Documentos de Académico
Documentos de Profesional
Documentos de Cultura
LogicaDifusa PDF
LogicaDifusa PDF
Tcnicas de Softcomputing
1. Introduccin 5
1.1. Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.1.1. Tratamiento de la Incertidumbre . . . . . . . . . . 6
1.2. Qu es la Lgica Difusa? . . . . . . . . . . . . . . . . . . 7
1.2.1. Diferencias con Probabilidad . . . . . . . . . . . . . 8
1.3. Historia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.4. Caractersticas . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.5. Aplicaciones . . . . . . . . . . . . . . . . . . . . . . . . . . 10
3. Razonamiento Aproximado 21
3.1. Razonamiento Aproximado . . . . . . . . . . . . . . . . . . 21
3.1.1. Reglas Difusas . . . . . . . . . . . . . . . . . . . . . 21
3.2. Inferencia Difusa . . . . . . . . . . . . . . . . . . . . . . . . 23
3.2.1. Inferencia de Mamdani . . . . . . . . . . . . . . . . 23
3.2.2. Inferencia TSK . . . . . . . . . . . . . . . . . . . . . 24
3.3. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.3.1. Control del Pndulo Invertido . . . . . . . . . . . . 27
3.3.2. Propina al mesonero . . . . . . . . . . . . . . . . . . 28
3
[4] NDICE GENERAL
Captulo
Introduccin
1
4 La Lgica Difusa proporciona un mecanismo de inferencia que permite
simular los procedimientos de razonamiento humano en sistemas basa-
dos en el conocimiento. La teora de la lgica difusa proporciona un marco
matemtico que permite modelar la incertidumbre de los procesos cogni-
tivos humanos de forma que pueda ser tratable por un computador. En
este primer captulo se describirn los fundamentos y caractersticas de
este mecanismo de representacin de la incertidumbre.
1.1. Introduccin
Si la bola est muy cerca del hoyo y el green entre la bola y el hoyo
est plano, entoncces golpear la bola directamente hacia el hoyo.
5
[6] CAPTULO 1. INTRODUCCIN
1. Pereza: Obtener una lista completa de todas las variables que in-
tervienen en el dominio del problema puede ser demasiado traba-
jo. Adems, como el mundo real es no determinista (aleatoriedad
y excepciones), hay veces que no es posible establecer completa-
mente todas las variables del entorno.
Mtodos No Numricos
Mtodos Numricos
1.3. Historia
El concepto de Lgica Difusa fue creado por Lofti A. Zadeh, cate-
drtico de la Universidad de Berkeley (California) [2]. En su propuesta,
la lgica difusa fue presentada como una forma de procesamiento de
informacin en la que los datos podran tener asociados un grado de
pertenencia parcial a conjuntos. Fue a mediados de los 70 cuando esta
teora se aplic a los sistemas de control (cuando los pequeos orde-
nadores empotrados tuvieron suficiente potencia como para permitir
su ejecucin). Desde entonces el nmero de aplicaciones industriales
y su utilizacin en productos de consumo (como veremos en la seccin
1.5) ha crecido exponencialmente.
Figura 1.3: Lofti A. Zadeh.
En una primera etapa (entre 1965 y 1974), Zadeh describi el con-
cepto general de conjunto difuso y su funcin de pertenencia asociada
que toma valores en el intervalo unitario. En esta primera etapa no
1.4. Caractersticas [9]
1.4. Caractersticas
El Principio de Incompatibilidad [3] dice que la descripcin del com-
portamiento de un sistema complejo no puede realizarse de forma ab-
solutamente precisa. Para solucionar este problema Zadeh plantea la
necesidad de obtener herramientas capaces de manejar de forma ri-
gurosa y fiable informacin imprecisa, lo cual obliga a desarrollar dos
aspectos:
1.5. Aplicaciones
Desde mediados de los aos 70, la lgica difusa se ha utilizado
ampliamente debido a varios factores. Uno de ellos es que el uso de
conocimiento experto permite la automatizacin de tareas. En mu-
chas reas de aplicacin se reduce considerablemente la necesidad de
operadores que basan su conocimiento en la experiencia (y que dif-
cilmente podra ser expresado con ecuaciones diferenciales). De este
modo, si existe un conocimiento del proceso, es posible modelarlo me-
diante lgica difusa.
