Está en la página 1de 48

Lgica

difusa
Obje%vos

Lofti Zadeh

Modelar una situacin real con un sistema de razonamiento


difuso
Conjuntos, relaciones, reglas de inferencia
Conocer las diferentes alterna7vas:
Para denir y modicar conjuntos difusos
Para operaciones con conjuntos difusos
Para razonar con reglas difusas
Para codicar y decodicar
Manejar herramientas de implementacin de sistemas de
control difuso

Lgica difusa
ndice
Introduccin
Teora de conjuntos difusos
Teora de conjuntos clsica (conjuntos n7dos)
Conjuntos Difusos
Funciones de pertenencia
E7quetas lings7cas

Operaciones elementales con conjuntos difusos

Complementario, Interseccin, Unin

Control difuso
Inferencia difusa
Decodicacin
2

Lgica difusa
ndice
Introduccin


Teora de conjuntos difusos
Teora de conjuntos clsica (conjuntos n7dos)
Conjuntos Difusos
Funciones de pertenencia
E7quetas lings7cas

Operaciones elementales con conjuntos difusos

Complementario, Interseccin, Unin

Control difuso
Inferencia difusa
Decodicacin

Introduccin (I)
Necesidad de razonamiento difuso
En el mundo real existe mucho conocimiento no-perfecto, es decir,
conocimiento vago, impreciso, incierto, ambiguo, inexacto, o
probabils7co por naturaleza.
El razonamiento y pensamiento humano frecuentemente conlleva
informacin de este 7po:

inexac7tud inherente de los conceptos humanos y


razonamiento basado en experiencias similares, pero no idn7cas

Problema: Poca capacidad de expresin de la lgica clsica.


Ejemplo 1. Clasicacin de personas en altas o bajas
Ejemplo 2. Denicin del trmino joven

Ejemplo de ejercicios que resolveremos

Considrese un sistema con las siguientes reglas,


a) Si la temperatura es alta entonces la presin es elevada.
b) Si la temperatura es baja entonces la presin es baja.
c) Si la presin es baja entonces la entrada de combus7ble debe ser grande
d) Si la presin es elevada entonces la entrada de combus7ble debe ser pequea
Con los siguientes conjuntos difusos:
Temperatura(C):
baja = (0/0 .2/30 .8/40 1/50 .7/60 .2/70 0/80)
alta = (0/50 .3/60 .8/70 1/80 1/90 .5/100 0/110)

Presin(bar):

baja = (0/0 .4/200 .8/400 1/600 1/800 .8/1000 .4/1200 0/1400)


Elevada = (0/1000 .2/1200 .4/1400 .8/1600 1/1800 1/1900 .5/2000 0/2200)

Entrada combus7ble(litros/hora):

pequea = (0/0 .6/1 1/2 1/3 .4/4 0/5)


grande = (0/4 .5/5 1/6 .5/7 0/8)

Si la temperatura actual es 60C, determinar el valor para la entrada de combus7ble


empleando la tcnica del primer valor mximo para transformar valores difusos en
n7dos
5

Qu necesitaremos?
Temperatura = 30
REGLAS

Difuminar

Temperatura
= alta
Volumen
= pequeo

Si la temperatura es alta Y el volumen es


pequeo
ENTONCES la presin es elevada
Si la temperatura es baja O el volumen es
grande

ENTONCES la presin es baja


Si la presin es baja

ENTONCES la entrada de combus7ble


debe ser grande
Si la presin es elevada

ENTONCES la entrada de combus7ble


debe ser pequea

Entrada
combus7ble =
Conjunto?

