Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Extensin
Conjunto Difuso
Conjunto Fuzzy:
Sea U un universo de discurso, por ejemplo U = Rn
Un conjunto fuzzy F en U se define mediante una funcin de
pertenencia F: U [0, 1], donde F(u) representa el grado en el que
el elemento u U pertenece al conjunto F
Se puede ver como una generalizacin del concepto conjunto
convencional, cuyo grado de pertenencia tiene como codominio un
conjunto de slo dos valores {0, 1}
Notacin Discreta
Para conjuntos discretos, se suele emplear la notacin:
A = A(u) / u
Por ejemplo, el concepto temperatura corporal muy alta se puede
representar como:
A = 0.1 / 37 + 0.4 / 38 + 0.8 / 39 + 1 / 40
Por ejemplo:
1
A=
x 0
x 3
1 +
5
Operacin Unin
Sean A y B dos conjuntos fuzzy en U
Unin A B:
A B(u) = max {A (u), B(u) }
A=
1
x
1+
5
B=
1
2
1 + 0.3(x 8)
Operacin Interseccin
Sean A y B dos conjuntos fuzzy en U
Interseccin A B:
A B(u) = min {A (u), B(u) }
Operacin Complemento
Sean A y B dos conjuntos fuzzy en U
Complemento :
(u) = 1 - A (u)
Ejemplos
10
11
12
T-Norma
T-norma :
Es una funcin de [0,1] x [0,1] en [0,1] que verifica ciertos axioma
Tipos particulares de t-normas:
13
T-Conorma
T-Conorma :
Es una funcin de [0,1] x [0,1] en [0,1] que verifica ciertos axiomas
Tipos particulares de t-conormas:
14
15
16
Ejemplo # 1
Ejemplo:
Sea la funcin f que proyecta puntos del eje x en el eje y de acuerdo con la siguiente
relacin:
x2
y = f ( x) = 1
4
Es una elipse de ejes a=2 y b= 1
17
Continua,
Consideremos un conjunto fuzzy A en el universo X, definido por:
A (x) =
1
x
2
18
Continua,
Segn el principio de extensin:
B ( y ) = sup xf
(y )
[ A ( x )]
x = 2 1 y 2
19
Continua,
20
10
21
.
.
2.25
.
11
23
Variable Lingsticas
Variable lingstica:
Es una variable cuyos posibles valores son palabras y pueden ser representados
mediante conjuntos fuzzy
Por ejemplo:
Variable lingstica velocidad:
Admite valores lingsticos: lenta, moderada y rpida
Admite valores numricos: nmeros reales en [0, Vmax]
Se pueden proyectar los valores lingsticos sobre el intervalo [0, Vmax]
mediante funciones de pertenencia
24
12
25
26
13
MEDIUM
LARGE
20
50
80
27
p ai
1 i
; pi c i ai pi + c i
A (ai ) =
ci
0;
en caso contrario
28
14
Funcin de PertenenciaTrapezoidal
Funciones trapezoidales: A = trapecio(a, b, c, d)
a b
29
Ejemplo:
cool = S (50, 25, 0)
hot = S (50, 75, 100)
30
15
Funcin de Pertenencia Pi
Funciones : A = (, )
Ejemplo:
cool = (25, 20)
medium = (50, 20)
hot = (75, 20)
31
32
16
Modificadores Lingsticos
Valores compuestos:
Anteponer un modificador
lingstico a un valor
Sea F un conjunto fuzzy en U (por
ejemplo, F = pequeo)
MUY
MAS O MENOS
EN REALIDAD
MUY:
MUY F (u) = (F (u) )2
MAS O MENOS:
MAS O MENOS F (u) = (F (u)
)1/2
MAS
MENOS
SOBRE
BAJO
33
Relacin Difusa
Relacin difusa:
Sean dos universos U y V