Los sistemas basados en lgica difusa son fciles de disear, mo-
dificar y mantener. Pese a la prdida de precisin, la reduccin de
tiempo de desarrollo y mantenimiento es muy relevante para su uso
industrial.
1.5. Aplicaciones [11]
13
[14] CAPTULO 2. CONJUNTOS DIFUSOS Y VARIABLES LINGSTICAS
Unin
La forma generalizada de la unin es la T-conorma. Podemos defi-
nirla con la siguiente funcin:
Para que una funcin se pueda considerar como una unin difusa,
debe satisfacer los siguientes axiomas a, b, c [0, 1]:
U1) Elemento Neutro: (a, 0) = a
U2) Conmutatividad: (a, b) = (b, a)
U3) Monotonicidad: Si a c y b d entonces (a, b) = (c, d)
U4) Asociatividad: ((a, b), c) = (a, (b, c))
[16] CAPTULO 2. CONJUNTOS DIFUSOS Y VARIABLES LINGSTICAS
Interseccin
La forma generalizada de la interseccin se denomina T-norma. Es
una funcin de la forma:
T : [0, 1] [0, 1] [0, 1]
AB (x) = T [A (x), B (x)]
Complemento
El complemento A de un conjunto difuso A, se denota por cA; est
definido por una funcin del tipo c : [0, 1] [0, 1]. Tiene que satisfacer
los siguientes axiomas:
C1) Condiciones lmite o frontera: c(0) = 1 y c(1) = 0.
C2) Monotonicidad: a, b [0, 1] si a < b entonces c(a) c(b).
C3) c es una funcin contnua.
C4) c es involutiva a [0, 1] tenemos c(c(a)) = a.
Al igual que suceda con los operadores de unin y de interseccin,
tambin para el complemento existen gran variedad de clases. Uno de
los ms utilizados, adems del complemento clsico (A (x) = c(a) = 1
a), es el -complemento de Sugeno, que viene definido por la siguiente
expresin:
1 A (x)
A (x) = con (1, )
1 + A (x)
Como se puede observar, si = 0, la funcin se comporta como el
complemento clsico. Adems, para cada valor de , obtenemos una
expresin particular para el complemento. Otro tipo de complemento
borroso muy utilizado es el de Yager, que se define con la siguiente
expresin:
1/
Aw (x) = (1 A (x)w ) w con w (0, )
Al igual que con el complemento de Sugeno, cambiando el valor de
w obtenemos distintos tipos de complemento. Si w = 1 tenemos el
complemento clsico.
2.1. Conjuntos Difusos [17]
2.1.3. Propiedades
Los conjuntos Crisp y los difusos tienen las mismas propiedades
(en realidad los conjuntos crisp pueden verse como un subconjunto
de los conjuntos difusos).
Conmutativa: A B = B A
Asociativa: A (B C) = (A B) C
Distributiva: A (B C) = (A B) (A C)
Idempotencia: A A = A y A A = A
Involucin: (A) = A
1
Transitiva: If (A B) (B C)thenA C
Leyes de Morgan: (A B) = A B y (A B) = A B
(X, T (X), U, G, M )
X es el nombre de la variable.
2.2.1. Modificadores
Una variable lingstica puede emplear modificadores para cambiar
la forma de los conjuntos difusos. Estos modificadores pueden aso-
ciarse a adverbios como muy, ligeramente, un poco, etc... Estos
modificadores pueden aplicarse a oraciones completas, verbos, adjeti-
vos, etc.
La figura 2.3 muestra un ejemplo de uso de modificadores (en este
caso el modificador muy). En el ejemplo de esta figura, Carlos, un
elemento del conjunto alto (con un grado de pertenencia de 0.5) es
tambin miembro del conjunto de los muy altos (pero con un grado
de pertenencia de 0.15, lo cual es razonable).
