Desarrollos Inteligentes

Lgica Difusa

CAPTULO

LGICA DIFUSA
Debe preguntarse a los nios y a los pjaros cmo saben las cerezas y las fresas Goethe.

Objetivo: El estudiante comprender los fundamentos de la lgica difusa, as como sus aplicaciones.

Desarrollos Inteligentes

Lgica Difusa

1.1 Introduccin a la lgica difusa. La lgica difusa surge como resultado de la bsqueda del hombre de una herramienta para representar con precisin la imprecisin de la realidad humana. Cmo generar una herramienta o una mquina que pueda ayudar eficientemente al hombre, en la que se pueda modelar los procesos mentales del mismo, los procesos de la toma de decisiones bajo incertidumbre, los procesos de abstraccin y generalizacin en la solucin de problemas, etc. Un factor prioritario que ha impedido el desarrollo de esta mquina es el hecho de no poder modelar los procesos de razonamiento en trminos imprecisos, no cuantitativos, borrosos, del hombre. Es la ausencia de esta caracterstica la que determina que las ms sofisticadas computadoras actuales sean incapaces de comunicarse con los humanos empleando lenguajes naturales y exijan lenguajes artificialmente construidos. En general la lgica del razonamiento humano no se puede modelar con la lgica binaria, recordando con Einstein: En cunto a que las matemticas se refieren a una realidad, ellas no son ciertas, en cuanto a que ellas sean ciertas, ellas no se refieren a una realidad. La lgica del razonamiento es una lgica de verdades borrosas, borrosidad no permitida por los modelos matemticos, que en la bsqueda por la precisin han ajustado la realidad. El pensamiento y los procesos del hombre son borrosos, por ende se requiere establecer modelos borrosos, utilizando una matemtica borrosa. Se requiere de un nuevo punto de vista, un nuevo cuerpo de conceptos, una serie de tcnicas, en los que lo borroso se acepte como una realidad del hombre. Un proceso trascendente y prioritario del hombre es la toma de decisiones en cualquier rea: medicina, agricultura, economa, administracin, investigacin, etc., de ah la importancia de establecer modelos difusos.

Desarrollos Inteligentes

Lgica Difusa

Las teoras que definen a la lgica difusa es un avance de la matemtica clsica. Estas teoras se generaron en la bsqueda de modelos matemticos que representaran con mayor precisin los procesos mentales del hombre. La teora de los conjuntos difusos fue publicada por Zadeh en 1965, esta teora es un nuevo cuerpo de conceptos y tcnicas en la que lo difuso es aceptado como la realidad del hombre, esta teora puede abrir muchas fronteras nuevas en diferentes disciplinas y servir de base para la creacin de sistemas superiores en inteligencia artificial. La palabra difuso significa que un elemento es un miembro de un conjunto slo de manera incierta, mientras que la matemtica clsica nos ensea que slo hay dos situaciones especificas para un elemento : falso o verdadero. El mrito de L.A. Zadeh es definir esta pertenencia incierta usando el concepto de membresa.

1.2 Antecedentes de los conjuntos difusos. El mtodo de L.A. Zadeh ha intentado salir del estancamiento introduciendo la nocin de membresa. Un elemento puede entonces pertenecer, ms o menos a un conjunto y de ah engendrar un concepto fundamental: el de conjunto difuso (Kauffman, 10, 1982). La teora de los conjuntos binarios (un elemento pertenece o no pertenece a un conjunto) es un caso particular de la teora de los subconjuntos difusos, se considera el trmino de subconjuntos difusos porque el conjunto de referencia no es difuso. En trminos genricos la funcin de membresa es el grado de pertenencia de un elemento a un conjunto, el grado de pertenencia tiene un rango de 0 a 1 inclusive, de tal forma que si la funcin de membresa toma solamente los

Desarrollos Inteligentes

Lgica Difusa

valores extremos del rango, se est considerando la teora clsica de conjuntos: un elemento no pertenece (0) pertenece a un conjunto (1).

1.3 Conceptos de conjuntos difusos. En la actualidad, los sistemas desarrollados por el hombre no generan un razonamiento lgico. Esta incapacidad se debe bsicamente a la diferencia fundamental que existe entre la inteligencia humana y los alcances de los sistemas o mquinas. La teora de los conjuntos difusos permite estructurar mejor lo que est separado por fronteras poco precisas, como el pensamiento, el lenguaje y la percepcin del hombre. (Kaufmann: 1982). La teora de conjuntos difusos es una agrupacin de conceptos y tcnicas en la que lo difuso es aceptado como una realidad universal de la existencia humana. Esta teora puede abrir fronteras nuevas en diferentes disciplinas y servir de base para la creacin de sistemas superiores en inteligencia artificial. Es importante sealar la diferencia entre difuso y probabilstico. La representacin difusa seala objetos con propiedades imprecisas y la representacin probabilstica denota informacin basada en frecuencias relativas. (Bezdek: 1993). Se puede definir un conjunto difuso como aqul formado por elementos con un grado de pertenencia o membresa. Este grado se define regularmente en el intervalo [0,1] Una definicin formal es: Si B={x} representa un espacio de objetos, entonces el conjunto difuso A en B es el conjunto de pares ordenados: A={x, A(x) }, x B Donde A(x) es el grado de membresa de x en A.

