Está en la página 1de 89

Control Borroso

Rosa M Aguilar Chinea


Vanesa Muoz Cruz
Indice
1. Introduccin
2. Conjuntos Borrosos
3. Variables Lingsticas
4. Definicin Lgica Borrosa
5. Operaciones con Conjuntos Borrosos
6. Reglas Borrosas Si-Entonces
7. Razonamiento Borroso
8. Sistema de Inferencia Borrosa
9. Ejemplo
Introduccin
Motivacin: modelar las imprecisiones
Solucin: conjuntosy reglasborrosas
Control Borroso:
Definicin sistemas con variables lingsticas
valores lingsticos
Reglas en funcin de dichas variables
Conjuntos Borrosos
Conjunto borroso (Lofti A. Zadeh,1964):
representar y manipular datos que no eran precisos
Determinadasmagnitudes pueden tomar valores
que difcilmente se pueden clasificar en un conjunto
determinado, quedando excluidos del resto de
conjuntos.
Ciudades lejana de una dada
Individuos jvenes
El Control Borroso es uno de los nuevos mtodos del
Control Inteligente.
Trata de imitar el procedimiento que utilizamos los
seres humanos al manejar muchos sistemas.
Ej: El caso del manejo de una llave de agua. Para
obtener el caudal deseado razonamos en trminos
como:
"Si el caudal es muy poco girar mucho la llave a
la izquierda"
"Si el caudal es mucho girar la llave un poco a la
derecha", etc.
Introduccin
En estas reglas no aparecen magnitudes precisas del
tipo "2 litro/segundo" o "64 grados en sentido
antihorario" y a pesar de ello conseguimos regular el
caudal deseado.
Esta forma de razonar la aplicamos tambin en
situaciones ms complejas, desde regular no slo el
caudal sino la temperatura del agua hasta cuando
conducimos un coche. En ningn caso conocemos los
valores exactos sino que nos bastan magnitudes vagas
como"muycaliente", " cerca", "deprisa", etc.
Introduccin
Otro aspecto importantees queesecontrol sepuede
expresar comounconjuntodereglasdelaforma:
"Si ciertascondicionesenunasvariablesentonces
unasaccionesenotras".
En esta estructura las condiciones se denominan
antecedentesylasaccionesconsecuentes.
Se puede concluir que el razonamiento humano, en
estas situaciones, se realiza aplicando la lgica a
magnitudesimprecisas.
Introduccin
Si queremos implementar ese control artificialmente
lomsconvenienteesusar unaherramientaquemodele
las magnitudes imprecisas, que es la Teora de
Conjuntos Borroso, y unalgicaparaesas magnitudes,
queeslaLgicaBorrosa.
Ambos elementos pertenecenaunanuevalneadela
rama simblica de la Inteligencia Artificial que ha
tenido en el Control Borroso una de sus principales
aplicaciones, por encima de otras ms formales como
lossistemasexpertosbasadosenlgicadifusa.
Introduccin
El hecho de que reproduzca el esquema de
razonamiento humano justifica el xito de este nuevo
mtodo, debido a lo fcil de entender y utilizar. En
pocos aos ha tenido un auge muy importante y ha
supuesto un gran xito comercial delaIA, por encima
inclusodelossistemasexpertos.
Introduccin
El desarrollo de la Lgica Difusa se debe a los
trabajos de Lotfi A. Zadeh profesor de Ingeniera
Electrnica en el Departamento del mismo nombre de
laUniversidaddeCaliforniaBerkeley.
Lanocin deConjunto Borroso (Fuzzy Set) aparece
por primera vez en 1964 y fue publicada un ao ms
tarde en la revista Information and Control dando
nacimiento a la llamada Teora de los Subconjuntos
Borrosos.
Introduccin
Lodifuso, aunquesuteoraesrelativamentereciente,
esalgoquehaacompaadoal hombredesdesiempre.
A diario realizamos tareas complejas con un
conocimiento poco preciso. Esto es as porquelanica
maneradetratar consituacionescomplejasesreducir la
precisin.
En palabras del padredelaLgicaDifusa, L.Zadeh:
Cuando la complejidad aumenta, las afirmaciones
precisas pierden significado y las afirmaciones ms
significativas pierden precisin.
Introduccin
La lgica de proposiciones, que equivale a la teora
deconjuntosclsicayal lgebradeBoole, slopermite
manejar magnitudesprecisas.
Paraafirmacionesdel tipoxesP (P(x)) slosepuede
decir queesverdaderoofalso, odemaneraequivalente
sloesposiblequexePoquexeP.
Esto tiene plena validez en ciertas ocasiones, por
ejemplo si x es entero y P representael subconjunto de
los nmeros primos, sepuedesaber perfectamentesi x
pertenece o no a P, o de manera equivalente si es
verdaderaofalsalaafirmacinxesPrimo.
Introduccin
En cambio existengrancantidaddeobjetos habituales
que no son convenientemente representados de esta
manera.
Ej: definicin de los subconjuntos de edad. El
determinar si un individuo deciertaedad es J OVEN no
sehacedemaneraexacta.
Nosecolocaenesesubconjuntoalosmenoresde35
y seexcluyealosquetengan35aosy unda. Estoes
inaceptabledesdeel puntodevistadel sentidocomn.
Los conjuntos clsicos no pueden representar
convenientemente esas situaciones. En cambio la teora
deconjuntosdifusospermitemodelar esasimprecisiones.
Introduccin
1. Comenzaremos recordando brevemente la teora de
conjuntos clsicos, que llamaremos a partir de ahora
conjuntosconcisos.
2. Veremos como se extiende su definicin y
operacionesenlateoradeconjuntosborrosos.
3. A continuacin veremos que la Lgica de
Proposiciones es isomorfaalaTeoradeConjuntos y
esaserlaformadedefinir laLgicaBorrosa.
Introduccin
Conjuntos Borrosos
Teoraclsicadeconjuntos: funcincaracterstica_
A
_
A
: X {0,1}
edad
_
A
1
0
202530 50
Ej. A={conjuntodegentejoven}
Conjuntos Borrosos

