Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Dialnet AplicacionesDeLaLogicaDifusa 4902776 PDF
Dialnet AplicacionesDeLaLogicaDifusa 4902776 PDF
El propsito de este artculo es el de recoger unas pocas Este hecho ha promovido la aparicin de controladores
aplicaciones conocidas en la literatura especializada basadas autoajustables, que cuentan con algn algoritmo que les permite
en distintas estrategias de lgica difusa. Se han seleccionado evaluar su desempeo, y de acuerdo con cierto criterio ajustar
aplicaciones de reas muy diversas, buscando as resaltar que su diseo. Estos algoritmos de autoajuste (tambin conocidos
la Lgica Difusa puede entenderse como una herramienta como algoritmos de autosintona) son muy tiles tambin en
matemtica cuya amplia aplicabilidad se basa en la concepcin situaciones en las que la Planta a controlar vara en el tiempo,
de conjuntos con fronteras no exactas [4,7]. lo que implica que el controlador deba ajustarse a dichos
cambios.
Se presentarn en este artculo un Controlador Difuso
Adaptativo, un Identificador de Imgenes Areas que emplea Cuando un Controlador Difuso cuenta con un algoritmo de
un algoritmo de agrupamiento difuso, una Base de Datos autoajuste, se dice que es un Controlador Difuso Adaptativo.
Difusa, y un experimento de psicologa cognocitiva inspirado Sin embargo, existen Controladores con otros algoritmos que
en la lgica difusa. Todos estos ejemplos han sido tomados de no son exactamente de autoajuste, y que podramos llamar de
la literatura tcnica, especficamente de [16,15,12 Y 13] entrenamiento, que algunos autores denominan tambin
respectivamente. Controladores Difusos Adaptativos.
Los algoritmos de entrenamiento permiten ajustar el diseo 4. Asignar a la regla anterior un factor de certeza, calculado
del Controlador para que tenga un comportamiento deseado, como el producto de los grados de pertenencia a cada Valor
pero fuera de lnea. En general estos algoritmos no permiten la Lingstico.
adaptacin del controlador a cambios de la planta, pero son
muy tiles para disear controladores en los que se combina 5. Verificar si en la Base de Reglas existe ya una regla con el
informacin numrica con informacin lingustica [16,20]. mismo antecedente (y quizs distinto consecuente); de ser
as, dejar en la Base aquella que tenga un mayor factor de
A continuacin se presenta un Controlador Difuso certeza. Si an no hay en la Base de Reglas una de estas con
Adaptativo desarrollado por Wang & Mendel [20] que cuenta el mismo antecedente, adicionar la nueva regla a la Base.
con un algoritmo de entrenamiento. Se ha seleccionado este
controlador, porque el algoritmo empleado es uno de los ms 6. Complementar la Base de Reglas con la informacin
sencillos conceptualmente, y de mayor simplicidad algortmica, lingstica disponible (si existe alguna).
tal como se presenta en el numeral siguiente.
EJEMPLO 1
A. ALGORITMO DE ENTRENAMIENTO DE W ANG y MENDEL
concretas son xl1' X2I' xpI; que responda con las salidas
oo.
concretas Y12' Y22' Yq2' cuando las entradas concretas son xI2'
oo.
X22' oo. xp2; que responda con las salidas concretas Y/w Y2w' oo.
Yqw' cuando las entradas concretas son xIw' x2w' oo. <:
Los w casos que se quieren obtener con el Sistema de Lgica
Difusa pueden ser insuficientes para determinar completamente
el diseo, o por el contrario, pueden ser inconsistentes entre
s.
x
respectivas Variables Lingsticas. ngulo de salida B. Los resultados los compara con los
obtenidos por Nguyen & Widrow con redes neuronales a partir
de la misma Tabla Entrada-Salida, y las trayectorias seguidas
2. Seleccionar los Valores Lingsticos LxIk,Lx2k,oo.
.
