]
Septiembre de 2007
Variables linguísticas
Una variable linguística es caracterizada por una
quíntupla
( x, T ( x), X , G, M )
Donde
x: Variable base (nombre de la variable)
T(x): Conjunto de términos linguísticos de x que refieren
a la variable base
Inteligencia Artificial e Ingenieria del
X: Conjunto universo
G: Es una regla sintáctica (gramática) para generar
términos linguísticos
M: ∈ una
tEs T regla semántica que asigna cada término
Conocimiento
con su significado
Septiembre de 2007
Ejemplo de variable linguística
La velocidad puede ser interpretada como una variable
lingüística
T(velocidad) podría ser
Septiembre de 2007
Inteligencia Artificial e Ingenieria del
Conocimiento
Septiembre de 2007
Ejemplo de variable linguística
Ejemplo de variable linguística
Podemos encontrar el número difuso “muy
lento” o “mas o menos lento” a partir de
“lento”
( muy Lento ) ( x) = ( Lento ) p ( x) p >1
(mas o menos Lento)( x) = ( Lento ) (x)
p
0 < p <1
Inteligencia Artificial e Ingenieria del
Conocimiento
Septiembre de 2007
Inteligencia Artificial e Ingenieria del
Conocimiento
Septiembre de 2007
Ejemplo de variable linguística
Implicaciones difusas
Caso clásico
p → q es interpretado como ¬( p ∧ ¬q )
La interpretación completa de la implicación
p→q
material______cuantifica el grado de verdad en que la
proposición q es por lo menos tan verdad como p
Si τ ( p ) ≤ τ (q)
Inteligencia Artificial e Ingenieria del
1
τ ( p → q) =
0 Otro caso
τ ( p)
1 1
τ (q ) 1 τ ( p → q)
0 1 1
0 0 1
1 0 0
Conocimiento
Septiembre de 2007
Implicaciones difusas
Usando la interpretación de la implicación
podemos definir la implicación difusa
p → q = ¬( p ∧ ¬q ) = ¬p ∨ q
Puede ser extendida por el operador de Kleene-
Dienes
A( x) → B( x) = max(1 − A( x), B( x) )
Inteligencia Artificial e Ingenieria del
A( x) → B ( x) = min( A( x), B( x) )
Septiembre de 2007
Otros operadores de implicación difusa
Nombre Definción
x→ y=
Early Zadeh
Lukasiewicz max (1 − x, min( x, y ) )
min (1,1 − x + y )
Larsen
Estándar estricta
x⋅ y
Gödel 1 Si x ≤ y
0 Otro caso
Inteligencia Artificial e Ingenieria del
Gaines
1 Si x ≤ y
Yager
y Otro caso
1 Si x < y
y
x Otro caso
Conocimiento
yx
Septiembre de 2007
Teoría del Razonamiento aproximado
Fue introducida por Zadeh. Provee un potente
mecanismo para razonar con información imprecisa o
incierta
La más importante regla de inferencia es el Modus
Ponens Generalizado (GMP)
Modus Ponens clásico dice
Premisa Si p entonces q
Inteligencia Artificial e Ingenieria del
Hecho p
Consecuencia q
Septiembre de 2007
Teoría del Razonamiento aproximado
La inferencia difusa de la implicación está basada
en la regla composicional de inferencia
Regla composicional de inferencia
Premisa Si x está en A entonces y está en B
Hecho x está en A'
Consecuencia y está en B'
Inteligencia Artificial e Ingenieria del
u∈U
Septiembre de 2007
Teoría del Razonamiento aproximado
En casos prácticos se utiliza la composición sup-T,
donde T es una t-norma
B ' (v) = sup ( T [ A' (u ), ( A → B ) (u , v)] ) , v ∈ V
u∈U
Inteligencia Artificial e Ingenieria del
Conocimiento
Septiembre de 2007
Propiedades
Propiedad Básica
Si x está en A entonces y está en B Si la presión es grande entonces el volumen es pequeño
x está en A presion es grande
y está en B volumen es pequeño
Total indeterminación
Si x está en A entonces y está en B Si la presión es grande entonces el volumen es pequeño
x no está en A presión no es grande
y está indeterminado volumen indeterminado
Subconjunto
Si x está en A entonces y está en B Si la presión es muy grande entonces el volumen es pequeño
