Documentos de Académico
Documentos de Profesional
Documentos de Cultura
PRLOGO
II TEORA DIFUSA
2.1 Introduccin a la teora difusa
2.2 Conjuntos difusos
2.2.1 Definiciones bsicas y terminologa
2.3 Caracterizacin por funciones de membresa
2.3.1 Tipos de funciones de membresa
2.4 Operaciones aritmticas con nmeros
2.5 Descripcin de las variables lingsticas
2.6 Reglas difusas Si-Entonces (IF-THEN)
2.7 Proposiciones difusas
2.7.1 Razonamiento difuso
IV PRINCIPIOS DE ESTABILIDAD
4.1 Introduccin a la estabilidad
4.2 Criterio de Nyquist
4.3 Criterio de Routh-Hurwitz
4.3.1 Desarrollo del Criterio de Routh-Hurwitz
4.3.2 Tabulacin de Routh
4.4 Estabilidad de Liapunov
4.4.1 Mtodo directo de Liapunov
BIBLIOGRAFA
PRLOGO
La lgica difusa es una herramienta til en las aplicaciones tecnolgicas que se emplean
en la actualidad, est teniendo un gran auge en una amplia gama de sistemas, en donde
se requieren mecanismos con inteligencia que tengan la capacidad de interpretar su
medio cambiante por medio de sensores que permitan obtener la informacin necesaria
de su entorno, tomando en cuenta ciertas variables y criterios para poder seleccionar una
accin respectiva de acuerdo a los niveles en que el sistema se encuentra trabajando. De
esta manera el sistema con un mecanismo difuso integrado podr ofrecer respuestas y
acciones que estn de acuerdo a los cambios que pueda tener su entorno y a los que
pueda tener cualquier otro sistema que este interactuando con l, actualizando en cada
instante de tiempo sus respuestas como lo hace un sistema de inteligencia artificial.
Los sistemas basados en lgica difusa tienen gran importancia a nivel internacional en
todos los campos del conocimiento, ya que son sistemas flexibles que pueden
implantarse relativamente con sencillez y efectividad en casi cualquier sistema actual.
Los sistemas difusos estn siendo desarrollados en reas que estn incursionando en los
nuevos sistemas tecnolgicos como la inteligencia artificial, redes neuronales artificiales
y sistemas evolutivos, es por esto que es necesario conocer estos nuevos sistemas, que
sern la base para las tecnologas del futuro, en donde se tendr que tomar decisiones
ms precisas y rpidas de acuerdo a la inmensa cantidad de informacin que se tendr
que procesar, analizar, descartar y optimizar en los nuevos sistemas que tendrn
inteligencia propia para poder decidir de acuerdo a los cambios en su entorno.
El contenido de esta obra ha sido fruto de cuatro aos de trabajo de investigacin sobre
los sistemas difusos en las reas de control, inteligencia artificial, filtros digitales. Los
autores forman parte de un grupo de investigacin mexicano que cuenta con
publicaciones a nivel internacional, en el desarrollo de proyectos dirigidos a innovar
sistemas tecnolgicos en mltiples aplicaciones de distintas disciplinas como: medicina,
industria, sistemas de navegacin, espaciales, comunicaciones, cmputo, etc., y en
tecnologas que en un futuro prximo tendrn gran impacto como la computacin
cuntica.
El motivo de difundir estos conocimientos y sus resultados a la comunidad ha sido el de
poder transmitir nuevos conceptos y desarrollos a los estudiantes de ingeniera y a toda
aquella persona que tenga la disposicin e inquietud de aprender y desarrollarse con las
bases y propiedades de los sistemas de lgica difusa as como de su implantacin en los
sistemas de control y filtrado digital con caractersticas de tiempo real, que sern
empleados en los ms novedosos sistemas tecnolgicos del futuro.
Esperando que esta obra pueda servirle al lector de utilidad para comprender la nueva
teora de lgica difusa y algunas aplicaciones que puede tener en la vida cotidiana.
En el captulo VII, describe los conceptos bsicos de un sistema en tiempo real, dando
las propiedades de tiempo real que caracterizan a un filtro difuso, de esta forma se
complementa el mecanismo de un filtro difuso descrito en el captulo VI, teniendo una
descripcin detallada de sus principios de operacin y ofrecer respuestas en niveles y
con caractersticas de tiempo real.
1.1 Introduccin
Todas estas formas de inteligencia humana han servido al hombre en su deseo de lograr
el desarrollo de herramientas que sean cada vez ms amigables para facilitar sus tareas
diarias, y es por esto que busca extraer los conceptos de inteligencia necesarios
encontrados en la naturaleza, para que sus sistemas o desarrollos se encuentren en
armona en un medio ambiente propio de su entorno, de tal forma que sus herramientas
se adapten de manera aproximada a las diversas situaciones, necesidades, costumbres e
interacciones que se tienen en un medio natural especfico. Es decir, el hombre busca
que sus herramientas tengan una interaccin de acuerdo a l mismo y su medio de
desarrollo.
Para lograr que dos o ms sistemas inteligentes puedan tener una participacin activa y
equilibrada, de acuerdo a sus diversas reacciones en relacin a un objetivo, sus
respuestas deben ser clasificadas y caracterizadas, requiriendo para ello de un
mecanismo que deduzca sus cambios y permita responder de acuerdo a la dinmica
establecida entre ellos, para lo cual puede ser utilizado un sistema basado en lgica
difusa, ya que a travs de este tipo de sistemas es posible interpretar los
comportamientos de interaccin a la entrada y tomar las decisiones correspondientes por
cada uno de los cambios que se presenten en el tiempo, para llevarlos a una regin de
equilibrio y dar una respuesta adecuada; es decir, que cuenten con una relacin en la que
ambos logren su objetivo especfico de acuerdo a un criterio entre ellos definido ya sea
de manera directa o indirecta.
Los sistemas basados en lgica difusa son una herramienta relativamente novedosa que
se utilizan en control y sistemas de filtrado digital para aplicarse en sistemas inteligentes
y en diversas reas del conocimiento: informacin, espacial, comunicaciones, redes
neuronales, medicina, sistemas de control, entre otros. Las capacidades que presenta
este tipo de sistemas son las de interpretar y caracterizar el funcionamiento de un
sistema para emitir la respuesta ms apropiada, en un lenguaje natural.