Desarrollos Inteligentes

Lgica Difusa

A su vez, un nmero difuso es un conjunto difuso en el dominio de la lnea real. Existen diferentes formas de las funciones de membresa de los nmeros difusos, siendo las ms comunes la triangular, trapezoidal y de Gauss. Nmero N no difuso (ver figuras 1.3.1 y 1.3.2). 1 0 N Figura 1.3.1 Nmero N no difuso Nmero N difuso (x) 1 0 N x x

Figura 1.3.2. Nmero N difuso Considere a F como el conjunto de todos los reales cercanos a N. La propiedad difusa cercano a N obliga a tener ms de un valor de membresa. En la figura anterior se pueden notar tres caractersticas esenciales: Normalidad : (N)=1 Monotonicidad: entre ms cercano a N se encuentra un nmero x, ms

cercano a 1 es (x). Simetra: Nmeros con la misma distancia a la derecha y a la izquierda de N tendrn el mismo valor de membresa.

1.4 Operaciones con conjuntos difusos. Kaufmann en el libro Introduccin a la teora de los subconjuntos difusos presenta las siguientes definiciones. Sean E un conjunto; M su conjunto de membresa asociado [0,1]; A y B dos conjuntos difusos de E; A(x) y B(x) son funciones caractersticas de

Desarrollos Inteligentes

Lgica Difusa

membresa que toman sus valores de M. Entonces las definiciones de las siguientes operaciones son: Inclusin: Se dice que A est incluido en B si: x E: A(x) B(x). Igualdad: A y B son iguales si, y solamente si: x E: A(x) = B(x). Complementacin: A y B son complementarios (B=A) si: x E: B(x) = 1 - A(x) Interseccin: Se define la interseccin , como el subconjunto difuso ms grande contenido, a la vez, en A y en B, es decir: x E: A B(x) = MIN( A(x), B(x)). Unin Se define la unin AUB por el subconjunto difuso ms pequeo que contiene tanto a A como a B, es decir: x E: AUB(x) = MAX( A(x), B(x)). Ejemplos de operaciones compuestas: Suma disyuntiva. La suma disyuntiva de dos subconjuntos difusos se define en trminos de la unin y de la interseccin de la manera siguiente: A B = (A B)U(A B) x E: A (x) = MAX( (A B)(x), (A B)(x)) = = MAX( MIN( A(x), B (x)), MIN( A (x), B(x)) ) Diferencia. La diferencia se define por la relacin: A - B = A B x E: AB(x) = MIN( A(x), B (x)).

Desarrollos Inteligentes

Lgica Difusa

1.5 Conceptos de lgica difusa. La lgica difusa se puede definir como el conjunto de principios matemticos usados para modelar la informacin que se basa en grados de membresa. La lgica difusa comprende a la lgica clsica. La lgica clsica es una lgica binaria que se basa en los valores verdadero y falso. Un elemento pertenece o no pertenece a un conjunto. Sin embargo, en la mayora de los fenmenos reales, las situaciones que se presentan no son deterministas slo en dos valores ya que entre estos valores extremos pueden presentarse varios valores intermedios con un grado de pertenencia y de no pertenencia a un conjunto determinado; este grado se maneja en la lgica difusa como grado de membresa. Los conceptos bsicos de la lgica difusa se presentan a continuacin: Considere el siguiente modelo presentado en la figura 1.5.1 para una enfermedad_x: Grados de membresa etiqueta difusa leve 11 funciones de membresa moderada

100% 0 40 Campo de dominio Universo de discurso Figura 1.5.1. Ejemplo de un modelo difuso de una enfermedad_x. % presencia

Desarrollos Inteligentes

Lgica Difusa

Universo de discurso Rango de todos los posibles valores aplicables a una variable del sistema. Por ejemplo: El porcentaje de presencia de la variable_x tiene un universo de discurso de [0,100]. Campo del dominio. Ancho de la funcin de membresa. El rango de conceptos, generalmente nmeros, sobre el cual una funcin de membresa es mapeada. Por ejemplo el ancho de la funcin de membresa leve para la enfermedad x es de [0,40]. Funcin de membresa. Define un conjunto difuso para mapear los datos de entrada desde un dominio a grados de membresa. En el modelo anterior se definen dos funciones de forma triangular. Etiqueta difusa Describe el nombre usado para identificar una funcin de membresa. En el modelo anterior leve y moderada

1.6 Medida de la entropa difusa. Para resolver un problema usando lgica difusa se requieren los tres pasos siguientes: 1. Difusificar los datos de entrada 2. Evaluacin de las reglas difusas 3. Desdifusificar los datos difusos para generar los datos de salida.

Desarrollos Inteligentes

Lgica Difusa

1.7 Subconjuntos difusos.

Difusificar los datos de entrada.

Los datos de entrada son transformados en entradas difusas a travs de las funciones de membresa. Generalmente las funciones de membresa proporcionan un nmero mediante un conjunto difuso, esto es: mapean el dato de entrada desde un dominio especfico a un grado de membresa en un rango de [0 ,1]. 1.8 Variables lingsticas. Las variables difusas asumen valores que son trminos del lenguaje natural, por ejemplo: tibio, templado, caliente; estos valores se conocen como etiquetas difusas en un conjunto borroso. El proceso de difusificacin consiste en los siguientes pasos: Paso I) Asignar etiquetas difusas en el universo de discurso para cada uno de los datos de entrada. El nmero de etiquetas para cada variable en un sistema difuso generalmente puede ser entre 3 y 9; entre menos etiquetas, los resultados obtenidos pueden no representar la respuesta correcta para una posible decisin; ms etiquetas definidas podran generar un sistema difuso inestable, ms tiempo adicional de computacin y la resolucin del sistema definido sera quiz inoperante. Por ejemplo para la enfermedad del asma se definen tres etiquetas difusas: leve, moderado y grave y para los sntomas del asma se tienen las siguientes etiquetas difusas: Disnea: leve, moderado y grave. Sibilancias: leve, moderado, grave y muy grave. Estertores: existe, no existe. Hiperventilacin pulmonar: leve, moderado, grave