Decodicar

Volumen = 500 cc

Entrada
combus7ble =
Valor?
6

Introduccin (II)
Origen y xito de los difusos
l

Argculo publicado por Lohi Zadeh en 1.965 (+49.000 citas Google Scholar)

En la actualidad es un campo de inves%gacin muy ac%vo


l Revistas internacionales (Fuzzy Sets and Systems, IEEE Transac7ons
on Fuzzy Systems..)
l Congresos (FUZZ-IEEE, IPMU, EUSFLAT, ESTYLF...)
l Miles de aplicaciones reales:
l
l
l

Control de sistemas: Trco, vehculos, compuertas en plantas


hidroelctricas, centrales trmicas, lavadoras, metros, ascensores...
Prediccin y op:mizacin: Prediccin de terremotos, op7mizacin de
horarios...
Reconocimiento de patrones y Visin por ordenador: Seguimiento de
objetos con cmara, reconocimiento de escritura, reconocimiento de
objetos, compensacin de vibraciones en cmaras, sistemas de enfoque
autom7co...
Sistemas de informacin o conocimiento: Bases de datos, sistemas
expertos...

Lgica difusa
ndice
l

Introduccin

Teora de conjuntos difusos



l Teora de conjuntos clsica (conjuntos n7dos)
l Conjuntos Difusos

l Funciones de pertenencia

l E7quetas lings7cas

l Operaciones elementales con conjuntos difusos

Complementario, Interseccin, Unin

Control difuso
l Inferencia difusa
l Decodicacin

Introduccin (III)
Situaciones en las que se aplica el razonamiento
difuso

En procesos complejos, si no existe un modelo de solucin sencillo.


Cuando haya que introducir la experiencia de un operador
experto que se base en conceptos imprecisos.
Cuando ciertas partes del sistema a controlar son desconocidas y no
pueden medirse de forma able (con errores posibles).
En general, cuando se quieran representar y operar con conceptos
que conlleven imprecisin

Teora de conjuntos difusos (I)


Teora de conjuntos clsica (conjuntos n%dos)
Los conjuntos clsicos surgen de forma natural por la necesidad del ser
humano de clasicar objetos y conceptos. Ejemplo: Productos de

alimentacin:
l
l
l

Frutas: Manzana, Pera, pltano, etc.


Verduras: Calabacn, Espinaca, ...
Carnes: ...

Formas de denirlos:
l Listado de elementos
l Funciones de pertenecia A(x) =
l

0 si x A

1 si x A

Dando una caracters7ca comn que dena sus elementos


l

Dando directamente la denicin:

Fruto = Producto del desarrollo del ovario de una or despus de la fecundacin.

Como un subjconjunto de un conjunto ya denido:


Frutas = Fruto comes7ble

10

Teora de conjuntos difusos (II)


En los conjuntos difusos dejamos que la funcin de
pertenencia tome valores en el intervalo [0,1].
A diferencia de los conjuntos n7dos, los conjuntos
difusos slo se pueden denir dando su funcin de
pertenencia.

11

Usos de las funciones de pertenencia


Las funciones de pertenencia pueden emplearse de dos
formas diferentes:
Para es7mar grados de pertenencia a un conjunto
Si una persona mide 170 cm, en qu grado es alta?
l Para expresar posibilidades en una situacin en la que se
dispone de informacin incompleta
Si una persona es mediana, cul ser su altura?
Funcin de pertenencia es una distribucin de posibilidad
l

12

Teora de conjuntos difusos: notacin


Si el universo es discreto: F=

Si el universo es con7nuo: F=

A ( x) / x

A ( x) / x

Ejemplo: Tirada alta del dado


F = { 0/1 + 0/2 + 0.3/3 + 0.6/4 + 0.9/5 + 1/6}
Habitualmente, si la variable es con7nua, el resto de los valores se
interpolan con rectas
Ejercicio: Supongamos que denimos el conjunto difuso con7nuo joven
como F = { 1/0 + 1/25 + 0/50}. Calcular la funcin de pertenencia de
joven. Calcula el grado de pertenencia de 37 aos a joven. Calcula que
edad 7ene grado de pertenencia 0.5 al conjunto.