Las ideas bsicas de la lgica difusa se encuentran vinculadas con las primeras
aportaciones desarrolladas por el profesor Lotfi Zadeh en 1965, respecto a los conjuntos
difusos; siendo uno de sus principales objetivos el de emplear un razonamiento
aproximado o de tipo suave con diferentes niveles o grados de operacin, siguiendo
patrones de razonamiento similares a los del pensamiento humano, siendo ste un
razonamiento no determinista, a diferencia de la lgica clsica en donde se requieren
ideas ms precisas, y se utilizan conceptos absolutos como verdadero y falso para
referirse a la realidad; entonces la lgica difusa logra establecer una relacin ms
amigable por medio del lenguaje natural respecto al sistema de referencia con el que se
encuentra interactuando. Es por esta razn, que la lgica difusa en los ltimos diez aos
ha sido aplicada para el desarrollo tecnolgico de sistemas en los que se consideran
distintos niveles de operacin, sin olvidar que ser la base para las futuras tecnologas.
En la actualidad los sistemas difusos se emplean como una herramienta para controlar
el transporte subterrneo, sistemas industriales de mayor complejidad, equipos
electrnicos, sistemas de diagnstico de enfermedades, entre otros sistemas a los que se
les conoce como sistemas expertos (son una clase de los sistemas computacionales del
rea de inteligencia artificial que clasifican o deciden, de manera independiente, las
acciones correspondientes a tomar en relacin con el sistema de referencia a observar o
controlar) ya que tiene una relacin natural con su entorno y de acuerdo a ste realiza
acciones que afectan el desempeo del sistema que se desea controlar en un lmite
determinado.
6 Ahorro en costos, se debe a que la implantacin de sistemas con lgica difusa en los
procesos y sistemas, es una opcin viable, sencilla de implementar, de reconfigurar y de
relativamente bajo costo, lo cual presenta un ahorro en tiempo, de recursos tecnolgicos
y econmicos para el usuario.
Son caracteres legibles (como colores, letras, palabras, sonidos, smbolos) que pueden
ser interpretados o diferenciados fcilmente por una persona que controla un sistema.
Estas variables de forma especfica representan una condicin en que el sistema puede
funcionar o est funcionando.
La variable lingstica puede ser seleccionada por el operador desde un controlador del
sistema para establecer la condicin deseada del sistema, y tambin puede ser la salida
del propio sistema automatizado por sensores para sealar al supervisor sus condiciones
de funcionamiento en un instante determinado.
La lgica difusa hace uso de diversas variables lingsticas que son elegidas con
relacin al sistema con que interacta, en su mayora estas variables son palabras que
representan valores cualitativos y que al ser utilizadas en un procesador por medio de un
teclado o sensores, son interpretadas por la computadora o sistema para ofrecer un
control lo ms preciso posible y llevarlo a una regin de operacin deseada en un
tiempo especfico.
Un sistema difuso se considera estable (es decir que se mantiene operando sin
modificaciones durante cierto tiempo especfico), ya que todas las variables y respuestas
se encuentran delimitadas por las restricciones del proceso con el que interacta a travs
de la base del conocimiento.
El sistema difuso contiene en una base de conocimiento todos los niveles de respuesta
que puede dar el proceso con el cual est interactuando, por lo cual todas las posibles
respuestas estarn acotadas por el proceso de referencia dentro de regiones predefinidas.
La clasificacin de los niveles de respuesta que tiene un sistema difuso se realiza por
medio de funciones de membresa, que son un conjunto de valores de un mismo
parmetro dentro del mecanismo del sistema difuso que est constituido por reglas
usando conectores lgicos: uno que interpreta en qu nivel est operando el sistema de
referencia, denominado SI, y otro que deduce y selecciona de la base de conocimiento
la funcin de membresa correspondiente a ese nivel de operacin, llamado
ENTONCES, para conformar la base de conocimiento.
Para describir un sistema difuso se tiene una seal que proviene de un sistema de
referencia denominada como seal deseada y(k), porque esta seal ser el modelo del
mecanismo difuso para dar una respuesta especfica a la salida y ( x ) , por medio de la
inferencia que realizar el mecanismo difuso. Posteriormente se realizar la seleccin de
la funcin de membresa descrita como a ( x ) de la base del conocimiento, sta ajustar
el mecanismo del sistema para llegar a la respuesta adecuada. De esta forma el sistema
difuso podr ofrecer respuestas a diversos niveles de operacin (como en un control de
temperatura que puede ser, fro, tibio o caliente) para que sus condiciones sean lo ms
natural posible de acuerdo a un sistema real.
Los miembros que conforman un conjunto clsico pueden ser representados por alguna
enumeracin o alguna propiedad caracterstica, de esta forma uno puede representar un
conjunto A con elementos a1 ,.....a10 , teniendo A a1 ,.....a10 A a1 1 n 10 .
Sin embargo un conjunto difuso, es un conjunto sin una delimitacin rgida en sus
intervalos de operacin, [19], [33] y [39] esto es, una transicin gradual que va desde
pertenecer a un conjunto a no pertenecer a un conjunto, esta transicin de tipo
suave es caracterizada por las funciones de membresa, que representan en su
conjunto grados de pertenencia y las cuales dan flexibilidad a los conjuntos difusos. La
propiedad difusa no viene de la aleatoriedad de los miembros constituyentes de los
conjuntos, sino de la naturaleza imprecisa e incierta de pensamientos y conceptos
abstractos.
2.2.1 Definiciones Bsicas y Terminologa
La lgica difusa va asociada con caractersticas que tienen cierto grado de incertidumbre
en la estructura de un conjunto de datos [33]. Los elementos de un conjunto difuso son
pares ordenados que indican el valor del elemento y su grado de pertenencia. Para un
conjunto difuso A x, A x x X , se tiene que el elemento x pertenece al
conjunto A con un grado de pertenencia A x , el cual vara entre 0 y 1. Luego un
conjunto difuso A es una simple extensin de un conjunto clsico en el cual a la funcin
caracterstica le es permitido tener valores entre 0 1 , si este valor lo restringimos a
nicamente poder tener los valores de 0 de 1, entonces A es reducido a un conjunto
clsico. A continuacin se enumeran algunas de las definiciones bsicas de lgica difusa
[23].
(2.1)
(2.2)
(2.3)
(2.5)
(2.6)
(Acotado)
(Monotonicidad)
(2.9)
(Conmutatividad)
(Asociatividad)
(Acotado)
(Monotonicidad)
(2.11)
(Conmutatividad)
(Asociatividad)
(2.12)
Los parmetros {a, b, c} (con a < b < c) determinan las coordenadas de las tres esquinas
de la FM triangular, como se observa en la figura 2.1
Figura 2.1 Representacin Grfica de una Funcin de Membresa Triangular
(2.13)
Los parmetros {a, b, c, d} (con a < b < c < d) determinan las coordenadas de los cuatro
puntos de la FM trapezoidal, como se observa en la figura 2.2
(2.14)
(2.15)
(2.16)
Un nmero triangular difuso puede ser parametrizado por una tripleta a, b, c donde la
funcin de pertenencia de un nmero triangular difuso A est definida por [39]:
(2.17)
(2.18)
(2.19)
(2.20)
Cuando a una variable se le asigna un nmero como su propio valor se tiene un marco
matemtico de trabajo bien establecido para formularlo, pero cuando una variable toma
un caracter como su valor no tenemos un marco de trabajo formal para formularlo en
teora de matemtica clsica. Para proveer dicho marco de trabajo se introdujo el
concepto de variable lingstica, que es la forma de interpretar un caracter y darle un
valor numrico hablando normalmente [39].