Desarrollos Inteligentes Cianosis perioral: leve, moderado, grave Espiracin prolongada: normal, prolongada. Paso II)

Lgica Difusa

Seleccionar una funcin de membresa. Las funciones de membresa pueden tomar diferentes formas, las ms frecuentes usadas son la trapezoidal y la triangular, pero puede suceder que sea ms representativa del fenmeno que ocurre otra forma especial, Implicando en este caso ms ecuaciones y generando tablas ms grandes para representar la ocurrencia. Por ejemplo, las funciones de membresa para cada uno de los sntomas y para la enfermedad del asma se determinaron de forma triangular debido a que el experto mdico por cada etiqueta difusa defini slo un valor crtico, esto es, un valor de la variable con grado de membresa igual a uno. Ahora bien, dependiendo de la funcin de membresa, se determinan los mtodos especficos para representarla; entre estos mtodos se encuentran: la representacin punto/pendiente y las tablas de bsqueda: 1. La representacin punto/pendiente se utiliza para representar las funciones trapezoidal y triangular como se muestra en la figura 1.8.1.

pendiente1 punto 1

pendiente 2 punto 2

Figura 1.8.1 Representacin Punto/ Pendiente 2. Las tablas de bsqueda son una representacin comn para una funcin la

de forma arbitraria, en este caso la difusificacin requerir una representacin ms compleja que consumira ms memoria y consecuentemente, desdifusificacin requerir ms tiempo.

10

Desarrollos Inteligentes

Lgica Difusa

Por ejemplo en la figura 1.8.2: TEMPE RATUR A 30 35 40 45 50 55 GRADO DE MEMB RESIA 0 .05 .18 1.0 .17 .14

Figura 1.8.2 Ejemplo de una tabla de bsqueda

En el proyecto que se presenta; se est usando la representacin punto/pendiente, debido a que las funciones de membresa de los sntomas y del asma son funciones triangulares.

1.9 Relaciones difusas. Las reglas de evaluacin son tambin referidas como inferencia difusa. La tcnica generalmente usada es la inferencia MIN-MAX. A travs de esta tcnica se calcula un valor numrico que representa el verdadero para un consecuente de una accin basada en un conjunto de reglas relacionadas. Las reglas de evaluacin se aplican a los datos de entrada difusos que fueron generados en la difusificacin. Estas variables de entrada se asocian a travs de las reglas con variables de salida. Las reglas difusas son usualmente estatutos sientonces que describen la accin que va a ser tomada en respuesta a varias entradas difusas. Las reglas son muy fciles de definir en trminos lingsticos y bajo una estricta sintaxis: Si antecedente 1 Y antecedente 2, entonces consecuente.

11

Desarrollos Inteligentes

Lgica Difusa

Esta definicin se puede reflejar en una matriz segn se ve en la figura 1.9.1:

antecedente 1 antecedente 2 consecuente

Figura 1.9.1 Representacin de una regla en forma matricial

La tcnica MIN-MAX consiste en los siguientes pasos: 1. 2. Si los antecedentes son conectados por el operador y, el peso de la regla La salida difusa se determina para cada funcin de membresa de la se asume como el ms pequeo de los pesos de los antecedentes de la regla. variable de salida como el mximo peso de los pesos de todas las reglas relacionadas con esa funcin. V.Gr.: Considere que existe una enfermedad_x determinada por la presencia de los sntomas: sntoma_1 y sntoma_2. El objetivo es determinar para una combinacin de sntomas presentada por el paciente, el porcentaje de presencia de la enfermedad. Suponga que las funciones de membresa para los sntomas y la enfermedad_x son las siguientes (ver figuras 1.9.2, 1.9.3 y 1.9.4): Grado de membresa 1 templada 0.7

SNTOMA_1 caliente

0 20

23 25

27 30 entrada

35

grados centgrados

Figura 1.9.2 Modelo difuso del sntoma_1.

12

Desarrollos Inteligentes

Lgica Difusa

grados de 1.0 membresa 0.9

SNTOMA_2. normal

alta

10

18

20 22

30

intensidad de color

Entrada Figura 1.9.3 Modelo difuso del sntoma_2. ENFERMEDAD_X. moderada alta

grados de 1.0 membresa

30 55

60

100 porcentaje de presencia

Figura 1.9.4 Modelo difuso de la enfermedad_x.

Sean las siguientes reglas a evaluar: Regla 1: Si sntoma_1 es templada y sntoma_2 es normal entonces la Regla 2: Si sntoma_1 es templada y sntoma_2 es alta entonces la Regla 3: Si sntoma_1 es caliente y sntoma_2 es normal entonces la Regla 4: Si sntoma_1 es caliente y sntoma_2 es alta entonces la enfermedad_x es moderada. enfermedad_x es alta. enfermedad _x es alta. enfermedad_x es alta.

13

Desarrollos Inteligentes

Lgica Difusa

Los resultados que se obtienen de difusificar las variables de entrada, en este caso los sntomas respecto a la entradas sealadas en las figuras 1.9.5. y 1.9.6, son los siguientes: Sntoma_1 Funcin de membresa templada caliente grado de membresa 0.7 0

Figura 1.9.5 Resultados de la difusificacin del sntoma_1 con una entrada de 23 grados centgrados. Sntoma_2 Funcin de membresa normal alta grado de membresa 0 0.9

Figura 1.9.6 Resultados de la difusificacin del sntoma_2 con una entrada de 22 de intensidad de color. Tomando en cuenta los resultados de la difusificacin, el peso de cada regla se define de la siguiente manera (figura 1.9.7): Regla 1: Si sntoma_1 es templada (0.7) y sntoma_2 es normal (0) Regla 2: Si sntoma_1 es templada (0.7) y sntoma_2 es alta (0.9) Regla 3: Si sntoma_1 es caliente (0) y sntoma_2 es normal (0) entonces Regla 4: Si sntoma_1 es caliente (0) y sntoma_2 es alta (0.9) entonces

entonces la enfermedad_x es moderada. entonces la enfermedad_x es alta. la enfermedad_x es alta. la enfermedad_x es alta.

