Está en la página 1de 28

1

CAPTULO 1
EL PARADIGMA DIFUSO
En este captulo describiremos brevemente los fundamentos matemticos
de la teora de conjuntos difusos, as como la aplicacin de estos conceptos a
los mecanismos de inferencia, lo que se ha dado en llamar Lgica Difusa. Asi-
mismo estudiaremos las caractersticas generales de los sistemas basados en l-
gica difusa.
1.1 CONJUNTOS DIFUSOS
La teora de conjuntos difusos fue introducida por Lofti A. Zadeh como un
mecanismo de representacin de la vaguedad e imprecisin de los conceptos
empleados en el lenguaje natural [Zadeh,1965]. Expresiones del tipo ese hom-
bre es alto, hoy hace calor o voy a tardar un rato son habituales en nues-
tro lenguaje. Sin embargo no es fcil precisar qu entendemos por alto,
calor o un rato. Difcilmente nos pondremos de acuerdo en precisar a par-
tir de qu altura puede considerarse alta a una persona, o a partir de qu tem-
peratura se dice que hace calor, o cunto tiempo supone esperar un rato. Sin
embargo los seres humanos no encontramos dificultades en razonar con estos
conceptos imprecisos.
Los conjuntos difusos fueron definidos como una extensin de los conjun-
tos clsicos que permitiera modelar la imprecisin de los conceptos humanos.
En la teora clsica de conjuntos, formulada por Georg Cantor a finales del si-
glo XIX, un cierto elemento puede pertenecer o no a un determinado conjunto,
es decir, la relacin de pertenencia puede tomar nicamente los valores verda-
dero o falso. La modificacin fundamental propuesta por Zadeh consiste en in-
troducir un grado de pertenencia, esto es, expresar la pertenencia de un
elemento a un conjunto como un nmero real en el intervalo [0,1]. Un grado de
pertenencia 0 indica que un elemento no pertenece a un determinado conjun-
to, mientras que un grado de pertenencia 1 indica que el elemento pertenece
totalmente al conjunto. Valores intermedios indican una pertenencia parcial de
un elemento al conjunto (Figura 1.1).
La definicin de un conjunto difuso A requiere la especificacin del valor
del grado de pertenencia de cada elemento del universo de discurso U sobre el
que se define el conjunto, esto es, la especificacin de una funcin de pertenen-
cia
A
(u). La funcin de pertenencia de un conjunto clsico slo puede tomar
los valores 0 y 1, mientras que en un conjunto difuso puede tomar cualquier
valor en el intervalo [0,1].
2 Un entorno de desarrollo para sistemas de inferencia complejos ...

A
(u) : U [0,1] (1.1)
Aunque las funciones de pertenencia pueden tener cualquier forma, gene-
ralmente y por razones prcticas se suelen definir analticamente, de manera
que slo sea necesario especificar el valor de algunos parmetros para determi-
nar la funcin [Ross, 1995]. Algunas de las formas ms utilizadas son funcio-
nes triangulares, trapezoidales, campaniformes o sigmoidales, como muestra la
Figura 1.2.
A partir de la definicin de conjunto difuso se suelen introducir una serie
de trminos bsicos, como soporte, altura o corte- de un conjunto difuso, que
se utilizan frecuentemente en la literatura [Cox, 1999]. La Figura 1.3 muestra
grficamente el significado de estos trminos.
Se define soporte de un conjunto difuso como el conjunto (clsico) de ele-
mentos cuyo grado de pertenencia es no nulo. Se dice que un conjunto difuso
es una singularidad difusa (fuzzy singleton) si su soporte est formado por un
nico elemento.
(1.2)
Se define altura de un conjunto difuso como el valor mximo de su fun-
cin de pertenencia. Se dice que un conjunto difuso es normal si su altura es la
unidad.
g
r
a
d
o

d
e

p
e
r
t
e
n
e
n
c
i
a
Temperatura (C)
(a)
Temperatura
baja
Temperatura
alta
32 36 40 34 38
g
r
a
d
o

d
e

p
e
r
t
e
n
e
n
c
i
a
Temperatura (C)
(b)
Temperatura
baja
Temperatura
alta
32 36 40 34 38
Figura 1.1: Representacin grca de dos conjuntos: (a) Clsico; (b) Difuso.
soporte A ( ) u U
A
u ( ) 0 > { } =
El paradigma difuso 3
(1.3)
Se define corte- de un conjunto difuso al conjunto (clsico) formado por
todos los elementos cuyo grado de pertenencia es mayor o igual a . Se define
corte- fuerte de un conjunto difuso al conjunto formado por todos los elemen-
tos cuyo grado de pertenencia es estrictamente mayor que .
(1.4)
a
a a
b
a a b c b c d
b
a b
(a) (b) (c)
(d) (e) (f)
Figura 1.2: Funciones utilizadas habitualmente como funciones de pertenencia y sus parmetros:
(a) triangular; (b) trapezoidal; (c) campaniforme; (d) sigmoidal; (e) rectangular; (f) delta.
altura A ( ) max =
A
u ( )
Figura 1.3: Terminologa para conjuntos difusos.
corte-
soporte
altura

corte A ( ) u U
A
u ( ) { } =
corte fuerte A ( ) u U
A
u ( ) > { } =
4 Un entorno de desarrollo para sistemas de inferencia complejos ...
1.2 OPERACIONES SOBRE CONJUNTOS DIFUSOS
Una vez definidos formalmente los conjuntos difusos, vamos a estudiar de
qu forma pueden extenderse las operaciones entre conjuntos clsicos para ser
aplicadas sobre conjuntos difusos. Una caracterstica a destacar es que no exis-
te una definicin unvoca de algunas de las operaciones clsicas como la unin
o la interseccin de conjuntos, sino que existen mltiples formas de desarrollar
estas operaciones. Esto implica que a la hora de utilizar conjuntos difusos se
debe definir no slo las funciones de pertenencia que caracterizan cada conjun-
to, sino tambin el operador concreto a utilizar para desarrollar cada operacin
[Ruspini, 1998]. Otra caracterstica de los conjuntos difusos es que, dada su ca-
pacidad de modelar la imprecisin de los conceptos lingsticos, permiten de-
finir una serie de operaciones asociadas a expresiones lingsticas como es
mayor que o es aproximadamente o es casi, conocidas comnmente
como modificadores lingsticos.
1.2.1 COMPARACIONES
Igualdad: Dados dos conjuntos difusos A y B, denidos sobre el mismo
universo de discurso U, se dice que los conjuntos son iguales si tienen la
misma funcin de pertenencia.
(1.5)
Inclusin: Dados dos conjuntos difusos A y B, denidos sobre el mismo
universo de discurso U, se dice que A est incluido en B si, para cada elemento
del universo de discurso, el grado de pertenencia a A es menor o igual que el
grado de pertenencia a B.
(1.6)
1.2.2 OPERACIONES BSICAS
Interseccin: Dados dos conjuntos difusos A y B, denidos sobre el mismo
universo de discurso U, se dene la interseccin de ambos conjuntos como un
conjunto difuso cuya funcin de pertenencia viene dada por la expre-
sin:
(1.7)
donde la funcin T(x,y) es una norma triangular o T-norma [Weber, 1983], es
decir, es una funcin que cumple las siguientes propiedades:
Conmutatividad:
Asociatividad:
A B =
A
u ( )
B
u ( ) u U , =
A B
A
u ( )
B
u ( ) u U ,
A B

