Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Contenidos
Introduccin (cont)
La logica difusa es una extension de la logica tradicional
(Booleana) que utiliza conceptos de pertenencia de sets
mas parecidos a la manera de pensar humana
El concepto de un subset difuso fue introducido por L.A.
Zadeh en 1965 como una generalizacin de un subset
exacto (crisp subset) tradicional.
Los subsets exactos usan lgica Booleana con valores
exactos como por ejemplo la lgica binaria que usa
valores de 1 o 0 para sus operaciones.
Introduccin (cont)
La lgica difusa no usa valores exactos como 1 o 0 pero
usa valores entre 1 y 0 (inclusive) que pueden indican
valores intermedios (Ej. 0, 0.1, 0.2, ,0.9,1.0, 1.1, etc)
La lgica difusa tambin incluye los valores 0 y 1
entonces se puede considerar como un superset o
extensin de la lgica exacta.
Contenidos
Set difuso
Asumiendo que X es un set, un set difuso A en X es
asociado con una funcin caracterstica: A(x)
A(x): X -> [0, 1]
La funcin caracterstica es tipicamente denominada
funcin de pertenencia (membership function).
F(x)
Definitivamente no fro
0
-40
-20
10
x (Co)
20
30
{S X : 0 S N }
N
par binario
S : X -> {0,1}
S(x) = 1 si x es un miembro de S
S(x) = 0 si x no es un miembro de S
s(x)
subset
N
{S X : 0 S N }
x
intervalo de valores entre cero y uno (inclusive)
1
s(x)
x
1.0
adulto
anciano
(x) 0.5
0
0
25
50
X
75
100
Funciones de pertenencia
Ej: trapesoid
0,
x a
,
trapesoidal ( x; a , b , c , d ) = 1,
d x
dc,
0,
x a
a x b
b x c
c x d
d x
20
40
60
80
100
0,
x a
,
tringulo( x; a , b , c ) = b a
c x
,
c b
0 ,
Ej: triangle (x; 20, 60, 80)
x a
a x b
b x c
c x
20
40
60
80
100
x= a
0,
s ( x; a ) =
1,
x a
20
40
60
80
100
Gausiana( x; c, ) = e
1 x c
Gausiana( x; c, ) = e
1 x c
Bell ( x; a, b, c) =
1
x c 2b
1+ |
|
a
Bell ( x; a, b, c) =
1
x c 2b
1+ |
|
a
Bell ( x; a, b, c) =
1
x c 2b
1+ |
|
a
sigmf ( x; a, b, c ) =
1
1 + e a( x c)
disp_sig.m
FL ( x ) =
c x
FL , x < c
LR ( x; c, , ) =
FR x c , x c
2
max( 0,1 x )
FR ( x ) = exp( x )
c=25
a=10
b=40
c=65
a=60
b=10
difflr.m
2dmf.m
A ( x 1 + ( 1 ) x 2 ) min(A ( x 1 ), A ( x 2 ))
convexmf.m
Core
Crossover points
- cut
Support
Contenidos
C = A B, C ( x) = Min[1, A( x ) + B ( x)]
subset.m
fuzsetop.m
Complemento
Requerimientos:
Borde: N(0)=1 and N(1) = 0
Monotonicidad: N(a) > N(b) if a < b
Involucin: N(N(a)) = a
Dos tipos:
Sugenos complement: N s ( a ) = 1 a
1 + sa
Yagers complement:
N w ( a ) = (1 a w )1/ w
Complemento
N s (a ) =
1 a
1 + sa
N w ( a ) = (1 a w )1/ w
Extensiones cilndricas:
Base set A
Cylindrical Ext. of A
cyl_ext.m
Proyecciones:
Two-dimensional
MF
R ( x, y )
project.m
Projection
onto X
Projection
onto Y
A(x) =
max R ( x , y )
B( y) =
max R ( x , y )
Ejemplos (cont):
A={.1/a,.1/b, .2/c, 0/d, 1/e}
B={.1/a, 0/b, .2/c, 0/d, .9/e}
C = A B = Max[A(x), B(x)] = {.1/a, .1/b, .2/c, 0/d, 1/e}
C = A B = Min[A(x), B(x)] = {.1/a, 0/b, .2/c, 0/d, .9/e}
Ejemplos (cont):
C (x) = A (x) B (x) = min( A (x), B (x) )
1
0
a(x)
b(x)
1
c(x)
0
Ejemplos (cont):
C (x) = A (x) B (x) = max( A (x), B (x) )
1
0
a(x)
b(x)
1
c(x)
0
(minino)
Tap(a,b) = ab
(producto algebraico)
(producto limitado)
Tdp(a,b) = a if b=1,
(producto drastico)
= b if a=1,
= 0 if a,b < 1
Algebraic
product:
Ta(a, b)
tnorm.m
Bounded
product:
Tb(a, b)
Drastic
product:
Td(a, b)
(mximo)
(suma algebraico)
(suma limitada)
(suma drastica)
Maximum:
Sm(a, b)
Algebraic
sum:
Sa(a, b)
Bounded
sum:
Sb(a, b)
tconorm.m
Drastic
sum:
Sd(a, b)
( A B) = A B
( A B) = A B
T(a, b) = N(S(N(a), N(b)))
S(a, b) = N(T(N(a), N(b)))
Tm(a, b)
Ta(a, b)
Tb(a, b)
Td(a, b)
Sm(a, b)
Sa(a, b)
Sb(a, b)
Sd(a, b)
versiones
R = {(( x , y ), R ( x , y ))|( x , y ) X Y}
Ejemplo: Relacin difusa discreta
Si X = {a, b, c}, Y = {1, 2}, entonces
A = {0.1/(a, 1), 0.6/(a, 2), 0.9/(b, 1), 1/(b,2), 0/(c,1), 0.2/(c,2)}
es una relacin difusa sobre el espacio X Y.