14

Desarrollos Inteligentes R E G L A 1 2 3 4 PESO DE LA REGLA

Lgica Difusa

0 0.7 0 0

Figura 1.9.7 Pesos de las reglas La salida difusa se calcula para cada funcin de membresa de la enfermedad_x (variable de salida) como el mximo peso de los pesos de las reglas relacionadas con esa funcin, para este ejemplo se tiene (figura 1.9.8):

FUNCIN DE MEMBRESA DE LA ENFERMEDAD_X

moderada alta Figura 1.9.8. Salidas difusas.

S A L I D A D I F U S A 0 0. 7

Desdifusificar los datos difusos para definir los datos de salida. Es el proceso de combinacin de todas las salidas difusas en una especfica que representa la salida del sistema. Una de las tcnicas ms comunes usadas en la desdifusificacin es la llamada Center Of Gravity (Mtodo del centroide). En este mtodo en cada funcin de membresa de salida se define un truncamiento determinado por el valor de su respectiva salida difusa. Los resultados del corte 15

Desarrollos Inteligentes

Lgica Difusa

de las funciones de membresa se combinan y se calcula el centro de gravedad, tal truncamiento se llama corte lambda. El proceso consiste en: 1. Corte de las funciones de membresa de salida considerando la salida difusa, por ejemplo en la figura 1.3.2.11: etiquetas difusas corto medio largo 1.0 0.40 0.20 0 30

salida difusa

75

90 unidades de la variable de salida

Figura 1.9.9 Ilustracin del corte de las funciones de membresa. 2. La salida real se determina al encontrar el punto de balance del centro de gravedad en el rea delimitada. b

COG =
Donde: : salida difusa

( x).x = salida real b x=a (x)

x=a

x: valor de la variable de salida que corresponde a . Aproximadamente considerando el ejemplo anterior: Para el modelo presentado en la figura 1.3.2.11., el clculo se realiza de la siguiente manera: COG = (0x0)+(15x0)+(30x.40)+(45x.40)+(60x.40)+(75x.20)+(90x.20) 0+0+.40+.40+.40+.20+.20 COG= 87/1.60= 54.375 unidades de la variable de salida En resumen, grficamente el proceso de lgica difusa se muestra en las figuras 1.9.10 y 1.9.11: 16

Desarrollos Inteligentes

Lgica Difusa

ENTRADA DE DATOS FUSIFICACIN FUNCIONES DE MEMBRESA DE ENTRADA ENTRADA DE DATOS DIFUSIFICADOS REGLAS EVALUACIN DE LAS REGLAS

SALIDA IFUSIFICADA FUNCIONES DE MBRESA DE SALIDA DESDIFUSIFICACIN

SALIDA DE RESULTADOS Figura 1.9.10 Ilustracin del proceso de la lgica difusa.

EVALUACIN DE LAS REGLAS

DETERMINAR EL VALOR DE VERDAD DE CADA ANTECEDENTE

ENCONTRAR LOS PESOS DE CADA REGLA.

DETERMINAR LA SALIDA DIFUSIFICADA PARA CADA FUNCIN DE MEMBRESA DEL CONSECUENTE.

Figura 1.9.11 Ilustracin del proceso para evaluar las reglas.

17

Desarrollos Inteligentes 1.10 Sistemas de control difusos.

Lgica Difusa

El desarrollo de sistemas expertos difusos para esquemas de control, de reconocimiento de patrones, de toma de decisin en el rea de medicina, entre otros, han ido sustituyendo a los sistemas convencionales, debido fundamentalmente a la facilidad de implementacin y a los resultados

obtenidos; prueba del xito de estos resultados es el controlador experto difuso que permanece sobre una lnea de trenes en Japn (Reyes: 1994). Precisamente, Japn es el pas que se ha interesado en la aplicacin de los modelos difusos desarrollando dispositivos difusos para lavadoras, televisores, aire acondicionado, computadoras, antivirus y tambin para reas ms sofisticadas como: sistemas de navegacin, controladores de trenes subterrneos y transmisiones de automviles. (Kandel:1991). La funcin de membresa define la base de todo sistema difuso; esta funcin es capaz de manejar incertidumbre en diversas reas como lo son: el diseo de sistemas inteligentes, el procesamiento de imgenes y visin por computadora, el reconocimiento de patrones, etc. (Bezdek: 1993). En los sistemas expertos se utilizaban esquemas probabilsticos para manejar la incertidumbre antes de que surgiera la lgica difusa. Es importante sealar que los sistemas expertos difusos no se basan en valores probabilsticos sino en trminos lingsticos como lo son: bueno, regular, malo, etc., trminos que implican determinados valores difusos. (Kandel:1991). En un esquema general, de acuerdo a Kandel, un sistema experto difuso se puede definir como un sistema experto que incorpora la teora de lgica difusa en el desarrollo de la base de conocimientos y del motor de inferencia.

Un sistema experto difuso es un sistema experto como tal, en el que se definen de manera particular los siguientes componentes: Base de conocimientos, Mecanismo de Inferencia y Conjunto de Reglas.