A B
u ( ) T
A

B
, ( ) u U , =
T x y , ( ) T y x , ( ) x y 0 1 , [ ] , , =
T x T y z , ( ) , ( ) T T x y , ( ) z , ( ) x y z 0 1 , [ ] , , , =
El paradigma difuso 5
Monotona:
Elemento absorbente:
Elemento neutro:
Existen muchas funciones que cumplen estas propiedades y que, por tanto,
pueden ser utilizadas para representar la interseccin entre conjuntos difusos
[Wang, 1997]. La Tabla 1.1 presenta algunas de las funciones asociadas fre-
cuentemente a la operacin de interseccin.
Unin: Dados dos conjuntos difusos A y B, denidos sobre el mismo uni-
verso de discurso U, se dene la unin de ambos conjuntos como un conjunto
difuso cuya funcin de pertenencia viene dada por la expresin:
(1.8)
donde la funcin S(x,y) es una conorma triangular o S-norma, es decir, es una
funcin que cumple las siguientes propiedades:
Conmutatividad:
Tabla 1.1: T-normas.
Nombre Denicin Representacin
Mnimo
Producto
Producto acotado
Producto drstico
si x y ( ) y w z ( ) T x w , ( ) T y z , ( )
x y w z 0 1 , [ ] , , ,
T x 0 , ( ) 0 x 0 1 , [ ] , =
T x 1 , ( ) x x 0 1 , [ ] , =
T x y , ( ) min x y , ( ) =
T x y , ( ) x y =
T x y , ( ) max 0 x y 1 + , ( ) =
T x y , ( )
x si y 1 =
y si x 1 =
0 eoc

'

=
A B

A B
u ( ) S
A

B
, ( ) u U , =
S x y , ( ) S y x , ( ) x y 0 1 , [ ] , , =
6 Un entorno de desarrollo para sistemas de inferencia complejos ...
Asociatividad:
Monotona:
Elemento neutro:
Elemento absorbente:
Como en el caso de la interseccin, existen muchas funciones que cumplen
estas propiedades y que, por tanto, pueden ser utilizadas para representar la
unin entre conjuntos difusos [Pedrycz, 1998]. La Tabla 1.2 presenta algunas
de las funciones asociadas frecuentemente a la operacin de unin.
Complemento: Dado un conjunto difuso A, se dene el complemento de
dicho conjunto como un conjunto difuso cuya funcin de pertenencia viene
dada por la expresin:
(1.9)
donde la funcin C(x) es una C-norma, es decir, es una funcin que cumple las
Tabla 1.2: S-normas.
Nombre Denicin Representacin
Mximo
Suma algebraica
Suma acotada
Suma drstica
S x S y z , ( ) , ( ) S S x y , ( ) z , ( ) x y z 0 1 , [ ] , , , =
si x y ( ) y w z ( ) S x w , ( ) S y z , ( )
x y w z 0 1 , [ ] , , ,
S x 0 , ( ) x x 0 1 , [ ] , =
S x 1 , ( ) 1 x 0 1 , [ ] , =
S x y , ( ) max x y , ( ) =
S x y , ( ) x y x + y =
S x y , ( ) min 1 x y + , ( ) =
S x y , ( )
x si y 0 =
y si x 0 =
1 eoc

'

=
A

A
u ( ) C
A
( ) u U , =
El paradigma difuso 7
siguientes propiedades:
Condiciones de contorno:
Condicin de no incremento:
Como en los casos anteriores, existen muchas funciones que cumplen estas
propiedades y que, por tanto, pueden ser utilizadas para representar el comple-
mento de un conjunto difuso. La Tabla 1.3 presenta algunas de las funciones
asociadas frecuentemente a la operacin de complemento.
1.2.3 PROPIEDADES DE LAS OPERACIONES DIFUSAS
De las propiedades generales de las T-normas y S-normas es fcil deducir
que estas funciones estn acotadas por las funciones mnimo y mximo:
(1.10)
(1.11)
Determinadas elecciones de los operadores de unin, interseccin y com-
plemento pueden verificar las leyes de De Morgan generalizadas [Yager,
1994].
(1.12)
En general, dada una funcin de complemento, se puede asociar una T-
norma a cada S-norma (y viceversa). Por ejemplo, utilizando la negacin como
complemento, las parejas mnimo-mximo y producto-suma (algebraica, aco-
tada y drstica) verifican las leyes de De Morgan generalizadas.
Los operadores mnimo y mximo tambin verifican la propiedad distribu-
tiva:
Tabla 1.3: C-normas.
Nombre Denicin Parmetro
Negacin
Sugeno
Yager
C 0 ( ) 1 C 1 ( ) , 0 = =
si x y < ( ) C x ( ) C y ( ) >
x y 0 1 , [ ] ,
C x ( ) 1 x =
C x ( )
1 x
1 x +
-------------------- = 0 , ( )
C x ( ) 1 x
w
( )
1 w
=
w 0 , ( )
T x y , ( ) min x y , ( ) x y 0 1 , [ ] ,
S x y , ( ) max x y , ( ) x y 0 1 , [ ] ,
C T x y , ( ) ( ) S C x ( ) C y ( ) , ( ) =
C S x y , ( ) ( ) T C x ( ) C y ( ) , ( ) =
8 Un entorno de desarrollo para sistemas de inferencia complejos ...
(1.13)
Existen dos leyes fundamentales de la teora clsica de conjuntos que no
se cumplen en la teora de conjuntos difusos. Se trata de la ley del tercio exclu-
so (que establece que un conjunto y su complementario deben comprender el
universo de discurso: AA U) y la ley de la contradiccin (segn la cual un
elemento no puede pertenecer simultneamente a un conjunto y a su comple-
mentado: AA ). Puesto que los lmites de un conjunto difuso son impre-
cisos, un elemento puede pertenecer en un cierto grado a un conjunto y a su
complemento. As pues, en general
(1.14)
1.2.4 MODIFICADORES LINGSTICOS
Se denominan modificadores lingsticos a aquellas operaciones que, apli-
cadas sobre un conjunto difuso, generan un conjunto difuso diferente, es decir,
transforman la funcin de pertenencia del conjunto. Estas transformaciones se
utilizan para modelar conceptos lingsticos que aparecen en el lenguaje natu-
ral como clusulas adverbiales. Vamos a definir algunos de ellos (Figura 1.4).
mayor o igual que: Este modicador se aplica sobre conjuntos denidos en
universos de discurso numricos de una dimensin. La funcin de pertenencia
nal se obtiene mediante la expresin:
(1.15)
menor o igual que: Como el anterior, este modicador se aplica sobre con-
juntos denidos en universos de discurso numricos de una dimensin. La
funcin de pertenencia nal se obtiene mediante la expresin:
(1.16)
distinto de: La complementacin de un conjunto difuso puede entenderse
como un modicador lingstico, que transforma un conjunto difuso A en otro
conjunto difuso A que representa el conjunto no A o distinto de A.
aproximadamente: Aumenta el grado de pertenencia de los elementos del
conjunto difuso, de manera que el conjunto nal es ms difuso.
fuertemente: Disminuye el grado de pertenencia, de manera que el con-
junto nal es menos difuso.
casi: Este modicador hace que se valore nicamente la pertenencia de un
elemento a la frontera del conjunto.
T x S y z , ( ) , ( ) S T x y , ( ) T x z , ( ) , ( ) =
S x T y z , ( ) , ( ) T S x y , ( ) S x z , ( ) , ( ) =
A A U
A A