A
edad
0
20 2530 50
0.5
1
Ej. A={conjuntodegentejoven}
ConjuntosBorrosos: lafuncindepertenencia
A

A
: X [0,1]
Conjuntos Borrosos
0 20 40 60 80 100
0
0.2
0.4
0.6
0.8
1
G
r
a
d
o
s

d
e

P
e
r
t
e
n
e
n
c
i
a
Funcin de pertenencia
triangular(20,60,80).
0 20 40 60 80 100
0
0.2
0.4
0.6
0.8
1
G
r
a
d
o
s

d
e

P
e
r
t
e
n
e
n
c
i
a
Funcin de pertenencia
trapezoidal con parmetros
(10,20,60,95)
Conjuntos Borrosos
Funcin de pertenencia
gausiana (50,20)
Funcin de pertenencia campana
generalizada (x; 20,4,50)
0 20 40 60 80 100
0
0.2
0.4
0.6
0.8
1
G
r
a
d
o
s

d
e

P
e
r
t
e
n
e
n
c
i
a
0 20 40 60 80 100
0
0.2
0.4
0.6
0.8
1
G
r
a
d
o
s

d
e

P
e
r
t
e
n
e
n
c
i
a
Conjuntos Borrosos
-10 -5 0 5 10
0
0.2
0.4
0.6
0.8
1
(a) Variando 'a'
-10 -5 0 5 10
0
0.2
0.4
0.6
0.8
1
(b) Variando 'b'
-10 -5 0 5 10
0
0.2
0.4
0.6
0.8
1
(c) Variando 'c'
-10 -5 0 5 10
0
0.2
0.4
0.6
0.8
1
(d) Variando 'a' y 'b'
Pendiente = -b/ 2a

0
1
c - a
c + a X
0.5
c
2 a
Seleccin de los parmetros
{a, b, c} se define la
campana deseada
Indice
1. Introduccin
2. Conjuntos Borrosos
3. Variables Lingsticas
4. Definicin Lgica Borrosa
5. Operaciones con Conjuntos Borrosos
6. Reglas Borrosas Si-Entonces
7. Razonamiento Borroso
8. Sistema de Inferencia Borrosa
9. Ejemplo
Variables Lingsticas
Utilizar los conjuntos borrosos para representar variables
lingsticas

A
temperatura (C)
0
1
-4 4 8
12 16 20 24 28 32 36 40 44
Muy fra Fra Media Templada Clida Calurosa
48
Variables Lingsticas
Trminoslingsticosnormalizado

A
temperatura
1
-0.9 -0.6 -0.3 0 0.3 0.6 0.9
GN MN PN ZE PP GP
-1 1
GP Grande Positivo
MP Medio Positivo
PP Pequeo Positivo
GN Grande Negativo
MN Medio Negativo
PN Pequeo Negativo
ZE Cero
Indice
1. Introduccin
2. Conjuntos Borrosos
3. Variables Lingsticas
4. Definicin Lgica Borrosa
5. Operaciones con Conjuntos Borrosos
6. Reglas Borrosas Si-Entonces
7. Razonamiento Borroso
8. Sistema de Inferencia Borrosa
9. Ejemplo
Lgica Borrosa
Relacin entre la Lgica clsica y Teora clsica de
conjuntos.
Unin AB xeAv xeB
Interseccin AB xeA. xeB
Complemento XA (xeA)
Inclusin A_B xeAxeB
Los siguientes elementos son equivalentes:
v
.