18

Desarrollos Inteligentes Base de Conocimientos:

Lgica Difusa

Se caracteriza porque puede manejarse con tcnicas de resolucin difusas, esto implica que para cada variable determinada en el sistema se definen una varias funciones de membresa. Por ejemplo en este proyecto, cada sntoma tiene definidas en la base de conocimientos sus funciones de membresa, tambin para la variable de salida para este caso la enfermedad del asma se definieron las funciones de membresa en la base de conocimientos. Mecanismo de inferencia. Se define por los procesos de difusificacin, evaluacin de las reglas y desdifusificacin en el esquema de la lgica difusa. El objetivo del mecanismo de inferencia es manipular las variables de entrada con lgica difusa y generar salidas al usuario. En el proyecto actual, la definicin del mecanismo de inferencia implica las tareas de difusificar los sntomas que presente el paciente, evaluar las reglas que relacionan los sntomas con la enfermedad del asma, y desdifusificar la salida difusa para obtener la salida real del sistema sntomas del paciente. Conjunto de reglas. Las reglas se definen en trminos de difusividad y determinan la forma en la que el mecanismo de inferencia deduce la posible solucin. Una manera de plantear las reglas es a travs del uso de las matrices Fuzzy Associative Memories (FAM) (Memorias asociativas difusas). Por ejemplo para las siguientes reglas definidas para la enfermedad_x segn se muestra en la figura 1.10.1: Regla 1: Si sntoma_1 es templada y sntoma_2 es normal entonces la Regla 2: Si sntoma_1 es templada y sntoma_2 es alta entonces la Regla 3: Si sntoma_1 es caliente y sntoma_2 es normal entonces la que representa el porcentaje de presencia de la enfermedad del asma, dados los

enfermedad_x es moderada. enfermedad_x es alta. enfermedad _x es alta.

19

Desarrollos Inteligentes

Lgica Difusa

Regla 4: Si sntoma_1 es caliente y sntoma_2 es alta entonces la

enfermedad_x es alta. La matriz FAM se establece de la siguiente manera: SNTOMA_1 TEMPLADA SNTOMA_2 NORMAL ALTA ENFERMEDAD_X MODERADA ENFERMEDAD_X ALTA ENFERMEDAD_X ALTA ENFERMEDAD_X ALTA CALIENTE

Figura 1.10.1 Matriz FAM para la enfermedad_x.

1.11

Memorias Asociativas Difusas.

Cuando se trata de relacionar dos cosas mediante un proceso de prueba y error, estaremos estableciendo una asociacin que es gradualmente modificada, algunas variables difusas podran estar presentes en este ejercicio y parecera que realizamos un proceso en paralelo. Considere dos conjuntos difusos por ejemplo uno referido a la popularidad de un cierto evento y el otro al precio de admisin, la popularidad podra ser muy alta, alta, buena, baja o muy baja. El precio de admisin podra ser caro, justo o bajo. Un sistema de memoria asociativa difusa tendra entonces la asociacin (popularidad, precio) y el conjunto difuso de los pares codificara esta asociacin. (Valluru B. Rao, Hayagriva V. Rao, 1997) En general un sistema difuso S mapea familias de conjuntos difusos a familias de conjuntos difusos.

20

Desarrollos Inteligentes

Lgica Difusa

S: In1x ...xInr Ip1x...xIpr En donde: In es un hipercubo unitario de orden n n,n1,nr,p,p1,pr son nmeros enteros

In = [0,1]n

Los sistemas difusos S: In Ip que mapean bolas de conjuntos difusos en In a bolas de conjuntos difusos en Ip, se comportan como memorias asociativas, y por ello se denominan memorias asociativas difusas o FAMs (Fuzzy Associative Memories). (Kosko ,1992 pp 300)

La ms simple FAM codifica la regla o asociacin (Ai, Bi) la cual asocia al conjunto difuso p dimensional Bi con el conjunto difuso Ai n dimensional, comparable con una red neuronal, pero sin necesidad de entrenarla, ya que aqu se representa como una regla que codifica conocimiento estructurado de la forma: Si el trfico est pesado en esta direccin, entonces mantener ms tiempo la luz verde en forma de una matriz de correlacin FAM. En la prctica se maneja esta gran matriz numrica con un esquema de representacin codificada por medio de una asociacin lingstica (Pesado, Tiempo), y se establece como una entrada a una matriz banco - FAM lingstica. Un sistema FAM codifica y procesa en paralelo un banco FAM de m reglas FAM (A1, B1), (A2,B2),...,(Am,Bm). Cada entrada A al sistema FAM activa una regla FAM almacenada en un grado diferente, la FAM (Ai,Bi) mapea la entrada A a Bi una versin parcialmente activada de Bi, las dems Ai reensamblan a A, las dems Bi reensamblan a Bi. El correspondiente conjunto difuso de salida B, combina esos conjuntos parcialmente activados Bi de la siguiente forma: B = w1B1 + W2B2 + ... + WmBm En donde: Wi refleja la credibilidad, frecuencia o relacin en (Ai,Bi) En la prctica usualmente se desfusifica la forma de onda de salida del conjunto B en un solo valor numrico Yi en Y, calculando el centroide difuso de B con respecto al universo de discurso de salida Y.

21

Desarrollos Inteligentes

Lgica Difusa

1.12

Mapas cognitivos difusos.

