Relaciones Difusas y Principio de

Extensin

M.Sc. Ricardo Rodrguez Bustinza

robust@uni.edu.pe

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}

M.Sc. Ricardo Rodrguez Bustinza

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

M.Sc. Ricardo Rodrguez Bustinza

Ejemplo de Conjunto Difuso

Para conjuntos continuos, se suele emplear la notacin:
A = A(u) / u

Por ejemplo:
1

A=

x 0

x 3
1 +
5

M.Sc. Ricardo Rodrguez Bustinza

Propiedades del Conjunto Difuso

Soporte de un conjunto fuzzy:
Es el conjunto de elementos u U, tales que F(u) > 0
Centro de un conjunto fuzzy:
Es el conjunto de elementos u U, en los que F(u) alcanza su
mximo valor
Si el soporte de F se reduce
a un slo elemento de U que
verifica F(u) = 1, F se
denomina conjunto unitario
(singleton). Equivale a un
conjunto
convencional
unitario

M.Sc. Ricardo Rodrguez Bustinza

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=

M.Sc. Ricardo Rodrguez Bustinza

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) }

M.Sc. Ricardo Rodrguez Bustinza

Operacin Complemento
Sean A y B dos conjuntos fuzzy en U
Complemento :
(u) = 1 - A (u)

M.Sc. Ricardo Rodrguez Bustinza

Ejemplos

M.Sc. Ricardo Rodrguez Bustinza

Propiedades de las Operaciones

Se usan los smbolos y para la interseccin y la unin

M.Sc. Ricardo Rodrguez Bustinza

10

Propiedades de las Operaciones

Los conjuntos convencionales satisfacen:
Ley de la contradiccin: A = U
Ley del medio excluido: A =

M.Sc. Ricardo Rodrguez Bustinza

11

Propiedades de las Operaciones

Los conjuntos fuzzy no satisfacen estas propiedades:
Contradiccin: A U
Medio excluido: A
En esto se diferencia de modelos basados en teora de conjuntos, como teora de la
probabilidad

M.Sc. Ricardo Rodrguez Bustinza

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:

M.Sc. Ricardo Rodrguez Bustinza

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:

M.Sc. Ricardo Rodrguez Bustinza

14

Principio de Extensin (1/2)

Es usado para transformar
conjuntos difusos, que tengan
iguales o distintos universos,
segn una funcin de
transformacin
en
esos
universos.
Sean X e Y dos conjuntos y f
una funcin de transformacin
de uno en otro: f: X Y
Sea A un conjunto difuso en X.
El Principio de Extensin sostiene que la imagen de A en Y, bajo la funcin
f es un conjunto difuso B = f (A), definido como:
B(y) = sup {A(x) / x X, y = f(x) }

La funcin sup se aplica si existen dos o ms

valores de x que tengan igual valor f (x).
(Ese caso no ocurre en el ejemplo)

M.Sc. Ricardo Rodrguez Bustinza

15

Principio de Extensin (2/2)

Principio de Extensin:
Se usa para generalizar operaciones y funciones matemticas convencionales al caso fuzzy
Garantiza que al fuzzificar los argumentos de una funcin, el resultado de la funcin es un
conjunto fuzzy computable
Supongamos que tenemos una funcin convencional f que asocia a cada elemento u de un
universo de discurso U un elemento v de otro universo de discurso V:
f: U V
v = f (u)
Supongamos que tenemos un conjunto fuzzy A en U
Cmo calculamos f(A)?
Llamemos B al conjunto fuzzy B = f (A)
Tomamos un elemento cualquiera v V
Calculamos el elemento u U tal que f(u) = v, o sea, u = f-1 (v)
Y establecemos B (v) = A (u), donde u = f-1 (v)
Si repetimos el clculo para todo v de V, obtenemos la funcin de pertenencia buscada B

M.Sc. Ricardo Rodrguez Bustinza

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

M.Sc. Ricardo Rodrguez Bustinza

17

Continua,
Consideremos un conjunto fuzzy A en el universo X, definido por:

A (x) =

1
x
2

Cual es el conjunto fuzzy B = f (A)?

M.Sc. Ricardo Rodrguez Bustinza

18

Continua,
Segn el principio de extensin:

B ( y ) = sup xf

(y )

[ A ( x )]

La funcin inversa es, despejando:

x = 2 1 y 2

M.Sc. Ricardo Rodrguez Bustinza

19

Continua,

M.Sc. Ricardo Rodrguez Bustinza

20

10

M.Sc. Ricardo Rodrguez Bustinza

21

.
.