A
x ( )
max
y x

A
y ( ) ( ) =

A
x ( )
max
y x

A
y ( ) ( ) =
El paradigma difuso 9
1.3 RELACIONES DIFUSAS
El concepto de relacin difusa es una generalizacin del concepto de rela-
cin en la teora clsica de conjuntos [Mendel, 1995]. Una relacin clsica en-
tre dos universos de discurso U y V se define como un subconjunto del
producto cartesiano UV. Dos elementos, u y v, se dice que estn relacionados
si el par (u,v) pertenece a la relacin.
Se define una relacin difusa R entre los universos U y V como un subcon-
junto difuso del producto cartesiano UV. La funcin de pertenencia
R
(u,v)
representa el grado de relacin entre los elementos u y v (Figura 1.5). En prxi-
mos apartados veremos que el concepto de relacin difusa es fundamental para
desarrollar mecanismos de razonamiento aproximado.
(a) (b) (c)
(d) (e) (f)
Figura 1.4: Modicadores lingsticos: (a) mayor o igual; (b) menor o igual; (c) distinto;
(d) aproximadamente; (e) fuertemente; (f) casi.
u v
Figura 1.5: Ejemplo de relacin difusa: u menor o igual a v.
0
1

R
(u,v)
10 Un entorno de desarrollo para sistemas de inferencia complejos ...
1.3.1 COMPOSICIN DE RELACIONES DIFUSAS
La composicin entre relaciones difusas es una generalizacin de la com-
posicin entre relaciones clsicas. Dadas dos relaciones clsicas P y R, defini-
das sobre UV y VW respectivamente, la composicin de ambas relaciones es
una nueva relacin , definida sobre UW, tal que
(1.17)
es decir, que dos elementos, u y w, estn relacionados si existe un camino u-v-
w que los une.
Para generalizar esta definicin utilizando relaciones difusas hay que tener
en cuenta que las relaciones P y R expresan ahora el grado de relacin entre u
y v, y entre v y w, respectivamente. El grado de relacin entre u y w por medio
de v (es decir, el grado de relacin del camino u-v-w), se obtiene a partir de los
grados de relacin entre u y v (
P
(u,v)), y entre v y w (
R
(v,w)), aplicando una
T-norma. El grado de relacin entre u y wes el mximo obtenido de entre todos
los caminos posibles (Figura 1.6). La funcin de pertenencia de la composicin
entre relaciones difusas se puede expresar, por tanto, de la siguiente forma:

PoR
(u,w) = sup{
P
(u,v) *
R
(v,w) } (1.18)
Esta expresin se conoce como composicin supremo-estrella (sup-star),
donde la operacin * se refiere a una T-norma [Patyra, 1996]. Las T-normas
ms utilizadas en la composicin son el mnimo, lo que da lugar a la composi-
cin sup-min, y el producto, lo que se conoce como composicin sup-prod.
1.3.2 PROYECCIN CILNDRICA
En ocasiones es necesario realizar operaciones sobre conjuntos difusos de-
finidos sobre universos diferentes. Como veremos ms adelante esto es habi-
Q P

R =
u w , ( ) Q v V u v , ( ) P v w , ( ) R , ,
U V W
u
v
1
v
2
v
3
.
.
.
.
w
.
.
.
.
U W
u
.
.
.
.
w
.
.
.
.

P
(u,v)
R
(v,w)
Q
(u,w)
Figura 1.6: Composicin entre relaciones difusas.
El paradigma difuso 11
tual en la conjuncin y disyuncin de proposiciones difusas. Puesto que las
operaciones binarias que hemos presentado (unin e interseccin) slo pueden
aplicarse entre conjuntos definidos sobre el mismo universo, es necesario defi-
nir una transformacin que permita interpretar estos conjuntos sobre un univer-
so comn.
Dado un conjunto difuso A, definido sobre el universo U, se define la pro-
yeccin cilndrica de A sobre el universo V como un conjunto difuso , defi-
nido sobre UV, cuya funcin de pertenencia es la siguiente:
(1.19)
es decir, la funcin de pertenencia de la proyeccin es independiente de la va-
riable v (Figura 1.7). Puesto que la proyeccin cilndrica es un conjunto difuso
definido sobre un producto cartesiano de (al menos) dos universos, se suele
considerar como una relacin difusa.
Para realizar una operacin binaria entre dos conjuntos A y B, definidos so-
bre U y V respectivamente, se consideran las proyecciones cilndricas de am-
bos conjuntos sobre el universo de discurso del contrario. La operacin binaria
se debe realizar, por tanto, sobre y , donde ambos se encuentran definidos
sobre el mismo universo de discurso UV. El resultado de la operacin es un
conjunto difuso definido sobre el producto cartesiano UV, por lo que estas
operaciones suelen considerarse relaciones difusas.
1.4 ARITMTICA DIFUSA
Los conjuntos difusos permiten expresar la incertidumbre en el valor de un
cierto nmero o de una cierta variable. Se denomina nmero difuso a una can-
tidad imprecisa expresada por medio de un conjunto difuso. Estos nmeros di-
fusos pueden aparecer en expresiones aritmticas, es decir, es posible realizar
operaciones con ellos [Dubois, 1987]. El resultado de una operacin aritmtica
A

u v , ( )
A
u ( ) = v V ,
x
x y
(a) (b)
Figura 1.7: (a) Conjunto difuso denido sobre el universo X. (b) Proyeccin cilndrica sobre el
universo Y.
A

12 Un entorno de desarrollo para sistemas de inferencia complejos ...


sobre dos nmeros difusos da lugar a un resultado impreciso, es decir, a un nue-
vo nmero difuso, que estar descrito mediante un conjunto difuso diferente
que debemos calcular.
Consideremos una operacin aritmtica entre dos nmeros reales. Se de-
fine la extensin de a conjuntos difusos ( ) como
(1.20)
donde * es una T-norma, que habitualmente se toma como el mnimo. La ex-
presin anterior puede simplificarse enormemente cuando se consideran fun-
ciones de pertenencia de una forma determinada (Figura 1.8). Por ejemplo,
para funciones de pertenencia triangulares, definidas mediante tres parmetros
(a,b,c), la suma es de nuevo una funcin de pertenencia triangular que viene
dada por la expresin
(1.21)
La aritmtica difusa permite incorporar la imprecisin como una parte fun-
damental de los valores de las variables. Esto es de gran utilidad para el desa-
rrollo de tcnicas de razonamiento cualitativo o semicuantitativo [Dubois,
1989].
1.5 LGICA DIFUSA
Se denomina lgica difusa a los mecanismos de inferencia basados en re-
glas que emplean trminos lingsticos representados por conjuntos difusos.
Dado un conjunto de reglas que relacionan una serie de variables y dado un
conjunto de valores iniciales (en general expresados como conjuntos difusos)
de algunas de estas variables, el objetivo de estos mecanismos de inferencia es
deducir el valor (expresado en forma de un conjunto difuso) del resto de varia-
bles.
K L