Los mapas cognitivos difusos FCMs (Fuzzy Cognitive Maps) Son grafos dirigidos difusos con signo y con retroalimentacin (Kosko, 1992 pp 152). Los nodos representan conceptos Ci, y los arcos Eij representan relaciones causales entre el concepto Ci y el concepto Cj, indica qu tanto Ci causa Cj, esto se expresa mediante la ecuacin siguiente: FCM := (C, E) En donde C es la matriz de conceptos y E es el conjunto de enlaces. Los conceptos representan entidades del caso de estudio y se expresan por medio de trminos cualitativos sin precisar valor alguno, p. ej., estado de nimo, inters en la lectura, gusto por las matemticas. Las relaciones son juicios en que se afirma que un concepto, llamado origen, afecta casualmente a otro, denominado destino. En tanto que a las relaciones se les asocia un valor que identifica la influencia causal entre los conceptos que la conforman. Los valores para relaciones causales se definen en el conjunto ={a,+,-,0,,, ,? } cuyos elementos identifican respectivamente: conflicto, estimula, inhibe, indiferencia, estimula o indiferencia, inhibe o indiferencia, estimula o inhibe, estimula o indiferencia o inhibe. Por ello, una relacin Ca + Cz significa que el concepto origen a estimula al concepto destino z, p. ej., inters en la lectura estimula positivamente el gusto por las matemticas. En la figura 1.12.1 se ilustra un ejemplo de mapa cognitivo.

22

Desarrollos Inteligentes

Lgica Difusa

Figura 1.12.1 Mapa cognitivo Difuso. La funcin del concepto i variante en el tiempo Ci(t) mide la ocurrencia no negativa de algn evento difuso. Los FCM se pueden ver como sistemas dinmicos y sus estados de equilibrio como una inferencia evolutiva hacia delante. Las FCMs sncronas se comportan como memorias asociativas temporales TAMs (Temporal Associative Memories). Los mapas cognitivos difusos representan la versin propuesta por Kosko (1986) para dar un tratamiento cuantitativo a un fenmeno causal que originalmente se expresa en trminos cualitativos. Al formular el modelo, se establecen valores cualitativos a los estados de los conceptos y a las relaciones causales, p. ej., al concepto inters en la lectura se asocia el valor alto, mientras que a la relacin estimula se etiqueta con el trmino lingstico muchsimo. Una vez que los conceptos tienen valores iniciales y las relaciones tambin cuentan con los propios, se realiza una conversin lingstico-numrica a valores normalizados en un conjunto o intervalo. Generalmente, se usan los conjuntos: {0, 1} o {1, 0, 1}; y los intervalos [0, 1] o [1, 1], por lo que valores como bajo y mucho, que estn asociados al estado de un concepto, pudiera corresponderles en forma respectiva para los conjuntos e intervalos presentados: 0 y 1, 1 y 1, 0.2 y 0.76, 0.75 y 0.82. De igual forma ocurre para las relaciones, pues una vez asignado el valor lingstico, ste se transforma a un nmero del conjunto o intervalo elegido. Despus de haber inicializado el mapa cognitivo difuso, se activa un mecanismo encargado de estimar los efectos causales que ocurren entre los conceptos. El clculo se realiza mediante la alteracin iterativa de los valores asociados a los estados de los conceptos. Es decir, que como resultado de la prxima iteracin
n+1

el nuevo valor Cn+1 reemplaza al que el estado del concepto C ostenta

actualmente Cn. Durante la simulacin permanecen estticos los valores asociados a las relaciones. En cambio, los valores asignados a los conceptos son transformados hasta converger hacia una situacin de estabilidad o de caos. Para identificar una situacin de estabilidad basta que los valores de los estados de los conceptos no cambien entre un ciclo y el siguiente, o bien que se presente un 23

Desarrollos Inteligentes

Lgica Difusa

patrn compuesto de varios ciclos cuyos valores se repiten. En cambio, una situacin de caos es aquella en que despus de un proceso razonable, de acuerdo con el criterio del analista, la simulacin no ha arribado an a una situacin de estabilidad. La versin difusa de mapas cognitivos se define formalmente en la siguiente ecuacin: Cn+1 = S(Cn,E) En donde C representa un vector con los valores de los conceptos en el ciclo n+1, cuyo valor se genera al aplicar la funcin de umbral S al producto entre el vector de conceptos actual Cn y la matriz de adyacencias que representa los valores numricos de las relaciones E. El valor del concepto Ci del vector de conceptos C se obtiene de la sumatoria del producto de todos los arcos Eij que arriban a Ci, conforme a la siguiente expresin: n Ci = Ci*Eij . j =1 El valor obtenido Xi es alimentado a la funcin umbral del nodo para normalizar el resultado y registrar el valor final Yi del concepto Ci. La clase de funcin de umbral S que se emplea depende del tipo de conjunto o intervalo usado para normalizar los valores asociados a los conceptos. Por lo tanto, las ecuaciones sguientes: S i Xi <= 0 Yi = 0; Si Xi>0 Yi = 1 Si Xi <= -0.5 Yi = -1; Si Xi >-0.5 Xi <= 0.5 Yi =0; Si Xi>0.5 Yi =1 Si(Xi) = 1/(1+e-cXi) Para c = 5 Si(Xi) = 2/(1+ e-cXi) Para c<> 5 corresponden respectivamente a: {0, 1}, {1, 0, 1}, [0, 1] y [1, 1].

24

Desarrollos Inteligentes

Lgica Difusa

1.13

Aplicaciones diversas.