2.25
.

11

M.Sc. Ricardo Rodrguez Bustinza

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

M.Sc. Ricardo Rodrguez Bustinza

24

12

Ejemplo de Variables Lingsticas

Ejemplo:
Cualquier temperatura
precisa, p. ej. 60, tiene un
nico grado de pertenencia
a cada valor:
LOW(60) = 0
MEDIUM(60) = 0.65
HIGH(60) = 0.35

M.Sc. Ricardo Rodrguez Bustinza

25

Valores de la Variable Lingstica

Los valores de una variable lingstica (modificadores lingsticos) pueden
ser:
Primarios
Compuestos
Los valores primarios son los valores inicialmente definidos
Un valor compuesto se obtiene anteponiendo a un valor primario
modificadores como MUY, NO, MAS O MENOS, ..., o combinando
valores primarios mediante conectivos lgicos

M.Sc. Ricardo Rodrguez Bustinza

26

13

Modelando Valores Primarios

Se suelen usar funciones cuya forma se puede ajustar mediante un
conjunto finito de parmetros
Por ejemplo, en la funcin:
1
(x) =
a: ancho de la funcin
1 + a(x c)b
b: imprecisin
c: posicin del pico
SMALL

MEDIUM

LARGE

0.0005 0.0005 0.0005

20

50

80

M.Sc. Ricardo Rodrguez Bustinza

27

Funcin de Pertenencia Triangular

Es frecuente usar funciones ms eficientes de computar:
Funciones triangulares: A = triangulo(pi, ci)

p ai
1 i
; pi c i ai pi + c i
A (ai ) =
ci

0;
en caso contrario

M.Sc. Ricardo Rodrguez Bustinza

28

14

Funcin de PertenenciaTrapezoidal
Funciones trapezoidales: A = trapecio(a, b, c, d)

a b

M.Sc. Ricardo Rodrguez Bustinza

29

Funcin de Pertenencia Sigmoidea

Funciones S: A = S (, , )

Ejemplo:
cool = S (50, 25, 0)
hot = S (50, 75, 100)

M.Sc. Ricardo Rodrguez Bustinza

30

15

Funcin de Pertenencia Pi
Funciones : A = (, )

Ejemplo:
cool = (25, 20)
medium = (50, 20)
hot = (75, 20)

M.Sc. Ricardo Rodrguez Bustinza

31

Funcin de Pertenencia Compuesta

Valores compuestos:
Combinar valores mediante
conectivos lgicos:
AND: t-norma (min)
OR: t-conorma (max)
NOT: complemento

M.Sc. Ricardo Rodrguez Bustinza

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

M.Sc. Ricardo Rodrguez Bustinza

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:

M.Sc. Ricardo Rodrguez Bustinza

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:

R oS (u,w ) = supvV [R (u,v ) S (v ,w )]

El operador puede ser cualquier t-norma
Usualmente es el operador mnimo, y entonces se llama composicin sup-min
Para el caso discreto (max-min):

R oS (u,w ) = max vV [min( R (u,v ), S (v ,w ))]

M.Sc. Ricardo Rodrguez Bustinza

35

Ejemplo de Composicin Difusa

Ejemplo (max-min):
1.0
0.3
R1 =
0.9

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

Implicacin en Ingeniera de Control

M.Sc. Ricardo Rodrguez Bustinza

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)

M.Sc. Ricardo Rodrguez Bustinza

38

19

Ejemplo de Implicacin de Mamdani

Ejemplo:
Sea la variable lingstica temperatura, con los valores:
baja:

(x) =

alta:

(x) =

1
1 + 0.05(x 10)2

1
1 + 0.05(x 30)2

M.Sc. Ricardo Rodrguez Bustinza

39

Sea la variable lingstica humedad, con los valores:

baja: ( y ) =

1
1 + 0.05( y 30)2

alta: ( y ) =

1
1 + 0.05( y 70)2

M.Sc. Ricardo Rodrguez Bustinza

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:

M.Sc. Ricardo Rodrguez Bustinza

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)

M.Sc. Ricardo Rodrguez Bustinza

42

21

Implicacin de Zadeh
Operador de implicacin max-min (implicacin de Zadeh):
AB (x, y) = (A (x) B (y)) (1 - A (x))

