Está en la página 1de 71

Lógica difusa

1
Objetivo
 Conocer que es un conjunto difuso.
 Estudiar en detalle operaciones y propiedades
de los conjuntos difusos.
 Estudiar brevemente las variables lingüísticas.
 Estudiar la inferencia difusa.

2
Conjunto difuso
 Un conjunto difuso puede definirse como una
clase en la que hay una progresión gradual
desde la pertenencia al conjunto hasta la no
pertenencia.
 Un objeto puede tener un grado de
pertenencia definido entre la pertenencia
total (valor 1) o no pertenencia (valor 0).

3
Conjunto difuso
 Asumiendo que X es un conjunto, un conjunto difuso
A en X es asociado con una función característica
μA(x)
μA(x): X → [0,1]

• μA(x)=1 si x está totalmente en A, μA(x)=0 si x no está


en A y 0 < μA(x) < 1 si x está parcialmente en A.
• La función característica es típicamente conocida
como función de pertenencia.

4
Conjunto difuso
 El conjunto difuso es el conjunto de pares
ordenados:
A={(x, μA(x)) | x ϵ X }

Ejemplo:
A = {(0, 0.1), (1, 0.5), (2, 1), (3, 0.1), (4,0.8)}

Otra representación es:


B = {0.1/0, 0.5/1, 1/2, 0.1/3, 0.8/4}

5
Función de pertenencia
 La función μF(x) se llama la función de pertenencia
del atributo F.
 la función μF(x) nos indica cual es el grado de
pertenencia de x al atributo F.

6
Función de pertenencia (ejemplo)
 μF(x) es la función de pertenencia al conjunto difuso
frío medido en la variable x.

7
Función de pertenencia (ejemplo)
Un conjunto exacto (conjunto crisp)

Puede tener valor de 0 o 1

8
Función de pertenencia (ejemplo)
Un conjunto difuso

9
Función de pertenencia trapezoidal

10
Función de pertenencia triangular

11
Función de pertenencia Gaussiana

12
Algunas definiciones de los conjuntos
difusos
 Un conjunto difuso A en X se llama normal si existe
por lo menos un elemento x ∈ X en el cual A(x) = 1.
Un conjunto difuso que no es normal se llama
subnormal.
 La altura (height) de un conjunto difuso A es el
miembro mas grande en A. Entonces altura(A) = Max
(A(x))
 El soporte (support) de un conjunto difuso A es el
subconjunto de X que se compone de todos los
miembros con valor de pertenencia > 0. Supp(A) = {x
| A(x) > 0 and x ∈ X}
13
Algunas definiciones de los conjuntos
difusos
 La medula (o core) de un conjunto A son todos los
elementos con valor de pertenencia = 1. medula(A)
= {x | A(x) = 1 and x ∈ X}
• Si A y B son dos conjuntos difusos X. A es un
subconjunto de B si B(x) ≥ A(x) para todos los valores
x ∈ X.
• El conjunto α-level de A es el conjunto consistente
de los elementos en X para el cual A(x) ≥ α
Aα= {x | A(x) ≥ α, x ∈ X}

14
Algunas definiciones de los conjuntos
difusos

15
Ejemplo
A={0.1/a,0.1/b, 0.2/c, 0/d, 1/e}
B={0.1/a, 0/b, 0.2/c, 0/d, 0.9/e}
 A es un conjunto difuso normal en X (a razón de el

elemento 1/e)
 B es un conjunto difuso subnormal en X

 altura(A) = 1, altura(B) = 0.9

 supp(A) = {a, b, c, e}, supp(B) = {a, c, e}

 core(a) = {e}, core(B) = {∅ }

 B ⊂ A (B es un subconjunto de A ya que A(x) ≥ B(x)

para x ∈ X)
16
Ejercicio
A={0/1.50,0.2/1.60, 0.5/1.65, 0.7/1.70, 1/1.80, 1/1.90}

 Determinar si es un conjunto difuso normal o


subnormal.
 Determinar la altura
 Determinar el soporte
 Determinar el core

17
Operaciones con conjuntos difusos

Unión
Asumiendo que A y B son dos sets difusos de X, la
unión de A y B es un set difuso C = A ∪ B, en el cual:
C(x) = Max[A(x), B(x)]
Intersección:
Asumiendo que A y B son dos sets difusos de X, la
intersección de A y B es un set difuso C = A ∩ B, en el
cual:
C(x) = Min[A(x), B(x)]

18
Operaciones con conjuntos difusos

Complemento relativo
El complemento relativo de B con respecto a A es
E = A – B en el cual:
E(x) = Max[0, A(x) – B(x)]
Suma limitada
La suma limitada (bounded sum) de A y B, es C = A⊕ B
en el cual:
C(x) = Min[1, A(x) + B(x)]

19
Operaciones con conjuntos difusos

Complemento
El complemento o negación de A, denominado 𝐴ҧ se
denota c(A) y se obtiene como:
c(A) = 1 − 𝐴
Los requerimientos del complemento son:
- Borde: c(0) =1 y c(1) = 0
- Monotonicidad: ∀ a,b ϵ [0, 1] si a < b entonces c(a) ≥
c(b).
- Involución: ∀a ϵ [0, 1] tenemos c(c(a)) = a.