Con el propsito de ilustrar algunas aplicaciones de la lgica difusa y ms especficamente de los sistemas expertos difusos, se presentan en un marco general las siguientes investigaciones realizadas por diferentes autores: 1. La validacin de sistemas difusos basados en conocimiento.(Chang y

Hall:1993). En este artculo se hace referencia a la importancia de la validacin de un sistema experto, el costo que implica la validacin y a la necesidad de la validacin metodolgica. Los autores presentan una metodologa de desarrollo iterativo para validar un sistema, la que consiste en los siguientes pasos: Desarrollar un prototipo inicial, para un caso especifico del problema. Las tareas del prototipo se van incrementado e iterativamente Disear en trminos de paradigmas formales. Se determinan uno o varios mecanismos de inferencia usados por el

examinando hasta generar el sistema completo.

sistema y se checan por separado para ver los resultados de cada uno de acuerdo a la representacin del conocimiento usado. Certificar la mquina de inferencia. Disear para verificar. Se hace, usando los mecanismos de inferencia del paso anterior. Se refiere al diseo para corregir el sistema conforme a los requerimientos, de acuerdo al paso 1. Verificar la base de conocimientos. Se verifica la correccin del conocimiento (reglas, hechos, objetivos, etc.) y se confirma de acuerdo a los paradigmas de inferencia. Ejecutar la validacin formal completamente documentada. En la que se consideran criterios de validacin, especificaciones sobre el sistema trabajado, desarrollo de una biblioteca de casos de exmenes (checando cuando el conocimiento es modificado), desarrollo de manejadores automticos de exmenes, comparacin con otros sistemas expertos existentes, etc. 25

Desarrollos Inteligentes

Lgica Difusa

La metodologa presentada por Chang y Hall se consider como un esquema de partida para el desarrollo del proyecto actual, ya que este desarrollo se inici tambin con un prototipo inicial, se diseo en trminos del paradigma de la lgica difusa, se prob la mquina de inferencia para diferentes entradas con el objeto de certificarla, conforme a los requerimientos del experto en el rea se rediseo el prototipo, se verificaron resultados con el experto en el rea para validar no slo la base de conocimientos, sino en general todo el sistema y por ltimo se realiz la documentacin del sistema. 2. Manejo de incertidumbre en sistemas mdicos basados en

conocimiento. (Cohen y Hudson: 1992). Se muestran en este artculo algunos enfoques de manejo de incertidumbre en sistemas basados en conocimiento, enfatizando los problemas encontrados en la adaptacin de estas tcnicas a la toma de decisiones mdicas. En el artculo se consideran tres casos: Los sistemas expertos basados en reglas, los sistemas expertos desarrollados usando redes neuronales y los sistemas como resultado de la combinacin reglas-redes neuronales. Respecto a los sistemas expertos basados en reglas, los autores sealan entre otras fuentes de incertidumbre, la incertidumbre en la base de conocimiento, incertidumbre que implica la certeza con la que la regla dada se presume es aplicable, el grado con el que cada antecedente de la regla es justificado y el grado con el que cada antecedente contribuye a la justificacin de la regla. El ejemplo que se ilustra es el siguiente:

Regla (0.75) IF la capacidad de la fuerza vital es alta los resultados de la broncoscopia son positivos los sntomas locales son presentados THEN la ciruga es probablemente apropiada UNLESS metstasis presente existan contradicciones para ciruga

0.7 0.2 0.1 (0.4) 0.5 0.5

26

Desarrollos Inteligentes

Lgica Difusa

Cohen y Hudson enfatizan la problemtica de determinar los pesos relativos de las reglas y de los antecedentes, situaciones que en el desarrollo del proyecto actual se resolvieron a travs de la lgica difusa. En el proyecto actual los valores para los antecedentes se definieron a travs de los grados de membresa correspondientes a cada variable de entrada y dado que las reglas se establecieron con el operador y, el peso de cada regla se obtuvo considerando el mnimo grado de membresa de las variables definidas en el antecedente. 3. Uso de las relaciones difusas en la representacin del conocimiento, su adquisicin y su proceso. (Kohout y Bandler: 1993). Los autores presentan un anlisis epistemolgico de la teora del conocimiento en el que se enfatiza la diferencia entre extraer el conocimiento y adquirirlo, a saber: extraer: es hacer salir lo que es latente y adquirir: venir en posesin, en este anlisis los autores resaltan la importancia del trabajo del ingeniero en conocimientos al extraer el conocimiento del experto. Precisamente en el desarrollo de este trabajo una de las tareas que implic ms tiempo fue extraer el conocimiento del experto en el rea, conocimiento que representa una parte fundamental del sistema. 4. Expertos Basados en Reglas Difusas. Sistema II. (Vadiee: 1993). En este artculo se presenta una descripcin y clasificacin de los sistemas expertos basados en reglas difusas (Fuzzy rule-based expert systems: FRBES), esta ltima de acuerdo a las entradas y salidas del sistema. Tambin se muestran algunos casos especiales de este tipo de sistemas as como los procesos fundamentales de difusificacin, definicin de matrices FAM, desdifusificacin (mtodos: Max, Centroide, Altura), entre otros. Procesos que fueron utilizados en el desarrollo del presente proyecto, en la desdifusificacin especficamente el mtodo del centroide

27

Desarrollos Inteligentes

Lgica Difusa

PREGUNTAS 1. Por quin fue publicada la teora de los conjuntos difusos y en qu ao?. 2. Qu significa la palabra difuso en relacin con los conjuntos difusos?. 3. En trminos genricos qu es la funcin de membresa?. 4. Cul es la diferencia entre los conceptos difuso y probabilstica?. 5. Cmo se puede definir un conjunto difuso?. 6. Cmo se puede definir un conjunto difuso de una manera formal?. 7. Sean E un conjunto; M su conjunto de membresa asociado [0,1]; A y B dos conjuntos difusos de E; A(x) y B(x) son funciones caractersticas de membresa que toman sus valores de M. Escriba las siguientes operaciones: a) Inclusin b) Igualdad c) Complementacin d) Interseccin e) Unin definiciones de las

8. Proporcione una definicin de Lgica Difusa. 9. En qu consiste el proceso de difusificacin? 10. Qu es el proceso de desdifusificacin?