Definicin 2.10 (Variable lingstica) Una variable que toma caracteres en lenguajes
naturales como sus valores, se le llama variable lingstica, donde las palabras son
caracterizadas como conjuntos difusos definidos en el universo de discurso en el que la
variable es definida analticamente por intervalos[39].
Una descripcin formal de lo que es una variable lingstica es descrita por (Zadeh),
donde la variable lingstica est caracterizada por la siguiente expresin:
(2.22)
Donde:
Una regla difusa Si-Entonces (tambin conocida como regla difusa, implicacin difusa o
estatuto condicional difuso) asume la forma [19] y [37]:
x
es A (2.23)
Por ejemplo, si x representa la velocidad del auto del ejemplo anterior, se tienen las
siguientes proposiciones difusas (las primeras tres son proposiciones atmicas difusas y
las ltimas tres son proposiciones compuestas difusas):
(2.24)
(2.25)
(2.26)
(2.27)
(2.28)
(2.29)
Se puede notar que en una proposicin compuesta difusa, las proposiciones atmicas
difusas son independientes, esto es, las x en la misma proposicin de (2.27)-(2.29)
pueden ser diferentes variables. En realidad, las variables lingsticas en una
proposicin difusa son en general diferentes.
Por ejemplo, sea x la velocidad de un auto en donde y x la aceleracin del auto,
La base de reglas se puede representar bien como una tabla de las reglas que la forman,
o bien como una memoria asociativa difusa o FAM (Fuzzy Associative Memory). Las
FAM son matrices que representan la consecuencia de cada regla definida para cada
combinacin de dos entradas. Las FAM permiten realizar una representacin grfica
clara de las relaciones entre dos variables lingsticas de entrada y la variable lingstica
de salida, pero requiere que se indique explcitamente todas las reglas que se pueden
formar con estas dos variables de entrada. Cuando el nmero de conjuntos de cada una
de las particiones de entrada crece las FAM se hacen difcilmente manejables [37].
Como en cualquier otra lgica, las reglas de inferencia de lgica difusa gobiernan la
deduccin de una proposicin que a partir de un conjunto de premisas pi : i Z ` . En
lgica difusa, se permite que ambas; premisas y conclusiones sean proposiciones
difusas. Adems, ya que los resultados inferidos, usualmente deben ser traducidos en
trminos ms significativos (conjuntos difusos) por el uso de aproximacin lingstica,
la conclusin final obtenida a partir de las premisas pi pi , pi es, en general, una
aproximacin en lugar de una consecuencia exacta de p
i
, p , i Z
i [39].
Sin embargo, en gran parte del razonamiento humano, el modus ponens es empleado de
una manera aproximada. Por ejemplo si tenemos la misma regla de implicacin y
conocemos que La neblina est ms o menos densa podemos inferir que La visin es
ms o menos buena. Esto es escrito como:
Objetivos de control.
Resultados o salidas.
La relacin bsica entre estas tres propiedades se ilustra en la figura 3.1, en trminos
ms tcnicos, los objetivos se pueden identificar como entradas, o seales actuantes
u, y los resultados tambin se llaman salidas, o variables controladas. En general, el
objetivo de un sistema de control es acotar las salidas de alguna forma prescrita
mediante las entradas a travs de los elementos del sistema de referencia.
Los elementos de un sistema de control en lazo abierto se pueden dividir en dos partes:
a) el controlador, b) el sistema o proceso, como se ilustra en la figura 3.2, una seal de
entrada o comando se aplica al controlador, cuya salida acta como seal actuante, la
seal actuante controla el proceso de tal forma que la variable controlada se comporte
de acuerdo a nuestras condiciones. En los casos simples, el controlador puede ser un
amplificador, unin mecnica, u otro elemento de control. En los casos ms complejos,
el controlador puede ser un CPU. Debido a la simplicidad y economa de los sistemas de
control en lazo abierto, se les encuentra en muchas aplicaciones no crticas [5] y [36].
Lo que hace falta en los sistemas de control en lazo abierto para que sea ms exacto,
adaptable y estable es una conexin o realimentacin de la variable controlada hacia un
comparador o sumador que se encuentra en la entrada, ya que la seal resultante de esa
comparacin es la seal actuante al sistema para corregir un posible error. Un sistema
con una o ms trayectorias de realimentacin se denomina sistema en lazo cerrado. Este
tipo de control se puede observar en la figura 3.3 [5] y [20].
(3.1)
Pensemos en un sistema lineal e invariante en el tiempo que tiene una entrada u(t) y la
salida y(t). El sistema se puede caracterizar por una respuesta al impulso g(t), que se
define como la salida cuando la entrada es una funcin impulso unitario (t). Una vez
que se conoce la respuesta al impulso de un sistema lineal, la salida del sistema, y(t),
para cualquier entrada, u(t), se puede encontrar mediante la funcin de transferencia [7].
(3.2)
(3.3)
Con todas las condiciones iniciales a cero, Y(s) y U(s) son las transformadas de Laplace
de y(t) y u(t).
para sistemas de una entrada y una salida ( SISO) es fundamental para entender la
estabilidad del sistema a travs de los valores propios para el conjunto de {si } [46].
(3.5)
(3.6)
Ejemplo 3.2, retomando la funcin descrita en el ejemplo 3.1, tiene un cero sencillo en
s 2 .
Donde las palabras alta y menor son caracterizadas por las funciones de pertenencia
(o funciones de membresa) mostradas en la figura 3.4 y 3.5 respectivamente. Un
sistema difuso se construye a partir de una coleccin de reglas difusas SI-ENTONCES.
El punto de inicio para construir un sistema difuso es obtener una coleccin de reglas
difusas basadas en el conocimiento humano de los expertos o generar las reglas con
base en la funcin de distribucin del sistema de referencia. El siguiente paso es
combinar estas reglas en un sistema simple. Los diferentes sistemas difusos emplean
diferentes principios de esta combinacin [37].
1. Takagi-Sugeno-Kang (TSK).
2. Mandami
SI la velocidad es media,
(3.9)
ENTONCES se aplica una fuerza normal al acelerador.