20
Operaciones con conjuntos difusos

Además del complemento clásico se tiene:


Complemento de Sugeno
1−𝑎
𝑐𝑆 (𝑎) =
1 + 𝑠𝑎

Complemento de Yager
𝑐𝑤 (𝑎) = (1 − 𝑎𝑤 )1/𝑤

21
Operaciones con conjuntos difusos

Ejemplo
Considerando los conjuntos difusos A y B

22
Operaciones con conjuntos difusos

Ejemplo
Complemento de A

23
Operaciones con conjuntos difusos

Ejemplo
A∪B

24
Operaciones con conjuntos difusos

Ejemplo
A∩B

25
Operaciones con conjuntos difusos

Ejemplo
Complemento
de Sugeno

1−𝑎
𝑐𝑆 (𝑎) =
1 + 𝑠𝑎

26
Operaciones con conjuntos difusos

Ejemplo
Complemento
de Yager

𝑐𝑤 (𝑎) = (1 − 𝑎𝑤 )1/𝑤

27
Operaciones con conjuntos difusos
A={0.1/a,0.1/b, 0.1/c, 0/d, 1/e}
B={0.2/a, 0/b, 0.2/c, 0.5/d, 0.9/e}

• C = A ∪ B = Max[A(x), B(x)]
• C = A ∪ B = {0.2/a, 0.1/b, 0.2/c, 0.5/d, 1/e}

• C = A ∩ B = Min[A(x), B(x)]
• C = A ∩ B = {0.1/a, 0/b, 0.1/c, 0/d, 0.9/e}

ҧ 1 – A = {0.9/a, 0.9/b, 0.1/c, 1/d, 0/e}


• 𝐴=
28
Ejercicio 1

A={0.3/a, 0/b, 0.1/c, 1/d, 0.4/e}


B={0/a, 0.8/b, 0.5/c, 0.2/d, 0.3/e}

Obtener
• C=A∪B
• C=A∩B
ҧ 1–A
• 𝐴=

29
Ejercicio 2

Obtener
• µc(X) = µa(X) ∪ µb(X)

30
Ejercicio 3

Obtener
• µc(X) = µa(X) ∩ µb(X)

31
Propiedades 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
• Involución: :¬(¬A) = A
• Transitiva: If(A ⊂ B) ∩ (B ⊂ C) then A ⊂ C
• Leyes de Morgan: ¬ (A ∩ B) = ¬A ∪ ¬B y
¬ (A ∪ B) = ¬A ∩ ¬B
32
Principio de extensión
• El principio de extensión nos da un mecanismo
básico para extender las expresiones matemáticas de
conjuntos exactos (clásicos) al dominio difuso.
• Este principio generaliza la idea de un mapeo punto
a punto de una función en conjuntos tradicionales
y=f(x) a un mapeo entre conjuntos difusos.

33
Principio de extensión
• Si f es una función Y = f(X) y A es un conjunto difuso
sobre X definido como:
A = {μA(x1)/x1, μA(x2)/x2, ... , μA(xn)/xn}
• Entonces el principio de extensión indica que la
imagen del conjunto A bajo la función f( ) es el
conjunto difuso B:
B = f(A) = {μB(y1)/y1, μB(y2)/y2, ... , μB(yn)/yi}

en el cual yi = f(xi) y μB(y) = max μA(x)

34
Principio de extensión

Ejemplo:
Si A = {0.1/-2, 0.4/-1, 0.8/0, 0.9/1, 0.3/2}
y B = f(x) = x2 - 3

Entonces aplicando el principio de extensión:


B = {0.1/1, 0.4/-2, 0.8/-3, 0.9/-2, 0.3/1}
B = {0.8/-3, (0.4 ∪ 0.9) /-2, (0.1 ∪ 0.3)/1}
B = {0.8/-3, 0.9/-2, 0.3/1}
35
Principio de extensión