x está en presión es grande
y está en B volumen es pequeño
Superconjunto
Si x está en A entonces y está en B Si la presión es muy grande entonces el volumen es muy pequeño
x está en A' presión es grande
Inteligencia Artificial e Ingenieria del
B' ⊃ B
Conocimiento
Septiembre de 2007
Operaciones de Agregación
1
α
A + A + .... A
α α
α
hα ( A1 , A2 ,..., An ) =
1 2 n
n
Conocimiento
Septiembre de 2007
Operaciones de Agregación
Operadores OWA (Ordered weighted averaging operation)
Sea W = ( w1 , w2 ,..., wn ) vector de pesos tal que
wi ∈ [ 0,1]∀i ∈ N y
n
∑w
i =1
i =1
W=(0.5,0.2,0.3) A=(0.2,0.7,0.9)
B=(0.9,0.7,0.2)
H=0.5*0.9+0.2*0.7+0.3*0.2=0.65
Septiembre de 2007
Métodos de Defuzificación
La salida de un proceso de inferencia es un
conjunto difuso, en procesos en línea se requieren
usualmente valores crisp
Algunos operadores de defuzificación
Operador centro de gravedad (Centroide):
∑ z A( z )
Inteligencia Artificial e Ingenieria del
j j
z0 =
∑ A( z )j
Primer máximo(Som):
(
z 0 = min z | A( z ) = max A( w) )
Conocimiento
Septiembre de 2007
Métodos de Defuzificación
{
Criterio del máximo z0 ∈ z | A( z ) = max
w
}A( w)
Media de máximos (Mom): Se calcula la media de
los valores que maximizan a un conjunto difuso A
Centro de Area: Se calcula el valor que iguala el
área de A que queda a la derecha y a la izquierda
z0 ∞
Inteligencia Artificial e Ingenieria del
∫ A( x)dx = ∫ A( x)dx
−∞ z0
Entonces z está en C2
Hecho: x es x 0 e y es y 0
Consecuencia: z es C
Conocimiento
Septiembre de 2007
Mecanismo de Mandani
La implicación difusa es modelada por el operador de
Mandani y la sentencia conectiva “también” por el
operador max.
Procedimiento
Primero los niveles de cada regla
α 1 = A1 ( x 0 ) ∧ B1 ( y 0 )
α 2 = A2 ( x 0 ) ∧ B 2 ( y 0 )
Inteligencia Artificial e Ingenieria del
defuzificación
Septiembre de 2007
Mecanismo de Tsukamoto
Todos lo términos linguísticas deben tener funciones de
membresía monótonas
Procedimiento
mediante z0 =
α1 +α 2
Septiembre de 2007
Mecanismo de Sugeno y Takagi (1985)
R1: Si x está en A1 e y está en B1 Entonces z1 = p1 ⋅ x + q1 ⋅ y
también
R2: Si x está en A2 e y está en B2 Entonces z 2 = p 2 ⋅ x + q 2 ⋅ y
Hecho: x es x 0 e y es y 0
Consecuencia: z0
Procedimiento
Primero α 1 = A1 ( x 0 ) ∧ B1 ( y 0 )
Inteligencia Artificial e Ingenieria del
α 2 = A2 ( x 0 ) ∧ B 2 ( y 0 )
Luego se computa z1∗ = p1 x 0 + q1 y 0 z 2∗ = p2 x0 + q2 y0
α1 z1∗ + α 2 z 2∗
Y la salida crisp z0 =
Conocimiento
α1 + α 2
Septiembre de 2007
Mecanismo de Larsen
La implicación difusa es modelada por el
operador de Larsen (producto usual) y las
sentencias “también” por el operador max
Procedimiento
Calcular α = A ( x ) ∧ B ( y )
Inteligencia Artificial e Ingenieria del
1 1 0 1 0
α 2 = A2 ( x 0 ) ∧ B 2 ( y 0 )
La función de salida
C ( w) = (α 1 ⋅ C1 ( w) ) ∨ (α 2 ⋅ C 2 ( w) )
Conocimiento
Septiembre de 2007
Controladores Difusos
Modelación de un controlador de temperatura
para procesadores mediante lógica difusa: parte 1
Entradas al sistema
Temperatura: Medida con un termómetro en
grados
Flujo de Información:Medida en porcentaje
Salida del sistema
Inteligencia Artificial e Ingenieria del
Velocidad en RPM
La modelación se realizó para un procesador que
poseía un ventilador de velocidad máxima 5000
Rpm
Conocimiento
Septiembre de 2007
Inteligencia Artificial e Ingenieria del
Conocimiento
Septiembre de 2007
Conjuntos difusos empleados
Inteligencia Artificial e Ingenieria del
Conocimiento
Septiembre de 2007
Conjuntos difusos empleados
Inteligencia Artificial e Ingenieria del