SI la velocidad es alta,
(3.10)
ENTONCES se aplica menor fuerza al acelerador.
Donde la palabra alta tiene el mismo significado que en la expresin (3.7), y c es una
constante. Comparando las expresiones (3.11) y (3.7) podemos ver que la parte
ENTONCES de la regla cambia de una descripcin utilizando palabras en lenguajes
naturales a una frmula matemtica simple. Este cambio hace ms fcil combinar las
reglas. En realidad, el sistema difuso Takagi-Sugeno-Kang es una media ponderada
tomada de los valores en las partes ENTONCES de las reglas [33].
Los sistemas difusos mostrados en la figura 3.8 pueden ser usados como controladores
en lazo abierto o controladores en lazo cerrado (con retroalimentacin) mostrados en las
figuras 3.9 y 3.10.
Los sistemas expertos de control difuso basados en reglas, conocido como controladores
difusos o FLC (Fuzzy Logic Controllers), son sin duda la aplicacin ms extendida de la
lgica difusa. De forma general, podemos observar un controlador en la figura 3.10 [37].
Bsicamente se puede ver al controlador difuso como un sistema experto que toma
decisiones y que opera en un sistema de lazo cerrado, compara la salida y (t ) del
sistema difuso con la entrada de referencia o seal deseada y(t) y entonces decide cul
es la entrada a la planta u(t) y asegura la realizacin de los objetivos [39].
Los sistemas difusos han sido empleados en una gran variedad de campos, tales como:
control de sistemas, procesamiento de seales, reconocimiento de patrones,
comunicaciones y sistemas de informacin, manufactura de circuitos integrados,
sistemas expertos, medicina. Sin embargo las aplicaciones ms significativas han sido
concentradas en los problemas de control, con el diseo e implementacin de
controladores difusos [38] y [46].
Las variables de estado representan las caractersticas del sistema, son las entradas al
controlador difuso y las variables de control son la salida del controlador difuso.
Derivar reglas difusas de la forma SI-ENTONCES que relacionan las
variables de estado con las variables de control
Sin embargo, para una bola que se desplace sobre una superficie abaleada. Con puntos
de equilibrio, funciona una variante del principio de Torricelli, que puede enunciarse
as: si cualquier desplazamiento pequeo a partir de la posicin de equilibrio hace que
el centro de gravedad suba, el equilibrio es estable [46] como se observa en la figura 4.2
Otro trabajo importante sobre la estabilidad y de gran utilidad es el criterio que fue
encontrado por el ingeniero ingls A. Hurwitz mientras buscaba condiciones para la
estabilidad de una mquina de vapor, cuya velocidad de rotacin se regula mediante un
pndulo centrfugo. (Este tipo de control del pndulo se emplea con frecuencia en la
actualidad en muchas industrias)[5].
Tipos:
Grados:
Estabilidad absoluta.
Estabilidad relativa.
Para el anlisis de la estabilidad se tienen las siguientes herramientas, que entre otras
nos dan una serie de opciones diferentes para el estudio de sta como lo es el criterio de
Nyquist, el criterio de Routh-Hurwitz, Diagramas de Bode, Diagrama de Nichols, etc.,
que en la estructura de este captulo algunos de estos se mencionarn.
Definicin 4.4. (Sistema inestable) Un sistema es inestable si por lo menos hay una raz
simple de la ecuacin caracterstica del sistema en el Semiplano Derecho, o una raz
doble sobre el eje imaginario [37].
Para el mapeo de contornos es importante notar que si se asume el mapeo a favor de las
manecillas de reloj para mapear los puntos de contorno A (plano-s), entonces el mapeo
del contorno B mapea tambin a favor de las manecillas del reloj si la funcin F(s) tiene
solo ceros, y en contra de las manecillas del reloj si la funcin F(s) tiene solamente
polos. Tambin si el polo o cero de la funcin F(s) est envuelto por el contorno A, el
mapeo circular el origen [7] y [36].
Este criterio plantea que existe una relacin nica entre el nmero de polos de F(s)
contenidos dentro del contorno A, el nmero de ceros de F(s) dentro de contorno A y el
nmero de encierros del origen en contra de las manecillas del reloj durante el mapeo
del contorno B. Esta relacin se puede usar para determinar la estabilidad de un sistema
a lazo cerrado.
Si el contorno A, que encierra completamente el semiplano complejo es mapeado a
travs de G ( s ) H ( s ) , entonces el nmero de polos de lazo cerrado (Z), en el semiplano
complejo derecho, iguala al nmero de polos de lazo abierto (P), que est en el
semiplano complejo derecho, menos el numero de encierros en contra de las manecillas
del reloj (N), alrededor de -1en el mapeo; esto es Z P N . El mapeo se conoce como
diagrama de Nyquist de G ( s ) H ( s ) .
El Criterio de Nyquist permite (entre otros) definir otro margen de estabilidad que
complementa al margen de ganancia.Este criterio establece que:
Un sistema realimentado es estable si y slo si el contorno en el plano l(s) no encierra el punto (-1,0)
cuando el nmero de polos de l(s) en el Semiplano Derecho del plano s es cero. Un sistema
realimentado es estable si y slo si el contorno en el plano l(s) encierra el punto (-1,0) en sentido anti-
horario un nmero de veces igual al nmero de polos de l(s) con parte real positiva [33].
(4.1)
En donde todos los coeficientes son reales. Para que la ecuacin (4.1) no tenga races
con partes reales positivas, es necesario y suficiente para que las condiciones se
cumplan que [1]:
Las condiciones antes mencionadas estn basadas en las leyes del lgebra, que
relacionan los coeficientes de la ecuacin (4.1) como sigue:
(4.5)
Por lo que todas estas relaciones deben ser positivas y no cero a menos que una de las
races tenga una parte real positiva. Las dos condiciones necesarias para que la ecuacin
(4.1) no tenga races en el semiplano derecho del plano s, se pueden verificar fcilmente
mediante la inspeccin de la ecuacin. Sin embargo, estas condiciones no son
suficientes, ya que es posible que una ecuacin con todos sus coeficientes distintos de
cero y del mismo signo pueda no tener todas las races en el semiplano izquierdo del
plano s.
(4.6)
En donde los coeficientes con ndices mayores que n o negativos deben reemplazarse
con ceros. A primera vista, la aplicacin de los determinantes de Hurwitz puede parecer
demasiado pesada para la ecuacin de orden superior, debido a la cantidad de trabajo
involucrado en la evaluacin de los determinantes de la ecuacin (4.6).
Afortunadamente, Routh simplifico el proceso introduciendo un mtodo de tabulacin
en lugar de los determinantes de Hurwitz [20].