Cmo se implementan estos modificadores? En la prctica, pode-
mos distinguir tres tipos de modificadores; de concentracin, de dila-
tacin y de intensificacin. En la figura 2.4 se representan algunos de
los ms empleados. Por ejemplo, si Pedro tiene un valor p de pertenencia
de 0.86 al conjunto de los altos, tendr un valor de A (x) = 0,92 al
conjunto de los ms o menos altos.
[20] CAPTULO 2. CONJUNTOS DIFUSOS Y VARIABLES LINGSTICAS
Razonamiento
Captulo 3
Aproximado
4 A principios de los 80, Zadeh introduce el concepto de Razonamiento
Aproximado y otros componentes que acabaran formando el cuerpo de la
lgica difusa. As propone la utilizacin de los conjuntos difusos para el
manejo cuantitativo de conceptos cualitativos. En este captulo veremos
los fundamentos del razonamiento aproximado empleando lgica difusa.
21
[22] CAPTULO 3. RAZONAMIENTO APROXIMADO
R1: IF x is A3 OR y is B1 THEN z is C1
R2: If x is A2 AND y is B2 THEN z is C2
R3: IF x is A1 THEN z is C3
p: IF x es A AND y es B THEN z es k
Entrada Entrada
Borrosificacin
Deborrosificacin
Salida
P
((ki ) ki )
WA = P
(ki )
En general el mtodo de Mamdani se utiliza ms ampliamente por-
que apareci antes, y porque se presta ms a la representacin de
conocimiento experto. Nos permite describir el conocimiento exper-
to de una forma intuitiva. El principal inconveniente es su alto coste
computacional, por lo que para aplicaciones de control y problemas
de optimizacin se emplea ms frecuentemente el mtodo de inferen-
cia TSK.
3.3. Ejercicios
3.3.1. Control del Pndulo Invertido
El problema es mantener equilibrada una barra rgida sobre una
plataforma mvil que puede desplazarse en dos direcciones; izquierda
y derecha. Queremos disear un controlador difuso que tomar co-
mo entradas el ngulo y la velocidad angular y dar como salida la
velocidad de la plataforma.
Figura 3.5: Esquema
ilustrativo del pndulo El primer paso es definir las etiquetas de la variable lingstica ve-
invertido.
locidad de la plataforma. En este caso definiremos 5 etiquetas asocia-
das a sus respectivos conjuntos difusos como NG (Negativa Grande)
NP (Nevativa Pequea) Z (Cero) PP (Positiva Pequeo) y PG (Positiva
Grande). La Velocidad de la plataforma se define con el siguiente vec-
tor de ajuste:
Velocidad NG = (1/ 3, 1/ 2, 0/ 1)
Velocidad NP = (0/ 2, 1/ 1, 0/0)
Velocidad Z = (0/ 1, 1/0, 0/1)
Velocidad PP = (0/0, 1/1, 0/2)
Velocidad PG = (0/1, 1/2, 1/3)
Empleando la misma notacin se definen las funciones de perte-
nencia para el ngulo y la velocidad angular, que tienen asociados
los siguientes vectores de ajuste:
ngulo NG = (1/ 45, 1/ 30, 0/ 15)
ngulo NP = (0/ 30, 1/ 15, 0/0)
ngulo Z = (0/ 15, 1/0, 0/15)
ngulo PP = (0/0, 1/15, 0/30)
ngulo PG = (0/15, 1/30, 1/45)
Velocidad Angular NG = (1/ 1,5, 1/ 1, 0/ 0,5)
Velocidad Angular NP = (0/ 1, 1/ 0,5, 0/0)
Velocidad Angular Z = (0/ 0,5, 1/0, 0/0,5)
Velocidad Angular PP = (0/0, 1/0,5, 0/1)
Velocidad Angular PG = (0/0,5, 1/1, 1/1,5)
La base de reglas del controlador se puede representar en una tabla
llamada Fyzzy Associative Memory (FAM) como:
VelAng/Ang NG NP Z PP PG
NG NG
NP NP Z
Z NG NP Z PP PG
PP Z PP2
PG PG
[28] CAPTULO 3. RAZONAMIENTO APROXIMADO
(xm)2
1 Recordemos que la distribucin gausiana simple se calcula como e 2 2 , siendo
m la media y la varianza.
Bibliografa
29