Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Contenidos
Introduccin (cont)
Introduccin (cont)
Contenidos
Set difuso
-40 -20 0 10 20 30
x (Co)
Introduccin a la lgica difusa
s(x)
funcin
caracterstica
N x
{S X : 0 S N } par binario
S : X -> {0,1}
S(x) = 1 si x es un miembro de S
S(x) = 0 si x no es un miembro de S
Introduccin a la lgica difusa
funcin de 1
pertenencia
s(x)
subset
N x
s(x)
1
s(x)
x
Hay muchas posibilidades de como representar un set difuso.
Introduccin a la lgica difusa
Variables Lingsticas
(x) 0.5
0
0 25 50 75 100
X
Introduccin a la lgica difusa
Funciones de pertenencia
Funcin de pertenencia trapezoidal:
0, x a
x a
, a x b
b a
trapesoidal ( x; a, b, c , d ) = 1, b x c
d x
d c , c x d
0, d x
Ej: trapesoid (x; 10, 20, 60, 95)
0 20 40 60 80 100
Introduccin a la lgica difusa
0, xa
x a
, a x b
b a
tringulo( x; a, b, c ) =
cx
, b x c
c b
0, cx
Ej: triangle (x; 20, 60, 80) 1
0 20 40 60 80 100
Introduccin a la lgica difusa
0, x=a
s ( x; a ) =
1, xa
Ej: singleton (x; 60)
1
0 20 40 60 80 100
Introduccin a la lgica difusa
1
Sigmoide: s ig m f ( x ; a , b , c ) = a (xc )
1+e
d is p _ s ig .m
Introduccin a la lgica difusa
c=65 c=25
a=60 a=10
b=10 b=40
d ifflr .m
Introduccin a la lgica difusa
F u n c io n e s d e m e m b r e s a e n 2 D :
2 d m f .m
Introduccin a la lgica difusa
convexmf.m
Introduccin a la lgica difusa
.5
0 C o re X
C r o s s o v e r p o in ts
- cut
S u p p o rt
Introduccin a la lgica difusa
Contenidos
O p e r a c io n e s e n s e ts d ifu s o s (c o n t):
s u b s e t.m
fu z s e to p .m
Introduccin a la lgica difusa
Complemento
Requerimientos:
Borde: N(0)=1 and N(1) = 0
Monotonicidad: N(a) > N(b) if a < b
Involucin: N(N(a)) = a
Dos tipos:
Sugenos complement: N ( a ) = 1 a
s
1 + sa
Complemento
1 a
N s(a ) = N w ( a ) = (1 a w )1/w
1 + sa
Introduccin a la lgica difusa
E x te n s io n e s c iln d r ic a s :
Base set A C y lin d r ic a l E x t. o f A
c y l_ e x t.m
Introduccin a la lgica difusa
P r o y e c c io n e s :
T w o -d im e n s io n a l P r o je c tio n P r o je c tio n
M F o n to X o n to Y
Conmutatividad:
AB=BA
AB=BA
dempotencia:
AA=A
BB=B
Asociatividad
A (B C) = (A B) C = A B C
A (B C) = (A B) C = A B C
Introduccin a la lgica difusa
Distribucin
A (B C) = (A B) (A C)
A (B C) = (A B) (A C)
Nulo
A=A
A=
Unin e Interseccin de X (A es un subset de X)
AX=X
AX=A
Introduccin a la lgica difusa
Ejemplos:
altura(A) = 1, altura(B) = .9
supp(A) = {a, b, c, e}, supp(B) = {a, c, e}
core(a) = {e}, core(B) = { }
Ejemplos (cont):
Ejemplos (cont):
C (x) = A (x) B (x) = min( A (x), B (x) )
a(x)
1 b(x)
0 x
1
c(x)
0
x
Introduccin a la lgica difusa
Ejemplos (cont):
C (x) = A (x) B (x) = max( A (x), B (x) )
a(x)
1 b(x)
0 x
1
c(x)
0 x
Introduccin a la lgica difusa
A lg e b r a ic Bounded D r a s tic
M in im u m : p ro d u c t: p ro d u c t: p ro d u c t:
T m (a , b ) T a(a , b ) T b(a , b ) T d(a , b )
tn o r m .m
Introduccin a la lgica difusa
A lg e b r a ic Bounded D r a s tic
M a x im u m : sum : sum : sum :
S m (a , b ) S a(a , b ) S b(a , b ) S d(a , b )
t c o n o r m .m
Introduccin a la lgica difusa
Ley de De Morgan:
( A B) = A B
( A B) = A B
T(a, b) = N(S(N(a), N(b)))
S(a, b) = N(T(N(a), N(b)))
T m (a , b) S m (a , b)
T a(a , b) S a(a , b)
T b(a , b) S b(a , b)
T d(a , b) S d(a , b)
Introduccin a la lgica difusa
T-norma y T-conorma Parametrizadas
Ejemplo:
Relaciones Difusas
Ejemplo:
Si A = {1/a, 0.6/b, 0.3/c}, B = {1/1, 0.5/2, 0/3} son dos subsets
difusos, entonces,
A = { 1/(a, 1), 0.5/(a, 2), 0/(a, 3), 0.6/(b,1), 0.5/(b,2),
0/(b,3), 0.3/(c,1), 0.3/(c,2), 0/(c,3)}
Introduccin a la lgica difusa
Ejemplo:
Si X = {x1, x2, x3}, Y = {y1, y2}, entonces R :
[ ]
x1 , y1 x1 , y2
R= x2 , y1 x2 , y2
x3 , y1 x3 , y2
Introduccin a la lgica difusa
IF x is A THEN y is B
En la cual A y B son variables lingsticas definidas por sets
difusos en los universos X e Y. La parte IF x is A es llamada
el antecedente o premisa, mientras la parte THEN y is B es
la consecuencia o conclusin
Ejemplos:
If presin es alta, then volumen es pequeo.