(4.7)
(4.8)
(4.9)
Las races de la ecuacin estn todas en el semiplano izquierdo del plano s si todos los elementos de
la primera columna de la tabulacin de Routh son del mismo signo. El nmero de cambios de signo en
los elementos de la primera columna es igual al nmero de races con partes reales positivas o en el
semiplano derecho del plano s [20].
Por tanto, si todos los determinantes de Hurwitz son positivos, los elementos en la
primera columna de la tabulacin de Routh debern ser del mismo signo.
Como se observ los criterios antes mencionados son para sistemas lineales e
invariantes con el tiempo, pero no se podran aplicar si sto se quisiera en
sistemas no lineales o lineales pero variantes con el tiempo [7]. El mtodo directo
de Liapunov es el mtodo ms general para la determinacin de los sistemas no
lineales y/o variantes con el tiempo.
(4.11)
(4.12)
(4.14)
(4.15)
Suponiendo que S est formada por todos los puntos tales que:
(4.16)
Tambin suponiendo que S est formada por todos los puntos tales que:
(4.17)
5.1 Introduccin
Dentro del rea de la inteligencia artificial, se ha desarrollado la lgica difusa como una
herramienta que permite dar una respuesta cuantitativa a sistemas reales. En ella se
parta de la idea de que todas sus respuestas tenan que ser estables. Pero sin expresar en
qu sentido, ni cmo lograr esa estabilidad. Trabajos recientes han desarrollado el
anlisis de estabilidad para estos sistemas de control, pero con el problema de que estos
desarrollos lo describen de forma puntual y no en intervalos como lo hace la lgica
difusa. Afortunadamente una dcada despus de que Zadeh describiera a la lgica
difusa, Kharitonov en el ao de 1978 describi una tcnica para observar de forma
robusta a un sistema de control empleando cuatro polinomios. De acuerdo con dichos
polinomios es posible tener el enfoque difuso (en niveles o rangos) al anlisis de la
estabilidad y ayudados por el criterio de Routh-Hurwitz [20] se establece dicha
estabilidad para los sistemas de control difuso lineales.
(5.1)
Resulta evidente que el polinomio descrito en 5.1 se puede escribir en dos polinomios
de tal forma que se obtiene la siguiente ecuacin:
(5.2)
Separando los componentes en su forma par e impar se tiene las siguientes ecuaciones:
(5.3)
(5.4)
(5.5)
(5.6)
(5.7)
Donde an y an denotan los lmites de los intervalos de cada funcin de membresa,
todo esto con el enfoque difuso que describen al controlador, observndose estos lmites
en la Figura 5.1:
Figura 5.1 Funcin de membresa que describe los mximos y mnimos de cada coeficiente
(5.8)
Una vez teniendo descrito todos los puntos anteriores, podemos desarrollar los
siguientes cuatro polinomios a partir de las ecuaciones (5.5), (5.6) y (5.7),
teniendo los siguientes polinomios en el sentido de Kharitonov con el enfoque
difuso necesario:
(5.9)
(5.10)
(5.11)
(5.12)
Una vez construidos estos cuatro polinomios (5.9 a 5.12), se construyen ahora los cuatro
polinomios de Kharitonov (que describen la estabilidad del sistema difuso) dados por:
(5.13)
(5.14)
(5.15)
(5.16)
Estos cuatro polinomios, son de a cuerdo con Kharitonov, los polinomios que acotan al
sistema o planta dentro del plano S, y si ellos son Hurwitz (ver Anexo A), entonces (5.8)
es Hurwitz y por lo tanto el sistema es estable.
(5.17)
(5.19)
La regin que describe este anlisis est formada por los cuatro polinomios, los cuales
describen los vrtices de un rectngulo de acuerdo con Dasgupta [Anexo A]. Esta regin
describe la estabilidad en un sistema y se puede describir de dos formas: a) como una
regin en el semiplano izquierdo S para el criterio de Routh-Hurwitz en sistemas
continuos; y b) para sistemas discretos, que es representada dentro de un crculo unitario
en el plano Z, esto se puede ver en la ilustracin de la figura 5.2.
(5.21)
Donde J, b, K, R, y L. son parmetros internos del sistema. Este sistema se puede
observar en la Figura (5.3).
El error que existe entre la seal deseada (cuyo valor es igual a 1) y la respuesta de la
planta (con valor de 0.1 unidades), es considerado alto, ya que estos valores deben ser lo
ms cercanos posibles; para lo cual es necesario disminuir el error de diferencia entre
ellos, considerando para ello el uso de un controlador PID (Proporcional Integral
Derivativo).
Donde se observa el controlador difuso con la siguiente estructura (ver la Figura (5.6),
que describe cada una de las ganancias en forma difusa, construyendo su base de reglas
que junto con las funciones de pertenencia se construye la base de conocimiento, que
construye a este tipo de control, y que es conocido como control difuso por
conocimiento del experto.
(5.22)
Donde los coeficientes de (5.22) denotan los lmites de los intervalos de cada funcin de
membresa. Tomando la ecuacin caracterstica de la F.T. de (5.22) y aplicando el
anlisis descrito en este captulo, se analizar si el sistema con el control implementado
es estable en un sentido robusto.
(5.23)
Para su forma par se hacen cero los coeficientes impares de la siguiente forma:
(5.24)
(5.25)
Ahora hacemos lo mismo para la parte impar haciendo cero a la parte par se tiene:
(5.26)
(5.27)
Para nuestro caso las ecuaciones que nos interesan son la (5.25) y (5.27); a partir de
stas se forman cuatro polinomios con sus puntos mximos y mnimos de sus intervalos
en sus coeficientes, donde cada uno de stos representa un vrtice de la regin estable:
(5.28)
(5.29)
(5.30)
(5.31)
Con base en los cuales se construyen los cuatro polinomios de Kharitonov ayudados de
las ecuaciones (5.13) a (5.16):
(5.31)
(5.32)
(5.33)
(5.34)
Estos cuatro polinomios describen un politopo (que es una regin en forma de polgono
o poliedro) en el cual quedan envueltos todos los posibles coeficientes que nos
describen para el sistema (5.22). Ahora a cada polinomio descrito de (5.31) a (5.34) se
le aplica el criterio de Routh-Hurwitz para encontrar su estabilidad y as la del sistema
de control difuso descrito en (5.22):
(5.35)
(5.36)
(5.37)
(5.38)
6.1 Introduccin
c) Mecanismo de inferencia para interpretar sus niveles de operacin, seleccionar las ganancias del filtro
y determinar su respuesta,
d) Base de conocimiento para elegir la mejor ganancia y emitir una respuesta deseada (formada por el
conjunto de funciones de membresa que quedan acotadas por la estabilidad del modelo considerado),
e) Filtrado para describir las dinmicas internas y externas del modelo de referencia,
f) Salida del filtro que converge a una seal de referencia y que es adaptable a las condiciones cambiantes
de su entorno.
de la seal deseada. El error e(k ) , est definido como la diferencia que existe
entre las respuestas deseadas del proceso (que pueden ser descritas como:
y ( k ) R ) y la seal identificada y ( k ) R [18], [22] y [45] que es generada por
medio de un esquema de identificacin . *
En general, el filtro difuso de acuerdo a los conceptos estudiados en [1], [2], [17], [18], [22], [24],
[28], [34], [35], [37], [41] y [44] contienen los siguientes elementos:
2. Reglas base: Son mtricas con rangos dinmicos respecto de las funciones de
membresa acotadas por la funcin de distribucin del error e(k ) , empleando el
conector de lgico SI (IF).