Ejercicio:
Si A = {0.1/-2, 0.4/-1, 0.8/0, 0.9/1, 0.3/2}
y B = f(x) = x3 - 1

Obtener B

36
Variables lingüísticas
• Para representar el conocimiento en razonamiento
aproximado tenemos que utilizar variables
lingüísticas.
• Una variable lingüística sirve para representar
cualquier elemento que sea demasiado complejo, o
del cual no tengamos ninguna definición concreta.
• Se pueden tener:
➢ Término primarios: ”bajo”, ”alto”, ...
➢ Modificadores: ”Muy”, ”más”, ”menos”, ”cerca
de”, ...
➢ Conectores lógicos: Normalmente NOT, AND y
OR. 37
Variables lingüísticas
• Normalmente se definen primero los conjuntos
difusos de los términos primarios y, a partir de éstos,
se calculan los conjuntos difusos de los términos
compuestos (por ejemplo, con “muy” y “alto”
construimos el término compuesto “muy alto”).
• Por ejemplo, la variable lingüística velocidad podría
incluir conjuntos difusos como muy lento, lento,
medio, rápido, muy-rápido.
• Un uso habitual de las variables lingüísticas es en
reglas difusas. Ejemplo: IF duracion-examen IS larga
THEN probabilidad-aprobar IS pequeña.
38
Variables lingüísticas

Modificadores
• Una variable lingüística puede emplear
modificadores para cambiar la forma de los
conjuntos difusos. Estos modificadores pueden
asociarse a adverbios como “muy”, “ligeramente”,
“un poco”, etc...

39
Variables lingüísticas
Modificadores
• Carlos, un elemento del conjunto “alto” (con un grado de
pertenencia de 0.5) es también miembro del conjunto de
los “muy altos” (pero con un grado de pertenencia de
0.15, lo cual es razonable).

40
Variables lingüísticas
En la práctica, podemos distinguir tres tipos de
modificadores: de dilatación, de concentración y de
intensificación.
Modificadores de dilatación

41
Variables lingüísticas
Modificadores de concentración

42
Variables lingüísticas
Modificadores de intensificación

43
Variables lingüísticas

44
Razonamiento aproximado
• Mediante el uso de conjuntos difusos es posible
dotar de significado matemático a proposiciones
como ”este coche es pequeño”, ”Pedro es muy alto”
o ”el crecimiento es lento” utilizando los
modificadores lingüísticos (muy, poco, demasiado,
algo, extremadamente, etc.) para adaptar los
calificativos a lo que se quiere decir.
• El razonamiento aproximado se utiliza para
representar y razonar con conocimiento expresado
en forma de primitivas atómicas, enunciadas en
lenguaje natural. Por ejemplo “La velocidad tiene un
valor positivo grande”.
45
Proposición atómica difusa
• La transformación de la expresión “La velocidad
tiene un valor positivo grande”, en términos de
variables lingüísticas se realiza como se indica a
continuación:
1. Se selecciona un símbolo V para representar la
variable física “velocidad”.
2. Se elige un símbolo PG para representar el valor
particular “positivo grande” de la variable física
“velocidad”.
3. La expresión en lenguaje natural pasa a ser: V es PG
• A este tipo de expresión se le denomina proposición
46
atómica difusa.
Proposición difusa compuesta
• Usando el concepto de proposición difusa y
conectores lingüísticos como “y”, “o” y “no” es
posible componer proposiciones difusas más
complejas “A es X y B es Y”, “A es no X”, etc...
• Estas proposiciones se conocen como compuestas.

47
Reglas IF-THEN difusas
• Esta regla es expresada simbólicamente como:
IF <proposición difusa> THEN <proposición difusa>

Donde <proposición difusa> puede ser una proposición


difusa atómica o compuesta.
• Podemos definir una proposición sencilla de este
tipo mediante:
p: IF X es A THEN Y es B

48
Reglas IF-THEN difusas
• La parte IF x is A es llamada el antecedente o
premisa
• La parte THEN y is B es la consecuencia o conclusión

Ejemplos:
• If presión es alta, then volumen es pequeño.
• If carretera esta mojada, then manejar es peligroso.

49
Reglas IF-THEN difusas
• En los sistemas de reglas clásicos, si el antecedente
es cierto, el consecuente es también cierto.
• En sistemas fuzzy donde el antecedente es difuso,
todas las reglas se ejecutan parcialmente, y el
consecuente es cierto en cierto grado (si el
antecedente es cierto con cierto grado de
pertenencia, el consecuente es cierto también en
cierto grado).

50
Reglas IF-THEN difusas

51
Inferencia difusa
• La inferencia difusa puede definirse como el
proceso de obtener un valor de salida para un valor
de entrada empleando la teoría de conjuntos
difusos.
• Se tienen dos tipos de inferencia:
➢ El modelo de Mamdani
➢ el modelo de TSK (Takagi, Sugeno y Kang).