13

Teora de conjuntos difusos:


Deniciones 7les (I)
l

Conjunto difuso: (valor lings7co, funcin de pertenencia).


l
l

Conjunto nNdo:
Conjunto difuso:

funcin de pertenencia en {0,1}


funcin de pertenencia en [0,1]

Alfa-corte de un conjunto difuso A:



A = {xU/ A(x) }
Se dice que el alfa-corte es estricto si la desigualdad es estricta
l

Soporte de un conjunto difuso A:


Soporte(A) = { x U / A (x) > 0 }

14

Teora de conjuntos difusos:


Deniciones 7les (II)
l

l
l

l
l

Ncleo de un conjunto difuso A:


Ncleo(A) = { x U / A (x) = 1 }
Altura de un conjunto difuso A: valor ms grande de su funcin de
pertenencia.
Se dice que un conjunto difuso est normalizado si y solo si:
x U A(x) = 1
Punto de cruce de un conjunto difuso A: elemento(s) x de U tales que
A(x) = 0.5
Un conjunto difuso cuyo soporte es un nico punto x de U y tal que la
funcin de pertenencia de x es 1 (es decir, el soporte coincide con el
ncleo y 7enen un nico punto) se llama un conjunto difuso unitario
(singleton).

Ejemplo

15

Teora de conjuntos difusos:


Deniciones 7les (II)
l

Variable lings:ca X: nocin o concepto que vamos a


calicar de forma difusa.
La altura, la edad, el error..
Universo de discurso U: rango de valores que pueden tomar
los elementos que poseen la propiedad expresada por la
variable lings7ca.
X = altura;
U = [1.4, 2.3]
Valor lings:co: diferentes clasicaciones que efectuamos
sobre la variable lings7ca
La variable X= Altura se clasicar en bajo, mediano y
alto.
16

Variable y valores lings%cos


P(x)
Funcin de
pertenencia

Conjunto
difuso

bajo

1.5

alto

mediano

1.7
Universo de
discurso

Valor
lingustico

1.9

ALTURA
Variable
lingustica

17

Teora de conjuntos difusos:


Funciones de pertenencia (I)
Algunas de las funciones de pertenencia ms u7lizadas son:
Funcin

GAMMA ():

0
x a
(x) =
m a
1

Funcin

para x a

para a < x < m


para x m

L
1

Puede definirse simplemente como 1


menos la funcin GAMMA
a

18

Teora de conjuntos difusos: Funciones de pertenencia


Funcin trapezoidal
0
x a

b a
(x) = 1
d x

b c
0

para x a
para a < x b

para b < x c
para c < x d
c

a b

para x > d

Funcin LAMBDA () o triangular


0
x a

(x) = m a
b x
b m
0

para x a

para a < x m
para m < x b
para x > b

b
19

Teora de conjuntos difusos:


Funciones de pertenencia (III)
Otras funciones de pertenencia:

Funcin S
0
x a 2
2
,
c a
S(x) =
2
1 2 x a ,

c a
1

para x a
para a x

a+c
2

a+c
xc
2
para x c
para

(a+c)/2

Funcin Z (opuesta de la S)
Z(x) = 1- S(x)

Funcin
S(x) para x b
Z(x) para x > b

(x) =

b-d

b+d

20

Teora de conjuntos difusos:


E7quetas lings7cas o modicadores
l
l

Equivalentes a los adverbios del lenguaje natural


Se u7lizan para denir conjuntos difusos a par7r de otros ya
existentes. Por ejemplo, viejo > MUY viejo
Lo que se hace es componer la funcin de pertenencia con alguna otra
funcin, de forma que la funcin resultante tenga la forma deseada.
Por ejemplo, funcin para el adverbio MUY > f(y) = y2

viejo

Muy viejo

0
21

Teora de conjuntos difusos: modicadores


Normalizacin
f(y) = y/Altura

Concentracin

f(y)=yp, con p>1


0

Dilatacin

f(y)=yp, con 0<p<1


0

Intensicacin contraste

2 p1y p
para y 0.5
f(y) =
p1
p
1 2 (1 y) en otro caso

Difuminacin
y / 2
para y 0.5
f(y) =
1 (1 y)/ 2 en otro caso

22

Teora de conjuntos difusos: E7quetas lings7cas


Existe todo un catlogo de adverbios/funciones
Por ejemplo:
Nombre del modicador
not
very (muy)
somewhat (algo)

more-or-less (ms o menos)


extremely (extremadamente)