*
La diferencia que hay entre el estimador y el identificador es que el primero describe la evolucin de los parmetros y el segundo
describe el estado de la velocidad [37].
4. Inferencia de salida: Se transforma la salida del filtro en una respuesta natural o
lingstica de acuerdo al proceso en que se encuentra contenido y as en relacin con
la base del conocimiento definida previamente.
Un filtro difuso emplea una funcin de distribucin respecto de la seal de error e(k )
[17], [18] y [37], de tal manera que se pueda generar una funcin de membresa [1], [3], [11], [14],
[15], [41] y [44] de acuerdo al rango de intervalos que es requerido para el algoritmo de
adaptacin [2], [34], [35], [50] y [51] y a la funcin objetivo, previamente establecida.
Cada funcin de membresa es ajustada de forma adaptable, teniendo en cuenta a la
funcin objetivo, a la funcin de distribucin del error y a los intervalos distribuidos
uniformemente en donde se tiene la descripcin por n-ciles, n Z , en cada tiempo con
respecto a la densidad de la informacin en la inferencia difusa de entrada [48].
El criterio ms utilizado en la literatura como funcin objetivo es el de la minimizacin
del segundo momento de probabilidad del error [11], [14], [17], [18] y [37], el cual es expresado
de forma recursiva de la siguiente manera:
(6.1)
De acuerdo a los conceptos de filtrado difuso [17] y [18], cada regla define una funcin de
membresa que se encuentra limitada por una secuencia especfica respecto de los
rangos de operacin en los cuales se considera correcta.
El objetivo que tiene el filtrado difuso como caja negra es dar una respuesta natural o
lingstica descrita como y (k ) con respecto de la seal deseada y(k) emitida por el
sistema de referencia; limitada por la funcin de distribucin del funcional de error
J (k ) ,! que de acuerdo con los operadores lgicos se determina la accin del filtro
difuso utilizando la base del conocimiento y que a travs de la inferencia de salida se
tiene una respuesta natural o lingstica, entre las cuales podemos encontrar las
palabras: bajo, medio, o alto.
(6.2)
Cada funcin de membresa establece el valor de correspondencia mximo que hay
entre la salida y (k ) y la seal deseada y (k ) , donde el valor ptimo se fija en el costo
nfimo para cada secuencia. De manera ilustrativa en la Figura 6.2, se observa que
dentro del rea de control (descrita como T N ) se tiene un subconjunto de convergencia
por pares ordenados.
Figura 6.2 rea de control TN formada por el producto entre las secuencias y (k ) , y (k )
(6.3)
La adaptacin como una ley de realimentacin modifica la seal de entrada al filtro (ver
la Figura 6.3) de acuerdo al objetivo en donde la seal de salida de ste y (k ) se
busca que tienda a la seal deseada y (k ) , realizando as los cambios en los
parmetros del filtro. El filtro difuso clasifica sus diferentes niveles de operacin
con respecto al conjunto de funciones de membresa, para dar el valor de la
respuesta especfica en un lenguaje natural de acuerdo con Jmin, que est limitado
por el radio de un crculo en un sentido mtrico [4] y [48].
y k , es la seal deseada del sistema de referencia, que es un valor medible que est
clasificado en rangos de forma lingstica por su funcin de distribucin (descritos en
un espacio de estados variable delimitado simblicamente de forma natural con
expresiones lingsticas como alto, medio, bajo), T k , es el rea de control descrita en
pares formados por y k que es la respuesta de salida del filtro y la seal deseada
y k , que estn limitados en un intervalo de tiempo (tiene una velocidad de cambio
delimitada en el sentido expuesto en [37]), e k , es el valor definido por la diferencia
entre y k y y k , este valor est delimitado por el conjunto i : i 0, i Z ,
inf{ i } * , tal que * 0 , sup{ i } * , 1 , en donde y k se busca que
*
El siguiente diagrama de bloques descrito en la Figura 6.4, muestra la parte del filtro
digital difuso en donde el universo de discurso afecta el rango de la respuesta de salida
de y k .
El filtro difuso tiene propiedades estocsticas [34] y [35] que limitan las respuestas del
proceso en un sentido de distribucin [17], [18] y [28], tal que sta se encuentra en un espacio
de probabilidad, simblicamente expresado como (, , P ) , donde # () ([17] y
[18]) y delimitando en consecuencia a la base de conocimiento [31].
Considerando las propiedades estocsticas tanto del sistema como del filtro y a la
funcin de distribucin del error J (k ) , as como a las funciones de membresa
descritas en el sentido de Borel [4] se busca disminuir el error de filtrado hacia una
condicin que se considera ptima (previamente descrita como * ).
1
En un lenguaje natural, la convergencia est alrededor de un punto, que es conocido como ptimo, pero con una descripcin
mtrica (dentro del filtro), la convergencia es robusta porque est definida por intervalos.
El conjunto de condiciones establecidas como reglas difusas (Si-Entonces) constituye la
base de reglas y de inferencia [1], [3], [17], [18], [28], [34], [35], [41], [58] y [44] , que describen los
objetivos de la base de conocimiento que a continuacin se listan:
(6.4)
La Figura 6.5, en la seccin a), describe de forma ilustrativa la secuencia del proceso a
travs de un diagrama de bloques y en la seccin b), se describe la secuencia de la
seccin a) como subprocesos acotados por los tiempos de filtrado.