X
V
C
F
_

Lgica Borrosa
Este isomorfismo para las teoras clsicas se traslada a la
Lgica Borrosa.
Definir las operaciones sobre conjuntos borrososqueda
definida la Lgica Borrosa
Conmutativa:
PvQ = QvP P.Q = Q.P
Asociativa:
(PvQ)vR = Pv(QvR) (P.Q).R =
P.(Q.R)
Idempotencia:
PvP=P P.P=P
Absorcin:
Pv(P.Q) = P P.(PvQ) = P
Distributiva:
Pv(Q.R) = (PvQ).(PvR) P.(QvR) =
(P.Q)v(P.R)
Involucin:
P=P

Elementos neutros:
PvF=P P.V=P
Mitad excluida
y no contradiccin:
PvP=V P.P=F
F=V V=F

Leyes de Morgan:
(PvQ)= P.Q (P.Q)=
PvQ
Indice
1. Introduccin
2. Conjuntos Borrosos
3. Variables Lingsticas
4. Definicin Lgica Borrosa
5. Operaciones con Conjuntos Borrosos
6. Reglas Borrosas Si-Entonces
7. Razonamiento Borroso
8. Sistema de Inferencia Borrosa
9. Ejemplo
Operaciones con conjuntos borrosos
Estndar c(x) =1 x
Sugeno
1 ,
1
1
) ( >
+

con
x
x
x c
Yager
( ) 0 , 1 ) (
1
> = p x x c
p
p


Complemento
c :[0,1] [0,1]

A
(x) = c[
A
(x)] , xeX
) x (
A

La aplicacin c definida por:


Implementa el complemento de un conjunto borroso A si
satisface las siguientes propiedades:
1.c(x) s c(y) , si x >y (monotonicidad no creciente)
x,ye[0,1]
2.c(0)=1 ; c(1)=0 (condicin de contorno)
Operaciones con conjuntos borrosos
Complemento estndar

A
0
1
4 5 8 10 1
2 3 6 7 9
Operaciones con conjuntos borrosos
Interseccin
i :[0,1] x [0,1] [0,1]
(
A
(x),
B
(x))
AB
(x) =i[
A
(x),
B
(x)] , xeX
La aplicacin i definida por:
Implementa la interseccin entre los conjuntos borrosos A y B si
satisface las siguientes propiedades:
1.i(x,y) =i(y,x) (conmutatividad) x,y,ze[0,1]
2.i(x,i(y,z)) =i(i(x,y),z) (asociatividad)
3.i(x,y) s i(x,y) , si x s x e y s y
(monotonicidad en cada argumento)
4.i(1,1)=1 ; i(0,1)=i(1,0)=i(0,0)=0 (condicin de contorno)
Operaciones con conjuntos borrosos
Norma triangular o T-norma es una generalizacin de la
interseccin.
T : [0,1] x [0,1] [0,1]
Tiene que satisfacer:
T(x,1) = x (Neutro 1)
T(x,0) = 0 (Absorbente 0)
Mnimo T(x,y) = min{x,y}
Producto algebraico T(x,y) = xy
Operaciones con conjuntos borrosos
T-norma
0
5
10
15
20
0
10
20
0
0.5
1
X = x
(a) Minimo
Y = y 0
5
10
15
20
0
10
20
0
0.5
1
X = x
(b) Producto Algebraico
Y = y
0
5
10
15
20
0
10
20
0
0.5
1
X = x
(c) Producto acotado
Y = y 0
5
10
15
20
0
10
20
0
0.5
1
X = x
(d) Producto drastico
Y = y
X=Y=trapezoide(3,8,12,17)
Operaciones con conjuntos borrosos
T-norma mnimo