.Lx pk'
por el vehculo son semejantes.
para los cuales los grados de pertenencia
LYIk,LY2k'oo, ,LYqk'
respectivos son mximos.
Wang tambin efecta el entrenamiento con informacin
numrica incompleta, es decir, considerando slo una parte de
3. Crear una regla de la forma IF Entrada 1 es LxI k AND Entrada
la Tabla de entrenamiento; en estas condiciones el Controlador
2 es Lx2k AND AND Entrada pes LxIk THEN Salida 1 es
oo.
11. IDENTIFICADOR DE IMGENES AREAS - Para todos los elementos de X, la suma de sus funciones de
pertenencia a los e Conjuntos debe ser 1.
El problema aqu planteado es el siguiente: Se tienen tres
imgenes areas de la misma zona; las imgenes se han captado Bezdek[3] desarroll un algoritmo para obtener una c-
empleando cmaras a blanco y negro, de tal forma que muestran particin para un Universo de Discurso finito; dicho algoritmo
en cada pixel un cierto nivel de gris (nivel de luminancia); las se conoce como el agrupamiento ''fuzzy c-means", y es uno de
tres fotografas no son iguales, porque cada una de ellas se ha los ms populares, pese a que en la literatura se reportan muchos
tomado anteponiendo a la cmara un filtro que slo permite otros algoritmos distintos [2].
captar una franja de colores (unas ciertas longitudes de onda),
y los filtros para cada fotografa han sido diferentes. Bezdek parte de la existencia de un Universo de Discurso
X compuesto por n elementos:
En estas imgenes se ha captado una rea extensa con zonas
que se pueden clasificar as:
n
.Ejemplo 2
LU ik >O;Vi,i=1,2 ...e
Se desea agrupar los nmero enteros del 1 al 20 en 3
k=1
e conjuntos difusos empleando agrupamiento fuzzy c-means.
LU ik =1;Vk,k=1,2 ...n
En este ejemplo X=[l 23 .... 19 20}, con lo que
i=1
d=1
Con las definiciones anteriores, el problema del x1=[l]; x2=[2}; x3=[3}; ...; X19=[19}; x2o=[20};
agrupamiento de X en e grupos puede formularse como la c=3
bsqueda de la pareja (U,V) que clasifique "mejor" los datos
de X. Para medir qu tan bien est hecha una clasificacin, Las figuras 33 a 8 muestran como evolucionan los tres
Bezdek emplea la funcin Jm(U, V) conjuntos difusos en cada una de las iteraciones. La particin
inicial es aleatoria, y se ha escogido m=1,5.
n e 2
J m (U, V) =L L (Uik)m . - Vi
k=1 i=1
(1)
(2)
-EJEMPLO 3
-EJEMPLO 4
:r:xx: ~rsx:"
EDAD SALARIO INGRESO
cuyo autor es Rueckl [13] para el reconocimiento de palabras,
que es uno de los temas abordados por la Psicologa
Cognocitiva.
25 35 45 5. 15. 20. x1000 1986 1992 1998
"Cules son los nombres de las personas jvenes o A esta pregunta existen dos respuestas opuestas, sustentadas
recientemente empleadas pero con sueldo alto" cada una por dos teoras diferentes [13]:
Tahani propone evaluar la funcin de pertenencia de cada La teora del modelo Interactivo sostiene que el contexto si
registro a cada uno de los valores lingsticos involucrados en
influye en el reconocimiento de palabras.
la consulta, y entregar como resultado de la bsqueda un
conjunto difuso con funciones de pertenencia obtenidas
La teora del modelo Autnomo sostiene que el contexto no
mediante la utilizacin de operadores AND, OR YNOT difusos
influye.
[6]; los operadores empleados por Tahani son el mnimo para
el AND, el mximo para el OR y el complemento para el NOT.