VII. PROPIEDADES DE TIEMPO REAL PARA EL FILTRADO DIFUSO
Para poder establecer, disear y aplicar el filtrado con propiedades en tiempo real a los
procesos industriales, sistemas digitales y de esta forma desarrollar nuevas tecnologas
en el campo de los sistemas de monitoreo, control e informacin, etc., y todos aquellos
sistemas en donde son consideradas algunas caractersticas especficas con una duracin
de tiempo especfico; logrando que sus respuestas sean realizadas de forma adecuada
conforme al funcionamiento y dinmica del sistema en cuestin y as responder de
forma satisfactoria con base en un criterio temporal de optimizacin establecido para
actualizar al sistema y obtener una respuesta a tiempo y de buena calidad [7], [16] y [21].
En la vida diaria se pueden encontrar diversos sistemas, los cuales, son capaces de poder
cumplir con condiciones de tiempo especfico, los primeros sistemas en tiempo real
fueron empleados en la telefona digital, estos sistemas ahora, se pueden encontrar en
gran cantidad de aplicaciones como en la medicina, control de trfico, procesos
industriales, etctera.
Un sistema en tiempo real de acuerdo con [16], es un sistema que tiene una interaccin
dinmica con un proceso fsico, en relacin con sus entradas, salidas y sus restricciones
temporales y que a partir de las cuales debe ofrecer respuestas correctas. En la figura
7.1, se describe la regin en la que una respuesta es correcta en el sentido de tiempo real
[16], [21] y [51].
En los sistemas en tiempo real determinsticos sus respuestas deben darse de forma
obligatoria dentro de los periodos de tiempo especificados para el proceso, por ejemplo,
en la medicina los marcapasos artificiales, sistemas de navegacin y los controladores
de procesos industriales, tienen que cumplir con sus restricciones de operacin
temporales.
Los sistemas en tiempo real probabilsticos (es la categora del filtrado difuso en tiempo
real) presentan condiciones temporales acotadas en un sentido de distribucin, sin
embargo, si en alguna ocasin no se cumplieran en promedio los plazos de tiempo
establecidos para responder, el sistema continuar funcionando de forma correcta
siempre y cuando en el sistema est contemplada una variacin de alcance mximo para
sus tiempos de respuesta promedios; estos sistemas son conocidos tambin como
estadsticos y se pueden aplicar en las comunicaciones cuando existen mltiples accesos
compartidos y es necesario actualizar dinmicamente un nmero de sistemas conectados
con situaciones cambiantes [16] y [23].
Los sistemas en tiempo real inflexibles son sistemas de tipo determinsticos o
probabilsticos, pero que no cumplen con las restricciones de tiempo de acuerdo al caso,
de forma tal que el sistema dejar de funcionar y no entregar ninguna clase de
resultados congruentes, como ejemplo pueden encontrarse situaciones en donde un
servidor de computadoras se satura, deja de dar respuestas [23] y [26].
Un filtro digital difuso en tiempo real es un filtro adaptivo de acuerdo con [4], [17], [18], [28],
[37], [38] y [48]:
Teorema 7.2: la velocidad de cambio de las seales de entrada y salida limitadas est
descrita en intervalos semiabiertos con respecto a la frecuencia del tiempo evolucin del
sistema de referencia.
Prueba: Cada intervalo de tiempo semiabierto del FDDTR est limitado temporalmente
en sus entradas y salidas en el sentido de [17] y [18], en otro caso, la entropa se
incrementara [51], porque la informacin crecera y el sistema tendra un colapso, ya que
existiran traslapes entre las seales.
Teorema 7.3 En un sentido temporal, el rea de control TN limita las respuestas del
filtro difuso ya que de lo contraro aparecera fuera de tiempo.
Prueba: El sistema de acuerdo a los criterios de Nyquist y Shannon [51], limita en
intervalos de tiempo las propiedades del rea control TN , ya que en otro caso el tiempo
de respuesta del filtro estara fuera de contexto; esto quiere decir que la respuesta
ocurrira despus del tiempo en que fuera requerida.
Nota 7.1: El filtro digital difuso es un filtro digital adaptivo [11], [14], [15], [17], [18] y [45] y ste
requiere de una seal deseada y (k ) con respecto al universo de respuestas del sistema
de referencia para actualizar y ajustar las respuestas del sistema de filtrado de acuerdo
con la base de conocimiento TN .
(7.1)
Nota 3.2. Cada FDDTR como estimador de parmetros tiene una funcin de error
limitada, donde es el lmite del error definido por la varianza de las perturbaciones del
sistema. En el caso difuso estas variaciones paramtricas se encuentran dentro del error
que est limitado por representando las funciones de membresa correspondientes con
el criterio elegido por el modelo de referencia [45].
Nota 3.3 El FDDTR ofrece una respuesta local estable si la estimacin del conjunto de
parmetros del sistema, se encuentra dentro del crculo unitario para cada intervalo k:
(7.2)
La Figura 7.3, muestra cmo se realiza la ejecucin de la tarea del filtro difuso en forma
global a travs de intervalos de tiempo de acuerdo con la Figura 7.3:
Figura 7.2 Proceso de filtrado descrito en forma equivalente por una tarea
En la figura 7.3 (a), se muestra de forma ilustrativa el funcional del error, que representa
la convergencia del proceso del filtrado desde un estado inicial a un estado deseado, de
acuerdo con el sistema de referencia. En la figura 7.3, se observa la cantidad de
informacin emitida por el filtrado en forma de paquetes de informacin por intervalos
de duracin.
Para realizar la simulacin del filtrado difuso en este caso se ha elegido el Filtro de
Kalman [17 y 18], por ser una herramienta matemtica que est teniendo un importante
auge en los sistemas y aplicaciones, siendo una herramienta empleada a nivel cientfico.
De forma esencial el Filtro de kalman es un conjunto de ecuaciones matemticas donde
se tiene un estimador predictor-corrector ptimo que minimiza el error en sus
respuestas. El sistema de filtrado cuenta con una matriz de transicin descrita por la
base del conocimiento de acuerdo al criterio del funcional de error que estn descritos
en [4, 17, 18 y 48]. El sistema empleado para el desarrollo de esta simulacin es un sistema
ARMA de tipo probabilstico (soft) usando un procesador AMD Sempron 3100, donde se
contemplan sus tiempos de evolucin media con intervalos k, de 0.004 s 0.0002.
8.2 Descripcin del sistema de referencia
(8.1)
(8.2)
Figura 8.2 Estimacin de parmetros a(k), con ndice de evolucin k acotado en [1,1000]
Figura 8.4 Identificacin interna del estado x(k) a travs del FDDTR
En la Figura 8.6, se puede observar la grfica del funcional de error descrito en (6.3)
con respecto al filtro:
Figura 8.6 Curva de convergencia al parmetro * vista ilustrativamente por el funcional J(k)
De esta forma, se observa que el tiempo global de convergencia es de 0.08 seg, el cual
es menor a la condicin de evolucin del sistema, teniendo en cuenta que LDmax est
oscilando alrededor de 0.09 seg, de acuerdo con sus propiedades descritas previamente
en las definiciones. La Figura 8.8, muestra los niveles en un sentido de distribucin,
dentro de los primeros dos momentos de probabilidad y la Figura 8.7, muestra las
funciones de membresa, clasificadas un sentido de probabilidad con respecto a J(k):
Figura 8.7 Funciones de membresa de acuerdo a J(k) para las variables lingsticas
BIBLIOGRAFA
[1] Abdul, S., Fuzzy Logic and its uses, http://www.doc.ic.ac.uk, (2006).