K L
u ( ) sup
s t ,
u s t =
=
K
s ( )
*

L
t ( ) { }
K L KL
Figura 1.8: Suma de dos nmeros difusos.
0 2 4 6 8 10 12
a
1
b
1
c
1
, , ( ) a
2
b
2
c
2
, , ( ) a
1
a
2
b
1
b
2
c
1
c
2
+ , + , + ( ) =
El paradigma difuso 13
1.5.1 VARIABLES LINGSTICAS
Se denomina variable lingstica a una variable cuyos valores pueden ex-
presarse en trminos del lenguaje natural. Cada uno de estos trminos se cono-
ce como etiqueta lingstica y se representa por medio de un conjunto difuso
definido sobre el universo de discurso de la variable. Por ejemplo, la tempera-
tura del cuerpo humano puede ser catalogada como baja, normal, alta o
muy alta. Cada uno de estos trminos es una etiqueta lingstica que puede
describirse como un conjunto difuso (Figura 1.9).
1.5.2 PROPOSICIONES DIFUSAS
Se denomina proposicin difusa a una expresin lingstica que relaciona
diferentes variables. Una proposicin difusa se representa por un conjunto di-
fuso definido sobre el producto cartesiano de los universos de discurso de sus
variables lingsticas.
Una proposicin difusa simple es una expresin que relaciona una variable
lingstica con una de sus etiquetas, por ejemplo, la temperatura es normal.
El conjunto difuso que representa esta proposicin es el correspondiente a la
etiqueta lingstica utilizada. Como vimos en el apartado 1.2.4, es posible
transformar un conjunto difuso por medio de un modificador lingstico. Esto
permite definir proposiciones que utilizan modificadores lingsticos, por
ejemplo, la temperatura es aproximadamente normal o la temperatura es
mayor o igual que alta.
Las conectivas lgicas AND(conjuncin) y OR(disyuncin) permiten for-
mar proposiciones difusas compuestas. El conjunto difuso correspondiente a la
conjuncin de dos proposiciones es la interseccin de los conjuntos difusos
parciales.
(1.22)
Baja Alta Normal
Temperatura (C)
36 34 32 38 40 42
Muy alta
1
0
Figura 1.9: Denicin de la variable lingstica Temperatura.
grado de pertenencia

A B
x y , ( ) T
A
x ( )
B
y ( ) , ( ) =
14 Un entorno de desarrollo para sistemas de inferencia complejos ...
Anlogamente, el conjunto difuso correspondiente a la disyuncin de pro-
posiciones difusas se obtiene mediante la unin de ambos conjuntos.
(1.23)
Cuando estas conectivas se aplican a expresiones de variables diferentes,
como se ilustra en la Figura 1.10, se utilizan las proyecciones cilndricas que
se explicaron en el apartado 1.3.2).
1.5.3 REGLAS DIFUSAS
Una regla difusa es una expresin del tipo
SI proposicin difusa ENTONCES proposicin difusa (1.24)
donde la proposicin de la izquierda se denomina antecedente o premisa y la
de la derecha se conoce como consecuente o conclusin. Una regla difusa re-
presenta una relacin difusa entre el antecedente y el consecuente, cuya fun-
cin de pertenencia viene dada por la expresin:
(1.25)
donde se denomina operador de implicacin y puede, como en los casos de
la conjuncin, disyuncin y negacin, ser representado por diferentes funcio-
nes. Estas funciones de implicacin se definen como generalizacin de la im-
plicacin clsica. La implicacin en la lgica clsica se define como:
(1.26)
Sustituyendo los operadores de conjuncin, disyuncin y negacin clsi-
cos por sus correspondientes operadores difusos de interseccin, unin y com-
plemento, se obtienen expresiones que permiten definir funciones de
implicacin [Lee, 1990]:

A B
x y , ( ) S
A
x ( )
B
y ( ) , ( ) =
A B
x
y
Figura 1.10: (a) Conjuncin de proposiciones difusas: (x es A) (y es B). (b) Disyuncin de
proposiciones difusas: (x es A) (y es B).
A B
x y
(a) (b)

A B
x y , ( )
A
x ( )
B
y ( ) , ( ) =
p q p ( ) q p q ( ) p ( )
El paradigma difuso 15
(1.27)
(1.28)
La Tabla 1.4 muestra diferentes funciones de implicacin propuestas por
varios autores [Driankov, 1993] [Mizumoto, 1982]. Las cuatro primeras han
sido obtenidas de las expresiones anteriores utilizando las T-normas y S-nor-
mas definidas en el apartado 1.2. Las cuatro siguientes provienen de la lgica
multivaluada.
Tabla 1.4: Funciones de implicacin.
Nombre Denicin
Dienes-Resher
o Booleana
Mizumoto
Lukasiewicz
Zadeh
o Max-min
Dubois-Prade
Goguen
Gdel
Sharp o
secuencia
estndar

A B
x y , ( ) S C
A
x ( ) ( )
B
y ( ) , ( ) =

A B
x y , ( ) S T
A
x ( )
B
y ( ) , ( ) C
A
x ( ) ( ) , ( ) =

A B
x y , ( ) max 1
A
x ( )
B
y ( ) , ( ) =

A B
x y , ( ) 1
A
x ( )
A
x ( )
B
y ( ) + =

A B
x y , ( ) min 1 1
A
x ( )
B
y ( ) + , ( ) =

A B
x y , ( ) max min
A
x ( )
B
y ( ) , ( ) 1
A
x ( ) , ( ) =

A B
x y , ( )
1
A
x ( ) si
B
y ( ) 0 =

B
y ( ) si
A
x ( ) 0 =
1 eoc

'

A B
x y , ( )
1 si
A
x ( )
B
y ( )

B
y ( )
A
x ( ) eoc

'

A B
x y , ( )
1 si
A
x ( )
B
y ( )

B
y ( ) eoc

'

A B
x y , ( )
1 si
A
x ( )
B
y ( )
0 eoc
'