28

Desarrollos Inteligentes

Lgica Difusa

RETROALIMENTACIN SOBRE LAS PREGUNTAS 1. La teora de los conjuntos difusos fue publicada por Zadeh en 1965. 2. La palabra difuso significa que un elemento es un miembro de un conjunto slo de manera incierta. 3. En trminos genricos la funcin de membresa es el grado de pertenencia de un elemento a un conjunto. 4. la diferencia entre difuso y probabilstico. La representacin difusa seala objetos con propiedades imprecisas y la representacin probabilstica denota informacin basada en frecuencias relativas. 5. Se puede definir un conjunto difuso como aqul formado por elementos con un grado de pertenencia o membresa. Este grado se define regularmente en el intervalo [0,1]. 6. Una definicin formal es: Si B={x} representa un espacio de objetos, entonces el conjunto difuso A en B es el conjunto de pares ordenados: A={x, A(x) }, x B Donde A(x) es el grado de membresa de x en A. 7. las definiciones de las siguientes operaciones son: a) Inclusin: se dice que A est incluido en B si: x E: A(x) b) Igualdad: A y B son iguales si, y solamente si: x E: A(x) = B(x).
B

(x) .

29

Desarrollos Inteligentes c) Complementacin:

Lgica Difusa

A y B son complementarios (B=A) si: x E: B(x) = 1 A(x) d) Interseccin: Se define la interseccin , como el subconjunto difuso ms grande contenido, a la vez, en A y en B, es decir: x E: e) Unin Se define la unin AUB por el subconjunto difuso ms pequeo que contiene tanto a A como a B, es decir: x E :
AUB A B

(x) = MIN(

(x), B(x)).

(x) = MAX( A(x), B(x)).

8. La lgica difusa se puede definir como el conjunto de principios matemticos usados para modelar la informacin que se basa en grados de membresa. 9. El proceso de difusificacin consiste en los siguientes pasos: Paso I) Asignar etiquetas difusas en el universo de discurso para cada uno de los datos de entrada. El nmero de etiquetas para cada variable en un sistema difuso generalmente puede ser entre 3 y 9; entre menos etiquetas, los resultados obtenidos pueden no representar la respuesta correcta para una posible decisin; ms etiquetas definidas podran generar un sistema difuso inestable, ms tiempo adicional de computacin y la resolucin del sistema definido sera quiz inoperante. Paso II) Seleccionar una funcin de membresa.

30

Desarrollos Inteligentes

Lgica Difusa

10. Es el proceso de combinacin de todas las salidas difusas en una especfica que representa la salida del sistema.

31

Desarrollos Inteligentes EJERCICIOS 1. Desarrolle las siguientes operaciones: a) (A-B)= b) A- B = c) (A B) = 2. Considere el conjunto de referencia E = {0,a} .

Lgica Difusa

Si A es el subconjunto borroso definido por A(x), dar el ndice de Borrosidad de A. a) A(x) = x2/ a2, x E. b) A(x) = (x-a) 2/ a2, x E. 4x2/a2, c) A(x) = 4(x-a) 2/a2, 3. Demostrar las propiedades siguientes: a) A (A U B) = A b) A U (A B) = A (a/2) <=x <= a. 0<=x < a/2

32

Desarrollos Inteligentes

Lgica Difusa

BIBLIOGRAFA. Anderson, J.; Bandler, W.; Kohout, L.J.; and Trayner, C. (1982). The design of a fuzzy medical expert system. In M.M.Gupta, A. Kandel, W Bandler, and J.B. Kiszha (eds): Approximate Reasoning in expert system. Amsterdam: North- Holland, pp 689-793. Bezdek, Jim (1993).- Fuzzy Models -What are The, and why?. IEEE trans.on Fuzzy Systems, vol 1, No. 1, feb. 1993, pp1-5. Chang Ana M.; Hall Lawrence O.(1993). The validation of fuzzy knowledge - based systems. Fuzzy logic for the management of uncertainty. Honeywell Inc., Mav D; 11601 Roosevelt Blvd. St. Petersburg. FL 33716 - 2202, USA. Department of Computer. Science and Engineering. University of South Florida. Tampa, FL 33620. Kandel, Abraham (1991).- Fuzzy Expert Systems. CRC Press, Tampa, Florida. Kaufmann, A. (1982).- Introduccin a la Teora de los Subconjuntos borrosos para el uso de Ingenieros. cia. Editorial Continental, Mxico, D.F. Kosko Bart(1992).- Neural Networks and Fuzzy Sistems. Prentice-Hall, New Jersey, USA. Reyes, Garca Carlos Alberto. (1994). Lgica difusa. Primer Congreso Internacional de Investigacin en Ciencias Computacionales. Sept. 1994. Instituto Tecnolgico de Toluca. Rolston David W. (1993).- Principios de Inteligenca Artificial y Sistemas Expertos. Mc Graw Hill, Mxico, D.F. Snchez J.P. y Beltrn. (1990).- Los Sistemas Expertos: Una metodologa de Programacin. Macrobit Corporation, Mxico., D.F. Swartout ,William R. (1991).- Explaining and justitying expert consulting programs. Laboratory for computer science. Massachusetts Institute of Technology. Boston. Valluru B. Rao, Hayagriva V. Rao,( 1995).- C++ Neural Networks and Fuzzy Logic. MIS:PRESS, USA.

33