Descripcin del modicador



1-y
y 2

y1/3

y1/2
y 3

23

Una nota sobre elicitar funciones de pertenencia


Cmo obtener las funciones de pertenencia?
Valoracin directa (nos la indica un experto humano)
Votacin (varios evaluadores votan 0 o 1 para cada
elemento, y se u7liza la proporcin de votos (ejercicio 8)
Funciones con forma conocida (elegir forma que mejor
se ajusta y u7lizar mtodos estads7cos (regresin,
mnimos cuadrados, etc).

24

Operaciones elementales con conjuntos difusos


Complementario
Dado un conjunto difuso A, su complemento vendr denido
por

A(x) = c (A(x))
Siendo c: [0,1] [0,1]. La funcin c debera cumplir las siguientes
propiedades
l c1. concordancia caso n7do

c(1) = 0 y c(0) = 1
l c2. estrictamente decreciente , [0,1] > c() < c()
l c3. involucin
[0,1] c(c()) =

25

Operaciones elementales con conjuntos difusos


Funciones de complemento ms habituales:
1

c(a) = 1 - a.
0

Yager cw(a) = ( 1 - aw)1/w w [0, ]

(w=2)
0

Sugeno c(a) = (1-a)/(1-a) [0, 1]

(=1/2)
0

26

Operaciones elementales con conjuntos difusos


Interseccin
Dados dos conjuntos difusos A y B, denimos la interseccin

A B ( x) = i( ( x), (x ))
Siendo i: [0,1]x[0,1] [0,1].
La funcin i debera cumplir las siguientes propiedades:
i1. concordancia caso n7do
i2. conmuta7vidad
i3. asocia7vidad
i4. iden7dad

i5. monotona

i(0,1) = i(0,0) = i (1,0) = 0; i(1,1) = 1


i(,) = i(,)
i(,i(,)) = i(i(,),)
i(,1) =


si , entonces i(,) i(, )

([0,1],i) 7ene estructura de semigrupo abeliano con elemento neutro.


Las funciones i que verican esta propiedad se llaman normas triangulares
(t-normas).
27

Operaciones con conjuntos difusos


Algunas t-normas usuales:

t-norma del mnimo imin(,) = min(,)


0
1

t-norma del producto

i*(,) =
0

t-norma del
i inf ( , ) =
0
producto drstico

si = 1
si = 1
en otro caso

0
0
0
0
0
0
0
0,2
0
0
0

Toda t-norma verifica las siguientes desigualdades:


, [0,1]
iinf(,) i(,) imin(,)
La menor t-norma es la t-norma del producto drstico y
La mayor t-norma es la norma del mnimo

28

Operaciones elementales con conjuntos difusos


Unin
Dados dos conjuntos difusos A y B, su unin vendr definida por

A B

( x) = u ( (x ), ( x))

Siendo u: [0,1]x[0,1] [0,1].


La funcin i debera cumplir las siguientes propiedades:
- u1. concordancia con el caso n7do
- u2. conmuta7vidad

- u3. asocia7vidad

- u4. iden7dad (A = A)

u(0,1)=u(1,1)=u(1,0) =1; u(0,0) = 0


u(,) = u(,)
u(,u(,)) = u(u(,),)

u(,0) =

- u5. monotona


Si , entonces u(,)u(, )

Las funciones u que verifican estas propiedades se llaman conormas


triangulares (t-conormas).
Adems, seria razonable pedir que se cumpliera:
-u6. Leyes de De Morgan
u(,) = c(i(c(),c())
i(,) = c(u(c(),c())

29

Operaciones elementales con conjuntos difusos


T-conormas correspondientes a las t-normas anteriores:
(si consideramos como complemento la funcin c(u) = 1-u) 1
t-conorma del mximo umax(,) = max(,)
0
1

t-conorma de la suma u*(,) = +-

t-norma de la
suma drstica

u sup ( , ) =

si = 0
si = 0
en otro caso

Toda t-conorma satisface las siguientes desigualdades:


,[0,1]
umax(,) u(,) usup(,)
la menor t-conorma es la t-conorma del mximo
la mayor t-conorma es la t-conorma de la suma drstica.