=
16 Un entorno de desarrollo para sistemas de inferencia complejos ...
La Figura 1.11 ilustra un ejemplo de regla difusa en la que se emplea la
funcin de Zadeh como funcin de implicacin.
1.5.4 REGLA DE INFERENCIA COMPOSICIONAL
Las tcnicas de razonamiento lgico permiten deducir conclusiones a par-
tir de un conjunto de reglas lgicas y un conjunto de observaciones. Los mto-
dos de inferencia ms importantes en la lgica proposicional clsica se conocen
como modus ponens y modus tollens. El mtodo de inferencia modus ponens
establece que dada una regla si x es A entonces y es B y una observacin x
es A se puede obtener la conclusin y es B, es decir, que la proposicin y
es B es necesariamente cierta. Por su parte, el mtodo modus tollens establece
que, dada una regla si x es A entonces y es B y una observacin y es no B,
se puede obtener la conclusin x es no A, es decir, que la proposicin x es
A es necesariamente falsa. La utilizacin de modus ponens para obtener con-
clusiones se conoce como inferencia hacia adelante (forward inference) mien-
tras que el uso de modus tollens se denomina inferencia hacia atrs (backward
inference).
La lgica difusa requiere generalizar estos procesos de inferencia para
aplicarlos a proposiciones difusas. El mtodo modus ponens generalizado es-
tablece que, dada la regla difusa si x es A entonces y es B y la observacin x
es A se puede obtener la conclusin y es B, donde el conjunto difuso B es
ms prximo a B cuanto ms prximo sea A al conjunto A. Por su parte, el m-
todo modus tollens generalizado establece que, dada la regla difusa si x es A
entonces y es B y la observacin y es B se puede obtener la conclusin x
es A, donde el conjunto difuso A es ms diferente a A cuanto ms diferente
sea B al conjunto B.
Centrndonos en los mtodos de inferencia hacia adelante, Zadeh propuso
obtener la conclusin del modus ponens generalizado mediante la siguiente ex-
presin, conocida como regla de inferencia composicional [Zadeh, 1973],
A B
x y
Figura 1.11: Regla difusa SI (x es A) ENTONCES (y es B), aplicando la funcin de implicacin
de Zadeh.
El paradigma difuso 17
(1.29)
donde R representa la relacin difusa asociada a la regla difusa.
Sustituyendo la definicin de la composicin supremo-estrella (ec. 1.18),
la funcin de pertenencia de la conclusin es:
(1.30)
Sustituyendo la definicin de la funcin de pertenencia de una regla difusa,
(1.31)
Un caso de particular inters es aquel en el que la observacin x es A es
una singularidad difusa, es decir, cuando en lugar de un conjunto difuso tene-
mos un valor concreto x es x
0
. En este caso, la expresin anterior se reduce a
(1.32)
Otro caso importante se produce cuando la T-norma * y el operador de im-
plicacin cumplen la propiedad distributiva. En este caso, la conclusin de
la inferencia se calcula mediante la expresin
(1.33)
(1.34)
donde , que se conoce como grado de similaridad, representa la proximidad
entre los conjuntos difusos A y A.
En general el mecanismo de inferencia de una regla difusa depende de la
eleccin de los operadores * y . Respecto a la T-norma, las elecciones ms
habituales son el mnimo (composicin sup-min) y el producto (composicin
sup-prod). Por su parte, y como acabamos de ver, la eleccin de un operador
de implicacin que verifique la propiedad distributiva respecto a la composi-
cin puede simplificar el clculo significativamente.
1.5.5 INFERENCIA EN BASES DE REGLAS DIFUSAS
La regla de inferencia composicional presentada en el apartado anterior
describe un mecanismo de inferencia que permite obtener la conclusin de una
regla difusa. En general, un sistema experto est compuesto por un conjunto de
B A

R =

B
y ( ) sup
x

A
x ( )
*

A B
x y , ( ) { } =

B
y ( ) sup
x

A
x ( )
*

A
x ( )
B
y ( ) , ( ) { } =

B
y ( )
A
x
0
( )
B
y ( ) , ( ) =

B
y ( ) sup
x

A
x ( )*
A
x ( ) { }
B
y ( ) ,
,

_

B
y ( ) , ( ) = =
sup
x

A
x ( )*
A
x ( ) { } =
18 Un entorno de desarrollo para sistemas de inferencia complejos ...
reglas, definidas sobre un conjunto de variables de entrada y salida. La genera-
lizacin de la regla de inferencia composicional para su aplicacin en sistemas
expertos plantea nuevos problemas. El primero de ellos es cmo representar el
conjunto difuso de una observacin en un problema de mltiples entradas. Un
segundo problema es cmo realizar el proceso de inferencia simultneamente
en todas las reglas.
Respecto a la primera cuestin, dadas N observaciones sobre variables lin-
gsticas, x
1
es A
1
... x
N
es A
N
, el conjunto difuso que define la observa-
cin global que incluye a todas las variables es la conjuncin de todas las
observaciones, es decir, (x
1
es A
1
) (x
2
es A
2
) ... (x
N
es A
N
), cuya fun-
cin de pertenencia es:
(1.35)
Para calcular el grado de activacin de cada regla habra de calcularse el
grado de similaridad entre este conjunto difuso y el antecedente de la regla (ec.
1.34). La aplicacin literal de esta ecuacin implica realizar recorridos exhaus-
tivos sobre espacios de N dimensiones, lo que a efectos prcticos resulta muy
ineficiente. Este clculo puede simplificarse significativamente si el operador
* verifica las propiedades asociativa y distributiva respecto a las conectivas y
modificadores lingsticos que aparecen en el antecedente. Supongamos que el
antecedente est formado por la conjuncin de dos proposiciones simples, (x
1
es A
1
) (x
2
es A
2
). Dadas las observaciones x
1
es A
1
y x
2
es A
2
, el grado
de activacin sera:
(1.36)
Es decir, bajo las condiciones exigidas, el clculo del grado de activacin de
cada regla puede realizarse a partir de los grados de similaridad entre las obser-
vaciones y las etiquetas aplicadas a cada variable.
El segundo problema que hemos planteado es cmo realizar la agregacin
del conjunto de reglas que conforman el sistema experto. En este punto apare-
cen dos opciones [Driankov,1993]. La primera se denomina inferencia basada
en composicin, y consiste en componer todas las reglas del sistema experto,
formando una nica relacin difusa R
G
. La conclusin de la inferencia se ob-

A
x
1
x
2
x
N
, , , ( ) T
A
1
x
1
( )
A
2
x
2
( )
A
N
x
N
( ) , , , [ ] =

sup
x
1
x
2
,
T
A
1
'
x
1
( )
A
2
'
x
2
( ) , ( )
*
T
A
1
x
1
( )
A
2
x
2
( ) , ( ) { } =
sup
x
1
x
2
,
T
A
1
'
x
1
( )
*

A
1
x
1
( )
A
2
'
x
2
( )
*

A
2
x
2
( ) , ( ) { } =
T
sup
x
1

A
1
'
x
1
( )
*

A
2
x
2
( ) { }
sup
x
2

A
2
'
x
2
( )
*

A
2
x
2
( ) { } ,
,

_
=
T
A
1
' A
1


A
2
' A
2

, ( ) =
El paradigma difuso 19
tiene aplicando la regla de inferencia composicional a esta relacin difusa glo-
bal:
(1.37)
La segunda opcin, llamada inferencia basada en reglas, consiste en cal-
cular en primer lugar las conclusiones parciales de cada regla, aplicando la re-
gla de inferencia composicional a cada regla. La conclusin global se obtiene
mediante la agregacin de las conclusiones parciales:
(1.38)
La eleccin entre estas dos interpretaciones de la agregacin de reglas de-
pende tanto del significado intuitivo de una base de reglas (que se inclina por
la primera interpretacin) como de la simplicidad del mecanismo (que se incli-
na por la segunda). Para determinadas elecciones de los distintos operadores
puede demostrarse que ambas interpretaciones son equivalentes [Lee,1990].
En general, los sistemas expertos basados en lgica difusa suelen utilizar el se-
gundo mecanismo.
Un ltimo problema es definir el operador de agregacin. Teniendo en
cuenta la definicin del operador de implicacin (ec. 1.27)(ec. 1.28), cuando la
premisa no se cumple (es decir, el grado de similaridad es cero), la conclu-
sin es un conjunto difuso que cubre todo el universo ( ). La
conclusin de una regla que no se cumple no debera influir en el resultado glo-
bal de la inferencia, es decir, la agregacin de este conjunto a la conclusin glo-
bal no debe tener ninguna influencia. Dicho de otro modo, para el operador de
agregacin el valor 1 debe ser un elemento neutro. Por tanto, las funciones ade-
cuadas para representar la agregacin son T-normas [Wang, 1997].
La formulacin de la lgica difusa que hemos desarrollado hasta ahora es
la forma natural de generalizar la lgica proposicional clsica. Como acabamos
de ver, las conclusiones de la inferencia obtenidas con esta formulacin tienden
a ocupar todo el universo de discurso (las conclusiones suelen tener un grado
de pertenencia no nulo en todo el universo). Sin embargo, en muchas ocasiones
es recomendable, o incluso necesario, que estas conclusiones se encuentren
ms limitadas en el universo. Para esto es necesario modificar la formulacin
en el sentido de que las conclusiones tengan valores no nulos slo para aquellas
reglas que estn activas. Esta modificacin consiste en utilizar T-normas como
funciones de implicacin, con lo que la conclusin de una regla no activa sera
siempre nula. Es habitual, por tanto, utilizar T-normas como funciones de im-
plicacin, especialmente el mnimo (implicacin de Mamdani) y el producto
(implicacin de Larsen). Una ventaja adicional del uso de T-normas como fun-
ciones de implicacin es que se garantiza la distributividad entre la implicacin
y la composicin lo que, como hemos visto, simplifica el proceso de inferencia
(ec. 1.33). Cuando se utiliza una T-norma como implicacin, la conclusin glo-
bal no debe modificarse al agregar un conjunto vaco. Esto implica que para el
B A