Conocimiento
Septiembre de 2007
Conjuntos difusos empleados
Conjuntos difusos empleados
Reglas
R1: IF Temperatura es Alta y Procesamiento Alto THEN
Velocidad Alta
R2: IF Temperatura es Alta y Procesamiento Normal THEN
Velocidad Alta
R3: IF Temperatura es Media y Procesamiento Alto
THEN Velocidad Media
Inteligencia Artificial e Ingenieria del
Septiembre de 2007
Conjuntos difusos empleados
Como mecanismo de inferencia se utilizó
el mecanismo de Mandani
Como método de defuzificación se
probaron varios disponibles en el software
Matlab
Inteligencia Artificial e Ingenieria del
• Centroid
• Bisector
• Mom
• Som
• Lom
Conocimiento
Septiembre de 2007
Resultados
V el c entroide V el B is ec tor V el M om V el S om V el Lom
x 0 (º) y 0 (% )
(k RP M ) (k R P M ) (k R P M ) (k R P M ) (k RP M )
5 5 1,117 1,100 1,100 0,000 2,000
120 100 3,883 3,900 4,000 3,000 5,000
70 70 2,500 2,500 2,500 2,000 3,000
90 70 3,883 3,900 4,000 3,000 5,000
85 70 3,566 3,650 4,000 3,000 5,000
70 95 2,500 2,500 2,500 2,000 3,000
40 95 1,117 1,100 1,000 0,000 2,000
80 85 3,384 3,400 3,500 2,000 5,000
Inteligencia Artificial e Ingenieria del
Conocimiento
Septiembre de 2007
Conclusiones de la modelación
Septiembre de 2007
¿Cuándo ocupar lógica difusa?
Según Sur y Omron (1997)
En procesos complejos, si no existe un modelo de solución
sencillo
En procesos no lineales
Cuando haya que introducir la experiencia de un operador
“experto” que se base en conceptos imprecisos obtenidos de su
experiencia
Inteligencia Artificial e Ingenieria del
Septiembre de 2007
Desventajas de la lógica difusa
Existe la mala concepción de que la lógica difusa
es algo “mágico” sin fundamento matemático
Verificación de los modelos y sistemas difusos
expertos requiere de gran cantidad de pruebas
Inteligencia Artificial e Ingenieria del
Conocimiento
Septiembre de 2007
Aplicaciones históricas
En 1974 Mandani diseñó el primer sistema de control
difuso experimental para un motor de vapor
En 1980 una compañía danesa (F.L.Smidth & Co. A/S) usa
teoría difusa para control de un horno de cemento
En 1980 Fuji Electric Co. Ltda (Japón) implementa un
sistema de inyección química para plantas purificadoras de
agua
Inteligencia Artificial e Ingenieria del
Septiembre de 2007
Aplicaciones históricas
En 1990 empiezan en Japón las aplicaciones domésticas,
tales como:
Lavadoras fuzzy
Ollas cocineras de Arroz (Cocedora de arroz de la marca
Zojirushi)
Cámaras de video y fotográficas,etc...
Inteligencia Artificial e Ingenieria del
Conocimiento
Septiembre de 2007
Aplicaciones Generales
Control de sistemas: Control de tráfico de vehículos, Control de
compuertas en plantas hidroeléctricas y térmicas,ascensores,
etc...
Predicción y optimización: Predicción de terremotos,
optimización de horarios, etc....
Reconocimiento de patrones y Visión por ordenador:
Seguimiento de objetos con cámara, reconocimiento de letra
Inteligencia Artificial e Ingenieria del
Septiembre de 2007
Trabajos a futuro
Aplicar Inteligencia computacional a
acústica, vibraciones y procesamiento de
señales
Aplicar específicamente lógica difusa en
evaluación de recintos
Inteligencia Artificial e Ingenieria del
Septiembre de 2007
Conclusiones
Septiembre de 2007
Fuentes de información
G.Klir y B. Yuan, Fuzzy sets and fuzzy logic:
theory and applications ,Prentice Hall PTR, 1995
R.R. Yager ed., Fuzzy sets and applications.
Selected papers by L.A. Zadeh, John Wiley &
Sons, New York, 1987)
R. Fuller, Neural Fuzzy Sistems, Abo Akademi
University, 1995
Inteligencia Artificial e Ingenieria del