A
0
1
4 5 8 10 1 2 3 6 7 9

B
0
1
4 5 8 10 1 2 3 6 7 9

AB
0
1
4 5 8 10 1
2 3 6 7 9
Operaciones con conjuntos borrosos
Unin
u :[0,1] x [0,1] [0,1]
(
A
(x),
B
(x))
AB
(x) =u[
A
(x),
B
(x)] , xeX
La aplicacin udefinida por:
Implementa la unin entre los conjuntos borrosos A y B si
satisface las siguientes propiedades:
1. u(x,y) =u(y,x) (conmutatividad) x,y,ze[0,1]
2. u(x,u(y,z)) =u(u(x,y),z) (asociatividad)
3. u(x,y) s u(x,y) , si x s x e y s y
(monotonicidad en cada argumento)
4. u(0,0)=0 ; u(0,1)=u(1,0)=u(1,1)=1 (condicin de contorno)
Operaciones con conjuntos borrosos
Conorma triangular o S-norma es una generalizacin de la
unin.
S : [0,1] x [0,1] [0,1]
Tiene que satisfacer:
S(x,0) = x (Neutro 0)
S(x,1) = 1 (Absorbente 1)
Mximo S(x,y) = max{x,y}
Probabilstica
(suma algebraica)
S(x,y) = x+y-xy
Operaciones con conjuntos borrosos
S-norma
X=Y=trapezoide(3,8,12,17)
0
5
10
15
20
0
10
20
0
0.5
1
X = x
(a) Maximo
Y = y 0
5
10
15
20
0
10
20
0
0.5
1
X = x
(b) Suma Algebraica
Y = y
0
5
10
15
20
0
10
20
0
0.5
1
X = x
(c) Suma Acotada
Y = y 0
5
10
15
20
0
10
20
0
0.5
1
X = x
(d) Suma Drastica
Y = y
Operaciones con conjuntos borrosos
S-norma mximo

A
0
1
4 5 8 10 1 2 3 6 7 9

B
0
1
4 5 8 10 1 2 3 6 7 9

AUB
0
1
4 5 8 10 1
2 3 6 7 9
Indice
1. Introduccin
2. Conjuntos Borrosos
3. Variables Lingsticas
4. Definicin Lgica Borrosa
5. Operaciones con Conjuntos Borrosos
6. Reglas Borrosas Si-Entonces
7. Razonamiento Borroso
8. Sistema de Inferencia Borrosa
9. Ejemplo
Reglas borrosas
Una regla borrosa tiene la siguiente forma: (A y B valores
lingsticos )
Si x es A entonces y es B
Ejemplos:
Si la presin es alta, entonces el volumen es pequeo
Si el caballo es rpido, entonces el caballo es valioso
Si la edad es corta, entonces el individuo es joven
Para utilizar una regla borrosa es necesario formalizar el
significado de la expresin Si x es A entonces y es B, AB.
Reglas borrosas
f = funcin implicacin borrosa
2. R= AB=(A B
X
B
A
Y
X
B
A
Y
1. AB como A est acoplado a B
R=AB R es un conjunto borroso en 2 dimensiones:

R
(x,y) = f(
A
(x),
B
(y)) = f(a,b)
Reglas borrosas
R = AB = T(
A
(x),
B
(y))
0
5
10
15
20
0
10
20
0
0.5
1
X = x
(a) Minimo
Y = y 0
5
10
15
20
0
10
20
0
0.5
1
X = x
(b) Producto Algebraico
Y = y
0
5
10
15
20
0
10
20
0
0.5
1
X = x
(c) Product Acotado
Y = y 0
5
10
15
20
0
10
20
0
0.5
1
X = x
(d) Producto Drastico
Y = y