R
G
= R
G
R
1
R
2
R
N
=
B B
1
B
2
B
N
= B
i
A

R
i
=

B
y ( ) 1 y , =
20 Un entorno de desarrollo para sistemas de inferencia complejos ...
operador de agregacin el valor 0 debe ser un elemento neutro. Por tanto, en
este caso, las funciones adecuadas para representar el operador de agregacin
son S-normas [Mizumoto, 1991].
1.6 MTODOS DE CONCRECIN
Las conclusiones extradas mediante los mecanismos de inferencia descri-
tos en el apartado anterior se representan mediante conjuntos difusos. En mu-
chas aplicaciones es necesario utilizar valores discretos para representar las
variables, es decir, no es posible utilizar una representacin difusa como resul-
tado de la inferencia, lo que obliga a sustituir estas conclusiones difusas por un
valor discreto significativo.
Se denomina proceso de concrecin (defuzzification) al mecanismo que
permite obtener el valor significativo que representa de manera discreta a un
conjunto difuso. En la literatura se han propuesto numerosos mtodos de con-
crecin [Baturone, 2000]. Acontinuacin vamos a presentar los ms utilizados.
Centro de rea: Tambin conocido como Centro de Gravedad o Centroide,
utiliza el centro de rea del conjunto difuso B como valor representativo, .
Su versin discreta, que puede interpretarse como una suma de Riemann, es la
siguiente [Jager, 1992]
(1.39)
Entre las propiedades positivas de este mtodo hay que destacar que es
continuo (un pequeo cambio en las entradas no implica un cambio brusco en
las salidas) y no es ambiguo (obtiene un valor nico como resultado del proce-
so). Sin embargo el mtodo presenta algunos inconvenientes. En primer lugar,
no es plausible (ya que la salida puede corresponder a un punto del soporte del
conjunto con bajo grado de activacin). Otra caracterstica, a veces indeseable,
es que no se trata de un mtodo lineal. Por otra parte, la principal limitacin de
este mtodo es la necesidad de recorrer todo el universo de discurso para eva-
luar el centroide. Esto hace que el clculo del valor representativo sea muy cos-
toso en nmero de operaciones.
Centro del rea Mayor: Este mtodo pretende resolver el problema de
falta de plausibilidad del mtodo anterior. Consiste en dividir el conjunto
difuso en zonas convexas y calcular el centro de rea de la zona de rea mayor.
Presenta el inconveniente de la ambigedad en el caso de que haya dos zonas
con el mismo rea.
Mximo: Consiste en generar como valor representativo el punto del uni-
y
y
y
i

B
y
i
( )
i

B
y
i
( )
i

------------------------------- =
El paradigma difuso 21
verso de discurso cuyo grado de pertenencia sea mximo. Este mtodo ase-
gura la plausibilidad, pero resulta ambiguo cuando existen muchos puntos con
este grado de pertenencia, de manera que normalmente se utilizan los mtodos
de Primer Mximo, ltimo Mximo o Media de los Mximos. En cualquier
caso, estos mtodos son discontinuos (ya que una pequea variacin en el
grado de activacin de las reglas puede modicar signicativamente la posi-
cin del mximo) y pueden reducir el carcter difuso de la inferencia, ya que
los valores que pueden generar corresponden a los mximos de los consecuen-
tes de las reglas.
Estos mtodos bsicos, tambin conocidos como mtodos convencionales,
pueden ser empleados sobre cualquier conjunto difuso. Los conjuntos difusos
que deseamos representar por valores discretos provienen de un proceso de in-
ferencia. Esto quiere decir que su funcin de pertenencia se obtiene a partir de
los consecuentes de las reglas por medio de los operadores de implicacin y
agregacin. Muchos mtodos de concrecin utilizan esta propiedad para calcu-
lar el valor representativo en funcin de las caractersticas de los consecuentes,
cuyas funciones de pertenencia se conocen de antemano. Esto permite evitar
los recorridos sobre el universo de discurso que suponen el mayor obstculo en
la utilizacin de los mtodos convencionales. Los mtodos de concrecin que
utilizan parmetros precalculados de los consecuentes y no necesitan recorri-
dos sobre el universo de discurso se denominan mtodos simplificados.
Entre los mtodos simplificados cabe destacar los siguientes:
Centro de Sumas: Este mtodo emplea la suma como operador de agrega-
cin y el producto como operador de implicacin.
(1.40)
donde
r
es la funcin de pertenencia del consecuente de la regla r y
r
es el
grado de activacin de dicha regla (ec. 1.33). En este caso la frmula del centro
de rea puede simplificarse:
(1.41)
donde S
r
es el rea del consecuente de la regla r y c
r
su centro. Estos parmetros
pueden calcularse previamente.
Media Difusa: Tambin conocido como mtodo de la Altura, se obtiene a
partir del centro de sumas considerando que todos los consecuentes tengan
funciones de pertenencia con el mismo rea. El valor representativo que
genera es una media de los centros de las funciones de pertenencia de los con-

B
y
i
( )
r

r
y
i
( )
r

=
y
y
i

r

r
y
i
( )
r

r

r
y
i
( )
r

-----------------------------------------------

r
y
i

r
y
i
( )
i

r

r
y
i
( )
i

-----------------------------------------------

r
S
r
c
r

r

r
S
r

------------------------------- = = =
22 Un entorno de desarrollo para sistemas de inferencia complejos ...
secuentes, ponderados por su grado de activacin.
(1.42)
Media difusa ponderada: Se obtiene a partir del centro de sumas conside-
rando que el rea de los consecuentes es proporcional a su base. El valor
representativo que genera es una media de los centros de las funciones de per-
tenencia de los consecuentes, ponderados por su grado de activacin y su
base.
(1.43)
Mtodo de la Calidad: Algunos autores consideran que para ponderar los
centros de los consecuentes no es adecuado utilizar su base, sino la inversa de
la base, ya que consideran que el proceso de concrecin debe primar a los con-
secuentes ms precisos [Hellendoorn, 1993a]. Tambin es habitual utilizar el
valor de la base elevado a una determinada potencia (mtodo de -Calidad)
[Hellendoorn, 1993b], que es equivalente al mtodo de la calidad cuando el
exponente es la unidad.
(1.44)
Mtodo del Nivel Gradual (Level Grading): Siguiendo en la lnea ante-
rior, el nivel de precisin de una conclusin debe ser mayor cuanto ms activa
sea la regla, de manera que en lugar de utilizar la base total del consecuente,
algunos autores proponen utilizar la base del corte- [Jung, 1994]. Cuando los
consecuentes son funciones triangulares esta base es . Si
todos los tringulos tienen la misma base, el valor obtenido es
(1.45)
Centro de Sumas con Mnimo: Cuando el operador de implicacin utili-
y