[3] Amble, T., Logic Programming and Knowledge Engineering, Addison Wesley, (1987).
[4] Ash, R., Real Analysis and Probability, Ed. Academic Press, USA, (1970).
[5] Astrom, K., & Henmark, B., Adaptive Control 2nd edition, Addison Wesley, USA (1995).
[6] Buttazo G., Hard Real-Time Computing System predictable scheduling algorithms and applications,
Kuluwer Academic Publishers, USA.
[8] Garca, J., Medel, J., Guevara, L., Propiedades del Filtrado Digital Difuso en Tiempo Real, IEEE
Congreso Internacional en Innovacin y Desarrollo, Morelos, (2007).
[9] Garca, J., Medel, J., Guevara, L., Caractersticas de un Filtrado Digital Adaptivo, Revista de
Divulgacin Aleph Zero, Num. 43 (2007).
[10] Garca, J., Medel, J., Guevara, L., Interaccin de Sistemas por un Filtro Digital Difuso en Tiempo
Real, Congreso Nacional Estudiantil Quertaro (2006).
[11] Garca, J., Medel, J., Guevara, L., Real-Time Fuzzy Digital Filter: Basic Concepts. Congreso
internacional de control, instrumentacin virtual, y sistemas digitales. CIC-INDI, Mxico DF (2006).
[12] Garca, J., Medel, J., Guevara, L., RTFDF Description for ARMA Systems, ISSN: 1790-5109, ISBN:
978-960-8457-81-2, WSEAS International Conferences, Canada (2007).
[13] Guevara Lpez, P., Medel, J., Introduccin a los sistemas en tiempo real, Mxico, IPN (2003).
[14] Gustafsson, F.: Adaptive Filtering and Change Detection, John Wiley & Sons, Ltd, (2000).
[15] Haykin, S.: Adaptive Filtering, Prentice Hall, (2001).
[16] Huang, G., Zhu, K., Siew, C.: Real-Time Learning Capability of Neural Networks, IEEE
Transactions on Neural Networks, (2006), Vol. 17, 863-878.
[17] Jantzen, J., A tutorial on Adaptive Fuzzy Control, Technical University of Denmark, Dinamarca,
(2002).
[18] Jane, W., Liu, S., Real-Time Systems, Prentice Hall, New York (2000).
[20] Kuo, B., Sistemas de Control Automtico, Prentice Hall, Mxico (1996).
[21] Laplante, P., Real-Time Systems Design and Anlisis, IEEE Press, New York (1997).
[22] Lau, C., Neural Networks, IEEE Press., New York (1991).
[23] Leydesdorff, L., Canadian Journal of Communication, vol. 28, 267-289, (2003).
[24] MacRoy, S., & Ali, S., Building Intelligent Dialog Systems, University of Wisconsin, Milwaukee.
[25] Mamdani, E.: Applications of Fuzzy Algorithms for Control of Simple Dynamic Plant, Proc. IEEE,
(1974), Vol. 121, 1585-1588.
[26] Manuel, L.: Teora de la Medida e Integral de Lebesgue, Universidad Nacional del Rosario (2003).
[27] Marcek, D.: Stock Price Forecasting: Statistical, Classical and Fuzzy Neural Networks, Modeling
Decisions for Artificial Intelligence, Springer Verlag, (2004), 41-48.
[28] Margaliot, M., & Langhoz, G., Fuzzy Lyapunov based approach to the design of fuzzy controllers,
IEEE Trans. On Sys., Man Cybern.
[29] Margaliot, M., and Langholz, G.: New Approaches to Fuzzy Modeling and Control Design and
Analysis, World Scientific (2000).
[30] Medel, J., Garcia, J. C., Guevara, P.: Real-time Fuzzy Digital Filters ( RTFDF) Properties for SISO
Systems, Automatic Control and Computer Sciences AVT, (2008).
[31] Medel, J., Guevara, P.: Caracterizacin de Filtros Digitales en Tiempo-real para Computadoras
Digitales, Computacin y Sistemas, (2004), Vol. VII, No. 3.
[32] Medel, J., Poznyak, A., Guevara, P.: Real-time Multivariable Digital Filter using Matrix Forgetting
Factor and Instrumental Variable. Automatic Control and Computer Sciences AVT, (2004), Vol. 38,
No. 1, 40-53.
[35] Nikola, K.: Foundations of Neural Networks, Fuzzy Systems, and Knowledge Engineering, the MIT
Press (1996).
[36] Ogata, K., Ingeniera de Control Moderna, Prentice Hall, Mxico (1980).
[38] Peter, B., and N. Stephan, A brief course: Fuzzy logic and Fuzzy Control, Johannes Kepler
Universitat Linz, Alemania (2006).
[41] Pugachev, V., Introduccin a la Teora de Probabilidades, Editorial MIR, Mosc (1973).
[42] Rajen, B., and Gopal, M.: Neuro-Fuzzy Decision Trees, International Journal of Neural Filters,
(2006), Vol. 16, 63-68.
[44] Shannon, M.: A Mathematical Theory of Communication, Bell Systems Technical Journal, (1948),
Vol. 27, 379-423 and 623-656.
[45] Schneider, M., and Kandel, A.: Fuzzy expert systems tools, Wiley (1996).
[46] Stubberud, D., Retroalimentacin y Sistemas de control, McGraw Hill, Mxico (1981)
[47] Takagi, T., and Sugeno, M.: Fuzzy Identification of Systems and its Applications to Modelling and
control, IEEE Transactions and Systems, man, and cybernetics, (1986), Vol. 15, 116-132.
[48] Terano, T., Asay, K., & Sugeno, M., Applied Fuzzy Systems, AP Professional, Cambridge (1989).
[49] Von, C., Fuzzy Logic & Neurofuzzy Applications Explained, Prentice Hall, New York (1995).
[50] Wang, L., Adaptive Fuzzy Systems and Control, Prentice Hall (1994).
[51] Yamakawa, F.: Fuzzy Neurons and Fuzzy Neural Networks, (1989).
[52] Zadeh, L.: Fuzzy Sets, Information and control, (1965), Vol. 8, 338-353.