30

Operaciones elementales con conjuntos difusos


Sin embargo, estas propiedades que les hemos pedido a las operaciones de
unin e interseccin no garan7zan que se sa7sfagan otras propiedades
interesantes:
I1: Idempotencia (A A = A) i(,) =



I1: Distribu7vidad (A (B C)) = ... i(,u(,)) = u(i(,),i(,))

U1 : Idempotencia (A A = A)
u(,) =

U2 : Distribu7vidad (A (B C)) = ... u(,i(,)) = i(u(,),u(,))
propiedades que slo verican (t-norma mn, t-conorma mx)

Conjuntos vaco y total:


l
l

Conjunto vaco
Conjunto total

( )

x X x = 0

x X X ( x) =1

Sin embargo, con esta denicin no se sa7sfacen algunos famosos principios de


la lgica clsica, como por ejemplo:
A A =
Principio de contradiccin
A A = X

Principio del tercio excluso


31

Ejercicio 1
Sea la variable lings7ca temperatura del horno, y denimos
los siguientes conjuntos difusos:
baja:
(1/150, 1/160, 1/180, 0/190)
media: (0/170, 1/190, 1/210, 0/230)
alta:
(0/210, 1/220, 1/240, 1/250)
Dena:
El conjunto difuso no alta
El conjunto difuso baja U media
El conjunto difuso media no_alta

32

Ejercicio 2
16

33

Lgica difusa
ndice
l
l

Introduccin

Teora de conjuntos difusos



l Teora de conjuntos clsica (conjuntos n7dos)
l Conjuntos Difusos
l Funciones de pertenencia
l E7quetas lings7cas

l Operaciones elementales con conjuntos difusos

Complementario, Interseccin, Unin

Control difuso
l Inferencia difusa
l Decodicacin

Control difuso: ejemplo


Temperatura = 30

Temperatura
= alta
Volumen
= pequeo

REGLAS
l
Si la temperatura es alta y el volumen es
pequeo
entonces la presin es elevada
l
Si la temperatura es baja o el volumen es
grande
entonces la presin es baja
l
Si la presin es baja
entonces la entrada de combus7ble debe
ser grande
l
Si la presin es elevada
entonces la entrada de combus7ble debe
ser pequea

Entrada
combustible
= Conjunto?
Decodificar

Difuminar

Volumen = 500 cc

Entrada
combustible
= Valor?
35

Control difuso
Funcionamiento de un sistema de control
basado en lgica difusa
Entrada
ntida

Codificador

Reglas

Decodificador

x Up

Salida
ntida
y=f(x) V

u Up
Conjuntos
difusos entrada

Inferencia

v V

Conjuntos
difusos salida

36

Control difuso
Habr por tanto que denir:
l
l

l
l

Hechos difusos
Difuminacin
l Tratamiento entradas (premisas) difusas
l Tratamiento entradas (premisas) n7das
Proposiciones difusas
l simples
l Compuestas (necesitaremos operadores NO, Y, O...)
Reglas SI ENTONCES
Decodicacin
37

Hechos difusos
Hecho difuso simple:
l Proposicin que asigna un valor a una variable difusa:
Pepe es de estatura mediana.