x1 , y1 x1 , y2
R= x2 , y1 x2 , y2
x3 , y1 x3 , y2
R1 R2
( x , z ) = [
y
R1
( x, y ) *
R2
( y , z )]
complv.m
Concentration:
Dilatation:
CON ( A) = A2
DIL( A) = A0.5
0 A ( x ) 0.5
2 A2 ,
INT ( A) =
2
Contrast Intensification:
2
(
A
)
, 0.5 A ( x ) 1
intensif.m
Rmin(a,b) = min(a, b) = A B
(minimo)
Rap(a,b) = ab
(producto algebraico)
(producto limitado)
Rdp(a,b) = a if b=1,
(producto drastico)
= b if a=1,
= 0 if a,b < 1
Bounded sum
Max-min composition
Boolean fuzzy implicacin
Gougen's fuzzy implication (Jang. p62)
A coupled with B
y
A entails B
R ( x , y ) = f ( A ( x ), B ( y )) = f ( a, b)
fuzimp.m
fuzimp.m
A A
B
w
A
x is A
B
X
y is B
B B
T-norm
C2
x is A
y is B
C
Y
z is C
A1
B B1
C1
w1
A A2
B B2
C2
w2
Z
T-norm
B
C
x is A
y is B
z is C
Contenidos
Input
Reglas
Output
de
tres
velocidad
input
exacto
fuzzificador
controlador
difuso
defuzzificador
output
exacto
1.
2.
3.
4.
negativo
-1
-.5
positivo
zero
.5
e(k)
N
Z
P
Valores de la funcin de
pertenencia de input e(k)
Valores de la funcin de
Valores de la funcin de
pertenencia de input e(k)
Centroide =
En forma discreta:
f ( x) xdx
f ( x ) dx
Centroide =
i= 0
n
i= 0
f ( x ) i xi
f ( x) i
Cg =
x
0 0.5 xdx + 4.110 xdx +
4.1
6. 1
x
0.5dx + 10 dx +
0
4.1
10
.8 xdx
6. 1
10
.8dx
6. 1
0 .5 + 1 .5 + 2 . 5 + 3 .5 + 4 .5 + 5 (5 / 10) + 6 ( 6 / 10) + 7 .8 + 8 .8 + 9 .8
Cg =
.5 + .5 + .5 + .5 + .5 + (5 / 10) + ( 6 / 10) + .8 + .8 + .8
Output: C o Cool
Matriz:
i= 0
n
f ( x ) i xi
f ( x) i
i= 0
Calcular fuerza (strength) de las reglas usando Root Sum Squared (RSS):
"negative" = (R12 + R42 + R72 + R82)1/2
= (02 + 0.52 + 0.52 + 0.52)1/2 = 0.866 (Cooling)
"zero" = (R52)1/2 = (0.52)1/2 = 0.500 (No Change)
"positive" = (R22 + R32 + R62 + R92)1/2 = (02 + 02 + 02 + 02)1/2 = 0 (Heating)
Calcular RSS-Centroide:
OUTPUT = (neg_center * neg_strength + zero_center * zero_strength +
pos_center * pos_strength) / (neg_strength + zero_strength + pos_strength)
(-100 * 0.866 + 0 * 0.500 + 100 * 0.000)/ (0.866 + 0.500 + 0.000) = 63.4%
fuzzificador
controlador
difuso:
reglas if then
agregacin
defuzzificador
output
exacto
El modelo Mamdani:
Fue uno de los primeros mtodos de control difuso
obtenidos basados en la experiencia de operadores
humanos
En el modelo Mamdani se pueden usar diferentes
operadores (siempre que sean T-norm o T-conorm)
(minimo)
Tap(a,b) = ab
(producto algebraico)
(producto limitado)
Tdp(a,b) = a if b=1,
(producto drastico)
= b if a=1,
= 0 if a,b < 1
(suma limitada)
(suma drastica)
T-norm = min
T-conorm = max
T-norm = product
T-conorm = max
Referencias:
[1] Yager, R., Filev, D., Essentials of Fuzzy Modeling and Control,
Wiley Interscience, NY, 1994
[2] Kartalopoulos, S., Understanding Neural Networks and Fuzzy
Logic, IEEE PRESS, NY, 1994
[3] Jang, J., et al, Neuro-Fuzzy and Soft Computing, Prentice
Hall,1997
[4] www.seattlerobotics.org