A
(x)=
B
(y)=
campana(4,3,10)
1. AB A est acoplado a B :
Reglas borrosas

A
(x)=
B
(y)=
campana(4,3,10)
0
5
10
15
20
0
10
20
0
0.5
1
X = x
(a) Regla Aritmetica de Zadeh
Y = y
0
5
10
15
20
0
10
20
0
0.5
1
X = x
(b) Regla Max-Min de Zadeh
Y = y
0
5
10
15
20
0
10
20
0
0.5
1
X = x
(c) Implicacion Borrosa Boolean
Y = y
0
5
10
15
20
0
10
20
0
0.5
1
X = x
(d) Implicacion Borrosa de Goguen
Y = y
2. R= AB=(A B
Indice
1. Introduccin
2. Conjuntos Borrosos
3. Variables Lingsticas
4. Definicin Lgica Borrosa
5. Operaciones con Conjuntos Borrosos
6. Reglas Borrosas Si-Entonces
7. Razonamiento Borroso
8. Sistema de Inferencia Borrosa
9. Ejemplo
Razonamiento borroso
El razonamiento borroso: obtener conclusiones a partir de
reglas borrosas y hechos borrosos.
Modus Ponens
Premisa 1 (Regla): Si x es A ENTONCES y es B
Premisa 2 (Hecho): x es A
Consecuente (Conclusin): y es B
P1: Si el-caballo es rpido ENTONCES el-caballo es valioso
P2: el-caballo es rpido
Consecuente (Conclusin): el-caballo es valioso
Razonamiento borroso
Modus Ponens Generalizado
Premisa 1 (Regla): Si x es A ENTONCES y es B
Premisa 2 (Hecho): x es A
Consecuente (Conclusin): y es B
P1: Si el-caballo es rpido ENTONCES el-caballo es valioso
P2: el-caballo es ms-o-menos-rpido
(Conclusin): el-caballo es ms-o-menos-valioso
regla composicional de inferencia
Razonamiento borroso
Regla composicional de inferencia: generalizacin del
concepto de curva
X
Y
y=f(x)
x=a
y=b
x es A'
y es B'
A B
Razonamiento borrosas
1. Generar la relacin borrosa R=AB
0
1
2
3
4
5
6
7
8
9
10
0
5
10
15
20
25
30
35
40
0
0.2
0.4
0.6
0.8
1
X
Y
G
r
a
d
o
s

d
e

p
e
r
t
e
n
e
n
c
i
a
X
Y
y=f(x)
x=a
y=b
x es A'
y es B'
A B
Razonamiento borroso
2. Extensin cilndrica de A

c(A)
(x,y)=
A
(x)
0
1
2
3
4
5
6
7
8
9
10
0
5
10
15
20
25
30
35
40
0
0.2
0.4
0.6
0.8
1
X
Y
G
r
a
d
o
s

d
e

p
e
r
t
e
n
e
n
c
i
a
X
Y
y=f(x)
x=a
y=b
x es A'
y es B'
A B
Razonamiento borroso
3. Interseccin relacin borrosa
R=AB y extensin cilndrica de A
X
Y
y=f(x)
x=a
y=b
x es A'
y es B'
A B
0
1
2
3
4
5
6
7
8
9
10
0
5
10
15
20
25
30
35
40
0
0.2
0.4
0.6
0.8
1
X
Y
G
r
a
d
o
s

d
e

p
e
r
t
e
n
e
n
c
i
a
Razonamiento borroso
4. Proyectar interseccin sobre eje Y
X
Y
y=f(x)
x=a
y=b
x es A'
y es B'
A B
0
1
2
3
4
5
6
7
8
9
10
0
5
10
15
20
25
30
35
40
0
0.2
0.4
0.6
0.8
1
X
Y
M
e
m
b
e
r
s
h
i
p

G
r
a
d
e
s
Razonamiento borroso
Regla composicional de inferencia:
B = A R= A (AB) ( operador composicional)
1. Utilizar el mnimo para la interseccin de Rc(A)

B
(y)=max
x
min[
A
(x),
R
(x,y)] composicin max-min
2. Utilizar el producto para la interseccin de Rc(A)

B
(y)=max
x
[
A
(x)
R
(x,y)] composicin max-producto
Razonamiento borroso

1
X Y

1 1
X Y
Antecedentes Consecuentes
Hechos
min
Y
Regla
composicional
max-min
Max-Min
prod
Y
Regla
composicional
max-prod
Conclusiones
Razonamiento borroso
Una regla con un antecedente.
Ej: regla composicional de inferencia max-min
implicacin borrosa de Mamdani

B
(y)= max
x
min[
A
(x),
R
(x,y)]= max
x
min[
A
(x), min[
A
(x),
B
(y)]]

B
(y)= min{max
x
min[
A
(x),
A
(x)],
B
(y)]}= min[w,
B
(y)]
grado de
compatibilidad

1
X Y
A A'
B
min
w
B'
Razonamiento borroso
Una regla con mltiples antecedentes.
Premisa 1 (Regla): Si x es A y y es B ENTONCES z es C
Premisa 2 (Hecho): x es A y y es B
Consecuente (Conclusin): z es C

C
(z)= min{max
x
min[
A
(x),
A
(x)], max
y
min[
B
(y),
B
(y)],
C
(z)}
C = [A (A C)] [B (B C)]
max-min
Mamdani

C
(z)= min[w
A,A
, w
B,B
,
C
(z)]
fuerza de disparo
Razonamiento borroso
Una regla con mltiples antecedentes.
1