r
c
r

r
r

--------------------- =
y

r
d
r
c
r

r

r
d
r

------------------------------- =
y

r
c
r
d
r

r
d
r

------------------------------- =
( ) d 1 ( ) =
y

r
c
r
1
r
( )
r

r
1
r
( )
r

--------------------------------------------- =
El paradigma difuso 23
zado es el mnimo y los consecuentes son funciones de pertenencia triangula-
res con la misma base, el valor del centro de sumas viene dado por la siguiente
expresin [Pammu, 1995]:
(1.46)
Mtodo de Yager: La propuesta de Yager [Yager, 1991] es utilizar el
mtodo de la media difusa sustituyendo el centro de la funcin de pertenencia
por el centro de su corte-. Cuando las funciones de pertenencia son tringu-
los, el centro del corte- es una funcin lineal. El valor representativo se cal-
cula entonces mediante la expresin:
(1.47)
donde a
r
, b
r
y c
r
son los puntos inicial, medio y final que describen la funcin
de pertenencia triangular de la regla r.
1.7 ESTRUCTURA BSICA DE UN SISTEMA DE INFERENCIA
BASADO EN LGICA DIFUSA
A lo largo de este captulo hemos presentado los fundamentos de la teora
de conjuntos difusos y de los mecanismos de inferencia basados en ellos. He-
mos visto que es posible utilizar estos conjuntos como representacin de la am-
bigedad de valores numricos y en qu medida es necesario modificar la
aritmtica para incluir conjuntos difusos. Hemos visto asimismo cmo repre-
sentar reglas lgicas con la metodologa difusa y cmo desarrollar los procesos
de inferencia con estas reglas.
En general, un sistema experto basado en lgica difusa no impone diferen-
cias entre las distintas variables lingsticas. Las conclusiones se obtienen para
cualquier variable a partir de observaciones y procesos de inferencia basados
tanto en modus ponens como en modus tollens. Sin embargo, queda lejos de
los objetivos de este trabajo el desarrollar herramientas que utilicen esta meto-
dologa en toda su amplitud.
A lo largo de este trabajo nos vamos a centrar en sistemas que utilizan una
inferencia hacia adelante. Esto significa que se van a distinguir entre dos tipos
de variables: las variables de entrada, sobre las que se realizan las observacio-
nes que permiten la inferencia, y las variables de salida, sobre las que se obtie-
nen las conclusiones. El mecanismo de inferencia que vamos a utilizar es la
inferencia basada en reglas, es decir, que se obtendrn en primer lugar las con-
y

r
c
r
2 ( )
r

r
2 ( )
r

-------------------------------------------- =
y

r
p
r
1
p
r
2

r
+ ( )
r

r
r

---------------------------------------------------; = p
r
1
a
r
c
r
+
2
----------------; = p
r
2
b
r
p
r
1
; =
24 Un entorno de desarrollo para sistemas de inferencia complejos ...
clusiones parciales de cada regla y posteriormente se agregarn estas conclu-
siones parciales para formar la conclusin final. Se conocen como sistemas de
inferencia de tipo Mamdani los sistemas de este tipo que describen las conclu-
siones parciales de las reglas por medio de funciones de pertenencia. En ellos
se pueden distinguir tres fases: difuminado, inferencia y concrecin [Mamda-
ni, 1975].
La fase de difuminado consiste en calcular el grado de similaridad entre los
valores de las variables de entrada y las etiquetas lingsticas de los anteceden-
tes de las reglas. Cuando los valores de las entradas son valores concretos, estos
grados de similaridad se corresponden con los grados de pertenencia asociados
a los valores de entrada y para calcularlos basta con evaluar las funciones de
pertenencia de las etiquetas lingsticas. En general los valores de las entradas
pueden ser datos ms ambiguos y ser representados por conjuntos difusos. En
este caso el grado de similaridad se calcula mediante la composicin sup-min
entre el valor difuso y el conjunto difuso que representa cada etiqueta.
La etapa de inferencia consiste en calcular el grado de activacin de las re-
glas a partir de los grados de activacin (similaridad) de las etiquetas lingsti-
cas y de la interpretacin de las diferentes conectivas y modificadores
lingsticos que aparecen en el antecedente. A partir de este grado de activa-
cin se obtiene la conclusin parcial de la regla por medio del operador de im-
plicacin. El resultado final de la etapa de inferencia es la conclusin global
asociada a cada variable de salida, que se obtiene a partir de las conclusiones
parciales por medio del operador de agregacin.
La etapa de concrecin se utiliza en aquellos sistemas que necesitan gene-
rar unos valores de salida concretos, para los que el resultado de la etapa de in-
ferencia resulta inadecuado. Para obtener estos valores concretos se utilizan los
mtodos de concrecin que presentamos en el apartado anterior. Cuando el m-
todo utilizado es un mtodo simplificado, los procesos de implicacin, agrega-
cin y concrecin se combinan en una expresin simple cuyo clculo resulta
muy eficiente.
La estructura descrita permite definir sistemas con entradas y salidas difu-
sas, que pueden encadenarse formando estructuras jerrquicas. Estas estructu-
ras permiten describir bases de conocimiento capaces de expresar relaciones
muy complejas entre las variables de entrada y salida.
Adems de la arquitectura de Mamdani se han realizado otras propuestas
de sistemas difusos basados en inferencia hacia adelante, como los sistemas di-
fusos de tipo Tsukamoto o los de tipo Takagi-Sugeno.
Los sistemas de tipo Tsukamoto utilizan funciones de pertenencia mon-
tonas tanto en el antecedente como en el consecuente [Tsukamoto, 1979]. El
valor de las variables de salida se obtiene mediante el mtodo de la media di-
fusa, utilizando como valor representativo de la conclusin de cada regla el
punto en el que el grado de pertenencia es igual al grado de activacin de la re-
gla.
El paradigma difuso 25
(1.48)
Por su parte los sistemas de tipo Takagi-Sugeno utilizan como consecuen-
tes funciones de las variables de entrada y calculan el valor de las salidas como
media difusa de estas funciones [Takagi, 1983].
(1.49)
1.8 OTROS SISTEMAS BASADOS EN LA METODOLOGA DIFUSA
Para concluir este captulo de presentacin de la teora de conjuntos difu-
sos vamos a comentar brevemente algunos tipos de sistemas basados en la me-
todologa difusa que difieren de la estructura propuesta en el apartado anterior.
Un primer ejemplo de tales sistemas son los que emplean tcnicas de razo-
namiento cualitativo y semicuantitativo basadas en aritmtica difusa [Dubois,
1989]. Estas tcnicas utilizan informacin difusa en forma de nmeros difusos
(p.e. x es aproximadamente 5), intervalos difusos (p.e. y es positivo) y re-
laciones difusas entre variables (p.e. x es aproximadamente igual a y o a es
despreciable frente a b) junto a informacin cuantitativa como ecuaciones (v
= dx/dt). Las tcnicas de razonamiento cualitativo permiten extraer conclusio-
nes respecto a los posibles valores de una variable, o a la relacin entre varia-
bles, o la dinmica de un sistema, detectando posibles estados de inestabilidad
en su evolucin o realizando predicciones sobre su trayectoria.
Un segundo ejemplo son los sistemas expertos basados en lgica difusa
que utilizan tanto el modus ponens como el modus tollens [Kandel, 1991]. En
estos sistemas no existe una distincin entre variables de entrada y salida, las
reglas pueden establecer relaciones entre cualquier variable, y tanto los antece-
dentes como los consecuentes pueden ser proposiciones complejas, formadas
con conectivas y modificadores lingsticos. Del mismo modo, las observacio-
nes y conclusiones pueden referirse a cualquier variable o a relaciones entre va-
riables. Como ya hemos comentado, estos dos tipos de sistemas no van a ser
objeto de estudio en este trabajo.
Las tcnicas difusas que hemos presentado permiten describir en trminos
lingsticos el comportamiento de los sistemas de una forma mucho ms cer-
cana al lenguaje natural que otras representaciones matemticas. La capacidad
de modelar sistemas complejos de una forma intuitiva convierte a las tcnicas
y