If carretera esta mojada, then manejar es peligroso.
Introduccin a la lgica difusa
Reglas IF-THEN pueden usar variables difusas linguisticas
Ejemplos:
c o m p lv .m
Introduccin a la lgica difusa
A c o u p le d w ith B
y A e n ta ils B
y
B B
x x
A A
Introduccin a la lgica difusa
A coupled with B: R ( x , y ) = f ( A ( x ), B ( y )) = f (a , b )
fu z im p .m
Introduccin a la lgica difusa
A entails B (not A or B):
fu z im p .m
Introduccin a la lgica difusa
Contenidos
T -n o rm
A A B
w
X Y
A
B
X Y
x is A y is B
Introduccin a la lgica difusa
Razonamiento difuso (cont):
A A B B T-norm C2
w
Z
X Y
A B
C
Z
x is A X y is B Y z is C
Introduccin a la lgica difusa
Razonamiento con dos reglas: En general se toma como la
unin de las relaciones difusas correspondiente a las reglas.
Premisas: x is A and y is B
Regla 1: if x is A1 and y is B1 then z is C1
Regla 2: if x is A2 and y is B2 then z is C2
Conclusin: z is C
A A1 B B1 C1
w1
Z
X Y
A A2 B B2 C2
w2
Z
X Y
T-norm
A B
C
Z
x is A X y is B Y z is C
Introduccin a la lgica difusa
-1 -.5 0 .5 1
Introduccin a la lgica difusa
e(k)
Valores de la funcin de
N Z P pertenencia de input e(k)
N N N Z Valores de la funcin de
e(k)
pertenencia de output u(k)
Z N Z P
P Z P P
Valores de la funcin de
pertenencia de input e(k)
Introduccin a la lgica difusa
Centroide =
f ( x) xdx
f (x )dx
En forma discreta: n
f (x ) x
i i
Centroide = i= 0
n
f ( x)
i =0
i
Introduccin a la lgica difusa
Calcular fuerza (strength) de las reglas usando Root Sum Squared (RSS):
"Heat" = (R32 + R62 + R82 + R92)1/2
= (02 + 02 + 0.52 + 02)1/2 = 0.5 (Heat)
"No-Chg" = (R52)1/2 = (0.52)1/2 = 0.5 (No Change)
"Cool" = (R12 + R22 + R42 + R72)1/2 = (02 + 02 + 0.52 + 0.52)1/2 = 0.707 (Cool)
Usando RSS-Centroide:
OUTPUT = (heat_center * heat_strength + zero_center * zero_strength + cool_center
* cool_strength) / (heat_strength + zero_strength + cool_strength)
Heat No-Chg Cool
1
-100 50 0 50 100
11.7
La coordenada horizontal se toma como el valor exacto. En este ejemplo el valor
de 11.7% (Enfriando) parece lgico ya que el e = -1 F de input indica que todavia
esta HOT a pesar de que ya se estaba enfriando (e(k) = +2.5 F, COOLING).
Introduccin a la lgica difusa
El modelo Mamdani:
If x is A1 and y is B1 then z is C1
If x is A2 and y is B2 then z is C2
T-norm = min
T-conorm = max
Introduccin a la lgica difusa
El modelo Mamdani II:
If x is A1 and y is B1 then z is C1
If x is A2 and y is B2 then z is C2
T-norm = product
T-conorm = max
Introduccin a la lgica difusa
El modelo Sugeno:
If x is A1 and y is B1 then z is C1
If x is A2 and y is B2 then z is C2
Introduccin a la lgica difusa
Modelo Tsukamoto con tres reglas un input y un output
(cont):
If X is small then Y is C1
If X is medium then Y is C2
If X is large then Y is C3
Introduccin a la lgica difusa
Modelamiento difuso:
Pasos iniciales:
Seleccionar variables relevantes de input y output
Elegir un tipo especifico de sistema de inferencia
Determinar el numero de trminos lingsticos (basados en
variables)
Disear una coleccin de reglas if-then difusas
Despus de estos pasos iniciales tpicamente se desea mejorar el
modelo:
Elegir funciones de pertenencia correctamente parametrizadas
Mejorar las reglas y los parmetros de la funciones de
pertenencia
Refinar los parmetros de las funciones de pertenencia usando
mtodos de optimizacin (Ej. Gradiente, GA, GP,...)
Introduccin a la lgica difusa
Referencias:
[1] Yager, R., Filev, D., Essentials of Fuzzy Modeling and Control,
Wiley Interscience, NY, 1994
[2] Kartalopoulos, S., Understanding Neural Networks and Fuzzy
Logic, IEEE PRESS, NY, 1994
[3] Jang, J., et al, Neuro-Fuzzy and Soft Computing, Prentice
Hall,1997
[4] www.seattlerobotics.org