1
X
Y
A A'
B
min
1
Z
C
B'

w
1
w
2
C'
f
u
Razonamiento borroso
Varias reglas con mltiples antecedentes.
1

1
X
Y
A
1
A' B
1
min
1
Z
C
1
B'

1

1
X
Y
A
2
A'
B
2
min
1
Z
C
2
B'

C
1
'
C'
2
max
1
C'

Indice
1. Introduccin
2. Conjuntos Borrosos
3. Variables Lingsticas
4. Definicin Lgica Borrosa
5. Operaciones con Conjuntos Borrosos
6. Reglas Borrosas Si-Entonces
7. Razonamiento Borroso
8. Sistema de Inferencia Borrosa
9. Ejemplo
Sistemas inferencia borrosa
Componentes: Base reglas, diccionario y mecanismo de
inferencia.
X
x es A
1
y es B
1
x es A
2
x es A
r
y es B
2
y es B
r
w
1
w
2
w
r
Regla 1
Regla 2
Regla r
Agregacin
(Borroso)
(Borroso)
(Borroso)
(Conciso
o
Borroso)
Desborrosificacin
(Borroso)
(Conciso)
y
Sistemas inferencia borrosa
Modelo Borroso de Mamdani
1

1
X
Y
A
1
B
1
min
1
Z
C
1

1
X
Y
A
2
B
2
min
1
Z
C
2

x
y
C'
1
C'
2
max
1
Z
C'

Centroide
del rea
Sistemas inferencia borrosa
Modelo Borroso de Mamdani
1

1
X
Y
A
1
B
1
prod
1
Z
C
1

1
X
Y
A
2
B
2
prod
1
Z
C
2

x
y
C'
1
C'
2
max
1
Z
C'

Centroide
del rea
Sistemas inferencia borrosa

0
1
Z

-
rea
Mayor de los
mximos
Bisector de rea
Centroide
del rea
Media de los
mximos
Mnimo de
los mximos
Desborrosificacin
Sistemas inferencia borrosa
Modelo Takagi-Sugeno-Kang
1

1
X
Y
A
1
B
1
min
o
prod
z
1
=p
1
x+q
1
y+r
1
w
1
1

1
X
Y
A
2
B
2
w
2
Promedio
Ponderado
x
y

z
2
=p
2
x+q
2
y+r
2
w
1
z
1
+w
2
z
2
w
1
+w
2
z=
Sistemas inferencia borrosa
Ej: Sistema borroso TSK (2 entradas y 4 reglas)
Si X es pequeo y Y es pequeo entonces z=-x+y+1
Si X es pequeo y Y es grande entonces z=-y+3
Si X es grande y Y es pequeo entonces z=-x+3
Si X es grande y Y es grande entonces z=x+y+2
-5 -4 -3 -2 -1 0 1 2 3 4 5
0
0.2
0.4
0.6
0.8
1
X
G
r
a
d
o
s

d
e

P
e
r
t
e
n
e
n
c
i
a
Pequeo Grande
-5 -4 -3 -2 -1 0 1 2 3 4 5
0
0.2
0.4
0.6
0.8
1
G
r
a
d
o
s

d
e

P
e
r
t
e
n
e
n
c
i
a
Pequeo Grande
a)
Sistemas inferencia borrosa
Ej: Sistema borroso TSK (2 entradas y 4 reglas)
-5
0
5
-5
0
5
-2
0
2
4
6
8
10
X
Y
Z
b)
Indice
1. Introduccin
2. Conjuntos Borrosos
3. Variables Lingsticas
4. Definicin Lgica Borrosa
5. Operaciones con Conjuntos Borrosos
6. Reglas Borrosas Si-Entonces
7. Razonamiento Borroso
8. Sistema de Inferencia Borrosa
9. Ejemplo
Control Borroso
Problema: Sistemas cuyo conocimiento es a base de reglas
poco precisas. Complejidad del sistema
Mtodo: reducir la complejidad aumentando la
incertidumbre sobre las variables
Componentes:
Base de conocimiento.- reglas que modelan las acciones
de control
Antecedente y Consecuente: variables lingsticas
Mecanismo de inferencia
Control Borroso
Esquema de un control borroso
Planta
B
o
r
r
o
s
i
f
i
c
a
c
i