Tiene asociado un conjunto difuso y su funcin de


pertenencia.
Hecho difuso compuesto:
l Agrupacin de hechos difusos simples
l

la velocidad es normal Y el objeto est cerca


la velocidad es alta O el objeto est muy cerca
la velocidad NO es alta

38

Hechos difusos
Necesidad de denir operadores difusos:
l
l

NO (p) A(u) = 1 - A(u)


Y (pq) -- funcin de pertenencia 7po interseccin
AB(u,v) = min( A(u), B(v))
O (pq) -- funcin de pertenencia 7po unin
AUB(u,v) = max(A(u), B(v))

39

Ejemplos
Dados los conjuntos difusos:

1,2

baja

alta

Temperatura (C):

0,8
0,6

baja = (0/0 .2/30 .8/40 1/50 .7/60 .2/70 0/80)


alta = (0/50 .3/60 .8/70 1/80 1/90 .5/100 0/110)


Presin(bar):

0,4
0,2
0
0

50

100

150

baja = (0/0 .4/200 .8/400 1/600 1/800 .8/1000 .4/1200 0/1400)


elevada=(0/1000 .2/1200 .4/1400 .8/1600 1/1800 1/1900 .5/2000 0/2200)

Calcula los conjuntos difusos asociados a :


Temperatura no es baja
Temperatura es baja y temperatura es alta
Presin es baja o presin es elevada

baja

1,2

elevada

1
0,8
0,6
0,4
0,2
0
0

500

1000

1500

2000

Si el valor exacto de la temperatura es 55 y el de la presin es 200, calcula el valor


de verdad de las proposiciones anteriores

2500

40

Correspondencia entre hechos difusos


Si el conjunto de entrada es difuso cmo denimos el
valor de verdad de la proposicin?
Dada una premisa V es A y un hecho V es B se denomina
posibilidad de A dado B a:
Pos(A/B) = max(AB)
La medida dual de la posibilidad se denomina necesidad
Nec(A/B) = 1 Pos(Ac/B)

41

Ejemplo
En el ejercicio anterior, calcula la posibilidad del conjunto
difuso mediano denido por (0/40, 1/50, 1/60, 0/90) dado
el conjunto bajo, dado el conjunto alto, y dado el conjunto
alto o bajo
1,2

baja

alta

1
0,8
0,6
0,4
0,2
0
0

50

100

150
42

Reglas difusas: Modus ponens generalizado


Regla: Si U es A ENTONCES V es B
Premisa: U es A
Dados A, A, y B, determinar B
Sea z = pos(A/A)
Entonces:
B(v) = min(z, B(v)) Implicacin de Mamdani
Ejemplo:
Regla: Si velocidad=normal fuerza de frenado = moderada
Premisa: Velocidad= alta

43

Inferencia difusa: Mamdani


Inferencia 7po max-min (implicacin de Mamdani):
B(v) = min(z, B(v))
donde z = max(AA) = max(min(A(u), A (u)))

normal

moderada

alta

0
70

80

90

100
velocidad

4000

4500

5000
f_frenado
44

Inferencia difusa: Max-Prod


2) Inferencia 7po max-prod:

B(v) = prod(z, B(v))
donde z = max(min(A(u), A (u)))
normal

moderada

alta

0
70

80

90

100
velocidad

4000

4500

5000
f_frenado

45

Inferencia difusa (entradas n7das)


Si tenemos una entrada n7da v0, z como z=A(v0)
La inferencia se hace entonces con cualquiera de las
alterna7vas vistas en el apartado anterior.
Ejercicio: calcular la fuerza de frenado si velocidad = 75
km/h (Mamdani y max-prod).

46

Decodicacin

Qu fuerza de frenado aplicar si fuerza de frenado = moderada?
Para ello se u7lizan las llamadas tcnicas de decodicacin:
D1. El valor mximo (es decir, el ms posible). Si se producen
empates puede seleccionarse el primer valor encontrado o la media
(media de mximos o MOM)
Ejemplo:
moderada

4000

4500

MOM: 4500
primer valor mximo: 4250

5000
f_frenado

47

Decodicacin
D2. Centroide difuso (o centro de gravedad, COG), denido
como:

x ( x)
=
( x)
A

ycentroide

x X

x X

Ejemplo:
moderada

4000 * 0 + 4250 * 1 + 4750 * 1 + 5000 * 0


= 4500
1+1
4000

4500

5000
f_frenado

Si varias reglas 7enen el mismo consecuente, para acumular la


evidencia se unen los conjuntos resultantes y despus se decodica
el resultado.

48