52
Inferencia de Mamdani
• Es posiblemente el método más ampliamente
utilizado, propuesto por Ebrahim Mamdani en 1975.
El proceso se realiza en cuatro pasos:

1. Fuzificación de las variables de entrada.


2. Evaluación de las reglas.
3. Agregación de las salidas de las reglas.
4. Defuzificación.

53
Inferencia de Mamdani
• Para analizar las etapas se usa este ejemplo
empleando tres reglas. Estas reglas usan como
variables lingüísticas x (financiación-del-proyecto), y
(plantilla-del-proyecto) y z (riesgo).
• Los conjuntos definidos sobre el dominio de X son
A1;A2;A3 (inadecuado, marginal, adecuado), sobre
el dominio de Y B1;B2 (pequeña, grande) y sobre el
universo del discurso de Z son C1, C2 y C3 (bajo,
normal y alto).
• Reglas:
➢ 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
54
Fuzificación
• El primer paso consiste en tomar los valores crisp de
las entradas (financiacion-del-proyecto y plantilla-
del-proyecto) y determinar el grado de pertenencia
de estas entradas a los conjuntos difusos asociados.
• En este caso se supone que un experto asigna a x un
valor del 35% (financiacion-proyecto) y a y un valor
de 60% (plantilla-proyecto). Estas serán las entradas.

55
Fuzificación

56
Evaluación de reglas
• Tomamos las entradas anteriores y se aplican a los
antecedentes de las reglas difusas. Si una regla tiene
múltiples antecedentes, se utiliza el operador AND u
OR para obtener un único número que represente el
resultado de la evaluación. Este número (el valor de
verdad) se aplica al consecuente.
• Finalmente el resultado de la evaluación del
antecedente se aplica al consecuente, aplicando un
recorte o escalado según el valor de verdad del
antecedente.
• El método más comúnmente utilizado es el recorte
(clipping) que corta el consecuente con el valor de
verdad del antecedente. 57
Evaluación de reglas

58
Agregación de salidas
• La agregación es el proceso de unificación de las
salidas de todas las reglas; es decir, se combinan las
funciones de pertenencia de todos los consecuentes
previamente recortados o escalados, combinando
para obtener un único conjunto difuso por cada
variable de salida.

59
Agregación de salidas

60
Defuzificación
• El resultado final habitualmente es necesario
expresarlo mediante un valor crisp. En esta etapa se
toma como entrada el conjunto difuso
anteriormente obtenido para dar un valor de salida.
• Existen varios métodos de defuzificación, pero
probablemente el más ampliamente usado es el
centroide; que calcula el punto donde una línea
vertical divide el conjunto en dos áreas con igual
masa.

61
Defuzificación

62
Inferencia TSK
• El modelo de inferencia de Mamdani requiere algún
tipo de método para la defuzificación. En general,
este método no es muy eficiente desde el punto de
vista computacional.
• Se puede disminuir el tiempo de inferencia
empleando una función matemática en el
consecuente, de forma que el formato general de
regla en inferencia TSK es:
p: IF x es A AND y es B THEN z es f(x; y)

63
Inferencia TSK
• Este tipo de método proporciona mayor eficiencia,
pero no presentan un marco tan natural para la
representación del conocimiento humano.
• Un tipo habitual de representación del consecuente
es un singleton (punta discreta), que toma valor uno
en un valor puntual del universo del discurso y cero
en cualquier otro punto.

64
Inferencia TSK
• Empleando este tipo de aproximación (ampliamente
utilizada), la inferencia TSK y de Mamdani son muy
parecidas tomando las reglas el siguiente formato:
p: IF x es A AND y es B THEN z es k
Siendo k un valor constante para el singleton.
• La salida crisp en este caso se obtiene mediante una
sencilla agregación (media de pesos WA) de estos
singletones.

65
Inferencia TSK (fuzificación)

66
Inferencia TSK (evaluación de las
reglas)

67
Inferencia TSK (agregación de los
consecuentes)

68
Inferencia TSK (Defuzificación)

69
Bibliografía
 GONZALEZ Carlos, Lógica difusa-una aplicación
práctica,
http://www.esi.uclm.es/www/cglez/downloads
/docencia/2011_Softcomputing/LogicaDifusa.p
df
 ARREDONDO Tomás, Introducción a la lógica
difusa, (presentación)
http://profesores.elo.utfsm.cl/~tarredondo/inf
o/soft-
comp/Introduccion%20a%20la%20Logica%20Di
fusa.pdf
70
Gracias por su atención

71