Una relacin difusa es cualquier conjunto difuso del universo dado por el producto
cartesiano U x V
Se define mediante una funcin de pertenencia R (u, v)
Por ejemplo:
v1 v2 v3
u1
Sea U un universo discreto de tres temperaturas
0.2 0.6 0.2
U = {u1, u2, u3} = {18, 20, 22}
R = 0.5 1 0.5 u2
Sea V un universo discreto de tres grados de humedad
0.2 0.6 0.2
u3
V = {v1, v2, v3} = {30, 50, 70}
El concepto ambiente confortable podemos representarlo mediante la relacin fuzzy
R:
34
17
Composicin Difusa
Composicin de relaciones sup-star:
Sea R una relacin fuzzy en U x V
Sea S una relacin fuzzy en V x W
La composicin sup-star de R y S es una relacin fuzzy, representada como R S, y
definida como:
35
0.0
0.3
1.0
0.8
1.0
1.0
0.3
R1 o R2 =
0.9
0.0
0.9
0.8
1.0
0.8
0.3
1.0
0.8
1.0
0.0
1.0
0.8
1.0
0.9
0.8
1.0
0.8
1.0
1.0
R2 =
0.3
0.2
0.0 1.0
1.0 1.0
o
0.8 0.3
1.0 0.2
1.0
0.0
0.1
0.3
1.0
0.0
0.1
0.3
0.9
0.5
0.0
0.1
0.9 1.0
0.5 1.0
=
0.0 0.9
0.1 1.0
MIN
M.Sc. Ricardo Rodrguez Bustinza
1.0
0.3
0.9
0.3
0.9
0.5
0.9
0.5
MAX
36
18
37
Implicacin de Mamdani
Sean A y B dos conjuntos fuzzy en X e Y, respectivamente
Una implicacin fuzzy, A B, se define como un tipo especial de
relacin fuzzy en X x Y, definida mediante alguna funcin de pertenencia
particular AB (x, y)
Una interpretacin simple consiste en definir la implicacin fuzzy mediante
el operador min (operador implicacin de Mamdani):
Representamos la implicacin fuzzy mediante la funcin de
pertenencia:
AB (x, y) = A (x) B (y)
38
19
(x) =
alta:
(x) =
1
1 + 0.05(x 10)2
1
1 + 0.05(x 30)2
39
1
1 + 0.05( y 30)2
alta: ( y ) =
1
1 + 0.05( y 70)2
40
20
Consideremos la implicacin:
Temperatura = alta Humedad = baja
T alta H baja (x, y) = A (x) B (y)
Con el operador min de Mamdani:
41
Implicacin Booleana
Operador de implicacin booleano (implicacin material):
En lgica convencional, A B NOT (A) OR B
Representamos la implicacin fuzzy mediante la funcin de pertenencia:
AB (x, y) = (1 - A (x)) B (y)
42
21
Implicacin de Zadeh
Operador de implicacin max-min (implicacin de Zadeh):
AB (x, y) = (A (x) B (y)) (1 - A (x))
43
Implicacin de Larsen
Operador de implicacin producto (implicacin de Larsen):
AB (x, y) = A (x) B (y)
44
22
45
46
23
Inferencia Difusa
El valor inferido B se calcula mediante la composicin del valor A con la
relacin de implicacin R(x, y):
B' = A'oR( x, y )
B ' ( y ) =
xX
A'
( x ) R ( x, y )]
47
48
24
49
50
25
51
52
26
Calculando B
Para calcular B, hacemos la composicin de A con R:
0.33 0.50 0.50 0.50 0.33
B' ( y j ) = A' ( xi ) o R( xi , y j ) = [0 0 1] o 0.33 0.67 1.0 0.67 0.33
0.33 0.5 0.5 0.5 0.33
[0 0.33,
B ' (6) = [0 0.50,
B ' (7) = [0 0.50,
[0 0.50,
B ' (9) = [0 0.33,
0 0.67, 1 0.5] =
B' (5) =
xX
x X
x X
B ' (8) =
xX
x X
0 0.33, 1 0.33] =
x X
x X
x X
0 0.33,
x X
53
54
27
55
En general:
DOF ( A, R ) =
xX
( x ) A' ( x )]
56
28