M.Sc. Ricardo Rodrguez Bustinza

43

Implicacin de Larsen
Operador de implicacin producto (implicacin de Larsen):
AB (x, y) = A (x) B (y)

M.Sc. Ricardo Rodrguez Bustinza

44

22

Implicacin Producto Acotado

Operador de implicacin producto acotado:
AB (x, y) = 0 (A (x) + B (y) -1)

M.Sc. Ricardo Rodrguez Bustinza

45

Reglas de Inferencia Difusa

Las inferencias fuzzy son procedimientos computacionales para evaluar descripciones
lingsticas
Modus Ponens Generalizado (GMP):
Premisa 1:
IF x es A THEN y es B
Premisa 2:
x es A
Consecuente: y es B
El GMP permite inferir el valor fuzzy B, dado un valor de entrada A y una relacin de
implicacin RA B (x, y) que relacione ambas variables
P. ej.:
Implicacin: IF Temperatura=alta THEN Humedad=baja
Dato: Temperatura = muy alta
Cual es el valor fuzzy de la variable Humedad?
M.Sc. Ricardo Rodrguez Bustinza

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 )]

M.Sc. Ricardo Rodrguez Bustinza

47

Ejemplo de Inferencia Difusa

Ejemplo: GMP y operador de implicacin min de Mamdani
Tenemos la regla:
IF x es A THEN y es B
IF x es aproximadamente 3 THEN y es aproximadamente 7
Las funciones de pertenencia de A y B son:

M.Sc. Ricardo Rodrguez Bustinza

48

24

Introduciendo Dato Singleton

Se introduce el dato (singleton) :
x es A
x es exactamente 4
A no concuerda exactamente con A
Qu podemos inferir sobre el valor B de la variable y?

M.Sc. Ricardo Rodrguez Bustinza

49

Reglas de Inferencia Difusa

Representamos los conjuntos A, B, y A en forma algebraica:
A = A(x) / x = 0.5 / 2 + 1.0 / 3 + 0.5 / 4
B = B(y) / y = 0.33 / 5 + 0.67 / 6 + 1.0 / 7 + 0.67 / 8 + 0.33 / 9
A = A(x) / x = 1.0 / 4
X = Y = {0, 1, 2, ... 10}
Calculamos la funcin de pertenencia de la implicacin usando el operador min de
Mamdani:
AB (xi , yj ) = R (xi , yj ) = A (xi) B (yj)
Por ejemplo
R (2, 3) = A (2) B (3) = min{0.5, 0} = 0
R (2, 5) = A (2) B (5) = min{0.5, 0.33} = 0.33
....

M.Sc. Ricardo Rodrguez Bustinza

50

25

Relacin en Forma Tabular

Se obtiene la relacin R definida por la siguiente tabla:

M.Sc. Ricardo Rodrguez Bustinza

51

Cdigo Matlab de Inferencia Difusa

M.Sc. Ricardo Rodrguez Bustinza

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

Por ejemplo, B(5) , B(6), B(7) , B(8) y B(9) es respectivamente:

[0 0.33,
B ' (6) = [0 0.50,
B ' (7) = [0 0.50,

[0, 0, 0.33] = 0.33

0 0.67, 1 0.5] = [0, 0, 0.5] = 0.5
0 1.0, 1 0.5] = [0, 0, 0.5] = 0.5

[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,

[0, 0, 0.5] = 0.5

1 0.33] = [0, 0, 0.33] = 0.33
xX

x X

M.Sc. Ricardo Rodrguez Bustinza

53

El resultado final para B es:

B = 0.33 / 5 + 0.50 / 6 + 0.50 / 7 + 0.50 / 8 + 0.33 / 9

M.Sc. Ricardo Rodrguez Bustinza

54

27

Obsrvese que el resultado es la funcin de pertenencia de B recortada a una altura igual al

grado en el que A concuerda con A:

M.Sc. Ricardo Rodrguez Bustinza

55

Este valor, el grado en el que A concuerda con A, se denomina grado de satisfaccin

DOF (Degree of fulfillment) de la regla:
En el ejemplo: DOF = 0.5

En general:

DOF ( A, R ) =

xX

( x ) A' ( x )]

M.Sc. Ricardo Rodrguez Bustinza

56

28