n
D
e
s
b
o
r
r
o
s
i
f
i
c
a
c
i

n
Mecanismo de
I nferencia
Base de Reglas
Controlador Borroso
Consigna
Comando
Salida
r(t)
u(t) y(t)
Control Borroso
Esquema:
Controlador
Borroso
Proceso
+
-
r
u
y e
Borrosificacin Inferencia Desborrosificacin
e
E
U
u
Definicin Conjuntos Borrosos
Base de Reglas
Control Borroso
Procedimiento:
Etapa 1 (off-line)
Establecimiento de las variables de entrada y salida del
controlador (variables lingsticas)
Def. conjuntos borrosos de cada variable
Def. funciones de pertenencias de los conjuntos
Establecimiento de la base de reglas
Def. del mecanismo de desborrosificacin
Control Borroso
Procedimiento:
Etapa 2 (on-line)
Obtener los valores concisos de las entradas
Borrosificacin: asignacin de los valores concisos a los
conjuntos difusos de entrada y clculo del grado de
pertenencia a cada uno de esos conjuntos.
Inferencia: Aplicacin de la base de reglas y clculo de
los conjuntos difusos de salida inferidos de los conjuntos
de entrada
Desborrosificacin: clculo de los valores concisos
(comando) de salida a partir de los conjuntos difusos
inferidos.
Control Borroso
Ejercicio: control de
temperatura
Agitador
Calentador (q)
Temperatura
Ambiente (T
a
)
Temperatura
Lquido (T
o
)
) ( ) (
) (
) (
2 1
s G s G
s Q
s T
o
+ =
1
1
) (
) (
) (
1
+
= =
s
A
MC
A
s Q
s T
s G
e
o

1
1
) (
) (
) (
2
+
= =
s
A
MC
s T
s T
s G
e
a
o

M: Masa del lquido


C
e
: Calor especfico
: coeficiente de transferencia
A: rea de transferencia de
energa
T
o
: temperatura del lquido
T
a
: temperatura ambiente
Q: energa suministrada
Control Borroso
Ejercicio: control de
temperatura
Agitador
Calentador (q)
Temperatura
Ambiente (T
a
)
Temperatura
Lquido (T
o
)
G
2
(s)
G
1
(s)
Q(s)
T
a
(s)
+
+
T
o
(s)
Control Borroso
Eleccin de las Entradas y Salidas en el Controlador Borroso
Sistema de
Temperatura
Experto
r
u y
Sistema de
Temperatura
Controlador
Borroso
e
u
y
r
de(t)/ dt
Control Borroso
Inclusin del conocimiento de control en la Base de Reglas
1. Descripcin lingstica:
error para e(t)
variacin-error para de(t)/dt
incremento-comando para Au(t)
2. Valores lingsticos:
PG Positivo Grande
PM Positivo Medio
PP Positivo Pequeo
CE Cero
NP Negativo Pequeo
NM Negativo Medio
NG Negativo Grande
Control Borroso
Inclusin del conocimiento de control en la Base de Reglas
3. Reglas:
C
t
a) Error = NG
Si el error es NG o el error es NM o el error es NP Entonces
incremento-energa-suministrada es NG.
C
t
b) Error=NP
Variacin-error=PP
Control Borroso
Si el error es CE y la variacin-error es NP Entonces
incremento-energa-suministrada es NP.
Si el error es CE y la variacin-error es PP Entonces
incremento-energa-suministrada es PP.
C
t
c) Error = CE
Variacin-error = NP
C
t
d) Error = CE
Variacin-error = PP
Control Borroso
Si el error es PP y la variacin-error es PP Entonces
incremento-energa-suministrada es PP.
Si el error es PG y la variacin-error es NG Entonces
incremento-energa-suministrada es CE.
C
e) Error = PP
Variacin-error = PP
C
t
f) Error = PG
Variacin-error = NG
Control Borroso
Todas las posibles reglas (7
2
) se representan en la siguiente
tabla:
error
variacin-error
NG NM NP CE PP PM PG
PG NG NG NG PG PG PG PG
PM NG NG NG PM PG PG PG
PP NG NG NG PP PP PG PG
CE NG NG NG CE PM PM PG
NP NG NG NG NP CE PP PM
NM NG NG NG NM NP CE PP
NG NG NG NG NG NM NP CE