r
c
r

r
r

--------------------- = ;
r
c
r
( )
r
=
y

r
F
r
x
1
x
2
x
N
, , , ( )
r

r
r

------------------------------------------------------------- =
F
r
x
1
x
2
x
N
, , , ( ) a
0
r
a
k
r
x
k

+ =
26 Un entorno de desarrollo para sistemas de inferencia complejos ...
difusas en instrumentos muy tiles en campos de aplicacin muy diversos, tan-
to desde el punto de vista de la ingeniera como de las ciencias sociales
[Schwartz, 1994][Terano, 1994]. En el prximo captulo veremos un lenguaje
de especificacin formal, desarrollado en el marco de esta Tesis, que permite
describir sistemas difusos complejos basados en la estructura de razonamiento
que hemos presentado aqu.
REFERENCIAS
1. Baturone, I., Barriga, A., Snchez Solano, S., Jimnez Fernndez, C.J., Lpez, D.., Mi-
croelectronic design of fuzzy logic-based systems, CRC Press, 2000.
2. Cox, E., The Fuzzy Systems Handbook, 2nd edition, AP Professional, 1999.
3. Driankov, D., Hellendoorn, H., Reinfrank, M., An Introduction to Fuzzy Control, Spring-
er-Verlag, 1993.
4. Dubois, D., Prade, H., Fuzzy numbers: an overview, in Analysis of Fuzzy Information Vol-
1: Mathematics and Logic, CRC Press, 1987.
5. Dubois, D., Prade, H., Order-of-magnitude reasoning with fuzzy relations, Revue dintelli-
gence artificielle, Vol. 3, n. 4, pp. 69-94, 1989.
6. Hellendoorn, H., Thomas, C., Defuzzification in fuzzy controllers, Journal of Intelligent
and Fuzzy Systems, Vol. 1, pp. 109-123, 1993a.
7. Hellendoorn, H., Thomas, C., The -quality defuzzification method, in Proc. 5th IFSA
World Congress, pp. 1159-1162, Seoul, 1993b.
8. Jager, R., Verbruggen, H. B., Bruhx, P. M., The role of defuzzification methods in the ap-
plication of fuzzy logic, in Proc. Symposium on Intelligent Components and Instruments for
Control Applications, pp. 111-116, Mlaga, 1992.
9. Jung, S. H., Cho, K. H., Kim, T. G., Park, K. H., Defuzzification method for multishaped
output fuzzy sets, Electronics Letters, Vol. 30, pp. 740-742, 1994.
10. Kandel, A., Fuzzy Expert Systems, CRC Press Inc., 1991.
11. Kiszka, J. B., Kochanska, M. E., Sliwinska, D. S., The influence of some fuzzy implication
operators on the accuracy of a fuzzy model, Parts I & II, Fuzzy Sets and Systems, Vol. 15,
pp. 111-128, 223-240, 1985.
12. Lee, C. C., Fuzzy logic in control systems: fuzzy logic controller, Parts I & II, IEEE Trans-
actions on Systems, Man, and Cybernetics, Vol. 20, N. 2, pp. 404-432, 1990.
13. Mamdani, E. H., Assilan, S., An experiment in linguistic synthesis with a fuzzy logic con-
troller, Int. Journal of Man-Machine Studies, Vol. 7, N. 1, pp. 1-13, 1975.
14. Mendel, J. M., Fuzzy logic systems for engineering: a tutorial, Proceedings of the IEEE,
Vol. 83, N. 3, pp. 345-377, 1995.
15. Mizumoto, M., Zimmermann, H., Comparison of fuzzy reasoning methods, Fuzzy Sets and
Systems, Vol. 8, pp. 253-283, 1982.
16. Mizumoto, M., Min-max-gravity method versus product-sum-gravity method for fuzzy
controls, in Proc. 4th IFSA World Congress, pp. 127-130, Brussels, 1991.
17. Pammu, S., Quigley, S. F., Novel analogue CMOS defuzzification circuit, IEE Proc. Cir-
cuits Devices and Systems, Vol. 142, N. 3, pp. 495-498, 1995.
18. Patyra, M. J., Mlynek, D. M., Eds., Fuzzy Logic. Implementation and Application, Wiley
& Teubner, 1996.
19. Pedrycz, W., Gomide, F., An Introduction to Fuzzy Sets. Analysis and Design, MIT Press,
1998.
El paradigma difuso 27
20. Ross, T. J., Fuzzy Logic with Engineering Applications, McGraw-Hill Inc., 1995.
21. Ruspini, E. H., Bonissone, P. P., Pedrycz, W., Eds., Handbook of Fuzzy Computation, In-
stitute of Physics Pub., 1998.
22. Schwartz, D. G., Klir, G. J., Lewis, H. W., Ezawa, Y., Applications of fuzzy sets and ap-
proximate reasoning, Proceedings of the IEEE, Vol. 82, N. 4, pp. 482-498, 1994.
23. Takagi, T., Sugeno, M., Derivation of fuzzy control rules for human operators control ac-
tions, in Proc. IFAC Symposium on Fuzzy Information, Knowledge Representation and De-
cision Analysis, pp. 55-60, Marseille, 1983.
24. Terano, T., Asai, K., Sugeno, M., Eds., Applied Fuzzy Systems, Academic Press, 1994.
25. Tsukamoto, Y., An approach to fuzzy reasoning method, in Advances in Fuzzy Set Theory
and Applications, North-Holland, 1979.
26. Wang, L. X., A Course in Fuzzy Systems and Control, Prentice-Hall Int., 1997.
27. Weber, S., A general concept of fuzzy connectives, negations and implications based on t-
norms, Fuzzy Sets and Systems, Vol. 11, pp. 115-134, 1983.
28. Yager, R. R., An alternative procedure for the calculation of fuzzy logic controller values,
Journal of Japanese Society of Fuzzy Technology, Vol. 3, N. 4, pp. 736-746, 1991.
29. Yager, R. R., Filev, D. P., Essentials of Fuzzy Modelling and Control, John Wiley & Sons,
1994.
30. Zadeh, L. A., Fuzzy sets, Information and Control, Vol. 8, pp. 338-358, 1965.
31. Zadeh, L. A., Outline of a new approach to the analysis of complex systems and decision
processes, IEEE Transactions on Systems, Man, and Cybernetics, Vol. 3, N. 1, pp. 28-44,
1973.
28 Un entorno de desarrollo para sistemas de inferencia complejos ...