Ambos modelos se apoyan en experimentos cuyos
resultados son consistentes y robustos, con explicaciones
Con esta metodologa la consulta anterior podra
consistentes con las respectivas teoras. Los experimentos son
representarse por la operacin
de la siguiente forma:
Uhsqueda (x, y, z) = {ujoven (x) OR urecienle (y)} AND ua/lo (z)
Se selecciona una palabra objetivo, por ejemplo desk5
Empleando la informacin de el cuadro 2 y de la figura 19 Se mide que tan fcilmente reconoce un individuo (un grupo
se puede construir el cuadro 3 que muestra los resultados de la de individuos) la palabra objetivo en los dos tipos de frases,
bsqueda para cada registro. para sacar conclusiones.
r r r f1 n 7. KLIR, George and YUAN, Bo. "Fuzzy Seis and Fuzzy Logic"
Jersey, 1995
Prentice Hall, New
8. LA YNE, J. and PASSINO, K. "Fuzzy model reference leaming control for cargo
Figura 20. Variaciones de la letra r - n
ship steering" en IEEE Control Systems Magazine, Vol 13, No. 6, die 93, pp 23-24
9. LEE, Chuen Chien. "Fuzzy Logic in Control Systems: Fuzzy Logic Controller-Part
CONCLUSIONES y COMENTARIOS
I" En IEEE Transactions on Syslems, Man, and Cibemetics, V 20, No. 3 Marzo/
Abril 1990, pp 404-418
Se han presentado cuatro aplicaciones diferentes de la
lO. . "Fuzzy Logic in Control Systems: Fuzzy Logic Controller-Part 11" En
Lgica Difusa; las tres primeras recogen ejemplos sencillos IEEE Transactions on Systems, Man, and Cibemetics, V 20, No. 3 Marzo/Abril
de algunas de las ms comunes aplicaciones en ingeniera, 1990, pp 419-435
excluyendo otras igualmente comunes, como las relativas a la 11. MENDEL, Jerry. "Fuzzy Logic Systems for Engineering: A Tutorial" En Proceeding
Investigacin de Operaciones y toma de Decisiones, Filtraje of the IEEE, V 83, No. 3 Marzo 1995, pp 345-377
14. T AHANI, V. "A conceptual framework for fuzzy quering processing - a step toward
En el mbito colombiano pueden sugerirse varias posibles
very intelligent database system" En lnformation Proeessing Management 13, 1977,
aplicaciones de la lgica difusa; de hecho, sta ya se ha 289 - 303
empleado para desarrollar sistemas expertos que ayudan a la
15. TRIVEDI, M.M. "Analysis of Aerial Images using fuzzy clustering" En "Analysis
planificacin del sector energtico, as como a la negociacin offuzzy information", Bezdek, J. CRC Press, 1987, pp 133-152.
en la Bolsa de Energa. Tambin se conocen algunas
16. W ANG, Li-Xin n Adaptotive Fuzzy Systems and Control Design and Stability
aplicaciones en el control industrial. Sin embargo, existe un Analysis" Prentice Hall, New Jersey, 1994
gran potencial an no explorado en aplicaciones socio-
17. "Fuzzy Systems are Universal Approxximators" En Proeeedings of the
econmicas, de dos tipos diferentes: por una parte estn las
IEEE International Conferenee on Fuzzy Systems, San Diego, California 1992, pp
aplicaciones directas en sistemas econmicos (instituciones 1163-1170
financieras, bolsa de valores, anlisis macroeconmico) y por
18. WANG, Li-Xin and MENDEL, Jerry. "Back Propagation Fuzzy System as Nonlinear
otra parte estn los enfoques tericos de las ciencias sociales, Dynamic Systems Identifiers" En Proceedings of Ihe IEEE International
que pueden beneficiarse de la nocin de "conjunto difuso" Conference on Fuzzy Systems, San Diego, California, 1992 pp 1409-1418
(definicin del concepto de "Identidad Cultural", o el de "Paz 19. . "Fuzzy Basis Functions, Universal Approximation, and Orthogonal
Imperfecta"). Least-Squares Leaming" En IEEE Transactions on Neural Networks, Vol 3, No S,
Septiembre 1992, pp 807-814