Control Borroso
Cuantificacin borrosa del conocimiento
Funciones de pertenencia (variables de entrada)

error
error, (C)
variacin-error
-1 0
1
NG NP CE
PP PG NM PM

variacin-error
Control Borroso
Cuantificacin borrosa del conocimiento
Funciones de pertenencia (variable de salida)
incremento-energa-
suministrada (w)
-1 0
1
NG NP CE
PP PG NM PM

inc-energa-sumnistrada
Control Borroso
Cuantificacin borrosa del conocimiento
Ganancias de escala
Sistema de
Temperatura
Controlador
Borroso
e
u
y
r
de(t)/ dt
g
0
g
1
g
2
+
-
Si la g
e
= 1 no tiene efecto sobre la funciones de pertenencia.
Si la g
e
> 1 entonces las funciones de pertenencia son
uniformemente contraidas en un factor 1/ g
e
.
Si g
e
< 1 entonces las funciones de pertenencia son
uniformemente expandidas en un factor 1/ g
e
Control Borroso
Mecanismo de borrosificacin: singleton

error
error, (C)
-1 0
1
NG NP CE
PP PG NM PM
0.25
Control Borroso
Mecanismo de inferencia:
Modelo de Mamdani: T-norma (mnimo) y S-norma
(mximo)
Mecanismo de desborrosificacin:
Centro de gravedad
Control Borroso
Simulacin:
-1
-0.5
0
0.5
1
-1
-0.5
0
0.5
1
-0.8
-0.6
-0.4
-0.2
0
0.2
0.4
0.6
0.8
error
variacion-error
i
n
c
r
e
m
e
n
t
o
-
e
n
e
r
g

a
-
s
u
m
i
n
i
s
t
r
a
d
a
Control Borroso
Simulacin:
z
1
ud2
z
1
ud1
num(z)
den(z)
sys2
num(z)
den(z)
sys1
error
To Workspace3
variacion_error
To Workspace2
comando
To Workspace1
Temp_salida
To Workspace
Temp_Consigna
Temp_Ambiente2
Saturation1
-K-
Gain2
-K-
Gain1
1
Gain
Fuzzy Logic
Controller
Control Borroso
Resultados:
0 200 400 600 800 1000 1200 1400
0
20
40
60
T
e
m
p
e
r
a
t
u
r
a
S
a
l
i
d
a

(

C
)
0 200 400 600 800 1000 1200 1400
0
500
1000
1500
2000
C
o
m
a
n
d
o
(
w
a
t
i
o
s
)
0 200 400 600 800 1000 1200 1400
10
20
30
Tiempo (segundos)
A
c
t
i
v
a
c
i
o
n

R
e
g
l
a
s
Control Borroso
Resultados:
0 500 1000 1500 2000 2500 3000 3500
0
20
40
60
80
T
e
m
p
e
r
a
t
u
r
a
S
a
l
i
d
a

(

C
)
0 500 1000 1500 2000 2500 3000 3500
0
500
1000
1500
2000
C
o
m
a
n
d
o
(
w
a
t
i
o
s
)
0 500 1000 1500 2000 2500 3000 3500
10
20
30
Tiempo (segundos)
A
c
t
i
v
a
c
i
o
n

R
e
g
l
a
s
Control Borroso
Bibliografa
1. J .S.R. J ang C.T. Sun - E. Mizutani
Neuro-Fuzzy and Soft Computing.
AComputational Approach to Learning and Machine Intelligence
Prentice Hall, 1997 (cap. 2,3 y 4)
2. Kevin M. Passino - StephenYurkovich
Fuzzy Control, Addison-Wesley, 1998 (cap. 2)
3. E. Trillas (Editor)
Fundamentos e Introduccin a la Ingeniera Fuzzy
Omrom, 1994
Control Borroso
Resumen
Presentacin de la idea en la que se basa el Control Borroso
Uso de reglas si-entonces aplicadas a variables lingsticas
(temperatura, caballo,...) que tienen valores imprecisos (fra, rpido, ...)
Implementacin:
Poder representar magnitudes vagas (conjuntos borrosos)
Trabajar con estas magnitudos (lgica borrosa)
Presentacin de la inferencia borrosa AB
Conclusiones borrosos a partir de reglas y hechos borrosos
Modus Ponens generalizado
Sistemas de inferencia borrosa de Mamdani y el de Takagi-Sugeno-Kang
Estructura de un controlador borroso
Ejemplo sobre un control de temperatura.
Control Borroso
Resumen
Presentacin de la idea en la que se basa el Control Borroso
Uso de reglas si-entonces aplicadas a variables lingsticas
(temperatura, caballo,...) que tienen valores imprecisos (fra, rpido, ...)
Trabajar con estas magnitudes (lgica borrosa)
Implementacin:
Poder representar magnitudes vagas (conjuntos borrosos)
Presentacin de la inferencia borrosa AB
Conclusiones borrosos a partir de reglas y hechos borrosos
Modus Ponens generalizado
Sistemas de inferencia borrosa de Mamdani y el de Takagi-Sugeno-Kang
Estructura de un controlador borroso
Ejemplo sobre un control de temperatura.